CN111160361A - 一种图像分类方法、装置以及计算机可读介质 - Google Patents
一种图像分类方法、装置以及计算机可读介质 Download PDFInfo
- Publication number
- CN111160361A CN111160361A CN201911129089.0A CN201911129089A CN111160361A CN 111160361 A CN111160361 A CN 111160361A CN 201911129089 A CN201911129089 A CN 201911129089A CN 111160361 A CN111160361 A CN 111160361A
- Authority
- CN
- China
- Prior art keywords
- image
- determining
- straight line
- information
- characteristic information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010422 painting Methods 0.000 description 14
- 230000002996 emotional effect Effects 0.000 description 8
- 230000008451 emotion Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 235000004507 Abies alba Nutrition 0.000 description 1
- 241000191291 Abies alba Species 0.000 description 1
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 235000013162 Cocos nucifera Nutrition 0.000 description 1
- 244000060011 Cocos nucifera Species 0.000 description 1
- 208000020401 Depressive disease Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241000632869 Pachira glabra Species 0.000 description 1
- 244000082204 Phyllostachys viridis Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 241000219000 Populus Species 0.000 description 1
- 241000124033 Salix Species 0.000 description 1
- 241000596603 Virgilia oroboides Species 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000006214 castanha do maranho Nutrition 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
Images
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
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图像分类方法、装置以及计算机可读介质,本申请通过获取绘制图像,提取所述图像中物体的特征,得到特征信息;根据预设的特征信息与类别标签之间的对应关系,查找与所述特征信息对应的类别标签;将所述类别标签确定为所述绘制图像的分类结果方式,代替人为对绘制图像进行主观判断的方式,通过提取出物体的特征信息,结合特征信息与类别标签之间的对应关系,确定绘制图像的分类结果,避免主观对绘制图像进行分类的偏差,能够更加精确的对绘制图像进行分类,进而提升分类结果的准确率。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种图像分类方法、装置以及计算机可读介质。
背景技术
不同于普通动物,人类作为高等生物具备更加丰富的情感,人们表达情感的方式也是丰富多样。
绘画作为一门拥有悠久历史的传统学科,人们以绘画的方式表达情感,以供他人通过绘画作品上的各方面细节,阅读出作者的表达意图,例如:心理咨询师会让测试人员按照要求进行绘画,然后对测试人员的绘画作品进行分析,确定测试人员想要表达的意图。
