CN109063716A - 一种图像识别方法、装置、设备及计算机可读存储介质 - Google Patents
一种图像识别方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109063716A CN109063716A CN201810988958.4A CN201810988958A CN109063716A CN 109063716 A CN109063716 A CN 109063716A CN 201810988958 A CN201810988958 A CN 201810988958A CN 109063716 A CN109063716 A CN 109063716A
- Authority
- CN
- China
- Prior art keywords
- matrix
- image
- constitutional balance
- balancing
- images
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
- G06V10/473—Contour-based spatial representations, e.g. vector-coding using gradient analysis
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种图像识别方法、装置、设备及计算机可读存储介质。其中,方法包括对待识别图像进行基于结构平衡网络的灰度图像描述处理,得到待识别图像的初始结构平衡矩阵;将初始结构平衡矩阵和预先构建的变化结构平衡矩阵做hadamard乘积进行结构平衡矩阵之间的变化,得到目标结构平衡矩阵;提取目标结构平衡矩阵的特征参数,以用于对待识别图像进行目标识别,特征参数为目标结构平衡矩阵的正连接强度平均值和负连接强度平均值。本申请技术方案不考虑网络的拓扑结构,简化网络模型的复杂程度,减少运算量,增强识别方法的容噪性,从而提高图像识别的速度和识别准确度;将灰度值作为结构平衡网络中的连接强度,提升了识别目标的区别度,提高识别率。
Description
技术领域
本发明实施例涉及机器视觉技术领域,特别是涉及一种图像识别方法、装置、设备及计算机可读存储介质。
背景技术
随着人工智能技术的快速发展,机器视觉技术作为人工智能发展的重要分支也得到相应的发展,机器视觉技术综合了光学、机械、电子、计算机软硬件等方面的技术,涉及到计算机、图像处理、模式识别、人工智能、信号处理、光机电一体化等多个领域。而图像识别技术(对图像中的目标物体进行识别)为机器视觉技术的重要组成部分,目标识别的精度和速度为衡量图像识别的重要的指标,提高目标识别的精度和速度是提升图像识别方法性能的关键。
现有的图像识别方法,如基于关键点的图像识别方法、基于纹理的图像识别方法、基于模型的图像识别方法、基于K-L的图像识别方法、基于几何特征的图像识别方法、基于神经网络的图像识别方法、基于边缘轮廓的图像识别方法以及结合复杂网络和分水岭算法的图像识别方法等,均是将图像轮廓看作一系列有顺序的连续点集来对待,点在轮廓点集中的关联性以及先后顺序会直接影响到对图像轮廓形状的建模与识别。
以复杂网络和分水岭算法的图像识别方法为例来说,该方法首先选取每块区域的质心点,将图片转换为二值图,提取的质心点可以表示一组坐标,图像的所有像素都可以映射到集合V0((x0,y0),w0)(坐标值,灰度值)质心点集,(x0,y0)图像坐标,Xi是质心点集的向量代表,二值化,有颜色的点就是标记出来的点,把周边白化,只留下代表点,作为复杂网络的节点,做像素点对比。节点之间的连接关系通过距离阈值做定义,对图像轮廓进行网络建模,提取网络拓扑结构,生成识别参数,最后识别图像。
但是,当图像的轮廓形状随着光照强度或遮挡等因素的影响发生改变时,图像轮廓点集中的点的关联性和顺序将会遭到破坏,如果将图像轮廓作为一系列有顺序的连续点集,便会增加提取精确轮廓形状的难度,且通过阈值和灰度差作为识别参数需要考虑之间的拓扑结构,导致整个图像识别过程的识别精确度和识别效率不高。
发明内容
本发明实施例的目的是提供一种图像识别方法、装置、设备及计算机可读存储介质,提高了图像识别的精度和效率。
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图像识别方法,包括:
对待识别图像进行基于结构平衡网络的灰度图像描述处理,得到所述待识别图像的初始结构平衡矩阵;
利用预先构建的变化结构平衡矩阵与所述初始结构平衡矩阵做hadamard乘积,得到目标结构平衡矩阵,以完成结构平衡矩阵之间的变化;所述变化结构平衡矩阵为方阵且各矩阵元素均为非零元素;
提取所述目标结构平衡矩阵的特征参数,所述特征参数为所述目标结构平衡矩阵的正连接强度平均值和负连接强度平均值;
根据所述特征参数对所述待识别图像进行识别。
可选的,所述对待识别图像进行基于结构平衡网络的灰度图像描述处理,得到所述待识别图像的初始结构平衡矩阵包括:
采用sobel算子对所述待识别图像进行梯度图轮廓预处理;
基于二值化提取预处理后的图像的轮廓,得到轮廓像素点集,并映射为质心点集,所述质心点集为由像素坐标和像素灰度值构成;
将所述质心点集转化为双精度的灰度方矩阵,基于所述灰度方矩阵得到所述初始结构平衡矩阵。
可选的,所述基于所述灰度方矩阵得到所述初始结构平衡矩阵包括:
利用预设正实数替代所述灰度方矩阵中为0的矩阵元素,以剔除所述灰度方矩阵的0灰度值;
所述初始结构平衡矩阵根据下述公式计算得到:
X=M+MT;
式中,X为所述初始结构平衡矩阵,M为剔除0灰度值的灰度方矩阵。
可选的,所述利用预先构建的变化结构平衡矩阵与所述初始结构平衡矩阵做hadamard乘积,得到目标结构平衡矩阵包括:
所述目标结构平衡矩阵计算公式如下:
yikykjyji=(aikakjaji)(xikxkjxji)>0;
式中,Y=(yij),A=(aij),X=(xij),Y为所述目标结构平衡矩阵,A为所述变化结构平衡矩阵,X为所述初始结构平衡矩阵,i、k、j为节点,为阿达玛hadamard乘积运算符号。
可选的,所述变化结构平衡矩阵为二值结构平衡矩阵。
可选的,所述目标结构平衡矩阵计算公式如下:
yij=sign(aij)xij;
其中,sign为符号函数,且
本发明实施例另一方面提供了一种图像识别装置,包括:
结构平衡矩阵化模块,用于对待识别图像进行基于结构平衡网络的灰度图像描述处理,得到所述待识别图像的初始结构平衡矩阵;
结构平衡矩阵变化模块,用于利用预先构建的变化结构平衡矩阵与所述初始结构平衡矩阵做hadamard乘积,得到目标结构平衡矩阵,以完成结构平衡矩阵之间的变化;所述变化结构平衡矩阵为方阵且各矩阵元素均为非零元素;
特征提取模块,用于提取所述目标结构平衡矩阵的特征参数,所述特征参数为所述目标结构平衡矩阵的正连接强度平均值和负连接强度平均值;
目标识别模块,用于根据所述特征参数对所述待识别图像进行识别。
可选的,所述结构平衡矩阵化模块包括:
梯度化处理子模块,用于采用sobel算子对所述待识别图像进行梯度图轮廓预处理;
轮廓提取子模块,用于基于二值化提取预处理后的图像的轮廓,得到轮廓像素点集,并映射为质心点集,所述质心点集为由像素坐标和像素灰度值构成;
灰度化子模块,用于将所述质心点集转化为双精度的灰度方矩阵,基于所述灰度方矩阵得到所述初始结构平衡矩阵。
本发明实施例还提供了一种图像识别设备,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述图像识别方法的步骤。
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图像识别程序,所述图像识别程序被处理器执行时实现如前任一项所述图像识别方法的步骤。
本发明实施例提供了一种图像识别方法,对待识别图像进行基于结构平衡网络的灰度图像描述处理,得到待识别图像的初始结构平衡矩阵;将初始结构平衡矩阵和预先构建的变化结构平衡矩阵做hadamard乘积进行结构平衡矩阵之间的变化,得到目标结构平衡矩阵;提取目标结构平衡矩阵的特征参数,以用于对待识别图像进行目标识别,特征参数为目标结构平衡矩阵的正连接强度平均值和负连接强度平均值。
本申请提供的技术方案的优点在于,将待识别图像作为结构平衡网络,将该网络中两类朋友圈的连接关系作为进行图像识别的特征参数,将结构平衡矩阵的优点融入到基于轮廓的目标识别方法中,与节点位置、顺序无关等特点,不用考虑网络的拓扑结构,简化目标网络模型的复杂程度,减少运算量,从而提高图像识别的速度,增强识别方法的容噪性,进而提升图像识别准确度;此外,将灰度值作为结构平衡网络中的连接强度,综合利用梯度图像中目标对象的形态特征、梯度特征(同一区域的梯度值是相同的,轮廓边缘梯度变化较大),提升了识别目标的区别度,提高识别率。
此外,本发明实施例还针对图像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为本发明实施例提供的一种图像识别方法的流程示意图;
图2为本发明实施例提供的结构平衡网络节点连接示意图;
图3为本发明实施例提供的第一张灰度图像在第一仿真实施例的仿真结果示意图;
图4为本发明实施例提供的第二张灰度图像在第一仿真实施例的仿真结果示意图;
图5为本发明实施例提供的第一张灰度图像在第二仿真实施例的仿真结果示意图;
图6为本发明实施例提供的第二张灰度图像在第二仿真实施例的仿真结果示意图;
图7为本发明实施例提供的第一张灰度图像在第三仿真实施例的仿真结果示意图;
图8为本发明实施例提供的第二张灰度图像在第三仿真实施例的仿真结果示意图;
图9为本发明实施例提供的第一张灰度图像在第四仿真实施例的一种仿真结果示意图;
图10为本发明实施例提供的第一张灰度图像在第四仿真实施例的另一种仿真结果示意图;
图11为本发明实施例提供的第二张灰度图像在第四仿真实施例的一种仿真结果示意图;
图12为本发明实施例提供的第二张灰度图像在第四仿真实施例的另一种仿真结果示意图;
图13为本发明实施例提供的图像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图像识别方法的流程示意图,本发明实施例可包括以下内容:
S101:对待识别图像进行基于结构平衡网络的灰度图像描述处理,得到待识别图像的初始结构平衡矩阵。
一个复杂网络为结构平衡的条件为,当且仅当该网络中的所有节点可以分为一类或者两类,同类中的节点具有正连接,分属异类的节点具有负连接,满足条件的即为结构平衡矩阵。
考虑到现有轮廓的识别方法所具有的过程简单、识别率高等特点,以及梯度图和结构均衡矩阵方法仅考虑网络的拓扑结构,与节点位置、顺序无关等特点。可将待处理图像作为结构平衡网络,在从待处理图像得到结构平衡矩阵时,可对其进行结构平衡网络的灰度图像描述,即先待处理图像进行梯度化,得到相对应的灰度矩阵,根据灰度矩阵得到初始结构平衡矩阵。
S102:利用预先构建的变化结构平衡矩阵与初始结构平衡矩阵做hadamard乘积,得到目标结构平衡矩阵。
变化结构平衡矩阵为预先设定的方阵,且该矩阵中的各矩阵元素均不为0。变化结构平衡矩阵可为任何一种结构平衡矩阵,本申请对此不做任何限定。
根据Hadamard(阿达玛)变换定理知,不同的初始结构平衡矩阵具有不同的Hadamard变换像,因而有助于区分图像,故可对待处理图像的初始结构平衡矩阵进行Hadamard变化,完成结构平衡矩阵之间的变化。
进行Hadamard变化之后,得到Hadamard变换像,即目标结构平衡矩阵,利用结构平衡网络的基本定理可知,Hadamard变换像对应的结构平衡网络中的所有节点可以分成两类,同类中的节点具有正连接,分属异类的节点具有负连接。目标结构平衡矩阵中的正元素表示同一朋友圈中两节点的连接强度,负连接强度表示不同朋友圈中两节点的连接强度。
S103:提取目标结构平衡矩阵的特征参数。
对结构平衡网络来说,不同的结构平衡网络可根据其朋友圈中各节点间的连接关系来区别,故提取的特征参数可为目标结构平衡矩阵的正连接强度平均值和负连接强度平均值。
正连接强度平均值的计算过程为:计算同一类朋友圈中任何两个节点之间的连接关系强度,轮询计算所有节点的连接关系强度后,计算各连接关系强度的平均值,即为正连接强度平均值。负连接强度平均值即为所有的负元素(一个负元素为不同朋友圈任何两个节点之间的连接关系强度)相加取平均值得到负连接强度平均值。
当结构平衡网络中的所有节点可以分成两类朋友圈,请参阅图2所示,同类朋友圈中的节点具有正连接关系,分属异类的节点具有负连接关系,在目标结构平衡矩阵中,正元素表示同一朋友圈中两个节点的连接关系强度,负连接强度表示不同朋友圈中两个节点的连接关系强度,通过把结构平衡矩阵中所有的正元素相加取平均值得到正连接强度平均值,所有的负元素相加取平均值得到负连接强度平均值,即提取得到的特征参数为两个正连接强度平均值、一个负连接强度平均值,共三个值。
需要说明的是,当目标结构平衡矩阵的朋友圈只要一类时,特征参数只有一个,即该朋友圈中节点的连接关系强度平均值。
S104:根据特征参数对待识别图像进行识别。
图像识别一般是通过记忆中存储的信息与当前信息进行匹配比较,从而实现图像的识别。
通过计算得到特征参数,与预先存储的结构平衡网络的各特征参数进行比对,进行目标识别。
在本发明实施例提供的技术方案中,将待识别图像作为结构平衡网络,将该网络中两类朋友圈的连接关系作为进行图像识别的特征参数,将结构平衡矩阵的优点融入到基于轮廓的目标识别方法中,与节点位置、顺序无关等特点,不用考虑网络的拓扑结构,简化目标网络模型的复杂程度,减少运算量,从而提高图像识别的速度,增强识别方法的容噪性,进而提升图像识别准确度;此外,将灰度值作为结构平衡网络中的连接强度,综合利用梯度图像中目标对象的形态特征、梯度特征(同一区域的梯度值是相同的,轮廓边缘梯度变化较大),提升了识别目标的区别度,提高识别率。
为了简化整个图像识别方法,提高图像识别方法的处理效率,可选择使用最简单的二值结构平衡矩阵作为变化结构平衡矩阵。
考虑具有N个节点的无向全连接加权网络,若节点i与节点j之间的连接关系强度(权值)xij=1或-1,且有负连接,则称此网络为二值结构平衡网络,由二值结构平衡网络构成的矩阵为二值结构平衡矩阵。
当然也可以使用其他结构平衡矩阵,如Hebb型结构平衡网络,广义Hebb型结构平衡网络,正对角结构平衡网络构成的矩阵,这均不影响本申请的实现。
例如,若N维向量z=(1,-1,…,(-1)N-1)T,则相应的Hebb型结构平衡网络为二值结构平衡网络,如下为4个节点的二者结构平衡网络连接关系矩阵:
可选的,在对待识别图像进行基于结构平衡网络的灰度图像描述处理,得到待识别图像的初始结构平衡矩阵时,可依次对原始图像进行双精度图(double)-梯度图-对称化处理-结构均衡矩阵化,具体的实现过程可参阅如下所述:
可采用sobel算子对待识别图像进行梯度图轮廓预处理,也即将原始图像(待识别图像)进行梯度化,还可进行前期滤噪处理,得到灰度图像。
基于二值化提取预处理后的图像的轮廓,得到轮廓像素点集,并映射为质心点集,质心点集为由像素坐标和像素灰度值构成。将得到的灰度图像进行二值化,提取原始图像的轮廓,在将所有的像素映射到集合V0((x0,y0),w0)(坐标值,灰度值)质心点集。简单的二值化像素去除邻接点的轮廓提取方法,即可克服了二值化图像像素点多的缺点,又在一定程度保留了图像的梯度信息。
将质心点集转化为双精度的灰度方矩阵,基于灰度方矩阵得到初始结构平衡矩阵。
将待识别图像处理为方双精度型矩阵,目的不是显示,而是为了计算其特征参数。
从梯度图出发进行结构均衡矩阵化,可减少整个识别方法的运算量,从而提升图像识别方法的识别效率。把灰度值作为结构平衡网络中的连接强度,综合利用梯度图像中目标对象的形态特征、梯度特征(同一区域的梯度值是相同的,轮廓边缘梯度变化较大),提升识别目标的区别度,提高识别率。
其中,在根据灰度方矩阵得到初始结构平衡矩阵可为:
利用预设正实数替代灰度方矩阵中为0的矩阵元素,以剔除灰度方矩阵的0灰度值;其中,正实数为较小的正实数,例如1,以实现剔除替换灰度方矩阵中的0灰度值,本领域技术人员可根据实际应用场景进行选取,本申请对此不做任何限定。
初始结构平衡矩阵根据下述公式计算得到:
X=M+MT;
式中,X为初始结构平衡矩阵,M为剔除0灰度值的灰度方矩阵。
举例来说,原始图像对应的灰度方矩阵为下式M,对其进行0灰度值剔除后得到M`,得到的结构平衡网络的连接关系矩阵X(也即初始结构平衡矩阵)为:
可选的,目标结构平衡矩阵的构造过程,也即利用预先构建的变化结构平衡矩阵与初始结构平衡矩阵做hadamard乘积,得到目标结构平衡矩阵的具体过程可包括:
Hadamard结构平衡矩阵变换为Y=AoX,目标结构平衡矩阵计算公式可如下所示:
yikykjyji=(aikakjaji)(xikxkjxji)>0;
式中,Y=(yij),A=(aij),X=(xij),Y为目标结构平衡矩阵,A为变化结构平衡矩阵,X为初始结构平衡矩阵,i、k、j为各结构平衡网络(目标结构平衡矩阵对应的目标结构平衡网络、变化结构平衡矩阵对应的变化结构平衡网络、初始结构平衡矩阵对应的初始结构平衡网络)的节点,为矩阵间的Hadamard乘积,xij和aij代表结构平衡网络中的连接强度,灰度值作为结构平衡的连接强度即连接边的权值。
当变化结构平衡矩阵为N阶二值结构平衡矩阵时,那么阿达玛变换Y=AoX可以表示为:
yij=sign(aij)xij;
式中,sign为符号函数,定义该符号函数可为:
此时的阿达玛变换相当于利用二值结构平衡矩阵A的元素符号改变了初始结构平衡矩阵X中相应元素的符号。
通过Hadamard变换得到的目标结构平衡矩阵,得到原始图像的多个朋友圈,因为二值结构平衡矩阵和原始图像的结构平衡矩阵经过hadamard变换(同类矩阵对应位置相乘)后,元素只有正元素和负连接强度,正元素表示同一朋友圈中两个节点的连接关系强度,负连接强度表示不同朋友圈中两个节点的连接关系,故可简化整个方法的结构,提升图像识别效率。
为了验证本申请提供的将结构平衡网络与基于轮廓的目标识别方法相结合的技术方案具有好的识别效果和较快的识别效率,本申请还提供了仿真试验的实施例,分别针对两张灰度图像进行了仿真实验,实验结果及分析过程具体可包括:
第一个仿真实施例(请参阅图3和图4)是把图像的灰度值对应的灰度图像像素点直接用直方图的形式展示出来,不过要直方图只能反映图像灰度的分布,属于纹理方面,若是作为特征的话,识别率不是很高。为了进一步提高识别率。
第二个仿真实施例采用灰度值作为结构均衡矩阵的节点,结构均衡矩阵将这些点分为正负两个朋友圈,把正连接关系的朋友圈作为一个特征参数,把负连接关系的朋友圈作为一个特征参数,再做识别。识别效果图如图5和图6所示,图5在灰度级为20-40和160-200时的像素点出现的频率较高,而在灰度级为34和183时是区间内的极值点。图6在灰度级为0-160的像素点出现的频率较高,在灰度级为132时是区间极大值点。可见直接采用灰度值作为结构均衡矩阵的节点,节点数量会比较多,运算量比较大。
为了进一步减少运算量,提出了进一步优化算法,第三个仿真实施例(请参阅图7和图8)采用梯度距离值代替图像中的灰度值,作为结构均衡矩阵的节点,结构均衡矩阵将这些点分为正负两个朋友圈,把正连接关系的朋友圈作为一个特征参数,把负连接关系的朋友圈作为一个特征参数,再做识别。由图7可知,从梯度图出发进行结构均衡矩阵化,灰度级在0-80区间像素点出现的频率较高,在灰度级为15出现极大值点。由图8可知,从梯度图出发进行结构均衡矩阵化,灰度级在0-80区间像素点出现的频率较高,在灰度级为16出现极大值点,可见,从梯度图出发进行构造结构平衡网络,更能减少计算量。
第四个仿真实施例通过对比有无用结构均衡的方式处理后的图像,对比这两者之间的像素点的多少,运算速度以及识别率。对比图9和图10可知,在梯度图的基础上进行结构均衡矩阵化后的灰度图像,像素点比没有结构均衡矩阵化处理后的灰度图像像素点少,可以提高运算速度,运算量较少。对比图11和图12可知,在梯度图的基础上进行结构均衡矩阵化后的灰度图像,像素点比没有结构均衡矩阵化处理后的灰度图像像素点少,可以提高运算速度,运算量较少。分别对比图9和图11、图10和图12可以看出,在梯度图的基础上进行结构均衡矩阵化,像素点出现的频率都比没有结构均衡矩阵化处理后的像素点出现的频率低。
需要说明的是,图3-图12中,各图的横坐标皆是灰度级,纵坐标为相应的灰度像素点的出现概率。
本发明实施例还针对图像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图像识别装置进行介绍,下文描述的图像识别装置与上文描述的图像识别方法可相互对应参照。
参见图13,图13为本发明实施例提供的图像识别装置在一种具体实施方式下的结构图,该装置可包括:
结构平衡矩阵化模块1301,用于对待识别图像进行基于结构平衡网络的灰度图像描述处理,得到待识别图像的初始结构平衡矩阵;
结构平衡矩阵变化模块1302,用于利用预先构建的变化结构平衡矩阵与初始结构平衡矩阵做hadamard乘积,得到目标结构平衡矩阵,以完成结构平衡矩阵之间的变化;变化结构平衡矩阵为方阵且各矩阵元素均为非零元素;
特征提取模块1303,用于提取目标结构平衡矩阵的特征参数,特征参数为目标结构平衡矩阵的正连接强度平均值和负连接强度平均值;
目标识别模块1304,用于根据特征参数对待识别图像进行识别。
可选的,在本实施例的一些实施方式中,所述结构平衡矩阵化模块1301例如还可以包括:
梯度化处理子模块,用于采用sobel算子对待识别图像进行梯度图轮廓预处理;
轮廓提取子模块,用于基于二值化提取预处理后的图像的轮廓,得到轮廓像素点集,并映射为质心点集,质心点集为由像素坐标和像素灰度值构成;
灰度化子模块,用于将质心点集转化为双精度的灰度方矩阵,基于灰度方矩阵得到初始结构平衡矩阵。
具体的,所述灰度化子模块可包括:
剔除单元,用于利用预设正实数替代灰度方矩阵中为0的矩阵元素,以剔除灰度方矩阵的0灰度值;
计算单元,用于初始结构平衡矩阵根据下述公式计算得到:
X=M+MT;
式中,X为初始结构平衡矩阵,M为剔除0灰度值的灰度方矩阵。
可选的,在本实施例的另一些实施方式中,所述结构平衡矩阵变化模块1302可包括:
计算子模块,用于利用下述公式计算目标结构平衡矩阵:
yikykjyji=(aikakjaji)(xikxkjxji)>0;
式中,Y=(yij),A=(aij),X=(xij),Y为目标结构平衡矩阵,A为变化结构平衡矩阵,X为初始结构平衡矩阵,i、k、j为节点。
当变化结构平衡矩阵为二值结构平衡矩阵,所述计算子模块还可为利用下述公式计算的模块:
yij=sign(aij)xij;
其中,sign为符号函数,且
本发明实施例所述图像识别装置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,本发明实施例不考虑网络的拓扑结构,简化网络模型的复杂程度,减少运算量,增强识别方法的容噪性,从而提高图像识别的速度和识别准确度;将灰度值作为结构平衡网络中的连接强度,提升了识别目标的区别度,提高识别率。
本发明实施例还提供了一种图像识别设备,具体可包括:
存储器,用于存储计算机程序;
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图像识别方法的步骤。
本发明实施例所述图像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,本发明实施例不考虑网络的拓扑结构,简化网络模型的复杂程度,减少运算量,增强识别方法的容噪性,从而提高图像识别的速度和识别准确度;将灰度值作为结构平衡网络中的连接强度,提升了识别目标的区别度,提高识别率。
本发明实施例还提供了一种计算机可读存储介质,存储有图像识别程序,所述图像识别程序被处理器执行时如上任意一实施例所述图像识别方法的步骤。
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,本发明实施例不考虑网络的拓扑结构,简化网络模型的复杂程度,减少运算量,增强识别方法的容噪性,从而提高图像识别的速度和识别准确度;将灰度值作为结构平衡网络中的连接强度,提升了识别目标的区别度,提高识别率。
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图像识别方法、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 (10)
1.一种图像识别方法,其特征在于,包括:
对待识别图像进行基于结构平衡网络的灰度图像描述处理,得到所述待识别图像的初始结构平衡矩阵;
利用预先构建的变化结构平衡矩阵与所述初始结构平衡矩阵做hadamard乘积,得到目标结构平衡矩阵,以完成结构平衡矩阵之间的变化;所述变化结构平衡矩阵为方阵且各矩阵元素均为非零元素;
提取所述目标结构平衡矩阵的特征参数,所述特征参数为所述目标结构平衡矩阵的正连接强度平均值和负连接强度平均值;
根据所述特征参数对所述待识别图像进行识别。
2.根据权利要求1所述的图像识别方法,其特征在于,所述对待识别图像进行基于结构平衡网络的灰度图像描述处理,得到所述待识别图像的初始结构平衡矩阵包括:
采用sobel算子对所述待识别图像进行梯度图轮廓预处理;
基于二值化提取预处理后的图像的轮廓,得到轮廓像素点集,并映射为质心点集,所述质心点集为由像素坐标和像素灰度值构成;
将所述质心点集转化为双精度的灰度方矩阵,基于所述灰度方矩阵得到所述初始结构平衡矩阵。
3.根据权利要求2所述的图像识别方法,其特征在于,所述基于所述灰度方矩阵得到所述初始结构平衡矩阵包括:
利用预设正实数替代所述灰度方矩阵中为0的矩阵元素,以剔除所述灰度方矩阵的0灰度值;
所述初始结构平衡矩阵根据下述公式计算得到:
X=M+MT;
式中,X为所述初始结构平衡矩阵,M为剔除0灰度值的灰度方矩阵。
4.根据权利要求1至3任意一项所述的图像识别方法,其特征在于,所述利用预先构建的变化结构平衡矩阵与所述初始结构平衡矩阵做hadamard乘积,得到目标结构平衡矩阵包括:
所述目标结构平衡矩阵计算公式如下:
yikykjyji=(aikakjaji)(xikxkjxji)>0;
式中,Y=(yij),A=(aij),X=(xij),Y为所述目标结构平衡矩阵,A为所述变化结构平衡矩阵,X为所述初始结构平衡矩阵,i、k、j为节点,为阿达玛hadamard乘积运算符号。
5.根据权利要求4所述的图像识别方法,其特征在于,所述变化结构平衡矩阵为二值结构平衡矩阵。
6.根据权利要求5所述的图像识别方法,其特征在于,所述目标结构平衡矩阵计算公式如下:
yij=sign(aij)xij;
其中,sign为符号函数,且
7.一种图像识别装置,其特征在于,包括:
结构平衡矩阵化模块,用于对待识别图像进行基于结构平衡网络的灰度图像描述处理,得到所述待识别图像的初始结构平衡矩阵;
结构平衡矩阵变化模块,用于利用预先构建的变化结构平衡矩阵与所述初始结构平衡矩阵做hadamard乘积,得到目标结构平衡矩阵,以完成结构平衡矩阵之间的变化;所述变化结构平衡矩阵为方阵且各矩阵元素均为非零元素;
特征提取模块,用于提取所述目标结构平衡矩阵的特征参数,所述特征参数为所述目标结构平衡矩阵的正连接强度平均值和负连接强度平均值;
目标识别模块,用于根据所述特征参数对所述待识别图像进行识别。
8.根据权利要求7所述的图像识别装置,其特征在于,所述结构平衡矩阵化模块包括:
梯度化处理子模块,用于采用sobel算子对所述待识别图像进行梯度图轮廓预处理;
轮廓提取子模块,用于基于二值化提取预处理后的图像的轮廓,得到轮廓像素点集,并映射为质心点集,所述质心点集为由像素坐标和像素灰度值构成;
灰度化子模块,用于将所述质心点集转化为双精度的灰度方矩阵,基于所述灰度方矩阵得到所述初始结构平衡矩阵。
9.一种图像识别设备,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计算机程序时实现如权利要求1至6任一项所述图像识别方法的步骤。
10.一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图像识别程序,所述图像识别程序被处理器执行时实现如权利要求1至6任一项所述图像识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810988958.4A CN109063716B (zh) | 2018-08-28 | 2018-08-28 | 一种图像识别方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810988958.4A CN109063716B (zh) | 2018-08-28 | 2018-08-28 | 一种图像识别方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109063716A true CN109063716A (zh) | 2018-12-21 |
CN109063716B CN109063716B (zh) | 2021-05-11 |
Family
ID=64757411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810988958.4A Active CN109063716B (zh) | 2018-08-28 | 2018-08-28 | 一种图像识别方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063716B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059760A (zh) * | 2019-04-25 | 2019-07-26 | 北京工业大学 | 基于拓扑结构和cnn的几何图形识别方法 |
CN111931647A (zh) * | 2020-08-10 | 2020-11-13 | 西安建筑科技大学 | 钢结构表面锈坑识别、提取与评价设备、方法及存储介质 |
CN111967479A (zh) * | 2020-07-27 | 2020-11-20 | 广东工业大学 | 基于卷积神经网络思想的图像目标识别方法 |
CN112749679A (zh) * | 2021-01-22 | 2021-05-04 | 北京百度网讯科技有限公司 | 模型的训练方法、人脸识别方法、装置、设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120059165A (ko) * | 2010-11-30 | 2012-06-08 | 한국전자통신연구원 | 복잡한 네트워크에서 사용되는 영상관리시스템 및 그의 구동방법 |
CN104268600A (zh) * | 2014-03-11 | 2015-01-07 | 中南大学 | 一种基于Minkowski距离的矿物浮选泡沫图像纹理分析及工况识别方法 |
CN106203440A (zh) * | 2016-06-28 | 2016-12-07 | 合肥酷睿网络科技有限公司 | 一种基于复杂网络的灰度图像识别方法 |
CN106203424A (zh) * | 2016-06-29 | 2016-12-07 | 合肥民众亿兴软件开发有限公司 | 一种基于网络的图像形状轮廓识别方法 |
CN108256578A (zh) * | 2018-01-18 | 2018-07-06 | 广东工业大学 | 一种灰度图像的识别方法、装置、设备及可读存储介质 |
-
2018
- 2018-08-28 CN CN201810988958.4A patent/CN109063716B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120059165A (ko) * | 2010-11-30 | 2012-06-08 | 한국전자통신연구원 | 복잡한 네트워크에서 사용되는 영상관리시스템 및 그의 구동방법 |
CN104268600A (zh) * | 2014-03-11 | 2015-01-07 | 中南大学 | 一种基于Minkowski距离的矿物浮选泡沫图像纹理分析及工况识别方法 |
CN106203440A (zh) * | 2016-06-28 | 2016-12-07 | 合肥酷睿网络科技有限公司 | 一种基于复杂网络的灰度图像识别方法 |
CN106203424A (zh) * | 2016-06-29 | 2016-12-07 | 合肥民众亿兴软件开发有限公司 | 一种基于网络的图像形状轮廓识别方法 |
CN108256578A (zh) * | 2018-01-18 | 2018-07-06 | 广东工业大学 | 一种灰度图像的识别方法、装置、设备及可读存储介质 |
Non-Patent Citations (4)
Title |
---|
DUAN-SHIN LEE ET AL: "Consensus and Polarization of Binary Opinions in Structurally Balanced Networks", 《 IEEE TRANSACTIONS ON COMPUTATIONAL SOCIAL SYSTEMS 》 * |
TANG XIAO ET AL: "A rotation and scale invariance face Recognition Method Based on Complex Network and Image Contour", 《2012 12TH INTERNATIONAL CONFERENCE ON CONTROL AUTOMATION ROBOTICS & VISION (ICARCV)》 * |
何苏利等: "基于轮廓形状和复杂网络的图像识别新方法", 《工业控制计算机》 * |
刘苗苗等: "相似性与结构平衡论结合的符号网络边值预测", 《工程科学与技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059760A (zh) * | 2019-04-25 | 2019-07-26 | 北京工业大学 | 基于拓扑结构和cnn的几何图形识别方法 |
CN111967479A (zh) * | 2020-07-27 | 2020-11-20 | 广东工业大学 | 基于卷积神经网络思想的图像目标识别方法 |
CN111931647A (zh) * | 2020-08-10 | 2020-11-13 | 西安建筑科技大学 | 钢结构表面锈坑识别、提取与评价设备、方法及存储介质 |
CN111931647B (zh) * | 2020-08-10 | 2024-02-02 | 西安建筑科技大学 | 钢结构表面锈坑识别、提取与评价设备、方法及存储介质 |
CN112749679A (zh) * | 2021-01-22 | 2021-05-04 | 北京百度网讯科技有限公司 | 模型的训练方法、人脸识别方法、装置、设备和介质 |
CN112749679B (zh) * | 2021-01-22 | 2023-09-05 | 北京百度网讯科技有限公司 | 模型的训练方法、人脸识别方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109063716B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063716A (zh) | 一种图像识别方法、装置、设备及计算机可读存储介质 | |
CN109871781A (zh) | 基于多模态3d卷积神经网络的动态手势识别方法及系统 | |
CN108229474A (zh) | 车牌识别方法、装置及电子设备 | |
CN109272509A (zh) | 一种连续图像的目标检测方法、装置、设备及存储介质 | |
CN109492627B (zh) | 一种基于全卷积网络的深度模型的场景文本擦除方法 | |
CN108765278A (zh) | 一种图像处理方法、移动终端及计算机可读存储介质 | |
CN110532897A (zh) | 零部件图像识别的方法和装置 | |
CN108647634A (zh) | 图像边框查找方法、装置、计算机设备及存储介质 | |
CN109558806A (zh) | 高分遥感图像变化的检测方法和系统 | |
CN109002755B (zh) | 基于人脸图像的年龄估计模型构建方法及估计方法 | |
CN111814574A (zh) | 应用双分支三维卷积模型的人脸活体检测系统、终端及存储介质 | |
CN110023989B (zh) | 一种素描图像的生成方法及装置 | |
CN111046917B (zh) | 基于深度神经网络的对象性增强目标检测方法 | |
Chen et al. | A blind CNN denoising model for random-valued impulse noise | |
CN103578093A (zh) | 图像配准方法、装置及增强现实系统 | |
CN105975905B (zh) | 一种手指静脉快速识别方法 | |
CN113505768A (zh) | 模型训练、人脸识别方法、电子设备及存储介质 | |
CN110210278A (zh) | 一种视频目标检测方法、装置及存储介质 | |
CN106778910A (zh) | 基于本地训练的深度学习系统和方法 | |
CN108197594A (zh) | 确定瞳孔位置的方法和装置 | |
CN106709431A (zh) | 虹膜识别方法及装置 | |
CN109033987A (zh) | 一种人脸图像阴阳脸的处理方法及系统 | |
CN110322398A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN109977875A (zh) | 基于深度学习的手势识别方法及设备 | |
CN109241905A (zh) | 一种图像处理方法和装置 |
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 |