CN113947709A - 基于人工智能的图像处理方法及系统 - Google Patents
基于人工智能的图像处理方法及系统 Download PDFInfo
- Publication number
- CN113947709A CN113947709A CN202111247170.6A CN202111247170A CN113947709A CN 113947709 A CN113947709 A CN 113947709A CN 202111247170 A CN202111247170 A CN 202111247170A CN 113947709 A CN113947709 A CN 113947709A
- Authority
- CN
- China
- Prior art keywords
- scene
- mining
- unmatched
- image
- key
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供的基于人工智能的图像处理方法及系统,通过获得实时场景图像数据并挖掘实时场景图像数据中的原始关键场景事项簇,将原始关键场景事项簇加载至事先设置的挖掘剖析网络以将原始关键场景事项簇中的第一图像可视化处理结果,将可视化向量图像可视化处理结果进行二值化处理,二值化处理后图像可视化处理结果符合事先设置的图像可视化处理结果的可视化向量确定为存在不匹配的场景信息的可视化向量,通过二值化处理多组关键场景事项的挖掘剖析结果,依据量化二值化处理结果确定不匹配的场景信息指定内容,从而能够提高不匹配的场景信息剖析结果的精确性和可信度。
Description
技术领域
本申请涉及数据挖掘技术领域,具体而言,涉及基于人工智能的图像处理方法及系统。
背景技术
在人工智能具体运用到图像处理领域时,可能存在图像分析不准确地问题,从而不能精确地得到处理结果,因此,亟需一种图像处理方法以解决上述技术问题。
发明内容
鉴于此,本申请提供了基于人工智能的图像处理方法及系统。
第一方面,提供一种基于人工智能的图像处理方法,所述方法包括:
获得实时场景图像数据,并挖掘所述实时场景图像数据中的原始关键场景事项簇,其中,所述原始关键场景事项簇包括事先设置的标准模板对应的关键场景事项;
将所述原始关键场景事项簇加载至事先设置的挖掘剖析网络,以将所述原始关键场景事项簇中关键场景事项的范例可视化向量的图像可视化处理结果作为第一图像可视化处理结果,非范例可视化向量的图像可视化处理结果作为第二图像可视化处理结果;
将所述原始关键场景事项簇中关键场景事项的可视化向量图像可视化处理结果进行二值化处理,二值化处理后图像可视化处理结果符合事先设置的图像可视化处理结果的可视化向量确定为存在不匹配的场景信息的可视化向量,基于全部存在不匹配的场景信息的可视化向量生成原始不匹配的场景信息剖析结果。
在一种独立实施的实施例中,所述方法还包括:
获得所述实时场景图像数据中原始关键场景事项簇后的优化关键场景事项;
将所述优化关键场景事项加载至所述事先设置的挖掘剖析网络以得到所述优化关键场景事项的优化不匹配的场景信息剖析结果;
结合所述原始不匹配的场景信息剖析结果和所述优化不匹配的场景信息剖析结果的存在关联的内容进行优化,得到不匹配的场景信息的指定内容。
在一种独立实施的实施例中,所述结合所述原始不匹配的场景信息剖析结果和所述优化不匹配的场景信息剖析结果的存在关联的内容进行优化,得到不匹配的场景信息的指定内容,包括:
确定所述原始不匹配的场景信息剖析结果和所述优化不匹配的场景信息剖析结果的映射列表;
在所述映射列表符合事先设置的映射列表的前提下,结合所述优化不匹配的场景信息剖析结果优化所述原始不匹配的场景信息剖析结果,以优化所述不匹配的场景信息的指定内容。
在一种独立实施的实施例中,所述方法还包括:
获得所述实时场景图像数据中的挖掘关键场景事项,将所述挖掘关键场景事项中原始不匹配的场景信息剖析结果对应的不匹配的场景信息指定内容进行挖掘处理,将其余非不匹配的场景信息指定内容的图像可视化处理结果作为第三图像可视化处理结果;
基于挖掘处理后挖掘关键场景事项的不匹配的场景信息指定内容以及非不匹配的场景信息指定内容的图像可视化处理结果确定所述挖掘关键场景事项的最小剖析单元;
确定挖掘处理后挖掘关键场景事项中每一图像可视化处理结果的挖掘情况,并将大于或小于0的挖掘情况作为第四图像可视化处理结果,其中,所述第四图像可视化处理结果符合所述第三图像可视化处理结果;
基于更新后挖掘关键场景事项的挖掘情况确定所述挖掘关键场景事项的最大剖析单元;结合所述挖掘关键场景事项的最小剖析单元以及最大剖析单元获得所述挖掘关键场景事项的不匹配的场景信息统计结果。
在一种独立实施的实施例中,所述结合所述挖掘关键场景事项的最小剖析单元以及最大剖析单元获得所述挖掘关键场景事项的不匹配的场景信息统计结果,包括:
结合所述挖掘关键场景事项的图像可视化处理结果确定所述挖掘关键场景事项的剖析单元;结合所述挖掘关键场景事项的剖析单元、最小剖析单元以及最大剖析单元获得所述挖掘关键场景事项的不匹配的场景信息统计结果。
在一种独立实施的实施例中,所述结合所述挖掘关键场景事项的图像可视化处理结果确定所述挖掘关键场景事项的剖析单元,包括:
获得所述挖掘关键场景事项上每一可视化向量的图像可视化处理结果;
依次确定每一可视化向量与适配可视化向量的挖掘情况;
二值化处理所述挖掘关键场景事项中全部可视化向量的挖掘情况,以获得所述挖掘关键场景事项的剖析单元。
第二方面,提供一种基于人工智能的图像处理系统,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述的方法。
本申请实施例所提供的基于人工智能的图像处理方法及系统,通过获得实时场景图像数据,并挖掘实时场景图像数据中的原始关键场景事项簇,将原始关键场景事项簇加载至事先设置的挖掘剖析网络,以将原始关键场景事项簇中关键场景事项的范例可视化向量的图像可视化处理结果作为第一图像可视化处理结果,非范例可视化向量的图像可视化处理结果作为第二图像可视化处理结果;将原始关键场景事项簇中关键场景事项的可视化向量图像可视化处理结果进行二值化处理,二值化处理后图像可视化处理结果符合事先设置的图像可视化处理结果的可视化向量确定为存在不匹配的场景信息的可视化向量,通过二值化处理多组关键场景事项的挖掘剖析结果,依据量化二值化处理结果确定不匹配的场景信息指定内容,从而能够提高不匹配的场景信息剖析结果的精确性和可信度;基于全部存在不匹配的场景信息的可视化向量能够更加精确地生成原始不匹配的场景信息剖析结果。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例所提供的一种基于人工智能的图像处理方法的流程图。
图2为本申请实施例所提供的一种基于人工智能的图像处理装置的框图。
图3为本申请实施例所提供的一种基于人工智能的图像处理系统的架构图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
请参阅图1,示出了一种基于人工智能的图像处理方法,该方法可以包括以下步骤100-步骤300所描述的技术方案。
步骤100,获得实时场景图像数据,并挖掘所述实时场景图像数据中的原始关键场景事项簇,其中,所述原始关键场景事项簇包括事先设置的标准模板对应的关键场景事项。
步骤200,将所述原始关键场景事项簇加载至事先设置的挖掘剖析网络,以将所述原始关键场景事项簇中关键场景事项的范例可视化向量的图像可视化处理结果作为第一图像可视化处理结果,非范例可视化向量的图像可视化处理结果作为第二图像可视化处理结果。
步骤300,将所述原始关键场景事项簇中关键场景事项的可视化向量图像可视化处理结果进行二值化处理,二值化处理后图像可视化处理结果符合事先设置的图像可视化处理结果的可视化向量确定为存在不匹配的场景信息的可视化向量,基于全部存在不匹配的场景信息的可视化向量生成原始不匹配的场景信息剖析结果。
可以理解,在执行上述步骤100-步骤300所描述的内容时,通过获得实时场景图像数据,并挖掘实时场景图像数据中的原始关键场景事项簇,将原始关键场景事项簇加载至事先设置的挖掘剖析网络,以将原始关键场景事项簇中关键场景事项的范例可视化向量的图像可视化处理结果作为第一图像可视化处理结果,非范例可视化向量的图像可视化处理结果作为第二图像可视化处理结果;将原始关键场景事项簇中关键场景事项的可视化向量图像可视化处理结果进行二值化处理,二值化处理后图像可视化处理结果符合事先设置的图像可视化处理结果的可视化向量确定为存在不匹配的场景信息的可视化向量,通过二值化处理多组关键场景事项的挖掘剖析结果,依据量化二值化处理结果确定不匹配的场景信息指定内容,从而能够提高不匹配的场景信息剖析结果的精确性和可信度;基于全部存在不匹配的场景信息的可视化向量能够更加精确地生成原始不匹配的场景信息剖析结果。
基于上述基础,还可以包括以下步骤a1-步骤a3所描述的内容。
步骤a1,获得所述实时场景图像数据中原始关键场景事项簇后的优化关键场景事项。
步骤a2,将所述优化关键场景事项加载至所述事先设置的挖掘剖析网络以得到所述优化关键场景事项的优化不匹配的场景信息剖析结果。
步骤a3,结合所述原始不匹配的场景信息剖析结果和所述优化不匹配的场景信息剖析结果的存在关联的内容进行优化,得到不匹配的场景信息的指定内容。
可以理解,在执行上述步骤a1-步骤a3所描述的内容时,通过不间断地优化关键场景事项,进而提高存在关联的内容优化不匹配的场景信息的指定内容的准确性。
在本实施例中,结合所述原始不匹配的场景信息剖析结果和所述优化不匹配的场景信息剖析结果的存在关联的内容进行优化时,存在存在关联的内容不准确的问题,从而难以准确地得到不匹配的场景信息的指定内容,为了改善上述技术问题,步骤a3所描述的结合所述原始不匹配的场景信息剖析结果和所述优化不匹配的场景信息剖析结果的存在关联的内容进行优化,得到不匹配的场景信息的指定内容的步骤,具体可以包括以下步骤a31和步骤a32所描述的内容。
步骤a31,确定所述原始不匹配的场景信息剖析结果和所述优化不匹配的场景信息剖析结果的映射列表。
步骤a32,在所述映射列表符合事先设置的映射列表的前提下,结合所述优化不匹配的场景信息剖析结果优化所述原始不匹配的场景信息剖析结果,以优化所述不匹配的场景信息的指定内容。
可以理解,在执行上述步骤a31和步骤a32所描述的内容时,结合所述原始不匹配的场景信息剖析结果和所述优化不匹配的场景信息剖析结果的存在关联的内容进行优化时,改善存在关联的内容不准确的问题,从而能够准确地得到不匹配的场景信息的指定内容。
基于上述基础,还可以包括以下步骤s1-步骤s4所描述的内容。
步骤s1,获得所述实时场景图像数据中的挖掘关键场景事项,将所述挖掘关键场景事项中原始不匹配的场景信息剖析结果对应的不匹配的场景信息指定内容进行挖掘处理,将其余非不匹配的场景信息指定内容的图像可视化处理结果作为第三图像可视化处理结果。
步骤s2,基于挖掘处理后挖掘关键场景事项的不匹配的场景信息指定内容以及非不匹配的场景信息指定内容的图像可视化处理结果确定所述挖掘关键场景事项的最小剖析单元。
步骤s3,确定挖掘处理后挖掘关键场景事项中每一图像可视化处理结果的挖掘情况,并将大于或小于0的挖掘情况作为第四图像可视化处理结果,其中,所述第四图像可视化处理结果符合所述第三图像可视化处理结果。
步骤s4,基于更新后挖掘关键场景事项的挖掘情况确定所述挖掘关键场景事项的最大剖析单元;结合所述挖掘关键场景事项的最小剖析单元以及最大剖析单元获得所述挖掘关键场景事项的不匹配的场景信息统计结果。
可以理解,在执行上述步骤s1-步骤s4所描述的内容时,通过精确地进行挖掘处理,从而提高不匹配的场景信息统计结果的精确度。
在本实施例中,结合所述挖掘关键场景事项的最小剖析单元以及最大剖析单元时,存在剖析不准确的问题,从而难以准确地获得所述挖掘关键场景事项的不匹配的场景信息统计结果,为了改善上述技术问题,步骤s4所描述的结合所述挖掘关键场景事项的最小剖析单元以及最大剖析单元获得所述挖掘关键场景事项的不匹配的场景信息统计结果的步骤,具体可以包括以下步骤s41所描述的内容。
步骤s41,结合所述挖掘关键场景事项的图像可视化处理结果确定所述挖掘关键场景事项的剖析单元;结合所述挖掘关键场景事项的剖析单元、最小剖析单元以及最大剖析单元获得所述挖掘关键场景事项的不匹配的场景信息统计结果。
可以理解,在执行上述步骤s41所描述的内容时,结合所述挖掘关键场景事项的最小剖析单元以及最大剖析单元时,改善剖析不准确的问题,从而能够准确地获得所述挖掘关键场景事项的不匹配的场景信息统计结果。
在本实施例中,结合所述挖掘关键场景事项的图像可视化处理结果时,存在图像可视化处理结果不准确的问题,从而难以准确地确定所述挖掘关键场景事项的剖析单元,为了改善上述技术问题,步骤s41所描述的结合所述挖掘关键场景事项的图像可视化处理结果确定所述挖掘关键场景事项的剖析单元的步骤,具体可以包括以下步骤d1-步骤d3所描述的内容。
步骤d1,获得所述挖掘关键场景事项上每一可视化向量的图像可视化处理结果。
步骤d2,依次确定每一可视化向量与适配可视化向量的挖掘情况。
步骤d3,二值化处理所述挖掘关键场景事项中全部可视化向量的挖掘情况,以获得所述挖掘关键场景事项的剖析单元。
可以理解,在执行上述步骤d1-步骤d3所描述的内容时,结合所述挖掘关键场景事项的图像可视化处理结果时,改善图像可视化处理结果不准确的问题,从而能够准确地确定所述挖掘关键场景事项的剖析单元。
在上述基础上,请结合参阅图2,提供了一种基于人工智能的图像处理装置200,应用于基于人工智能的图像处理系统,所述装置包括:
事项挖掘模块210,用于获得实时场景图像数据,并挖掘所述实时场景图像数据中的原始关键场景事项簇,其中,所述原始关键场景事项簇包括事先设置的标准模板对应的关键场景事项;
结果剖析模块220,用于将所述原始关键场景事项簇加载至事先设置的挖掘剖析网络,以将所述原始关键场景事项簇中关键场景事项的范例可视化向量的图像可视化处理结果作为第一图像可视化处理结果,非范例可视化向量的图像可视化处理结果作为第二图像可视化处理结果;
结果剖析模块230,用于将所述原始关键场景事项簇中关键场景事项的可视化向量图像可视化处理结果进行二值化处理,二值化处理后图像可视化处理结果符合事先设置的图像可视化处理结果的可视化向量确定为存在不匹配的场景信息的可视化向量,基于全部存在不匹配的场景信息的可视化向量生成原始不匹配的场景信息剖析结果。
在上述基础上,请结合参阅图3,示出了一种基于人工智能的图像处理系统300,包括互相之间通信的处理器310和存储器320,所述处理器310用于从所述存储器320中读取计算机程序并执行,以实现上述的方法。
在上述基础上,还提供了一种计算机可读存储介质,其上存储的计算机程序在运行时实现上述的方法。
综上,基于上述方案,通过获得实时场景图像数据,并挖掘实时场景图像数据中的原始关键场景事项簇,将原始关键场景事项簇加载至事先设置的挖掘剖析网络,以将原始关键场景事项簇中关键场景事项的范例可视化向量的图像可视化处理结果作为第一图像可视化处理结果,非范例可视化向量的图像可视化处理结果作为第二图像可视化处理结果;将原始关键场景事项簇中关键场景事项的可视化向量图像可视化处理结果进行二值化处理,二值化处理后图像可视化处理结果符合事先设置的图像可视化处理结果的可视化向量确定为存在不匹配的场景信息的可视化向量,通过二值化处理多组关键场景事项的挖掘剖析结果,依据量化二值化处理结果确定不匹配的场景信息指定内容,从而能够提高不匹配的场景信息剖析结果的精确性和可信度;基于全部存在不匹配的场景信息的可视化向量能够更加精确地生成原始不匹配的场景信息剖析结果。
应当理解,上述所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (7)
1.一种基于人工智能的图像处理方法,其特征在于,所述方法包括:
获得实时场景图像数据,并挖掘所述实时场景图像数据中的原始关键场景事项簇,其中,所述原始关键场景事项簇包括事先设置的标准模板对应的关键场景事项;
将所述原始关键场景事项簇加载至事先设置的挖掘剖析网络,以将所述原始关键场景事项簇中关键场景事项的范例可视化向量的图像可视化处理结果作为第一图像可视化处理结果,非范例可视化向量的图像可视化处理结果作为第二图像可视化处理结果;
将所述原始关键场景事项簇中关键场景事项的可视化向量图像可视化处理结果进行二值化处理,二值化处理后图像可视化处理结果符合事先设置的图像可视化处理结果的可视化向量确定为存在不匹配的场景信息的可视化向量,基于全部存在不匹配的场景信息的可视化向量生成原始不匹配的场景信息剖析结果。
