CN112712090A - 一种图像处理方法、装置、设备及存储介质 - Google Patents
一种图像处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112712090A CN112712090A CN201911018814.7A CN201911018814A CN112712090A CN 112712090 A CN112712090 A CN 112712090A CN 201911018814 A CN201911018814 A CN 201911018814A CN 112712090 A CN112712090 A CN 112712090A
- Authority
- CN
- China
- Prior art keywords
- image
- matrix
- filter
- value
- hash value
- 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
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
- G06V10/44—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
- G06V10/443—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 by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种图像处理方法、装置、设备及存储介质,该方法包括:获取待处理的第一图像;利用预设的n个滤波器对所述第一图像提取图像特征矩阵,以得到所述第一图像的n个图像特征矩阵,其中,一个滤波器对所述第一图像提取一个图像特征矩阵,n为整数,所述滤波器基于表示空域和频域关系的多个特定矩阵表达;对所述第一图像的n个图像特征矩阵进行池化,得到第一图像的n个池化后图像特征矩阵;根据所述第一图像的n个池化后图像特征矩阵,确定所述第一图像的哈希值;根据所述第一图像的哈希值处理所述第一图像。本发明实施例可通过提高图像频率特征的准确性,进而提升图像处理准确性,其中在计算图像相似度中具有相当出色的正确率。
Description
技术领域
本发明实施例涉及图像处理领域,具体涉及一种图像处理方法、装置、设备及存储介质。
背景技术
图像处理又称为影像处理,是对图像进行处理以达到预期目的的过程,典型的图像处理例如图像识别、图像相似判定等。
图像处理过程,通常需要确定图像的哈希值,从而基于图像的哈希值实现图像处理,因此准确的确定图像的哈希值,对于提升图像处理准确性至关重要。可见,如何通过提升图像哈希值的确定准确性,以实现提升图像处理准确性,成为本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明实施例提供一种图像处理方法、装置、设备及存储介质,可通过提高图像频率特征的准确性,进而提升图像处理准确性,其中在计算图像相似度中具有相当出色的正确率。
为实现上述目的,本发明实施例提供如下技术方案:
一种图像处理方法,包括:
获取待处理的第一图像;
利用预设的n个滤波器对所述第一图像提取图像特征矩阵,以得到所述第一图像的n个图像特征矩阵,其中,一个滤波器对所述第一图像提取一个图像特征矩阵,n为整数,所述滤波器基于表示空域和频域关系的多个特定矩阵表达;
对所述第一图像的n个图像特征矩阵进行池化,得到第一图像的n个池化后图像特征矩阵;
根据所述第一图像的n个池化后图像特征矩阵,确定所述第一图像的哈希值;
根据所述第一图像的哈希值处理所述第一图像。
本发明实施例还提供一种图像处理装置,包括:
获取模块,用于获取待处理的第一图像;
提取模块,用于利用预设的n个滤波器对所述第一图像提取图像特征矩阵,以得到所述第一图像的n个图像特征矩阵,其中,一个滤波器对所述第一图像提取一个图像特征矩阵,n为整数,所述滤波器基于表示空域和频域关系的多个特定矩阵表达;
池化模块,用于对所述第一图像的n个图像特征矩阵进行池化,得到第一图像的n个池化后图像特征矩阵;
哈希值确定模块,用于根据所述第一图像的n个池化后图像特征矩阵,确定所述第一图像的哈希值;
处理模块,用于根据所述第一图像的哈希值处理所述第一图像。
本发明实施例还提供一种图像处理设备,包括至少一个存储器和至少一个处理器,所述存储器存储程序,所述处理器调用所述程序,所述程序用于执行上述所述的图像处理方法。
本发明实施例还提供一种存储介质,所述存储介质存储执行上述所述的图像处理方法的程序。
本发明实施例提供的图像处理方法,可获取待处理的第一图像;利用预设的n个滤波器对所述第一图像提取图像特征矩阵,以得到所述第一图像的n个图像特征矩阵,其中,一个滤波器对所述第一图像提取一个图像特征矩阵,n为整数,所述滤波器基于表示空域和频域关系的多个特定矩阵表达;对所述第一图像的n个图像特征矩阵进行池化,得到第一图像的n个池化后图像特征矩阵;根据所述第一图像的n个池化后图像特征矩阵,确定所述第一图像的哈希值;根据所述第一图像的哈希值处理所述第一图像。
可见,本发明实施例可使用滤波器提取第一图像的n个图像特征矩阵,以基于所提取的第一图像的n个图像特征矩阵进行后续处理,确定第一图像的哈希值,从而基于第一图像的哈希值处理第一图像;由于滤波器能够准确体现空域和频域关系,从而能够更为精准的将图像的空域特征转化为频率特征,因此使用滤波器提取第一图像的n个图像特征矩阵,能够在尽量保留图像细节特征的条件下,对图像的噪声进行抑制,并且能够得到准确性较高的图像频率特征,从而提升提取的图像频率特征的准确性,因此基于滤波器提取的图像特征矩阵相比于二维离散余弦变换方式具有更好的效果,能够得到更为准确的图像特征矩阵,从而基于提取得到的更为准确的图像特征矩阵进行图像哈希值的确定,可以提升图像哈希值的确定准确性,进而基于更为准确的图像哈希值进行图像处理,可以提升图像处理的准确性。
因此本发明实施例提供的图像处理方法,通过提高图像频率特征的准确性,进一步提升图像哈希值的确定准确性,进而提升图像处理准确性,其中在计算图像相似度中具有相当出色的正确率。
附图说明
为了更清楚地说明本申请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,下面描述中的附图仅仅是本申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的图像处理方法的流程图;
图2为本发明实施例提供的改进滤波器的流程图;
图3为初始化矩阵的示例图;
图4为本发明实施例提供的提取图像频率特征矩阵的流程图;
图5为本发明实施例提供的确定图像频率数据的流程图;
图6为第i个滤波器提取图像频率特征矩阵的流程图;
图7为本发明实施例提供的池化流程图;
图8为本发明实施例提供的确定哈希值的流程图;
图9为本发明实施例的应用过程图;
图10为本发明实施例提供的图像处理装置的框图;
图11为本发明实施例提供的图像处理装置的另一框图;
图12为本发明实施例提供的图像处理设备的硬件结构图。
具体实施方式
确定图像的哈希值是需要建立在确定图像特征(例如图像频率特征)的基础上,目前一般是使用二维离散余弦变换确定图像的图像特征矩阵(图像特征矩阵可以认为是以矩阵形式表达的图像特征),离散余弦变换(DCT for Discrete Cosine Transform)是与傅里叶变换相关的一种变换,它类似于离散傅里叶变换(DFT for Discrete FourierTransform),但是只使用实数,二维离散余弦变换是离散余弦变换的一种形式,可用得到二维的变换结果;发明人发现虽然使用二维离散余弦变换可以确定二维的图像特征矩阵,以基于二维的图像特征矩阵确定图像的哈希值,但其确定图像哈希值的准确性仍然存在局限。基于此,发明人考虑使用滤波器对图像提取图像特征矩阵,从而提升图像特征矩阵提取的准确性,得到更为准确、清晰的图像纹理,进而基于滤波器提取的图像特征矩阵实现确定图像的哈希值,以便通过图像的哈希值进行图像处理,实现提升图像处理准确性。
基于上述思路,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在一种可选实现中,图1示出了本发明实施例提供的图像处理方法的流程图,如图1所示,该流程图可以包括:
S1、获取待处理的第一图像。
所述第一图像可以是本发明实施例待进行图像处理的任一图像。
可选的,第一图像可以具有特定的格式要求,在第一图像的原始图像不满足该格式要求时,本发明实施例可对原始图像进行预处理,以得到所述第一图像;当然,若在原始图像满足该格式要求时,本发明实施例可将所述原始图像作为是第一图像。
可选的,上述所述的格式要求可以例如图像尺寸要求,色彩要求等,根据实际的图像处理需求,本发明实施例可以设定不同的格式要求,在一种可选示例中,第一图像可以是满足设定尺寸的灰度图像。
在一种可选实现中,若要求第一图像为满足设定尺寸的灰度图像,则本发明实施例可通过下述对原始图像的预处理,以得到第一图像:
将所述原始图像缩放到设定尺寸,得到缩放图像;由于原始图像的尺寸可能不满足所述设定尺寸,因此本发明实施例可将原始图像进行尺寸缩放,从而得到设定尺寸的缩放图像;
对所述缩放图像进行转灰度,得到所述待处理的第一图像,从而所述第一图像即为满足设定尺寸的灰度图像。
在一种示例中,在图像相似判定场景下,第一图像可以是待判定的其中一个图像,又如在图像检测场景下,第一图像可以是待检测的图像。
S2、利用预设的n个滤波器对所述第一图像提取图像特征矩阵,以得到所述第一图像的n个图像特征矩阵,其中,一个滤波器对所述第一图像提取一个图像特征矩阵,n为整数,所述滤波器基于表示空域和频域关系的多个特定矩阵表达。
所述滤波器能够在尽量保留图像细节特征的条件下,对图像的噪声进行抑制,从而得到更为准确、清晰的图像特征;滤波器可以有非线性滤波器、形态学滤波器和Gabor滤波器等,本发明实施例可通过预先设置n个滤波器对所述第一图像提取图像特征矩阵,从而得到第一图像的n个图像特征矩阵。
图像特征矩阵是通过矩阵形式(如二维矩阵)表示图像特征,所述图像特征矩阵例如图像频率特征矩阵,图像频率特征可以作为图像的主要特征内容。
可选的,预先设置的n个滤波器可以是区别于传统滤波器的改进的n个滤波器,传统的滤波器由用高斯函数调制的复正弦函数表示,能够在给定图像区域内提取出局部的图像频率特征,但其图像频率特征提取效果仍然有限,本发明实施例可基于与表示空域和频域关系的多个特定矩阵来表达滤波器,从而使得滤波器能够更为精准的将图像的空域特征转化为频率特征;
在一种示例中,预先设置的n个滤波器可以是n个Gabor滤波器,通过预先设置的n个Gabor滤波器对所述第一图像提取图像特征矩阵,可得到第一图像的n个图像特征矩阵;该预设的n个Gabor滤波器可区别于传统Gabor滤波器,其可以由表示空域和频域关系的多个特定矩阵表达,从而使得提取的图像频率特征更为精准。
在本发明实施例中,对第一图像提取图像特征矩阵,从而得到第一图像的n个图像特征矩阵的可选实现可以是:使用n个改进后的Gabor滤波器,对所述第一图像提取图像特征矩阵,以一个改进后的Gabor滤波器滤波器对所述第一图像提取一个图像特征矩阵的方式,提取到第一图像的n个图像特征矩阵。
需要说明的是,Gabor滤波器仅是步骤S2中所使用的滤波器的一种可选方式,基于滤波器的特性,本发明实施例可以提取到相比于二维离散余弦变换更为准确、清晰的图像特征矩阵。
S3、对所述第一图像的n个图像特征矩阵进行池化,得到第一图像的n个池化后图像特征矩阵;
池化也称为下采样或者欠采样,主要用于特征降维,压缩数据和参数的数量,减少过拟合,提高模型的容错性。
池化的方式有多种,例如:平均值池化,即取若干个特征值的平均值作为新的特征值;最大值池化,即取若干个特征值的最大值作为新的特征值;最小值池化,即取若干个特征值的最小值作为新的特征值。
由于使用最大值池化的策略对所述第一图像的n个图像特征矩阵进行池化,可以缩小数据维度,减少后续的计算量,因此本发明实施例可使用最大值池化的方式,对所述第一图像的n个图像特征矩阵进行池化,从而得到第一图像的n个池化后图像特征矩阵。当然,本发明实施例也可以使用其他可能的池化方式,对第一图像的n个图像特征矩阵进行池化。
可选的,针对第一图像的n个图像特征矩阵,本发明实施例可对各个图像特征矩阵分别进行池化,各个图像特征矩阵池化后的结果构成,第一图像的n个池化后图像特征矩阵。
S4、根据所述第一图像的n个池化后图像特征矩阵,确定所述第一图像的哈希值;
哈希值是通过一定的哈希算法(典型的有MD5,SHA-1),将一段较长的数据映射为较短的数据,通常为一组二进制值,一旦较长的数据发生了变化,所述哈希值也会进行相应的变化。
需要说明的是,所述n个池化后图像特征矩阵作为较长的数据,可以通过哈希处理,得到以较短数据表示的哈希值,即以哈希方式可以建立所述哈希值与所述n个池化后图像特征矩阵之间的映射;基于此,所述哈希值可用于指示所述第一图像的n个池化后图像特征矩阵;
也就是说,第一图像的n个池化后图像特征矩阵是第一图像的n个图像特征矩阵经过池化得到,则第一图像的n个池化后图像特征矩阵与第一图像的n个图像特征矩阵存在一定的映射关系;而第一图像的n个图像特征矩阵是通过n个滤波器对第一图像进行图像特征提取所得到的,即第一图像的n个图像特征矩阵可用于表示第一图像的图像特征;基于此,所述哈希值可用于指示第一图像的图像特征。
S5、根据所述第一图像的哈希值处理所述第一图像。
通过上述步骤实现对所述第一图像的哈希值的确定后,所述哈希值可用于指示所述第一图像的图像特征,则本发明实施例可基于所述第一图像的哈希值对第一图像进行处理;对第一图像的处理例如对第一图像进行检测,判断第一图像与其他图像(如与第一图像不同的第二图像)是否相似等。
本发明实施例提供的图像处理方法,可获取待处理的第一图像;利用预设的n个滤波器对所述第一图像提取图像特征矩阵,以得到所述第一图像的n个图像特征矩阵,其中,一个滤波器对所述第一图像提取一个图像特征矩阵,n为整数,所述滤波器基于表示空域和频域关系的多个特定矩阵表达;对所述第一图像的n个图像特征矩阵进行池化,得到第一图像的n个池化后图像特征矩阵;根据所述第一图像的n个池化后图像特征矩阵,确定所述第一图像的哈希值;根据所述第一图像的哈希值处理所述第一图像。
可见,本发明实施例可使用滤波器提取第一图像的n个图像特征矩阵,以基于所提取的第一图像的n个图像特征矩阵进行后续处理,确定第一图像的哈希值,从而基于第一图像的哈希值处理第一图像;由于使用滤波器提取第一图像的n个图像特征矩阵,能够在尽量保留图像细节特征的条件下,对图像的噪声进行抑制,从而得到准确、清晰的图像特征,因此基于滤波器提取的图像特征矩阵相比于二维离散余弦变换方式具有更好的效果,能够得到更为准确的图像特征矩阵,从而基于提取得到的更为准确的图像特征矩阵进行图像哈希值的确定,可以提升图像哈希值的确定准确性,进而基于更为准确的图像哈希值进行图像处理,可以提升图像处理的准确性。因此本发明实施例提供的图像处理方法,能够提升图像哈希值的确定准确性,实现提升图像处理准确性。
在一种可选实现方式中,本发明实施例可以使用改进的n个滤波器(例如改进的Gabor滤波器),来提取第一图像的n个图像特征矩阵;可选的,n个滤波器中第i个滤波器的改进流程可以如图2所示,从而n个滤波器中的每个滤波器基于图2所示流程原理可同理改进,从而得到改进的n个滤波器;参见图2,本发明实施例公开了的改进滤波器的流程可以包括:
S10、确定辅助参数矩阵。
可选的,辅助参数矩阵为决定改进后滤波器的因素之一,辅助参数矩阵可以使用Parm表示;在一种可选实现中,步骤S10的一种可选实现可以是:初始化全零矩阵,为初始后的全量矩阵赋值,得到辅助参数矩阵。
可选的,辅助参数矩阵可以是32×4维的矩阵,本发明实施例可以先初始化32×4维的全零矩阵,从而通过对32×4维的全零矩阵进行赋值,确定出辅助参数矩阵。
可选的,在初始化32×4维的全零矩阵后,本发明实施例可以通过下述方式进行该全零矩阵的赋值,从而得到Parm:
其中,index为Parm的第一维度的序号,由1开始累加到32,parm的第二维度为4维,由1-4构成;i与第一维度相应,通过能够32维分为4个8维,则j与第二维度相应。
S11、确定第一辅助矩阵和第二辅助矩阵。
第一辅助矩阵可以由A表示,第二辅助矩阵可以由B表示。在一种可选实现中,本发明实施例可通过滤波器的第一初始化矩阵和第二初始化矩阵确定第一辅助矩阵和第二辅助矩阵。
设第一初始化矩阵为Fx,第二初始化矩阵为Fy,则Fx和Fy可以是数值不同的128×128的矩阵,Fx和Fy的可选示例可以如图3所示;
可选的,在确定第一辅助矩阵A的一种可选实现上,第一辅助矩阵A可以为基于滤波器的第一初始化矩阵和第二初始化矩阵进行快速傅里叶变换(FFT)平移后的矩阵,例如,第一辅助矩阵A可以表示为:对进行FFT平移后的矩阵;
可选的,在确定第二辅助矩阵B的一种可选实现上,第二辅助矩阵B可以为基于滤波器的第一初始化矩阵和第二初始化矩阵的幅角矩阵,进行快速傅里叶变换平移后的矩阵,例如第二辅助矩阵B可以表示为:对Fx+jFy的幅角矩阵进行FFT平移后的矩阵。
S12、确定初始滤波器参数;
可选的,初始滤波器参数可以由Tr1表示,Tr1可以由第二辅助矩阵B及辅助参数矩阵Parm结合确定;可选的,Tr1可以通过如下方式确定:
For i=1:32
Tr1=B+Parm[3,4]。
S13、确定第一赋值矩阵和第二赋值矩阵。
第一赋值矩阵可以由AA表示,第二赋值矩阵可以由BB表示。可选的,本发明实施例可以先将AA和BB均初始化为全零矩阵,从而基于初始滤波器参数Tr1为AA和BB初始化的全零矩阵分别赋值,得到赋值后的第一赋值矩阵和第二赋值矩阵。
可选的,设AA和BB均为128×128维矩阵,则本发明实施例可先为AA和BB分别初始化128×128维的全零矩阵,从而基于Tr1为AA和BB初始化的全零矩阵分别赋值,如果Tr1的一位置的数值小于第一设定值时,则AA的该位置赋值为第一值(如1),否则AA的该位置赋值为第二值(如零),Tr1的一位置的数值大于第二设定值时,则BB的该位置赋值为第一值,否则BB的该位置赋值为第二值,其中所述第一设定值与所述第二设定值为相反数值。
可选的,以第一设定值为-π,第二设定值为π,第一值为1,第二值为0为例,则在为AA和BB分别初始化128×128维的全零矩阵后,可通过以下公式为AA和BB赋值:
For j=1:128
For k=1:128
若Tr1[k,j]小于-π,则AA[k,j]=1
若Tr1[k,j]大于π,则BB[k,j]=1。
S14、至少由初始滤波器参数及第一赋值矩阵和第二赋值矩阵结合确定目标滤波器参数。
目标滤波器参数可以表示为Tr,在本发明实施例中,目标滤波器参数可以至少由初始滤波器参数及第一赋值矩阵和第二赋值矩阵结合确定;可选的,目标滤波器参数Tr可以使用如下表达式表示:
Tr=Tr1+2·π·AA-2·π·BB。
S15、至少根据辅助参数矩阵,第一辅助矩阵,目标滤波器参数及滤波器序号,确定各滤波器。
本发明实施例可至少根据辅助参数矩阵,第一辅助矩阵,目标滤波器参数及滤波器序号,确定各滤波器;例如,第i个滤波器可以通过如下表达式进行表示:
exp(-10·Parm[i,1]·(A/128/Parm[i,2]2)-2·Parm[i,3]·π·Tr2);
其中,Parm为辅助参数矩阵,Parm为32×4维的矩阵;A为第一辅助矩阵,所述第一辅助矩阵为基于滤波器的第一初始化矩阵和第二初始化矩阵进行快速傅里叶变换平移后的矩阵,所述第一初始化矩阵和第二初始化矩阵均为128×128的矩阵,所述第一初始化矩阵和第二初始化矩阵的数值不同;Tr为目标滤波器参数。
可见,上述滤波器的表达式是基于表示空域和频域关系的多个特定矩阵实现,例如该多个特定矩阵包括:辅助参数矩阵,第一辅助矩阵,由第一赋值矩阵和第二赋值矩阵等表示的目标滤波器参数等;基于上述表达式表示的滤波器,该滤波器能够更为精准的将图像的空域特征转化为频率特征。
需要说明的是,传统的滤波器由用高斯函数调制的复正弦函数表示,其使用复数、实数、虚数等进行滤波器的表达,但对于空域和频域关系的表示准确性仍然有限,本发明实施例基于表示空域和频域关系的多个特定矩阵来表达滤波器,从而使得滤波器能够准确体现空域和频域关系,从而能够更为精准的将图像的空域特征转化为频率特征,提升滤波器提取的图像频率特征的准确性。
另外,基于上述改进滤波器的流程,本发明实施例可获取到n个改进的滤波器(例如n个改进的Gabor滤波器),从而使得改进的滤波器更能够保留图像细节特征的条件,对图像的噪声更能进行有效抑制,以基于n个改进的滤波器对第一图像提取n个图像特征矩阵,可以得到更为准确、清晰的第一图像的图像特征。
在一种可选实现中,以图像特征矩阵为图像频率特征矩阵为例,图4示出了本发明实施例提供的基于滤波器(如改进后的滤波器)实现对所述第一图像提取图像特征矩阵的可选流程,基于图4所示流程,本发明实施例可以提取图像频率特征矩阵;参照图4,该流程可以包括:
步骤S20、确定第一图像的图像频率数据。
图像频率数据是基于快速傅里叶变换,所提取的第一图像与频率相关的数据。
可选的,步骤S20的一种可选实现可以如图5所示,包括:
步骤S201、确定第一图像对应的第一图像矩阵。
本发明实施例可将第一图像转变为矩阵形式,从而得到第一图像对应的图像矩阵(称为第一图像矩阵);可选的,本发明实施例可通过对第一图像进行对数变换,得到第一图像矩阵,示例的,第一图像矩阵可以是64×64维矩阵。
步骤S202、扩充第一图像矩阵的维度。
本发明实施例可以对第一图像矩阵的维度进行扩充,例如第一图像矩阵为64×64维矩阵,则本发明实施例可扩充为128×128维矩阵,示例的,图4示出了扩充矩阵维度的一种示例图,可进行参照。
