CN115035322A - 图像特征提取方法、装置、电子设备及存储介质 - Google Patents
图像特征提取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115035322A CN115035322A CN202110240354.3A CN202110240354A CN115035322A CN 115035322 A CN115035322 A CN 115035322A CN 202110240354 A CN202110240354 A CN 202110240354A CN 115035322 A CN115035322 A CN 115035322A
- Authority
- CN
- China
- Prior art keywords
- image
- weight
- sub
- blocks
- preset
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 231
- 239000011159 matrix material Substances 0.000 claims abstract description 111
- 238000000034 method Methods 0.000 claims abstract description 8
- 238000002360 preparation method Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000005284 excitation Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 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
- 230000008569 process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0007—Image acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及图像处理领域,提供一种图像特征提取方法、装置、电子设备及存储介质。所述方法包括:将图像转换为图像矩阵,划分图像矩阵得到图像子块,划分权重矩阵得到权重向量,划分每个权重向量得到权重子块,划分偏移量矩阵得到偏移量子块,使用权重向量的权重子块与图像子块相乘并求和得到特征子块,将特征子块与偏移量子块相加得到图像特征子块,图像特征子块组成图像特征。本申请可减少图像特征提取过程中神经网络中卷积运算的运算量,从而提高了对图像特征提取的效率。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种图像特征提取方法、装置、电子设备及存储介质。
背景技术
在对图像进行分类、识别和检测之前,通常需要先对图像的特征进行提取,现有的图像特征提取方法主要使用图像与权重向量直接相乘进行运算的方法实现特征提取,使得图像特征提取的效率低下。
发明内容
鉴于以上内容,有必要提出一种图像特征提取方法、装置、电子设备及存储介质以提高图像特征提取的效率。
本申请的第一方面提供一种图像特征提取方法,所述方法包括:
获取图像,将所述图像转换为图像矩阵,划分所述图像矩阵得到图像向量,划分所述图像向量得到第一数量的图像子块;
获取权重矩阵,划分所述权重矩阵得到第二数量的权重向量,划分每个所述权重向量得到第一数量的权重子块;
获取偏移量矩阵,划分所述偏移量矩阵得到第二数量的偏移量子块;
对第一数量的图像子块与每个所述权重向量的第一数量的权重子块进行向量乘法得到第二数量的特征子块,将所述第二数量的特征子块与所述第二数量的偏移量子块相加得到图像特征子块,所述图像特征子块组成图像特征。
优选地,所述图像子块、所述权重子块、所述偏移量子块中的每个都具有预设行数与预设列数,所述预设列数与所述预设行数相同。
优选地,所述划分所述图像矩阵得到图像向量包括:
将所述图像矩阵按照所述预设行数进行划分得到预备图像向量集,所述预备图像向量集包括至少一个预备图像向量;
判断所述预备图像向量集中是否存在行数小于所述预设行数的预备图像向量;
当所述预备图像向量中存在行数小于所述预设行数的图像向量时,使用所述预设数值填充所述行数小于所述预设行数的预备图像向量得到行数等于所述预设行数的预备图像向量,将所述预备图像向量作为所述图像向量;或当所述预备图像向量中不存在行数小于所述预设行数的图像向量时,将所述预备图像向量作为所述图像向量。
优选地,划分所述图像向量得到第一数量的图像子块包括:
将所述图像向量按照所述预设列数进行划分得到第一数量的预备图像子块;
判断所述预备图像子块中是否存在列数小于所述预设列数的预备图像子块;
当所述预备图像子块中存在列数小于所述预设列数的预备图像子块时,使用预设数值填充列数小于所述预设列数预备图像子块得到列数等于所述预设列数的预备图像子块,将第一数量的预备图像子块作为所述第一数量的图像子块;或当所述预备图像子块中不存在列数小于所述预设列数的预备图像子块时,将所述第一数量的预备图像子块作为所述第一数量的图像子块。
优选地,划分所述权重矩阵得到第二数量的权重向量包括:
将所述权重矩阵按照所述列数进行划分得到第二数量的预备权重向量;
判断所述预备权重向量中是否存在列数小于所述预设列数的预备权重向量;