2.如权利要求1所述的基于人工智能的图像处理方法,其特征在于,所述方法还包括:
获得所述实时场景图像数据中原始关键场景事项簇后的优化关键场景事项;
将所述优化关键场景事项加载至所述事先设置的挖掘剖析网络以得到所述优化关键场景事项的优化不匹配的场景信息剖析结果;
结合所述原始不匹配的场景信息剖析结果和所述优化不匹配的场景信息剖析结果的存在关联的内容进行优化,得到不匹配的场景信息的指定内容。
3.如权利要求2所述的基于人工智能的图像处理方法,其特征在于,所述结合所述原始不匹配的场景信息剖析结果和所述优化不匹配的场景信息剖析结果的存在关联的内容进行优化,得到不匹配的场景信息的指定内容,包括:
确定所述原始不匹配的场景信息剖析结果和所述优化不匹配的场景信息剖析结果的映射列表;
在所述映射列表符合事先设置的映射列表的前提下,结合所述优化不匹配的场景信息剖析结果优化所述原始不匹配的场景信息剖析结果,以优化所述不匹配的场景信息的指定内容。
4.如权利要求1所述的基于人工智能的图像处理方法,其特征在于,所述方法还包括:
获得所述实时场景图像数据中的挖掘关键场景事项,将所述挖掘关键场景事项中原始不匹配的场景信息剖析结果对应的不匹配的场景信息指定内容进行挖掘处理,将其余非不匹配的场景信息指定内容的图像可视化处理结果作为第三图像可视化处理结果;
基于挖掘处理后挖掘关键场景事项的不匹配的场景信息指定内容以及非不匹配的场景信息指定内容的图像可视化处理结果确定所述挖掘关键场景事项的最小剖析单元;
确定挖掘处理后挖掘关键场景事项中每一图像可视化处理结果的挖掘情况,并将大于或小于0的挖掘情况作为第四图像可视化处理结果,其中,所述第四图像可视化处理结果符合所述第三图像可视化处理结果;
基于更新后挖掘关键场景事项的挖掘情况确定所述挖掘关键场景事项的最大剖析单元;结合所述挖掘关键场景事项的最小剖析单元以及最大剖析单元获得所述挖掘关键场景事项的不匹配的场景信息统计结果。
5.如权利要求4所述的基于人工智能的图像处理方法,其特征在于,所述结合所述挖掘关键场景事项的最小剖析单元以及最大剖析单元获得所述挖掘关键场景事项的不匹配的场景信息统计结果,包括:
结合所述挖掘关键场景事项的图像可视化处理结果确定所述挖掘关键场景事项的剖析单元;结合所述挖掘关键场景事项的剖析单元、最小剖析单元以及最大剖析单元获得所述挖掘关键场景事项的不匹配的场景信息统计结果。
6.如权利要求5所述的基于人工智能的图像处理方法,其特征在于,所述结合所述挖掘关键场景事项的图像可视化处理结果确定所述挖掘关键场景事项的剖析单元,包括:
获得所述挖掘关键场景事项上每一可视化向量的图像可视化处理结果;
依次确定每一可视化向量与适配可视化向量的挖掘情况;
二值化处理所述挖掘关键场景事项中全部可视化向量的挖掘情况,以获得所述挖掘关键场景事项的剖析单元。
7.一种基于人工智能的图像处理系统,其特征在于,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中读取计算机程序并执行,以实现权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111247170.6A CN113947709A (zh) | 2021-10-26 | 2021-10-26 | 基于人工智能的图像处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111247170.6A CN113947709A (zh) | 2021-10-26 | 2021-10-26 | 基于人工智能的图像处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113947709A true CN113947709A (zh) | 2022-01-18 |
Family