在一种可选实现中,本发明实施例可以使用镜像扩充策略,扩充第一图像矩阵的维度,例如,使用镜像扩充策略,确定第一图像矩阵(如64×64维矩阵)的镜像,从而以镜像对第一图像矩阵进行扩充,得到扩充维度后的第一图像矩阵(如128×128维矩阵)。
步骤S203、将扩充维度后的第一图像矩阵进行快速傅里叶变换,得到所述图像频率数据。
基于步骤S201-步骤S203,本发明实施例可以确定第一图像对应的第一图像矩阵,当然,图4所示实现方式仅是可选的,本发明实施例并不局限其他可以确定类似结果的第一图像矩阵的方式。
回到图4,执行步骤S20后,本发明实施例可执行步骤S21、利用所述n个滤波器对所述图像频率数据分别提取图像频率特征矩阵,得到所述第一图像的n个图像频率特征矩阵。
针对第一图像的图像频率数据,本发明实施例可使用n个滤波器分别对所述图像频率数据进行图像频率特征矩阵的提取,从而得到第一图像的n个图像频率特征矩阵。
可选的,以n个滤波器中的第i个滤波器针对所述图像频率数据提取图像频率特征矩阵进行说明,步骤S21的一种可选实现可以如图6所示,从而各个滤波器以图6所示方式进行图像频率特征的提取,可综合得到n个图像频率特征矩阵;参照图6,该流程可以包括:
步骤S211、将所述图像频率数据与第i个滤波器相乘,以得到第i个初始图像频率特征矩阵,i属于n。
步骤S212、将第i个初始图像特征矩阵进行快速傅里叶逆变换,得到第i个复数矩阵。
步骤S213、基于所述第i个复数矩阵,确定所述第一图像的第i个图像频率特征矩阵。
可选的,对第i个复数矩阵进行绝对值运算;取对第i个复数矩阵进行绝对值运算后的中心子矩阵,作为所述第i个图像频率特征矩阵。
以第一图像为灰度图像为例,结合图4和图6所示,本发明实施例提取灰度图像的n个图像频率特征矩阵的示例实现可以由如下内容表达:
对ImgGray(灰度图像)使用对数变换得到图像矩阵(ImgLog)
使用镜像扩充策略将ImgLog维度扩充到128x128维度;
对扩充维度后的ImgLog进行快速傅里叶变换得到图像频率数据(ImgFFT)对于第i个滤波器,以下述方式提取图像频率数据的图像频率特征矩阵,从而实现对灰度图像提取得到n个图像频率特征矩阵:
For i=1:32
(1)ImgFeat[i]:=ImgFFT·第i个改进Gabor滤波器;
(2)ImgFeat[i]:=对(1)得到的ImgFeat[i]做快速傅里叶逆变换IFFT
(3)ImgFeat[i]:=对(2)得到的ImgFeat[i]进行绝对值运算
ImgFeat[i]:=对(3)得到的ImgFeat[i]取中心子矩阵(例如,中心子矩阵对应第32×第32维度,到第96×第96维度)。
基于上述过程,本发明实施例可通过预设的n个滤波器,对第一图像提取到n个图像特征矩阵,并且所提取得到的图像特征矩阵具有较高的准确和清晰度。
基于上述得到的图像特征矩阵,在图1所示步骤S3的实现中,由于图像特征矩阵的维度较高,如果按照平均值池化等方式进行处理,则计算过程较复杂,系统处理过程中占用的资源较多,因此在一种可选实现中,图1所示步骤S3可基于最大值池化方式实现,通过对所述图像特征矩阵要进行最大值池化处理以缩减运算,提高计算效率。
可选的,以对第一图像的第i个图像特征矩阵进行最大值池化进行说明,图7示出了本发明实施例提供的对图像特征矩阵进行池化的可选流程,从而第一图像的n个图像特征矩阵以图7所示流程可同理进行最大值池化处理,得到第一图像的n个池化后图像特征矩阵;如图7所示,该流程可以包括:
步骤S30、初始化k维的全零向量。
可选的,k的数值可以根据实际情况设定,例如选择k为16等。
步骤S31、将第i个图像特征矩阵划分为k个的子矩阵;
步骤S32、将所述全零向量的第j维度的特征值,赋值为第j个子矩阵的最大特征值,以对所述k维的全零向量进行赋值,得到第一图像的第i个池化后图像特征矩阵,i属于n。
可选的,设第i个池化后图像特征矩阵为ImgFeatPooling[i],ImgFeat[i]为第i个图像特征矩阵(池化前),示例的,图6所示流程可以通过如下表达式进行表达:
为便于说明,下面以最大值池化对第一图像的第8个图像特征矩阵进行处理,确定第8个池化后图像特征矩阵进行说明,则池化过程可以为:
初始化所述第8个图像特征矩阵为16维的全零向量;
将第8个图像特征矩阵划分为16个的4行4列的子矩阵;将所述全零向量的第i维度的特征值,赋值为第i个子矩阵的最大特征值,以对所述16维的全零向量进行赋值,得到第一图像的第8个池化后图像特征矩阵。
本发明实施例可基于第一图像的n个池化后图像特征矩阵,确定第一图像的哈希值,为得到准确性更高的哈希值,本发明实施例可以通过中位数方式确定第一图像的哈希值;可选的,图8示出了本发明实施例提供的确定第一图像的哈希值的一种可选流程,参照图8,该流程可以包括:
步骤S40、初始化m维的全零向量。
步骤S41、利用所述n个池化后图像特征矩阵,对所述m维的全零向量进行赋值,得到m维向量。
步骤S42、计算所述m维向量的中位数。
步骤S43、初始化m位的全零哈希值。
步骤S44、将所述中位数与所述m维向量的每一维的特征值分别进行比较,若所述m维向量的某一维的特征值不小于所述中位数,将所述m位的全零哈希值中与所述维相应的位置赋值为第一值,将所述全零哈希值赋值后的结果作为所述第一图像的哈希值。
可选的,图8所示流程可以通过如下表达式进行表示:
初始化ImgFeatVal(前置变量)为512维全零向量
通过下述计算式为ImgFeatVal赋值
通过上述处理,可以在初始化m维(如512维)的全零向量后,利用所述n个池化后图像特征矩阵,对所述m维的全零向量进行赋值,得到m维向量。
计算ImgFeatVal的中位数mid;
初始化ImgHash(图像哈希值)为512位全0二进制hash;
通过下述计算式为ImgHash赋值
For i=1:512
若ImgFeatVal[i]不小于mid,则ImgHash第i位置为1
EndFor。
为便于说明,本发明实施例以32个所述池化后的图像特征矩阵,且所述池化后的图像特征矩阵为4*4维,通过中位数确定所述哈希值进行详细的说明,其过程可以包括:
初始化512维的全零向量,为后续的赋值保留充足的位置;
利用所述32个池化后图像特征矩阵,所述32个池化后图像特征矩阵均为4*4维,可利用顺序排序实现对所述512维的全零向量均进行赋值,得到512维向量;
计算所述512维向量的中位数;
初始化512位的全零哈希值;
将所述中位数与所述512维向量的每一维的特征值分别进行比较,若所述m维向量的某一维不小于中位数,则所述512位的全零哈希值的该维相应的位置置于第一值。
在进行的可选实现中,本发明实施例可通过对原始图像进行缩放和转灰度处理,以得到第一图像;相应的,这个过程中的输入可以是原始图像,输出可以是待处理的第一图像;具体的:
由于原始图像的图片大小尺寸各异,为了统一图像的输入,本发明实施例可统一将图像尺寸缩放为64×64,一共得到了4096个像素点。
由于图像有些为单通道灰度图,有些是RGB(即红(R)、绿(G)、蓝(B))三通道彩色图,有些为RGBA四通道彩色图;为了统一图像输入标准,本发明实施例可非单通道图片都转为单通道灰度图;其中RGB三通道转单通道算法有下面几种:
浮点算法:Gray=R*0.3+G*0.59+B*0.11;
整数方法:Gray=(R*30+G*59+B*11)/100;