当所述预备权重向量中存在列数小于所述预设列数的权重向量时,使用所述预设数值填充所述列数小于所述预设列数的预备权重向量得到列数等于所述预设列数的预备权重向量,将第二数量的预备权重向量作为第二数量的所述权重向量;或当所述预备权重向量中不存在列数小于所述预设列数的权重向量时,将第二数量的预备权重向量作为第二数量的所述权重向量。
优选地,划分每个所述权重向量得到第一数量的权重子块包括:
将每个所述权重向量按照所述行数进行划分得到第四数量的预备权重子块;
判断所述第四数量是否等于所述第一数量,当所述第四数量小于所述第一数量时,计算所述第四数量与所述第一数量的第一差值,并根据所述第一差值增加预备权重子块的数量直至得到第一数量的预备权重子块;或当所述第四数量大于所述第一数量时,从第四数量的预备权重子块中选择第一数量的预备权重子块;
判断所述第一数量的预备权重子块中是否存在列数小于所述预设列数的预备权重子块;
当所述第一数量的预备权重子块中存在列数小于所述预设列数的预备权重子块时,使用预设数值填充列数小于所述预设列数预备权重子块得到列数等于所述预设列数的预备权重子块,将第一数量的预备权重子块作为第一数量的权重子块;或当所述第一数量的预备权重子块中不存在列数小于所述预设列数的预备权重子块时,将所述第一数量的预备权重子块作为所述第一数量的权重子块。
优选地,所述划分所述偏移量矩阵得到第二数量的偏移量子块包括:
将所述偏移量矩阵按照所述预设行数进行划分得到预备偏移量向量,从所述预备偏移量向量中选择一个偏移量向量;
将所述偏移量向量按照所述预设列数进行划分得到第五数量的预备偏移量子块;
判断所述第五数量是否等于所述第二数量,当所述第五数量小于所述第二数量时,计算所述第五数量与所述第二数量的第二差值,并根据所述第二差值增加预备偏移量子块的数量直至得到第二数量的预备偏移量子块;或当所述第五数量大于所述第二数量时,从所述第五数量的预备偏移量子块中选择第二数量的预备偏移量子块;
判断所述第二数量的预备偏移量子块中是否存在列数小于所述预设列数或行数小于预设行数的预备偏移量子块;
当所述第二数量的预备偏移量子块中存在列数小于所述预设列数或行数小于预设行数的预备偏移量子块时,使用预设数值填充列数小于所述预设列数或行数小于预设行数的预备偏移量子块得到列数等于所述预设列数且行数等于预设行数的预备偏移量子块,将第二数量的预备偏移量子块作为所述第二数量的偏移量子块;或当所述第二数量的预备偏移量子块中不存在列数小于所述预设列数或行数小于预设行数的预备偏移量子块时,将第二数量的所述预备偏移量子块作为所述第二数量的偏移量子块。
本申请的第二方面提供一种图像特征提取装置,所述装置包括:
图像子块获取模块,用于获取图像,将所述图像转换为图像矩阵,划分所述图像矩阵得到图像向量,划分所述图像向量得到第一数量的图像子块;
权重子块获取模块,用于获取权重矩阵,划分所述权重矩阵得到第二数量的权重向量,划分每个所述权重向量得到第一数量的权重子块;
偏移量子块获取模块,用于获取偏移量矩阵,划分所述偏移量矩阵得到第二数量的偏移量子块;
图像特征计算模块,用于对第一数量的图像子块与每个所述权重向量的第一数量的权重子块进行向量乘法得到第二数量的特征子块,将所述第二数量的特征子块与所述第二数量的偏移量子块相加得到图像特征子块,所述图像特征子块组成图像特征。
本申请的第三方面提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现所述图像特征提取方法。
本申请的第四方面提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的图像特征提取方法。
本申请中,本实施方式中,通过将图像矩阵、权重矩阵和偏差矩阵划分为子块进行运算,减少了图像特征提取过程中神经网络中卷积运算的运算量,从而提高了对图像中特征进行提取的效率。
附图说明
图1为本申请一实施方式中图像特征提取方法的流程图。
图2为本申请一实施方式中图像特征提取装置的结构图。
图3为本申请一实施方式中电子设备的示意图。
图4为本申请一实施方式中图像特征提取方法的示意图。
主要元件符号说明
图像特征提取装置 | 30 |
图像子块获取模块 | 301 |
权重子块获取模块 | 302 |
偏移量子块获取模块 | 303 |
图像特征计算模块 | 304 |
电子设备 | 6 |
存储器 | 61 |
处理器 | 62 |
计算机程序 | 63 |
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点,下面结合附图和具体实施例对本申请进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体地实施例的目的,不是旨在于限制本申请。
优选地,本申请图像特征提取方法应用在一个或者多个电子设备中。所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(DigitalSignal Processor,DSP)、嵌入式设备等。
所述电子设备可以是桌上型计算机、笔记本电脑、平板电脑及云端服务器等计算设备。所述电子设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
实施例1
图1是本申请一实施方式中图像特征提取方法的流程图。所述图像特征提取方法应用于电子设备中。根据不同的需求,所述流程图中步骤的顺序可以改变,某些步骤可以省略。
参阅图1所示,所述图像特征提取方法具体包括以下步骤:
步骤S11,获取图像,将所述图像转换为图像矩阵,划分所述图像矩阵得到图像向量,划分所述图像向量得到第一数量的图像子块。
在本申请的至少一个实施例中,所述将所述图像转换为图像矩阵包括:
读取所述图像;
获取所述图像中的像素点;
将所述像素点的三原色编码值组成像素向量,及将所述像素向量组成所述图像矩阵。
在本申请的至少一个实施例中,所述划分所述图像矩阵得到图像向量包括:
将所述图像矩阵按照所述预设行数进行划分得到预备图像向量集,所述预备图像向量集包括至少一个预备图像向量;
判断所述预备图像向量集中是否存在行数小于所述预设行数的预备图像向量;
当所述预备图像向量中存在行数小于所述预设行数的图像向量时,使用所述预设数值填充所述行数小于所述预设行数的预备图像向量得到行数等于所述预设行数的预备图像向量,将所述预备图像向量作为所述图像向量;或当所述预备图像向量中不存在行数小于所述预设行数的图像向量时,将所述预备图像向量作为所述图像向量。
在本申请的至少一个实施例中,划分所述图像向量得到第一数量的图像子块包括:
将所述图像向量按照所述预设列数进行划分得到第一数量的预备图像子块;
判断所述预备图像子块中是否存在列数小于所述预设列数的预备图像子块;
当所述预备图像子块中存在列数小于所述预设列数的预备图像子块时,使用预设数值填充列数小于所述预设列数预备图像子块得到列数等于所述预设列数的预备图像子块,将第一数量的预备图像子块作为所述第一数量的图像子块;或当所述预备图像子块中不存在列数小于所述预设列数的预备图像子块时,将所述第一数量的预备图像子块作为所述第一数量的图像子块。
例如,所述预设行数可以是3行,所述预设列数可以是3列,所述预设数值可以是0。当所述图像矩阵的行数为11行且列数为11列时,按3行划分所述图像矩阵得到4个预备图像向量,其中一个预备图像向量为2行11列,使用0填充该预备图像向量,得到4个3行11列的图像向量;按3列对3行11列的图像向量进行划分得到4个预备图像子块,其中一个预备图像子块为3行2列,使用预设数值0对该预备图像子块进行填充,得到4个3行3列的图像子块。
又例如,参照图4,将图像向量A按照预设列数进行划分,得到m个预备图像子块,当第m个预备图像子块的列数小于预设列数时,使用0填充第m个预备图像子块,得到m个图像子块。
步骤S12,获取权重矩阵,划分所述权重矩阵得到第二数量的权重向量,划分每个所述权重向量得到第一数量的权重子块。
在本申请的至少一个实施例中,划分所述权重矩阵得到第二数量的权重向量包括:
将所述权重矩阵按照所述列数进行划分得到第二数量的预备权重向量;
判断所述预备权重向量中是否存在列数小于所述预设列数的预备权重向量;
当所述预备权重向量中存在列数小于所述预设列数的权重向量时,使用所述预设数值填充所述列数小于所述预设列数的预备权重向量得到列数等于所述预设列数的预备权重向量,将第二数量的预备权重向量作为第二数量的所述权重向量;或当所述预备权重向量中不存在列数小于所述预设列数的权重向量时,将第二数量的预备权重向量作为第二数量的所述权重向量。
在本申请的至少一个实施例中,划分每个所述权重向量得到第一数量的权重子块包括:
将每个所述权重向量按照所述行数进行划分得到第四数量的预备权重子块;
判断所述第四数量是否等于所述第一数量,当所述第四数量小于所述第一数量时,计算所述第四数量与所述第一数量的第一差值,并根据所述第一差值增加预备权重子块的数量直至得到第一数量的预备权重子块;或当所述第四数量大于所述第一数量时,从第四数量的预备权重子块中选择第一数量的预备权重子块;
判断所述第一数量的预备权重子块中是否存在列数小于所述预设列数的预备权重子块;
当所述第一数量的预备权重子块中存在列数小于所述预设列数的预备权重子块时,使用预设数值填充列数小于所述预设列数预备权重子块得到列数等于所述预设列数的预备权重子块,将第一数量的预备权重子块作为第一数量的权重子块;或当所述第一数量的预备权重子块中不存在列数小于所述预设列数的预备权重子块时,将所述第一数量的预备权重子块作为所述第一数量的权重子块。
在本申请的至少一个实施例中,所述权重矩阵用于度量图像矩阵中特征的重要程度。
在本申请的至少一个实施例中,所述权重矩阵可以是自编码器的编码层中的一个矩阵,也可以是卷积神经网络的卷积层中的一个矩阵,所述权重矩阵可以存储在人工智能芯片中,用于进行通用矩阵乘法运算。
例如,当所述权重矩阵的行数为11行且列数为11列时,按3行划分所述权重矩阵得到4个预备权重向量,其中一个预备权重向量为2行11列,使用0填充该预备权重向量,得到4个3行11列的权重向量;按3列对3行11列的权重向量进行划分得到4个预备权重子块,其中一个预备权重子块为3行2列,使用预设数值0对该预备权重子块进行填充,得到4个3行3列的权重子块。
又例如,参照图4所示,对权重矩阵B进行按预设列数划分得到n列预备权重向量,当第n列预备权重向量的列数小于预设列数时,使用0填充第n列预备权重向量,得到n列权重向量;对n列权重向量的每一列按预设行数进行划分,得到m个预备权重区块,当第m个预备权重子块的列数小于预设列数时,使用0填充第m个预备权重子块,得到m个权重子块。
步骤S13,获取偏移量矩阵,划分所述偏移量矩阵得到第二数量的偏移量子块。
在本申请的至少一个实施例中,所述划分所述偏移量矩阵得到第二数量的偏移量子块包括:
