CN111144427B - 图像特征提取方法、装置、设备及可读存储介质 - Google Patents
图像特征提取方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN111144427B CN111144427B CN201911403049.0A CN201911403049A CN111144427B CN 111144427 B CN111144427 B CN 111144427B CN 201911403049 A CN201911403049 A CN 201911403049A CN 111144427 B CN111144427 B CN 111144427B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- iteration
- feature extraction
- local variance
- 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
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像特征提取方法、装置、设备及可读存储介质,所述图像特征提取方法通过由快速傅立叶变换与小波变换整合而成的偏微分方程变换算法,结合了傅立叶变换的高速稳定和小波变换的广适应及时频双空间分析,实现对任意图像坐标区域的任意频率空间处理,能够快速且灵活地对图像进行频率时间的双重分析;通过自适应计算所得的目标局部方差确定目标图像特征,使得能够高效区分图像不同的内在特征;通过对初始图像进行特征迭代提取,使得最终可获得分离效果优良的目标特征提取图像。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像特征提取方法、装置、设备及可读存储介质。
背景技术
随着科学技术的快速发展,在图像处理领域中,特征提取技术也日臻成熟。传统的特征分析方法分为两类:一类是统计方法,这一方法通过分析输入图像的傅里叶功率谱、灰度值和各种方差矩阵来实现图像特征的提取;另一类是结构方法,例如通过马尔可夫随机场模型、同步自回归模型或分形模型来实现图像特征提取。但由于特征提取过程中存在空间纠缠、方向混合和高频重叠等难题,通过传统的方式依然难以获取到分离良好的图像特征提取结果,从而导致了现有的图像特征提取方法的提取效果不佳的技术问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种图像特征提取方法,旨在解决现有的图像特征提取方法的提取效果不佳的技术问题。
为实现上述目的,本发明提供一种图像特征提取方法,所述图像特征提取方法应用于图像特征提取设备,所述图像特征提取方法包括以下步骤:
获取当前确定的初始图像,并基于预设偏微分方程变换算法,自适应计算对所述初始图像进行特征迭代提取过程所需的目标局部方差,其中,所述预设偏微分方程变换算法通过拟合快速傅立叶变换与小波变换确定;
基于所述目标局部方差确定迭代过程所要提取的目标图像特征;
基于所述目标图像特征对所述初始图像进行特征迭代提取,获取目标特征提取图像。
可选地,所述获取当前确定的初始图像,并基于预设偏微分方程变换算法,自适应计算对所述初始图像进行特征迭代提取过程所需的目标局部方差的步骤包括:
在接收到初始图像输入指令时,获取所述初始图像输入指令中的初始图像的像素矩阵;
对所述像素矩阵进行希尔伯特黄变换,将所述像素矩阵变换为图像模态函数,并获取所述图像模态函数的瞬时频率;
基于所述瞬时频率生成所述图像模态函数的局部变化方差,并基于预设方差阈值确定所述局部变化方差中的目标局部方差。
可选地,所述基于所述目标局部方差确定迭代过程所要提取的目标图像特征的步骤包括:
将超出所述预设方差阈值的局部变化方差所对应的初始图像像素作为所述目标图像特征。
可选地,所述基于所述目标图像特征对所述初始图像进行特征迭代提取,获取目标特征提取图像的步骤包括:
确定首轮迭代所需的目标图像特征,并从所述初始图像中分离所述目标图像特征;
将分离后的初始图像作为下一轮迭代所需的目标迭代剩余图像,并基于所述目标迭代剩余图像与自适应更新后的目标局部方差进行下一轮迭代计算;
直至检测到满足预设收敛条件时,结束当前迭代过程,并将当前轮数迭代所对应的目标迭代剩余图像作为所述目标特征提取图像。
可选地,所述从所述初始图像中分离所述目标图像特征的步骤包括:
基于所述预设偏微分方程变换算法,对所述初始图像进行给定频率的单模态偏微分方程变换,以从所述初始图像中分离出所述目标图像特征。
可选地,所述直至检测到满足预设收敛条件时,结束当前迭代过程的步骤包括:
直至检测到当前迭代过程中的目标局部方差不大于预设方差阈值或当前迭代次数达到预设最大迭代次数时,结束当前迭代过程。
可选地,所述基于所述目标图像特征对所述初始图像进行特征迭代提取,获取目标特征提取图像的步骤之后,还包括:
在所述初始图像为手势动作图像时,基于所述目标特征提取图像进行手势识别。
此外,为实现上述目的,本发明还提供一种图像特征提取装置,所述图像特征提取装置包括:
局部方差确定模块,用于获取当前确定的初始图像,并基于预设偏微分方程变换算法,自适应计算对所述初始图像进行特征迭代提取过程所需的目标局部方差,其中,所述预设偏微分方程变换算法通过拟合快速傅立叶变换与小波变换确定;
图像特征确定模块,用于基于所述目标局部方差确定迭代过程所要提取的目标图像特征;
特征迭代提取模块,用于基于所述目标图像特征对所述初始图像进行特征迭代提取,获取目标特征提取图像。
此外,为实现上述目的,本发明还提供一种图像特征提取设备,所述图像特征提取设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像特征提取程序,所述图像特征提取程序被所述处理器执行时实现如上述的图像特征提取方法的步骤。
此外,为实现上述目的,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上存储有图像特征提取程序,所述图像特征提取程序被处理器执行时实现如上述的图像特征提取方法的步骤。
本发明提供一种图像特征提取方法、装置、设备及计算机可读存储介质。所述图像特征提取方法通过获取当前确定的初始图像,并基于预设偏微分方程变换算法,自适应计算对所述初始图像进行特征迭代提取过程所需的目标局部方差,其中,所述预设偏微分方程变换算法通过拟合快速傅立叶变换与小波变换确定;基于所述目标局部方差确定迭代过程所要提取的目标图像特征;基于所述目标图像特征对所述初始图像进行特征迭代提取,获取目标特征提取图像。通过上述方式,本发明通过由快速傅立叶变换与小波变换整合而成的偏微分方程变换算法,结合了傅立叶变换的高速稳定和小波变换的广适应及时频双空间分析,实现对任意图像坐标区域的任意频率空间处理,能够快速且灵活地对图像进行频率时间的双重分析;通过自适应计算所得的目标局部方差确定目标图像特征,使得能够高效区分图像不同的内在特征;通过对初始图像进行特征迭代提取,使得最终可获得分离效果优良的目标特征提取图像,从而解决了现有的图像特征提取方法的提取效果不佳的技术问题。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图;
图2为本发明图像特征提取方法第一实施例的流程示意图;
图3为本发明图像特征提取方法第二实施例的流程示意图;
图4为本发明图像特征提取方法的具体实施例的对比示意图;
图5为图像多模态分离示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是PC,也可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面3)播放器、便携计算机等具有显示功能的可移动式终端设备。
如图1所示,该终端可以包括:处理器1001,例如CPU,通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选的用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地,终端还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示屏的亮度,接近传感器可在移动终端移动到耳边时,关闭显示屏和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;当然,移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及图像特征提取程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的图像特征提取程序,并执行以下操作:
获取当前确定的初始图像,并基于预设偏微分方程变换算法,自适应计算对所述初始图像进行特征迭代提取过程所需的目标局部方差,其中,所述预设偏微分方程变换算法通过拟合快速傅立叶变换与小波变换确定;
基于所述目标局部方差确定迭代过程所要提取的目标图像特征;
基于所述目标图像特征对所述初始图像进行特征迭代提取,获取目标特征提取图像。
进一步地,处理器1001可以调用存储器1005中存储的图像特征提取程序,还执行以下操作:
在接收到初始图像输入指令时,获取所述初始图像输入指令中的初始图像的像素矩阵;
对所述像素矩阵进行希尔伯特黄变换,将所述像素矩阵变换为图像模态函数,并获取所述图像模态函数的瞬时频率;
基于所述瞬时频率生成所述图像模态函数的局部变化方差,并基于预设方差阈值确定所述局部变化方差中的目标局部方差。
进一步地,处理器1001可以调用存储器1005中存储的图像特征提取程序,还执行以下操作:
将超出所述预设方差阈值的局部变化方差所对应的初始图像像素作为所述目标图像特征。
进一步地,处理器1001可以调用存储器1005中存储的图像特征提取程序,还执行以下操作:
确定首轮迭代所需的目标图像特征,并从所述初始图像中分离所述目标图像特征;
将分离后的初始图像作为下一轮迭代所需的目标迭代剩余图像,并基于所述目标迭代剩余图像与自适应更新后的目标局部方差进行下一轮迭代计算;
直至检测到满足预设收敛条件时,结束当前迭代过程,并将当前轮数迭代所对应的目标迭代剩余图像作为所述目标特征提取图像。
进一步地,处理器1001可以调用存储器1005中存储的图像特征提取程序,还执行以下操作:
基于所述预设偏微分方程变换算法,对所述初始图像进行给定频率的单模态偏微分方程变换,以从所述初始图像中分离出所述目标图像特征。
进一步地,处理器1001可以调用存储器1005中存储的图像特征提取程序,还执行以下操作:
直至检测到当前迭代过程中的目标局部方差不大于预设方差阈值或当前迭代次数达到预设最大迭代次数时,结束当前迭代过程。
进一步地,处理器1001可以调用存储器1005中存储的图像特征提取程序,还执行以下操作:
在所述初始图像为手势动作图像时,基于所述目标特征提取图像进行手势识别。
基于上述硬件结构,提出本发明图像特征提取方法的各个实施例。
参照图2,图2为图像特征提取方法第一实施例的流程示意图。
本发明第一实施例提供一种图像特征提取方法,所述图像特征提取方法包括以下步骤:
随着科学技术的快速发展,在图像处理领域中,特征提取技术也日臻成熟。传统的特征分析方法分为两类:一类是统计方法,这一方法通过分析输入图像的傅里叶功率谱、灰度值和各种方差矩阵来实现图像特征的提取;另一类是结构方法,例如通过马尔可夫随机场模型、同步自回归模型或分形模型来实现图像特征提取。但由于特征提取过程中存在空间纠缠、方向混合和高频重叠等难题,通过传统的方式依然难以获取到分离良好的图像特征提取结果,从而导致了现有的图像特征提取方法的提取效果不佳的技术问题。
为解决上述问题,本发明通过由快速傅立叶变换与小波变换整合而成的偏微分方程变换算法,结合了这两种算法的优势,实现对任意图像坐标区域的任意频率空间处理,能够快速且灵活地对图像进行频率时间的双重分析;通过自适应计算所得的目标局部方差确定目标图像特征,使得能够高效区分图像不同的内在特征;通过对初始图像进行特征迭代提取,使得最终可获得分离效果优良的目标特征提取图像,从而解决了现有的图像特征提取方法的提取效果不佳的技术问题。本发明应用于终端。
步骤S10,获取当前确定的初始图像,并基于预设偏微分方程变换算法,自适应计算对所述初始图像进行特征迭代提取过程所需的目标局部方差,其中,所述预设偏微分方程变换算法通过拟合快速傅立叶变换与小波变换确定;
在本实施例中,需要说明的是,传统的傅立叶变换只能进行简单的频率分析,小波变换虽然可以实现频率时间双重分析,但运算速度较慢,且欠缺灵活性。而本发明所使用的偏微分方程变换算法,通过拟合快速傅立叶变换算法与小波变换算法,对图像进行处理,结合二者的优点,可以允许任意精度的空间频率双空间分析,从而能够高效区分图像不同的内在特征,例如图像中人脸的不同细节与特征轮廓,人物的衣服、背景、自然景观等。终端基于本发明中的偏微分方程变换算法,可通过接收当前用户输入的待处理的初始图像。对于上述偏微分方程变换算法,可给出公式:
其中,u和v是标量(应用纽曼边界条件)。初始值就是原始的输入图像。∈是耦合强度,通常赋值小于相应的热扩散系数,目的只是保证u和v在PDE变化中,两者不会相差太远,以保证图像处理过程中的保真。d是热扩散系数,也就是通常说的除噪系数。w=u-v是两者的差别,在该偏微分方程变换算法中对应着图像每一步迭代步骤中的剩余图像。通过对偏微分矩阵的数值积分求解,可以得到第一步的w数值解,这也对应着迭代第一步的模式,然后用剩余图像再次迭代得到下面几步的w数值解,对应不同的模式,共同构成PDE算法的多模式数值解。终端基于这一算法,对初始图像进行希尔伯特-黄变换(HHT,Hilbert-HuangTransform)。具体地,终端对初始图像进行经验模态分解,自适应地将初始图像分解为一列本征模态函数(IMF,IntrinsicMode Function),并对每一IMF做希尔伯特变换(HT,HilbertTransform),求得每一IMF的瞬时频率。终端基于HHT算法得到初始图像所对应的时间-频率-能量三维分布图,通过这一分布图,计算出初始图像的局部变化方差。终端将初始图像的局部变化方差与预设方差阈值进行比较,将大于预设方差阈值的局部变化方差作为上述目标局部方差。
步骤S20,基于所述目标局部方差确定迭代过程所要提取的目标图像特征;
在本实施例中,终端可根据步骤S10中得到的目标局部方差确定每轮迭代所要提取的目标图像特征。具体地,终端可将当前轮数迭代所确定的目标局部方差所对应在初始图像中的像素点作为本轮迭代所要提取的目标图像特征。
步骤S30,基于所述目标图像特征对所述初始图像进行特征迭代提取,获取目标特征提取图像。
在本实施例中,终端将每轮迭代所确定的目标图像特征从初始图像中提取出,并将提取后的初始图像作为下一轮迭代所需的目标迭代剩余图像,再确定下一轮迭代所要提取的目标图像特征,将其从目标迭代剩余图像中提取出,重复这样的特征迭代提取过程。直至终端检测到当前满足迭代结束条件时,停止当前迭代过程,并将当前轮数迭代过程中的目标迭代剩余图像作为本次图像特征提取人物最终所需的目标特征提取图像。需要说明的是,终端可通过快速傅立叶变换、小波变换、双时标分析、母波的鲁棒选择、扩展、平移等操作对初始图像进行特征分离。具体实施例中,如图4所示,图4中从左至右第一张图为初始图像。终端基于上述偏微分方程变换算法,计算这一图像各像素点的局部变化方差。终端经计算判定图中背景特征的局部变化方差均大于预设方差阈值,则将其作为第一轮迭代所要提取的目标图像特征,并将其从初始图像中提取出来,得到图4中的中间图像。终端继续对中间图像进行特征提取,直至检测到当前的目标迭代剩余图像的局部变化方差不大于预设方差阈值,结束图像特征迭代提取操作,得到图4中从左至右第三张图像,也即为目标特征提取图像。从第三张图像中可以看出,初始图像中冗余的背景特征被完全分离出,而完好清晰地保留了图像中间的文字,背景特征与核心内容的分离效果良好。
本发明提供一种图像特征提取方法。所述图像特征提取方法通过获取当前确定的初始图像,并基于预设偏微分方程变换算法,自适应计算对所述初始图像进行特征迭代提取过程所需的目标局部方差,其中,所述预设偏微分方程变换算法通过拟合快速傅立叶变换与小波变换确定;基于所述目标局部方差确定迭代过程所要提取的目标图像特征;基于所述目标图像特征对所述初始图像进行特征迭代提取,获取目标特征提取图像。通过上述方式,本发明通过由快速傅立叶变换与小波变换整合而成的偏微分方程变换算法,结合了傅立叶变换的高速稳定和小波变换的广适应及时频双空间分析,实现对任意图像坐标区域的任意频率空间处理,能够快速且灵活地对图像进行频率时间的双重分析;通过自适应计算所得的目标局部方差确定目标图像特征,使得能够高效区分图像不同的内在特征;通过对初始图像进行特征迭代提取,使得最终可获得分离效果优良的目标特征提取图像,从而解决了现有的图像特征提取方法的提取效果不佳的技术问题。
参照图3,图3为本发明图像特征提取方法第二实施例的流程示意图。
基于上述图2所示的第一实施例,在本实施例中,步骤S10包括:
步骤S11,在接收到初始图像输入指令时,获取所述初始图像输入指令中的初始图像的像素矩阵;
在本实施例中,用户若想对当前的一张或是多张图像进行特征提取,可在终端上创建图像特征提取任务,将图像作为这一任务所对应的初始图像,也即是向终端发送一初始图像输入指令。终端在接收到用户当前发送的这一初始图像输入指令时,获取到该指令中待处理的初始图像。需要说明的是,初始图像在终端中以像素矩阵的形式保存。
步骤S12,对所述像素矩阵进行希尔伯特黄变换,将所述像素矩阵变换为图像模态函数,并获取所述图像模态函数的瞬时频率;
在本实施例中,终端将当前图像特征提取任务中初始图像所对应的像素矩阵进行HHT变换。具体地,终端将该像素矩阵作为原始信号,先确定原始信号的最大值点与最小值点,并做最大值点与最小值点的包络线,求得包络线的平均值;通过上述平均值确定待判断IMF分量,判断当前待判断IMF分量是否为最高频分量;若当前待判断IMF分量为最高频分量,则将原始信号与待判断IMF分量的差值作为新原始信号,并在检测该原始信号为单调时判定这一待判断IMF分量即为IMF分量;若当前待判断IMF分量不为最高频分量,则将该待判断IMF分量作为原始信号,重复上述生成包络线与判定等步骤,直至确定出IMF分量。终端完成上述操作后,即可获取到该像素矩阵的图像模态函数。终端在获取到该图像模态函数时,对其中的每一IMF作希尔伯特变换,求出每一IMF的瞬时频率。
步骤S13,基于所述瞬时频率生成所述图像模态函数的局部变化方差,并基于预设方差阈值确定所述局部变化方差中的目标局部方差。
在本实施例中,终端根据当前所求得的像素矩阵对应的每一IMF的瞬时频率确定每一像素点的局部变化方差,终端将所有的局部变化方差与预设方差阈值进行比较,并将超出预设方差阈值的局部变化方差作为上述目标局部方差。需要说明的是,局部变化方差的计算公式如下:
其中,X上标k代表得到的第k个本征模态,就是对第k个本征模态的微分算子,数值大小代表像素点在局部的变化快慢。上述公式得出的局部变化方差可以结合适当的阈值对各种纹理进行细分。最简单的阈值选择就是选择局部极值,对应为完整的图像纹理。如图5所示,图5即为对原始图像进行多模态分离的示意图。小图(a)为原始图像,小图(b)为单模态的分离图像(包含全体边缘),小图(c)为第一模态(包含人物衣饰),小图(d)为第二模态(包含背景椅子),小图(e)为第三模态(包含桌布),小图(f)为第四模态(包含围巾)。四个模态分离了四种在频率和空间上纠缠的不同纹理。
进一步地,图中未示的,在本实施例中,步骤S20包括:
步骤a,将超出所述预设方差阈值的局部变化方差所对应的初始图像像素作为所述目标图像特征。
在本实施例中,终端将超出预设方差阈值的目标局部方差所对应的初始图像中的多个像素点所组成的纹理作为当前轮数迭代过程中所要提取的目标图像特征。
进一步地,图中未示的,步骤S10之前,还包括:
步骤b,在所述初始图像为手势动作图像时,基于所述目标特征提取图像进行手势识别。
在本实施例中,本发明可广泛用于不同学科领域的高效高精度的图像处理需求。例如应用于AI+教育领域中,终端可通过内置有摄像头获取到学生的手指指向教材的指向图像,并通过上述偏微分方程变换算法对指向图像进行处理,得到特征提取后的手指边缘简化图像,从而精准确定出学生当前指向教材的具体位置,并对这一位置中的知识内容作出语音朗读、翻译等辅助学习操作。
本发明提供一种图像特征提取方法。所述图像特征提取方法进一步通过对初始图像进行希尔伯特-黄变换自适应计算出每轮迭代所需的目标局部方差,并将超出阈值的局部变化方差作为目标图像特征,实现了对于图像纠缠纹理特征的快速分析识别,极大提升了图像特征分析的效率;通过将本发明应用于AI+教育领域,配合指读教材设备可实现对学生手势指向的精准判别,极大降低了对配套硬件的性能参数要求。
图中未示的,基于上述图2所示的第一实施例,提出本发明图像特征提取方法第三实施例。在本实施例中,步骤S30包括:
步骤c,确定首轮迭代所需的目标图像特征,并从所述初始图像中分离所述目标图像特征;
在本实施例中,终端在开始对初始图像进行特征迭代提取时,确定出首轮迭代所要提取的目标图像特征,通过快速傅立叶变换、小波变换、双时标分析、母波的鲁棒选择、扩展、平移的操作将其从初始图像中分离出。
步骤d,将分离后的初始图像作为下一轮迭代所需的目标迭代剩余图像,并基于所述目标迭代剩余图像与自适应更新后的目标局部方差进行下一轮迭代计算;
在本实施例中,终端将每一轮迭代过程中提取出目标图像特征后的初始图像作为目标迭代剩余图像,并进入下一轮迭代计算。重复对目标迭代剩余图像进行局部变化方差计算与目标图像特征确定与提取。
步骤e,直至检测到满足预设收敛条件时,结束当前迭代过程,并将当前轮数迭代所对应的目标迭代剩余图像作为所述目标特征提取图像。
在本实施例中,终端对初始图像进行特征迭代提取,直至检测到当前满足预设的收敛条件时,停止对初始图像的特征迭代提取。预设收敛条件可为当前迭代轮数已达到预设最大迭代次数,或是当前轮数迭代过程中所计算出的局部变化方差均小于或等于预设方差阈值。其中,预设最大迭代次数可根据实际情况灵活设定,本实施例对此不做具体限定。
进一步地,本实施例中,步骤c包括:
步骤f,基于所述预设偏微分方程变换算法,对所述初始图像进行给定频率的单模态偏微分方程变换,以从所述初始图像中分离出所述目标图像特征。
在本实施例中,终端根据预设的偏微分方程变换算法,在首轮迭代过程中,对本次图像特征提取任务中的初始图像进行给定频率的单模态偏微分方程变换,具体可结合快速傅立叶变换、小波变换对首轮迭代所确定的目标图像特征进行提取。
进一步地,本实施例中,步骤e包括:
步骤g,直至检测到当前迭代过程中的目标局部方差不大于预设方差阈值或当前迭代次数达到预设最大迭代次数时,结束当前迭代过程。
在本实施例中,终端实时检测当前图像特征迭代提取过程,在检测到当前轮数迭代过程所计算出的局部变化方差均小于等于预设方差阈值而当前迭代轮数未达到预设最大迭代次数,或是当前迭代轮数已达到预设最大迭代次数而当前轮数迭代过程中所计算出的局部变化方差仍有大于预设方差阈值的部分时,停止当前的特征迭代提取过程,此时的迭代剩余图像即为本次图像特征迭代提取任务所要获取的目标特征提取图像。
本发明提供一种图像特征提取方法。所述图像特征提取方法进一步通过对初始图像继续多轮的特征提取,并满足预设收敛条件时将此时的迭代剩余图像作为最终的目标特征提取图像,使得初始图像中的纠缠纹理特征能够分离完全;通过给定频率的单模态变换实现图像特征分离提取,提高了图像特征提取的效率;通过检测当前迭代过程中的目标局部方差是否大于预设方差阈值或是当前迭代轮数是否达到预设最大迭代次数,使得在保证图像特征分离效果的前提下控制终端运行算法时的资源消耗。
本发明还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有图像特征提取程序,所述图像特征提取程序被处理器执行时实现如上所述的图像特征提取方法的步骤。
其中,所述图像特征提取程序被执行时所实现的方法可参照本发明图像特征提取方法各个实施例,此处不再赘述。
本发明还提供一种图像特征提取装置。
所述图像特征提取装置包括:
局部方差确定模块,用于获取当前确定的初始图像,并基于预设偏微分方程变换算法,自适应计算对所述初始图像进行特征迭代提取过程所需的目标局部方差,其中,所述预设偏微分方程变换算法通过拟合快速傅立叶变换与小波变换确定;
图像特征确定模块,用于基于所述目标局部方差确定迭代过程所要提取的目标图像特征;
特征迭代提取模块,用于基于所述目标图像特征对所述初始图像进行特征迭代提取,获取目标特征提取图像。
本发明还提供一种图像特征提取设备。
所述图像特征提取设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的图像特征提取程序,其中所述图像特征提取程序被所述处理器执行时,实现如上所述的图像特征提取方法的步骤。
其中,所述图像特征提取程序被执行时所实现的方法可参照本发明图像特征提取方法的各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种图像特征提取方法,其特征在于,所述图像特征提取方法包括:
获取当前确定的初始图像,并基于预设偏微分方程变换算法,自适应计算对所述初始图像进行特征迭代提取过程所需的目标局部方差,其中,所述预设偏微分方程变换算法通过拟合快速傅立叶变换与小波变换确定;
基于所述目标局部方差确定迭代过程所要提取的目标图像特征;
基于所述目标图像特征对所述初始图像进行特征迭代提取,获取目标特征提取图像;
其中,所述获取当前确定的初始图像,并基于预设偏微分方程变换算法,自适应计算对所述初始图像进行特征迭代提取过程所需的目标局部方差的步骤包括:
在接收到初始图像输入指令时,获取所述初始图像输入指令中的初始图像的像素矩阵;
基于所述预设偏微分方程变换算法对所述像素矩阵进行希尔伯特黄变换,将所述像素矩阵变换为图像模态函数,并获取所述图像模态函数的瞬时频率;
基于所述瞬时频率生成所述图像模态函数的局部变化方差,并基于预设方差阈值确定所述局部变化方差中的目标局部方差;
所述基于所述目标局部方差确定迭代过程所要提取的目标图像特征的步骤包括:
将超出所述预设方差阈值的局部变化方差所对应的初始图像像素作为所述目标图像特征;
所述基于所述目标图像特征对所述初始图像进行特征迭代提取,获取目标特征提取图像的步骤包括:
确定首轮迭代所需的目标图像特征,并从所述初始图像中分离所述目标图像特征;
将分离后的初始图像作为下一轮迭代所需的目标迭代剩余图像,并基于所述目标迭代剩余图像与自适应更新后的目标局部方差进行下一轮迭代计算;
直至检测到满足预设收敛条件时,结束当前迭代过程,并将当前轮数迭代所对应的目标迭代剩余图像作为所述目标特征提取图像;
所述直至检测到满足预设收敛条件时,结束当前迭代过程的步骤包括:
直至检测到当前迭代过程中的目标局部方差不大于预设方差阈值或当前迭代次数达到预设最大迭代次数时,结束当前迭代过程。
2.如权利要求1所述的图像特征提取方法,其特征在于,所述从所述初始图像中分离所述目标图像特征的步骤包括:
基于所述预设偏微分方程变换算法,对所述初始图像进行给定频率的单模态偏微分方程变换,以从所述初始图像中分离出所述目标图像特征。
3.如权利要求1所述的图像特征提取方法,其特征在于,所述基于所述目标图像特征对所述初始图像进行特征迭代提取,获取目标特征提取图像的步骤之后,还包括:
在所述初始图像为手势动作图像时,基于所述目标特征提取图像进行手势识别。
4.一种图像特征提取装置,其特征在于,所述图像特征提取装置包括:
局部方差确定模块,用于获取当前确定的初始图像,并基于预设偏微分方程变换算法,自适应计算对所述初始图像进行特征迭代提取过程所需的目标局部方差,其中,所述预设偏微分方程变换算法通过拟合快速傅立叶变换与小波变换确定;
图像特征确定模块,用于基于所述目标局部方差确定迭代过程所要提取的目标图像特征;
特征迭代提取模块,用于基于所述目标图像特征对所述初始图像进行特征迭代提取,获取目标特征提取图像;
所述局部方差确定模块,还用于在接收到初始图像输入指令时,获取所述初始图像输入指令中的初始图像的像素矩阵;基于所述预设偏微分方程变换算法对所述像素矩阵进行希尔伯特黄变换,将所述像素矩阵变换为图像模态函数,并获取所述图像模态函数的瞬时频率;基于所述瞬时频率生成所述图像模态函数的局部变化方差,并基于预设方差阈值确定所述局部变化方差中的目标局部方差;
所述图像特征确定模块,还用于将超出所述预设方差阈值的局部变化方差所对应的初始图像像素作为所述目标图像特征;
所述特征迭代提取模块,还用于确定首轮迭代所需的目标图像特征,并从所述初始图像中分离所述目标图像特征;将分离后的初始图像作为下一轮迭代所需的目标迭代剩余图像,并基于所述目标迭代剩余图像与自适应更新后的目标局部方差进行下一轮迭代计算;直至检测到满足预设收敛条件时,结束当前迭代过程,并将当前轮数迭代所对应的目标迭代剩余图像作为所述目标特征提取图像;
所述特征迭代提取模块,还用于直至检测到当前迭代过程中的目标局部方差不大于预设方差阈值或当前迭代次数达到预设最大迭代次数时,结束当前迭代过程。
5.一种图像特征提取设备,其特征在于,所述图像特征提取设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像特征提取程序,所述图像特征提取程序被所述处理器执行时实现如权利要求1至3中任一项所述的图像特征提取方法的步骤。
6.一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特征提取程序,所述图像特征提取程序被处理器执行时实现如权利要求1至3中任一项所述的图像特征提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911403049.0A CN111144427B (zh) | 2019-12-30 | 2019-12-30 | 图像特征提取方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911403049.0A CN111144427B (zh) | 2019-12-30 | 2019-12-30 | 图像特征提取方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111144427A CN111144427A (zh) | 2020-05-12 |
CN111144427B true CN111144427B (zh) | 2023-10-13 |
Family
ID=70522252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911403049.0A Active CN111144427B (zh) | 2019-12-30 | 2019-12-30 | 图像特征提取方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144427B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2955444A1 (en) * | 2014-06-12 | 2015-12-16 | Mitsubishi Hitachi Power Systems, Ltd. | Atomizer, combustion device including atomizer, and gas turbine plant |
CN106023103A (zh) * | 2016-05-16 | 2016-10-12 | 济南大学 | 一种基于精确局部方差先验建模的自适应正交小波图像去噪方法 |
CN109447172A (zh) * | 2018-11-06 | 2019-03-08 | 太原理工大学 | 一种激光芯片缺陷图像的特征提取技术 |
-
2019
- 2019-12-30 CN CN201911403049.0A patent/CN111144427B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2955444A1 (en) * | 2014-06-12 | 2015-12-16 | Mitsubishi Hitachi Power Systems, Ltd. | Atomizer, combustion device including atomizer, and gas turbine plant |
CN106023103A (zh) * | 2016-05-16 | 2016-10-12 | 济南大学 | 一种基于精确局部方差先验建模的自适应正交小波图像去噪方法 |
CN109447172A (zh) * | 2018-11-06 | 2019-03-08 | 太原理工大学 | 一种激光芯片缺陷图像的特征提取技术 |
Also Published As
Publication number | Publication date |
---|---|
CN111144427A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9443155B2 (en) | Systems and methods for real human face recognition | |
CN109145926B (zh) | 相似图片识别方法及计算机设备 | |
CN110706179A (zh) | 一种图像处理方法及电子设备 | |
CN111260665A (zh) | 图像分割模型训练方法和装置 | |
CN109409244B (zh) | 一种物体摆放方案的输出方法和移动终端 | |
CN107766403B (zh) | 一种相册处理方法、移动终端以及计算机可读存储介质 | |
CN108153421B (zh) | 体感交互方法、装置及计算机可读存储介质 | |
CN111209423B (zh) | 一种基于电子相册的图像管理方法、装置以及存储介质 | |
CN108460817B (zh) | 一种拼图方法及移动终端 | |
CN111027403A (zh) | 手势估计方法、装置、设备及计算机可读存储介质 | |
CN114402369A (zh) | 人体姿态的识别方法、装置、存储介质及电子设备 | |
WO2017088434A1 (zh) | 人脸模型矩阵训练方法、装置及存储介质 | |
CN110765924A (zh) | 一种活体检测方法、装置以及计算机可读存储介质 | |
CN113822427A (zh) | 一种模型训练的方法、图像匹配的方法、装置及存储介质 | |
CN111160308B (zh) | 手势动作识别方法、装置、设备及可读存储介质 | |
CN111080747B (zh) | 一种人脸图像处理方法及电子设备 | |
CN111556337B (zh) | 一种媒体内容植入方法、模型训练方法以及相关装置 | |
CN110544287A (zh) | 一种配图处理方法及电子设备 | |
CN111405361B (zh) | 一种视频获取方法、电子设备及计算机可读存储介质 | |
CN110852220B (zh) | 人脸表情的智能识别方法、终端和计算机可读存储介质 | |
CN111144427B (zh) | 图像特征提取方法、装置、设备及可读存储介质 | |
CN108830901B (zh) | 一种图像处理方法和电子设备 | |
CN110942064A (zh) | 图像处理方法、装置和电子设备 | |
CN110674294A (zh) | 一种相似度确定方法及电子设备 | |
CN115423680A (zh) | 人脸妆容迁移方法、设备及计算机可读存储介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211220 Address after: 518000 floor D6, building 5, Shenzhen software industry base, No. 11, 13 and 15, Haitian 1st Road, Binhai community, Yuehai street, Nanshan District, Shenzhen, Guangdong Applicant after: Shenzhen Xinqin Technology Co.,Ltd. Address before: 1302a, satellite building, No.61, South Jiudao, Gaoxin, high tech Zone community, Yuehai street, Nanshan District, Shenzhen, Guangdong 518000 Applicant before: Shenzhen Luoxi Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |