CN114693554A - 一种大数据图像处理方法及系统 - Google Patents
一种大数据图像处理方法及系统 Download PDFInfo
- Publication number
- CN114693554A CN114693554A CN202210313975.4A CN202210313975A CN114693554A CN 114693554 A CN114693554 A CN 114693554A CN 202210313975 A CN202210313975 A CN 202210313975A CN 114693554 A CN114693554 A CN 114693554A
- Authority
- CN
- China
- Prior art keywords
- pixel
- characteristic
- image
- processing
- target 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 126
- 238000000605 extraction Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013499 data model Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 9
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种大数据图像处理方法及系统,其方法包括:获取目标图像并对其进行预处理,标记预处理后的目标图像的处理区域,对所述处理区域内的图像内容进行特征提取,获取提取结果,将所述提取结果与标准特征值进行比较,根据比较结果确定特征误差,根据所述特征误差选择对所述目标图像的处理方式,所述处理方式包括:图像增强和图像还原。通过标记目标图像的处理区域可以有效地只针对处理区域内的特征参数进行处理,降低了整体的工作量,提高了工作效率,进一步地,通过根据处理区域内的特征提取结果与标准特征值的特征误差智能地选择对应的处理方式可以快速准确地确定对于目标图像的处理方式,进一步地提高了工作效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种大数据图像处理方法及系统。
背景技术
目前,随着移动互联网与智能终端技术的发展,带有数字摄像头智能手机、平板电脑越来越多的进入人们的生活,很容易产生大量的个人数字图像。对于海量图像的处理是一个很庞大的工程,在日常生活中,拍摄获得的大数据图像由于设备本身像素等问题会导致最终图像不清晰或者在进行数据传输的过程中由于网络问题导致接收端所接收到的图片不完整等情况的发生,降低了使用者的体验感,为了解决上述问题,现在科研人员研发出了多种图像处理方法即在传输图像之前对图像进行处理以保证其清晰度和精度,其原理为通过检测图像的多个特征参数来评估出图片是否完整进而在不完整时进行后续的处理工作以使其达到完美的图像,但是上述方法存在以下问题:在对图像进行处理的过程中通过确认所有特征参数是否合格的方式极大地增大了工作量,降低了工作效率,同时,后续的处理方式为逐一排除法,降低了处理效率。
发明内容
针对上述所显示出来的问题,本发明提供了一种大数据图像处理方法及系统用以解决背景技术中提到的在对图像进行处理的过程中通过确认所有特征参数是否合格的方式极大地增大了工作量,降低了工作效率,同时,后续的处理方式为逐一排除法,降低了处理效率的问题。
一种大数据图像处理方法,包括以下步骤:
获取目标图像并对其进行预处理,标记预处理后的目标图像的处理区域;
对所述处理区域内的图像内容进行特征提取,获取提取结果;
将所述提取结果与标准特征值进行比较,根据比较结果确定特征误差;
根据所述特征误差选择对所述目标图像的处理方式,所述处理方式包括:图像增强和图像还原。
优选的,所述获取目标图像并对其进行预处理,标记预处理后的目标图像的处理区域,包括:
对所述目标图像进行去燥和平滑预处理,获得预处理后的目标图像;
对所述预处理后的目标图像进行梯度计算,获取计算结果;
根据所述计算将目标图像划分为平缓区域和非平缓区域;
将所述非平缓区域在目标图像中进行标记以获得预处理后的目标图像的处理区域。
优选的,所述对所述处理区域内的图像内容进行特征提取,获取提取结果,包括:
基于所述处理区域内的图像内容创建小波函数;
利用所述小波函数结合所述图像内容生成处理区域内的纹理图;
对所述纹理图进行主成分分析,获取分析结果;
根据所述分析结果确定处理区域内图像每个像素的特征频率和特征细节,将每个像素的特征频率和特征细节相结合以生成该像素的特征信息;
将所有特征信息进行处理和整合以获得处理区域内图像内容的特征提取结果。
优选的,所述将所有特征信息进行处理和整合以获得处理区域内图像内容的特征提取结果,包括:
对每个像素的特征信息进行解析获得该像素的特征标签;
根据每个像素对应的特征标签将处理区域内的所有像素进行归类,获取归类结果;
对所述归类结果中每个类别对应的目标像素的目标特征信息进行重复判定,根据判定结果将每个类别中的重复特征参数删除,获得处理后的特征信息;
将所述处理后的特征信息进行整合以获得处理区域内图像内容的特征提取结果。
优选的,所述将所述提取结果与标准特征值进行比较,根据比较结果确定特征误差,包括:
根据所述提取结果确定处理区域内的当前特征值;
将所述当前特征值与所述标准特征值进行比较,获取所述比较结果;
根据所述比较结果确定当前特征值与所述标准特征值中每个特征参数值的相似度;
根据每个特征参数值的相似度确定当前特征值与标准特征值的特征误差。
优选的,所述根据所述特征误差选择对所述目标图像的处理方式,所述处理方式包括:图像增强和图像还原,包括:
根据所述特征误差确认处理区域内图像内容的当前特征值与标准特征值的偏差度;
确认所述偏差度是否在第一预设范围内,若是,确认对目标图像进行图像增强处理;
当确认所述偏差度不在第一预设范围内时,确认其是否在第二预设范围内,若是,确认对目标图像进行图像还原处理。
优选的,在将所述提取结果与标准特征值进行比较,根据比较结果确定特征误差之前,所述方法还包括:
对所述目标图像进行取样,获得提取样本;
根据所述提取样本确定目标图像的目标分辨率,基于所述目标分辨率确定目标图像内的空间分布向量;
根据所述空间分布向量确认目标图像内处理区域的特征分布;
根据所述特征分布结合处理区域的图像内容确定图像内容的目标特征值,将所述目标特征值确认为标准特征值。
优选的,在对所述目标图像进行取样,获得提取样本之后,所述方法还包括:
对所述提取样本进行深度解析,获取所述提取样本的特征向量;
根据所述提取样本的特征向量构建提取样本的字典矩阵;
获取所述提取样本的像素因子序列,根据所述像素因子序列确定提取样本的像素分布特征和纹理分布特征;
根据所述像素分布特征和纹理分布特征确定提取样本的优化特征向量;
基于所述优化特征向量和字典矩阵,对所述提取样本进行数据重构;
根据数据重构后提取样本的显示清晰度设置像素置信区间;
将数据重构后提取样本在所述像素置信区间之外的第一像素剔除;
获取每个第一像素对应的像素参数并根据其在预设模型库中进行匹配以获得适配的数据模型;
获取每个数据模型的像素样本均值,根据所述样本均值对每个数据模型内的像素值进行随机正态取样,获取取样结果;
根据所述取样结果确定每个第一像素的替换像素;
将每个第一像素的替换像素替代为原第一像素,替换完毕后,根据每个像素的频域分布特征构建正常像素和异常像素之间的分类决策函数;
利用所述分类决策函数确定提取样本中的异常像素点;
确定每个异常像素点的分布临界,判断所述分布临界是否影响提取样本的显示,若是,将每个异常像素点替换为正常像素点,否则,直接剔除所述异常像素点。
优选的,所述对每个像素的特征信息进行解析获得该像素的特征标签,包括:
根据每个像素的特征信息为该像素选择匹配特征矩阵;
确定每个像素的匹配特征矩阵与像素模态特征集方差矩阵之间的相关性指数;
根据每个像素的匹配特征矩阵与像素模态特征集方差矩阵之间的相关性指数获取每个像素的类概率矩阵;
解析每个像素的特征信息以确定其初始特征子信息和改变特征子信息;
根据每个像素的初始特征子信息和改变特征子信息在其特征信息内的分布确定该像素的特征信息的初始特征权重系数;
根据每个像素的特征信息的初始特征权重系数确定该像素的特征标签。
一种大数据图像处理系统,该系统包括:
标记模块,用于获取目标图像并对其进行预处理,标记预处理后的目标图像的处理区域;
提取模块,用于对所述处理区域内的图像内容进行特征提取,获取提取结果;
比较模块,用于将所述提取结果与标准特征值进行比较,根据比较结果确定特征误差;
选择模块,用于根据所述特征误差选择对所述目标图像的处理方式,所述处理方式包括:图像增强和图像还原。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明所提供的一种大数据图像处理方法的工作流程图;
图2为本发明所提供的一种大数据图像处理方法的另一工作流程图;
图3为本发明所提供的一种大数据图像处理方法的又一工作流程图;
图4为本发明所提供的一种大数据图像处理系统的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
目前,随着移动互联网与智能终端技术的发展,带有数字摄像头智能手机、平板电脑越来越多的进入人们的生活,很容易产生大量的个人数字图像。对于海量图像的处理是一个很庞大的工程,在日常生活中,拍摄获得的大数据图像由于设备本身像素等问题会导致最终图像不清晰或者在进行数据传输的过程中由于网络问题导致接收端所接收到的图片不完整等情况的发生,降低了使用者的体验感,为了解决上述问题,现在科研人员研发出了多种图像处理方法即在传输图像之前对图像进行处理以保证其清晰度和精度,其原理为通过检测图像的多个特征参数来评估出图片是否完整进而在不完整时进行后续的处理工作以使其达到完美的图像,但是上述方法存在以下问题:在对图像进行处理的过程中通过确认所有特征参数是否合格的方式极大地增大了工作量,降低了工作效率,同时,后续的处理方式为逐一排除法,降低了处理效率。为了解决上述问题,本实施例公开了一种大数据图像处理方法。