将所述偏移量矩阵按照所述预设行数进行划分得到预备偏移量向量,从所述预备偏移量向量中选择一个偏移量向量;
将所述偏移量向量按照所述预设列数进行划分得到第五数量的预备偏移量子块;
判断所述第五数量是否等于所述第二数量,当所述第五数量小于所述第二数量时,计算所述第五数量与所述第二数量的第二差值,并根据所述第二差值增加预备偏移量子块的数量直至得到第二数量的预备偏移量子块;或当所述第五数量大于所述第二数量时,从所述第五数量的预备偏移量子块中选择第二数量的预备偏移量子块;
判断所述第二数量的预备偏移量子块中是否存在列数小于所述预设列数或行数小于预设行数的预备偏移量子块;
当所述第二数量的预备偏移量子块中存在列数小于所述预设列数或行数小于预设行数的预备偏移量子块时,使用预设数值填充列数小于所述预设列数或行数小于预设行数的预备偏移量子块得到列数等于所述预设列数且行数等于预设行数的预备偏移量子块,将第二数量的预备偏移量子块作为所述第二数量的偏移量子块;或当所述第二数量的预备偏移量子块中不存在列数小于所述预设列数或行数小于预设行数的预备偏移量子块时,将第二数量的所述预备偏移量子块作为所述第二数量的偏移量子块。
在本申请的至少一个实施例中,所述偏移量矩阵用于度量神经网络产生正激励或负激励的难易程度。
在本申请的至少一个实施例中,所述偏移量矩阵可以是自编码器的编码层中的一个矩阵,也可以是卷积神经网络的卷积层中的一个矩阵,所述偏移量矩阵可以存储在人工智能芯片中,用于进行通用矩阵乘法运算。
例如,当所述权重矩阵的行数为11行且列数为11列时,按3行划分所述权重矩阵得到4个预备权重向量,选取第一个预备权重向量作为权重向量;按3列对3行11列的权重向量进行划分得到4个预备权重子块,其中一个预备权重子块为3行2列,使用预设数值0对该预备权重子块进行填充,得到4个3行3列的权重子块。
又例如,参照图4所示,对偏移量向量C按照预设列数进行划分,得到n个预备偏移量子块,当第n个预备偏移量子块的列数小于预设列数时,使用0填充第n个预备偏移量子块,得到n个偏移量子块。
步骤S14,对第一数量的图像子块与每个所述权重向量的第一数量的权重子块进行向量乘法得到第二数量的特征子块,将所述第二数量的特征子块与所述第二数量的偏移量子块相加得到图像特征子块,所述图像特征子块组成图像特征。
例如,使用权重向量的4个权重子块与图像向量的4个图像子块分别相乘并求和,得到4个特征子块,将4个特征子块与4个偏移量子块相加得到4个图像特征子块,4个图像特征子块组成图像特征。
又例如参照图4所示,对图像向量A与权重矩阵中每列权重向量进行向量乘法运算,即将图像向量A中的m个图像子块与每列权重向量中的m个权重子块依次相乘并求和,得到n个特征子块,将n个特征子块与n个偏移量子块依次相加,得到n个图像特征子块,n个图像特征子块组成图像特征。
在本申请的至少一个实施例中,在本申请的至少一个实施例中,所述图像子块、所述权重子块、所述偏移量子块中的每个都具有预设行数与预设列数,所述预设列数与所述预设行数相同。
在本申请的至少一个实施例中,所述图像特征提取方法可以用于相似图像判断。
具体地,使用所述图像特征提取方法进行相似图像判断包括:
获取第一待检测图像和第二待检测图像,并将所述第一待检测图像与所述第二待检测图像转为第一待检测图像向量与第二待检测图像向量;
使用所述图像特征提取方法计算得到所述第一待检测图像向量的第一待检测图像特征与所述第二待检测图像向量的第二待检测图像特征;
使用预设的误差函数计算所述第一待检测图像特征与所述第二待检测图像特征之间的误差函数值;
当所述误差函数值小于预设的阈值时,判断所述第一待检测图像与所述第二待检测图像为同一图像,当所述误差函数值大于预设的阈值时,判断所述第一待检测图像与所述第二待检测图像为不同的图像。
在本申请的其他实施方式中,所述图像特征提取方法还可以用于自编码器。
具体地,所述图像特征提取方法可以用于自编码器的编码层和/或解码层,通过所述编码器重构图像包括:
获取待重构图像,并将所述待重构图像转为待重构图像向量;
将所述待重构图像向量输入所述自编码器的编码层,所述自编码器的编码层使用所述图像特征提取方法得到重构图像隐向量;
将所述重构图像隐向量输入所述自编码器的解码层,所述自编码器的解码层使用所述图像特征提取方法得到所述待重构图像的重构图像。
本实施方式中,通过将图像矩阵、权重矩阵和偏差矩阵划分为子块进行运算,减少了图像特征提取过程中神经网络中卷积运算的运算量,从而提高了对图像中特征进行提取的效率。
实施例2
图2为本申请一实施方式中图像特征提取装置30的结构图。
在一些实施例中,所述图像特征提取装置30运行于电子设备中。所述图像特征提取装置30可以包括多个由程序代码段所组成的功能模块。所述图像特征提取装置30中的各个程序段的程序代码可以存储于存储器中,并由至少一个处理器所执行,以执行图像特征提取功能。
本实施例中,所述图像特征提取装置30根据其所执行的功能,可以被划分为多个功能模块。参阅图2所示,所述图像特征提取装置30可以包括图像子块获取模块301,权重子块获取模块302,偏移量子块获取模块303及图像特征计算模块304。本申请所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。所述在一些实施例中,关于各模块的功能将在后续的实施例中详述。
所述图像子块获取模块301获取图像,将所述图像转换为图像矩阵,划分所述图像矩阵得到图像向量,划分所述图像向量得到第一数量的图像子块。
