CN111625672B - 图像处理方法、装置、计算机设备及存储介质 - Google Patents

图像处理方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111625672B
CN111625672B CN202010747849.0A CN202010747849A CN111625672B CN 111625672 B CN111625672 B CN 111625672B CN 202010747849 A CN202010747849 A CN 202010747849A CN 111625672 B CN111625672 B CN 111625672B
Authority
CN
China
Prior art keywords
image
processed
feature vector
sample
subset
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
CN202010747849.0A
Other languages
English (en)
Other versions
CN111625672A (zh
Inventor
王昌安
罗泽坤
彭瑾龙
李剑
王亚彪
汪铖杰
李季檩
黄飞跃
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202010747849.0A priority Critical patent/CN111625672B/zh
Publication of CN111625672A publication Critical patent/CN111625672A/zh
Application granted granted Critical
Publication of CN111625672B publication Critical patent/CN111625672B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Library & Information Science (AREA)
  • Mathematical Physics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例公开了一种图像处理方法、装置、计算机设备及存储介质，其中方法包括：获取待处理图像，并构建所述待处理图像中每个对象的特征向量组；分别对所述每个对象的特征向量组中的特征向量进行分类，得到每个对象的分类结果；根据所述每个对象的分类结果，确定所述每个对象的对象分布信息，所述对象分布信息用于指示任一对象的相邻对象相对于所述任一对象的分布情况，所述任一对象与所述任一对象的相邻对象为相同类型的对象；根据所述待处理图像中每个对象的对象分布信息，确定所述待处理图像的图像类型，可提升对图像类型进行划分时的准确度。

Description

图像处理方法、装置、计算机设备及存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种图像处理方法、装置、计算机设备及存储介质。
背景技术
随着计算机技术的不断深入发展，基于对图像的分析处理，可确定出图像的多种不同的图像特性，如可基于对图像的分析处理，确定出图像中对象的数量，或者基于对图像的分析处理，确定出图像中对象的类型等信息。当前，为了实现对图像类型的划分，常采用的是通过对图像分析处理，并以确定出的图像中包括的对象的数量为依据进行划分，通常地，将对象数量多于预设阈值的图像划分为一个类型，将对象数量少于预设阈值的图像划分为另一个类型，而仅参照图像中对象的数量对图像进行类型的划分是较为片面的，由此可见，如何提升对图像类型进行划分的准确度，成为了当前的研究热点。
发明内容
本发明实施例提供了一种图像处理方法、装置、计算机设备及存储介质，可提升对图像类型进行划分时的准确度。
一方面，本发明实施例提供了一种图像处理方法，包括：
获取待处理图像，并构建所述待处理图像中每个对象的特征向量组；
分别对所述每个对象的特征向量组中的特征向量进行分类，得到每个对象的分类结果；
根据所述每个对象的分类结果，确定所述每个对象的对象分布信息，所述对象分布信息用于指示任一对象的相邻对象相对于所述任一对象的分布情况，所述任一对象与所述任一对象的相邻对象为相同类型的对象；
根据所述待处理图像中每个对象的对象分布信息，确定所述待处理图像的图像类型。
再一方面，本发明实施例提供了一种图像处理装置，包括：
获取单元，用于获取待处理图像；
构建单元，用于构建所述待处理图像中每个对象的特征向量组；
分类单元，用于分别对所述每个对象的特征向量组中的特征向量进行分类，得到每个对象的分类结果；
确定单元，用于根据所述每个对象的分类结果，确定所述每个对象的对象分布信息，所述对象分布信息用于指示任一对象的相邻对象相对于所述任一对象的分布情况，所述任一对象与所述任一对象的相邻对象为相同类型的对象；
所述确定单元，还用于根据所述待处理图像中每个对象的对象分布信息，确定所述待处理图像的图像类型。
再一方面，本发明实施例提供了一种智能终端，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储支持终端执行上述方法的计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如下步骤：
获取待处理图像，并构建所述待处理图像中每个对象的特征向量组；
分别对所述每个对象的特征向量组中的特征向量进行分类，得到每个对象的分类结果；
根据所述每个对象的分类结果，确定所述每个对象的对象分布信息，所述对象分布信息用于指示任一对象的相邻对象相对于所述任一对象的分布情况，所述任一对象与所述任一对象的相邻对象为相同类型的对象；
根据所述待处理图像中每个对象的对象分布信息，确定所述待处理图像的图像类型。
再一方面，本发明实施例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中存储有程序指令，所述程序指令被处理器执行时，用于执行如第一方面所述的图像处理方法。
在本发明实施例中，计算机设备在获取到待处理图像后，可构建该待处理图像中每个对象的特征向量组，从而可分别对该每个对象的特征向量组中的特征向量进行分类，得到该每个对象的分类结果，计算机设备基于对待处理图像中每个对象的特征向量组的分类，可进一步地根据该每个对象的分类结果，确定出该每个对象的对象分布信息，计算机设备基于该待处理图像中每个对象的对象分布信息，则可确定出可用于表征该待处理图像中对象密度的图像类型，使得计算机设备了基于该待处理图像中每个对象的相邻对象相对于该每个对象的分布情况，确定出待处理图像的类型，由于确定出的图像类型可用于表征待处理图像中对象的密度，可提升计算机设备在进行图像密度和类型的确认时的精度。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图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1a是本发明实施例提供的一种构建特征向量的示意图；
图1b是本发明实施例提供的一种视觉词袋模型的示意图；
图2是本发明实施例提供的一种图像处理方法的示意流程图；
图3是本发明实施例提供的一种对象密度热力分布图的示意图；
图4是本发明实施例提供的一种图像处理方法的示意流程图；
图5是本发明实施例提供的一种图像处理装置的示意性框图；
图6是本发明实施例提供的一种计算机设备的示意性框图。
具体实施方式
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。本发明实施例提供的方案涉及人工智能的图像处理技术，使得计算机设备可基于待处理图像中每个对象对应的对象分布信息，确定出待处理图像的图像类型，可提升计算机设备识别待处理图像的图像类型的准确度。在一个实施例中，该待处理图像可以是用于对进行对象识别的初始模型进行模型训练的样本图像集中的任一样本图像，该计算机设备则可通过对样本图像集的划分，确定出该待处理图像的图像类型，其中，计算机设备可根据图像密度将样本图像集中的图像划分为多个不同的图像子集，以将该样本图像集中同一类型的图像划分到相同的子集中，使得计算机设备实现了基于类型对样本图像集中图像的划分，进一步地，计算机设备后续可采用划分得到的不同图像子集，分别对初始模型进行模型训练，从而得到用于对不同类型的图像进行识别的目标模型，由于计算机设备在进行模型训练时，用于对该初始模型进行训练的样本图像的图像类型相同，那么也就可以提升计算机设备在对初始模型进行模型训练时的专一性。可以理解的是，采用相同类型的样本图像对初始模型进行训练得到的目标模型的对象识别能力较强，从而也就提高了计算机设备调用目标模型在对待识别的图像进行对象识别时的准确性，在一个实施例中，该计算机设备可以是服务器，或者，该计算机设备也可以是终端设备，本发明实施例中，对计算机设备不做限定。
在一个实施例中，计算机设备在确定待处理图像的图像类型时，可先构建该待处理图像中每个对象的特征向量组，其中，特征向量组中的特征向量用于指示与该特征向量组对应的对象与相邻对象之间的距离，具体地，特征向量组中特征向量的取值大小用于指示对应对象与相邻对象之间的距离，可以理解的是，特征向量的取值越大，则该对应对象与相邻对象之间的距离越远，而如果特征向量的取值越小，则该对应对象与相邻对象之间的距离则越近，基于图像中的对象分布在空间上的变化的连续性，计算机设备可通过统计待处理图像中对应对象的相邻对象与该对应对象之间距离的远近程度，来描述该对应对象对应于待处理图像中的图像区域的对象密集程度。其中，该待处理图像中的图像区域的对象密集程度用于表征该待处理图像的图像类型，相同类型的图像中各图像区域的对象密集程度相同，在一个实施例中，基于该特征向量组中特征向量的分布情况即可确定出该对应对象的相邻对象在该对应对象周围的分布情况，如该特征向量组中特征向量的分布情况为：取值较大的特征向量多于取值较小的特征向量，则可以确定该对应对象的相邻对象较为稀疏地分布在该对应对象的周围，而如果该特征向量组中特征向量的分布情况为：取值较小的特征向量多于取值较大的特征向量，则确定对应对象的相邻对象较为密集地分布在该对应对象的周围，其中，该相邻包括直接相邻或者间接相邻。
在一个实施例中，该特征向量组中的特征向量例如可以是N近邻距离向量，其中，每个N近邻距离向量的取值用于计算对应对象与相邻的N个对象中的任一对象之间的像素距离，N为大于等于1的正整数，在一个实施例中，计算机设备可从待处理图像中任意选取N个与对应对象相邻的对象，从而可基于该对应对象和选取的N个对象在待处理图像中的位置，构建该对应对象的N近邻距离向量，或者，计算机设备还可从待处理图像中选取与该对应对象相距最近的N个对象，并基于该对应对象和选取的N个对象在图像中的位置，构建该对应对象的N近邻距离向量，或者，计算机设备还可将待处理图像中除该对应对象之外的其余所有对象作为选取出的N个对象，并构建该对应对象的N近距离向量。在一个实施例中，该对应对象的相邻对象为与该对应对象为相同类型的对象，如在该对应对象为用户对象时，与该用户对象相邻的对象也为用户对象，在该对应对象为动物图像或者植物图像时，则与动物图像相邻的对象也为动物图像，与植物图像相邻的对象也为植物图像。其中，计算机设备在确定该对应对象与相邻对象之间的特征向量时，可从该对应对象的任意对象特征出发，并将指向该相邻对象的对应对象特征的向量作为该对应对象的特征向量，该对象特征例如可以是人头，胳膊或者树根等。其中，若该待处理图像如图1a所示，该对应对象为用户对象，则该用户对象例如可以是如图1a中由10标记的用户对象，那么计算机设备构建的该用户对象10的特征向量组中的特征向量（N近邻距离向量）则例如可以是如图1a所示的向量。
在计算机设备确定出待处理图像中每个对象的特征向量组后，可分别对该每个对象的特征向量组中的特征向量进行分类，从而可得到每个对象的分类结果，进一步地，计算机设备可基于对每个对象的分类结果，确定该每个对象的对象分布信息，在一个实施例中，计算机设备在对特征向量组中的特征向量进行分类时，需要先确定出用于对特征向量进行分类的类别指示信息，具体地，计算机设备可在确定出该待处理图像所属的样本图像集后，确定该样本图像集中的每个对象的特征向量组，从而可根据该每个对象的特征向量组确定出该样本图像集对应的特征向量集，计算机设备在确定出样本图像集对应的特征向量集后，可基于视觉词袋（Bag of Visual Word，Bovw）模型中提出的提取图像关键特征的方法，对该特征向量集进行聚类运算处理，从而确定出多个聚类中心，从而可将确定出的聚类中心作为该类别指示信息。在一个实施例中，计算机设备在确定出类别指示信息后，在对特征向量组中的特征向量进行分类时，可将该特征向量组中特征向量的取值和类别指示信息指示的特征向量的取值变化范围进行对比，从而可根据对比结果对该特征向量组中的特征向量进行分类，其中，该聚类运算例如可以是K均值（K-Means）聚类算法，或者一种基于滑窗的算法，如均值漂移（Mean-shift）聚类算法等。
在一个实施例中，该视觉词袋模型是词袋（Bag of Word，BOW）模型从自然语言处理与分析领域向图像处理与分析领域的一次自然推广，可实现对图像的表达方式的转换，在采用视觉词袋模型对图像进行处理后，可得到用于描述该图像中对象分布的分布信息，该分布信息例如可以是直方图，在具体实现中，针对任意图像，计算机设备可调用Bovw模型从该任意图像中提取出基本特征元素，从而可通过统计图像中该基本特征元素出现的频率，进一步地，计算机设备可基于该提取出的基本特征元素和每个基本特征元素出现的频率，构建图像对应的直方图，该直方图的横坐标为提取出的基本特征元素，纵坐标为每个基本特征元素对应的出现频率，基于视觉词袋模型可实现将图像转换为直方图的表达方式。在一个实施例中，如图1b所示，计算机设备可从如图1b中由11标记的图像中提取基本特征元素，提取得到的基本特征元素包括如图1b中由12标记的特征元素所示，计算机设备在从图像中提取基本特征元素时，可从图像中提取尺度不变特征变换（Scale InvariantFeature Transform，SIFT）特征，或者加速稳健特征（Speeded Up Robust Features，SURF）特征，又或者方向梯度直方图（Histogram of Oriented Gradient，HOG）特征，计算机设备在从图像中提取出基本特征元素后，可基于提取出的基本特征元素，确定每个基本特征元素对应的出现频率，从而构建该图像对应的直方图，其中，该直方图如图1b中如13标记的直方图所示，该直方图的横坐标为基本特征向量，纵坐标为对应的出现频率，可以理解的是，纵坐标对应数值越大，则说明对应基本特征元素的出现频率也就越多。在一个实施例中，计算机设备在对该特征向量组中的特征向量进行分类处理，并确定出每个对象的对象分布信息后，则可基于该待处理图像中每个对象的对象分布信息，确定该待处理图像的图像类型，其中，该图像类型用于指示该待处理图像中的对象密度，可以理解的是，相同图像类型的图像中的对象密度是相同的，或者，相同图像类型的图像中的对象密度是处于同一密度范围内的。
请参见图2，是本发明实施例提出的一种图像处理方法的示意流程图，如图2所示，该方法可包括：
S201，获取待处理图像，并构建所述待处理图像中每个对象的特征向量组。
在一个实施例中，计算机设备在确定出待处理图像后，可从该待处理图像中选取任一对象，并确定该待处理图像中任一对象的相邻对象，其中，该任一对象的相邻对象是指在该待处理图像中与该任一对象之间的图像距离小于或等于预设距离阈值的对象，如图1a所示，若该任一对象为图1a中由10标记的对象，则该任一对象10的相邻对象例如可以包括在如图1a所示的待处理图像中与任一对象10之间的图像距离小于或等于预设距离阈值的对象。或者，计算机设备还可将待处理图像，除确定出的任一图像之外的其余所有图像均作为该任一对象的相邻对象。计算机设备在从待处理图像中确定出任一对象后，在构建该任一对象的特征向量组时，可先从该任一对象中确定出目标对象特征，从而可从该目标对象特征出发，并指向该任一对象的相邻对象的目标对象特征的向量作为特征向量组中的特征向量，该目标对象特征是和待处理图像中选取的任一对象关联的对象特征，从该待处理图像中选取的任一对象为用户对象时，对应的对象特征例如可以是人头，胳膊，或者手臂等，而如果从待处理图像中选取的任一对象为植物时，对应的对象特征例如可以是植物的根部或者顶部等。
按照上述的构建待处理图像中任一对象的特征向量组的方法，计算机设备可实现对待处理图像中每个对象的特征向量组的构建，从而可基于对待处理图像中每个对象的特征向量组的构建，对该特征向量组中的特征向量进行分类，即转而执行步骤S202。在一个实施例中，该特征向量组中的特征向量用于指示对应对象和该对应对象的相邻对象之间的图像距离，具体地，该特征向量的取值可指示对应对象和该对应对象的相邻对象之间的图像距离。在一个实施例中，计算机设备还可通过对每个对象的特征向量组中特征向量的取值的分布情况，确定每个对象周围的相邻对象相对于该每个对象的分布情况，在一个实施例中，针对任一特征向量组，计算机设备若确定该任一特征向量组中特征向量的取值后，判断较大取值的特征向量多于较小取值的特征向量，那么说明该任一特征向量组对应对象的向量对象是稀疏地分布在该对应对象周围的，或者，如果计算机设备确定较大取值的特征向量少于较小取值的特征向量，那么则说明该任一特征向量组对应对象的向量对象是密集地分布在该对应对象周围的。
在一个实施例中，较大取值可以是指大于等于第一阈值的取值，该第一阈值例如可以是5，或者8等，较小取值则可以是小于该第一阈值的取值，或者该较小取值也可以是小于等于第二阈值的取值，举例来说，若该第一阈值为5，第二预设长度阈值为2，则该较大取值是指大于等于5的取值，较小取值是指小于5的取值；或者，该较大取值是指大于等于5的取值，而该较小取值是指小于等于2的取值。
S202，分别对所述每个对象的特征向量组中的特征向量进行分类，得到每个对象的分类结果。
S203，根据所述每个对象的分类结果，确定所述每个对象的对象分布信息，所述对象分布信息用于指示任一对象的相邻对象相对于所述任一对象的分布情况，所述任一对象与所述任一对象的相邻对象为相同类型的对象。
在步骤S202和步骤S203中，计算机设备在完成对待处理图像中每个对象的特征向量组的构建后，可分别对该每个特征向量组中的特征向量进行分类，针对任一特征对象的特征向量组，计算机设备可先确定出用于对特征向量组中的特征向量进行分类的类别指示信息，从而可基于该类别指示信息，对特征向量组进行分类，以将该特征向量组中的特征向量分别划分到不同类别指示信息所指示的类别中。在一个实施例中，类别指示信息所指示的类别是基于特征向量的取值的变化范围不同而确定的，那么，计算机设备可先确定类别指示信息，以指示一个变化范围的取值，该类别指示信息例如可以是对应指示的变化范围中最小的取值，或者，该类别指示信息也可以是对应指示的变化范围中最大的取值，或者，也可以是对应指示的变化范围中的均值等，或者，计算机设备还可直接用该变化范围作为该类别指示信息，本发明实施例中，对类别指示信息的确定方式不做限定。可以理解的是，计算机设备基于类别指示信息对特征向量组中特征向量的划分，即是将特征向量组中的特征向量按照向量的取值的变化范围进行划分的，例如类别指示信息所指示的特征向量的取值的变化范围可分别为0~1，3~5，大于15时，那么计算机设备在对特征向量组中的特征向量进行划分时，即是基于该变化范围将特征向量组中的特征向量划分到三个子组中的。
在一个实施例中，计算机设备在对每个对象的特征向量组进行分类得到分类结果后，可进一步地根据该梅特对象的特征向量组的分类结果，确定该每个对象对应的对象分布信息，可以理解的是，基于计算机设备对每个特征向量组中特征向量的分类，可实现将取值处于相同变化范围的划分到同一个类别中，也就是说，被划分到同一个类别中的特征向量的取值是处于相同的变化范围的，那么基于对特征向量组的分类，计算机设备可进一步确定出该每个对象的分布信息，该对象分布信息包括：用于对该特征向量组中的特征向量进行分类的类别指示信息，以及该特征向量组中被划分到每个类别指示信息对应类别的特征向量的数量。基于该分布信息指示的每个类别下特征向量的数量，计算机设备可确定出该每个对象的相邻对象相对于每个对象的分布情况。在一个实施例中，计算机设备在确定出每个对象的对象分布信息后，若类别指示信息指示的向量的取值的变化范围分别0~1，3~5，大于15，而针对任一对象的特征向量组中被划分到每个变化范围对应类别下的特性向量的数量对应为70，5，8，那么由于0~1变化范围对应类别下的特征向量的数量最多，则计算机设备可确定该任一对象周围的相邻对象是紧密地分布在该任一对象周围的。
在一个实施例中，该对象分布信息可以是直方图或折线图，计算机设备在对待处理图像中每个对象的特征向量组进行分类后，则可基于每个对象的分类结果，构建每个对象的直方图或折线图，以直观地显示该每个对象周围的相邻对象相对于该每个对象的分别情况，其中，该直方图或折线图的横坐标为用于对所述特征向量组中的特征向量进行分类的类别指示信息，纵坐标则为所述特征向量组中被划分到每个类别指示信息对应类别的特征向量的数量。计算机设备在确定出待处理图像中每个对象的对象分布信息后，则可基于该每个对象的对象分布信息，确定出该待处理图像的图像类型，即转而执行步骤S204。
S204，根据所述待处理图像中每个对象的对象分布信息，确定所述待处理图像的图像类型。
在一个实施例中，计算机设备根据待处理图像中每个对象的对象分布信息，可确定出该待处理图像中每个对象的相邻对象相对于每个对象在待处理图像中的分布情况，使得计算机设备可基于该每个对象的分布情况确定出待处理图像中对象的分布密度，进一步地，计算机设备可基于该待处理图像中对象的分布密度，确定该待处理图像的图像类型，可以理解的是，若该待处理图像中多于预设数量阈值的对象的对象分布信息所指示的对象的分布密度为紧密分布，则可确定该待处理图像的图像类型为紧密分布类型，而若该待处理图像中少于预设数量阈值的对象的对象分布信息所指示的对象的分布密度为稀疏分布，则可确定该待处理图像的图像类型为稀疏分布类型。
在一个实施例中，计算机设备在根据待处理图像中每个对象的对象分布密度，确定该待处理图像的图像类型时，可按照预设的图像顺序确定该待处理图像的图像类型，若计算机设备确定的待处理图像中，处于待处理图像上方的对象的对象分布信息指示对应对象的对象分布信息为紧密分布的，而处于待处理图像下方的对象分布信息指示的对应对象的对象分布信息为稀疏分布的，则计算机设备可确定该待处理图像是按照从上到下的顺序按照先紧后疏的顺序排布的；或者，计算机设备还可按照从下到上，或者从左到右，或者从中心向周围扩散的顺序确定待处理图像的图像类型。
在本发明实施例中，计算机设备在获取到待处理图像后，可构建该待处理图像中每个对象的特征向量组，从而可分别对该每个对象的特征向量组中的特征向量进行分类，得到该每个对象的分类结果，计算机设备基于对待处理图像中每个对象的特征向量组的分类，可进一步地根据该每个对象的分类结果，确定出该每个对象的对象分布信息，计算机设备基于该待处理图像中每个对象的对象分布信息，则可确定出可用于表征该待处理图像中对象密度的图像类型，使得计算机设备了基于该待处理图像中每个对象的相邻对象相对于该每个对象的分布情况，确定出待处理图像的类型，由于确定出的图像类型可用于表征待处理图像中对象的密度，可提升计算机设备在进行图像密度和类型的确认时的精度。
在一个实施例中，计算机设备可基于深度学习技术对待处理图像进行处理，并通 过深度卷积网络从待处理图像中提取图像特征，从而可基于提取的图像特征，并采用带跳 跃链接的上采样操作来逐步恢复待处理图像的分辨率，以获得同时具有高级语义信息和细 节信息的高分辨率特征图，计算机设备可对得到的该待处理图像对应的高分辨率特征图进 行预测，从而得到该待处理图像对应的对象密度热力分布图，如图3所示。在具体实现中，对 象密度热力分布图反映了待处理图像中单位像素在实际场景中对应位置的平均人数，计算 机设备在生成该对象密度热力分布图时，可先从待处理图像中选取任一对象特征点
Figure 395474DEST_PATH_IMAGE001
，并 可将选取的对象特征点
Figure 781456DEST_PATH_IMAGE002
表示为与待处理图像相同大小的一张图
Figure 295614DEST_PATH_IMAGE003
，即该图像中 只有
Figure 425244DEST_PATH_IMAGE004
表示的位置为1，其余位置均为0，那么，该待处理图像中的对象则可表示为
Figure 974037DEST_PATH_IMAGE005
，基于对该待处理图像中对象的表示进行积分，就可以得到该待处理 图像中的总人数，进一步地，计算机设备可调用高斯核
Figure 530920DEST_PATH_IMAGE006
对该待处理图像中对象的表示进 行卷积操作，即可得到该待处理图像的对象密度热力分布图
Figure 532374DEST_PATH_IMAGE007
。在一个实施例 中，由于高斯核是归一化处理后的，所以计算机设备在采用高斯核进行卷积得到的密度图D 进行积分后也可以得到总人数。在一个实施例中，计算机设备在对待处理图像进行对象估 计时，即是采用人群密度估计网络对待处理图像进行预测，得到该待处理图像的对象密度 热力分布图，从而可对预测得到的对象密度热力图进行积分得到对应的对象总数。
在一个实施例中，由于实际场景中对象的分布密度变化范围较大（从没有对象分布到充满对象），而且对象分布尺度的变化也较大（从较远的较小对象到较近的较大对象），若计算机设备仅使用深度卷积网络对分布差异较大的场景进行训练时，优化后的预测网络为了对所有场景表现得较为均匀，在单一尺度或者密度的场景表现往往不理想，限制了对待处理图像中对象估计的准确性，基于此，本发明实施例提出了一种图像处理方法，通过聚类算法将具有相同（或相似）对象分布的进行类别划分，从而可采用划分后的每个类别的图像分别对初始模型进行训练，以提升计算机设备调用训练得到的目标模型进行对象预测的能力。在具体实现中，计算机设备可基于词袋模型对图像进行类别划分，在一个实施例中，计算机设备可先确定出从样本图像集中对象的特征向量（如上述的N近邻距离向量）；从而可对确定出的所有特征向量进行聚类获取词典，该词典包括的单词即为聚类中心，该聚类中心可后续作为对图像进行分类的类别指示信息；计算机设备在确定出词典后，可利用词典对样本图像集中的每张样本图像的对象分布进行统计，从而可通过统计得到的对象分布信息对每张样本图像的人群密集程度进行表征，再使用聚类算法，将处于相同密度范围的样本图像进行归类，从而将样本图像集划分为多个图像子集。
在一个实施例中，如图4所示，是本发明实施例提出的一种图像处理方法的示意流程图，如图4所示，该方法可包括：
S401，获取待处理图像，并构建所述待处理图像中每个对象的特征向量组。
在一个实施例中，步骤S401的具体实施方式可参见上述实施例中步骤S201的具体实施方式，在此不再赘述。
S402，分别对所述每个对象的特征向量组中的特征向量进行分类，得到每个对象的分类结果。
S403，根据所述每个对象的分类结果，确定所述每个对象的对象分布信息，所述对象分布信息用于指示任一对象的相邻对象相对于所述任一对象的分布情况，所述任一对象与所述任一对象的相邻对象为相同类型的对象。
在步骤S402和步骤S403中，待处理图像是样本图像集中的任一样本图像，计算机设备基于如步骤S401所述的对待处理图像中每个对象的特征向量组进行构建的方法，可得到样本图像集中每个对象的特征向量组，进一步地，该计算机设备可基于该样本图像集中每个对象对应的特征向量组，可得到该样本图像集对应的特征向量集，进一步地，计算机设备可采用聚类算法对该特征向量集进行聚类运算，并将聚类运算后得到的各聚类簇的聚类中心作为单词，并组成词典，其中，不同的聚类中心可以视为衡量对应聚类簇中的特征向量所具备的几种典型模式，如是从稀疏到密集的模式，或者从密集到稀疏的模式，又或者是一直稀疏的模式等。计算机设备在基于聚类中心构造词典后，针对待处理的单张图像，可在确定出待处理图像中每个对象的特征向量组后，通过搜索该特征向量组中的各特征向量，判断该特征向量组中的各特征向量对应的聚类中心（即类别指示信息），进而可实现对每个对象的特征向量组进行划分。
在一个实施例中，计算机设备可先确定出多个类别指示信息，从而可确定出每个类别指示信息所指示的特征向量的取值的变化范围，在一个实施例中，由于该待处理图像是用于对初始模型进行模型训练的样本图像集中的任一样本图像，计算机设备在确定多个类别指示信息时，可先确定所述样本图像集中每个对象的特征向量组，并根据所述每个对象的特征向量组确定所述样本图像集对应的特征向量集，进一步地，计算机设备可对所述特征向量集进行聚类运算，以将所述特征向量集中属于相同取值范围的特征向量划分到同一个向量子集，计算机设备在将特征向量集划分为不同的向量子集后，可确定每个向量子集对应的聚类中心，从而可将所述聚类中心作为类别指示信息，所述类别指示信息所指示的特征向量的取值的变化范围包括：所述聚类中心对应向量子集中特征向量对应取值的变化范围。
在一个实施例中，计算机设备在确定出每个类别指示信息所指示的特征向量的取值的变化范围后，可根据所述特征向量组中各特征向量的取值，和所述每个类别指示信息所指示的特征向量的取值的变化范围，对所述特征向量组中的特征向量进行分类。具体地，计算机设备可在对特征向量组中的特征向量进行分类时，可先选取任一类别指示信息作为目标类别指示信息，针对该特征向量组中的任一特征向量，计算机设备可先判断该任一特征向量的取值是否属于该目标类别指示信息所指示的取值的目标变化范围，若是，则计算机设备可将所述任一特征向量划分到所述目标类别指示信息指示的类别中，若否，则计算机设备可将任一特征向量和其他类别指示信息进行对比，直至将该任一特征向量划分到相应的类别中。在一个实施例中，若特征向量组中存在特征向量不属于确定出的多个类别指示信息中任意类别指示信息所指示的特征向量的取值的变化范围，则计算机设备可抛弃该特征向量，并不对该特征向量进行类别划分。
S404，获取样本图像集对应的多个图像子集，并根据所述待处理图像中每个对象的对象分布信息，从所述多个图像子集中确定出所述待处理图像所属的目标图像子集。
S405，将所述目标图像子集中样本图像的图像类型作为所述待处理图像的图像类型，其中，同一图像子集中的样本图像的图像类型相同。
在步骤S404和步骤S405中，所述待处理图像是样本图像集中的任一样本图像，所述样本图像集被划分为多个图像子集，计算机设备在确定该待处理图像的图像类型时，可基于该待处理图像被划分到的图像子集进行确定，在具体实现中，计算机设备可先根据所述待处理图像中每个对象的对象分布信息，确定用于指示所述待处理图像中对象密度的第一表征信息，在一个实施例中，该对象分布信息可以是直方图，该直方图的横坐标是用于对所述特征向量组中的特征向量进行分类的类别指示信息，该直方图的纵坐标则是所述特征向量组中被划分到每个类别指示信息对应类别的特征向量的数量，计算机设备在确定出待处理图像中每个对象的直方图后，可对该直方图中由纵坐标指示的所述特征向量组中被划分到每个类别指示信息对应类别的特征向量的数量进行归一化处理，从而可将归一化处理后的纵坐标的数量确定第一表征信息，以指示待处理图像中的对象密集程度。具体地，计算机设备在确定用于指示该待处理图像中对象密度的第一表征信息时，可先根据所述类别指示信息，对所述待处理图像中每个对象的对象分布信息进行叠加，确定每个类别指示信息对应类别的特征向量的向量总数，从而可对所述向量总数进行归一化处理，并将归一化处理后的向量总数作为指示所述待处理图像中对象密度的第一表征信息。在一个实施例中，计算机设备可采用确定该待处理图像中对象密度的第一表征信息的处理方法，获取所述样本图像集中除所述待处理图像之外的其他样本图像的第二表征信息，进一步地，计算机设备则可根据所述第一表征信息和所述第二表征信息对所述样本图像集进行聚类运算，得到多个图像子集，处于同一图像子集的样本图像的表征信息所指示的对象密度处于同一密度范围。
在一个实施例中，该样本图像集被划分为了多个图像子集，且该多个图像子集至少包括第一图像子集和第二图像子集，该第二图像子集为和第一图像子集不同的图像子集，进一步地，计算机设备可在从所述样本图像集中获取所述第一图像子集和所述第二图像子集后，获取用于进行对象估计的初始模型，从而可采用所述第一图像子集对所述初始模型进行训练，得到用于识别第一图像类型的图像的目标模型，以及，采用所述第二图像子集对所述初始模型进行训练，得到用于识别第二图像类型的图像的目标模型；其中，所述第一图像类型为所述第一图像子集的样本图像的图像类型，所述第二图像类型为所述第二图像子集的样本图像的图像类型。在一个实施例中，计算机设备获取的初始模型可以为一个，计算机设备可采用第一图像子集对该初始模型进行训练，得到用于识别第一图像类型的图像的目标模型后，在采用第二图像子集对用于识别该第一图像类型的图像的目标模型进行训练，得到用于识别第二图像类型的图像的目标模型；或者，该初始模型的数量还可以基于划分得到的图像子集的数量为多个，计算机设备则可分别采用第一图像子集和第二图像子集对不同的初始模型进行训练，得到对应的目标模型。
计算机设备在训练得到用于对不同图像类型的图像进行识别的目标模型后，若该待处理图像是待识别的图像，计算机设备可基于该待处理图像的图像类型，确定同于对该待处理图像进行识别的目标识别模型，进而可采用该目标识别模型对该该待处理图像进行识别，并确定出该待处理图像中对象的数量，使得计算机设备在对图像进行识别时，可基于待识别图像的图像类型的差异，采用不同的模型对该待识别图像进行识别，从而可提升计算机设备的图像识别精准度，在一个实施例中，计算机设备可分别训练用于对高密集类型的图像进行识别的模型，对中密集类型的图像进行识别的模型，以及对低密集类型的图像进行识别的模型。
在一个实施例中，上述的样本图像集还可以是图像采集设备发送到计算机设备的用于对监控区域进行对象密度监控的图像，计算机设备基于对样本图像集的分类，还可直接根据该样本图像集中各图像子集的包括的样本图像的数量，确定监控区域中的对象密度并进行安全预警，以及实现对相似密度等级的图像检索。其中，该图像采集设备可以是监控区域中的摄像头，该监控区域例如可以是商场，体育场，道路或者会场等区域，计算机设备基于摄像头采集到的多张图像，可采用该图像处理方法，对采集到的多张图像进行处理，以确定出采集到的每张图像的图像类型，基于采集到的多张图像分别对应的图像类型，计算机设备可确定监控区域中的对象（如用户）密度，计算机设备在确定出监控区域的对象密度后，可在该对象密度大于预设密度阈值时，输出安全告警信息，以避免监控区域中用户密度过大导致的安全问题。
在本发明实施例中，计算机设备在获取到待处理图像，并构建针对该待处理图像中每个对象的特征向量组后，可分别对每个对象的特征向量组中的特征向量进行分类，得到每个对象的分类结果，进一步地，计算机设备可基于针对每个对象的分类结果，确定该每个对象的对象分布信息，从而完成对待处理图像中每个对象的对象分布信息的构建，由于该待处理图像是样本图像集中的任一样本图像，该样本图像被划分为了多个图像子集，计算机设备则可基于该多个图像子集确定该待处理图像中每个对象的对象分布信息所属的目标图像子集，进一步地，计算机设备可将该目标图像子集中样本图像的图像类型作为该待处理图像的图像类型，从而实现对图像类型的划分，从而可提升计算机设备对图像类型进行划分的准确度。
基于上述图像处理方法实施例的描述，本发明实施例还提出了一种图像处理装置，该图像处理装置可以是运行于上述计算机设备中的一个计算机程序（包括程序代码）。该图像处理装置可用于执行如图2和图4所述的图像处理方法，请参见图5，该图像处理装置包括：获取单元501，构建单元502，分类单元503和确定单元504。
获取单元501，用于获取待处理图像；
构建单元502，用于构建所述待处理图像中每个对象的特征向量组；
分类单元503，用于分别对所述每个对象的特征向量组中的特征向量进行分类，得到每个对象的分类结果；
确定单元504，用于根据所述每个对象的分类结果，确定所述每个对象的对象分布信息，所述对象分布信息用于指示任一对象的相邻对象相对于所述任一对象的分布情况，所述任一对象与所述任一对象的相邻对象为相同类型的对象；
所述确定单元504，还用于根据所述待处理图像中每个对象的对象分布信息，确定所述待处理图像的图像类型。
在一个实施例中，所述待处理图像是样本图像集中的任一样本图像，所述样本图像集被划分为多个图像子集；所述确定单元504，具体用于：
获取所述样本图像集对应的多个图像子集，并根据所述待处理图像中每个对象的对象分布信息，从所述多个图像子集中确定出所述待处理图像所属的目标图像子集；
将所述目标图像子集中样本图像的图像类型作为所述待处理图像的图像类型，其中，同一图像子集中的样本图像的图像类型相同。
在一个实施例中，所述待处理图像是样本图像集中的任一样本图像，所述样本图像集被划分为多个图像子集，所述多个图像子集至少包括第一图像子集和第二图像子集；所述装置还包括：训练单元505。
所述获取单元501，还用于从所述样本图像集中获取所述第一图像子集和所述第二图像子集，并获取用于进行对象估计的初始模型；
训练单元505，用于采用所述第一图像子集对所述初始模型进行训练，得到用于识别第一图像类型的图像的目标模型，以及，采用所述第二图像子集对所述初始模型进行训练，得到用于识别第二图像类型的图像的目标模型；
其中，所述第一图像类型为所述第一图像子集的样本图像的图像类型，所述第二图像类型为所述第二图像子集的样本图像的图像类型。
在一个实施例中，所述获取单元501，具体用于：
根据所述待处理图像中每个对象的对象分布信息，确定用于指示所述待处理图像中对象密度的第一表征信息；
获取所述样本图像集中除所述待处理图像之外的其他样本图像的第二表征信息；
根据所述第一表征信息和所述第二表征信息对所述样本图像集进行聚类运算，得到多个图像子集，处于同一图像子集的样本图像的表征信息所指示的对象密度处于同一密度范围。
在一个实施例中，所述对象分布信息包括用于对所述特征向量组中的特征向量进行分类的类别指示信息，以及所述特征向量组中被划分到每个类别指示信息对应类别的特征向量的数量。
在一个实施例中，所述确定单元504，具体用于：
根据所述类别指示信息，对所述待处理图像中每个对象的对象分布信息进行叠加，确定每个类别指示信息对应类别的特征向量的向量总数；
对所述向量总数进行归一化处理，并将归一化处理后的向量总数作为指示所述待处理图像中对象密度的第一表征信息。
在一个实施例中，所述分类单元503，具体用于：
确定多个类别指示信息，并确定每个类别指示信息所指示的特征向量的取值的变化范围；
根据所述特征向量组中各特征向量的取值，和所述每个类别指示信息所指示的特征向量的取值的变化范围，对所述特征向量组中的特征向量进行分类。
在一个实施例中，所述待处理图像是样本图像集中的任一样本图像，所述确定单元504，具体用于：
确定所述样本图像集中每个对象的特征向量组，并根据所述每个对象的特征向量组确定所述样本图像集对应的特征向量集；
对所述特征向量集进行聚类运算，以将所述特征向量集中属于相同取值变化范围的特征向量划分到同一个向量子集；
确定每个向量子集对应的聚类中心，并将所述聚类中心作为类别指示信息，所述类别指示信息所指示的特征向量的取值的变化范围包括：所述聚类中心对应向量子集中特征向量对应取值的变化范围。
在一个实施例中，所述分类单元503，具体用于：
选取任一类别指示信息作为目标类别指示信息；
针对所述特征向量组中的任一特征向量，判断所述任一特征向量的取值是否属于该目标类别指示信息所指示的取值的目标变化范围；
若是，则将所述任一特征向量划分到所述目标类别指示信息指示的类别中。
在一个实施例中，所述待处理图像是待识别的任一图像；所述装置还包括：识别单元506。
所述获取单元501，还用于获取用于识别所述待处理图像的图像类型的目标识别模型；
识别单元506，用于采用所述目标识别模型对所述待处理图像进行识别，并确定所述待处理图像中对象的数量。
在本发明实施例中，获取单元501在获取到待处理图像后，构建单元502可构建该待处理图像中每个对象的特征向量组，从而分类单元503可分别对该每个对象的特征向量组中的特征向量进行分类，得到该每个对象的分类结果，基于对待处理图像中每个对象的特征向量组的分类，确定单元504可进一步地根据该每个对象的分类结果，确定出该每个对象的对象分布信息，确定单元504基于该待处理图像中每个对象的对象分布信息，则可确定出可用于表征该待处理图像中对象密度的图像类型，使得可基于该待处理图像中每个对象的相邻对象相对于该每个对象的分布情况，确定出待处理图像的类型，由于确定出的图像类型可用于表征待处理图像中对象的密度，可提升在进行图像密度和类型的确认时的精度。
请参见图6，是本发明实施例提供的一种计算机设备的结构示意性框图，该计算机设备可以是服务器设备，该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络（Content DeliveryNetwork，CDN）、以及大数据和人工智能平台等基础云计算服务的云服务器。在一个实施例中，该计算机设备还可以是终端设备，该终端设备例如可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。在一个实施例中，如图6所示的本实施例中的计算机设备可包括：一个或多个处理器601；一个或多个输入设备602，一个或多个输出设备603和存储器604。上述处理器601、输入设备602、输出设备603和存储器604通过总线605连接。存储器604用于存储计算机程序，所述计算机程序包括程序指令，处理器601 用于执行所述存储器604存储的程序指令。
所述存储器604可以包括易失性存储器（volatile memory），如随机存取存储器（random-access memory，RAM）；存储器604也可以包括非易失性存储器（non-volatilememory），如快闪存储器（flash memory），固态硬盘（solid-state drive，SSD）等；存储器604还可以包括上述种类的存储器的组合。
所述处理器601可以是中央处理器（central processing unit，CPU）。所述处理器601还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路（application-specific integrated circuit，ASIC），可编程逻辑器件（programmable logic device，PLD）等。该PLD可以是现场可编程逻辑门阵列（field-programmable gate array，FPGA），通用阵列逻辑（generic array logic，GAL）等。所述处理器601也可以为上述结构的组合。
本发明实施例中，所述存储器604用于存储计算机程序，所述计算机程序包括程序指令，处理器601用于执行存储器604存储的程序指令，用来实现上述如图2和图4中相应方法的步骤。
在一个实施例中，所述处理器601被配置调用所述程序指令，用于执行：
获取待处理图像，并构建所述待处理图像中每个对象的特征向量组；
分别对所述每个对象的特征向量组中的特征向量进行分类，得到每个对象的分类结果；
根据所述每个对象的分类结果，确定所述每个对象的对象分布信息，所述对象分布信息用于指示任一对象的相邻对象相对于所述任一对象的分布情况，所述任一对象与所述任一对象的相邻对象为相同类型的对象；
根据所述待处理图像中每个对象的对象分布信息，确定所述待处理图像的图像类型。
在一个实施例中，所述待处理图像是样本图像集中的任一样本图像，所述样本图像集被划分为多个图像子集；所述处理器601被配置调用所述程序指令，用于执行：
获取所述样本图像集对应的多个图像子集，并根据所述待处理图像中每个对象的对象分布信息，从所述多个图像子集中确定出所述待处理图像所属的目标图像子集；
将所述目标图像子集中样本图像的图像类型作为所述待处理图像的图像类型，其中，同一图像子集中的样本图像的图像类型相同。
在一个实施例中，所述待处理图像是样本图像集中的任一样本图像，所述样本图像集被划分为多个图像子集，所述多个图像子集至少包括第一图像子集和第二图像子集；所述处理器601被配置调用所述程序指令，用于执行：
从所述样本图像集中获取所述第一图像子集和所述第二图像子集，并获取用于进行对象估计的初始模型；
采用所述第一图像子集对所述初始模型进行训练，得到用于识别第一图像类型的图像的目标模型，以及，采用所述第二图像子集对所述初始模型进行训练，得到用于识别第二图像类型的图像的目标模型；
其中，所述第一图像类型为所述第一图像子集的样本图像的图像类型，所述第二图像类型为所述第二图像子集的样本图像的图像类型。
在一个实施例中，所述处理器601被配置调用所述程序指令，用于执行：
根据所述待处理图像中每个对象的对象分布信息，确定用于指示所述待处理图像中对象密度的第一表征信息；
获取所述样本图像集中除所述待处理图像之外的其他样本图像的第二表征信息；
根据所述第一表征信息和所述第二表征信息对所述样本图像集进行聚类运算，得到多个图像子集，处于同一图像子集的样本图像的表征信息所指示的对象密度处于同一密度范围。
在一个实施例中，所述对象分布信息包括用于对所述特征向量组中的特征向量进行分类的类别指示信息，以及所述特征向量组中被划分到每个类别指示信息对应类别的特征向量的数量。
在一个实施例中，所述处理器601被配置调用所述程序指令，用于执行：
根据所述类别指示信息，对所述待处理图像中每个对象的对象分布信息进行叠加，确定每个类别指示信息对应类别的特征向量的向量总数；
对所述向量总数进行归一化处理，并将归一化处理后的向量总数作为指示所述待处理图像中对象密度的第一表征信息。
在一个实施例中，所述处理器601被配置调用所述程序指令，用于执行：
确定多个类别指示信息，并确定每个类别指示信息所指示的特征向量的的取值的变化范围；
根据所述特征向量组中各特征向量的取值，和所述每个类别指示信息所指示的特征向量的取值的变化范围，对所述特征向量组中的特征向量进行分类。
在一个实施例中，所述待处理图像是样本图像集中的任一样本图像，所述处理器601被配置调用所述程序指令，用于执行：
确定所述样本图像集中每个对象的特征向量组，并根据所述每个对象的特征向量组确定所述样本图像集对应的特征向量集；
对所述特征向量集进行聚类运算，以将所述特征向量集中属于相同取值变化范围的特征向量划分到同一个向量子集；
确定每个向量子集对应的聚类中心，并将所述聚类中心作为类别指示信息，所述类别指示信息所指示的特征向量的取值的变化范围包括：所述聚类中心对应向量子集中特征向量对应取值的变化范围。
在一个实施例中，所述处理器601被配置调用所述程序指令，用于执行：
选取任一类别指示信息作为目标类别指示信息；
针对所述特征向量组中的任一特征向量，判断所述任一特征向量的取值是否属于该目标类别指示信息所指示的取值的目标变化范围；
若是，则将所述任一特征向量划分到所述目标类别指示信息指示的类别中。
在一个实施例中，所述待处理图像是待识别的任一图像；所述处理器601被配置调用所述程序指令，用于执行：
获取用于识别所述待处理图像的图像类型的目标识别模型；
采用所述目标识别模型对所述待处理图像进行识别，并确定所述待处理图像中对象的数量。
本发明实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述如图2或图4所示的方法实施例。其中，所述的计算机可读存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random AccessMemory，RAM）等。
以上所揭露的仅为本发明的局部实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或局部流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (12)

1.一种图像处理方法，其特征在于，包括：
获取待处理图像，并构建所述待处理图像中每个对象的特征向量组，所述待处理图像是样本图像集中的任一样本图像，所述样本图像集被划分为多个图像子集；
分别对所述每个对象的特征向量组中的特征向量进行分类，得到每个对象的分类结果；
根据所述每个对象的分类结果，确定所述每个对象的对象分布信息，所述对象分布信息用于指示任一对象的相邻对象相对于所述任一对象的分布情况，所述任一对象与所述任一对象的相邻对象为相同类型的对象；
获取所述样本图像集对应的多个图像子集，并根据所述待处理图像中每个对象的对象分布信息，从所述多个图像子集中确定出所述待处理图像所属的目标图像子集；
将所述目标图像子集中样本图像的图像类型作为所述待处理图像的图像类型，其中，同一图像子集中的样本图像的图像类型相同。
2.根据权利要求1所述的方法，其特征在于，所述待处理图像是样本图像集中的任一样本图像，所述样本图像集被划分为多个图像子集，所述多个图像子集至少包括第一图像子集和第二图像子集；所述方法还包括：
从所述样本图像集中获取所述第一图像子集和所述第二图像子集，并获取用于进行对象估计的初始模型；
采用所述第一图像子集对所述初始模型进行训练，得到用于识别第一图像类型的图像的目标模型，以及，采用所述第二图像子集对所述初始模型进行训练，得到用于识别第二图像类型的图像的目标模型；
其中，所述第一图像类型为所述第一图像子集的样本图像的图像类型，所述第二图像类型为所述第二图像子集的样本图像的图像类型。
3.根据权利要求1所述的方法，其特征在于，所述获取所述样本图像集对应的多个图像子集，包括：
根据所述待处理图像中每个对象的对象分布信息，确定用于指示所述待处理图像中对象密度的第一表征信息；
获取所述样本图像集中除所述待处理图像之外的其他样本图像的第二表征信息；
根据所述第一表征信息和所述第二表征信息对所述样本图像集进行聚类运算，得到多个图像子集，处于同一图像子集的样本图像的表征信息所指示的对象密度处于同一密度范围。
4.根据权利要求3所述的方法，其特征在于，所述对象分布信息包括用于对所述特征向量组中的特征向量进行分类的类别指示信息，以及所述特征向量组中被划分到每个类别指示信息对应类别的特征向量的数量。
5.根据权利要求4所述的方法，其特征在于，所述根据所述待处理图像中每个对象的对象分布信息，确定用于指示所述待处理图像中对象密度的第一表征信息，包括：
根据所述类别指示信息，对所述待处理图像中每个对象的对象分布信息进行叠加，确定每个类别指示信息对应类别的特征向量的向量总数；
对所述向量总数进行归一化处理，并将归一化处理后的向量总数作为指示所述待处理图像中对象密度的第一表征信息。
6.根据权利要求1所述的方法，其特征在于，所述分别对所述每个对象的特征向量组中的特征向量进行分类，包括：
确定多个类别指示信息，并确定每个类别指示信息所指示的特征向量的取值变化范围；
根据所述特征向量组中各特征向量的取值，和所述每个类别指示信息所指示的特征向量的取值变化范围，对所述特征向量组中的特征向量进行分类。
7.根据权利要求6所述的方法，其特征在于，所述待处理图像是样本图像集中的任一样本图像，所述确定多个类别指示信息，包括：
确定所述样本图像集中每个对象的特征向量组，并根据所述每个对象的特征向量组确定所述样本图像集对应的特征向量集；
对所述特征向量集进行聚类运算，以将所述特征向量集中属于相同取值变化范围的特征向量划分到同一个向量子集；
确定每个向量子集对应的聚类中心，并将所述聚类中心作为类别指示信息，所述类别指示信息所指示的特征向量的取值变化范围包括：所述聚类中心对应向量子集中特征向量的取值变化范围。
8.根据权利要求6所述的方法，其特征在于，所述根据所述特征向量组中各特征向量的取值，和所述每个类别指示信息所指示的特征向量的取值变化范围，对所述特征向量组中的特征向量进行分类，包括：
选取任一类别指示信息作为目标类别指示信息；
针对所述特征向量组中的任一特征向量，判断所述任一特征向量的取值是否属于该目标类别指示信息所指示的取值的目标变化范围；
若是，则将所述任一特征向量划分到所述目标类别指示信息指示的类别中。
9.根据权利要求1所述的方法，其特征在于，所述待处理图像是待识别的任一图像；所述确定所述待处理图像的图像类型之后，所述方法还包括：
获取用于识别所述待处理图像的图像类型的目标识别模型；
采用所述目标识别模型对所述待处理图像进行识别，并确定所述待处理图像中对象的数量。
10.一种图像处理装置，其特征在于，包括：
获取单元，用于获取待处理图像；
构建单元，用于构建所述待处理图像中每个对象的特征向量组，所述待处理图像是样本图像集中的任一样本图像，所述样本图像集被划分为多个图像子集；
分类单元，用于分别对所述每个对象的特征向量组中的特征向量进行分类，得到每个对象的分类结果；
确定单元，用于根据所述每个对象的分类结果，确定所述每个对象的对象分布信息，所述对象分布信息用于指示任一对象的相邻对象相对于所述任一对象的分布情况，所述任一对象与所述任一对象的相邻对象为相同类型的对象；
所述确定单元，还用于根据所述待处理图像中每个对象的对象分布信息，确定所述待处理图像的图像类型；
所述确定单元，还用于获取所述样本图像集对应的多个图像子集，并根据所述待处理图像中每个对象的对象分布信息，从所述多个图像子集中确定出所述待处理图像所属的目标图像子集；将所述目标图像子集中样本图像的图像类型作为所述待处理图像的图像类型，其中，同一图像子集中的样本图像的图像类型相同。
11.一种计算机设备，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、所述输入设备、所述输出设备和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1~9任一项所述的方法。
