CN112183484B - 一种图像处理方法、装置、设备以及存储介质 - Google Patents
一种图像处理方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN112183484B CN112183484B CN202011196706.1A CN202011196706A CN112183484B CN 112183484 B CN112183484 B CN 112183484B CN 202011196706 A CN202011196706 A CN 202011196706A CN 112183484 B CN112183484 B CN 112183484B
- Authority
- CN
- China
- Prior art keywords
- image
- images
- processed
- similarity
- relation
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 16
- 230000017105 transposition Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 18
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种图像处理方法、装置、设备以及存储介质,涉及人工智能技术,尤其涉及计算机视觉、深度学习和智能交通技术领域。具体实现方案为:根据待处理图像集中图像的像素特征,确定所述待处理图像集中不同图像之间的相似关系;根据所述相似关系,确定所述待处理图像集中图像的关系特征;根据所述关系特征,确定所述待处理图像集的特征相似度。能够提高图像间相似度计算的准确性,为图像间相似度的计算提供了一种新思路。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及人工智能技术,进一步为计算机视觉、深度学习和智能交通技术领域。具体涉及一种图像处理方法、装置、设备以及存储介质。
背景技术
随着人工智能技术的发展,图像间相似度计算技术的应用领域越来越广泛。例如,智能交通领域的车辆再识别系统,在对路口摄像头拍摄的行驶车辆进行目标车辆识别时,就应用到了图像间相似度计算技术。
目前,现有技术在对不同图像进行相似度比较时,通常是提取待比较的各图像的像素特征进行相似度计算。但是由于图像拍摄易受拍摄环境、拍摄角度和拍摄光线等影响,使得同一目标对象在不同图像中提取的像素特征缺乏鲁棒性,从而导致基于像素特征计算出的相似度准确性较低,亟需改进。
发明内容
本公开提供了一种图像处理方法、装置、设备以及存储介质。
根据本公开的第一方面,提供了一种图像处理方法,包括:
根据待处理图像集中图像的像素特征,确定所述待处理图像集中不同图像之间的相似关系;
根据所述相似关系,确定所述待处理图像集中图像的关系特征;
根据所述关系特征,确定所述待处理图像集的特征相似度。
根据本公开的第二方面,提供了一种图像处理装置,包括:
相似关系确定模块,用于根据待处理图像集中图像的像素特征,确定所述待处理图像集中不同图像之间的相似关系;
关系特征确定模块,用于根据所述相似关系,确定所述待处理图像集中图像的关系特征;
相似度确定模块,用于根据所述关系特征,确定所述待处理图像集的特征相似度。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本申请任一实施例的图像处理方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质。计算机指令用于使计算机执行本申请任一实施例的图像处理方法。
根据本申请的技术解决了图像拍摄易受拍摄环境、拍摄角度和拍摄光线等影响,导致基于图像像素特征计算图像间的相似度准确性较低的问题,提高了图像间相似度计算的准确性,为图像间相似度的计算提供了一种新思路。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请实施例提供的一种图像处理方法的流程图;
图2是根据本申请实施例提供的另一种图像处理方法的流程图;
图3是根据本申请实施例提供的另一种图像处理方法的流程图;
图4是根据本申请实施例提供的另一种图像处理方法的流程图;
图5是根据本申请实施例提供的另一种图像处理方法的流程图;
图6是根据本申请实施例提供的一种图像处理装置的结构示意图;
图7是用来实现本申请实施例的图像处理方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本申请实施例提供的一种图像处理方法的流程图。本实施例适用于对包含多个待处理图像的图像集进行相似度计算的情况。该实施例可以由电子设备中配置的图像处理装置来执行,该装置可以采用软件和/或硬件来实现。如图1所示,该方法包括:
S101,根据待处理图像集中图像的像素特征,确定待处理图像集中不同图像之间的相似关系。
其中,所谓待处理图像集可以是由多个需要进行相似度计算的图像构成的图像集合。图像的像素特征可以是对待处理图像集中的每张图像的内容进行分析,提取出的用于表征该图像内容的相关特征。优选的,该像素特征可以通过向量或矩阵等形式表示。不同图像之间的相似关系用于表征待处理图像集中不同图像(如任意两图像)是否相似,该相似关系至少包括:相似和不相似两种类型。还可以包括不同图像之间的相似值。