在本申请的至少一个实施例中,所述图像子块获取模块301将所述图像转换为图像矩阵包括:
读取所述图像;
获取所述图像中的像素点;
将所述像素点的三原色编码值组成像素向量,及将所述像素向量组成所述图像矩阵。
在本申请的至少一个实施例中,所述图像子块获取模块301划分所述图像矩阵得到图像向量包括:
将所述图像矩阵按照所述预设行数进行划分得到预备图像向量集,所述预备图像向量集包括至少一个预备图像向量;
判断所述预备图像向量集中是否存在行数小于所述预设行数的预备图像向量;
当所述预备图像向量中存在行数小于所述预设行数的图像向量时,使用所述预设数值填充所述行数小于所述预设行数的预备图像向量得到行数等于所述预设行数的预备图像向量,将所述预备图像向量作为所述图像向量;或当所述预备图像向量中不存在行数小于所述预设行数的图像向量时,将所述预备图像向量作为所述图像向量。
在本申请的至少一个实施例中,所述图像子块获取模块301划分所述图像向量得到第一数量的图像子块包括:
将所述图像向量按照所述预设列数进行划分得到第一数量的预备图像子块;
判断所述预备图像子块中是否存在列数小于所述预设列数的预备图像子块;
当所述预备图像子块中存在列数小于所述预设列数的预备图像子块时,使用预设数值填充列数小于所述预设列数预备图像子块得到列数等于所述预设列数的预备图像子块,将第一数量的预备图像子块作为所述第一数量的图像子块;或当所述预备图像子块中不存在列数小于所述预设列数的预备图像子块时,将所述第一数量的预备图像子块作为所述第一数量的图像子块。
所述权重子块获取模块302获取权重矩阵,划分所述权重矩阵得到第二数量的权重向量,划分每个所述权重向量得到第一数量的权重子块。
在本申请的至少一个实施例中,所述权重子块获取模块302划分所述权重矩阵得到第二数量的权重向量包括:
将所述权重矩阵按照所述列数进行划分得到第二数量的预备权重向量;
判断所述预备权重向量中是否存在列数小于所述预设列数的预备权重向量;
当所述预备权重向量中存在列数小于所述预设列数的权重向量时,使用所述预设数值填充所述列数小于所述预设列数的预备权重向量得到列数等于所述预设列数的预备权重向量,将第二数量的预备权重向量作为第二数量的所述权重向量;或当所述预备权重向量中不存在列数小于所述预设列数的权重向量时,将第二数量的预备权重向量作为第二数量的所述权重向量。
在本申请的至少一个实施例中,所述权重子块获取模块302划分每个所述权重向量得到第一数量的权重子块包括:
将每个所述权重向量按照所述行数进行划分得到第四数量的预备权重子块;
判断所述第四数量是否等于所述第一数量,当所述第四数量小于所述第一数量时,计算所述第四数量与所述第一数量的第一差值,并根据所述第一差值增加预备权重子块的数量直至得到第一数量的预备权重子块;或当所述第四数量大于所述第一数量时,从第四数量的预备权重子块中选择第一数量的预备权重子块;
判断所述第一数量的预备权重子块中是否存在列数小于所述预设列数的预备权重子块;
当所述第一数量的预备权重子块中存在列数小于所述预设列数的预备权重子块时,使用预设数值填充列数小于所述预设列数预备权重子块得到列数等于所述预设列数的预备权重子块,将第一数量的预备权重子块作为第一数量的权重子块;或当所述第一数量的预备权重子块中不存在列数小于所述预设列数的预备权重子块时,将所述第一数量的预备权重子块作为所述第一数量的权重子块。
在本申请的至少一个实施例中,所述权重矩阵用于度量图像矩阵中特征的重要程度。
在本申请的至少一个实施例中,所述权重矩阵可以是自编码器的编码层中的一个矩阵,也可以是卷积神经网络的卷积层中的一个矩阵,所述权重矩阵可以存储在人工智能芯片中,用于进行通用矩阵乘法运算。
所述偏移量子块获取模块303获取偏移量矩阵,划分所述偏移量矩阵得到第二数量的偏移量子块。
在本申请的至少一个实施例中,所述偏移量子块获取模块303划分所述偏移量矩阵得到第二数量的偏移量子块包括:
将所述偏移量矩阵按照所述预设行数进行划分得到预备偏移量向量,从所述预备偏移量向量中选择一个偏移量向量;
将所述偏移量向量按照所述预设列数进行划分得到第五数量的预备偏移量子块;
判断所述第五数量是否等于所述第二数量,当所述第五数量小于所述第二数量时,计算所述第五数量与所述第二数量的第二差值,并根据所述第二差值增加预备偏移量子块的数量直至得到第二数量的预备偏移量子块;或当所述第五数量大于所述第二数量时,从所述第五数量的预备偏移量子块中选择第二数量的预备偏移量子块;
判断所述第二数量的预备偏移量子块中是否存在列数小于所述预设列数或行数小于预设行数的预备偏移量子块;
当所述第二数量的预备偏移量子块中存在列数小于所述预设列数或行数小于预设行数的预备偏移量子块时,使用预设数值填充列数小于所述预设列数或行数小于预设行数的预备偏移量子块得到列数等于所述预设列数且行数等于预设行数的预备偏移量子块,将第二数量的预备偏移量子块作为所述第二数量的偏移量子块;或当所述第二数量的预备偏移量子块中不存在列数小于所述预设列数或行数小于预设行数的预备偏移量子块时,将第二数量的所述预备偏移量子块作为所述第二数量的偏移量子块。
在本申请的至少一个实施例中,所述偏移量矩阵用于度量神经网络产生正激励或负激励的难易程度。
在本申请的至少一个实施例中,所述偏移量矩阵可以是自编码器的编码层中的一个矩阵,也可以是卷积神经网络的卷积层中的一个矩阵,所述偏移量矩阵可以存储在人工智能芯片中,用于进行通用矩阵乘法运算。
