CN113780330B 图像校正方法及装置、计算机存储介质、电子设备 （北京沃东天骏信息技术有限公司）

开发区科创十一街18号院2号楼4层A,2019.04.05A,2020.01.21A,2021.03.12A,2021.03.16现有技术中需要人工审核并多次反复重新上传2对初始样本集进行数据增强以得到扩充样本集；所述对初始样本根据所述扩充样本集训练预设机器学习模型，得到一分类预测模型；根据所述分类预测模型对待处理文件图像进行倾斜检测，得到若所述倾斜角度范围与目标角度范围不一致，则对所述待处理文件图像进行倾斜校所述若所述倾斜角度范围与目标角度范围不一致，则对所述待处理文采集原始文件图像并获取所述原始文件图像对根据所述原始文件图像及其对应的标签、所述旋转图像及其对应5.根据权利要求3所述的方法，其特征在若是，则根据所述原始文件图像的尺寸以及所述选取出来的角度3将所述旋转图像粘贴到所述添加随机噪声之后的8.根据权利要求1至7任意一项所述的方法，其特征在获取各所述特征直线与水平线的夹角值，选取夹角值位模型训练模块，用于根据所述扩充样本集训练预设机器学习模型，得到分类预测模型，用于根据所述分类预测模型对待处理文件倾斜校正模块，用于若所述倾斜角度范围与目标角度范围不一致，倾斜校正模块，用于基于极坐标空间变换的霍夫变换方法对所述待4理器执行时实现权利要求1～9中任意一项所述的图像其中，所述处理器配置为经由执行所述可执行指令来执行权利5[0005]需要说明的是，上述背景技术部分公开的信息仅用于加强对本公开的背景的理子设备，进而至少在一定程度上克服了现有技术中无法对倾斜图像进行自动化校正的缺6[0014]在本公开的示例性实施例中，所述对初始样本集进行数据增强以得到扩充样本[0016]在本公开的示例性实施例中，所述若所述倾斜角度范围[0017]在本公开的示例性实施例中，所述若所述倾斜角度范围取各所述特征直线与水平线的夹角值，选取夹角值位于所述倾斜角度范围之内的目标直7根据分类预测模型对待处理文件图像进行倾斜检测，得到待处理文件图像的倾斜角度范[0023]本公开应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性[0028]图4示出本示例性实施方式中对原始文件图像进行旋转处理，得到旋转图像的流[0029]图5示出本示例性实施方式中根据原始文件图像的尺寸以及选取出来的角度值，[0032]图8示出本示例性实施方式中将旋转图像粘贴到去噪处理之后的背景图像上得到[0033]图9示出本示例性实施方式中对初始样本集进行数据增强以得到扩充样本集的流[0036]图11B示出本示例性实施方式中ResneSt模型的Split-Attention模块的架构示意8以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方9[0051]图1示出本示例性实施方式中图像校正方法的流程示意图，该图像校正方法的执致审核失败时需要商家多次上传文件图像所导致的效率较低、影响入驻进程的技术问题，[0059]需要说明的是，本公开中的方法还可以用于以下应用场景中，比如，提高OCR(OpticalCharacterRecognition)识别率从而提高文档自动化处理效率，sinθ+hcosθ,从而，能够避免因为旋转图像超[0080]本步骤中，可以基于阈值的方式从颜色填充之后的图像中抠图得到上述旋转图[0095]本步骤中，可以从目标图像集中选取第二图像(与上述第一图像的序号相同，例[0098]其中，贝塔分布(BetaDistribution)是一个作为伯努利分布和二项式分布的共[0099]MixUp是一种运用在计算机视觉中的对图像进行混类增强的算法，它可以将不同[0102]需要说明的是，在经过步骤S901-S903中的处理得到上述第一子图像与第二子图[0104]本步骤中，在得到上述扩充样本集之后，可以基于TensorFlow2.0(是基于[0107]示例性的，上述预设机器学习模型可以是ResneSt模型。ResneSt模型与之前的Resnet等类似结构的网络结构相比具有更高的精度，与Efficientnet系列网络结构相比，就需要使用算法来生成标签，并制定模型的、自定义的训练任务，通常称为前置任务[0109]参考图11A，图11A示出本公开实施例中ResneSt模型的架构示意图，以下结合图[0114]step5，再执行一次conv(改变channel个数)用skipconnection(跳跃连接)将[0115]以下结合图11B对上述step3中的Split-Attention模块的架构示意图进行解释说[0116]step1，将该cardinalitygroup的输入分成r个split，每个split经过一些变换的每个split的权重相乘，得到一个cardinalitygroup的加权融合(输出维度：H×W[0125]由此可见，split-attention其实就是给每一组split的featuremap计算其对应[0126]继续参考图1，在步骤S130中，根据分类预测模型对待处理文件图像进行倾斜检这项技术就叫作高斯模糊。图像与圆形方框模糊做卷积将会生成更加精确的焦外成像效[0153]参考图13，图13示出本公开实施例中图像校正方法的整体流程图，包含步骤测，解决了现有技术中通过人工检测图片倾斜角度所导致的人力物力成本较高的技术问[0163]在本公开的示例性实施例中，数据增强模块用于将圆周以预设间隔划分为N个角于对图像边框中的空白区域进行颜色填充；从颜色填充之后的图像中抠图得到旋转图像；[0167]在本公开的示例性实施例中，数据增强模块用于将每张原始文件图像对应的N张[0168]在本公开的示例性实施例中数据增强模块用于基于贝塔分布从预设数值区间中[0173]在本公开的示例性实施例中，倾斜校正模块用于将待处理文件图像转换为灰度[0174]上述图像校正装置中各模块的具体细节已经在对应的图像校正方法中进行了详块或者单元的特征和功能可以进一步划分为由多个模块或者单计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系组件(包括存储单元1520和处理单元1510)的总线1530以及模型，得到一分类预测模型；分类预测模型用于对待处理文件图像进行倾斜检测；步骤[0188]存储单元1520还可以包括具有一组(至少一个)程序模块15205的程序/实用工具得该电子设备1500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或