本发明涉及计算机软件
技术领域：
，具体而言，涉及一种图像的处理方法、装置、计算机可读存储介质和电子设备。
背景技术：
：目前，在对照片进行识别时，首先使用设备相机拍照或者直接从相册选择已有照片，再由前端技术开发人员将照片按照某种方式传给后端技术人员，然后再由后端进行识别处理，并将处理结果返回给前端进行展示和处理，但是这个过程可能会出现无法识别或者识别错误，以致出现多次拍照和上传才能得到正确结果的情况。如图1所示，在图像采集流程采集到图像并上传后，智能识别程序对采集到的图像进行识别。这里，采集到的图像可以为图像1、图像2、图像3、图像4等图像。在图像识别过程中，经常出现图像识别率低、图像无法识别或者图像识别出错的情况。这时需要重新采集图像并上传，并最终采集到合格的图像，使得智能识别程序识别图像成功。多次采集图像和智能识别过程降低了图像识别的成功率和效率，如何提高图像识别的成功率和效率是当前亟需解决的技术问题。需要说明的是，在上述
背景技术：
部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。技术实现要素：本发明实施例的目的在于提供一种图像的处理方法、装置、计算机可读存储介质和电子设备，进而至少在一定程度上提高图像识别的成功率和效率。本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。根据本发明实施例的第一方面，提供了一种图像的处理方法，所述处理方法包括：获取对场景资料进行拍摄得到的第一资料图像；对所述第一资料图像的像素进行处理，得到图像像素值，所述图像像素值包括不同颜色的颜色值；获取经过训练的感知器模型，所述经过训练的感知器模型的形式为连续函数，其中，所述感知器模型根据设定的阈值、所述不同颜色的颜色值及其对应的权重确定输出结果；根据所述感知器模型和所述图像像素值得到优化后的第二资料图像，其中，所述第二资料图像包括处理后的核保资料图像、理赔资料图像和远程医疗资料图像中的至少一种；对所述第二资料图像进行图像识别，得到场景资料数据。在一些实施例中，所述感知器模型为output为输出结果，j＝3，x为所述不同颜色的颜色值，w为x对应的权重，threshold为阈值。在一些实施例中，所述获取经过训练的感知器模型之前，在所述处理方法还包括：根据所述感在所述获取经过训练的感知器模型之前，所述处理方法还包括：通过试错法进行所述感知器模型的模型训练，得到满足以下第一公式的第一权重和第一阈值：其中，σ为所述输出结果，j＝3，w为所述权重，t＝-threshold。在一些实施例中，所述根据所述感知器模型和所述图像像素值得到优化后的第二资料图像包括：将所述第一权重和第一阈值代入入所述感知器模型，得到第一感知器公式；将所述图像像素值代入所述第一感知器公式，得到所述第二资料图像的图像像素值。在一些实施例中，在所述获取经过训练的感知器模型之前，所述处理方法还包括：通过试错法进行所述感知器模型的模型训练，得到满足以下第二公式的第二权重和第二阈值：σ(z)＝1/(1 e^(-z))，其中，σ(z)为所述输出结果，z＝wx t,x为所述不同颜色的颜色值，w为x对应的权重，t＝-threshold，threshold为所述阈值。在一些实施例中，所述根据所述感知器模型和所述图像像素值得到优化后的第二资料图像包括：将所述第二权重和第二阈值代入入所述感知器模型，得到第二感知器公式；将所述图像像素值代入所述第二感知器公式，得到所述第二资料图像的图像像素值。在一些实施例中，所述场景资料包括保险场景资料和/或医疗场景资料，在所述获取对场景资料进行拍摄得到的第一资料图像之前，所述处理方法还包括：对体检资料或体检设备的结果显示部分进行现场拍照，得到所述第一资料图像，其中，所述第一资料图像包括核保资料图像、理赔资料图像、远程医疗资料图像中的至少一种。根据本发明实施例的第二方面，提供了一种图像的处理装置，所述处理装置包括：图像获取单元，用于获取对场景资料进行拍摄得到的第一资料图像；像素处理单元，用于对所述第一资料图像的像素进行处理，得到图像像素值，所述图像像素值包括不同颜色的颜色值；模型获取单元，用于获取经过训练的感知器模型，所述经过训练的感知器模型的形式为连续函数，其中，所述感知器模型根据设定的阈值、所述不同颜色的颜色值及其对应的权重确定输出结果；优化单元，用于根据所述感知器模型和所述图像像素值得到优化后的第二资料图像，其中，所述第二资料图像包括处理后的核保资料图像、理赔资料图像和远程医疗资料图像中的至少一种；识别单元，用于对所述第二资料图像进行图像识别，得到场景资料数据。