一种大数据图像处理方法,如图1所示,包括以下步骤:
步骤S101、获取目标图像并对其进行预处理,标记预处理后的目标图像的处理区域;
步骤S102、对所述处理区域内的图像内容进行特征提取,获取提取结果;
步骤S103、将所述提取结果与标准特征值进行比较,根据比较结果确定特征误差;
步骤S104、根据所述特征误差选择对所述目标图像的处理方式,所述处理方式包括:图像增强和图像还原。
上述技术方案的工作原理为:获取目标图像并对其进行预处理,标记预处理后的目标图像的处理区域,对所述处理区域内的图像内容进行特征提取,获取提取结果,将所述提取结果与标准特征值进行比较,根据比较结果确定特征误差,根据所述特征误差选择对所述目标图像的处理方式,所述处理方式包括:图像增强和图像还原。
上述技术方案的有益效果为:通过标记目标图像的处理区域可以有效地只针对处理区域内的特征参数进行处理,降低了整体的工作量,提高了工作效率,进一步地,通过根据处理区域内的特征提取结果与标准特征值的特征误差智能地选择对应的处理方式可以快速准确地确定对于目标图像的处理方式,进一步地提高了工作效率,解决了现有技术中在对图像进行处理的过程中通过确认所有特征参数是否合格的方式极大地增大了工作量,降低了工作效率,同时,后续的处理方式为逐一排除法,降低了处理效率的问题。
在一个实施例中,如图2所示,所述获取目标图像并对其进行预处理,标记预处理后的目标图像的处理区域,包括:
步骤S201、对所述目标图像进行去燥和平滑预处理,获得预处理后的目标图像;
步骤S202、对所述预处理后的目标图像进行梯度计算,获取计算结果;
步骤S203、根据所述计算将目标图像划分为平缓区域和非平缓区域;
步骤S204、将所述非平缓区域在目标图像中进行标记以获得预处理后的目标图像的处理区域。
上述技术方案的有益效果为:通过对目标图像进行预处理可以更加完整地对目标图像进行后续处理,图稿了处理效率,进一步地,通过根据目标图像的非平缓区域来标记出目标图像的处理区域可以根据目标图像的区域图像参数快速地确定其处理区域,进一步地提高了工作效率。
在一个实施例中,所述对所述处理区域内的图像内容进行特征提取,获取提取结果,包括:
基于所述处理区域内的图像内容创建小波函数;
利用所述小波函数结合所述图像内容生成处理区域内的纹理图;
对所述纹理图进行主成分分析,获取分析结果;
根据所述分析结果确定处理区域内图像每个像素的特征频率和特征细节,将每个像素的特征频率和特征细节相结合以生成该像素的特征信息;
将所有特征信息进行处理和整合以获得处理区域内图像内容的特征提取结果。
上述技术方案的有益效果为:可以完整地获得每个像素的所有特征信息,避免遗漏,提高了精度,进一步地,通过根据小波函数来生成处理区域的纹理涂可以更加行清晰和准确地获得处理区域内的特征提取信息,进一步地提高了工作效率。
在一个实施例中,如图3所示,所述将所有特征信息进行处理和整合以获得处理区域内图像内容的特征提取结果,包括:
步骤S301、对每个像素的特征信息进行解析获得该像素的特征标签;
步骤S302、根据每个像素对应的特征标签将处理区域内的所有像素进行归类,获取归类结果;
步骤S303、对所述归类结果中每个类别对应的目标像素的目标特征信息进行重复判定,根据判定结果将每个类别中的重复特征参数删除,获得处理后的特征信息;
步骤S304、将所述处理后的特征信息进行整合以获得处理区域内图像内容的特征提取结果。
上述技术方案的有益效果为:通过对像素进行分类然后删除了每个类别中的重复特征参数可以避免对每个像素进行特征参数逐一提取进而进行比较和删除,降低了繁琐度,进一步地提高了工作效率。
在一个实施例中,所述将所述提取结果与标准特征值进行比较,根据比较结果确定特征误差,包括:
根据所述提取结果确定处理区域内的当前特征值;
将所述当前特征值与所述标准特征值进行比较,获取所述比较结果;
根据所述比较结果确定当前特征值与所述标准特征值中每个特征参数值的相似度;
根据每个特征参数值的相似度确定当前特征值与标准特征值的特征误差。
上述技术方案的有益效果为:通过根据相似度确定当前特征值与标准特征值的特征误差可以更加直观和客观的评估出二者的特征误差,保证了评估结果的准确性。
在一个实施例中,所述根据所述特征误差选择对所述目标图像的处理方式,所述处理方式包括:图像增强和图像还原,包括:
根据所述特征误差确认处理区域内图像内容的当前特征值与标准特征值的偏差度;
确认所述偏差度是否在第一预设范围内,若是,确认对目标图像进行图像增强处理;
当确认所述偏差度不在第一预设范围内时,确认其是否在第二预设范围内,若是,确认对目标图像进行图像还原处理。