移位方法:Gray=(R*76+G*151+B*28)>>8;
平均值法:Gray=(R+G+B)/3;
仅取绿色:Gray=G。
本发明实施例提供的图像处理方法可以通过提升图像哈希值的确定准确性,实现提升图像处理准确性;具体的,可使用改进滤波器(如Gabor滤波器)算法,提取第一图像的图像频率特征矩阵,而传统图像感知哈希算法使用二维离散余弦变换计算图像频率特征矩阵,与二维离散余弦变换相比,本发明实施例使用滤波器提取图像频率特征矩阵,能够得到更为准确、清晰的图像频率特征矩阵,以实现更高准确性的图像纹理特征确定;
进一步,使用最大值数池化策略对得到图像频率特征矩阵进行池化,以缩小数据维度,减少后续相似度计算的计算量;进一步,池化后的图像频率特征矩阵联合为一维向量,并用中位数策略代替平均数策略生成哈希值,进而用来得到图像哈希值,因为中位数往往比平均数更能代表数据的普遍特征,所有得到的图像哈希值准确性更高。
在一种应用示例中,本发明实施例提供的图像处理方法可应用于图像相似判定,例如判定第一图像和第二图像是否相似;通过上述背景,若要实现的目的是计算图像间的相似度,首先要确定图像,所述图像可通过用户终端定义需要检测的图像,用户需要对哪组图像进行相似度的比对,则需要在用户终端输入相应的图像;或系统自动检测需要检测的图像,并对其命名为第一图像、第二图像...第F图像,方便进行图片间相似度的对比,下面就本发明实施例为用户终端定义需要检测的图像,并将所述需要检测的图像相似度的图像命名为第一图像和第二图像,且图像处理装置需要进行相应的图像处理并将结果返回到用户终端的交互过程进行详细的说明。
当然,图像相似判定仅是本发明实施例的图像处理方法的一种可选应用场景,本发明实施例也可以在诸如图像检测等其他场景下应用;示例的,在图像相似判定场景下,本发明实施例提供的图像处理方法的应用过程可以如图9所示,图9可由用户终端和图像处理设备执行,在本示例中,图像处理设备可以例如网络端的服务器等,该流程可以包括:
S50、用户终端输入待处理的第一图像和待处理的第二图像。
下面就所述待处理的第一图像的处理过程进行详细的说明。
用户终端输入待处理的第一图像;
S51、图像处理设备确定所述第一图像的哈希值。
具体的,图像处理装置利用预设的n个改进后的Gabor滤波器对所述第一图像提取图像特征矩阵,以得到所述第一图像的n个图像特征矩阵,其中,一个改进后的Gabor滤波器对所述第一图像提取一个图像特征矩阵,n为整数,所述滤波器基于表示空域和频域关系的多个特定矩阵表达;对所述第一图像的n个图像特征矩阵进行池化,得到第一图像的n个池化后图像特征矩阵;根据所述第一图像的n个池化后图像特征矩阵,确定所述第一图像的哈希值;根据所述第一图像的哈希值处理所述第一图像,确定所述第一图像的哈希值。
S52、图像处理设备确定所述第二图像的哈希值。
可基于上述对第一图像确定哈希值的处理过程,同理确定所述第二图像的哈希值;
S53、图像处理设备确定汉明码距离,图像处理装置根据所述第一图像的哈希值和所述第二图像的哈希值,确定所述第一图像与所述第二图像的汉明码距离。
所述汉明码距离为所述第一图像确定的所述哈希值与所述第二图像确定的所述哈希值的差值,所述差值可用于指示所述第一图像与所述第二图像的图像的相似程度。
S54、图像处理设备基于汉明码距离判断第一图像和第二图像是否相似。
判断过程可以是:
若所述汉明码距离小于预设阈值,则判定第一图像与所述第二图像相似,否则,判定不相似。
所述预设阈值可根据用户需求进行相应的设定,以本发明实施例中,若经图像处理装置确定所述第一图像的哈希值与所述第二图像的哈希值的差值为15,所述图像处理装置中的预设阈值设定为32,所述第一图像与所述第二图像的哈希值的差值小于所述图像处理装置中的预设阈值,则判定所述第一图像与所述第二图像相似。
S55、图像处理设备将所述第一图像与所述第二图像是否相似的判断结果返回给用户终端。
上文描述了本发明实施例提供的多个实施例方案,各实施例方案介绍的各可选方式可在不冲突的情况下相互结合、交叉引用,从而延伸出多种可能的实施例方案,这些均可认为是本发明实施例披露、公开的实施例方案。
下面对本发明实施例提供的图像处理装置进行介绍,下文描述的图像处理装置可以认为是图像处理设备为实现本发明实施例提供的图像处理方法所需设置的功能模块,下文描述的图像处理装置的内容可与上文描述的图像处理方法的内容相互对应参照。
作为一种可选实现,图10示出了本发明实施例提供的图像处理装置的一种可选框图,该图像处理装置可应用于图像处理设备,图像处理设备可以是终端设备,也可以是服务器设备;参照图10,该图像处理装置可以包括:
获取模块100,用于获取待处理的第一图像;
提取模块110,用于利用预设的n个滤波器对所述第一图像提取图像特征矩阵,以得到所述第一图像的n个图像特征矩阵,其中,一个滤波器对所述第一图像提取一个图像特征矩阵,n为整数,所述滤波器基于表示空域和频域关系的多个特定矩阵表达;
池化模块120,用于对所述第一图像的n个图像特征矩阵进行池化,得到第一图像的n个池化后图像特征矩阵;
哈希值确定模块130,用于根据所述第一图像的n个池化后图像特征矩阵,确定所述第一图像的哈希值;
处理模块140,用于根据所述第一图像的哈希值处理所述第一图像。
可选的,所述图像特征矩阵可以为图像频率特征矩阵;提取模块110,用于利用预设的n个滤波器对所述第一图像提取图像特征矩阵,以得到所述第一图像的n个图像特征矩阵,可以具体包括:
确定所述第一图像的图像频率数据;
利用所述n个滤波器对所述图像频率数据分别提取图像频率特征矩阵,得到所述第一图像的n个图像频率特征矩阵。
可选的,提取模块110,用于确定所述第一图像的图像频率数据,可以具体包括:
确定所述第一图像对应的第一图像矩阵;
扩充所述第一图像矩阵的维度;
将扩充维度后的第一图像矩阵进行快速傅里叶变换,得到所述图像频率数据。
可选的,提取模块110可通过对所述第一图像进行对数变换,以得到所述第一图像对应的第一图像矩阵。
可选的,提取模块110,用于利用所述n个滤波器对所述图像频率数据分别提取图像频率特征矩阵,得到所述第一图像的n个图像频率特征矩阵,可以具体包括:
将所述图像频率数据与第i个滤波器相乘,以得到第i个初始图像频率特征矩阵,i属于n;
将第i个初始图像特征矩阵进行快速傅里叶逆变换,得到第i个复数矩阵;
基于所述第i个复数矩阵,确定所述第一图像的第i个图像频率特征矩阵。
可选的,提取模块110,用于基于所述第i个复数矩阵,确定所述第一图像的第i个图像频率特征矩阵,可以具体包括:
取第i个复数矩阵的中心子矩阵,作为所述第i个图像频率特征矩阵。
可选的,图11示出了本发明实施例提供的图像处理装置的另一框图,结合图10和图11所示,该图像处理装置还可以包括:
滤波器设置模块150,用于至少根据辅助参数矩阵,第一辅助矩阵,目标滤波器参数及滤波器序号,确定各滤波器;其中,所述目标滤波器参数至少由初始滤波器参数及第一赋值矩阵和第二赋值矩阵结合确定,所述初始滤波器参数由所述第二辅助矩阵及辅助参数矩阵结合确定。
可选的,滤波器设置模块150,用于至少根据辅助参数矩阵,辅助矩阵,目标滤波器参数及滤波器序号,确定各滤波器,可以具体包括:
使用如下表达式,表达第i个滤波器:
exp(-10·Parm[i,1]·(A/128/Parm[i,2]2)-2·Parm[i,3]·π·Tr2);
其中,Parm为辅助参数矩阵,Parm为32×4维的矩阵;A为第一辅助矩阵,所述第一辅助矩阵为基于滤波器的第一初始化矩阵和第二初始化矩阵进行快速傅里叶变换平移后的矩阵,所述第一初始化矩阵和第二初始化矩阵均为128×128的矩阵,所述第一初始化矩阵和第二初始化矩阵的数值不同;Tr为目标滤波器参数。
可选的,目标滤波器参数的表达式可以为:Tr=Tr1+2·π·AA-2·π·BB;
其中,AA为第一赋值矩阵,BB为第二赋值矩阵,Tr1为初始滤波器参数;
所述初始滤波器参数的表达式为:Tr=B+Parm[3,4];
其中,B为第二辅助矩阵,所述第二辅助矩阵为基于滤波器的第一初始化矩阵和第二初始化矩阵的幅角矩阵,进行快速傅里叶变换平移后的矩阵;其中,Tr1的一位置的数值小于第一设定值时,则AA的该位置赋值为第一值,否则AA的该位置赋值为第二值,Tr1的一位置的数值大于第二设定值时,则BB的该位置赋值为第一值,否则BB的该位置赋值为第二值,所述第一设定值与所述第二设定值为相反数值,AA和BB均为128×128的矩阵。
可选的,在一种示例中,所述第一设定值可以为-π,所述第二设定值可以为π,所述第一值可以为1,所述第二值可以为0。
可选的,池化模块120,用于对所述第一图像的n个图像特征矩阵进行池化,得到第一图像的n个池化后图像特征矩阵,可以具体包括:
初始化k维的全零向量;
将第i个图像特征矩阵划分为k个的子矩阵;
将所述全零向量的第j维度的特征值,赋值为第j个子矩阵的最大特征值,以对所述k维的全零向量进行赋值,得到第一图像的第i个池化后图像特征矩阵,i属于n。
可选的,哈希值确定模块130,用于根据所述第一图像的n个池化后图像特征矩阵,确定所述第一图像的哈希值,可以具体包括:
初始化m维的全零向量;
利用所述n个池化后图像特征矩阵,对所述m维的全零向量进行赋值,得到m维向量;
计算所述m维向量的中位数;
初始化m位的全零哈希值;
将所述中位数与所述m维向量的每一维的特征值分别进行比较,若所述m维向量的某一维的特征值不小于所述中位数,将所述m位的全零哈希值中与所述维相应的位置赋值为第一值,将所述全零哈希值赋值后的结果作为所述第一图像的哈希值。
可选的,获取模块100,用于获取待处理的第一图像,可以具体包括:
获取原始图像;
将所述原始图像缩放到设定尺寸,得到缩放图像;
对所述缩放图像进行转灰度,得到所述第一图像。
可选的,本发明实施例提供的图像处理装置可以用于图像相似判定,在一种示例中,处理模块140,用于根据所述第一图像的哈希值处理所述第一图像,可以具体包括:
获取第二图像的哈希值;
根据所述第一图像的哈希值和所述第二图像的哈希值,确定所述第一图像与所述第二图像的汉明码距离;
根据所述汉明码距离确定所述第一图像和第二图像是否相似。
当然,图像相似判定仅是本发明实施例提供的图像处理装置的一种可选应用场景,本发明实施例也可以在其他场景下(例如图像检测等场景下)应用本发明实施例提供的图像处理装置。
本发明实施例还提供一种图像处理设备,该图像处理设备可通过装载上述所述的图像处理装置,以实现本发明实施例提供的图像处理方法。可选的,该图像处理设备的一种可选硬件结构可以如图12所示,包括:至少一个处理器01,至少一个通信接口02,至少一个存储器03和至少一个通信总线04;
在本发明实施例中,处理器01、通信接口02、存储器03通过通信总线04完成相互间的通信;
处理器01可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器03可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
其中,存储器03存储有程序,处理器01调用存储器03所存储的程序,执行本发明实施例提供的图像处理方法。
本发明实施例还提供一种存储介质,该存储介质可以存储执行本发明实施例提供的图像处理方法的程序。
可选的,所述程序可具体用于:
获取待处理的第一图像;
利用预设的n个滤波器对所述第一图像提取图像特征矩阵,以得到所述第一图像的n个图像特征矩阵,其中,一个滤波器对所述第一图像提取一个图像特征矩阵,n为整数,所述滤波器基于表示空域和频域关系的多个特定矩阵表达;
对所述第一图像的n个图像特征矩阵进行池化,得到第一图像的n个池化后图像特征矩阵;
根据所述第一图像的n个池化后图像特征矩阵,确定所述第一图像的哈希值;
根据所述第一图像的哈希值处理所述第一图像。
虽然本发明实施例披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (16)
1.一种图像处理方法,其特征在于,包括:
获取待处理的第一图像;
利用预设的n个滤波器对所述第一图像提取图像特征矩阵,以得到所述第一图像的n个图像特征矩阵,其中,一个滤波器对所述第一图像提取一个图像特征矩阵,n为整数,所述滤波器基于表示空域和频域关系的多个特定矩阵表达;
对所述第一图像的n个图像特征矩阵进行池化,得到第一图像的n个池化后图像特征矩阵;
根据所述第一图像的n个池化后图像特征矩阵,确定所述第一图像的哈希值;
根据所述第一图像的哈希值处理所述第一图像。
2.根据权利要求1所述的图像处理方法,其特征在于,所述图像特征矩阵为图像频率特征矩阵;所述利用预设的n个滤波器对所述第一图像提取图像特征矩阵,以得到所述第一图像的n个图像特征矩阵包括:
确定所述第一图像的图像频率数据;
利用所述n个滤波器对所述图像频率数据分别提取图像频率特征矩阵,得到所述第一图像的n个图像频率特征矩阵。
3.根据权利要求2所述的图像处理方法,其特征在于,所述确定所述第一图像的图像频率数据包括:
确定所述第一图像对应的第一图像矩阵;
扩充所述第一图像矩阵的维度;
将扩充维度后的第一图像矩阵进行快速傅里叶变换,得到所述图像频率数据。
4.根据权利要求2所述的图像处理方法,其特征在于,所述利用所述n个滤波器对所述图像频率数据分别提取图像频率特征矩阵,得到所述第一图像的n个图像频率特征矩阵包括:
将所述图像频率数据与第i个滤波器相乘,以得到第i个初始图像频率特征矩阵,i属于n;
将第i个初始图像特征矩阵进行快速傅里叶逆变换,得到第i个复数矩阵;
基于所述第i个复数矩阵,确定所述第一图像的第i个图像频率特征矩阵。
5.根据权利要求4所述的图像处理方法,其特征在于,所述基于所述第i个复数矩阵,确定所述第一图像的第i个图像频率特征矩阵包括:
对第i个复数矩阵进行绝对值运算;
取对第i个复数矩阵进行绝对值运算后的中心子矩阵,作为所述第i个图像频率特征矩阵。
6.根据权利要求1-5任一项所述的图像处理方法,其特征在于,所述方法还包括:
至少根据辅助参数矩阵,第一辅助矩阵,目标滤波器参数及滤波器序号,确定各滤波器;其中,所述目标滤波器参数至少由初始滤波器参数及第一赋值矩阵和第二赋值矩阵结合确定,所述初始滤波器参数由所述第二辅助矩阵及辅助参数矩阵结合确定。
7.根据权利要求6所述的图像处理方法,其特征在于,所述至少根据辅助参数矩阵,辅助矩阵,目标滤波器参数及滤波器序号,确定各滤波器包括:
使用如下表达式,表达第i个滤波器:
exp(-10·Parm[i,1]·(A/128/Parm[i,2]2)-2·Parm[i,3]·π·Tr2);