但是由于从业人员的资历不同,水平参差不齐,所以无法准确的对绘画作品进行分类,进而不能确定绘画作品表达内容。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本申请提供了一种图像分类方法、装置以及计算机可读介质。
第一方面,本申请提供了一种图像分类方法,包括:
获取绘制图像,所述绘制图像中包含:至少一个按照提示信息绘制的物体;
提取所述图像中物体的特征,得到特征信息;
根据预设的特征信息与类别标签之间的对应关系,查找与所述特征信息对应的类别标签;
将所述类别标签确定为所述绘制图像的分类结果。
可选地,提取所述图像中物体的特征,得到特征信息的步骤,包括:
确定所述物体的多个特征点在所述图像上的坐标,得到多个特征点坐标;
计算多个所述特征点坐标的几何中心坐标;
根据所述几何中心坐标和所述图像的中心点的坐标确定所述物体在所述图像中的位置信息;
确定所述位置信息为所述特征信息。
可选地,提取所述图像中物体的特征,得到特征信息的步骤,包括:
确定所述物体的中线;
根据所述物体的中线和图像的中垂线确定所述物体的倾斜角度;
确定所述倾斜角度为所述特征信息。
可选地,利用图像识别算法对所述多个特征点进行分析的步骤,包括:
根据所述多个特征点计算所述图像中物体的面积。
可选地,提取所述图像中物体的特征,得到特征信息的步骤,包括:
计算所述图像的面积;
检测所述图像中物体的轮廓,得到物体轮廓;
根据所述物体轮廓计算所述物体的面积;
计算所述物体的面积和所述图像的面积的比值,得到物体占比;
确定所述物体占比为所述特征信息。
可选地,提取所述图像中物体的特征,得到特征信息的步骤,包括:
检测所述图像中物体的轮廓,得到物体轮廓;
利用PSD对称性检测方法检测所述物体轮廓的对称程度,得到物体对称性信息;
确定所述物体对称性信息为所述特征信息。
可选地,提取所述图像中物体的特征,得到特征信息的步骤,包括:
以所述图像的中心点为原点,建立平面直角坐标系;
利用霍夫变换直线检测算法检测所述图像中是否有直线;
若所述图像中有所述直线,判断所述直线是否与任一坐标轴的夹角小于或等于预设角度值;
若所述直线与横轴的夹角小于或等于预设角度值,则确定所述直线的类型为横向直线,并将所述直线的类型为横向直线确定为所述特征信息;
或者,若所述直线与纵轴的夹角小于或等于预设角度值,则确定所述直线的类型为纵向直线,并将所述直线的类型为纵向直线确定为所述特征信息。
可选地,提取所述图像中物体的特征,得到特征信息的步骤,包括:
将所述图像输入物体种类识别模型对所述物体进行种类识别,得到物体的种类信息;
将所述物体的种类信息确定为所述特征信息。
可选地,提取所述图像中物体的特征,得到特征信息的步骤;包括:
确定所述图像中每个像素点的像素值;
计算像素值大于预设值的所述像素点的个数,得到样本值;
确定所述图像中像素点的总数;
计算所述样本值除以所述总数的商,得到样本占比;
将所述样本占比确定为特征信息。
第二方面,本申请提供了一种图像分类装置,包括:
获取模块,用于获取绘制图像,所述绘制图像中包含:至少一个按照提示信息绘制的物体;
提取模块,用于提取所述图像中物体的特征,得到特征信息;
查找模块,用于根据预设的特征信息与类别标签之间的对应关系,查找与所述特征信息对应的类别标签;
确定模块,用于将所述类别标签确定为所述绘制图像的分类结果。
第三方面,本申请还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行第一方面任一所述方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:本申请获取绘制图像,所述绘制图像中包含:至少一个按照提示信息绘制的物体;提取所述图像中物体的特征,得到特征信息;根据预设的特征信息与类别标签之间的对应关系,查找与所述特征信息对应的类别标签;将所述类别标签确定为所述绘制图像的分类结果方式,代替人为对绘制图像进行主观判断的方式,通过提取出物体的特征信息,结合特征信息与类别标签之间的对应关系,确定绘制图像的分类结果,避免主观对绘制图像进行分类的偏差,能够更加精确的对绘制图像进行分类,进而提升分类结果的准确率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,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地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种图像分类方法流程图;
图2为本申请实施例提供的步骤S102的一种方法流程图;
图3为本申请实施例提供的步骤S102的另一种方法流程图;
图4为本申请实施例提供的步骤S102的另一种方法流程图;
图5为本申请实施例提供的步骤S102的另一种方法流程图;
图6为本申请实施例提供的步骤S102的另一种方法流程图;
图7为本申请实施例提供的步骤S102的另一种方法流程图;