图像特征计算模块304对第一数量的图像子块与每个所述权重向量的第一数量的权重子块进行向量乘法得到第二数量的特征子块,将所述第二数量的特征子块与所述第二数量的偏移量子块相加得到图像特征子块,所述图像特征子块组成图像特征。
在本申请的至少一个实施例中,在本申请的至少一个实施例中,所述图像子块、所述权重子块、所述偏移量子块中的每个都具有预设行数与预设列数,所述预设列数与所述预设行数相同。
本实施方式中,通过将图像矩阵、权重矩阵和偏差矩阵划分为子块进行运算,减少了图像特征提取过程中神经网络中卷积运算的运算量,从而提高了对图像中特征进行提取的效率。
实施例3
图3为本申请一实施方式中电子设备6的示意图。
所述电子设备6包括存储器61、处理器62以及存储在所述存储器61中并可在所述处理器62上运行的计算机程序63。所述处理器62执行所述计算机程序63时实现上述图像特征提取方法实施例中的步骤,例如图1所示的步骤S11~S14。或者,所述处理器62执行所述计算机程序63时实现上述图像特征提取装置实施例中各模块/单元的功能,例如图2中的模块301~304。
示例性的,所述计算机程序63可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器61中,并由所述处理器62执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,所述指令段用于描述所述计算机程序63在所述电子设备6中的执行过程。例如,所述计算机程序63可以被分割成图2中的图像子块获取模块301,权重子块获取模块302,偏移量子块获取模块303及图像特征计算模块304,各模块具体功能参见实施例2。
本实施方式中,所述电子设备6可以是桌上型计算机、笔记本、掌上电脑、服务器及云端终端装置等计算设备。本领域技术人员可以理解,所述示意图仅仅是电子设备6的示例,并不构成对电子设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备6还可以包括输入输出设备、网络接入设备、总线等。
所称处理器62可以是中央处理模块(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器62也可以是任何常规的处理器等,所述处理器62是所述电子设备6的控制中心,利用各种接口和线路连接整个电子设备6的各个部分。
所述存储器61可用于存储所述计算机程序63和/或模块/单元,所述处理器62通过运行或执行存储在所述存储器61内的计算机程序和/或模块/单元,以及调用存储在存储器61内的数据,实现所述电子设备6的各种功能。所述存储器61可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备6的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器61可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述电子设备6集成的模块/单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,所述计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
另外,在本申请各个实施例中的各功能模块可以集成在相同处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在相同模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他模块或步骤,单数不排除复数。电子设备权利要求中陈述的多个模块或电子设备也可以由同一个模块或电子设备通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管参照较佳实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或等同替换,而不脱离本申请技术方案的精神和范围。
Claims (10)
1.一种图像特征提取方法,其特征在于,所述方法包括:
获取图像,将所述图像转换为图像矩阵,划分所述图像矩阵得到图像向量,划分所述图像向量得到第一数量的图像子块;
获取权重矩阵,划分所述权重矩阵得到第二数量的权重向量,划分每个所述权重向量得到第一数量的权重子块;
获取偏移量矩阵,划分所述偏移量矩阵得到第二数量的偏移量子块;
对第一数量的图像子块与每个所述权重向量的第一数量的权重子块进行向量乘法得到第二数量的特征子块,将所述第二数量的特征子块与所述第二数量的偏移量子块相加得到图像特征子块,所述图像特征子块组成图像特征。
2.如权利要求1所述的图像特征提取方法,其特征在于,所述图像子块、所述权重子块、所述偏移量子块中的每个都具有预设行数与预设列数,所述预设列数与所述预设行数相同。
3.如权利要求2所述的图像特征提取方法,其特征在于,所述划分所述图像矩阵得到图像向量包括:
将所述图像矩阵按照所述预设行数进行划分得到预备图像向量集,所述预备图像向量集包括至少一个预备图像向量;
判断所述预备图像向量集中是否存在行数小于所述预设行数的预备图像向量;
当所述预备图像向量中存在行数小于所述预设行数的图像向量时,使用所述预设数值填充所述行数小于所述预设行数的预备图像向量得到行数等于所述预设行数的预备图像向量,将所述预备图像向量作为所述图像向量;或当所述预备图像向量中不存在行数小于所述预设行数的图像向量时,将所述预备图像向量作为所述图像向量。
