CN113435515B - 图片识别方法和装置、存储介质及电子设备 - Google Patents
图片识别方法和装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113435515B CN113435515B CN202110725374.XA CN202110725374A CN113435515B CN 113435515 B CN113435515 B CN 113435515B CN 202110725374 A CN202110725374 A CN 202110725374A CN 113435515 B CN113435515 B CN 113435515B
- Authority
- CN
- China
- Prior art keywords
- target image
- target
- gray
- tone
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000004927 fusion Effects 0.000 claims abstract description 67
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000003491 array Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Abstract
本发明公开了一种图片识别方法和装置、存储介质及电子设备。其中,该方法包括:获取与目标工单对应的目标图像集合;提取目标图像集合中每张目标图像的色调特征和灰度特征,其中,色调特征用于指示目标图像中像素的色调分布,灰度特征用于指示目标图像中像素的灰度分布;对色调特征和灰度特征进行加权融合,得到与目标图像匹配的融合特征;在目标图像集合中的第一目标图像对应的第一融合特征与第二目标图像对应的第二融合特征之间的特征距离小于预设阈值的情况下,确定第一目标图像与第二目标图像为相同图像。本发明解决了图片识别效率低的技术问题。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种图片识别方法和装置、存储介质及电子设备。
背景技术
当前在进行售后处理时,通常需要将相关的图片进行上传以供审核。而在审核过程中会出现同一工单重复上传图片的现象,重复上传的图片既影响了售后的处理,可能造成重复处理而造成不必要的损失。还会增加审核的工作量和难度。因此,需要对同一工单下的图片内容进行比对,筛选出重复图片。
现有技术,通常利用深度学习算法对图片进行相似比对。根据两张图片进行对比训练,提取图片中的特征信息,进行相似计算,从而确定两张图片是否相似。而深度学习算法需要采集大量的样本进行训练,并且需要对样本进行分类标注,采用专用算法服务器进行部署。这会导致深度学习算法的训练过程较为复杂,那么得到可以进行相似识别的深度学习算法需要耗费的时间较多,而且需要针对具体的应用进行训练,使得使用深度学习算法对图片进行相似识别的效率较低。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种图片识别方法和装置、存储介质及电子设备,以至少解决图片识别效率低的技术问题。
根据本发明实施例的一个方面,提供了一种图片识别方法,包括:获取与目标工单对应的目标图像集合;提取上述目标图像集合中每张目标图像的色调特征和灰度特征,其中,上述色调特征用于指示上述目标图像中像素的色调分布,上述灰度特征用于指示上述目标图像中像素的灰度分布;对上述色调特征和上述灰度特征进行加权融合,得到与上述目标图像匹配的融合特征;在上述目标图像集合中的第一目标图像对应的第一融合特征与第二目标图像对应的第二融合特征之间的特征距离小于预设阈值的情况下,确定上述第一目标图像与上述第二目标图像为相同图像。
根据本发明实施例的另一方面,还提供了一种图片识别装置,包括:获取单元,用于获取与目标工单对应的目标图像集合;提取单元,用于提取上述目标图像集合中每张目标图像的色调特征和灰度特征,其中,上述色调特征用于指示上述目标图像中像素的色调分布,上述灰度特征用于指示上述目标图像中像素的灰度分布;融合单元,用于对上述色调特征和上述灰度特征进行加权融合,得到与上述目标图像匹配的融合特征;确定单元,用于在上述目标图像集合中的第一目标图像对应的第一融合特征与第二目标图像对应的第二融合特征之间的特征距离小于预设阈值的情况下,确定上述第一目标图像与上述第二目标图像为相同图像。
根据本发明实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述图片识别方法。
根据本发明实施例的又一方面,还提供了一种电子设备,包括存储器和处理器,上述存储器中存储有计算机程序,上述处理器被设置为通过所述计算机程序执行上述的图片识别方法。