可选的,在本申请实施例中,可以是先对待处理图像集的每一图像进行像素特征提取处理,例如,可以是通过预设特征提取算法来提取各个图像的像素特征;还可以是将待处理图像集的每一图像输入到预先训练好的可以进行像素特征提取的神经网络模型中,由神经网络模型对输入的图像进行特征提取,得到该图像的像素特征。在得到待处理图像集中每一图像的像素特征后,针对每一图像,对该图像的像素特征与待处理图像集中除该图像以外的各个其他图像的像素特征进行相似度计算,例如,可以是计算不同图像的像素特征之间的欧式距离或余弦距离等。并根据计算得到的相似值来确定待处理图像集中不同图像之间的相似关系。具体的,可以是针对待处理图像集的每一图像,结合该图像与待处理图像集的各个其他图像计算得到的相似值,来判断该图像与各个其他图像的相似关系。可选的,本申请实施例根据不同图像之间的相似值,确定不同图像之间的相似关系的方法有很多,对此不进行限定。例如,可以是相似值大于预设阈值(如85%)的两图像的相似关系为相似;还可以是针对每一图像,将其相似值排名靠前的k张图像与该图像的相似关系设置为相似。其中,k为大于1的正整数,k值的选择可以根据实际情况以及待处理图像集中包含的图像总数量决定;也可以是将不同图像的相似值输入到预先训练好的可以进行相似关系确定的神经网络模型中,该神经网络模型可以对输入的相似值进行分析,输出待处理图像集中的不同图像之间的相似关系。
可选的,在本申请实施例中,可以是通过图网络的方式来表征待处理图像集中不同图像之间的相似关系。例如,可以将待处理图像集中的每一张图像作为图网络的一个节点,将相似关系为相似的两图像的图网络节点进行连接,即将这两个网络节点作为一组邻居节点。从而实现通过图网络来表征待处理图像集中不同图像之间的相似关系。
S102,根据相似关系,确定待处理图像集中图像的关系特征。
其中,所谓图像的关系特征用于表征待处理图像集中每一图像与除该图像以外的各个其他图像是否相似。需要说明的是,该关系特征可以通过向量或矩阵的形式来表示,若通过向量的形式来表示,则向量中元素的个数等于待处理图像集中包含的图像个数;若通过矩阵的形式来表示,则矩阵的维度为1×N维,其中,N的取值为待处理图像集中包含的图像个数。该关系特征与图像自身的内容无关,区别于图像的像素特征。
可选的,在本申请实施例中,根据相似关系,需要为待处理图像集中的每张图像都确定出该图像与其他图像之间的关系特征。具体的,可以是针对待处理图像集中的每一张图像,分析该图像与待处理图像集中的各个其他图像的相似关系,若相似关系为相似,则将该图像与该其他图像在该图像的关系特征中对应的元素设置为第一数值(如设置为1),否则设置为第二数值(如设置为0)。示例性的,假设待处理图像集中有10张图像,即图像1-图像10,且图像1与图像2、图像4、图像6和图像8之间的相似关系为相似,与图像3、图像5、图像7、图像9和图像10之间的相似关系为不相似,则此时将该图像1的关系特征中,图像2、图像4、图像6和图像8所在位置的元素设置为1,其他位置处的元素设置为0,即得到该图像1的关系特征(0,1,0,1,0,1,0,1,0,0)。本申请实施例可以按照上述方式,对待处理图像集中的图像2-图像10也分别确定出其对应的关系特征。
S103,根据关系特征,确定待处理图像集的特征相似度。
可选的,在本申请实施例中,可以将S102确定出的待处理图像集中每一图像的关系特征作为该图像新的特征,然后基于每一图像的关系特征,两两图像进行相似度计算,来确定待处理图像集中两两图像间最终的相似值,即可以得到待处理图像集的特征相似度。例如,可以是计算两两关系特征之间的欧式距离或余弦距离等,作为待处理图像集的特征相似度。
本申请实施例的技术方案,通过待处理图像集中图像的像素特征,确定待处理图像集中不同图像之间的相似关系,根据该相似关系,为待处理图像集中的图像确定新的关系特征,进而根据该关系特征,重新确定待处理图像集的特征相似度。本申请实施例的方法,表征待处理图像集的相似度是通过待处理图像集中两两图像之间的关系特征确定的,并非现有技术的图像像素特征。解决了图像拍摄受拍摄环境、拍摄角度和拍摄光线等影响,使得同一目标对象在不同图像中提取的像素特征缺乏鲁棒性,存在基于图像像素特征计算图像间的相似度准确性较低的问题,提高了图像间相似度计算的准确性。另外,本申请实施例计算图像的关系特征和特征相似度的算法复杂度较低,提高了图像间相似度计算的实时性。为图像间相似度的计算提供了一种新思路。
图2是根据本申请实施例提供的另一种图像处理方法的流程图。本实施例在上述实施例的基础上,给出了根据相似关系,确定待处理图像集中图像的关系特征的具体情况介绍。如图2所示,该方法包括:
S201,根据待处理图像集中图像的像素特征,确定待处理图像集中不同图像之间的相似关系。
S202,根据相似关系,确定待处理图像集中目标图像的初始关系特征,和目标图像的相似图像。
其中,目标图像可以是待处理图像集中的任意一张图像,本申请实施例可以是依次将待处理图像集中的每一图像作为目标图像来执行本申请实施例各步骤的操作。目标图像的相似图像,可以是从待处理图集中除目标图像以外的其他图像中确定出的与目标图像相似度较高的图像。
可选的,在本申请实施例中,根据相似关系,确定待处理图像集中的目标图像的初始关系特征的过程可以是:依次将待处理图像集中的每一图像作为目标图像,分析该目标图像与除该目标图像以外的各个其他图像之间的相似关系,若相似关系为相似,则将该目标图像与该其他图像在该目标图像的关系特征中对应的元素设置为第一数值(如设置为1),否则设置为第二数值(如设置为0)。根据相似关系,确定待处理图像集中的目标图像的相似图像的过程可以是:依次将待处理图像集中的每一图像作为目标图像,分析该目标图像与各个其他图像之间的相似关系,若相似关系为相似,则该其他图像为该目标图像的相似图像。
S203,根据目标图像的初始关系特征,和目标图像的相似图像的初始关系特征,确定目标图像的最终关系特征。
可选的,本申请实施例已经依次将待处理图像集中的每一图像都作为目标图像,执行了上述S202的操作,所以对于待处理图像集中的每一图像都为其确定了初始关系特征和相似图像,由于相似图像也是待处理图像集中的图像,所以对于相似度图像,也确定出了初始关系特征。此时本步骤在为待处理图像集中的目标图像确定其最终的关系特征时,可以是将该目标图像的初始关系特征,和该目标图像的相似图像的初始关系特征进行融合处理(如求均值处理),得到该目标图像的最终关系特征。
示例性的,假设图像1的初始关系特征为(0,1,0,1,0,1,0,1,0,0),图像1的相似图像,即图像2、图像4、图像6和图像8的初始关系特征分别为(1,0,1,1,0,0,0,1,0,0)、(1,1,1,1,0,0,0,0,0,0)、(1,1,0,1,0,0,1,0,0,0)和(1,0,0,1,1,0,1,0,0,0),则对上述5个初始关系特征进行求均值处理,得到图像1的最终关系特征(4/5,3/5,2/5,1,1/5,1/5,2/5,2/5,0,0)。
S204,根据最终关系特征,确定待处理图像集的特征相似度。
本申请实施例的技术方案,根据待处理图像集中图像的像素特征,确定待处理图像集中不同图像之间的相似关系,依次将待处理图像集中的每张图像作为目标图像,根据目标图像与其他图像的相似关系,为目标图像确定初始关系特征的同时,还要从其他图像中确定目标图像的相似图像,进而融合目标图像及其相似图像的初始关系特征,得到目标图像的最终关系特征,进而根据各个目标图像的最终关系特征,重新确定待处理图像集的特征相似度。本申请实施例的方案,在为目标图像确定最终关系特征时,不但考虑了目标图像根据相似关系确定的初始关系特征,还结合了目标图像的相似图像的初始关系特征,使得为目标图像重新确定的关系特征更为准确,进而提高了后续基于该关系特征确定的图像间相似度的准确性。
进一步的,在本申请实施例中,根据目标图像的初始关系特征,和目标图像的相似图像的初始关系特征,确定目标图像的最终关系特征时,还可以包括:根据目标图像与目标图像的相似图像之间的相似关系,从相似图像中,选择预设个数的中间图像;根据目标图像的初始关系特征,和中间图像的初始关系特征,确定目标图像的最终关系特征。具体的,可以是依次将待处理图像集中的每一图像作为目标图像,对该目标图像与其相似图像的相似关系(即相似关系中的相似值)进行分析,从其多个相似图像中选择相似值较高的预设个数的相似图像作为中间图像。例如,假设一张图像的相似图像有k个,可以选择相似值较高的k/2个相似图像作为中间图像。对目标图像的初始关系特征,和目标图像的中间图像的初始关系特征融合得到该目标图像的最终关系特征。本申请实施例这样设置的好处是:对于待处理图像中的每一图像,将其与相似值较高的少量相似图像(即中间图像)的初始关系特征进行融合,来确定该图像的最终关系特征,不但提高了最终关系特征确定的准确性,还提高了最终关系特征的确定效率。
图3是根据本申请实施例提供的另一种图像处理方法的流程图。本实施例在上述各实施例的基础上,对待处理图像集中目标图像的初始关系特征的确定进行了进一步的优化。如图3所示,该方法包括:
S301,根据待处理图像集中图像的像素特征,确定待处理图像集中不同图像之间的相似关系。
S302,根据相似关系,确定待处理图像集中目标图像的初始关系特征,和目标图像的相似图像。
S303,对待处理图像集中目标图像的初始关系特征进行修正处理。
可选的,在确定待处理图像集中目标图像的相似关系时,可能存在相似关系不对称的情况,例如,图像1的相似关系表明其与图像3不是相似图像,但是图像3的相似关系却表明其与图像1是相似图像。相似关系的不对称就会导致确定的初始关系特征不对称。为了解决该问题,本申请实施例可以是在将待处理图像集中的每一图像都作为目标图像,执行了S302确定初始关系特征的操作后,对S302确定的每一目标图像(即待处理图像集中的每一图像)的初始关系特征进行修正。具体的,本申请实施例可以通过多种方式来对待处理图像集中的目标图像进行初始关系特征的修正。对此本申请实施例不进行限定。方式一、对待处理图像集中的两两图像进行对应相似关系的一致性判断,如果两图像相对应的相似关系一致,则无需修改,如果不一致,则将两者的相似关系修正为相似。例如,若图像1的相似关系表明图像3不是相似图像,而图像3的相似关系表明图像1是相似图像,此时图像1和图像3相互对应的相似关系不一致,需要对图像1的初始关系特征进行修正,即在图像1的相似关系中将其与图像3的相似关系修正为相似。
方式二、根据待处理图像集中目标图像的初始关系特征,生成待处理图像集的图像关系矩阵;对图像关系矩阵进行转置相加处理;根据处理后的图像关系矩阵,确定待处理图像集中目标图像修正后的初始关系特征。具体的,该方式可以是将待处理图像集中的每一目标图像(即待处理图像集中的每一图像)的初始关系特征进行组合,形成待处理图像集的关系矩阵,例如,假设待处理图像集中有N张图像,每张图像的初始关系特征为1×N的矩阵,则将N张图像的1×N的矩阵进行组合,形成1个N×N的矩阵A,即该矩阵A即为待处理图像集的图像关系矩阵。然后对该矩阵A进行转置相加处理(即AT+A),即可以得到修正后的关系特征对称的图像关系矩阵,然后再从修正后的该关系特征矩阵中提取出每个目标图像修正后的初始关系特征。例如,可以将修正后的关系特征矩阵的第一行作为图像1的初始关系特征;将第二行作为图像2的初始关系特征,以此类推。本申请实施例优选方式二来对待处理图像集中的目标图像进行初始关系特征的修正,这样设置的好处是,降低了初始关系特征修正的复杂度,提高了修正效率和准确性。
S304,根据目标图像修正后的初始关系特征,和目标图像的相似图像修正后的初始关系特征,确定目标图像的最终关系特征。
可选的,由于本申请实施例S303的操作,保证了目标图像修正后的初始关系特征的对称性,所以此时为了提高最终关系特征的确定效率和准确性,本申请实施例可以是从目标图像的相似图像中,选择相似值较高的预设个数(如预设个数可以取值为相似图像个数的一半)的中间图像;根据目标图像的初始关系特征,和中间图像的初始关系特征,确定目标图像的最终关系特征。
S305,根据最终关系特征,确定待处理图像集的特征相似度。
本申请实施例的技术方案,根据待处理图像集中图像的像素特征,确定待处理图像集中不同图像之间的相似关系,依次将待处理图像集中的每张图像作为目标图像,根据目标图像与其他图像的相似关系,为目标图像确定初始关系特征的同时,还要确定目标图像的相似图像。对目标图像的初始关系特征进行修正,融合目标图像修正后的初始关系特征,和目标图像的相似图像修正后的初始关系特征,得到目标图像的最终关系特征,进而根据目标图像的最终关系特征,重新确定待处理图像集的特征相似度。本申请实施例的方案,在为每张图像确定了初始关系特征后,为了保证待处理图像集中图像的初始关系特征的对称性,对确定的初始关系特征进行了修正,提高了初始关系特征的准确性,保证了为每一图像重新确定的关系特征更为准确,进而提高了后续基于该关系特征确定的图像间相似度的准确性。
图4是根据本申请实施例提供的另一种图像处理方法的流程图。本实施例在上述各实施例的基础上,给出了根据待处理图像集中图像的像素特征,确定所述待处理图像集中不同图像之间的相似关系的具体情况介绍。如图4所示,该方法包括:
S401,根据待处理图像集中目标图像的像素特征与其他图像的像素特征,确定目标图像与其他图像之间的相似值。
其中,目标图像可以是待处理图像集中的任意一张图像,本申请实施例可以是依次将待处理图像集中的每一图像作为目标图像来执行本申请实施例各步骤的操作。其他图像可以是待处理图像集中除目标图像以外的其他所有图像。
可选的,在本申请实施例中,可以是依次将待处理图像集中的每一图像作为目标图像,将目标图像的像素图像与各个其他图像的像素图像进行相似度计算,得到目标图像与每个其他图像之间的相似值。例如,可以是计算目标图像与每个其他图像的像素特征之间的欧式距离或余弦距离,并将计算得到的距离值作为该目标图像与该其他图像之间的相似值。
S402,根据相似值,对其他图像进行排序。
可选的,本步骤可以是基于S401的计算结果,依次将待处理图像集中的每一图像作为目标图像,根据该目标图像与除该目标图像以外的各个其他图像之间的相似值,对各个其他图像按照相似值由高到低(或由低到高)的顺序进行排序。示例性的,假设待处理图像集中有10张图像,其中的图像1,与其他图像(即图像2至图像10)之间的相似值分别为90%、20%、95%、30%、86%、10%、98%、70%和15%,此时可以是对除图像1以外的图像2至图像10按照相似度由高到低的顺序进行排序,排序结果为:图像8(98%)>图像4(95%)>图像2(90%)>图像6(86%)>图像9(70%)>图像5(30%)>图像3(20%)>图像10(15%)>图像7(10%)。
S403,根据排序结果,确定目标图像与其他图像间的相似关系。
可选的,本申请实施例根据上述S402的排序结果,确定目标图像与其他图像间的相似关系时,可以是将排序结果中,相似值大于或等于相似阈值(如85%)的其他图像作为该目标图像的相似图像,将相似值低于相似阈值的其他图像作为该目标图像的无关图像;还可以是将排序靠前的k个其他图像,将其作为该目标图像的相似图像,剩余的其他图像作为该目标图像的无关图像。进而将与目标图像是相似图像的其他图像的相似关系设置为相似,将与目标图像是无关图像的其他图像的相似关系设置为不相似。
示例性的,假设S402的排序结果是:图像8(98%)>图像4(95%)>图像2(90%)>图像6(86%)>图像9(70%)>图像5(30%)>图像3(20%)>图像10(15%)>图像7(10%),则可以是选择了相似值大于或等于相似阈值85%,或者选择相似值排名靠前的4张其他图像,即图像2、图像4、图像6和图像8作为图像1的相似图像,进而设置图像1与图像2、图像4、图像6和图像8之间的相似关系为相似,设置图像1与图像3、图像5、图像7、图像9和图像10之间的相似关系为不相似。
可选的,在确定目标图像与其他图像间的相似关系时,还可以是在标注两图像是否相似的基础上,该相似关系中添加两图像之间的相似值。
S404,根据相似关系,确定待处理图像集中图像的关系特征。
可选的,本申请实施例可以是根据待处理图像集中,每个目标图像与其他图像间的相似关系,确定待处理图像集中该目标图像的关系特征,具体的确定方式已经在上述实施例进行了详细介绍,在此本实施例不进行赘述。
S405,根据关系特征,确定待处理图像集的特征相似度。
本申请实施例的技术方案,依次将待处理图像集中的每张图像作为目标图像,计算目标图像的像素特征和除目标图像以外的其他图像的像素特征之间的相似值,根据该相似值,对其他图像进行排序,并根据排序结果确定目标图像与其他图像之间的相似关系,根据该相似关系,确定目标图像的关系特征,进而根据待处理图像集中各目标图像的关系特征,确定待处理图像集的特征相似度。本申请实施例的方案,给出了一种确定不同图像之间相似关系的实现方式,该方式可以快速准确的确定出待处理图像集中每一图像与各个其他图像之间的相似关系,为后续快速准确的确定关系特征和特征相似度提供了保证。
图5是根据本申请实施例提供的另一种图像处理方法的流程图。本实施例在上述实施例的基础上,进行了进一步的优化。给出了本申请的图像处理方法在实际场景下的应用。例如,可以是智能交通领域的车辆再识别系统利用本申请实施例的图像处理方法进行目标车辆的识别。如图5所示,该方法包括:
S501,根据待处理图像集中图像的像素特征,确定待处理图像集中不同图像之间的相似关系。
S502,根据相似关系,确定待处理图像集中图像的关系特征。
S503,根据关系特征,确定待处理图像集的特征相似度。
需要说明的是,在本申请实施例中,对于待处理图像集中的每一图像都要执行上述S501-S503的操作,来确定待处理图像集的特征相似度。
S504,根据待处理图像集中目标图像与其他图像之间的特征相似度,从其他图像中确定目标图像的匹配图像。
其中,本申请实施例的目标图像可以是待处理图像集中的任意一张图像,该图像是需要进行目标识别的图像,即以该目标图像为基准,在待处理图像集的其他图像中选择与该目标图像匹配的图像。例如,假设本申请实施例是智能交通领域的车辆再识别系统利用本申请实施例的图像处理方法进行目标车辆的识别,则此时目标图像为车辆再识别系统需要进行识别的目标车辆对应的图像。需要与待处理图像集中出目标图像以外的其他图像可以是道路中的摄像头拍摄到的各行驶车辆的图像,或者是车辆检索库(如车管所的车辆管理库)中包含的大量车辆图像。
可选的,由于S503为待处理图像集确定了特征相似度,即根据该特征相似度可以知道待处理图像集中任意图像与各个其他图像之间的特征相似值,所以此时可以从中获取待处理图像集中目标图像与其他图像之间的特征相似值,对其他图像按照特征相似值的高低进行再排序,进而选择排序靠前的预设个数(如前2个)的其他图像,作为目标图像的匹配图像;还可以是根据排序结果,选择特征相似值大于一定阈值(如90%)的其他图像,作为该目标图像的匹配图像等。
需要说明的是,本申请实施例根据目标图像与其他图像间的特征相似值,对其他图像进行再排序的过程,相比于现有技术将待处理图像集中图像的像素特征计算的相似值作为图像的新特征,来重新计算两两图像间的相似值进行再排序的方案相比,本申请实施例的方案计算过程复杂度较低,可以提高从待处理图像集中查找目标图像的匹配图像的效率,提高了匹配图像识别的实时性。例如,对于利用本申请实施例的方案进行目标车辆识别的车辆再识别系统,可以实时准确的从摄像头拍摄的道路车辆图像中识别与目标车辆匹配的车辆图像。有效缓解车辆姿态导致的车辆外观变化的影响,提高车辆再识别的精度和效率。
需要说明的是,若本申请实施例的图像处理方法应用在了上述实施例介绍的车辆再识别系统中,则执行上述方法的电子设备可以为部署有车辆在识别系统的电子设备。
本申请实施例的技术方案,针对待处理图像集中的每张图像的像素特征,确定待处理图像集中不同图像之间的相似关系,基于该相似关系,为每张图像确定新的关系特征,进而根据该关系特征,重新确定待处理图像集的特征相似度。根据待处理图像集中目标图像与其他图像间的特征相似,对其他图像进行再排序,进而从其他图像中确定目标图像的匹配图像。本申请实施例的方案,表征待处理图像集的相似度是通过待处理图像集中两两图像之间的关系特征确定的,并非现有技术的图像像素特征,解决了图像拍摄受拍摄环境、拍摄角度和拍摄光线等影响,导致基于图像像素特征计算图像间的相似度准确性较低的问题,保证了计算出的图像间的相似度的准确性和实时性,基于该相似度,可以快速且准确的从待处理图像集中找到目标图像的匹配图像。为从大量图像中识别目标图像提供了一种新思路。
图6是根据本申请实施例提供的一种图像处理装置的结构示意图。本实施例适用于对包含多个待处理图像的图像集进行相似度计算的情况。该装置可实现本申请任意实施例的图像处理方法。该装置600具体包括如下:
相似关系确定模块601,用于根据待处理图像集中图像的像素特征,确定所述待处理图像集中不同图像之间的相似关系;
关系特征确定模块602,用于根据所述相似关系,确定所述待处理图像集中图像的关系特征;
相似度确定模块603,用于根据所述关系特征,确定所述待处理图像集的特征相似度。
本申请实施例的技术方案,通过待处理图像集中图像的像素特征,确定待处理图像集中不同图像之间的相似关系,根据该相似关系,为待处理图像集中的图像确定新的关系特征,进而根据该关系特征,重新确定待处理图像集的特征相似度。本申请实施例的方法,表征待处理图像集的相似度是通过待处理图像集中两两图像之间的关系特征确定的,并非现有技术的图像像素特征。解决了图像拍摄受拍摄环境、拍摄角度和拍摄光线等影响,使得同一目标对象在不同图像中提取的像素特征缺乏鲁棒性,存在基于图像像素特征计算图像间的相似度准确性较低的问题,提高了图像间相似度计算的准确性。另外,本申请实施例计算图像的关系特征和特征相似度的算法复杂度较低,提高了图像间相似度计算的实时性。为图像间相似度的计算提供了一种新思路。
进一步的,所述关系特征确定602模块包括:
相似关系分析单元,用于根据所述相似关系,确定所述待处理图像集中目标图像的初始关系特征,和所述目标图像的相似图像;
关系特征处理单元,用于根据所述目标图像的初始关系特征,和所述目标图像的相似图像的初始关系特征,确定所述目标图像的最终关系特征。
进一步的,所述关系特征处理单元具体用于:
根据所述目标图像与所述目标图像的相似图像之间的相似关系,从所述相似图像中,选择预设个数的中间图像;
根据所述目标图像的初始关系特征,和所述中间图像的初始关系特征,确定所述目标图像的最终关系特征。
进一步的,所述关系特征确定模块602还包括:
关系特征修正单元,用于对所述待处理图像集中目标图像的初始关系特征进行修正处理。
进一步的,所述关系特征修正单元具体用于:
根据所述待处理图像集中目标图像的初始关系特征,生成所述待处理图像集的图像关系矩阵;
对所述图像关系矩阵进行转置相加处理;
根据处理后的图像关系矩阵,确定待处理图像集中目标图像修正后的初始关系特征。
进一步的,所述相似关系确定模块601包括:
相似值确定单元,用于根据所述待处理图像集中目标图像的像素特征与其他图像的像素特征,确定所述目标图像与其他图像之间的相似值;
图像排序单元,用于根据所述相似值,对所述其他图像进行排序;
相似关系确定单元,用于根据排序结果,确定所述目标图像与所述其他图像之间的相似关系。
进一步的,所述装置还包括:
图像匹配模块,用于根据待处理图像集中目标图像与其他图像之间的特征相似度,从所述其他图像中确定所述目标图像的匹配图像。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图7所示,是根据本申请实施例的实现图像处理方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。可选的,该电子设备还可以是配置有车辆再识别系统的电子设备。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器701、存储器702,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的图像处理方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的图像处理方法。
存储器702作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的图像处理方法对应的程序指令/模块(例如,附图6所示的相似关系确定模块601、关系特征确定模块602和相似度确定模块603)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的图像处理方法。
存储器702可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据实现图像处理方法的电子设备的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至实现图像处理方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现图像处理方法的电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与实现图像处理方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
根据本申请实施例的技术方案,通过待处理图像集中图像的像素特征,确定待处理图像集中不同图像之间的相似关系,根据该相似关系,为待处理图像集中的图像确定新的关系特征,进而根据该关系特征,重新确定待处理图像集的特征相似度。本申请实施例的方法,表征待处理图像集的相似度是通过待处理图像集中两两图像之间的关系特征确定的,并非现有技术的图像像素特征。解决了图像拍摄受拍摄环境、拍摄角度和拍摄光线等影响,使得同一目标对象在不同图像中提取的像素特征缺乏鲁棒性,存在基于图像像素特征计算图像间的相似度准确性较低的问题,提高了图像间相似度计算的准确性。另外,本申请实施例计算图像的关系特征和特征相似度的算法复杂度较低,提高了图像间相似度计算的实时性。为图像间相似度的计算提供了一种新思路。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (12)
1.一种图像处理方法,包括:
根据待处理图像集中图像的像素特征,确定所述待处理图像集中不同图像之间的相似关系;
根据所述相似关系,确定所述待处理图像集中目标图像的初始关系特征,和所述目标图像的相似图像;根据所述目标图像与所述目标图像的相似图像之间的相似关系,从所述相似图像中,选择预设个数的中间图像;根据所述目标图像的初始关系特征,和所述中间图像的初始关系特征,确定所述目标图像的最终关系特征;
根据所述最终关系特征,确定所述待处理图像集的特征相似度。
2.根据权利要求1所述的方法,在根据所述相似关系,确定所述待处理图像集中目标图像的初始关系特征之后,还包括:
对所述待处理图像集中目标图像的初始关系特征进行修正处理。
3.根据权利要求2所述的方法,其中,对所述待处理图像集中目标图像的初始关系特征进行修正处理,包括:
根据所述待处理图像集中目标图像的初始关系特征,生成所述待处理图像集的图像关系矩阵;
对所述图像关系矩阵进行转置相加处理;
根据处理后的图像关系矩阵,确定所述待处理图像集中目标图像修正后的初始关系特征。
4.根据权利要求1所述的方法,其中,根据待处理图像集中图像的像素特征,确定所述待处理图像集中不同图像之间的相似关系,包括:
根据所述待处理图像集中目标图像的像素特征与其他图像的像素特征,确定所述目标图像与其他图像之间的相似值;
根据所述相似值,对所述其他图像进行排序;
根据排序结果,确定所述目标图像与所述其他图像之间的相似关系。
5.根据权利要求1所述的方法,还包括:
根据待处理图像集中目标图像与其他图像之间的特征相似度,从所述其他图像中确定所述目标图像的匹配图像。
6.一种图像处理装置,包括:
相似关系确定模块,用于根据待处理图像集中图像的像素特征,确定所述待处理图像集中不同图像之间的相似关系;
关系特征确定模块,用于根据所述相似关系,确定所述待处理图像集中目标图像的初始关系特征,和所述目标图像的相似图像;根据所述目标图像与所述目标图像的相似图像之间的相似关系,从所述相似图像中,选择预设个数的中间图像;根据所述目标图像的初始关系特征,和所述中间图像的初始关系特征,确定所述目标图像的最终关系特征;
相似度确定模块,用于根据所述最终关系特征,确定所述待处理图像集的特征相似度。
7.根据权利要求6所述的装置,其中,所述关系特征确定模块还包括:
关系特征修正单元,用于对所述待处理图像集中目标图像的初始关系特征进行修正处理。
8.根据权利要求7所述的装置,其中,所述关系特征修正单元具体用于:
根据所述待处理图像集中目标图像的初始关系特征,生成所述待处理图像集的图像关系矩阵;
对所述图像关系矩阵进行转置相加处理;
根据处理后的图像关系矩阵,确定所述待处理图像集中目标图像修正后的初始关系特征。
9.根据权利要求6所述的装置,其中,所述相似关系确定模块包括:
相似值确定单元,用于根据所述待处理图像集中目标图像的像素特征与其他图像的像素特征,确定所述目标图像与其他图像之间的相似值;
图像排序单元,用于根据所述相似值,对所述其他图像进行排序;
相似关系确定单元,用于根据排序结果,确定所述目标图像与所述其他图像之间的相似关系。
10.根据权利要求6所述的装置,还包括:
图像匹配模块,用于根据待处理图像集中目标图像与其他图像之间的特征相似度,从所述其他图像中确定所述目标图像的匹配图像。
11. 一种电子设备,其中,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的图像处理方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011196706.1A CN112183484B (zh) | 2020-10-30 | 2020-10-30 | 一种图像处理方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011196706.1A CN112183484B (zh) | 2020-10-30 | 2020-10-30 | 一种图像处理方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183484A CN112183484A (zh) | 2021-01-05 |
CN112183484B true CN112183484B (zh) | 2023-08-29 |
Family
ID=73916431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011196706.1A Active CN112183484B (zh) | 2020-10-30 | 2020-10-30 | 一种图像处理方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183484B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116226297B (zh) * | 2023-05-05 | 2023-07-25 | 深圳市唯特视科技有限公司 | 数据模型的可视化搜索方法、系统、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109377444A (zh) * | 2018-08-31 | 2019-02-22 | 平安科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN110222775A (zh) * | 2019-06-10 | 2019-09-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN110866881A (zh) * | 2019-11-15 | 2020-03-06 | RealMe重庆移动通信有限公司 | 图像处理方法及装置、存储介质和电子设备 |
CN111061890A (zh) * | 2019-12-09 | 2020-04-24 | 腾讯云计算(北京)有限责任公司 | 一种标注信息验证的方法、类别确定的方法及装置 |
CN111738362A (zh) * | 2020-08-03 | 2020-10-02 | 成都睿沿科技有限公司 | 对象识别方法及装置、存储介质及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9607014B2 (en) * | 2013-10-31 | 2017-03-28 | Adobe Systems Incorporated | Image tagging |
-
2020
- 2020-10-30 CN CN202011196706.1A patent/CN112183484B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109377444A (zh) * | 2018-08-31 | 2019-02-22 | 平安科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN110222775A (zh) * | 2019-06-10 | 2019-09-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN110866881A (zh) * | 2019-11-15 | 2020-03-06 | RealMe重庆移动通信有限公司 | 图像处理方法及装置、存储介质和电子设备 |
CN111061890A (zh) * | 2019-12-09 | 2020-04-24 | 腾讯云计算(北京)有限责任公司 | 一种标注信息验证的方法、类别确定的方法及装置 |
CN111738362A (zh) * | 2020-08-03 | 2020-10-02 | 成都睿沿科技有限公司 | 对象识别方法及装置、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
Jiamin Liu等.Multiple Characteristics Similarity Metric Method for Hyperspectral Image Classification.《IEEE Access》.2020,摘要. * |
Also Published As
Publication number | Publication date |
---|---|
CN112183484A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626119B (zh) | 目标识别模型训练方法、装置、设备以及存储介质 | |
CN112528850B (zh) | 人体识别方法、装置、设备和存储介质 | |
CN111723768B (zh) | 车辆重识别的方法、装置、设备和存储介质 | |
US11899710B2 (en) | Image recognition method, electronic device and storage medium | |
CN111709973B (zh) | 目标跟踪方法、装置、设备及存储介质 | |
CN111768381A (zh) | 零部件缺陷检测方法、装置及电子设备 | |
CN110659600B (zh) | 物体检测方法、装置及设备 | |
CN111462174B (zh) | 多目标跟踪方法、装置以及电子设备 | |
CN111291729B (zh) | 一种人体姿态估计方法、装置、设备及存储介质 | |
CN112150462B (zh) | 确定目标锚点的方法、装置、设备以及存储介质 | |
CN112668586B (zh) | 模型训练、图片处理方法及设备、存储介质、程序产品 | |
CN110555838A (zh) | 基于图像的零件故障检测方法及装置 | |
CN112149741B (zh) | 图像识别模型的训练方法、装置、电子设备及存储介质 | |
CN112561053B (zh) | 图像处理方法、预训练模型的训练方法、装置和电子设备 | |
CN111695519B (zh) | 关键点定位方法、装置、设备以及存储介质 | |
JP2022160646A (ja) | ビデオジッタの検出方法、装置、電子機器および記憶媒体 | |
US11423650B2 (en) | Visual positioning method and apparatus, and computer-readable storage medium | |
CN112288699B (zh) | 图像相对清晰度的评估方法、装置、设备和介质 | |
CN112001265B (zh) | 视频事件识别方法、装置、电子设备及存储介质 | |
CN111783760A (zh) | 文字识别的方法、装置、电子设备及计算机可读存储介质 | |
CN111861991B (zh) | 计算图像清晰度的方法以及装置 | |
CN111709428B (zh) | 图像中关键点位置的识别方法、装置、电子设备及介质 | |
CN112183484B (zh) | 一种图像处理方法、装置、设备以及存储介质 | |
CN111191619A (zh) | 车道线虚线段的检测方法、装置、设备和可读存储介质 | |
CN112560772B (zh) | 人脸的识别方法、装置、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 |