CN110991541B - 基于随机线段的图像特征分类方法及系统 - Google Patents

基于随机线段的图像特征分类方法及系统 Download PDF

Info

Publication number
CN110991541B
CN110991541B CN201911248845.1A CN201911248845A CN110991541B CN 110991541 B CN110991541 B CN 110991541B CN 201911248845 A CN201911248845 A CN 201911248845A CN 110991541 B CN110991541 B CN 110991541B
Authority
CN
China
Prior art keywords
image
processed
line segment
coding sequence
feature
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.)
Active
Application number
CN201911248845.1A
Other languages
English (en)
Other versions
CN110991541A (zh
Inventor
李国庆
韩华
陈曦
孙国栋
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.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
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 Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN201911248845.1A priority Critical patent/CN110991541B/zh
Publication of CN110991541A publication Critical patent/CN110991541A/zh
Application granted granted Critical
Publication of CN110991541B publication Critical patent/CN110991541B/zh
Active 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

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)
  • Compression Of Band Width Or Redundancy In Fax (AREA)

Abstract

本发明涉及一种基于随机线段的图像特征分类方法及系统，所述分类方法包括：获取已知图像特征的样本图像集；对参照样本图像进行归一化处理，得到处理图像；根据各处理像素点，得到多组有向线段组；比较各个有向线段的线段头和线段尾的处理像素点值的大小，得到比较结果；将各比较结果按顺序排列，得到图像特征编码序列；多组有向线段组对应的图像特征编码序列形成图像特征分类器；基于图像特征分类器及各所述分析样本图像，确定已知图像特征的特征编码序列；对待处理图像进行识别，确定待处理图像的图像编码序列；进而根据已知图像特征的特征编码序列及待处理图像的图像编码序列，可快速准确地确定所述待处理图像的图像特征类别。

Description

基于随机线段的图像特征分类方法及系统
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于随机线段的图像特征分类方法及系统。
背景技术
对图像特征的提取，目前已有多种技术可以实现，如SIFT、HOG等传统特征提取方法，也有如神经网络特征提取方法等，但这些方法所伴随的都是较大的计算量和运行时间。如SIFT和HOG等，其都要对图像像素的梯度进行计算，而如神经网络特征提取也要有训练集进行大量训练，在一些已得到的灰度图并且图中特征较为简单的情况下，使用上述方法会耗费太多不必要的时间。
发明内容
为了解决现有技术中的上述问题，即为了快速确定图像特征，本发明提供一种基于随机线段的图像特征分类方法及系统。
为解决上述技术问题，本发明提供了如下方案：
一种基于随机线段的图像特征分类方法，所述分类方法包括：
获取已知图像特征的样本图像集，所述样本图像集包括一个参照样本图像和多个分析样本图像；
对所述参照样本图像进行归一化处理，得到处理图像；
根据所述处理图像中的各处理像素点，得到多组有向线段组；其中，每组有向线段组均包含多条有向线段，各所述有向线段均为由所述处理图像中随机的两个处理像素点连线形成的带有方向的线段；
针对每组有向线段组，比较所述有向线段组中各个有向线段的线段头的处理像素点值和线段尾的处理像素点值的大小，得到比较结果；
将对应所述有向线段组的各有向线段的比较结果按顺序排列，得到图像特征编码序列；多组有向线段组对应的图像特征编码序列形成图像特征分类器；
基于所述图像特征分类器及各所述分析样本图像，确定所述已知图像特征的特征编码序列；
基于所述图像特征分类器，对待处理图像进行识别，确定所述待处理图像的图像编码序列；
根据所述已知图像特征的特征编码序列及所述待处理图像的图像编码序列，确定所述待处理图像的图像特征类别。
可选地，所述处理图像中的各处理像素点值均用0到1之间的数来表示，所述处理图像中左上角处理像素点坐标为(0,0)，右下角处理像素点坐标为(1,1)。
可选地，所述比较结果用于0或1表示。
可选地，所述比较所述有向线段组中各个有向线段的线段头的处理像素点值和线段尾的处理像素点值的大小，得到比较结果，具体包括：
针对每组有向线段组中的每条有向线段，当线段头的处理像素点值大于或等于线段尾的处理像素点值，所述比较结果为1；
当线段头的处理像素点值小于线段尾的处理像素点值，所述比较结果为0。
可选地，所述基于所述图像特征分类器及各所述分析样本图像，确定所述已知图像特征的特征编码序列，具体包括：
基于所述图像特征分类器，分别对分析样本图像进行识别，得到对应的分析图像编码序列；
根据各分析图像编码序列，确定所述已知图像特征的特征编码序列。
可选地，所述根据各分析图像编码序列，确定所述已知图像特征的特征编码序列，具体包括：
绘制各分析图像编码序列的分布直方图；所述分布直方图中概率最大的分析图像编码序列为所述已知图像特征的特征编码序列。
可选地，所述根据所述已知图像特征的特征编码序列及所述待处理图像的图像编码序列，确定所述待处理图像的图像特征类别，具体包括：
当所述已知图像特征的特征编码序列与所述待处理图像的图像编码序列一样，则确定所述待处理图像的图像特征与所述已知图像特征为同一类图像特征，否则确定所述待处理图像的图像特征与所述已知图像特征为不同类图像特征。
为解决上述技术问题，本发明提供了如下方案：
一种基于随机线段的图像特征分类系统，所述分类系统包括：
获取单元，用于获取已知图像特征的样本图像集，所述样本图像集包括一个参照样本图像和多个分析样本图像；
处理单元，用于对所述参照样本图像进行归一化处理，得到处理图像；
连线单元，用于根据所述处理图像中的各处理像素点，得到多组有向线段组；其中，每组有向线段组均包含多条有向线段，各所述有向线段均为由所述处理图像中随机的两个处理像素点连线形成的带有方向的线段；
比较单元，用于针对每组有向线段组，比较所述有向线段组中各个有向线段的线段头的处理像素点值和线段尾的处理像素点值的大小，得到比较结果；
形成单元，用于将对应所述有向线段组的各有向线段的比较结果按顺序排列，得到图像特征编码序列；多组有向线段组对应的图像特征编码序列形成图像特征分类器；
确定单元，用于基于所述图像特征分类器及各所述分析样本图像，确定所述已知图像特征的特征编码序列；
识别单元，用于基于所述图像特征分类器，对待处理图像进行识别，确定所述待处理图像的图像编码序列；
分类单元，用于根据所述已知图像特征的特征编码序列及所述待处理图像的图像编码序列，确定所述待处理图像的图像特征类别。
为解决上述技术问题，本发明提供了如下方案：
一种基于随机线段的图像特征分类系统，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
获取已知图像特征的样本图像集，所述样本图像集包括一个参照样本图像和多个分析样本图像；
对所述参照样本图像进行归一化处理，得到处理图像；
根据所述处理图像中的各处理像素点，得到多组有向线段组；其中，每组有向线段组均包含多条有向线段，各所述有向线段均为由所述处理图像中随机的两个处理像素点连线形成的带有方向的线段；
针对每组有向线段组，比较所述有向线段组中各个有向线段的线段头的处理像素点值和线段尾的处理像素点值的大小，得到比较结果；
将对应所述有向线段组的各有向线段的比较结果按顺序排列，得到图像特征编码序列；多组有向线段组对应的图像特征编码序列形成图像特征分类器；
基于所述图像特征分类器及各所述分析样本图像，确定所述已知图像特征的特征编码序列；
基于所述图像特征分类器，对待处理图像进行识别，确定所述待处理图像的图像编码序列；
根据所述已知图像特征的特征编码序列及所述待处理图像的图像编码序列，确定所述待处理图像的图像特征类别。
为解决上述技术问题，本发明提供了如下方案：
一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
获取已知图像特征的样本图像集，所述样本图像集包括一个参照样本图像和多个分析样本图像；
对所述参照样本图像进行归一化处理，得到处理图像；
根据所述处理图像中的各处理像素点，得到多组有向线段组；其中，每组有向线段组均包含多条有向线段，各所述有向线段均为由所述处理图像中随机的两个处理像素点连线形成的带有方向的线段；
针对每组有向线段组，比较所述有向线段组中各个有向线段的线段头的处理像素点值和线段尾的处理像素点值的大小，得到比较结果；
将对应所述有向线段组的各有向线段的比较结果按顺序排列，得到图像特征编码序列；多组有向线段组对应的图像特征编码序列形成图像特征分类器；
基于所述图像特征分类器及各所述分析样本图像，确定所述已知图像特征的特征编码序列；
基于所述图像特征分类器，对待处理图像进行识别，确定所述待处理图像的图像编码序列；
根据所述已知图像特征的特征编码序列及所述待处理图像的图像编码序列，确定所述待处理图像的图像特征类别。
根据本发明的实施例，本发明公开了以下技术效果：
本发明通过随机生成的有向线段保证覆盖尽可能全面的图像特征，且在每组有向线段组中的随机有向线段下生成的图像特征编码序列能够较为准确的对应图像特征，而且由于进行了归一化处理，在图像进行放缩之后还可以直接使用该组有向线段并且编码不变，基于此可实现通过生成图像特征分类器检测其他图像的相同特征，从而能够快速有效的确定待处理图像的图像特征类别，实现简单，准确率高，鲁棒性强。
附图说明
图1是本发明基于随机线段的图像特征分类方法的流程图；
图2是参考样本图像归一化处理后的处理图像示意图；
图3是本发明基于随机线段的图像特征分类系统的模块结构示意图。
符号说明：
获取单元—1，处理单元—2，连线单元—3，比较单元—4，形成单元—5，确定单元—6，识别单元—7，分类单元—8。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
本发明的目的在于提供一种基于随机线段的图像特征分类方法，通过随机生成的有向线段保证覆盖尽可能全面的图像特征，且在每组有向线段组中的随机有向线段下生成的图像特征编码序列能够较为准确的对应图像特征，而且由于进行了归一化处理，在图像进行放缩之后还可以直接使用该组有向线段并且编码不变，基于此可实现通过生成图像特征分类器检测其他图像的相同特征，从而能够快速有效的确定待处理图像的图像特征类别，实现简单，准确率高，鲁棒性强。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明基于随机线段的图像特征分类方法包括：
步骤100：获取已知图像特征的样本图像集。
其中，所述样本图像集包括一个参照样本图像和多个分析样本图像；
步骤200：对所述参照样本图像进行归一化处理，得到处理图像。
如图2所示，所述处理图像中的各处理像素点值均用0到1之间的数来表示，所述处理图像中左上角处理像素点坐标为(0,0)，右下角处理像素点坐标为(1,1)。
步骤300：根据所述处理图像中的各处理像素点，得到多组有向线段组。
其中，每组有向线段组均包含多条有向线段，各所述有向线段均为由所述处理图像中随机的两个处理像素点连线形成的带有方向的线段。
每组有向线段组中的有向线段的数量与图像的特征复杂度有关，因主要用于简单特征的编码，故一般线段的数量不多。
步骤400：针对每组有向线段组，比较所述有向线段组中各个有向线段的线段头的处理像素点值和线段尾的处理像素点值的大小，得到比较结果。
其中，所述比较结果用于0或1表示。
可选地，所述比较所述有向线段组中各个有向线段的线段头的处理像素点值和线段尾的处理像素点值的大小，得到比较结果，具体包括：
针对每组有向线段组中的每条有向线段，当线段头的处理像素点值大于或等于线段尾的处理像素点值，所述比较结果为1；
当线段头的处理像素点值小于线段尾的处理像素点值，所述比较结果为0。
步骤500：将对应所述有向线段组的各有向线段的比较结果按顺序排列，得到图像特征编码序列；多组有向线段组对应的图像特征编码序列形成图像特征分类器。
图像生成的多组随机线段组便构成了一个随机森林分类器(即图像特征分类器)，一组随机线段组构成一棵随机树，随机树中每层节点的判断准则相同，是该随机线段组中的一条线段。在得到随机森林分类器之后，便可以用其来对其他图像的特征进行判断分类。
进一步地，在本实施例中，所述顺序为每组有向线段组中各有向线段坐标位置的先后顺序，但并不以此为限，可根据实际需要，预设其他顺序。
步骤600：基于所述图像特征分类器及各所述分析样本图像，确定所述已知图像特征的特征编码序列。
优选地，所述基于所述图像特征分类器及各所述分析样本图像，确定所述已知图像特征的特征编码序列，具体包括：
步骤610：基于所述图像特征分类器，分别对分析样本图像进行识别，得到对应的分析图像编码序列；
步骤620：根据各分析图像编码序列，确定所述已知图像特征的特征编码序列。
进一步地，所述根据各分析图像编码序列，确定所述已知图像特征的特征编码序列，包括：
绘制各分析图像编码序列的分布直方图；所述分布直方图中概率最大的分析图像编码序列为所述已知图像特征的特征编码序列。
步骤700：基于所述图像特征分类器，对待处理图像进行识别，确定所述待处理图像的图像编码序列。
步骤800：根据所述已知图像特征的特征编码序列及所述待处理图像的图像编码序列，确定所述待处理图像的图像特征类别。
可选地，在步骤800中，所述根据所述已知图像特征的特征编码序列及所述待处理图像的图像编码序列，确定所述待处理图像的图像特征类别，具体包括：
当所述已知图像特征的特征编码序列与所述待处理图像的图像编码序列一样，则确定所述待处理图像的图像特征与所述已知图像特征为同一类图像特征，否则确定所述待处理图像的图像特征与所述已知图像特征为不同类图像特征。
本发明将图像像素坐标进行归一化，随机选取处理图像像素点构成多条有向线段组成的有向线段组，确定各有向条线段的方向并比较两端像素值的大小，对各条线段的比较结果进行0或1的表示，得到已知图像特征在线段集合下的编码。将参考图像的参考像素坐标归一化之后，可以使得有向线段的两端点坐标值都在0到1之间，随机生成的有向线段可以保证覆盖尽可能全面的图像特征，并可以在之后检测其他图像的相同特征时使用，在该组随机有向线段下生成的一串二进制数能够较为准确的对应图像的特征，并且因进行了归一化处理，在图像进行放缩之后其依然可以直接使用该组线段并且编码不变，该方法实现简单，准确率高，鲁棒性强。
此外，本发明还提供基于随机线段的图像特征分类系统，可快速确定图像特征。
如图3所示，本发明基于随机线段的图像特征分类系统包括获取单元1、处理单元2、连线单元3、比较单元4、形成单元5、确定单元6、识别单元7及分类单元8。
其中，所述获取单元1用于获取已知图像特征的样本图像集，所述样本图像集包括一个参照样本图像和多个分析样本图像。
所述处理单元2用于对所述参照样本图像进行归一化处理，得到处理图像。
所述连线单元3用于根据所述处理图像中的各处理像素点，得到多组有向线段组；其中，每组有向线段组均包含多条有向线段，各所述有向线段均为由所述处理图像中随机的两个处理像素点连线形成的带有方向的线段。
所述比较单元4用于针对每组有向线段组，比较所述有向线段组中各个有向线段的线段头的处理像素点值和线段尾的处理像素点值的大小，得到比较结果。
所述形成单元5用于将对应所述有向线段组的各有向线段的比较结果按顺序排列，得到图像特征编码序列；多组有向线段组对应的图像特征编码序列形成图像特征分类器。
所述确定单元6用于基于所述图像特征分类器及各所述分析样本图像，确定所述已知图像特征的特征编码序列；
识别单元7用于基于所述图像特征分类器，对待处理图像进行识别，确定所述待处理图像的图像编码序列；
分类单元8用于根据所述已知图像特征的特征编码序列及所述待处理图像的图像编码序列，确定所述待处理图像的图像特征类别。
进一步地，本发明还提供一种基于随机线段的图像特征分类系统，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
获取已知图像特征的样本图像集，所述样本图像集包括一个参照样本图像和多个分析样本图像；
对所述参照样本图像进行归一化处理，得到处理图像；
根据所述处理图像中的各处理像素点，得到多组有向线段组；其中，每组有向线段组均包含多条有向线段，各所述有向线段均为由所述处理图像中随机的两个处理像素点连线形成的带有方向的线段；
针对每组有向线段组，比较所述有向线段组中各个有向线段的线段头的处理像素点值和线段尾的处理像素点值的大小，得到比较结果；
将对应所述有向线段组的各有向线段的比较结果按顺序排列，得到图像特征编码序列；多组有向线段组对应的图像特征编码序列形成图像特征分类器；
基于所述图像特征分类器及各所述分析样本图像，确定所述已知图像特征的特征编码序列；
基于所述图像特征分类器，对待处理图像进行识别，确定所述待处理图像的图像编码序列；
根据所述已知图像特征的特征编码序列及所述待处理图像的图像编码序列，确定所述待处理图像的图像特征类别。
优选地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
获取已知图像特征的样本图像集，所述样本图像集包括一个参照样本图像和多个分析样本图像；
对所述参照样本图像进行归一化处理，得到处理图像；
根据所述处理图像中的各处理像素点，得到多组有向线段组；其中，每组有向线段组均包含多条有向线段，各所述有向线段均为由所述处理图像中随机的两个处理像素点连线形成的带有方向的线段；
针对每组有向线段组，比较所述有向线段组中各个有向线段的线段头的处理像素点值和线段尾的处理像素点值的大小，得到比较结果；
将对应所述有向线段组的各有向线段的比较结果按顺序排列，得到图像特征编码序列；多组有向线段组对应的图像特征编码序列形成图像特征分类器；
基于所述图像特征分类器及各所述分析样本图像，确定所述已知图像特征的特征编码序列；
基于所述图像特征分类器，对待处理图像进行识别，确定所述待处理图像的图像编码序列；
根据所述已知图像特征的特征编码序列及所述待处理图像的图像编码序列，确定所述待处理图像的图像特征类别。
根据本发明的实施例，本发明公开了以下技术效果：
相对于现有技术，本发明基于随机线段的图像特征分类系统、计算机可读存储介质与上述基于随机线段的图像特征分类方法的有益效果相同，在此不再赘述。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种基于随机线段的图像特征分类方法，其特征在于，所述分类方法包括：
获取已知图像特征的样本图像集，所述样本图像集包括一个参照样本图像和多个分析样本图像；
对所述参照样本图像进行归一化处理，得到处理图像；
根据所述处理图像中的各处理像素点，得到多组有向线段组；其中，每组有向线段组均包含多条有向线段，各所述有向线段均为由所述处理图像中随机的两个处理像素点连线形成的带有方向的线段；
针对每组有向线段组，比较所述有向线段组中各个有向线段的线段头的处理像素点值和线段尾的处理像素点值的大小，得到比较结果；
将对应所述有向线段组的各有向线段的比较结果按顺序排列，得到图像特征编码序列；多组有向线段组对应的图像特征编码序列形成图像特征分类器；
基于所述图像特征分类器及各所述分析样本图像，确定所述已知图像特征的特征编码序列；
基于所述图像特征分类器，对待处理图像进行识别，确定所述待处理图像的图像编码序列；
根据所述已知图像特征的特征编码序列及所述待处理图像的图像编码序列，确定所述待处理图像的图像特征类别。
2.根据权利要求1所述的基于随机线段的图像特征分类方法，其特征在于，所述处理图像中的各处理像素点值均用0到1之间的数来表示，所述处理图像中左上角处理像素点坐标为(0,0)，右下角处理像素点坐标为(1,1)。
3.根据权利要求1所述的基于随机线段的图像特征分类方法，其特征在于，所述比较结果用于0或1表示。
4.根据权利要求3所述的基于随机线段的图像特征分类方法，其特征在于，所述比较所述有向线段组中各个有向线段的线段头的处理像素点值和线段尾的处理像素点值的大小，得到比较结果，具体包括：
针对每组有向线段组中的每条有向线段，当线段头的处理像素点值大于或等于线段尾的处理像素点值，所述比较结果为1；
当线段头的处理像素点值小于线段尾的处理像素点值，所述比较结果为0。
5.根据权利要求1所述的基于随机线段的图像特征分类方法，其特征在于，所述基于所述图像特征分类器及各所述分析样本图像，确定所述已知图像特征的特征编码序列，具体包括：
基于所述图像特征分类器，分别对分析样本图像进行识别，得到对应的分析图像编码序列；
根据各分析图像编码序列，确定所述已知图像特征的特征编码序列。
6.根据权利要求5所述的基于随机线段的图像特征分类方法，其特征在于，所述根据各分析图像编码序列，确定所述已知图像特征的特征编码序列，具体包括：
绘制各分析图像编码序列的分布直方图；所述分布直方图中概率最大的分析图像编码序列为所述已知图像特征的特征编码序列。
7.根据权利要求1所述的基于随机线段的图像特征分类方法，其特征在于，所述根据所述已知图像特征的特征编码序列及所述待处理图像的图像编码序列，确定所述待处理图像的图像特征类别，具体包括：
当所述已知图像特征的特征编码序列与所述待处理图像的图像编码序列一样，则确定所述待处理图像的图像特征与所述已知图像特征为同一类图像特征，否则确定所述待处理图像的图像特征与所述已知图像特征为不同类图像特征。
8.一种基于随机线段的图像特征分类系统，其特征在于，所述分类系统包括：
获取单元，用于获取已知图像特征的样本图像集，所述样本图像集包括一个参照样本图像和多个分析样本图像；
处理单元，用于对所述参照样本图像进行归一化处理，得到处理图像；
连线单元，用于根据所述处理图像中的各处理像素点，得到多组有向线段组；其中，每组有向线段组均包含多条有向线段，各所述有向线段均为由所述处理图像中随机的两个处理像素点连线形成的带有方向的线段；
比较单元，用于针对每组有向线段组，比较所述有向线段组中各个有向线段的线段头的处理像素点值和线段尾的处理像素点值的大小，得到比较结果；
形成单元，用于将对应所述有向线段组的各有向线段的比较结果按顺序排列，得到图像特征编码序列；多组有向线段组对应的图像特征编码序列形成图像特征分类器；
确定单元，用于基于所述图像特征分类器及各所述分析样本图像，确定所述已知图像特征的特征编码序列；
识别单元，用于基于所述图像特征分类器，对待处理图像进行识别，确定所述待处理图像的图像编码序列；
分类单元，用于根据所述已知图像特征的特征编码序列及所述待处理图像的图像编码序列，确定所述待处理图像的图像特征类别。
9.一种基于随机线段的图像特征分类系统，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
获取已知图像特征的样本图像集，所述样本图像集包括一个参照样本图像和多个分析样本图像；
对所述参照样本图像进行归一化处理，得到处理图像；
根据所述处理图像中的各处理像素点，得到多组有向线段组；其中，每组有向线段组均包含多条有向线段，各所述有向线段均为由所述处理图像中随机的两个处理像素点连线形成的带有方向的线段；
针对每组有向线段组，比较所述有向线段组中各个有向线段的线段头的处理像素点值和线段尾的处理像素点值的大小，得到比较结果；
将对应所述有向线段组的各有向线段的比较结果按顺序排列，得到图像特征编码序列；多组有向线段组对应的图像特征编码序列形成图像特征分类器；
基于所述图像特征分类器及各所述分析样本图像，确定所述已知图像特征的特征编码序列；
基于所述图像特征分类器，对待处理图像进行识别，确定所述待处理图像的图像编码序列；
根据所述已知图像特征的特征编码序列及所述待处理图像的图像编码序列，确定所述待处理图像的图像特征类别。
10.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
获取已知图像特征的样本图像集，所述样本图像集包括一个参照样本图像和多个分析样本图像；
对所述参照样本图像进行归一化处理，得到处理图像；
根据所述处理图像中的各处理像素点，得到多组有向线段组；其中，每组有向线段组均包含多条有向线段，各所述有向线段均为由所述处理图像中随机的两个处理像素点连线形成的带有方向的线段；
针对每组有向线段组，比较所述有向线段组中各个有向线段的线段头的处理像素点值和线段尾的处理像素点值的大小，得到比较结果；
将对应所述有向线段组的各有向线段的比较结果按顺序排列，得到图像特征编码序列；多组有向线段组对应的图像特征编码序列形成图像特征分类器；
基于所述图像特征分类器及各所述分析样本图像，确定所述已知图像特征的特征编码序列；
基于所述图像特征分类器，对待处理图像进行识别，确定所述待处理图像的图像编码序列；
根据所述已知图像特征的特征编码序列及所述待处理图像的图像编码序列，确定所述待处理图像的图像特征类别。
CN201911248845.1A 2019-12-09 2019-12-09 基于随机线段的图像特征分类方法及系统 Active CN110991541B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911248845.1A CN110991541B (zh) 2019-12-09 2019-12-09 基于随机线段的图像特征分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911248845.1A CN110991541B (zh) 2019-12-09 2019-12-09 基于随机线段的图像特征分类方法及系统

Publications (2)

Publication Number Publication Date
CN110991541A CN110991541A (zh) 2020-04-10
CN110991541B true CN110991541B (zh) 2023-04-25

Family

ID=70091262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911248845.1A Active CN110991541B (zh) 2019-12-09 2019-12-09 基于随机线段的图像特征分类方法及系统

Country Status (1)

Country Link
CN (1) CN110991541B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4977255B1 (ja) * 2011-03-31 2012-07-18 株式会社ナナオ 表示装置、画像処理装置、画像領域検出方法、画像処理方法及びコンピュータプログラム
CN109816639A (zh) * 2019-01-05 2019-05-28 西安交通大学 一种基于lsd算法的实时直线段检测系统及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4977255B1 (ja) * 2011-03-31 2012-07-18 株式会社ナナオ 表示装置、画像処理装置、画像領域検出方法、画像処理方法及びコンピュータプログラム
CN109816639A (zh) * 2019-01-05 2019-05-28 西安交通大学 一种基于lsd算法的实时直线段检测系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Gefu Tang 等."A Novel Airport Detection Method via Line Segment Classification and Texture Classification".《IEEE Geoscience and Remote Sensing Letters》.2015,全文. *
周封 等."基于颜色空间变量的输电线图像分类及特征提取".《 电力系统保护与控制 》.2018,全文. *

Also Published As

Publication number Publication date
CN110991541A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
Hall et al. Evaluation of features for leaf classification in challenging conditions
CN111340787B (zh) 输电线路的导线缺陷检测识别方法、装置及计算机设备
CN110543822A (zh) 一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法
WO2016065701A1 (zh) 图像文字识别方法及装置
CN110619333B (zh) 一种文本行分割方法、文本行分割装置及电子设备
CN103955660B (zh) 一种批量二维码图像识别方法
Nasirzadeh et al. Woods recognition system based on local binary pattern
CN109978078B (zh) 字体版权检测方法、介质、计算机设备及装置
US11532148B2 (en) Image processing system
CN113516619B (zh) 一种基于图像处理技术的产品表面瑕疵识别方法
Lech et al. Optimization of the fast image binarization method based on the Monte Carlo approach
WO2017108222A1 (en) Image processing system
Truong et al. Automatic multi-thresholds selection for image segmentation based on evolutionary approach
CN111428064B (zh) 小面积指纹图像快速索引方法、装置、设备及存储介质
CN110991541B (zh) 基于随机线段的图像特征分类方法及系统
CN111931757A (zh) 基于mdlbp分块直方图和pca降维的指静脉快速排序方法及装置
CN110175257B (zh) 一种线稿图像匹配方法、电子设备、存储介质
CN111626313B (zh) 一种特征提取模型训练方法、图像处理方法及装置
CN109544614B (zh) 一种基于图像低频信息相似度的匹配图像对识别的方法
CN104484869B (zh) 面向排序测度特征的图像匹配方法及系统
CN104504385A (zh) 手写粘连数字串的识别方法
CN112801013A (zh) 一种基于关键点识别校验的人脸识别方法、系统及装置
CN111612761B (zh) 基于绝缘瓷瓶的破损检测方法
CN112132783B (zh) 一种基于数字图像处理技术的零件识别方法
CN114782963A (zh) 笔迹鉴别方法、装置及电子设备

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