上述技术方案的有益效果为:通过分别依次判偏差度是否在第一预设范围或者第二预设范围内可以根据偏差度的具体指选择其最相近的第一预设范围开始比对,无需对每个处理流程对应的偏差度进行比较,进一步地提高了工作效率。
在一个实施例中,在将所述提取结果与标准特征值进行比较,根据比较结果确定特征误差之前,所述方法还包括:
对所述目标图像进行取样,获得提取样本;
根据所述提取样本确定目标图像的目标分辨率,基于所述目标分辨率确定目标图像内的空间分布向量;
根据所述空间分布向量确认目标图像内处理区域的特征分布;
根据所述特征分布结合处理区域的图像内容确定图像内容的目标特征值,将所述目标特征值确认为标准特征值。
上述技术方案的有益效果为:通过以目标图像为基础使用预设手段来获得其标准特征值可以使得参考对比的标准特征值符合目标图像实际本身,保证了对比样本数据的真实性和准确性,提高了后续的处理效率。
在一个实施例中,在对所述目标图像进行取样,获得提取样本之后,所述方法还包括:
对所述提取样本进行深度解析,获取所述提取样本的特征向量;
根据所述提取样本的特征向量构建提取样本的字典矩阵;
获取所述提取样本的像素因子序列,根据所述像素因子序列确定提取样本的像素分布特征和纹理分布特征;
根据所述像素分布特征和纹理分布特征确定提取样本的优化特征向量;
基于所述优化特征向量和字典矩阵,对所述提取样本进行数据重构;
根据数据重构后提取样本的显示清晰度设置像素置信区间;
将数据重构后提取样本在所述像素置信区间之外的第一像素剔除;
获取每个第一像素对应的像素参数并根据其在预设模型库中进行匹配以获得适配的数据模型;
获取每个数据模型的像素样本均值,根据所述样本均值对每个数据模型内的像素值进行随机正态取样,获取取样结果;
根据所述取样结果确定每个第一像素的替换像素;
将每个第一像素的替换像素替代为原第一像素,替换完毕后,根据每个像素的频域分布特征构建正常像素和异常像素之间的分类决策函数;
利用所述分类决策函数确定提取样本中的异常像素点;
确定每个异常像素点的分布临界,判断所述分布临界是否影响提取样本的显示,若是,将每个异常像素点替换为正常像素点,否则,直接剔除所述异常像素点。
上述技术方案的有益效果为:通过对提取样本中的每个像素进行合格性判断以对不合格的像素进行替换可以有效地保证提取样本的质量合格,为进行后续工作奠定了基础。
在一个实施例中,所述对每个像素的特征信息进行解析获得该像素的特征标签,包括:
根据每个像素的特征信息为该像素选择匹配特征矩阵;
确定每个像素的匹配特征矩阵与像素模态特征集方差矩阵之间的相关性指数;
根据每个像素的匹配特征矩阵与像素模态特征集方差矩阵之间的相关性指数获取每个像素的类概率矩阵;
解析每个像素的特征信息以确定其初始特征子信息和改变特征子信息;
根据每个像素的初始特征子信息和改变特征子信息在其特征信息内的分布确定该像素的特征信息的初始特征权重系数;
根据每个像素的特征信息的初始特征权重系数确定该像素的特征标签。
上述技术方案的有益效果为:通过根据每个像素的特征信息中农的初始特征权重系数来确定每个像素的特征标签可以针对每个像素的特征信息中的原始参数来获得原始特征标签,保证了获取标签的客观性和准确性。
本实施例还公开了一种大数据图像处理系统,如图4所示,该系统包括:
标记模块401,用于获取目标图像并对其进行预处理,标记预处理后的目标图像的处理区域;
提取模块402,用于对所述处理区域内的图像内容进行特征提取,获取提取结果;
比较模块403,用于将所述提取结果与标准特征值进行比较,根据比较结果确定特征误差;
选择模块404,用于根据所述特征误差选择对所述目标图像的处理方式,所述处理方式包括:图像增强和图像还原。
上述技术方案的工作原理及有益效果在方法权利要求中已经说明,此处不再赘述。
本领域技术用户员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种大数据图像处理方法,其特征在于,包括以下步骤:
获取目标图像并对其进行预处理,标记预处理后的目标图像的处理区域;
对所述处理区域内的图像内容进行特征提取,获取提取结果;
将所述提取结果与标准特征值进行比较,根据比较结果确定特征误差;
根据所述特征误差选择对所述目标图像的处理方式,所述处理方式包括:图像增强和图像还原。
2.根据权利要求1所述大数据图像处理方法,其特征在于,所述获取目标图像并对其进行预处理,标记预处理后的目标图像的处理区域,包括:
对所述目标图像进行去燥和平滑预处理,获得预处理后的目标图像;
对所述预处理后的目标图像进行梯度计算,获取计算结果;
根据所述计算将目标图像划分为平缓区域和非平缓区域;
将所述非平缓区域在目标图像中进行标记以获得预处理后的目标图像的处理区域。
3.根据权利要求1所述大数据图像处理方法,其特征在于,所述对所述处理区域内的图像内容进行特征提取,获取提取结果,包括:
基于所述处理区域内的图像内容创建小波函数;
利用所述小波函数结合所述图像内容生成处理区域内的纹理图;