在一些实施例中，所述处理装置还包括训练单元，用于通过试错法进行所述感知器模型的模型训练，得到满足以下第一公式的第一权重和第一阈值：其中，σ为所述输出结果，j＝3，w为所述权重，t＝-threshold。在一些实施例中，所述优化单元还用于：将所述第一权重和第一阈值代入入所述感知器模型，得到第一感知器公式；将所述图像像素值代入所述第一感知器公式，得到所述第二资料图像的图像像素值。在一些实施例中，所述训练单元还用于：通过试错法进行所述感知器模型的模型训练，得到满足以下第二公式的第二权重和第二阈值：σ(z)＝1/(1 e^(-z))，其中，σ(z)为所述输出结果，z＝wx t,x为所述不同颜色的颜色值，w为x对应的权重，t＝-threshold，threshold为所述阈值。在一些实施例中，所述优化单元还用于：将所述第二权重和第二阈值代入入所述感知器模型，得到第二感知器公式；将所述图像像素值代入所述第二感知器公式，得到所述第二资料图像的图像像素值。根据本发明实施例的第三方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中第一方面所述的图像的处理方法。根据本发明实施例的第四方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中第一方面所述的图像的处理方法。本发明实施例提供的技术方案可以包括以下有益效果：在本发明的一些实施例所提供的技术方案中，通过对采集的第一资料图像进行像素的处理，得到图像像素值，并使用训练好的感知器模型对图像像素值进行优化得到第二资料图像，以对第二资料图像进行智能识别，从而可以提高图像识别的成功率和效率。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的，并不能限制本发明。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术相关人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：图1示意性示出了相关技术中一种图像识别过程的示意图；图2示意性示出了根据本发明一种实施例的图像的处理方法的流程图；图3示意性示出了根据本发明一种实施例的图像识别过程的示意图；图4示意性示出了根据本发明一种实施例的模型训练过程的示意图；图5示意性示出了根据本发明一种实施例的σ(z)与z的线性关系的示意图；图6a示意性示出了根据本发明一种实施例的图像优化处理前的示意图；图6b示意性示出了根据本发明一种实施例的图像优化处理后的示意图；图7示意性示出了根据本发明的实施例的图像的处理装置的方框图；图8示意性示出了适于用来实现本发明实施例的电子设备的计算机系统的结构图。具体实施方式现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。相关技术中，采集到的图像经常需要经过多次识别过程才能被智能识别程序成功识别。为解决上述问题，本发明实施例提供一种图像的处理方法，以对图像进行优化处理，从而使得图像容易被智能识别程序识别，提高图像识别的成功率和效率。图2示意性示出了本公开示例性实施方式的一种图像的处理方法。本公开实施例提供的方法可以由任意具备计算机处理能力的电子设备执行，例如终端设备和/或服务器。参考图2，该图像的处理方法可以包括以下步骤：步骤s202，获取对场景资料进行拍摄得到的第一资料图像。步骤s204，对第一资料图像的像素进行处理，得到图像像素值，图像像素值包括不同颜色的颜色值。步骤s206，获取经过训练的感知器模型，经过训练的感知器模型的形式为连续函数，其中，感知器模型根据设定的阈值、不同颜色的颜色值及其对应的权重确定输出结果。具体地，感知器模型可以为output为输出结果，j＝3，x为不同颜色的颜色值，w为x对应的权重，threshold为阈值。步骤s208，根据感知器模型和图像像素值得到优化后的第二资料图像，其中，第二资料图像包括处理后的核保资料图像、理赔资料图像和远程医疗资料图像中的至少一种。步骤s210，对第二资料图像进行图像识别，得到场景资料数据。在本发明实施例中，通过提取第一资料图像的图像像素值，并训练感知器模型，使用感知器模型对图像像素值进行优化处理，得到符合图像智能识别条件的第二资料图像，提高了后续的图像智能识别过程的识别成功率和效率。如图3所示，在采集到图像后，在步骤s301中采用本发明实施例中的图像的处理方法进行优化处理，之后使用智能识别程序进行识别，可以看出，与图1相比，图像的识别的成功率大为提高。场景资料包括保险场景资料和/或医疗场景资料，在步骤s202之前，需要对体检资料或体检设备的结果显示部分进行现场拍照，得到第一资料图像。其中，第一资料图像包括核保资料图像、理赔资料图像、远程医疗资料图像中的至少一种。例如，在客户办理业务时，需要在电脑中录入客户体检报告的信息。体检报告的信息由工作人员手工输入较为繁琐，目前一般使用高拍仪对纸质的体检资料进行拍照直接上传图片或者合成pdf上传，以获取体检报告的信息。此外，还可以使用电子血压等体检设备计对客户进行现场体检，并对体检设备的结果显示部分拍照上传。本发明实施例的方案在拍照完成后或照片选取后对照片进行像素处理，可以提高照片信息的识别成功率，以便迅速完成业务手续的办理。具体地，在步骤s204中，通过拍照完成或者相册选择以后，利用javascript进行图像的再处理。具体地，可以获取颜色类和第一资料图像的像素的颜色信息，并根据颜色类和颜色信息得到图像像素值。首先，建立需要一个图像类来存储图像数据。这个图像类支持最基本的图像操作，这些图像操作包括但不限于：新建图像，设置、取出像素点。此外，还需要建立一个颜色类，用于进行基本的颜色操作:之后，综合上述函数处理得到图像像素值：在步骤s206之前，需要训练感知器模型，得到表达式为线性公式的感知器模型。在感知器模型中，图像因素r、g、b写成矢量<x1,x2,x3>，简写为x，权重w1、w2、w3也写成矢量<w1,w2,w3>，简写为w，定义运算w·x＝∑wx，即w和x的点运算等于因素与权重的乘积之和。定义t等于负的设定阈值即阈值threshold，即t＝-threshold。感知器的输出output由以下感知器模型确定：其中，最困难的部分就是确定权重w和阈值t的过程。本发明实施例采用试错法确定权重和阈值。其他参数都不变，w和t的微小变动，分别记作δw和δt，然后观察输出有什么变化。如图4所示，不断重复这个过程，直至得到对应最精确输出的那组w和t，作为我们的目标值。这个过程即为感知器模型的训练过程。为了保障保证训练的正确性，因此必须将"输出"改造成一个连续性函数因此首先，将感知器的计算结果wx t记为z，即z＝wx t。将感知器模型的输出结果记为σ(z)，根据感知器模型的输出结果σ(z)与感知器计算结果z的关系确定连续函数。感知器模型的输出结果σ(z)与感知器计算结果z的关系可以通过以下第二公式表示。σ(z)＝1/(1 e^(-z))其中，z＝wx t，其中，w为权重，t为阈值，x为为述不同颜色的颜色值。通过试错法进行感知器模型的模型训练，得到满足第二公式的第二权重和第二阈值。在得到第二权重和第二阈值之后，将第二权重和第二阈值代入入感知器模型，得到第二感知器公式；将图像像素值代入第二感知器公式，得到第二资料图像的图像像素值。如果z趋向正无穷z→ ∞(表示感知器强烈匹配)，那么σ(z)→1；如果z趋向负无穷z→-∞(表示感知器强烈不匹配)，那么σ(z)→0。也就是说，只要使用σ(z)当作输出结果，那么输出就会变成一个连续性函数。如图5所示的曲线所示的即是感知器强烈匹配的情况。通过试错法进行感知器模型的模型训练，可以得到满足以下第一公式的第一权重和第一阈值：其中，wj为权重，t为阈值。这里，δσ即为δoutput，即为output。即δσ和δw和δt之间是线性关系，变化率是偏导数。这样就可以精确推算出w和t的值了。如表1所示的是测试数据和准确率表格。表1测试数据和准确率表格1234w10.2990.1470.6150.857w20.5870.2890.5150.621w30.1140.4360.1000.110准确率0.920.930.860.95本发明实施例的技术方案带来的有益效果是，用户用过拍照或者相册上传照片时经过本发明的技术方案训练好的模型的再处理以后，上传到服务器，可以准确的返回想要的信息，用户体验良好，同时也减轻了服务器的压力。在得到第一权重和第一阈值之后，将第一权重和第一阈值代入入感知器模型，得到第一感知器公式；将图像像素值代入第一感知器公式，得到第二资料图像的图像像素值。本发明实施例的技术方案对第一资料图像进行优化处理的处理细节前后对比图6a和图6b所示。在步骤s208在根据感知器模型和图像像素值得到优化后的第二资料图像之后，即可以对第二资料图像进行图像识别，得到场景资料数据。这里，图像识别的方法可以为ocr识别，且不局限于此。本发明实施例提供的图像的处理方法，通过对采集的第一资料图像进行像素的处理，得到图像像素值，并使用训练好的感知器模型对图像像素值进行优化得到第二资料图像，以对第二资料图像进行智能识别，从而可以提高图像识别的成功率和效率。以下介绍本发明的装置实施例，可以用于执行本发明上述的图像的处理方法。如图7所示，根据本发明实施例提供的一种图像的处理装置700包括：图像获取单元702，用于获取对场景资料进行拍摄得到的第一资料图像。像素处理单元704，用于对第一资料图像的像素进行处理，得到图像像素值，图像像素值包括不同颜色的颜色值。模型获取单元706，用于获取经过训练的感知器模型，经过训练的感知器模型的形式为连续函数，其中，感知器模型根据设定的阈值、不同颜色的颜色值及其对应的权重确定输出结果，具体地，感知器模型可以为output为输出结果，j＝3，x为不同颜色的颜色值，w为x对应的权重，threshold为阈值。优化单元708，用于根据感知器模型和图像像素值得到优化后的第二资料图像，其中，第二资料图像包括处理后的核保资料图像、理赔资料图像和远程医疗资料图像中的至少一种。识别单元710，用于对第二资料图像进行图像识别，得到场景资料数据。处理装置还可以包括训练单元，用于通过试错法进行感知器模型的模型训练，得到满足以下第一公式的第一权重和第一阈值：其中，σ为输出结果，j＝3，w为权重，t＝-threshold。优化单元还可以用于：将第一权重和第一阈值代入入感知器模型，得到第一感知器公式；将图像像素值代入第一感知器公式，得到第二资料图像的图像像素值。训练单元还可以用于：通过试错法进行感知器模型的模型训练，得到满足以下第二公式的第二权重和第二阈值：σ(z)＝1/(1 e^(-z))，其中，σ(z)为输出结果，z＝wx t,x为不同颜色的颜色值，w为x对应的权重，t＝-threshold，threshold为阈值。优化单元还可以用于：将第二权重和第二阈值代入入感知器模型，得到第二感知器公式；将图像像素值代入第二感知器公式，得到第二资料图像的图像像素值。由于本发明的示例实施例的图像的处理装置的各个功能模块与上述图像的处理方法的示例实施例的步骤对应，因此对于本发明装置实施例中未披露的细节，请参照本发明上述的图像的处理方法的实施例。本发明实施例的图像的处理装置，通过对采集的第一资料图像进行像素的处理，得到图像像素值，并使用训练好的感知器模型对图像像素值进行优化得到第二资料图像，以对第二资料图像进行智能识别，从而可以提高图像识别的成功率和效率。下面参考图8，其示出了适于用来实现本发明实施例的电子设备的计算机系统800的结构示意图。图8示出的电子设备的计算机系统800仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图8所示，计算机系统800包括中央处理单元(cpu)801，其可以根据存储在只读存储器(rom)802中的程序或者从存储部分808加载到随机访问存储器(ram)803中的程序而执行各种适当的动作和处理。在ram803中，还存储有系统操作所需的各种程序和数据。cpu801、rom802以及ram803通过总线804彼此相连。输入/输出(i/o)接口808也连接至总线804。以下部件连接至i/o接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至i/o接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(cpu)801执行时，执行本申请的系统中限定的上述功能。需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，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统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的图像的处理方法。例如，所述的电子设备可以实现如图2中所示的各个步骤。应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模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元来具体化。通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本
技术领域：
中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。当前第1页1 2 3
技术特征：1.一种图像的处理方法，其特征在于，所述处理方法包括：
获取对场景资料进行拍摄得到的第一资料图像；
对所述第一资料图像的像素进行处理，得到图像像素值，所述图像像素值包括不同颜色的颜色值；
获取经过训练的感知器模型，所述经过训练的感知器模型的形式为连续函数，其中，所述感知器模型根据设定的阈值、所述不同颜色的颜色值及其对应的权重确定输出结果；
根据所述感知器模型和所述图像像素值得到优化后的第二资料图像，其中，所述第二资料图像包括处理后的核保资料图像、理赔资料图像和远程医疗资料图像中的至少一种；
对所述第二资料图像进行图像识别，得到场景资料数据。
2.根据权利要求1所述的处理方法，其特征在于，所述感知器模型为output为输出结果，j＝3，x为所述不同颜色的颜色值，w为x对应的权重，threshold为阈值。
3.根据权利要求1所述的处理方法，其特征在于，在所述获取经过训练的感知器模型之前，所述处理方法还包括：通过试错法进行所述感知器模型的模型训练，得到满足以下第一公式的第一权重和第一阈值：
其中，σ为所述输出结果，j＝3，w为所述权重，t＝-threshold，threshold为所述阈值。
4.根据权利要求3所述的处理方法，其特征在于，所述根据所述感知器模型和所述图像像素值得到优化后的第二资料图像包括：
将所述第一权重和第一阈值代入入所述感知器模型，得到第一感知器公式；
将所述图像像素值代入所述第一感知器公式，得到所述第二资料图像的图像像素值。
5.根据权利要求1所述的处理方法，其特征在于，在所述获取经过训练的感知器模型之前，所述处理方法还包括：通过试错法进行所述感知器模型的模型训练，得到满足以下第二公式的第二权重和第二阈值：
σ(z)＝1/(1 e^(-z))，其中，σ(z)为所述输出结果，z＝wx t,x为所述不同颜色的颜色值，w为x对应的权重，t＝-threshold。
6.根据权利要求5所述的处理方法，其特征在于，所述根据所述感知器模型和所述图像像素值得到优化后的第二资料图像包括：
将所述第二权重和第二阈值代入入所述感知器模型，得到第二感知器公式；
将所述图像像素值代入所述第二感知器公式，得到所述第二资料图像的图像像素值。
7.根据权利要求1所述的处理方法，其特征在于，所述场景资料包括保险场景资料和/或医疗场景资料，在所述获取对场景资料进行拍摄得到的第一资料图像之前，所述处理方法还包括：
对体检资料或体检设备的结果显示部分进行现场拍照，得到所述第一资料图像；
其中，所述第一资料图像包括核保资料图像、理赔资料图像、远程医疗资料图像中的至少一种。
8.一种图像的处理装置，其特征在于，所述处理装置包括：
图像获取单元，用于获取对场景资料进行拍摄得到的第一资料图像；
像素处理单元，用于对所述第一资料图像的像素进行处理，得到图像像素值，所述图像像素值包括不同颜色的颜色值；
模型获取单元，用于获取经过训练的感知器模型，所述经过训练的感知器模型的形式为连续函数，其中，所述感知器模型根据设定的阈值、所述不同颜色的颜色值及其对应的权重确定输出结果；
优化单元，用于根据所述感知器模型和所述图像像素值得到优化后的第二资料图像，其中，所述第二资料图像包括处理后的核保资料图像、理赔资料图像和远程医疗资料图像中的至少一种；
识别单元，用于对所述第二资料图像进行图像识别，得到场景资料数据。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至7中任一项所述的图像的处理方法。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至7中任一项所述的图像的处理方法。
技术总结本发明实施例提供了一种图像的处理方法、装置、介质和电子设备，涉及计算机技术领域所述处理方法包括：获取对场景资料进行拍摄得到的第一资料图像；对所述第一资料图像的像素进行处理，得到图像像素值；获取经过训练的感知器模型，所述经过训练的感知器模型的形式为连续函数；根据所述感知器模型和所述图像像素值得到优化后的第二资料图像。本发明实施例的技术方案通过对进行图像识别的图像进行优化处理，可以提高图像识别的效率。
技术研发人员：高文杰;王银瑞
受保护的技术使用者：泰康保险集团股份有限公司;泰康健康产业投资控股有限公司
技术研发日：2020.11.30
技术公布日：2021.03.12