4.如权利要求2所述的图像特征提取方法,其特征在于,划分所述图像向量得到第一数量的图像子块包括:
将所述图像向量按照所述预设列数进行划分得到第一数量的预备图像子块;
判断所述预备图像子块中是否存在列数小于所述预设列数的预备图像子块;
当所述预备图像子块中存在列数小于所述预设列数的预备图像子块时,使用预设数值填充列数小于所述预设列数预备图像子块得到列数等于所述预设列数的预备图像子块,将第一数量的预备图像子块作为所述第一数量的图像子块;或当所述预备图像子块中不存在列数小于所述预设列数的预备图像子块时,将所述第一数量的预备图像子块作为所述第一数量的图像子块。
5.如权利要求2所述的图像特征提取方法,其特征在于,划分所述权重矩阵得到第二数量的权重向量包括:
将所述权重矩阵按照所述列数进行划分得到第二数量的预备权重向量;
判断所述预备权重向量中是否存在列数小于所述预设列数的预备权重向量;
当所述预备权重向量中存在列数小于所述预设列数的权重向量时,使用所述预设数值填充所述列数小于所述预设列数的预备权重向量得到列数等于所述预设列数的预备权重向量,将第二数量的预备权重向量作为第二数量的所述权重向量;或当所述预备权重向量中不存在列数小于所述预设列数的权重向量时,将第二数量的预备权重向量作为第二数量的所述权重向量。
6.如权利要求2所述的图像特征提取方法,其特征在于,划分每个所述权重向量得到第一数量的权重子块包括:
将每个所述权重向量按照所述行数进行划分得到第四数量的预备权重子块;
判断所述第四数量是否等于所述第一数量,当所述第四数量小于所述第一数量时,计算所述第四数量与所述第一数量的第一差值,并根据所述第一差值增加预备权重子块的数量直至得到第一数量的预备权重子块;或当所述第四数量大于所述第一数量时,从第四数量的预备权重子块中选择第一数量的预备权重子块;
判断所述第一数量的预备权重子块中是否存在列数小于所述预设列数的预备权重子块;
当所述第一数量的预备权重子块中存在列数小于所述预设列数的预备权重子块时,使用预设数值填充列数小于所述预设列数预备权重子块得到列数等于所述预设列数的预备权重子块,将第一数量的预备权重子块作为第一数量的权重子块;或当所述第一数量的预备权重子块中不存在列数小于所述预设列数的预备权重子块时,将所述第一数量的预备权重子块作为所述第一数量的权重子块。
7.如权利要求2所述的图像特征提取方法,其特征在于,所述划分所述偏移量矩阵得到第二数量的偏移量子块包括:
将所述偏移量矩阵按照所述预设行数进行划分得到预备偏移量向量,从所述预备偏移量向量中选择一个偏移量向量;
将所述偏移量向量按照所述预设列数进行划分得到第五数量的预备偏移量子块;
判断所述第五数量是否等于所述第二数量,当所述第五数量小于所述第二数量时,计算所述第五数量与所述第二数量的第二差值,并根据所述第二差值增加预备偏移量子块的数量直至得到第二数量的预备偏移量子块;或当所述第五数量大于所述第二数量时,从所述第五数量的预备偏移量子块中选择第二数量的预备偏移量子块;
判断所述第二数量的预备偏移量子块中是否存在列数小于所述预设列数或行数小于预设行数的预备偏移量子块;
当所述第二数量的预备偏移量子块中存在列数小于所述预设列数或行数小于预设行数的预备偏移量子块时,使用预设数值填充列数小于所述预设列数或行数小于预设行数的预备偏移量子块得到列数等于所述预设列数且行数等于预设行数的预备偏移量子块,将第二数量的预备偏移量子块作为所述第二数量的偏移量子块;或当所述第二数量的预备偏移量子块中不存在列数小于所述预设列数或行数小于预设行数的预备偏移量子块时,将第二数量的所述预备偏移量子块作为所述第二数量的偏移量子块。
8.一种图像特征提取装置,其特征在于,所述装置包括:
图像子块获取模块,用于获取图像,将所述图像转换为图像矩阵,划分所述图像矩阵得到图像向量,划分所述图像向量得到第一数量的图像子块;
权重子块获取模块,用于获取权重矩阵,划分所述权重矩阵得到第二数量的权重向量,划分每个所述权重向量得到第一数量的权重子块;
偏移量子块获取模块,用于获取偏移量矩阵,划分所述偏移量矩阵得到第二数量的偏移量子块;
图像特征计算模块,用于对第一数量的图像子块与每个所述权重向量的第一数量的权重子块进行向量乘法得到第二数量的特征子块,将所述第二数量的特征子块与所述第二数量的偏移量子块相加得到图像特征子块,所述图像特征子块组成图像特征。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至7中任一项所述的图像特征提取方法。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的图像特征提取方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110240354.3A CN115035322A (zh) | 2021-03-04 | 2021-03-04 | 图像特征提取方法、装置、电子设备及存储介质 |