ID=79332413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111247170.6A Withdrawn CN113947709A (zh) | 2021-10-26 | 2021-10-26 | 基于人工智能的图像处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947709A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117830307A (zh) * | 2024-03-04 | 2024-04-05 | 南充市中心医院 | 基于人工智能的骨骼图像识别方法及系统 |
-
2021
- 2021-10-26 CN CN202111247170.6A patent/CN113947709A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117830307A (zh) * | 2024-03-04 | 2024-04-05 | 南充市中心医院 | 基于人工智能的骨骼图像识别方法及系统 |
CN117830307B (zh) * | 2024-03-04 | 2024-05-14 | 南充市中心医院 | 基于人工智能的骨骼图像识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113886468A (zh) | 基于互联网的在线互动数据挖掘方法及系统 | |
CN114168747A (zh) | 基于云服务的知识库构建方法及系统 | |
CN113903473A (zh) | 基于人工智能的医疗信息智能交互的方法及系统 | |
CN115732050A (zh) | 一种医疗大数据信息智能采集方法及系统 | |
CN113947709A (zh) | 基于人工智能的图像处理方法及系统 | |
CN115481197B (zh) | 一种分布式数据处理方法、系统及云平台 | |
CN115373688B (zh) | 一种软件开发线程的优化方法、系统及云平台 | |
CN114417076A (zh) | 基于人工智能的生产线智能预警方法及系统 | |
CN113626538A (zh) | 基于大数据的医疗信息智能分类的方法及系统 | |
CN113715794B (zh) | 基于人工智能的汽车智能刹车方法及系统 | |
CN114691830B (zh) | 一种基于大数据的网络安全分析方法及系统 | |
CN115455803A (zh) | 一种室内能耗信息分析方法及系统 | |
CN114139552A (zh) | 基于大数据的可视化智能数据挖掘方法及系统 | |
CN115345226A (zh) | 结合云计算的能耗统计方法及系统 | |
CN115455406A (zh) | 一种网络信息的风险检测方法及系统 | |
CN115345194A (zh) | 基于混合树形算法的信号处理方法及系统 | |
CN115455070A (zh) | 一种电流信号的数据管控方法及系统 | |
CN115564048A (zh) | 一种医疗大数据共享分析方法及系统 | |
CN115371848A (zh) | 一种热能信息监控方法及系统 | |
CN114114944A (zh) | 一种智能家居智能匹配方法及系统 | |
CN115563153A (zh) | 基于人工智能的任务批量处理方法、系统及服务器 | |
CN114970507A (zh) | 基于元宇宙的特征识别方法及系统 | |
CN115756576A (zh) | 软件开发包的翻译方法及软件开发系统 | |
CN115442759A (zh) | 一种基于智慧城市的5g物联网通讯数据处理方法及系统 | |
CN115409510A (zh) | 一种在线交易安全系统及方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220118 |
|
WW01 | Invention patent application withdrawn after publication |