CN108256578B - 一种灰度图像的识别方法、装置、设备及可读存储介质 - Google Patents

一种灰度图像的识别方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN108256578B
CN108256578B CN201810048298.1A CN201810048298A CN108256578B CN 108256578 B CN108256578 B CN 108256578B CN 201810048298 A CN201810048298 A CN 201810048298A CN 108256578 B CN108256578 B CN 108256578B
Authority
CN
China
Prior art keywords
image
network
node
gray
network model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201810048298.1A
Other languages
English (en)
Other versions
CN108256578A (zh
Inventor
朱宁宁
王银河
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201810048298.1A priority Critical patent/CN108256578B/zh
Publication of CN108256578A publication Critical patent/CN108256578A/zh
Application granted granted Critical
Publication of CN108256578B publication Critical patent/CN108256578B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种灰度图像的识别方法、装置、设备及计算机可读存储介质。其中，方法包括基于复杂网络和分水岭算法，对提取的待识别灰度图像的轮廓像素点进行网络建模；将距离阈值集合中的各距离阈值作用在初始网络模型的节点集合中，分别建立相应的子网络模型；计算各子网络模型的拓扑参量，以构成待识别灰度图像的目标识别参数；计算初始网络模型中各节点的强度，并从各节点强度中选取满足预设强度条件的节点，构成目标网络兴趣点集；根据目标识别参数和目标网络兴趣点集，在样本库中匹配满足预设参数条件和具有相同网络兴趣点的候选样本图像，候选样本图像的所属类别为待识别灰度图像的类别。本申请提升了灰度图像的识别效率。

Description

一种灰度图像的识别方法、装置、设备及可读存储介质
技术领域
本发明实施例涉及图像处理技术领域，特别是涉及一种灰度图像的识别方法、装置、设备及计算机可读存储介质。
背景技术
随着计算机技术的快速发展，图像处理技术和人工智能技术也得到了快速的发展，催生了大量文本、图像、音频和视频数据信息。在人类感知的信息中，视觉信息占绝大部分，而图像则是视觉从外界获取信息的主要手段。
图像信息包含着非常丰富的内容，具有直观、具体、高效等特点，应用于遥感图像识别，生物医学图像识别，通讯领域的图像传输，动态对象识别，手写识别，电视会话会议及机器视觉领域里的图像理解和识别等各个领域。
图像识别为机器视觉技术的重要组成部分，精度和速度是衡量图像识别的两个重要的指标。基于复杂网络的图像识别方法在现有的图像识别技术中的应用较为广泛的一种。
但是，现有的基于复杂网络的图像识别方法，建模量大特征参量多，导致整个图像识别过程运行速度慢，耗时长，识别效率低。
鉴于此，如何加快图像识别的速度，提升图像识别的效率，是本领域技术人员亟待解决的问题。
发明内容
本发明实施例的目的是提供一种灰度图像的识别方法、装置、设备及计算机可读存储介质，加快了图像识别的速度，提升了图像识别的效率。
为解决上述技术问题，本发明实施例提供以下技术方案：
本发明实施例一方面提供了一种灰度图像的识别方法，包括：
提取待识别灰度图像的轮廓像素点；
根据提取的轮廓像素点，基于复杂网络和分水岭算法，构建初始网络模型；
将预设的距离阈值集合中的各距离阈值作用在所述初始网络模型的节点集合中，分别建立相应的子网络模型；计算各子网络模型的拓扑参量，以构成所述待识别灰度图像的目标识别参数；