US17/684,528 US20220284692A1 (en) | 2021-03-04 | 2022-03-02 | Method for extracting features from images and electronic device employing method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110240354.3A CN115035322A (zh) | 2021-03-04 | 2021-03-04 | 图像特征提取方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115035322A true CN115035322A (zh) | 2022-09-09 |
Family
ID=83117222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110240354.3A Pending CN115035322A (zh) | 2021-03-04 | 2021-03-04 | 图像特征提取方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220284692A1 (zh) |
CN (1) | CN115035322A (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220014807A1 (en) * | 2019-03-21 | 2022-01-13 | Samsung Electronics Co., Ltd. | Method, apparatus, device and medium for generating captioning information of multimedia data |
TW202141357A (zh) * | 2020-04-16 | 2021-11-01 | 宇智網通股份有限公司 | 資料填充方法及其資料填充系統 |
CN114580605A (zh) * | 2020-11-30 | 2022-06-03 | 富泰华工业(深圳)有限公司 | 卷积神经网络、运算优化方法、装置、电子设备及介质 |
-
2021
- 2021-03-04 CN CN202110240354.3A patent/CN115035322A/zh active Pending
-
2022
- 2022-03-02 US US17/684,528 patent/US20220284692A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220284692A1 (en) | 2022-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508118B (zh) | 针对数据偏移的目标对象行为预测方法及其相关设备 | |
CN114764765A (zh) | 图像瑕疵检测方法、装置、电子设备及存储介质 | |
CN113705775A (zh) | 一种神经网络的剪枝方法、装置、设备及存储介质 | |
CN114943673A (zh) | 瑕疵图像生成方法、装置、电子设备及存储介质 | |
CN114764768A (zh) | 缺陷检测分类方法、装置、电子设备及存储介质 | |
CN111340207B (zh) | 浮点数转换方法及装置 | |
CN113362118B (zh) | 一种基于随机森林的用户用电行为分析方法及系统 | |
CN112488297B (zh) | 一种神经网络剪枝方法、模型生成方法及装置 | |
CN112257578A (zh) | 人脸关键点检测方法、装置、电子设备及存储介质 | |
CN112990583B (zh) | 一种数据预测模型的入模特征确定方法及设备 | |
CN115035017A (zh) | 细胞密度分群方法、装置、电子设备及存储介质 | |
CN112149708A (zh) | 数据模型选择优化方法、装置、计算机装置及存储介质 | |
CN112131202B (zh) | 一种分布式文件存储和读取方法、终端设备及存储介质 | |
CN111862343B (zh) | 一种三维重建方法、装置、设备及计算机可读存储介质 | |
CN113887551A (zh) | 基于话单数据的目标人分析方法、终端设备及存储介质 | |
CN114943672A (zh) | 图像瑕疵检测方法、装置、电子设备及存储介质 | |
CN111210442B (zh) | 图纸图像定位与校对方法、装置及电子设备 | |
CN112583900A (zh) | 云计算的数据处理方法及相关产品 | |
CN116137061A (zh) | 数量统计模型的训练方法、装置、电子设备及存储介质 | |
CN115035322A (zh) | 图像特征提取方法、装置、电子设备及存储介质 | |
CN109922359B (zh) | 一种用户处理方法、装置、设备和存储介质 | |
CN112634938A (zh) | 基于音频的人员积极性分析方法、装置、设备及存储介质 | |
TWI769724B (zh) | 圖像特徵提取方法、裝置、電子設備及存儲介質 | |
CN110889462B (zh) | 一种数据处理方法、装置、设备和存储介质 | |
CN112148470A (zh) | 参数同步方法、计算机装置及可读存储介质 |
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 |