1.一种台标处理方法,其特征在于,包括:
检测出待处理图像中台标区域;
将所述台标区域的图像输入到已训练的卷积自编码模型,以得到去除台标后的图像;
采用去除台标后的图像替换所述待处理图像中的台标区域。
2.根据权利要求1所述的方法,其特征在于,检测出待处理图像中台标区域,包括:
收集具有各种待检测类型的台标的多个图像样本;
对各图像样本采用分类算法进行训练,得到用于进行台标检测的分类模型;
采用所述分类模型,从所述待处理图像中检测出所述台标区域。
3.根据权利要求1或2所述的方法,其特征在于,将所述台标区域的图像输入到已训练的卷积自编码模型,还包括:
收集多个数据样本,所述数据样本中包括具有台标的第一图像和与所述第一图像对应的去除台标后的第二图像;
将各数据样本输入到所构建的卷积自编码网络中,训练得到所述卷积自编码模型。
4.根据权利要求3所述的方法,其特征在于,将各数据样本输入到所构建的卷积自编码网络中,训练得到所述卷积自编码模型,包括:
将各所述数据样本中的图像转换为设定尺寸;
采用具有设定尺寸的第一图像的像素值作为所述卷积自编码网络的输入值,对所述卷积自编码网络进行训练;
根据所述卷积自编码网络的输入值和具有设定尺寸的第二图像的像素值,计算所述卷积自编码网络的损失,以得到所述卷积自编码模型。
5.根据权利要4所述的方法,其特征在于,根据所述卷积自编码网络的输入值和具有设定尺寸的第二图像的像素值,计算所述卷积自编码网络的损失,包括:
采用计算所述卷积自编码网络的损失;
其中,J(W,b;x,y)表示所述卷积自编码网络的损失;x表示根据各所述第一图像的像素值所得到的所述卷积自编码网络的输入值;表示所述卷积自编码网络的输出值;y表示各所述第二图像对应的像素值;W表示所述卷积自编码网络的权重参数,b表示所述卷积自编码网络的偏置参数。
6.根据权利要4所述的方法,其特征在于,将所述台标区域的图像输入到已训练的卷积自编码模型,以得到去除台标后的图像,还包括:
将所述台标区域的图像从原始尺寸转换为设定尺寸;
将转换后的台标区域的图像输入到所述卷积自编码模型中,得到具有所述设定尺寸的去除台标后的图像;
将具有所述设定尺寸的去除台标后的图像,从所述设定尺寸转换为所述原始尺寸。
7.一种台标处理装置,其特征在于,包括:
检测模块,用于检测出待处理图像中台标区域;
去除模块,用于将所述台标区域的图像输入到已训练的卷积自编码模型,以得到去除台标后的图像;
替换模块,用于采用去除台标后的图像替换所述待处理图像中的台标区域。
8.根据权利要求7所述的装置,其特征在于,所述检测模块包括:
第一收集子模块,用于收集具有各种待检测类型的台标的多个图像样本;
第一训练子模块,用于对各图像样本采用分类算法进行训练,得到用于进行台标检测的分类模型;
第一检测子模块,用于采用所述分类模型,从所述待处理图像中检测出所述台标区域。
9.根据权利要求8或7所述的装置,其特征在于,还包括:
收集模块,用于收集多个数据样本,所述数据样本中包括具有台标的第一图像和与所述第一图像对应的去除台标后的第二图像;
训练模块,用于将各数据样本输入到所构建的卷积自编码网络中,训练得到所述卷积自编码模型。
10.根据权利要求9所述的装置,其特征在于,所述训练模块包括:
第一转换子模块,用于将各所述数据样本中的图像转换为设定尺寸;
第二训练子模块,用于采用具有设定尺寸的第一图像的像素值作为所述卷积自编码网络的输入值,对所述卷积自编码网络进行训练;
计算子模块,用于根据所述卷积自编码网络的输入值和具有设定尺寸的第二图像的像素值,计算所述卷积自编码网络的损失,以得到所述卷积自编码模型。
11.根据权利要10所述的装置,其特征在于,所述计算子模块还用于采用计算所述卷积自编码网络的损失;
其中,J(W,b;x,y)表示所述卷积自编码网络的损失;x表示根据各所述第一图像的像素值所得到的所述卷积自编码网络的输入值;表示所述卷积自编码网络的输出值;y表示各所述第二图像对应的像素值;W表示所述卷积自编码网络的权重参数,b表示所述卷积自编码网络的偏置参数。
12.根据权利要10所述的装置,其特征在于,所述去除模块包括:
第二转换子模块,用于将所述台标区域的图像从原始尺寸转换为设定尺寸;
去除子模块,用于将转换后的台标区域的图像输入到所述卷积自编码模型中,得到具有所述设定尺寸的去除台标后的图像;
第三转换子模块,用于将具有所述设定尺寸的去除台标后的图像,从所述设定尺寸转换为所述原始尺寸。
13.一种台标处理装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
检测出待处理图像中台标区域;
将所述台标区域的图像输入到已训练的卷积自编码模型,以得到去除台标后的图像;
采用去除台标后的图像替换所述待处理图像中的台标区域。