12.一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存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1~9任一项所述的方法。
CN202010747849.0A 2020-07-30 2020-07-30 图像处理方法、装置、计算机设备及存储介质 Active CN111625672B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010747849.0A CN111625672B (zh) 2020-07-30 2020-07-30 图像处理方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010747849.0A CN111625672B (zh) 2020-07-30 2020-07-30 图像处理方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN111625672A CN111625672A (zh) 2020-09-04
CN111625672B true CN111625672B (zh) 2020-10-30

Family

ID=72272240

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010747849.0A Active CN111625672B (zh) 2020-07-30 2020-07-30 图像处理方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111625672B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1561503A (zh) * 2001-02-27 2005-01-05 皇家菲利浦电子有限公司 通过模型集合体的对象分类
CN101840514A (zh) * 2009-03-19 2010-09-22 株式会社理光 图像对象分类装置及方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102033958B (zh) * 2010-12-28 2013-04-17 Tcl商用信息科技（惠州）股份有限公司 一种照片分类管理系统及方法
CN106445995A (zh) * 2016-07-18 2017-02-22 腾讯科技（深圳）有限公司 图片的分类方法和装置
US10599958B2 (en) * 2017-12-14 2020-03-24 Avigilon Corporation Method and system for classifying an object-of-interest using an artificial neural network
EP3611654A1 (en) * 2018-08-15 2020-02-19 Koninklijke Philips N.V. System and method for analysis of microscopic image data and for generating an annotated data set for classifier training
CN111291827B (zh) * 2020-02-28 2023-12-22 北京市商汤科技开发有限公司 图像聚类方法、装置、设备及存储介质
CN111368116B (zh) * 2020-05-26 2020-09-18 腾讯科技（深圳）有限公司 图像分类方法、装置、计算机设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1561503A (zh) * 2001-02-27 2005-01-05 皇家菲利浦电子有限公司 通过模型集合体的对象分类
CN101840514A (zh) * 2009-03-19 2010-09-22 株式会社理光 图像对象分类装置及方法

Also Published As

Publication number Publication date
CN111625672A (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
CN108132968B (zh) 网络文本与图像中关联语义基元的弱监督学习方法
CN111523621B (zh) 图像识别方法、装置、计算机设备和存储介质
CN111738244B (zh) 图像检测方法、装置、计算机设备和存储介质
CN112949710B (zh) 一种图像的聚类方法和装置
EP3248143B1 (en) Reducing computational resources utilized for training an image-based classifier
US9563822B2 (en) Learning apparatus, density measuring apparatus, learning method, computer program product, and density measuring system
CN110765860A (zh) 摔倒判定方法、装置、计算机设备及存储介质
CN110135505B (zh) 图像分类方法、装置、计算机设备及计算机可读存储介质
CN110751027B (zh) 一种基于深度多示例学习的行人重识别方法
CN113095370A (zh) 图像识别方法、装置、电子设备及存储介质
CN110751191A (zh) 一种图像的分类方法及系统
CN110852327A (zh) 图像处理方法、装置、电子设备及存储介质
US20230298314A1 (en) Image clustering method and apparatus, computer device, and storage medium
CN114332500A (zh) 图像处理模型训练方法、装置、计算机设备和存储介质
CN114898266B (zh) 训练方法、图像处理方法、装置、电子设备以及存储介质
CN113762326A (zh) 一种数据识别方法、装置、设备及可读存储介质
CN114299363A (zh) 图像处理模型的训练方法、图像分类方法及装置
CN112418256A (zh) 分类、模型训练、信息搜索方法、系统及设备
CN114463552A (zh) 迁移学习、行人重识别方法及相关设备
CN114328942A (zh) 关系抽取方法、装置、设备、存储介质和计算机程序产品
CN112115996B (zh) 图像数据的处理方法、装置、设备及存储介质
CN113010705A (zh) 标签预测方法、装置、设备及存储介质
CN111382760B (zh) 图片类别的识别方法、装置及计算机可读存储介质
CN115984671A (zh) 模型在线更新方法、装置、电子设备及可读存储介质
CN111625672B (zh) 图像处理方法、装置、计算机设备及存储介质

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
GR01 Patent grant
GR01 Patent grant
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40028903

Country of ref document: HK