其中,Parm为辅助参数矩阵,Parm为32×4维的矩阵;A为第一辅助矩阵,所述第一辅助矩阵为基于滤波器的第一初始化矩阵和第二初始化矩阵进行快速傅里叶变换平移后的矩阵,所述第一初始化矩阵和第二初始化矩阵均为128×128的矩阵,所述第一初始化矩阵和第二初始化矩阵的数值不同;Tr为目标滤波器参数。
8.根据权利要求7所述的图像处理方法,其特征在于,所述目标滤波器参数的表达式为:
Tr=Tr1+2·π·AA-2·π·BB;
其中,AA为第一赋值矩阵,BB为第二赋值矩阵,Tr1为初始滤波器参数;
所述初始滤波器参数的表达式为:
Tr1=B+Parm[3,4];
其中,B为第二辅助矩阵,所述第二辅助矩阵为基于滤波器的第一初始化矩阵和第二初始化矩阵的幅角矩阵,进行快速傅里叶变换平移后的矩阵;其中,Tr1的一位置的数值小于第一设定值时,则AA的该位置赋值为第一值,否则AA的该位置赋值为第二值,Tr1的一位置的数值大于第二设定值时,则BB的该位置赋值为第一值,否则BB的该位置赋值为第二值,所述第一设定值与所述第二设定值为相反数值,AA和BB均为128×128的矩阵。
9.根据权利要求8所述的图像处理方法,其特征在于,所述第一设定值为-π,所述第二设定值为π,所述第一值为1,所述第二值为0。
10.根据权利要求1所述的图像处理方法,其特征在于,所述对所述第一图像的n个图像特征矩阵进行池化,得到第一图像的n个池化后图像特征矩阵包括:
初始化k维的全零向量;
将第i个图像特征矩阵划分为k个的子矩阵;
将所述全零向量的第j维度的特征值,赋值为第j个子矩阵的最大特征值,以对所述k维的全零向量进行赋值,得到第一图像的第i个池化后图像特征矩阵,i属于n。
11.根据权利要求1所述的图像处理方法,其特征在于,所述根据所述第一图像的n个池化后图像特征矩阵,确定所述第一图像的哈希值包括:
初始化m维的全零向量;
利用所述n个池化后图像特征矩阵,对所述m维的全零向量进行赋值,得到m维向量;
计算所述m维向量的中位数;
初始化m位的全零哈希值;
将所述中位数与所述m维向量的每一维的特征值分别进行比较,若所述m维向量的某一维的特征值不小于所述中位数,将所述m位的全零哈希值中与所述维相应的位置赋值为第一值,将所述全零哈希值赋值后的结果作为所述第一图像的哈希值。
12.根据权利要求1所述的图像处理方法,其特征在于,所述获取待处理的第一图像包括:
获取原始图像;
将所述原始图像缩放到设定尺寸,得到缩放图像;
对所述缩放图像进行转灰度,得到所述第一图像。
13.根据权利要求1所述的图像处理方法,其特征在于,所述根据所述第一图像的哈希值处理所述第一图像包括:
获取第二图像的哈希值;
根据所述第一图像的哈希值和所述第二图像的哈希值,确定所述第一图像与所述第二图像的汉明码距离;
根据所述汉明码距离确定所述第一图像和第二图像是否相似。
14.一种图像处理装置,其特征在于,包括:
获取模块,用于获取待处理的第一图像;
提取模块,用于利用预设的n个滤波器对所述第一图像提取图像特征矩阵,以得到所述第一图像的n个图像特征矩阵,其中,一个滤波器对所述第一图像提取一个图像特征矩阵,n为整数,所述滤波器基于表示空域和频域关系的多个特定矩阵表达;
池化模块,用于对所述第一图像的n个图像特征矩阵进行池化,得到第一图像的n个池化后图像特征矩阵;
哈希值确定模块,用于根据所述第一图像的n个池化后图像特征矩阵,确定所述第一图像的哈希值;
处理模块,用于根据所述第一图像的哈希值处理所述第一图像。
15.一种图像处理设备,其特征在于,包括至少一个存储器和至少一个处理器,所述存储器存储程序,所述处理器调用所述程序,所述程序用于执行权利要求1-13任一项所述的图像处理方法。
16.一种存储介质,其特征在于,所述存储介质存储执行权利要求1-13任一项所述的图像处理方法的程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911018814.7A CN112712090A (zh) | 2019-10-24 | 2019-10-24 | 一种图像处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911018814.7A CN112712090A (zh) | 2019-10-24 | 2019-10-24 | 一种图像处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112712090A true CN112712090A (zh) | 2021-04-27 |
Family
ID=75541329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911018814.7A Pending CN112712090A (zh) | 2019-10-24 | 2019-10-24 | 一种图像处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712090A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226585A (zh) * | 2013-04-10 | 2013-07-31 | 大连理工大学 | 面向图像检索的自适应哈希重排方法 |
CN103412960A (zh) * | 2013-08-31 | 2013-11-27 | 西安电子科技大学 | 基于双边随机投影的图像感知哈希方法 |
CN104123375A (zh) * | 2014-07-28 | 2014-10-29 | 清华大学 | 数据搜索方法及系统 |
CN104182538A (zh) * | 2014-09-01 | 2014-12-03 | 西安电子科技大学 | 基于半监督哈希的图像检索方法 |
CN104317902A (zh) * | 2014-10-24 | 2015-01-28 | 西安电子科技大学 | 基于局部保持迭代量化哈希的图像检索方法 |
CN104715440A (zh) * | 2015-03-10 | 2015-06-17 | 南京师范大学 | 基于Gabor滤波器组与DWT变换的遥感影像感知哈希认证方法 |
CN106503721A (zh) * | 2016-10-27 | 2017-03-15 | 河海大学常州校区 | 基于cmos图像传感器puf的哈希算法及认证方法 |
CN106909924A (zh) * | 2017-02-18 | 2017-06-30 | 北京工业大学 | 一种基于深度显著性的遥感影像快速检索方法 |
CN107220614A (zh) * | 2017-05-24 | 2017-09-29 | 北京小米移动软件有限公司 | 图像识别方法、装置及计算机可读存储介质 |
CN107220368A (zh) * | 2017-06-09 | 2017-09-29 | 北京邮电大学 | 图像检索方法及装置 |
CN107657629A (zh) * | 2017-10-27 | 2018-02-02 | 广东工业大学 | 一种目标的跟踪方法和跟踪系统 |
CN109871803A (zh) * | 2019-02-18 | 2019-06-11 | 清华大学 | 机器人回环检测方法和装置 |
CN109978747A (zh) * | 2017-12-27 | 2019-07-05 | 北京京东尚科信息技术有限公司 | 用于审核图片的方法及装置 |
CN110163079A (zh) * | 2019-03-25 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 视频检测方法及装置、计算机可读介质和电子设备 |
-
2019
- 2019-10-24 CN CN201911018814.7A patent/CN112712090A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226585A (zh) * | 2013-04-10 | 2013-07-31 | 大连理工大学 | 面向图像检索的自适应哈希重排方法 |
CN103412960A (zh) * | 2013-08-31 | 2013-11-27 | 西安电子科技大学 | 基于双边随机投影的图像感知哈希方法 |
CN104123375A (zh) * | 2014-07-28 | 2014-10-29 | 清华大学 | 数据搜索方法及系统 |
CN104182538A (zh) * | 2014-09-01 | 2014-12-03 | 西安电子科技大学 | 基于半监督哈希的图像检索方法 |
CN104317902A (zh) * | 2014-10-24 | 2015-01-28 | 西安电子科技大学 | 基于局部保持迭代量化哈希的图像检索方法 |
CN104715440A (zh) * | 2015-03-10 | 2015-06-17 | 南京师范大学 | 基于Gabor滤波器组与DWT变换的遥感影像感知哈希认证方法 |
CN106503721A (zh) * | 2016-10-27 | 2017-03-15 | 河海大学常州校区 | 基于cmos图像传感器puf的哈希算法及认证方法 |
CN106909924A (zh) * | 2017-02-18 | 2017-06-30 | 北京工业大学 | 一种基于深度显著性的遥感影像快速检索方法 |
CN107220614A (zh) * | 2017-05-24 | 2017-09-29 | 北京小米移动软件有限公司 | 图像识别方法、装置及计算机可读存储介质 |
CN107220368A (zh) * | 2017-06-09 | 2017-09-29 | 北京邮电大学 | 图像检索方法及装置 |
CN107657629A (zh) * | 2017-10-27 | 2018-02-02 | 广东工业大学 | 一种目标的跟踪方法和跟踪系统 |
CN109978747A (zh) * | 2017-12-27 | 2019-07-05 | 北京京东尚科信息技术有限公司 | 用于审核图片的方法及装置 |
CN109871803A (zh) * | 2019-02-18 | 2019-06-11 | 清华大学 | 机器人回环检测方法和装置 |
CN110163079A (zh) * | 2019-03-25 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 视频检测方法及装置、计算机可读介质和电子设备 |
Non-Patent Citations (5)
Title |
---|
MARTIN LONCARIC 等: "Learning Hash Codes via Hamming Distance Targets", 《ARXIV:1810.01008V1》 * |
YUE CAO 等: "Deep Cauchy Hashing for Hamming Space Retrieval", 《2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
丁凯孟 等: "基于Gabor滤波器组与DWT的遥感影像感知哈希认证算法", 《铁道学报》 * |
张艳珠 等: "序列图像的快速配准算法研究", 《沈阳理工大学学报》 * |
高志强 等编著: "《深度学习 从入门到实战》", 30 June 2018, 北京:中国铁道出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2015143624A1 (en) | Methods and systems for denoising images | |
US20150235350A1 (en) | Method for Image Denoising | |
CN109064504B (zh) | 图像处理方法、装置和计算机存储介质 | |
CN110807110B (zh) | 结合局部和全局特征的图片搜索方法、装置及电子设备 | |
WO2021175040A1 (zh) | 视频处理方法及相关装置 | |
CN110383332B (zh) | 图像处理装置、图像处理方法及图像处理程序 | |
CN110809126A (zh) | 一种基于自适应可变形卷积的视频帧插值方法及系统 | |
CN114708157A (zh) | 图像压缩方法、电子设备和计算机可读存储介质 | |
WO2021000495A1 (zh) | 一种图像处理方法以及装置 | |
CN113763224A (zh) | 一种图像处理方法及其装置 | |
CN112712090A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN112541853A (zh) | 数据处理方法、装置及设备 | |
CN111080683A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
JP2020181402A (ja) | 画像処理装置、画像処理方法、およびプログラム | |
CN113888635B (zh) | 视觉定位方法、相关装置 | |
CN113838104B (zh) | 基于多光谱与多模态图像一致性增强网络的配准方法 | |
JP2015138553A (ja) | 画像平滑化方法及び画像平滑化装置 | |
JP2022098475A (ja) | 指紋のシグネチャを抽出するための方法及び同方法を実施するためのデバイス | |
CN110570343B (zh) | 一种基于自适应特征点提取的图像水印嵌入方法及装置 | |
CN111079643B (zh) | 基于神经网络的人脸检测方法、装置和电子设备 | |
CN114399495A (zh) | 图像清晰度的计算方法、装置、设备及存储介质 | |
CN116438594A (zh) | 图像亮度调节方法、图像亮度调节装置、电子设备 | |
CN108665434B (zh) | 图像合成方法及装置 | |
CN110378832B (zh) | 水印嵌入方法、装置及电子设备 | |
CN116152530B (zh) | 图像差异的确定方法和装置、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210427 |
|
RJ01 | Rejection of invention patent application after publication |