对所述纹理图进行主成分分析,获取分析结果;
根据所述分析结果确定处理区域内图像每个像素的特征频率和特征细节,将每个像素的特征频率和特征细节相结合以生成该像素的特征信息;
将所有特征信息进行处理和整合以获得处理区域内图像内容的特征提取结果。
4.根据权利要求3所述大数据图像处理方法,其特征在于,所述将所有特征信息进行处理和整合以获得处理区域内图像内容的特征提取结果,包括:
对每个像素的特征信息进行解析获得该像素的特征标签;
根据每个像素对应的特征标签将处理区域内的所有像素进行归类,获取归类结果;
对所述归类结果中每个类别对应的目标像素的目标特征信息进行重复判定,根据判定结果将每个类别中的重复特征参数删除,获得处理后的特征信息;
将所述处理后的特征信息进行整合以获得处理区域内图像内容的特征提取结果。
5.根据权利要求1所述大数据图像处理方法,其特征在于,所述将所述提取结果与标准特征值进行比较,根据比较结果确定特征误差,包括:
根据所述提取结果确定处理区域内的当前特征值;
将所述当前特征值与所述标准特征值进行比较,获取所述比较结果;
根据所述比较结果确定当前特征值与所述标准特征值中每个特征参数值的相似度;
根据每个特征参数值的相似度确定当前特征值与标准特征值的特征误差。
6.根据权利要求1所述大数据图像处理方法,其特征在于,所述根据所述特征误差选择对所述目标图像的处理方式,所述处理方式包括:图像增强和图像还原,包括:
根据所述特征误差确认处理区域内图像内容的当前特征值与标准特征值的偏差度;
确认所述偏差度是否在第一预设范围内,若是,确认对目标图像进行图像增强处理;
当确认所述偏差度不在第一预设范围内时,确认其是否在第二预设范围内,若是,确认对目标图像进行图像还原处理。
7.根据权利要求1所述大数据图像处理方法,其特征在于,在将所述提取结果与标准特征值进行比较,根据比较结果确定特征误差之前,所述方法还包括:
对所述目标图像进行取样,获得提取样本;
根据所述提取样本确定目标图像的目标分辨率,基于所述目标分辨率确定目标图像内的空间分布向量;
根据所述空间分布向量确认目标图像内处理区域的特征分布;
根据所述特征分布结合处理区域的图像内容确定图像内容的目标特征值,将所述目标特征值确认为标准特征值。
8.根据权利要求7所述大数据图像处理方法,其特征在于,在对所述目标图像进行取样,获得提取样本之后,所述方法还包括:
对所述提取样本进行深度解析,获取所述提取样本的特征向量;
根据所述提取样本的特征向量构建提取样本的字典矩阵;
获取所述提取样本的像素因子序列,根据所述像素因子序列确定提取样本的像素分布特征和纹理分布特征;
根据所述像素分布特征和纹理分布特征确定提取样本的优化特征向量;
基于所述优化特征向量和字典矩阵,对所述提取样本进行数据重构;
根据数据重构后提取样本的显示清晰度设置像素置信区间;
将数据重构后提取样本在所述像素置信区间之外的第一像素剔除;
获取每个第一像素对应的像素参数并根据其在预设模型库中进行匹配以获得适配的数据模型;
获取每个数据模型的像素样本均值,根据所述样本均值对每个数据模型内的像素值进行随机正态取样,获取取样结果;
根据所述取样结果确定每个第一像素的替换像素;
将每个第一像素的替换像素替代为原第一像素,替换完毕后,根据每个像素的频域分布特征构建正常像素和异常像素之间的分类决策函数;
利用所述分类决策函数确定提取样本中的异常像素点;
确定每个异常像素点的分布临界,判断所述分布临界是否影响提取样本的显示,若是,将每个异常像素点替换为正常像素点,否则,直接剔除所述异常像素点。
9.根据权利要求4所述大数据图像处理方法,其特征在于,所述对每个像素的特征信息进行解析获得该像素的特征标签,包括:
根据每个像素的特征信息为该像素选择匹配特征矩阵;
确定每个像素的匹配特征矩阵与像素模态特征集方差矩阵之间的相关性指数;
根据每个像素的匹配特征矩阵与像素模态特征集方差矩阵之间的相关性指数获取每个像素的类概率矩阵;
解析每个像素的特征信息以确定其初始特征子信息和改变特征子信息;
根据每个像素的初始特征子信息和改变特征子信息在其特征信息内的分布确定该像素的特征信息的初始特征权重系数;
根据每个像素的特征信息的初始特征权重系数确定该像素的特征标签。
10.一种大数据图像处理系统,其特征在于,该系统包括:
标记模块,用于获取目标图像并对其进行预处理,标记预处理后的目标图像的处理区域;
提取模块,用于对所述处理区域内的图像内容进行特征提取,获取提取结果;
比较模块,用于将所述提取结果与标准特征值进行比较,根据比较结果确定特征误差;
选择模块,用于根据所述特征误差选择对所述目标图像的处理方式,所述处理方式包括:图像增强和图像还原。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210313975.4A CN114693554B (zh) | 2022-03-28 | 2022-03-28 | 一种大数据图像处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210313975.4A CN114693554B (zh) | 2022-03-28 | 2022-03-28 | 一种大数据图像处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114693554A true CN114693554A (zh) | 2022-07-01 |
CN114693554B CN114693554B (zh) | 2023-05-26 |
Family
ID=82141676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210313975.4A Active CN114693554B (zh) | 2022-03-28 | 2022-03-28 | 一种大数据图像处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114693554B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152157A (zh) * | 2023-10-31 | 2023-12-01 | 南通三喜电子有限公司 | 基于人工智能的电子元件识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040096107A1 (en) * | 2002-11-14 | 2004-05-20 | Lockheed Martin Corporation | Method and computer program product for determining an efficient feature set and an optimal threshold confidence value for a pattern recogniton classifier |
CN102663398A (zh) * | 2012-03-31 | 2012-09-12 | 上海博康智能信息技术有限公司 | 一种彩色图像颜色特征提取方法及装置 |
US20160005183A1 (en) * | 2013-03-14 | 2016-01-07 | Arizona Board of Regents, a body corporate of the state of Arizona, acting for and on behalf of | Kernel sparse models for automated tumor segmentation |
CN106886752A (zh) * | 2017-01-06 | 2017-06-23 | 深圳市金立通信设备有限公司 | 一种图像处理的方法和终端 |
CN107358241A (zh) * | 2017-06-30 | 2017-11-17 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN109740429A (zh) * | 2017-11-30 | 2019-05-10 | 沈阳工业大学 | 基于嘴角坐标平均值变化的笑脸识别方法 |
CN114202491A (zh) * | 2021-12-08 | 2022-03-18 | 深圳市研润科技有限公司 | 一种增强光学图像的方法及系统 |
-
2022
- 2022-03-28 CN CN202210313975.4A patent/CN114693554B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040096107A1 (en) * | 2002-11-14 | 2004-05-20 | Lockheed Martin Corporation | Method and computer program product for determining an efficient feature set and an optimal threshold confidence value for a pattern recogniton classifier |
CN102663398A (zh) * | 2012-03-31 | 2012-09-12 | 上海博康智能信息技术有限公司 | 一种彩色图像颜色特征提取方法及装置 |
US20160005183A1 (en) * | 2013-03-14 | 2016-01-07 | Arizona Board of Regents, a body corporate of the state of Arizona, acting for and on behalf of | Kernel sparse models for automated tumor segmentation |