图8为本申请实施例提供的步骤S102的另一种方法流程图;
图9为本申请实施例提供的测试图像;
图10为本申请实施例提供的一种图像分类装置模块示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
绘画作为一门拥有悠久历史的传统学科,人们以绘画的方式表达情感,以供他人通过绘画作品上的各方面细节,阅读出作者的表达意图,确定测试人员想要表达的意图。但是由于从业人员的资历不同,水平参差不齐,所以无法准确的对绘画作品进行分类,进而不能确定绘画作品表达内容,例如:心理咨询师会让测试人员按照要求进行绘画,然后对测试人员的绘画作品进行分析,但是人为主观判断容易出现偏差,具体地,由于咨询师无法精准的确定绘制的物体占图像的比例等等精确数据信息,基于此,本发明实施例提供了一种图像分类方法,如图1所示,包括:
步骤S101,获取绘制图像;
其中,所述绘制图像中包含:至少一个按照提示信息绘制的物体,所述物体可以是有生命的物体,也可以是无生命的物体,具体绘制的物体可以依据提示信息而定,提示信息可以是人为设置的,提示信息中包含绘制图像的要求。
在本发明实施例中,绘制图像是用户根据预设要求绘制的,例如:在房树人心理测试中,会让用户绘制房屋、树和人三种物象,另外还可以附加其他要求,进一步限定物象的绘画位置,本发明实施例中预设要求可以根据实际情况而定,对此不作具体限定。
步骤S102,提取所述图像中物体的特征,得到特征信息;
在本发明实施例中,特征信息包含至少一项物体的特征,例如:在房树人测试中,根据绘制要求,测试人员需要绘制房子、树以及人三种物体,所以特征信息中可以包含若干项图像中房子的特征、若干项图像中树的特征以及若干项图像中人的特征。
在本发明实施例中,可以通过特征提取算法对图像中物体的特征信息进行提取,也可以用过预先训练好的特征信息识别模型对特征信息进行检测,然后提取出图像中物体的特征信息,例如:在房树人心理检测中,需要对用户绘制的房树人作品进行客观的分析,分析房屋、树和人的位置,分析线条是否为直线,分析树的种类等等,通过提取图像中物体的特征信息对用户的绘画作品进行分析,代替传统人为的主观判断,可以更精确的、客观地分析用户的绘画作品,避免主观分析造成的偏差,提升提取绘画作品的特征信息的精准度。
步骤S103,根据预设的特征信息与类别标签之间的对应关系,查找与所述特征信息对应的类别标签;
在本发明实施例中,特征信息与类别标签之间的对应关系是人为预先设置的,每个特征信息都对应一个类别标签,其中,类别标签可以是对应类别图像表达的含义,或者是测试人员的情感状态等等。
步骤S104,将所述类别标签确定为所述绘制图像的分类结果。
在本发明实施例中,分类结果可以是测试人员通过绘制图像表达的情感状态,也可以是通过绘制图像想表达的内容等等。
本发明实施例通过获取绘制图像,所述绘制图像中包含:至少一个按照提示信息绘制的物体;提取所述图像中物体的特征,得到特征信息;根据预设的特征信息与类别标签之间的对应关系,查找与所述特征信息对应的类别标签;将所述类别标签确定为所述绘制图像的分类结果方式,代替人为对绘制图像进行主观判断的方式,通过提取出物体的特征信息,结合特征信息与类别标签之间的对应关系,确定绘制图像的分类结果,避免主观对绘制图像进行分类的偏差,能够更加精确的对绘制图像进行分类,进而提升分类结果的准确率。
在本发明的又一实施例中,步骤S102,提取所述图像中物体的特征,得到特征信息的步骤,如图2所示,所述图像分类方法包括:
步骤S201,确定所述物体的多个特征点在所述图像上的坐标,得到多个特征点坐标;
在本发明实施例中,物体的特征点可以是物体的角点,也可以是物体的边缘包含的点。
在该步骤中,可以以图像中心建立平面直角坐标系,从而计算出多个特征点在图像上的坐标。
步骤S202,计算多个所述特征点坐标的几何中心坐标;
在该步骤中,因为几何中心可以近似看做物体的中心,所以通过计算多个特征点的几何中心坐标,可以确定物体在图像上的位置。
步骤S203,根据所述几何中心坐标和所述图像的中心点的坐标确定所述物体在所述图像中的位置信息;
在本发明实施例中,图像的中心点是指两条对角线的角点,具体地,可以以图像的中心点为原点建立平面直角坐标系,则图像的中心点的坐标为(0,0)。
步骤S204,确定所述位置信息为所述特征信息。