计算所述初始网络模型中各节点的强度，并从各节点强度中选取满足预设强度条件的节点，构成目标网络兴趣点集；
将所述目标识别参数和所述目标网络兴趣点集，与样本库中各样本图像的样本识别参数和样本网络兴趣点集进行匹配，选取同时满足预设参数条件和具有相同网络兴趣点的候选样本图像，所述候选样本图像的所属类别为所述待识别灰度图像的类别。
可选的，所述选取同时满足预设参数条件和具有相同网络兴趣点的候选样本图像包括：
计算所述目标识别参数与所述样本库中的每一个样本识别参数的二阶范数值；
比较多个二阶范数值，确定最小的二阶范数值，最小的二阶范数值对应的样本图像为满足所述预设参数条件的样本图像；
从满足预设参数条件的样本图像中选择与所述目标网络兴趣点集具有相同网络兴趣点的样本图像，作为候选样本图像。
可选的，所述计算各子网络模型的拓扑参量，以构成所述待识别灰度图像的目标识别参数包括：
计算各子网络模型的最大度和平均度，并将各子网络模型的最大度和平均度合并为一维数组，以作为所述待识别灰度图像的目标识别参数。
可选的，所述计算所述初始网络模型中各节点的强度包括：
根据下述公式计算各节点的节点强度：
Figure GDA0001652566100000021
式中，w(i，j)为链路(i，j)∈E的权重，i，j为所述初始网络模型的节点，s(i)为节点i的节点强度。
可选的，所述从各节点强度中选取满足预设强度条件的节点，构成目标网络兴趣点集包括：
从各节点强度中选取超过预设强度阈值的节点，以作为目标网络兴趣点集中的网络兴趣点。
可选的，所述从各节点强度中选取满足预设强度条件的节点，构成目标网络兴趣点集包括：
通过局部标准对所述初始网络模型中各节点进行排序，根据所述初始网络模型的各节点强度构建局部标度检测器；
对所述局部标度检测器中的各节点强度进行排序；
从所述局部标度检测器中依次选取预设个数的节点强度，并将选取的节点强度对应的节点，作为目标网络兴趣点集中的网络兴趣点。
可选的，所述提取待识别灰度图像的轮廓像素点包括：
获取待识别图像；
判断所述待识别图像是否为灰度图像；
若否，则将所述待识别图像转化为灰度图像，以作为所述待识别灰度图像；若是，则将所述待识别图像作为所述待识别灰度图像；
提取所述待识别灰度图像的轮廓像素点。
本发明实施例另一方面提供了一种灰度图像的识别装置，包括：
轮廓提取模块，用于提取待识别灰度图像的轮廓像素点；
网络建模模块，用于根据提取的轮廓像素点，基于复杂网络和分水岭算法，构建初始网络模型；
识别参数生成模块，用于将预设的距离阈值集合中的各距离阈值作用在所述初始网络模型的节点集合中，分别建立相应的子网络模型；计算各子网络模型的拓扑参量，以构成所述待识别灰度图像的目标识别参数；
兴趣点确定模块，用于计算所述初始网络模型中各节点的强度，并从各节点强度中选取满足预设强度条件的节点，构成目标网络兴趣点集；
图像识别模块，用于将所述目标识别参数和所述目标网络兴趣点集，与样本库中各样本图像的样本识别参数和样本网络兴趣点集进行匹配，选取同时满足预设参数条件和具有相同网络兴趣点的候选样本图像，所述候选样本图像的所属类别为所述待识别灰度图像的类别。
本发明实施例还提供了一种灰度图像的识别设备，包括处理器，所述处理器用于执行存储器中存储的灰度图像的识别程序时实现如前任一项所述灰度图像的识别方法的步骤。
本发明实施例最后还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有灰度图像的识别，所述灰度图像的识别程序被处理器执行时实现如前任一项所述灰度图像的识别方法的步骤。
本发明实施例提供了一种灰度图像的识别方法，基于复杂网络和分水岭算法，对提取的待识别灰度图像的轮廓像素点进行网络建模；将距离阈值集合中的各距离阈值作用在初始网络模型的节点集合中，分别建立相应的子网络模型；计算各子网络模型的拓扑参量，以构成待识别灰度图像的目标识别参数；计算初始网络模型中各节点的强度，并从各节点强度中选取满足预设强度条件的节点，构成目标网络兴趣点集；将目标识别参数和目标网络兴趣点集，与样本库中各样本图像的样本识别参数和样本网络兴趣点集进行匹配，选取同时满足预设参数条件和具有相同网络兴趣点的候选样本图像，候选样本图像的所属类别为待识别灰度图像的类别。
本申请提供的技术方案的优点在于，将复杂网络方法和分水岭算法应用于灰度图像的轮廓点网络建模，在灰度图像识别过程中增加网络建模的流程，降低图像的处理难度，降低复杂网络建模规模，将分水岭算法引入到复杂网络图像建模中，减小复杂网络建模量，获得的网络为稀疏，网络节点较少，大大的缩短了图像识别的时间，计算速度快，占有储存单元小和识别效率高，又充分发挥复杂网络方法仅考虑网络拓扑结构，与节点位置、顺序无关等特点，使得图像识别具有平面旋转不变性、平移不变性、缩放不变性以及一定程度的容躁性。
此外，本发明实施例还针对灰度图像的识别方法提供了相应的实现装置、设备及计算机可读存储介质，进一步使得所述方法更具有实用性，所述装置、设备及计算机可读存储介质具有相应的优点。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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。
图1本发明实施例提供的一种灰度图像的识别方法的流程示意图；
图2本发明实施例提供的另一种灰度图像的识别方法的流程示意图；
图3本发明实施例提供的灰度图像的识别装置的一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后，下面详细的说明本申请的各种非限制性实施方式。
首先参见图1，图1为本发明实施例提供的一种灰度图像的识别方法的流程示意图，本发明实施例可包括以下内容：
S101：提取待识别灰度图像的轮廓像素点。
待识别灰度图像的形状轮廓可以表示为一组坐标，待识别灰度图像的像素点都可以映射在集合V0中。任何像素点
Figure GDA0001652566100000064
可表示为
Figure GDA0001652566100000067
pi＝(xi,yi)为当前像素点
Figure GDA0001652566100000065
的坐标，xi,yi为坐标值，wi为当前像素点
Figure GDA0001652566100000066
的灰度值。
在提取待识别灰度图像的轮廓时，可采用现有技术的任何一种提取方法，例如可应用canny算法，本申请对此不做任何限定。具体实现过程可参考现有技术，此处不再赘述。
在提取待识别灰度图像的轮廓像素点后，可将各像素点的坐标放于同一集合中，例如P＝[p1，p2，p3，…，pN]。
S102：根据提取的轮廓像素点，基于复杂网络和分水岭算法，构建初始网络模型。
在对轮廓像素点集进行网络建模时，各轮廓像素点的坐标集合为P＝[p1,p2,p3,...,pN]，以图的形式进行表现，可为G1＝(V,E)，每个链路(i,j)∈E的权重为
Figure GDA0001652566100000061
其中，||·||2为欧几里德范数，
Figure GDA0001652566100000062
为描述关于各个图像像素的局部视觉属性的特征向量。
在基于分水岭算法，按照R＝{r1,r2...,rk}对图进行切割后，图的形式表示为G2＝(V(R),E)，V(R)＝{p1,p2...,pk}为图形分割后的提取的轮廓像素点集合，使得对每个pi,pj∈V(R)，网络中的链路权重被定义为：
Figure GDA0001652566100000063
E为图中各连接边的集合，判断图中两个节点之间是否有连接边，可判断节点间的欧式距离是否满足预设的距离，例如可如下所示：
节点i和节点j的欧氏距离为
Figure GDA0001652566100000071
给定距离阈值ri，两节点间的关系判断式如下：
Figure GDA0001652566100000072
其中，eij＝1为节点i和节点j节点间存在连接边，反之，则不存在连接边。
S103：将预设的距离阈值集合中的各距离阈值作用在初始网络模型的节点集合中，分别建立相应的子网络模型；计算各子网络模型的拓扑参量，以构成待识别灰度图像的目标识别参数。
距离阈值的不同值可能直接影响网络的结构和拓扑，可选取初始距离阈值r0、阈值间隔rp与最大阈值rm，在r0的基础上依次以rp递增，直到超过rm为止。在整个距离阈值递增过程中所产生的中间阈值所组成的集合就是最终的距离阈值集合，记为R。则计算距离阈值集合r的关系表达式可如下所示：
Figure GDA0001652566100000073
举例来说，当r0＝1，rp＝1.5，rm＝3时，距离阈值的集合为{1，2.5}，即分别以距离阈值为1以及2.5建立两个网络模型。
网络模型的拓扑参量可为以下任意一项或任意组合：
节点度、最大度、最小度、平均度以及节点度的方差。
节点度为当距离阈值取到rn时所对应的网络模型中节点的度，计算关系式为：
Figure GDA0001652566100000074
最大度Kk(rn)为当距离阈值取到rn时所对应的网络模型中所有节点度的最大值，计算关系式为：
Kk(rn)＝maxki(rn)∈K(rn)；
最小度Km(rn)为当距离阈值取到rn时所对应的网络模型中所有节点度的最小值，计算关系式为：
Kk(rn)＝minki(rn)∈K(rn)；
平均度Kμ(rn)为当距离阈值取到rn时所对应的网络模型中所有节点度的平均值，计算关系式为：
Figure GDA0001652566100000081
节点度的方差KV(rj)为当距离阈值取到rn时所对应的网络模型中所有节点度的方差值。
当对应的有多个子网络模型Gi时，计算出各个子网络模型的拓扑参量，将多组拓扑参量合并为向量组，作为待识别灰度图像的识别参数。
在一种具体的实施方式中，可计算各子网络模型的最大度和平均度，并将各子网络模型的最大度和平均度合并为一维数组，以作为待识别灰度图像的目标识别参数
举例来说，当第一子网络模型的拓扑参量为kk(r1)kμ(r1)，第二子网络模型的拓扑参量为kk(r2)kμ(r2)，第m网络模型的拓扑参量为kk(rm)kμ(rm)，待识别灰度图像的识别参数的目标识别参数可为：
φ(Gi)＝[kk(r1)kμ(r1)，kk(r2)kμ(r2)，……，kk(rm)kμ(rm)]。
S104：计算初始网络模型中各节点的强度，并从各节点强度中选取满足预设强度条件的节点，构成目标网络兴趣点集。
在确定网络兴趣点时，可采用中心度度量。
在计算初始网络模型中各节点的强度时，具体的，对于初始网络模型中的任何节点，可根据下述公式计算各节点的节点强度：
Figure GDA0001652566100000082
式中，w(i，j)为链路(i，j)∈E的权重，i，j为初始网络模型的节点，s(i)为节点i的节点强度。
在确定网路兴趣点集时，可根据下述方法进行：
可从各节点强度中选取超过预设强度阈值的节点，以作为目标网络兴趣点集中的网络兴趣点。
举例来说，将节点的节点强度值超过25的节点选取出来，作为网络兴趣点，并将这些网络兴趣点构成目标网络兴趣点集。
或者还可以为：
通过局部标准对初始网络模型中各节点进行排序，根据初始网络模型的各节点强度构建局部标度检测器。
局部标度检测器由矢量
Figure GDA0001652566100000091
其中，s(pk)为初始网络模型中节点k的节点强度。
对局部标度检测器中的各节点强度进行排序，从局部标度检测器中依次选取预设个数的节点强度，并将选取的节点强度对应的节点，作为目标网络兴趣点集中的网络兴趣点。
例如选取10％的节点作为网络兴趣点，如果初始网络模型中的节点个数为100个，则选取10个节点作为网络兴趣点，如果局部标度检测器按照节点强度从大到小排列，则在局部标度检测器中，依次选取前10个节点作为网络兴趣点。
S105：将目标识别参数和目标网络兴趣点集，与样本库中各样本图像的样本识别参数和样本网络兴趣点集进行匹配，选取同时满足预设参数条件和具有相同网络兴趣点的候选样本图像，候选样本图像的所属类别为待识别灰度图像的类别。
样本库为已知类别的图像轮廓集合。样本库中可包含每一类图像轮廓的对应的图像的识别参数，也可不包括，在进行匹配的时候进行计算，本发明实施例对此不做任何限定。
预设参数条件为判断待识别灰度图像的目标识别参数和样本库中各样本图像的样本识别参数的匹配度。
模式识别中二阶范数所代表的意义就是两个类别之间的距离，故可通过计算待识别目标图像的识别参数与样本库中的识别参数的二阶范数，用来作为判定待识别目标图像类别的依据，对于同一个识别参数，二阶范数值越小，表明二者的距离越小，即二者的类别越相近。举例来说，样本库中识别参数有3个，分别与目标图像的识别参数进行计算二阶范数，样本1的二阶范数值为1，样本2的二阶范数值为2，样本3的二阶范数值为3，则认为样本1与目标图像的类别最为接近，即可认为样本1的类别为目标图像的类别。
具体识别的过程可包括：
计算目标识别参数与样本库中的每一个样本识别参数的二阶范数值；
比较多个二阶范数值，确定最小的二阶范数值，最小的二阶范数值对应的样本图像为满足预设参数条件的样本图像；
从满足预设参数条件的样本图像中选择与目标网络兴趣点集具有相同网络兴趣点的样本图像，作为候选样本图像。
举例来说，目标图像的识别参数匹配样本库中的识别参数对应的轮廓为树的轮廓，则可判定当前目标图像的轮廓为树的轮廓，即当前图像为树。
可以先选取满足预设参数条件的样本图像，再从这些样本图像中选取具有相同网络兴趣点的样本，作为候选样本图像；当然，也可选取具有相同网络兴趣点的样本图像，再从这些样本图像中选取满足预设参数条件的样本图像，作为候选样本图像。
需要说明的是，S103和S104执行顺序可以同步进行，或者先执行S104，在执行S103，这均不影响本申请的实现。
在本发明实施例提供的技术方案中，将复杂网络方法和分水岭算法应用于灰度图像的轮廓点网络建模，在灰度图像识别过程中增加网络建模的流程，降低图像的处理难度，降低复杂网络建模规模，将分水岭算法引入到复杂网络图像建模中，减小复杂网络建模量，获得的网络为稀疏，网络节点较少，大大的缩短了图像识别的时间，计算速度快，占有储存单元小和识别效率高，又充分发挥复杂网络方法仅考虑网络拓扑结构，与节点位置、顺序无关等特点，使得图像识别具有平面旋转不变性、平移不变性、缩放不变性以及一定程度的容躁性。
参见图2，图2为本发明实施例提供的另一种灰度图像的识别方法的流程示意图，本发明实施例具体的可包括以下内容：
S201：获取待识别图像。
S202：判断待识别图像是否为灰度图像，若是，则执行S204；若否，则执行S203。
S203：将待识别图像转化为灰度图像。
S204：提取待识别灰度图像的轮廓像素点。
S205：根据提取的轮廓像素点，基于复杂网络和分水岭算法，构建初始网络模型。
S206：将预设的距离阈值集合中的各距离阈值作用在初始网络模型的节点集合中，分别建立相应的子网络模型。
S207：计算各子网络模型的最大度和平均度，并将各子网络模型的最大度和平均度合并为一维数组，作为待识别灰度图像的目标识别参数。
S208：计算初始网络模型中各节点的强度，并从各节点强度中选取满足预设强度条件的节点，构成目标网络兴趣点集。
S209：计算目标识别参数与样本库中的每一个样本识别参数的二阶范数值；比较多个二阶范数值，确定最小的二阶范数值，最小的二阶范数值对应的样本图像为满足预设参数条件的样本图像，从满足预设参数条件的样本图像中选择与目标网络兴趣点集具有相同网络兴趣点的样本图像，作为候选样本图像候选样本图像的所属类别为待识别灰度图像的类别。
本发明实施例中的具体实现过程与上述实施例相同的，具体的，请参阅上述实施例的描述，此处不再赘述。
由上可知，本发明实施例加快了图像识别的速度，提升了图像识别的效率。
本发明实施例还针对灰度图像的识别方法提供了相应的实现装置，进一步使得所述方法更具有实用性。下面对本发明实施例提供的灰度图像的识别装置进行介绍，下文描述的灰度图像的识别装置与上文描述的灰度图像的识别方法可相互对应参照。
参见图3，图3为本发明实施例提供的灰度图像的识别装置在一种具体实施方式下的结构图，该装置可包括：
轮廓提取模块301，用于提取待识别灰度图像的轮廓像素点。
网络建模模块302，用于根据提取的轮廓像素点，基于复杂网络和分水岭算法，构建初始网络模型。
识别参数生成模块303，用于将预设的距离阈值集合中的各距离阈值作用在初始网络模型的节点集合中，分别建立相应的子网络模型；计算各子网络模型的拓扑参量，以构成待识别灰度图像的目标识别参数。
兴趣点确定模块304，用于计算初始网络模型中各节点的强度，并从各节点强度中选取满足预设强度条件的节点，构成目标网络兴趣点集。
图像识别模块305，用于将目标识别参数和目标网络兴趣点集，与样本库中各样本图像的样本识别参数和样本网络兴趣点集进行匹配，选取同时满足预设参数条件和具有相同网络兴趣点的候选样本图像，候选样本图像的所属类别为待识别灰度图像的类别。
可选的，在本实施例的一些实施方式中，所述轮廓提取模块301还可以包括：
获取单元，用于获取待识别图像；
判断单元，用于判断待识别图像是否为灰度图像；
转化单元，用于将不为灰度图像的待识别图像转化为灰度图像，以作为待识别灰度图像
提取单元，用于提取待识别灰度图像的轮廓像素点。
在一种具体的实施方式中，所述识别参数生成模块303可为计算各子网络模型的最大度和平均度，并将各子网络模型的最大度和平均度合并为一维数组，以作为待识别灰度图像的目标识别参数的模块。
可选的，在本实施例的另一些实施方式中，所述兴趣点确定模块304可以包括：
构建单元，用于通过局部标准对初始网络模型中各节点进行排序，根据初始网络模型的各节点强度构建局部标度检测器；
排序单元，用于对局部标度检测器中的各节点强度进行排序；
选择单元，用于从局部标度检测器中依次选取预设个数的节点强度，并将选取的节点强度对应的节点，作为目标网络兴趣点集中的网络兴趣点。
此外，所述兴趣点确定模块304还可以为从各节点强度中选取超过预设强度阈值的节点，以作为目标网络兴趣点集中的网络兴趣点的模块。
此外，在一种优选的实施方式中，所述图像识别模块305具体可包括：
计算单元，用于计算目标识别参数与样本库中的每一个样本识别参数的二阶范数值；
比较单元，用于比较多个二阶范数值，确定最小的二阶范数值，最小的二阶范数值对应的样本图像为满足预设参数条件的样本图像；
选择单元，用于从满足预设参数条件的样本图像中选择与目标网络兴趣点集具有相同网络兴趣点的样本图像，作为候选样本图像。
本发明实施例所述灰度图像的识别装置的各功能模块的功能可根据上述方法实施例中灰度图像的识别方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例将复杂网络方法和分水岭算法应用于灰度图像的轮廓点网络建模，在灰度图像识别过程中增加网络建模的流程，降低图像的处理难度，降低复杂网络建模规模，将分水岭算法引入到复杂网络图像建模中，减小复杂网络建模量，获得的网络为稀疏，网络节点较少，大大的缩短了图像识别的时间，计算速度快，占有储存单元小和识别效率高，又充分发挥复杂网络方法仅考虑网络拓扑结构，与节点位置、顺序无关等特点，使得图像识别具有平面旋转不变性、平移不变性、缩放不变性以及一定程度的容躁性。
本发明实施例还提供了一种灰度图像的识别设备，具体可包括：
存储器，用于存储图像块识别的计算机程序；
处理器，用于执行计算机程序以实现如上任意一实施例所述灰度图像的识别方法的步骤。
本发明实施例所述灰度图像的识别设备的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例加快了图像识别的速度，提升了图像识别的效率。
本发明实施例还提供了一种计算机可读存储介质，存储有灰度图像的识别程序，所述灰度图像的识别程序被处理器执行时如上任意一实施例所述灰度图像的识别方法的步骤。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例加快了图像识别的速度，提升了图像识别的效率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种灰度图像的识别方法、装置、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (9)

1.一种灰度图像的识别方法，其特征在于，包括：
提取待识别灰度图像的轮廓像素点；
根据提取的轮廓像素点，基于复杂网络和分水岭算法，构建初始网络模型；
将预设的距离阈值集合中的各距离阈值作用在所述初始网络模型的节点集合中，分别建立相应的子网络模型；计算各子网络模型的拓扑参量，以构成所述待识别灰度图像的目标识别参数；
计算所述初始网络模型中各节点的强度，并从各节点强度中选取满足预设强度条件的节点，构成目标网络兴趣点集；
将所述目标识别参数和所述目标网络兴趣点集，与样本库中各样本图像的样本识别参数和样本网络兴趣点集进行匹配，选取同时满足预设参数条件和具有相同网络兴趣点的候选样本图像，所述候选样本图像的所属类别为所述待识别灰度图像的类别；
其中，所述从各节点强度中选取满足预设强度条件的节点，构成目标网络兴趣点集包括：
通过局部标准对所述初始网络模型中各节点进行排序，根据所述初始网络模型的各节点强度构建局部标度检测器；
对所述局部标度检测器中的各节点强度进行排序；
从所述局部标度检测器中依次选取预设个数的节点强度，并将选取的节点强度对应的节点，作为目标网络兴趣点集中的网络兴趣点。
2.根据权利要求1所述的灰度图像的识别方法，其特征在于，所述选取同时满足预设参数条件和具有相同网络兴趣点的候选样本图像包括：
计算所述目标识别参数与所述样本库中的每一个样本识别参数的二阶范数值；
比较多个二阶范数值，确定最小的二阶范数值，最小的二阶范数值对应的样本图像为满足所述预设参数条件的样本图像；
从满足预设参数条件的样本图像中选择与所述目标网络兴趣点集具有相同网络兴趣点的样本图像，作为候选样本图像。
3.根据权利要求2所述的灰度图像的识别方法，其特征在于，所述计算各子网络模型的拓扑参量，以构成所述待识别灰度图像的目标识别参数包括：
计算各子网络模型的最大度和平均度，并将各子网络模型的最大度和平均度合并为一维数组，以作为所述待识别灰度图像的目标识别参数。
4.根据权利要求1至3任意一项所述的灰度图像的识别方法，其特征在于，所述计算所述初始网络模型中各节点的强度包括：
根据下述公式计算各节点的节点强度：
Figure FDA0003394873340000021
式中，w(i，j)为链路(i，j)∈E的权重，i，j为所述初始网络模型的节点，s(i)为节点i的节点强度。
5.根据权利要求4所述的灰度图像的识别方法，其特征在于，所述从各节点强度中选取满足预设强度条件的节点，构成目标网络兴趣点集包括：
从各节点强度中选取超过预设强度阈值的节点，以作为目标网络兴趣点集中的网络兴趣点。
6.根据权利要求1所述的灰度图像的识别方法，其特征在于，所述提取待识别灰度图像的轮廓像素点包括：
获取待识别图像；
判断所述待识别图像是否为灰度图像；
若否，则将所述待识别图像转化为灰度图像，以作为所述待识别灰度图像；若是，则将所述待识别图像作为所述待识别灰度图像；
提取所述待识别灰度图像的轮廓像素点。
7.一种灰度图像的识别装置，其特征在于，包括：
轮廓提取模块，用于提取待识别灰度图像的轮廓像素点；
网络建模模块，用于根据提取的轮廓像素点，基于复杂网络和分水岭算法，构建初始网络模型；
识别参数生成模块，用于将预设的距离阈值集合中的各距离阈值作用在所述初始网络模型的节点集合中，分别建立相应的子网络模型；计算各子网络模型的拓扑参量，以构成所述待识别灰度图像的目标识别参数；
兴趣点确定模块，用于计算所述初始网络模型中各节点的强度，并从各节点强度中选取满足预设强度条件的节点，构成目标网络兴趣点集；
图像识别模块，用于将所述目标识别参数和所述目标网络兴趣点集，与样本库中各样本图像的样本识别参数和样本网络兴趣点集进行匹配，选取同时满足预设参数条件和具有相同网络兴趣点的候选样本图像，所述候选样本图像的所属类别为所述待识别灰度图像的类别；
其中，所述兴趣点确定模块进一步用于：
通过局部标准对所述初始网络模型中各节点进行排序，根据所述初始网络模型的各节点强度构建局部标度检测器；
对所述局部标度检测器中的各节点强度进行排序；
从所述局部标度检测器中依次选取预设个数的节点强度，并将选取的节点强度对应的节点，作为目标网络兴趣点集中的网络兴趣点。
8.一种灰度图像的识别设备，其特征在于，包括处理器，所述处理器用于执行存储器中存储的灰度图像的识别程序时实现如权利要求1至6任一项所述灰度图像的识别方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有灰度图像的识别，所述灰度图像的识别程序被处理器执行时实现如权利要求1至6任一项所述灰度图像的识别方法的步骤。
CN201810048298.1A 2018-01-18 2018-01-18 一种灰度图像的识别方法、装置、设备及可读存储介质 Expired - Fee Related CN108256578B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810048298.1A CN108256578B (zh) 2018-01-18 2018-01-18 一种灰度图像的识别方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810048298.1A CN108256578B (zh) 2018-01-18 2018-01-18 一种灰度图像的识别方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN108256578A CN108256578A (zh) 2018-07-06
CN108256578B true CN108256578B (zh) 2022-04-19

Family

ID=62726878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810048298.1A Expired - Fee Related CN108256578B (zh) 2018-01-18 2018-01-18 一种灰度图像的识别方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN108256578B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063716B (zh) * 2018-08-28 2021-05-11 广东工业大学 一种图像识别方法、装置、设备及计算机可读存储介质
CN109359366B (zh) * 2018-09-30 2022-11-15 中民筑友科技投资有限公司 一种机电标识的自动识别方法、装置、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101097205A (zh) * 2006-06-30 2008-01-02 宝山钢铁股份有限公司 焦炭光学组织中各向异性的自动检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0984365A3 (en) * 1998-08-12 2005-03-30 Yeda Research And Development Company, Ltd. Method and apparatus for controlling information processing in a network of interactive elements
CN105139013B (zh) * 2015-07-08 2019-02-26 河南科技大学 一种融合形状特征和兴趣点的物体识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101097205A (zh) * 2006-06-30 2008-01-02 宝山钢铁股份有限公司 焦炭光学组织中各向异性的自动检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Interest Point Detection in Images by a Local Centrality Algorithm on Complex Networks;Regino Criado et al;《International Journal of Complex Systems in Science》;20111231;第1卷;第83-88页 *
基于复杂网络和图像轮廓的形状识别方法;汤晓 等;《山西师范大学学报（自然科学版）》;20130930;第27卷(第3期);第33-40页 *

Also Published As

Publication number Publication date
CN108256578A (zh) 2018-07-06

Similar Documents

Publication Publication Date Title
CN107045631B (zh) 人脸特征点检测方法、装置及设备
CN107330437B (zh) 基于卷积神经网络目标实时检测模型的特征提取方法
CN110070029B (zh) 一种步态识别方法及装置
CN112381837B (zh) 一种图像处理方法及电子设备
CN105740780B (zh) 人脸活体检测的方法和装置
CN111161311A (zh) 一种基于深度学习的视觉多目标跟踪方法及装置
CN111723813A (zh) 基于类内判别器的弱监督图像语义分割方法、系统、装置
CN109002755B (zh) 基于人脸图像的年龄估计模型构建方法及估计方法
JP2016517084A (ja) 動的カテゴリ物体認識のコンピュータベースの方法コンピュータベースの方法及びシステム
CN110197206B (zh) 图像处理的方法及装置
CN105335725A (zh) 一种基于特征融合的步态识别身份认证方法
WO2019197021A1 (en) Device and method for instance-level segmentation of an image
CN109671055B (zh) 肺结节检测方法及装置
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN103955682A (zh) 基于surf兴趣点的行为识别方法及装置
CN111009005A (zh) 几何信息与光度信息相结合的场景分类点云粗配准方法
CN111460953A (zh) 一种基于对抗域自适应学习的心电信号分类方法
CN116229189B (zh) 基于荧光内窥镜的图像处理方法、装置、设备及存储介质
CN112907569A (zh) 头部图像区域的分割方法、装置、电子设备和存储介质
CN111126254A (zh) 图像识别方法、装置、设备及存储介质
CN108256578B (zh) 一种灰度图像的识别方法、装置、设备及可读存储介质
CN109409305A (zh) 一种人脸图像清晰度评价方法及装置
CN110516638A (zh) 一种基于轨迹和随机森林的手语识别方法
CN112418256A (zh) 分类、模型训练、信息搜索方法、系统及设备
CN112836755B (zh) 基于深度学习的样本图像生成方法及其系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220419