在本发明实施例中,采用提取目标图像的指示色调分布的色调特征和灰度分布的灰度特征,利用灰度特征和色调特征构建融合特征,在比较第一目标图像与第二目标图像的相似程度时,通过计算第一目标图像的第一融合特征和第二目标图像的第二融合特征之间的特征距离,以特征距离指示第一目标图像和第二目标图像之间的差异度的方式,通过色调特征和灰度特征之间的特征距离指示图像之间的差异,达到了在不使用深度学习算法的基础上,通过简单运算得到图像之间差异度的目的,从而实现了简化图像差异度计算方法和流程,提高图片识别效率的技术效果,进而解决了图片识别效率低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的图片识别方法的应用环境的示意图;
图2是根据本发明实施例的一种可选的图片识别方法的流程示意图;
图3是根据本发明实施例的一种可选的图片识别方法的流程示意图;
图4是根据本发明实施例的一种可选的图片识别方法的流程示意图;
图5是根据本发明实施例的一种可选的图片识别方法的流程示意图;
图6是根据本发明实施例的一种可选的图片识别方法的流程示意图;
图7是根据本发明实施例的一种可选的图片识别方法的流程示意图;
图8是根据本发明实施例的一种可选的图片识别装置的结构示意图;
图9是根据本发明实施例的一种可选的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一个方面,提供了一种图片识别方法,可选地,上述图片识别方法可以但不限于应用于如图1所示的环境中。终端设备100通过网络110与服务器120进行数据交互。终端设备100用于接收工单对应的图像,并将图像通过网络110发送给服务器120。服务器120中运行有数据库122和处理引擎124,数据库122用于存储图像,处理引擎124用于对数据库122中的图像进行相应处理,不限于依次执行S102至S108。
获取目标图像集合。目标图像集合是与目标工单对应的图像集合,存储与目标工单关联的图像。提取色调特征和灰度特征。对目标图像集合中每张目标图像进行特征提取,色调特征用于指示目标图像中像素的色调分布,灰度特征用于指示目标图像中像素的灰度分布。得到融合特征。对色调特征和灰度特征进行加权融合,得到与目标图像匹配的融合特征。确定为相同图像。在目标图像集合中的第一目标图像对应的第一融合特征与第二目标图像对应的第二融合特征之间的特征距离小于预设阈值的情况下,确定第一目标图像与第二目标图像为相同图像。
可选地,在本实施例中,上述终端设备100可以是配置有目标客户端的终端设备,可以包括但不限于以下至少之一:手机(如Android手机、IOS手机等)、笔记本电脑、平板电脑、掌上电脑、MID(Mobile Internet Devices,移动互联网设备)、PAD、台式电脑、智能电视等。目标客户端可以是具备图像采集功能的客户端,不限于是视频客户端、即时通信客户端、浏览器客户端、教育客户端等。上述网络110可以包括但不限于:有线网络,无线网络,其中,该有线网络包括:局域网、城域网和广域网,该无线网络包括:蓝牙、WIFI及其他实现无线通信的网络。上述服务器120可以是单一服务器,也可以是由多个服务器组成的服务器集群,或者是云服务器。上述仅是一种示例,本实施例中对此不作任何限定。
作为一种可选的实施方式,如图2所示,上述图片识别方法包括:
S202,获取与目标工单对应的目标图像集合;
S204,提取目标图像集合中每张目标图像的色调特征和灰度特征,其中,色调特征用于指示目标图像中像素的色调分布,灰度特征用于指示目标图像中像素的灰度分布;
S206,对色调特征和灰度特征进行加权融合,得到与目标图像匹配的融合特征;
S208,在目标图像集合中的第一目标图像对应的第一融合特征与第二目标图像对应的第二融合特征之间的特征距离小于预设阈值的情况下,确定第一目标图像与第二目标图像为相同图像。
可选地,每一工单关联的图片构建一个图像集合,在将属于同一项目的多个工单对应的多个图像集合构建图像数据库时,可以将上述图像识别方法应用与图像数据库中,以对一个项目的图像数据库中包含的相同图像进行识别。
可选地,在确定第一目标图像与第二目标图像为相同图像的情况下,对第一目标图像和第二目标图像进行去重,移除第一目标图像或第二目标图像。
可选地,色调特征不限于是将目标图像转换至HIS图形模型中的H通道中数据特征,用于指示目标图像中的色调分布情况。灰度特征不限于目标图像转换为灰度图像后灰色值的数据特征,用于指示目标图像中灰度分布情况。采用色调特征结合灰度特征可以保留图像的颜色特征,从而解决图像偏色问题对图像识别的准确率影响,提高图像识别准确率。
可选地,对色调特征和灰度特征进行加权融合,不下限于是利用色调特征和灰度特征组合构成融合特征。在计算特征距离时,不限于分别计算色调特征之间的色调距离和灰度特征之间的灰度距离,对色调距离和灰色距离进行加权计算,以得到特征距离。这里对于色调特征与灰度特征所包含的特征数据量没有任何限定,同时色调特征与灰度特征的数据量可以相同,也可以不相同,其数据量之间没有关联限定。
可选地,特征距离的计算不限于如公式(1)所示:
F=α·F1+β·F2 (1)
其中,F表示特征距离,F1表示色调距离,F2表示灰度距离,α+β=1。
可选地,上述预设阈值是预先设置的、用于指示图像之间差异度的阈值。在特征距离的距离值小于预设阈值的情况下,确定第一目标图像和第二目标图像之间的差异小到可以忽略不计,判定第一目标图像和第二目标图像是同一图像,即第一目标图像与第二目标图像是相同图像。