在实际应用中,图像中物体包含多个特征点,通过计算多个特征点的几何中心可以确定物体的几何中心,再通过计算物体的几何中心与图像的中心点的偏差,可以确定物体在图像上位置,更客观的描述物体位置,便于测试人员进行下一步分析,另外还可以通过设置一定的差异范围从而更加精确的分析图像,例如:以图像的中心点圈定范围,则确定物体在图像的中央,代表用户的家庭情况良好,确定物体与图像中心的偏差,代表了成长过程中所受父母的影响,如果物体的几何中心落入图像中心点圈定的范围内,如果物体的几何中心在图像重点圈定范围的左侧:受母亲影响大,缺乏主见,如果物体的几何中心在图像重点圈定范围的右侧:受父亲影响较大,缺乏母爱,如果物体的几何中心在图像重点圈定范围的正上方:过于自信,不踏实,如果物体的几何中心在图像重点圈定范围的正下方:胆小,缺乏安全感,如果物体的几何中心在图像重点圈定范围的左上方:比较理想化,如果物体的几何中心在图像重点圈定范围的右上方:有很大的野心,对未来充满希望,如果物体的几何中心在图像重点圈定范围的左下方:自卑,如果物体的几何中心在图像重点圈定范围的右下方:保守传统,害怕失败,本发明实施例利用物体的特征点确定物体在图像中位置,实现精确提取图像特征的目的,进而结合与特征信息对应类别标签了解作者的情感状态或者表达内容。
在本发明的又一实施例中,步骤S102,提取所述图像中物体的特征,得到特征信息的步骤,如图3所示,所述图像分类方法包括:
步骤S301,确定所述物体的中线;
在本发明实施例中,若物体是规则对称的,中线可以是物体中的对称线,若物体是不规则的三角形,中线可以是三角形的顶点与底边中点的连线,具体情况可以依据实际情况而定。
步骤S302,根据所述物体的中线和图像的中垂线确定所述物体的倾斜角度;
在本发明实施例中,图像的中垂线可以是图像中的任意一条竖线,通过计算物体的中线和图像的中垂的夹角,可以确定物体的倾斜角度。
步骤S303,确定所述倾斜角度为所述特征信息。
在本发明实施例中,预设的参考点根据物体的种类而定,例如:物体是汽车,则在数据库中提取预先存储的汽车图像的参考特征点,通过物体的多个特征点与预设参考特征点对比,确定差异,则可以判断出物体的倾斜度,进一步的,还可以通过特征点与参考特征点的差异,确定物体相对于预设的模板的倾斜角度,从而分析用户的心理特征,例如:用户绘制的物体如偏离中垂线,向左倾斜5°以上,代表防备心理较重,内向,比较压抑,本发明实施例利用物体的特征点与预设的参考特征点确定物体的倾斜程度,其中,预设的参考特征点还可以是通过建模的方式得到,采用大量的根据预设要求绘制好的标准的图像,并标记物体的种类,作为训练样本训练模型至收敛,模型输出的精度达到一定程度时,即可对用户的绘画作品进行特征识别,实现精确提取图像特征的目的,进而结合与特征信息对应类别标签了解作者的情感状态或者表达内容。
在实际应用中,计算物体占图像的比例,通常采用先提取物体轮廓,通常有了物体的轮廓之后,会直接使用opencv提供的ContourArea计算整个或部分轮廓的面积,在计算部分轮廓的情况时,计算由轮廓弧线和连接两端点的弦围成的区域总面积,使得ContourArea的返回值并不是轮廓的真实面积,有的时候甚至会出现负值,基于此,在本发明的又一实施例中,步骤S102,提取所述图像中物体的特征,得到特征信息的步骤,如图4所示,所述图像分类方法包括:
步骤S401,计算所述图像的面积;
在本发明实施例中,图像的面积可以根据图像的物理尺寸计算得到,具体地,计算图像的横向物理尺寸乘以图像的纵向物理尺寸的乘积,得到图像的面积。
步骤S402,检测所述图像中物体的轮廓,得到物体轮廓;
在本发明实施例中,可以利用边缘检测等算法,提取出物体的轮廓,其中物体的轮廓表示物体的边缘。
步骤S403,根据所述物体轮廓计算所述物体的面积;
在本发明实施例中,具体根据物体轮廓计算所述物体的面积的方式可以依据实际情况而定,例如:计算物体轮廓中包含的像素点的个数,再通过图像的物理尺寸和分辨率确定每个像素点的物理面积,计算像素点的物理面积乘以像素点个数的乘积,得到物体的面积。
步骤S404,计算所述物体的面积和所述图像的面积的比值,得到物体占比;
步骤S405,确定所述物体占比为所述特征信息。
在本发明实施例中,可以根据多个特征点计算图像中物体的面积,一般图像中的特征点多为物体的轮廓,即在白纸上用画笔绘制图像,图像的边缘与白纸像素值不同,因此通过阈值分割等算法提取出的特征点即可代表物体的轮廓,通过对物体面积的计算,能够确定物体的面积,对比主观判断更加精准,当物体面积过大:大于整幅图的2/3代表过分自信,以自我为中心;面积过小:小于整幅图的1//9代表内向、自卑;面积适中:自我认知良好,类似地还可以使用Canny算子边缘检测轮廓面积计算,或者其他能够计算出物体面积的算法都可以应用,本发明实施例对此不作具体限定。
在本发明的又一实施例中,步骤S102,提取所述图像中物体的特征,得到特征信息的步骤,如图5所示,所述图像分类方法包括:
步骤S501,检测所述图像中物体的轮廓,得到物体轮廓;
在本发明实施例中,对物体轮廓的检测方式不作具体限定,可以使用预设的神经网络模型提取物体的轮廓,也可以直接采用边缘检测算法对图像中物体的轮廓进行提取。
步骤S502,利用PSD对称性检测方法检测所述物体轮廓的对称程度,得到物体对称性信息;
步骤S503,确定所述物体对称性信息为所述特征信息。
在本发明实施例中,还可以使用PSD对称性检测方法检测图像中物体的对称性,首先根据物体的特征点提取特征点,提取出物体轮廓后,可以检测物体中直线的对称以及曲线的对称,再通过对称性,获取与该对称性对应的分类标签,其中,分类标签可以是具备强迫倾向,或者,不具有强迫倾向等。本发明实施例利用物体的特征点检测物体的对称性,实现精确提取图像特征的目的,进而结合与特征信息对应类别标签了解作者的情感状态或者表达内容。
在本发明的又一实施例中,步骤S102,提取所述图像中物体的特征,得到特征信息的步骤,如图6所示,所述图像分类方法包括:
步骤S601,以所述图像的中心点为原点,建立平面直角坐标系;
在本发明实施例中,图像的中心点可以是两条对角线的交点。
步骤S602,利用霍夫变换直线检测算法检测所述图像中是否有直线;
在本发明实施例,利用霍夫变换直线检测算法检测出图像中的直线,本领域技术人员应当了解到其算法的具体应用过程,此处便不再赘述。
步骤S603,若所述图像中有所述直线,判断所述直线是否与任一坐标轴的夹角小于或等于预设角度值;
在本发明实施例中,通过预先以图像的中心点建立的平面直角坐标系,可以计算直线与坐标轴之间的夹角,从而确定出直线的大致方向是横向还是纵向,进而获取与该分类结果对应的分类标签,精确地分析出作者的情感状态或者表达内容。
步骤S604,若所述直线与横轴的夹角小于或等于预设角度值,则确定所述直线的类型为横向直线,并将所述直线的类型为横向直线确定为所述特征信息;
在本发明实施例中,预设角度值可以根据实际情况而定,例如设置预设角度值为10°,仅有当直线与横轴之间的夹角小于或者等于10°时,判断该直线为横向直线。
或者,步骤S605,若所述直线与纵轴的夹角小于或等于预设角度值,则确定所述直线的类型为纵向直线,并将所述直线的类型为纵向直线确定为所述特征信息。
在本发明实施例中,预设角度值也可以根据实际情况而定,例如设置预设角度值为10°,仅有当直线与纵轴之间的夹角小于或者等于10°时,判断该直线为纵向直线。
在实际应用中,使用霍夫变换的直线检测算法检测所述图像中的直线,进一步地,判断直线的走向,包括:横向直线,竖向直线等等,提升对于用户绘画作品判断的精确度,进而可以结合心理学知识诊断用户的问题,例如:在图像中直线代表自信,目标坚定,对挫折具有忍耐性,横向的直线代表无力、害怕、自我保护,竖向的直线代表自信、果断。
在本发明的又一实施例中,步骤S102,提取所述图像中物体的特征,得到特征信息的步骤,如图7所示,所述图像分类方法包括:
步骤S701,将所述图像输入物体种类识别模型对所述物体进行种类识别,得到物体的种类信息;
步骤S702,将所述物体的种类信息确定为所述特征信息。
在本发明实施例中,建立模型的过程包括,采用大量的根据预设要求绘制好的标准的图像,并标记物体的种类,使用标记好的图像作为训练样本训练模型,当模型输出的精度达到一定程度时,模型至收敛,即可对用户的绘画作品中的物体种类进行识别,通过更加精确的客观分析,能够减少心理测试人员主观判断的偏差,导致的的判断结果出错,通过判断物体种类结合心理学知识,对用户进行更加精确的诊断,例如:根据用户绘制的物种不同,侧面反映用户的心理,椰子树:比较感性,敏感,喜欢冒险;松树:目标感强,坚韧,有一点攻击性、柳树:抑郁倾向,缺乏安全感、白杨树:积极乐观、梅花树:刚强,坚韧,有抑郁情节、圣诞树:对现实不满、摇钱树:对金钱物质的追求、竹子:比较注重品格等,通过一系列的图像检测算法代替传统心理咨询师用肉眼进行主观判断,利用图像分析方法对绘制图像进行分类,实现精确提取图像特征的目的,进而结合与特征信息对应类别标签了解作者的情感状态或者表达内容。
在本发明的又一实施例中,步骤S102,提取所述图像中物体的特征,得到特征信息的步骤,如图8所示,所述图像分类方法包括:
步骤S801,确定所述图像中每个像素点的像素值;
在本发明实施例中,像素值是原稿图像被数字化时由计算机赋予的值,它代表了原稿某一小方块的平均亮度信息,也可以说代表了某一小方块的颜色。
步骤S802,计算像素值大于预设值的所述像素点的个数,得到样本值;
在本发明实施例中,预设值可以使人为预先设置的,通过筛选像素值大于预设值的像素点,可以只获取需要提取的特征像素点,通过像素点个数得到样本值。
步骤S803,确定所述图像中像素点的总数;
步骤S804,计算所述样本值除以所述总数的商,得到样本占比;
步骤S805,将所述样本占比确定为特征信息。
在本发明实施例中,通过计算像素值大于预设值的像素点个数,得到所需关注的像素点的个数,得到样本值,再计算样本值除以像素点总数的商,得到样本占比,实现精确提取图像特征的目的,进而结合与特征信息对应类别标签了解作者的情感状态或者表达内容。
在该步骤中,本发明实施例可以通过筛选像素值大于预设值的像素点,达到计算图像中黑色像素的个数的目的,进一步的计算出图像中黑色区域的大小,例如:黑色区域占整个物体面积的1/3以上,代表有些焦虑的情绪,有攻击性。
在实际应用中,如图9所示,图像中涂黑部分占图像比例大,所以可以通过计算图像中黑色像素的个数,并计算黑色像素除以图像像素点的总数的商,进而进一步确定黑色像素在图像上的占比,进而实现精确分析图像的目的,例如计算得到黑色像素值在图像上占比为1/3,也就是说,特征信息为黑色像素值占图像的1/3,则在特征解释库中,获取与该特征信息匹配的样本特征,具体匹配度的阈值设置可以依据实际情况而定,本发明实施例对此不作具体限定,最后从特征解释库中获取与样本特征对应绘画意图表达,例如与黑色像素值占图像的1/3的样本特征对应的绘画意图表达解释解释为焦虑不安,进而可以确定作者通过绘画传达的含义或者是情绪等等信息的意图。
在本发明的又一实施例中还提供了一种图像分类装置,如图10所示,包括:
获取模块01,用于获取绘制图像,所述绘制图像中包含:至少一个按照提示信息绘制的物体;
提取模块02,用于提取所述图像中物体的特征,得到特征信息;
查找模块03,用于根据预设的特征信息与类别标签之间的对应关系,查找与所述特征信息对应的类别标签;
确定模块04,用于将所述类别标签确定为所述绘制图像的分类结果。
一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行上述实施例中任一所述方法。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种图像分类方法,其特征在于,包括:
获取绘制图像,所述绘制图像中包含:至少一个按照提示信息绘制的物体;
提取所述图像中物体的特征,得到特征信息;
根据预设的特征信息与类别标签之间的对应关系,查找与所述特征信息对应的类别标签;
将所述类别标签确定为所述绘制图像的分类结果。
2.根据权利要求1所述的图像分类方法,其特征在于,提取所述图像中物体的特征,得到特征信息的步骤,包括:
确定所述物体的多个特征点在所述图像上的坐标,得到多个特征点坐标;
计算多个所述特征点坐标的几何中心坐标;
根据所述几何中心坐标和所述图像的中心点的坐标确定所述物体在所述图像中的位置信息;
确定所述位置信息为所述特征信息。
3.根据权利要求1所述的图像分类方法,其特征在于,提取所述图像中物体的特征,得到特征信息的步骤,包括:
确定所述物体的中线;
根据所述物体的中线和图像的中垂线确定所述物体的倾斜角度;
确定所述倾斜角度为所述特征信息。
4.根据权利要求1所述的图像分类方法,其特征在于,提取所述图像中物体的特征,得到特征信息的步骤,包括:
计算所述图像的面积;
检测所述图像中物体的轮廓,得到物体轮廓;
根据所述物体轮廓计算所述物体的面积;
计算所述物体的面积和所述图像的面积的比值,得到物体占比;
确定所述物体占比为所述特征信息。
5.根据权利要求1所述的图像分类方法,其特征在于,提取所述图像中物体的特征,得到特征信息的步骤,包括:
检测所述图像中物体的轮廓,得到物体轮廓;
利用PSD对称性检测方法检测所述物体轮廓的对称程度,得到物体对称性信息;
确定所述物体对称性信息为所述特征信息。
6.根据权利要求1所述的图像分类方法,其特征在于,提取所述图像中物体的特征,得到特征信息的步骤,包括:
以所述图像的中心点为原点,建立平面直角坐标系;
利用霍夫变换直线检测算法检测所述图像中是否有直线;
若所述图像中有所述直线,判断所述直线是否与任一坐标轴的夹角小于或等于预设角度值;
若所述直线与横轴的夹角小于或等于预设角度值,则确定所述直线的类型为横向直线,并将所述直线的类型为横向直线确定为所述特征信息;
或者,若所述直线与纵轴的夹角小于或等于预设角度值,则确定所述直线的类型为纵向直线,并将所述直线的类型为纵向直线确定为所述特征信息。
7.根据权利要求1所述的图像分类方法,其特征在于,提取所述图像中物体的特征,得到特征信息的步骤,包括:
将所述图像输入物体种类识别模型对所述物体进行种类识别,得到物体的种类信息;
将所述物体的种类信息确定为所述特征信息。
8.根据权利要求1所述的图像分类方法,其特征在于,提取所述图像中物体的特征,得到特征信息的步骤;包括:
确定所述图像中每个像素点的像素值;
计算像素值大于预设值的所述像素点的个数,得到样本值;
确定所述图像中像素点的总数;
计算所述样本值除以所述总数的商,得到样本占比;
将所述样本占比确定为特征信息。
9.一种图像分类装置,其特征在于,包括:
获取模块,用于获取绘制图像,所述绘制图像中包含:至少一个按照提示信息绘制的物体;
提取模块,用于提取所述图像中物体的特征,得到特征信息;
查找模块,用于根据预设的特征信息与类别标签之间的对应关系,查找与所述特征信息对应的类别标签;
确定模块,用于将所述类别标签确定为所述绘制图像的分类结果。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1至8任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911129089.0A CN111160361A (zh) | 2019-11-18 | 2019-11-18 | 一种图像分类方法、装置以及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911129089.0A CN111160361A (zh) | 2019-11-18 | 2019-11-18 | 一种图像分类方法、装置以及计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111160361A true CN111160361A (zh) | 2020-05-15 |
Family
ID=70555932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911129089.0A Pending CN111160361A (zh) | 2019-11-18 | 2019-11-18 | 一种图像分类方法、装置以及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160361A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833327A (zh) * | 2020-07-14 | 2020-10-27 | 中国建筑第二工程局有限公司 | 一种基于图像识别的砂石检测方法 |
CN112926729A (zh) * | 2021-05-06 | 2021-06-08 | 中国科学院自动化研究所 | 人机对抗智能体策略制定方法 |
CN115309988A (zh) * | 2022-08-10 | 2022-11-08 | 武汉圣男品牌管理有限公司 | 一种网页搜索内容匹配方法、系统及存储介质 |
CN115721296A (zh) * | 2022-11-25 | 2023-03-03 | 中科北纬(北京)科技有限公司 | 一种基于PaddleDetection的野生动物识别系统 |
CN117372786A (zh) * | 2023-12-04 | 2024-01-09 | 武汉大学 | 基于房树人草图的心理状态预测方法、系统及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2553182C1 (ru) * | 2014-04-03 | 2015-06-10 | Федеральное Государственное Образовательное Учреждение Высшего Профессионального Образования "Новосибирский Государственный Педагогический Университет" | Способ оценки психологического профиля личности |
CN106372729A (zh) * | 2016-08-31 | 2017-02-01 | 广州瑞基信息科技有限公司 | 用于心理分析的深度学习方法及装置 |
-
2019
- 2019-11-18 CN CN201911129089.0A patent/CN111160361A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2553182C1 (ru) * | 2014-04-03 | 2015-06-10 | Федеральное Государственное Образовательное Учреждение Высшего Профессионального Образования "Новосибирский Государственный Педагогический Университет" | Способ оценки психологического профиля личности |
CN106372729A (zh) * | 2016-08-31 | 2017-02-01 | 广州瑞基信息科技有限公司 | 用于心理分析的深度学习方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833327A (zh) * | 2020-07-14 | 2020-10-27 | 中国建筑第二工程局有限公司 | 一种基于图像识别的砂石检测方法 |
CN112926729A (zh) * | 2021-05-06 | 2021-06-08 | 中国科学院自动化研究所 | 人机对抗智能体策略制定方法 |
CN115309988A (zh) * | 2022-08-10 | 2022-11-08 | 武汉圣男品牌管理有限公司 | 一种网页搜索内容匹配方法、系统及存储介质 |
CN115721296A (zh) * | 2022-11-25 | 2023-03-03 | 中科北纬(北京)科技有限公司 | 一种基于PaddleDetection的野生动物识别系统 |
CN117372786A (zh) * | 2023-12-04 | 2024-01-09 | 武汉大学 | 基于房树人草图的心理状态预测方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160361A (zh) | 一种图像分类方法、装置以及计算机可读介质 | |
CN110826416B (zh) | 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置 | |
CN109816644B (zh) | 一种基于多角度光源影像的轴承缺陷自动检测系统 | |
Libungan et al. | ShapeR: an R package to study otolith shape variation among fish populations | |
CN105913093B (zh) | 一种用于文字识别处理的模板匹配方法 | |
Sampat et al. | Complex wavelet structural similarity: A new image similarity index | |
Manmatha et al. | A scale space approach for automatically segmenting words from historical handwritten documents | |
US20160196350A1 (en) | Image searching method and apparatus | |
Liu et al. | Design of a tomato classifier based on machine vision | |
CN101073090A (zh) | 用于虹膜识别的多级可变域分解方法和系统 | |
CN114549993A (zh) | 实验中线段图像的评分方法、系统、设备及可读存储介质 | |
CN109472257B (zh) | 一种字符版面确定方法及装置 | |
CN111144270B (zh) | 基于神经网络的手写文本工整度的评测方法与评测装置 | |
Yingthawornsuk et al. | Automatic Thai Coin Calculation System by Using SIFT | |
Hadiwidjaja et al. | Developing wood identification system by local binary pattern and hough transform method | |
US20220319177A1 (en) | Apparatus and method of image processing to detect a substance spill on a solid surface | |
KR20180013777A (ko) | 비정형데이터 분석기술 장치 및 방법, 이를 구현하기 위한 애플리케이션/프로그램이 기록된 기록매체 | |
Chiryshev et al. | Automatic detection of round timber in digital images using random decision forests algorithm | |
CN113807364A (zh) | 一种基于三光融合成像的电力设备缺陷检测方法及系统 | |
CN116012860B (zh) | 一种基于图像识别的教师板书设计水平诊断方法及装置 | |
Shaheen et al. | Sar: Stroke authorship recognition | |
Lee et al. | Combining macro and micro features for writer identification | |
CN113657146B (zh) | 一种基于单幅图像的学生非专注学习低耗识别方法及装置 | |
Zuraiyah et al. | Tajweed Segmentation Using Pattern Recognition, Extraction and SURF descriptor Algorithms | |
Idrees et al. | Research Article Online Price Recommendation System for Shopping Used Cell Phones |
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: 20200515 |