CN109359660A - 一种图像识别的高维数据模型算法 - Google Patents
一种图像识别的高维数据模型算法 Download PDFInfo
- Publication number
- CN109359660A CN109359660A CN201811204169.3A CN201811204169A CN109359660A CN 109359660 A CN109359660 A CN 109359660A CN 201811204169 A CN201811204169 A CN 201811204169A CN 109359660 A CN109359660 A CN 109359660A
- Authority
- CN
- China
- Prior art keywords
- image
- compression
- dimensional data
- data model
- high dimensional
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 27
- 238000013499 data model Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 55
- 230000006835 compression Effects 0.000 claims abstract description 22
- 238000007906 compression Methods 0.000 claims abstract description 22
- 230000002708 enhancing effect Effects 0.000 claims abstract description 8
- 230000012010 growth Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000000750 progressive effect Effects 0.000 abstract description 2
- 241001269238 Data Species 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000035040 seed growth Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像识别的高维数据模型算法，包括以下步骤：S1、通过处理设备将源图进行图像压缩得到缩略图，根据直接识别法识别缩略图；若识别成功则转到结束流程，否则执行下一程序；S2、将源图进行图像增强得到增强图，根据直接识别法识别增强图；若识别成功则转到结束流程，否则执行下一程序；S3、将源图进行图像压缩得到压缩图，根据图像区域识别法检测压缩图的倾斜角度，然后，使用该倾斜角矫正源图和/或压缩图得到目标图。本发明利用直接识别法和区域识别法结合成一种递进式的图像压缩识别算法，在速度和识别率上都优于直接识别法和区域识别法；能够在较短时间内完成图像识别，达到较高识别率。
Description
技术领域
本发明涉及图像识别技术领域，尤其涉及一种图像识别的高维数据模型算法。
背景技术
在這个大数据时代，我们时常与数据打着交道。通常我们可以用一个向量来表示一个数据样本，数据的维度就是向量的维度。比如我们常见的二维数据、三维数据可以直观地可视化。有的数据维度非常高，比如描述人脸、声音等的数据样本它们的维度就通常高达上百。通过简单的欧式聚类来进行数据样本的分类，在低纬度数据样本中大多有良好的分类结果。但是在高维数据的分类问题中，基于欧式距离的分类方法通常都会失效。
所以针对高纬度数据的分类提出一种简单有效的方法是具有一定意义的。该文的创新点在于：针对不同维度数据的子空间分类以及多流形分类问题，该文提出了“种子生长模型”较好地解决了该问题。该模型在通过模拟种子的非线性传播与生长的同时，加以生长规则的限制，使得与种子具有较高相似性的样本被不断地归类，其他的样本点逐渐成为新的种子，种子再不断更新与生长，最终完成分类。该模型具有较强的一般性与适应性，能够较好地解决不同维度样本的子空间分类与多流形分类问题，但由于流程复杂以及矫正无倾斜图像导致耗时较长。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种图像识别的高维数据模型算法。
为了实现上述目的，本发明采用了如下技术方案：
一种图像识别的高维数据模型算法，包括以下步骤：
S1、通过处理设备将源图进行图像压缩得到缩略图，根据直接识别法识别缩略图；若识别成功则转到结束流程，否则执行下一程序；
S2、将源图进行图像增强得到增强图，根据直接识别法识别增强图；若识别成功则转到结束流程，否则执行下一程序；
S3、将源图进行图像压缩得到压缩图，根据图像区域识别法检测压缩图的倾斜角度，然后，使用该倾斜角矫正源图和/或压缩图得到目标图，在目标图中定位矩形区域并检测图像；若识别成功则转到结束流程，否则显示错误信息并转到结束流程；
S4、结束流程，显示识别信息，算法结束。
优选地，所述S1中，根据直接识别法识别缩略图，首先将缩略图初始化，初始化开始，找到第1个还没有归属的像素，并且设该像素为(x0，y0)。
优选地，，通过迭代法计算出(x0，y0)8领域像素，迭代开始，以(x0，y0)为中心，考虑(x0，y0)的8邻域像素(x，y)如果(x0，y0)满足生长准则，将(x，y)与(x0，y0)合并(在同一区域内)，同时将(x，y)压入堆栈；从堆栈中取出一个像素，把它当做(x0，y0)返回到迭代开始；当堆栈为空时，返回到初始化开始；直到图像中的每个点都有归属时，生长结束。
优选地，所述S3中，定位矩形区域的具体流程如下：
A、滤波降噪，对目标图进行高斯平滑滤波抑制服从正态分布的噪声；
B、水平垂直梯度差，使用Sobel算子求得灰度图像梯度差；
C、均值滤波，消除高频噪声；
D、二值化，根据阈值进行二值化，为闭运算做准备；
E、闭运算，填充图像间隙；
F、腐蚀，去除背景中的孤立点；
G、膨胀，填充腐蚀造成的空隙；
H、区域定位，通过findContours定位图像区域的矩形边。
优选地，所述迭代法的输入框中心点坐标Point(x，y)的计算方法为：x＝(Left+Right)/2y＝(Top+Bottom)/2。
优选地，在所述处理设备处接收输入，所述输入包括有关所述目标图像的数据；执行检索步骤，所述检索步骤包括：从图像数据库检索图像，所述图像数据库包含多个潜在匹配图像，并且直到所述图像被接受或被拒绝；指定所述图像作为候选图像；执行图像识别步骤，所述图像识别步骤包括使用所述处理设备来对所述目标图像和所述候选图像执行图像识别算法，以便获得图像识别算法输出；以及执行比较步骤，所述比较步骤包括：如果所述图像识别算法输出在预选的范围内，那么接受所述候选图像作为所述目标图像；如果所述图像识别算法输出不在所述预选的范围内，那么拒绝所述候选图像并且重复所述检索步骤、所述图像识别步骤和所述比较步骤。
本发明具有以下有益效果：
1、利用直接识别法和区域识别法结合成一种递进式的图像压缩识别算法，在速度和识别率上都优于直接识别法和区域识别法；
2、能够在较短时间内完成图像识别，达到较高识别率。
附图说明
图1为本发明提出的一种图像识别的高维数据模型算法的流程框图；
图2为本发明提出的一种图像识别的高维数据模型算法识别法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
参照图1-2，一种图像识别的高维数据模型算法，包括以下步骤：
S1、通过处理设备将源图进行图像压缩得到缩略图，根据直接识别法识别缩略图；若识别成功则转到结束流程，否则执行下一程序；
S2、将源图进行图像增强得到增强图，根据直接识别法识别增强图；若识别成功则转到结束流程，否则执行下一程序；
S3、将源图进行图像压缩得到压缩图，根据图像区域识别法检测压缩图的倾斜角度，然后，使用该倾斜角矫正源图和/或压缩图得到目标图，在目标图中定位矩形区域并检测图像；若识别成功则转到结束流程，否则显示错误信息并转到结束流程；
S4、结束流程，显示识别信息，算法结束。
本发明中，S1中，根据直接识别法识别缩略图，首先将缩略图初始化，初始化开始，找到第1个还没有归属的像素，并且设该像素为(x0，y0)，通过迭代法计算出(x0，y0)8领域像素，迭代开始，以(x0，y0)为中心，考虑(x0，y0)的8邻域像素(x，y)如果(x0，y0)满足生长准则，将(x，y)与(x0，y0)合并(在同一区域内)，同时将(x，y)压入堆栈；从堆栈中取出一个像素，把它当做(x0，y0)返回到迭代开始；当堆栈为空时，返回到初始化开始；直到图像中的每个点都有归属时，生长结束；
S3中，定位矩形区域的具体流程如下：
A、滤波降噪，对目标图进行高斯平滑滤波抑制服从正态分布的噪声；
B、水平垂直梯度差，使用Sobel算子求得灰度图像梯度差；
C、均值滤波，消除高频噪声；
D、二值化，根据阈值进行二值化，为闭运算做准备；
E、闭运算，填充图像间隙；
F、腐蚀，去除背景中的孤立点；
G、膨胀，填充腐蚀造成的空隙；
H、区域定位，通过findContours定位图像区域的矩形边；
迭代法的输入框中心点坐标Point(x，y)的计算方法为：x＝(Left+Right)/2y＝(Top+Bottom)/2；
在处理设备处接收输入，输入包括有关目标图像的数据；执行检索步骤，检索步骤包括：从图像数据库检索图像，图像数据库包含多个潜在匹配图像，并且直到图像被接受或被拒绝；指定图像作为候选图像；执行图像识别步骤，图像识别步骤包括使用处理设备来对目标图像和候选图像执行图像识别算法，以便获得图像识别算法输出；以及执行比较步骤，比较步骤包括：如果图像识别算法输出在预选的范围内，那么接受候选图像作为目标图像；如果图像识别算法输出不在预选的范围内，那么拒绝候选图像并且重复检索步骤、图像识别步骤和比较步骤。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种图像识别的高维数据模型算法，其特征在于，包括以下步骤：
S1、通过处理设备将源图进行图像压缩得到缩略图，根据直接识别法识别缩略图；若识别成功则转到结束流程，否则执行下一程序；
S2、将源图进行图像增强得到增强图，根据直接识别法识别增强图；若识别成功则转到结束流程，否则执行下一程序；
S3、将源图进行图像压缩得到压缩图，根据图像区域识别法检测压缩图的倾斜角度，然后，使用该倾斜角矫正源图和/或压缩图得到目标图，在目标图中定位矩形区域并检测图像；若识别成功则转到结束流程，否则显示错误信息并转到结束流程；
S4、结束流程，显示识别信息，算法结束。
2.根据权利要求1所述的一种图像识别的高维数据模型算法，其特征在于，所述S1中，根据直接识别法识别缩略图，首先将缩略图初始化，初始化开始，找到第1个还没有归属的像素，并且设该像素为(x0，y0)。
3.根据权利要求2所述的一种图像识别的高维数据模型算法，其特征在于，通过迭代法计算出(x0，y0)8领域像素，迭代开始，以(x0，y0)为中心，考虑(x0，y0)的8邻域像素(x，y)如果(x0，y0)满足生长准则，将(x，y)与(x0，y0)合并(在同一区域内)，同时将(x，y)压入堆栈；从堆栈中取出一个像素，把它当做(x0，y0)返回到迭代开始；当堆栈为空时，返回到初始化开始；直到图像中的每个点都有归属时，生长结束。
4.根据权利要求3所述的一种图像识别的高维数据模型算法，其特征在于，所述S3中，定位矩形区域的具体流程如下：
A、滤波降噪，对目标图进行高斯平滑滤波抑制服从正态分布的噪声；
B、水平垂直梯度差，使用Sobel算子求得灰度图像梯度差；
C、均值滤波，消除高频噪声；
D、二值化，根据阈值进行二值化，为闭运算做准备；
E、闭运算，填充图像间隙；
F、腐蚀，去除背景中的孤立点；
G、膨胀，填充腐蚀造成的空隙；
H、区域定位，通过findContours定位图像区域的矩形边。
5.根据权利要求3所述的一种图像识别的高维数据模型算法，其特征在于，所述迭代法的输入框中心点坐标Point(x，y)的计算方法为：x＝(Left+Right)/2y＝(Top+Bottom)/2。
6.根据权利要求1所述的一种图像识别的高维数据模型算法，其特征在于，在所述处理设备处接收输入，所述输入包括有关所述目标图像的数据；执行检索步骤，所述检索步骤包括：从图像数据库检索图像，所述图像数据库包含多个潜在匹配图像，并且直到所述图像被接受或被拒绝；指定所述图像作为候选图像；执行图像识别步骤，所述图像识别步骤包括使用所述处理设备来对所述目标图像和所述候选图像执行图像识别算法，以便获得图像识别算法输出；以及执行比较步骤，所述比较步骤包括：如果所述图像识别算法输出在预选的范围内，那么接受所述候选图像作为所述目标图像；如果所述图像识别算法输出不在所述预选的范围内，那么拒绝所述候选图像并且重复所述检索步骤、所述图像识别步骤和所述比较步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811204169.3A CN109359660A (zh) | 2018-10-16 | 2018-10-16 | 一种图像识别的高维数据模型算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811204169.3A CN109359660A (zh) | 2018-10-16 | 2018-10-16 | 一种图像识别的高维数据模型算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109359660A true CN109359660A (zh) | 2019-02-19 |
Family
ID=65349255
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811204169.3A Pending CN109359660A (zh) | 2018-10-16 | 2018-10-16 | 一种图像识别的高维数据模型算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109359660A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101950351A (zh) * | 2008-12-02 | 2011-01-19 | 英特尔公司 | 使用图像识别算法识别目标图像的方法 |
| CN107679437A (zh) * | 2017-09-26 | 2018-02-09 | 四川元匠科技有限公司 | 基于Zbar的条形码图像识别算法 |
-
2018
- 2018-10-16 CN CN201811204169.3A patent/CN109359660A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101950351A (zh) * | 2008-12-02 | 2011-01-19 | 英特尔公司 | 使用图像识别算法识别目标图像的方法 |
| CN107679437A (zh) * | 2017-09-26 | 2018-02-09 | 四川元匠科技有限公司 | 基于Zbar的条形码图像识别算法 |
Non-Patent Citations (1)
| Title |
|---|
| 陶汉，李星: "一种有效的高维数据分类算法" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106485183B (zh) | 一种二维码定位方法及系统 | |
| Sha et al. | A robust 2D Otsu’s thresholding method in image segmentation | |
| CN110717489B (zh) | Osd的文字区域的识别方法、装置及存储介质 | |
| Korus et al. | Multi-scale fusion for improved localization of malicious tampering in digital images | |
| CN107330979B (zh) | 建筑户型的矢量图生成方法、装置及终端 | |
| CN104424482B (zh) | 图像处理设备和图像处理方法 | |
| CN101311964B (zh) | 在监视系统中实时分割运动区域以检测运动的方法和装置 | |
| CN105096347B (zh) | 图像处理装置和方法 | |
| CN108830832A (zh) | 一种基于机器视觉的塑料筒表面缺陷检测算法 | |
| CN114399522A (zh) | 一种基于高低阈值的Canny算子的边缘检测方法 | |
| CN107169489B (zh) | 倾斜图像校正的方法和装置 | |
| EP3073443B1 (en) | 3d saliency map | |
| CN105427333B (zh) | 视频序列图像的实时配准方法、系统及拍摄终端 | |
| CN102779157A (zh) | 搜索图像的方法和装置 | |
| JP2009211138A (ja) | 対象領域抽出方法および装置ならびにプログラム | |
| CN106023229B (zh) | 结合半高斯模型与高斯模型的sar影像变化检测方法 | |
| CN110245600A (zh) | 自适应起始快速笔画宽度无人机道路检测方法 | |
| CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
| JP4660535B2 (ja) | 隅部ピクセルをシードとして利用することにより凸状オブジェクトを検出する方法 | |
| CN106815851A (zh) | 一种基于视觉测量的栅格圆形油位计自动读数方法 | |
| CN104268550A (zh) | 特征提取方法及装置 | |
| JP2013080389A (ja) | 消失点推定方法、消失点推定装置及びコンピュータプログラム | |
| CN109359660A (zh) | 一种图像识别的高维数据模型算法 | |
| Yusoff et al. | Two-dimensional clustering algorithms for image segmentation | |
| Barrett et al. | Houghing the hough: Peak collection for detection of corners, junctions and line intersections |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190219 |