作为一种可选的实施方式,上述在得到与目标图像匹配的融合特征之后,方法还包括:在第一目标图像的第一融合特征与第二目标图像的第二融合特征之间的特征距离大于或等于预设阈值的情况下,确定第一目标图像与第二目标图像为不同图像。
可选地,在特征距离大于或等于预设阈值的情况下,确定第一目标图像与第二目标图像之间存在的差异较大,判定第一目标图像和第二目标图像不是同一图像,即第一目标图像与第二目标图像是不同图像。
在本申请实施例中,采用提取目标图像的指示色调分布的色调特征和灰度分布的灰度特征,利用灰度特征和色调特征构建融合特征,在比较第一目标图像与第二目标图像的相似程度时,通过计算第一目标图像的第一融合特征和第二目标图像的第二融合特征之间的特征距离,以特征距离指示第一目标图像和第二目标图像之间的差异度的方式,通过色调特征和灰度特征之间的特征距离指示图像之间的差异,达到了在不使用深度学习算法的基础上,通过简单运算得到图像之间差异度的目的,从而实现了简化图像差异度计算方法和流程,提高图片识别效率的技术效果,进而解决了图片识别效率低的技术问题。
作为一种可选的实施方式,如图3所示,上述提取目标图像集合中每张目标图像的色调特征包括:
S302,将目标图像的图像数据映射至图像颜色模型,得到目标图像参数格式下的目标像素数据;
S304,从目标像素数据中提取色调参数数组;
S306,对色调参数数组进行插值处理,得到目标图像的色调特征。
可选地,图像颜色模型不限于是HSI数字图像模型,用于指示图像的色调H(Hue)、饱和度S(Saturation)和亮度I(Intensity)的特征。在目标图像是RGB(Red Green Blue,红绿蓝)格式的图像时,将目标图像映射至HIS数字图像模型中,得到目标图像在HIS格式下对应的目标像素数据。
可选地,目标像素数据中包括色调数据、饱和度数据和亮度数据,从色调通道中提取色调数据以构建成指示目标图像的色调参数的色调参数数组。色调参数数组是与目标图像在像素数据量上一致的数组,也就是色调参数数组中每一个色调参数用于指示目标图像中每个像素对应的色调参数。
可选地,对色调参数数组进行差值处理,以将色调参数数组调整为预设数据格式的数组。预设数据格式的数组不限于是与预设数据量一致的数组,实现对于色调参数数组的数据筛选。
作为一种可选的实施方式,如图4所示,上述对色调参数数组进行插值处理,得到目标图像的色调特征包括:
S402,利用三次样条插值算法对色调参数数组进行计算,得到满足预设数据格式的目标色调数组;
S404,利用目标色调数组构建色调特征。
可选地,三次样条插值算法是通过一系列点构建多个多项式,从而得到满足多个多项式的光滑曲线的算法。光滑曲线是指任意两个相邻的多项式以及对应的导数在连接点出都是连续的。
可选地,利用三次样条插值算法将色调参数数组调整为满足预设数据格式的目标色调数组,在预设数据格式是预设数据量格式的情况下,不限于是利用三次样条差值算法对目标图像转换至图像颜色模型中的目标像素数据中目标色调数据构建的色调图像进行图像放大或缩小处理,以得到放大或缩小之后的目标色调图像,利用目标色调图像中的色调参数得到目标色调数组。也就是利用三次样条插值算法对色调参数数组进行数据量的放大或缩小,以得到目标色调数组。
可选地,为便于计算,利用三次样条插值算法对色调图像进行图像缩小处理,以得到缩小之后的目标色调图像,将目标色调图像的色调参数构建目标色调数组。这是减少色调参数数组的数据量,得到目标色调数组。利用三次样条插值算法可以在缩小图像的同时,保留像素点的色调特征以及像素点之间的邻域特征。
在本申请实施例中,通过转换目标图像的格式,提取色调参数,并利用三次样条插值算法,在保留色调参数的数据特征和保留像素点之间的邻域特征的基础上,得到数据量较少的目标色调数组作为色调特征,通过减少数据量的方式减少色调特征对应的色调距离的计算量,进一步提高图像识别比对的效率。
作为一种可选的实施方式,如图5所示,上述利用目标色调数组构建色调特征包括:
S502,计算目标色调数组中目标色调的平均值;
S504,依次将目标色调参数数组包含的每个目标色调参数作为当前色调,比对当前色调的色调值和目标色调的平均值;
S506,在当前色调的色调值大于目标色调的平均值的情况下,确定当前色调的哈希值为第一目标值;
S508,在当前色调的色调值小于或等于目标色调的平均值的情况下,确定当前色调的哈希值为第二目标值。
可选地,目标色调数组中的目标色调的平均值是目标色调数组包含的全部色调参数的参数平均值。通过比较目标色调数组中包含的每一个色调参数与目标色调数组的平均值,将色调参数转换为第一目标值或第二目标值,从而实现目标色调数组至色调特征值的转换。
可选地,在目标色调数组中的目标色调参数与目标色调图像中的像素点对应的情况下,色调特征的计算不限于如下公式(2)所示:
其中,I为像素点的色调参数,为色调参数的平均值。
在本申请实施例中,通过比对色调参数和色调参数数组的色调平均值,将色调参数转换为对应的色调特征值,实现色调参数值色调特征的转换,将不规则的色调参数转换为更加规律和便于计算的色调特征值,进一步减少色调特征距离的计算量,提高色调距离计算效率。
作为一种可选的实施方式,如图6所示,上述提取目标图像集合中每张目标图像的灰度特征包括:
S602,将目标图像转换为灰度图像;
S604,根据对灰度图像进行离散余弦变换后得到的变换结果,确定灰度图像中的目标灰度区域;
S606,获取目标灰度区域中每个像素的灰度参数,构建目标图像的灰度参数数组;
S608,利用灰度参数数组计算每个像素各自对应的哈希值,并将哈希值确定为目标图像的灰度特征。
可选地,在灰度图像所包含的像素数量高于像素阈值的情况下,对灰度图像进行缩小处理,以得到目标灰度图像。对灰度图像进行缩小处理不下限于利用三次样条插值算法进行。通过灰度图像的像素数量的调整,对灰度图像中的像素数据进行筛选和调整,以得到像素数据量较少的目标灰度图像。
可选地,对灰度图像进行离散余弦变换(Discrete Cosine Transform,DCT)是将一组灰度值转换为与灰度相关的频率数据,从而获取灰度值的变化情况。经过DCT变换可以确定灰度值变换频率的像素点集中至目标灰度区域,例如,变换后的图像左上角区域。
可选地,将目标灰度区域中包括的每个像素的灰度参数作为灰度参数数组中的灰度参数,构建与目标灰度区域对应的灰度参数数组。
作为一种可选的实施方式,如图7所示,上述利用灰度参数数组计算每个像素各自对应的哈希值,并将哈希值确定为目标图像的灰度特征包括:
S702,计算灰度参数数组中灰度值的平均值;
S704,依次将目标灰度区域包含的每个像素作为当前像素,比对当前像素的灰度值和灰度值的平均值;
S706,在当前像素的灰度值大于灰度值的平均值的情况下,确定当前像素的哈希值为第一目标值;
S708,在当前像素的灰度值小于或等于灰度值的平均值的情况下,确定当前像素的哈希值为第二目标值。
可选地,计算灰度参数数组中全部灰度参数的灰度值的平均值,比对灰度参数数组的平均值和灰度参数数组中的每一个灰度参数的灰度值。
可选地,灰度特征的计算不限于如下公式(3)所示:
其中,H为像素点的灰度值,为灰度参数的平均值。
在本申请实施例中,通过比对灰度参数和灰度参数数组的灰度平均值,将灰度参数转换为对应的灰度特征值,实现灰度参数值灰度特征的转换,将不规则的灰度参数转换为更加规律和便于计算的灰度特征值,进一步减少灰度特征距离的计算量,提高灰度距离计算效率。
可选地,在确定图像的色调特征值构成的色调特征和灰度特征值构成的灰度特征的情况下,将色调特征和灰度特征按照组合顺序组合成为融合特征。组合顺序不限于是色调特征在前或灰度特征在前。例如,色调特征和灰度特征均是8*8像素点对应特征,则特征融合是将两个64位特征数组融合为一个128位特征数组。
可选地,第一融合特征和第二融合特征的特征距离可以但不限于是第一融合特征和第二融合特征之间的欧式距离,汉明距离,曼哈顿距离,切比雪夫距离等。
以汉明距离为例,比对第一融合特征与第二融合特征中对应位序的特征值,统计特征值不同的特征数量。得到色调特征中色调值不同的色调特征数量和灰度特征中灰度值不同的灰度特征数量,将色调值不同的色调特征数量值作为色调距离F1,灰度值不同的灰度特征数量值作为灰度距离F2。在确定α和β的取值之后,将色调特征数量带入公式(1),从而得到特征距离F。
在本申请实施例中,通过获取图像集合中每个图像的融合特征,从而可以在进行图像差异识别时,可以直接通过计算融合特征的加权特征距离,作为差异度的判断标准,减少差异度计算的数据量,提高图像识别的效率。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
根据本发明实施例的另一个方面,还提供了一种用于实施上述图片识别方法的图片识别装置。如图8所示,该装置包括:
获取单元802,用于获取与目标工单对应的目标图像集合;
提取单元804,用于提取目标图像集合中每张目标图像的色调特征和灰度特征,其中,色调特征用于指示目标图像中像素的色调分布,灰度特征用于指示目标图像中像素的灰度分布;
融合单元806,用于对色调特征和灰度特征进行加权融合,得到与目标图像匹配的融合特征;
确定单元808,用于在目标图像集合中的第一目标图像对应的第一融合特征与第二目标图像对应的第二融合特征之间的特征距离小于预设阈值的情况下,确定第一目标图像与第二目标图像为相同图像。
可选地,上述提取单元804包括:
映射模块,用于将目标图像的图像数据映射至图像颜色模型,得到目标图像参数格式下的目标像素数据;
第一提取模块,用于从目标像素数据中提取色调参数数组;
差值模块,用于对色调参数数组进行插值处理,得到目标图像的色调特征。
可选地,上述差值模块包括:
第一计算模块,用于利用三次样条插值算法对色调参数数组进行计算,得到满足预设数据格式的目标色调数组;
第一构建模块,用于利用目标色调数组构建色调特征。
可选地,上述构建模块包括:
平均模块,用于计算目标色调数组中目标色调的平均值;
第一比对模块,用于依次将目标色调参数数组包含的每个目标色调参数作为当前色调,比对当前色调的色调值和目标色调的平均值;
第一确定模块,用于在当前色调的色调值大于目标色调的平均值的情况下,确定当前色调的哈希值为第一目标值;
第二确定模块,用于在当前色调的色调值小于或等于目标色调的平均值的情况下,确定当前色调的哈希值为第二目标值。
可选地,上述提取单元804包括:
转换模块,用于将目标图像转换为灰度图像;
区域模块,用于根据对灰度图像进行离散余弦变换后得到的变换结果,确定灰度图像中的目标灰度区域;
第二构建模块,用于获取目标灰度区域中每个像素的灰度参数,构建目标图像的灰度参数数组;
第二计算模块,用于利用灰度参数数组计算每个像素各自对应的哈希值,并将哈希值确定为目标图像的灰度特征。
可选地,上述第二计算模块包括:
第三计算模块,用于计算灰度参数数组中灰度值的平均值;
第二比对模块,用于依次将目标灰度区域包含的每个像素作为当前像素,比对当前像素的灰度值和灰度值的平均值;
第三确定模块,用于在当前像素的灰度值大于灰度值的平均值的情况下,确定当前像素的哈希值为第一目标值;
第四确定模块,用于在当前像素的灰度值小于或等于灰度值的平均值的情况下,确定当前像素的哈希值为第二目标值。
可选地,上述图片识别装置还包括判定单元,用于得到与目标图像匹配的融合特征之后,在第一目标图像的第一融合特征与第二目标图像的第二融合特征之间的特征距离大于或等于预设阈值的情况下,确定第一目标图像与第二目标图像为不同图像。
在本申请实施例中,采用提取目标图像的指示色调分布的色调特征和灰度分布的灰度特征,利用灰度特征和色调特征构建融合特征,在比较第一目标图像与第二目标图像的相似程度时,通过计算第一目标图像的第一融合特征和第二目标图像的第二融合特征之间的特征距离,以特征距离指示第一目标图像和第二目标图像之间的差异度的方式,通过色调特征和灰度特征之间的特征距离指示图像之间的差异,达到了在不使用深度学习算法的基础上,通过简单运算得到图像之间差异度的目的,从而实现了简化图像差异度计算方法和流程,提高图片识别效率的技术效果,进而解决了图片识别效率低的技术问题。
根据本发明实施例的又一个方面,还提供了一种用于实施上述图片识别方法的电子设备,该电子设备可以是图1所示的终端设备或服务器。本实施例以该电子设备为服务器为例来说明。如图9所示,该电子设备包括存储器902和处理器904,该存储器902中存储有计算机程序,该处理器904被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取与目标工单对应的目标图像集合;
S2,提取目标图像集合中每张目标图像的色调特征和灰度特征,其中,色调特征用于指示目标图像中像素的色调分布,灰度特征用于指示目标图像中像素的灰度分布;
S3,对色调特征和灰度特征进行加权融合,得到与目标图像匹配的融合特征;
S4,在目标图像集合中的第一目标图像对应的第一融合特征与第二目标图像对应的第二融合特征之间的特征距离小于预设阈值的情况下,确定第一目标图像与第二目标图像为相同图像。
可选地,本领域普通技术人员可以理解,图9所示的结构仅为示意,电子设备也可以是智能手机(如Android手机、IOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图9其并不对上述电子设备的结构造成限定。例如,电子设备还可包括比图9中所示更多或者更少的组件(如网络接口等),或者具有与图9所示不同的配置。
其中,存储器902可用于存储软件程序以及模块,如本发明实施例中的图片识别方法和装置对应的程序指令/模块,处理器904通过运行存储在存储器902内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的图片识别方法。存储器902可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器902可进一步包括相对于处理器904远程设置的存储器,这些远程存储器可以通过网络连接至终端。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。其中,存储器902具体可以但不限于用于存储目标图像、色调特征、灰度特征、融合特征等信息。作为一种示例,如图9所示,上述存储器902中可以但不限于包括上述图片识别装置中的获取单元802、提取单元804、融合单元806及确定单元808。此外,还可以包括但不限于上述图片识别装置中的其他模块单元,本示例中不再赘述。
可选地,上述的传输装置906用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置906包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置906为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
此外,上述电子设备还包括:显示器908,用于显示上述待处理的目标图像和目标图像集合;和连接总线910,用于连接上述电子设备中的各个模块部件。
在其他实施例中,上述终端设备或者服务器可以是一个分布式系统中的一个节点,其中,该分布式系统可以为区块链系统,该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中,节点之间可以组成点对点(P2P,Peer To Peer)网络,任意形式的计算设备,比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
根据本申请的一个方面,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图片识别方面的各种可选实现方式中提供的方法。其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取与目标工单对应的目标图像集合;
S2,提取目标图像集合中每张目标图像的色调特征和灰度特征,其中,色调特征用于指示目标图像中像素的色调分布,灰度特征用于指示目标图像中像素的灰度分布;
S3,对色调特征和灰度特征进行加权融合,得到与目标图像匹配的融合特征;
S4,在目标图像集合中的第一目标图像对应的第一融合特征与第二目标图像对应的第二融合特征之间的特征距离小于预设阈值的情况下,确定第一目标图像与第二目标图像为相同图像。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种图片识别方法,其特征在于,包括:
获取与目标工单对应的目标图像集合;
提取所述目标图像集合中每张目标图像的色调特征和灰度特征,其中,所述色调特征用于指示所述目标图像中像素的色调分布,所述灰度特征用于指示所述目标图像中像素的灰度分布;
对所述色调特征和所述灰度特征进行加权融合,得到与所述目标图像匹配的融合特征;
在所述目标图像集合中的第一目标图像对应的第一融合特征与第二目标图像对应的第二融合特征之间的特征距离小于预设阈值的情况下,确定所述第一目标图像与所述第二目标图像为相同图像;
其中,所述提取所述目标图像集合中每张目标图像的灰度特征包括:
将所述目标图像转换为灰度图像;根据对所述灰度图像进行离散余弦变换后得到的变换结果,确定所述灰度图像中的目标灰度区域;获取所述目标灰度区域中每个像素的灰度参数,构建所述目标图像的灰度参数数组;利用所述灰度参数数组计算每个像素各自对应的哈希值,并将所述哈希值确定为所述目标图像的所述灰度特征。
2.根据权利要求1所述的方法,其特征在于,提取所述目标图像集合中每张目标图像的色调特征包括:
将所述目标图像的图像数据映射至图像颜色模型,得到目标图像参数格式下的目标像素数据;
从所述目标像素数据中提取色调参数数组;
对所述色调参数数组进行插值处理,得到所述目标图像的所述色调特征。
3.根据权利要求2所述的方法,其特征在于,所述对所述色调参数数组进行插值处理,得到所述目标图像的所述色调特征包括:
利用三次样条插值算法对所述色调参数数组进行计算,得到满足预设数据格式的目标色调数组;
利用所述目标色调数组构建所述色调特征。
4.根据权利要求3所述的方法,其特征在于,所述利用所述目标色调数组构建所述色调特征包括:
计算所述目标色调数组中目标色调的平均值;
依次将所述目标色调参数数组包含的每个目标色调参数作为当前色调,比对所述当前色调的色调值和所述目标色调的平均值;
在所述当前色调的色调值大于所述目标色调的平均值的情况下,确定所述当前色调的哈希值为第一目标值;
在所述当前色调的色调值小于或等于所述目标色调的平均值的情况下,确定所述当前色调的哈希值为第二目标值。
5.根据权利要求1所述的方法,其特征在于,所述利用所述灰度参数数组计算每个像素各自对应的哈希值,并将所述哈希值确定为所述目标图像的所述灰度特征包括:
计算所述灰度参数数组中灰度值的平均值;
依次将所述目标灰度区域包含的每个像素作为当前像素,比对所述当前像素的灰度值和所述灰度值的平均值;
在所述当前像素的灰度值大于所述灰度值的平均值的情况下,确定所述当前像素的哈希值为第一目标值;
在所述当前像素的灰度值小于或等于所述灰度值的平均值的情况下,确定所述当前像素的哈希值为第二目标值。
6.根据权利要求1至5任一项所述的方法,其特征在于,在得到与所述目标图像匹配的融合特征之后,所述方法还包括:
在所述第一目标图像的所述第一融合特征与所述第二目标图像的所述第二融合特征之间的特征距离大于或等于预设阈值的情况下,确定所述第一目标图像与所述第二目标图像为不同图像。
7.一种图片识别装置,其特征在于,包括:
获取单元,用于获取与目标工单对应的目标图像集合;
提取单元,用于提取所述目标图像集合中每张目标图像的色调特征和灰度特征,其中,所述色调特征用于指示所述目标图像中像素的色调分布,所述灰度特征用于指示所述目标图像中像素的灰度分布;
融合单元,用于对所述色调特征和所述灰度特征进行加权融合,得到与所述目标图像匹配的融合特征;
确定单元,用于在所述目标图像集合中的第一目标图像对应的第一融合特征与第二目标图像对应的第二融合特征之间的特征距离小于预设阈值的情况下,确定所述第一目标图像与所述第二目标图像为相同图像;
所述提取单元包括:
转换模块,用于将目标图像转换为灰度图像;
区域模块,用于根据对灰度图像进行离散余弦变换后得到的变换结果,确定灰度图像中的目标灰度区域;
第二构建模块,用于获取目标灰度区域中每个像素的灰度参数,构建目标图像的灰度参数数组;
第二计算模块,用于利用灰度参数数组计算每个像素各自对应的哈希值,并将哈希值确定为目标图像的灰度特征。
8.一种计算机可读的存储介质,其特征在于,所述计算机可读的存储介质包括存储的程序,所述程序运行时执行所述权利要求1至6任一项中所述的方法。
9.一种电子设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至6任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110725374.XA CN113435515B (zh) | 2021-06-29 | 2021-06-29 | 图片识别方法和装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110725374.XA CN113435515B (zh) | 2021-06-29 | 2021-06-29 | 图片识别方法和装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435515A CN113435515A (zh) | 2021-09-24 |
CN113435515B true CN113435515B (zh) | 2023-12-19 |
Family
ID=77757637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110725374.XA Active CN113435515B (zh) | 2021-06-29 | 2021-06-29 | 图片识别方法和装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435515B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114155110B (zh) * | 2022-02-08 | 2022-07-12 | 珠海盈米基金销售有限公司 | 一种基金净值估算方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103377473A (zh) * | 2012-04-19 | 2013-10-30 | 腾讯科技(深圳)有限公司 | 一种图像排重方法和装置 |
CN105141888A (zh) * | 2015-07-11 | 2015-12-09 | 深圳市美贝壳科技有限公司 | 一种过滤监控视频重复内容的办法 |
CN107018410A (zh) * | 2017-05-10 | 2017-08-04 | 北京理工大学 | 一种基于预注意机制和空间依赖性的无参考图像质量评价方法 |
CN108663677A (zh) * | 2018-03-29 | 2018-10-16 | 上海智瞳通科技有限公司 | 一种多传感器深度融合提高目标检测能力的方法 |
CN110490214A (zh) * | 2018-05-14 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 图像的识别方法及系统、存储介质及处理器 |
CN110909791A (zh) * | 2019-11-20 | 2020-03-24 | 车智互联(北京)科技有限公司 | 一种相似图像识别方法及计算设备 |
CN110944201A (zh) * | 2019-12-02 | 2020-03-31 | 深圳云朵数据技术有限公司 | 一种视频去重压缩的方法、装置、服务器及存储介质 |
CN111144298A (zh) * | 2019-12-26 | 2020-05-12 | 北京华捷艾米科技有限公司 | 一种行人识别方法及装置 |
CN112633297A (zh) * | 2020-12-28 | 2021-04-09 | 浙江大华技术股份有限公司 | 目标对象的识别方法、装置、存储介质以及电子装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102011082908A1 (de) * | 2011-09-19 | 2013-03-21 | Deere & Company | Verfahren und Anordnung zur optischen Beurteilung von Erntegut in einer Erntemaschine |
-
2021
- 2021-06-29 CN CN202110725374.XA patent/CN113435515B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103377473A (zh) * | 2012-04-19 | 2013-10-30 | 腾讯科技(深圳)有限公司 | 一种图像排重方法和装置 |
CN105141888A (zh) * | 2015-07-11 | 2015-12-09 | 深圳市美贝壳科技有限公司 | 一种过滤监控视频重复内容的办法 |
CN107018410A (zh) * | 2017-05-10 | 2017-08-04 | 北京理工大学 | 一种基于预注意机制和空间依赖性的无参考图像质量评价方法 |
CN108663677A (zh) * | 2018-03-29 | 2018-10-16 | 上海智瞳通科技有限公司 | 一种多传感器深度融合提高目标检测能力的方法 |
CN110490214A (zh) * | 2018-05-14 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 图像的识别方法及系统、存储介质及处理器 |
CN110909791A (zh) * | 2019-11-20 | 2020-03-24 | 车智互联(北京)科技有限公司 | 一种相似图像识别方法及计算设备 |
CN110944201A (zh) * | 2019-12-02 | 2020-03-31 | 深圳云朵数据技术有限公司 | 一种视频去重压缩的方法、装置、服务器及存储介质 |
CN111144298A (zh) * | 2019-12-26 | 2020-05-12 | 北京华捷艾米科技有限公司 | 一种行人识别方法及装置 |
CN112633297A (zh) * | 2020-12-28 | 2021-04-09 | 浙江大华技术股份有限公司 | 目标对象的识别方法、装置、存储介质以及电子装置 |
Non-Patent Citations (4)
Title |
---|
Single image shadow detection and removal based on feature fusion and multiple dictionary learning;Chen Q等;《Multimedia Tools and Applications》;第77卷(第14期);18601-18624 * |
基于无人机的光伏组件图像采集与缺陷分类的限制因素研究;陈陆燊;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》(第11期);C042-80 * |
基于相关滤波的目标跟踪算法的研究;李松玥;《中国优秀硕士学位论文全文数据库 (信息科技辑)》(第9期);正文第27-29页 * |
高铁轨道表面缺陷的机器视觉检测算法研究;尹逊帅;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》(第3期);C033-9 * |
Also Published As
Publication number | Publication date |
---|---|
CN113435515A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950653B (zh) | 视频处理方法和装置、存储介质及电子设备 | |
WO2016127883A1 (zh) | 一种图像区域检测方法及装置 | |
CN107967677B (zh) | 图像处理方法、装置、计算机可读存储介质和计算机设备 | |
TWI475495B (zh) | 圖像的識別方法、電子裝置與電腦程式產品 | |
CN110728722B (zh) | 图像颜色迁移方法、装置、计算机设备和存储介质 | |
WO2021175040A1 (zh) | 视频处理方法及相关装置 | |
CN112001274A (zh) | 人群密度确定方法、装置、存储介质和处理器 | |
CN113435515B (zh) | 图片识别方法和装置、存储介质及电子设备 | |
JP2021531688A (ja) | データ処理方法及び装置、電子機器並びに記憶媒体 | |
CN111383254A (zh) | 一种深度信息获取方法、系统及终端设备 | |
CN113076159B (zh) | 图像显示方法和装置、存储介质及电子设备 | |
CN112565887B (zh) | 一种视频处理方法、装置、终端及存储介质 | |
JP6977483B2 (ja) | 画像処理装置、画像処理方法、画像処理システムおよびプログラム | |
CN113112422A (zh) | 图像处理方法、装置、电子设备、计算机可读介质 | |
JP2011249947A (ja) | 画像減色装置、方法及びプログラム | |
US10026201B2 (en) | Image classifying method and image displaying method | |
CN107464273B (zh) | 图像风格刷的实现方法与装置 | |
CN111243046B (zh) | 图像质量检测方法、装置、电子设备及存储介质 | |
CN114663570A (zh) | 贴图生成方法、装置、电子装置及可读存储介质 | |
CN113453017A (zh) | 视频处理方法、装置、设备及计算机程序产品 | |
CN113191376A (zh) | 图像处理方法、装置、电子设备和可读存储介质 | |
CN110647898B (zh) | 图像处理方法、装置、电子设备及计算机存储介质 | |
CN116152530B (zh) | 图像差异的确定方法和装置、存储介质及电子设备 | |
CN113395407A (zh) | 图像处理装置、图像处理方法及计算机可读介质 | |
CN116188808B (zh) | 图像特征提取方法和系统、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |