发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种智能图像处理方法及系统,解决了常规的图像识别,识别过程缓慢,且过程中无法积累数据经验,使得下次进行同种类型的识别时,仍会出现识别缓慢的情况,针对于单一工作环境中应用的图像识别,往往还是需要人工去添加识别属性,这样无疑会增加相关人员工作量的问题。
(二)技术方案
为实现上述目的,本发明提供了如下技术方案:一种智能图像处理方法,具体包括以下步骤:
步骤一、图像获取:利用图像采集单元对各个途径的图像进行采集,再通过特征分析单元对图像的主要特征进行分析,确定特征点类型和特征点数量后,由特征匹配单元进行匹配识别;
步骤二、本地识别:特征匹配单元根据特征点类型和特征点数量从识别基础单元中筛选出匹配的数据,经过余量分析,保证精准无误后,即为识别结果;
步骤三、智能识别:对于余量分析结果中仍有误差的数据,发送至智能拓展系统中,经过整理后,将存有误差的数据对应的原特征自原有图像上切割出来,标记数量和切割顺序后,封包发送到智能分析单元中,经过解封处理后,将存有误差的数据发送到AI服务器,进行智能AI匹配,检测出与特征点类型和特征点数量完全匹配的数据后,将匹配结果封包发送到归纳整合单元中,经过解封后,通过特征匹配单元进行二次特征确认,并且按照切割顺序填充在图像对应的位置上,在经过语言逻辑诊断,并对存在异常处进行标注,同时将数据传输到识别基础单元中,后与步骤二中的识别结果进行合并,向用户进行展示,同时将得到分析结果后的未识别数据信息,存储在信息存储模块中,扩充识别基础单元信息存储量。
通过采用上述技术方案,建立本地库进行图像识别,保证图像识别的迅捷有效,并且在出现无法识别的特征信息后,通过智能拓展系统进行辅助识别,保证图像识别的精准,同时对本地库进行填充,实现本地库的自动成长,进而降低相关工作人员的工作量。
本发明进一步设置为:所述步骤一中的图像主要特征为图像轮廓曲度最大或轮廓方向突然改变的地方。
本发明还公开了一种智能图像处理系统,由图像分析系统和智能拓展系统共同组成的图像处理识别系统,所述图像分析系统和智能拓展系统对接,用于实现未识别信息的智能识别,所述图像分析系统包括图像采集单元、特征分析单元、特征匹配单元、归纳整合单元和识别基础单元,其中图像采集单元用于图像的采集,所述图像采集单元与特征分析单元对接,用于对所采集的图像信息进行特征识别,所述特征匹配单元分别与特征分析单元、识别基础单元和归纳整合单元对接,用于根据特征识别信息从识别基础单元中检索匹配特征的数据,并在归纳整合单元中进行展示,所述智能拓展系统包括图像传输单元和智能分析单元,所述图像传输单元分别与智能分析单元、识别基础单元和归纳整合单元进行对接,用于保证未匹配数据特征的有效识别,并进行数据的迅速传递,用于提高识别基础单元的识别能力。
通过采用上述技术方案,利用图像分析系统和智能拓展系统组建出一个具有成长性的图像处理识别系统,实现单一环境中图像的有效识别。
本发明进一步设置为:所述图像采集单元采集图像的方法具体包括从图像存储文件库包括相册中提取图片,利用手机、相机即时拍照获得图片,利用截图软件进行截图获取图片。
通过采用上述技术方案,实现图像的采集。
本发明进一步设置为:所述特征分析单元具体包括特征点分类模块、特征点确认模块和特征点统计模块,所述特征点分类模块用于对图像的特征点进行种类划分,并按照特征种类对采集的图像进行特征点判断;
所述特征点确认模块用于确定特征点种类、采集的具体位置和具体数量;
所述特征点统计模块用于对确定特征点的种类、位置和数量进行整合。
通过采用上述技术方案,对采集的图像进行特征划分,为图像识别提供基础条件。
本发明进一步设置为:所述特征匹配单元具体包括匹配分类模块、自查统计模块、匹配点筛选对比模块和余量分析模块,所述匹配分类模块用于 根据特征点种类的划分而划分对应的处理模块,用于实现对应特征点种类的迅速查找;
所述自查统计模块用于根据对应特征点种类从识别基础单元中迅速查找出对应匹配的数据,并进行统计;
所述匹配点筛选对比模块用于整合自查统计模块中统计的数据,并根据位置信息进行对应特征点和特征点数量的整理,同时筛选出其中匹配度较高的数据;
所述余量分析模块用于对于匹配点筛选对比模块中筛选的数据进行余量分析,在出现余量大于零的情况时,为匹配数据有误,向智能拓展系统中发送误差数据对应的原特征,用于保证图像识别的精准。
通过采用上述技术方案,对图像的特征点和本地库中存储的信息进行比较,从而迅速识别出对应特征下的图像信息。
本发明进一步设置为:所述识别基础单元具体包括信息存储模块、反馈模块和反馈填充模块,所述信息存储模块作为本地内存,用于存储图像特征点识别的对比数据;
所述反馈模块用于接收特征匹配单元中筛选出具有误差数据的原特征,并将原特征信息传输到图像传输单元中,进行智能识别;
所述反馈填充模块用于接收特征匹配单元中认证智能分析单元分析结果后的未识别数据信息,并存储在信息存储模块中,用于扩充信息存储量。
通过采用上述技术方案,作为本地库,为图像识别提供数据对照基础。
本发明进一步设置为:所述归纳整合单元具体包括解封整合模块、逻辑匹配标注模块和合并展示模块,所述解封整合模块用于解封智能分析单元中传输来的匹配结果封包,并将匹配结果根据位置信息填充在图像初始位置上,用于保证图像识别结构的有序;
所述逻辑匹配标注模块用于对识别后的结果进行逻辑诊断,同时对存在异常处进行标注;
所述合并展示模块用于合并初始匹配特征数据结果和后续智能匹配特征数据结果,并进行展示。
通过采用上述技术方案,对本地识别的图像结果信息和智能识别的图像信息进行整合后,做出展示。
本发明进一步设置为:所述图像传输单元具体包括余量整理模块、切割封包模块和封包传输模块,所述余量整理模块用于整理出余量分析后存在误差数据的特征;
所述切割封包模块用于将余量整理模块整理的存有误差的数据对应的原特征自原有图像上切割出来,标记数量和切割顺序后,进行封包;
所述封包传输模块用于将封包后的数据传输到智能分析单元中,并将智能分析单元中的封包数据传输到归纳整合单元中。
通过采用上述技术方案,实现图像特征信息的迅速无损传送,保证图像特征传输过程中的迅速有效,进而保证图像识别结果的精准。
本发明进一步设置为:所述智能分析单元具体包括解封匹配模块和结果封包模块,所述解封匹配模块用于接收封包传输模块中传输的封包数据,并对封包数据进行解封后,根据图像特征进行智能AI匹配;
所述结果封包模块用于接收解封匹配模块发送的智能匹配结果,并对智能匹配结果进行封包。
通过采用上述技术方案,实现对图像特征的智能识别。
(三)有益效果
本发明提供了一种智能图像处理方法及系统。具备以下有益效果:
(1)该智能图像处理方法及系统,利用图像分析系统和智能拓展系统组建出一个具有成长性的图像处理识别系统,实现单一环境中图像的有效识别,并且通过建立本地库进行图像识别,保证图像识别的迅捷有效,并且在出现无法识别的特征信息后,通过智能拓展系统进行辅助识别,保证图像识别的精准,同时对本地库进行填充,实现本地库的自动成长,进而降低相关工作人员的工作量。
(2)该智能图像处理方法及系统,通过图像传输单元的设置,对需要进行智能识别的特征进行切割打包,保证图像分析系统中的信息可以迅速、无损的传输到智能拓展系统中进行识别,并且将智能拓展系统的识别结果无损且迅速的传输回到图像分析系统中,保证传输过程的迅速,从而保证图像识别的迅速。
(3)该智能图像处理方法及系统,通过对智能拓展系统传输回来的结果进行统计整理,填充在信息存储模块中,提高本地库的识别能力,且在归纳整合单元的设置下,对智能分析的图像识别结果进行验证,并对图像识别结果中出现的异常数据进行标识展示,提高用户对图像识别结果的分辨能力。
具体实施方式
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。
请参阅图1-图 7,本发明实施例提供一种技术方案:一种智能图像处理方法,具体包括以下步骤:
步骤一、图像获取:利用图像采集单元3对各个途径的图像进行采集,再通过特征分析单元4对图像的轮廓曲度最大或轮廓方向突然改变地方的主要特征进行分析,确定特征点类型和特征点数量后,由特征匹配单元5进行匹配识别;
步骤二、本地识别:特征匹配单元5根据特征点类型和特征点数量从识别基础单元7中筛选出匹配的数据,经过余量分析,保证精准无误后,即为识别结果;
步骤三、智能识别:对于余量分析结果中仍有误差的数据,发送至智能拓展系统2中,经过整理后,将存有误差的数据对应的原特征自原有图像上切割出来,标记数量和切割顺序后,封包发送到智能分析单元9中,经过解封处理后,将存有误差的数据发送到AI服务器,进行智能AI匹配,检测出与特征点类型和特征点数量完全匹配的数据后,将匹配结果封包发送到归纳整合单元6中,经过解封后,通过特征匹配单元5进行二次特征确认,并且按照切割顺序填充在图像对应的位置上,在经过语言逻辑诊断,并对存在异常处进行标注,同时将数据传输到识别基础单元7中,后与步骤二中的识别结果进行合并,向用户进行展示,同时将得到分析结果后的未识别数据信息,存储在信息存储模块17中,扩充识别基础单元7的信息存储量。
上述的一种智能图像处理系统,如附图1所示,由图像分析系统1和智能拓展系统2共同组成的图像处理识别系统,图像分析系统1和智能拓展系统2对接,用于实现未识别信息的智能识别,图像分析系统1包括图像采集单元3、特征分析单元4、特征匹配单元5、归纳整合单元6和识别基础单元 7,作为优选方案,如附图4所示,归纳整合单元6具体包括解封整合模块20、逻辑匹配标注模块21和合并展示模块22,解封整合模块20用于解封智能分析单元9中传输来的匹配结果封包,并将匹配结果根据位置信息填充在图像初始位置上,用于保证图像识别结构的有序;
逻辑匹配标注模块21用于对识别后的结果进行逻辑诊断,同时对存在异常处进行标注;
合并展示模块22用于合并初始匹配特征数据结果和后续智能匹配特征数据结果,并进行展示。
具体的,如附图5所示,识别基础单元7具体包括信息存储模块17、反馈模块18和反馈填充模块19,信息存储模块17作为本地内存,用于存储图像特征点识别的对比数据;
反馈模块18用于接收特征匹配单元5中筛选出具有误差数据的原特征,并将原特征信息传输到图像传输单元8中,进行智能识别;
反馈填充模块19用于接收特征匹配单元5中认证智能分析单元9分析结果后的未识别数据信息,并存储在信息存储模块17中,用于扩充信息存储量。
其中图像采集单元3用于图像的采集,图像采集单元3采集图像的方法具体包括从图像存储文件库包括相册中提取图片,利用手机、相机即时拍照获得图片,利用截图软件进行截图获取图片。
图像采集单元3与特征分析单元4对接,用于对所采集的图像信息进行特征识别,具体的,如附图2所示,特征分析单元4还包括特征点分类模块 10、特征点确认模块11和特征点统计模块12,特征点分类模块10用于对图像的特征点进行种类划分,并按照特征种类对采集的图像进行特征点判断;
特征点确认模块11用于确定特征点种类、采集的具体位置和具体数量;
特征点统计模块12用于对确定特征点的种类、位置和数量进行整合。
特征匹配单元5分别与特征分析单元4、识别基础单元7和归纳整合单元 6对接,用于根据特征识别信息从识别基础单元7中检索匹配特征的数据,并在归纳整合单元6中进行展示,具体的,如附图3所示,特征匹配单元5具体包括匹配分类模块13、自查统计模块14、匹配点筛选对比模块15和余量分析模块16,匹配分类模块13用于 根据特征点种类的划分而划分对应的处理模块,用于实现对应特征点种类的迅速查找;
自查统计模块14用于根据对应特征点种类从识别基础单元7中迅速查找出对应匹配的数据,并进行统计;
匹配点筛选对比模块15用于整合自查统计模块14中统计的数据,并根据位置信息进行对应特征点和特征点数量的整理,同时筛选出其中匹配度较高的数据;
余量分析模块16用于对于匹配点筛选对比模块15中筛选的数据进行余量分析,在出现余量大于零的情况时,为匹配数据有误,向智能拓展系统2 中发送误差数据对应的原特征,用于保证图像识别的精准。
智能拓展系统2包括图像传输单元8和智能分析单元9,具体的,附图6 所示,图像传输单元8还包括余量整理模块23、切割封包模块24和封包传输模块25,余量整理模块23用于整理出余量分析后存在误差数据的特征;
切割封包模块24用于将余量整理模块23整理的存有误差的数据对应的原特征自原有图像上切割出来,标记数量和切割顺序后,进行封包;
封包传输模块25用于将封包后的数据传输到智能分析单元9中,并将智能分析单元9中的封包数据传输到归纳整合单元6中。
图像传输单元8分别与智能分析单元9、识别基础单元7和归纳整合单元 6进行对接,用于保证未匹配数据特征的有效识别,并进行数据的迅速传递,用于提高识别基础单元7的识别能力,具体的,如附图7所示,智能分析单元9还包括解封匹配模块26和结果封包模块27,解封匹配模块26用于接收封包传输模块25中传输的封包数据,并对封包数据进行解封后,根据图像特征进行智能AI匹配;
结果封包模块27用于接收解封匹配模块26发送的智能匹配结果,并对智能匹配结果进行封包。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。