CN106886752A (zh) * | 2017-01-06 | 2017-06-23 | 深圳市金立通信设备有限公司 | 一种图像处理的方法和终端 |
CN107358241A (zh) * | 2017-06-30 | 2017-11-17 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN109740429A (zh) * | 2017-11-30 | 2019-05-10 | 沈阳工业大学 | 基于嘴角坐标平均值变化的笑脸识别方法 |
CN114202491A (zh) * | 2021-12-08 | 2022-03-18 | 深圳市研润科技有限公司 | 一种增强光学图像的方法及系统 |
Non-Patent Citations (2)
Title |
---|
HANYU HONG: "Fast restoration approach for rotational motion blurred image based on deconvolution along the blurring paths", 《OPTICAL INSTRUMENTATION ENGINEERS》 * |
胡春海: "可实现图像自修复的压缩感知超分辨率成像", 《计算机辅助设计与图形学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152157A (zh) * | 2023-10-31 | 2023-12-01 | 南通三喜电子有限公司 | 基于人工智能的电子元件识别方法 |
CN117152157B (zh) * | 2023-10-31 | 2023-12-29 | 南通三喜电子有限公司 | 基于人工智能的电子元件识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114693554B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569856B (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
CN113221947A (zh) | 一种基于图像识别技术的工业质检方法及系统 | |
CN112132776A (zh) | 基于联邦学习的视觉检测方法及系统、存储介质、设备 | |
CN111612786A (zh) | 基于全卷积神经网络的混凝土缺陷检测方法、装置及存储介质 | |
CN112052702A (zh) | 一种识别二维码的方法和装置 | |
CN113806613B (zh) | 训练图像集生成方法、装置、计算机设备及存储介质 | |
CN114693554B (zh) | 一种大数据图像处理方法及系统 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN113128522B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
CN117423299B (zh) | 液晶显示屏的性能检测方法、装置、设备及存储介质 | |
CN112651333B (zh) | 静默活体检测方法、装置、终端设备和存储介质 | |
CN114913350B (zh) | 素材查重方法、装置、设备及存储介质 | |
CN116486177A (zh) | 一种基于深度学习的水下目标识别分类方法 | |
CN115375965A (zh) | 一种目标场景识别的预处理方法、目标场景识别方法 | |
CN117036843A (zh) | 目标检测模型训练方法、目标检测方法和装置 | |
CN114782822A (zh) | 电力设备的状态检测方法、装置、电子设备及存储介质 | |
CN114373116A (zh) | 一种运维现场图像的筛选方法、装置、设备及产品 | |
CN113515771A (zh) | 数据敏感度判定方法、电子设备及计算机可读存储介质 | |
CN114463242A (zh) | 图像检测方法、设备、存储介质及装置 | |
CN112232390A (zh) | 一种高像素大图像的识别方法和系统 | |
CN112307908B (zh) | 一种视频语义提取方法及装置 | |
CN117649358B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN117058432B (zh) | 图像查重方法、装置、电子设备及可读存储介质 | |
CN116778534B (zh) | 图像处理方法、装置、设备和介质 | |
CN116188973B (zh) | 认知生成机制裂缝检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |