CN116188808B - 图像特征提取方法和系统、存储介质及电子设备 - Google Patents
图像特征提取方法和系统、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116188808B CN116188808B CN202310452408.1A CN202310452408A CN116188808B CN 116188808 B CN116188808 B CN 116188808B CN 202310452408 A CN202310452408 A CN 202310452408A CN 116188808 B CN116188808 B CN 116188808B
- Authority
- CN
- China
- Prior art keywords
- lbp
- neighborhood
- feature
- pixel
- feature matrix
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 176
- 238000004364 calculation method Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000006243 chemical reaction Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 abstract description 15
- 238000010586 diagram Methods 0.000 description 11
- 238000007667 floating Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 235000008694 Humulus lupulus Nutrition 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 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
- 238000005070 sampling Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Color Image Communication Systems (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本申请公开了一种图像特征提取方法和系统、存储介质及电子设备,涉及图像处理技术领域。方法包括:获取待处理的原始图像,将原始图像的图像数据转换为YUV色彩空间下的图像数据,得到目标图像;对目标图像中符合预设计算条件的每个像素点,计算3×3邻域的LBP特征,基于3×3邻域的LBP特征构建第一特征矩阵;对目标图像中符合预设计算条件的每个像素点,计算5×5邻域的LBP特征,基于5×5邻域的LBP特征构建第二特征矩阵;根据第一特征矩阵与第二特征矩阵,生成目标图像的第三特征矩阵;对目标图像的第三特征矩阵进行转换,得到目标图像对应的最终特征矩阵。本申请可以保障后续图像处理的高效性和准确性。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种图像特征提取方法和系统、存储介质及电子设备。
背景技术
图像特征提取技术是计算机视觉领域主要研究课题之一,已经在生物识别、图像检索、目标检测等领域得到了广泛应用。
现有技术中,例如图3所示,在图像特征提取时,常见的Uniform LBP特征的特征点是基于圆邻域的圆形算子上选出的,此时每个特征点的像素值由周围像素共同决定,而且一般选择半径为1或2其中一种生成LBP,圆弧上确定的特征点的坐标,以及确定特征点像素的像素值,会涉及浮点运算,使得进行特征提取时参数过多,计算量较高,导致在特征提取以及匹配时效率较低,从而无法保障后续图像处理的高效性。
发明内容
本申请实施例提供了一种图像特征提取方法和系统、存储介质及电子设备,以至少解决无法保障后续图像处理的高效性和准确性的技术问题。
根据本申请实施例的一个方面,提供了一种图像特征提取方法,方法包括:获取待处理的原始图像,并将原始图像的图像数据转换为YUV色彩空间下的图像数据,得到转换后的目标图像;对目标图像中符合预设计算条件的每个像素点,计算3×3邻域的LBP特征,并基于计算的3×3邻域的LBP特征构建第一特征矩阵;对目标图像中符合预设计算条件的每个像素点,计算5×5邻域的LBP特征,并基于计算的5×5邻域的LBP特征构建第二特征矩阵;其中,LBP特征是基于像素点及其在3×3邻域或5×5邻域选取的像素点的像素值计算的;根据第一特征矩阵与第二特征矩阵,生成目标图像的第三特征矩阵;对目标图像的第三特征矩阵进行Uniform LBP转换,得到目标图像对应的最终特征矩阵。
可选的,原始图像的大小为,其中/>为宽度,/>为高度;目标图像的Y分量下的图像大小为/>,U和V分量下的图像大小为/>。
可选的,基于计算的3×3邻域的LBP特征构建第一特征矩阵之前,还包括:若原始图像中的每个像素不存在3×3邻域或5×5邻域,则该像素不符合计算条件,否则根据存在3×3邻域且像素存在5×5邻域的目标像素点,确定符合预设计算条件的像素有效区间为,/>表示分量下图像的长与宽,i表示YUV分量,x为像素点的横坐标,y为像素点的纵坐标;判断目标图像的每个目标像素点的像素位置的横坐标与纵坐标是否位于各自的像素有效区间内,并确定出像素位置的横坐标与纵坐标同时位于各自的像素有效区间内的像素点集合;将像素点集合中各像素点作为符合预设计算条件的每个像素点。
可选的,对目标图像中符合预设计算条件的每个像素点计算3×3邻域的LBP特征或者5×5邻域的LBP特征,包括:将符合预设计算条件的每个像素点作为中心点;选取中心点的8邻域的8个像素点作为第一特征点,并将选取的8个像素点的像素值计算8个第一特征点的特征值,以及基于8个第一特征点的特征值得到LBP特征,得到符合预设条件的每个像素点在3×3邻域的LBP特征;或者,对于中心点的8邻域的8个像素点中的每个像素点,分别沿着其相对于中心点的方向向外延伸一个像素得到的8个像素点,作为第二特征点,并将选取的8个像素点的像素值计算8个第二特征点的特征值,以及基于8个第二特征点的特征值得到LBP特征,得到符合预设条件的每个像素点在5×5邻域的LBP特征;其中,LBP特征计算公式为:
其中,c点的LBP特征的二进制形式为:
LBP(0)LBP(1)LBP(2)LBP(3)LBP(4)LBP(5)LBP(6)LBP(7);
其中,为中心像素,/>为邻域内的特征点,/>为像素点的像素值。
可选的,基于提取的3×3邻域的LBP特征构建第一特征矩阵,包括:根据符合预设条件的每个像素点在3×3邻域的LBP特征计算一个8bit LBP特征,得到每个像素点对应的8bit无符号整数值;将所有8bit无符号整数值组成一个特征矩阵,得到第一特征矩阵。
可选的,基于计算的5×5邻域的LBP特征构建第二特征矩阵,包括:根据符合预设条件的每个像素点在5×5邻域的LBP特征计算一个8bit LBP特征,得到每个像素点对应的8bit无符号整数值;将所有8bit无符号整数值组成一个特征矩阵,得到第二特征矩阵。
可选的,第三特征矩阵的行列数量与第一特征矩阵或第二特征矩阵相同,第三特征矩阵中每个元素为16bit无符号整型;根据第一特征矩阵与第二特征矩阵,得到图像的第三特征矩阵,包括:将第一特征矩阵中每个8bit元素值作为第三特征矩阵中对应位置元素值的0-7bit,将第二特征矩阵中每个8bit元素值作为第三特征矩阵中对应位置元素值的8-15bit,得到每个元素值为16bit无符号整型的第三特征矩阵。
可选的,对图像第三特征矩阵进行Uniform LBP转换,包括:对图像的第三特征矩阵中元素值的第一范围bit进行 Uniform LBP转换,得到第一Uniform LBP特征,并将第一Uniform LBP特征更新到与其对应元素值的第一范围bit中,得到图像特征矩阵的元素高8bit的Uniform LBP特征,第一范围bit为8-15bit;对图像的第三特征矩阵中元素值的第二范围bit进行 Uniform LBP转换,得到第二Uniform LBP特征,并将第二Uniform LBP特征更新到与其对应元素值的第二范围bit中,得到图像特征矩阵的元素低8bitUniform LBP特征,第二范围bit为0-7bit。
根据本申请实施例的另一方面,还提供了一种图像特征提取系统,系统包括:第一转换模块,用于获取待处理的原始图像,并将原始图像的图像数据转换为YUV色彩空间下的图像数据,得到转换后的目标图像;第一构建模块,用于对目标图像中符合预设计算条件的每个像素点,计算3×3邻域的LBP特征,并基于计算的3×3邻域的LBP特征构建第一特征矩阵;第二构建模块,用于对目标图像中符合预设计算条件的每个像素点,计算5×5邻域的LBP特征,并基于计算的5×5邻域的LBP特征构建第二特征矩阵;其中,LBP特征是基于像素点及其在3×3邻域或5×5邻域选取的像素点的像素值计算的;第三构建模块,用于根据第一特征矩阵与第二特征矩阵,生成目标图像的第三特征矩阵;第二转换模块,用于对目标图像的第三特征矩阵进行Uniform LBP转换,得到目标图像对应的最终特征矩阵。
根据本申请实施例的又一方面,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上述计算机程序执行上述的图像特征提取方法。
根据本申请实施例的又一方面,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像特征提取方法。
在本申请实施例中,图像特征提取系统首先获取待处理的原始图像,将原始图像的图像数据转换为YUV色彩空间下的图像数据,得到转换后的目标图像,然后对目标图像中符合预设计算条件的每个像素点,计算3×3邻域的LBP特征,并基于计算的3×3邻域的LBP特征构建第一特征矩阵,其次对目标图像中符合预设计算条件的每个像素点,并计算5×5邻域的LBP特征,再基于计算的5×5邻域的LBP特征构建第二特征矩阵,最后根据第一特征矩阵与第二特征矩阵,生成目标图像的第三特征矩阵,并对目标图像的第三特征矩阵进行Uniform LBP转换,得到目标图像对应的最终特征矩阵。因此,采用本申请实施例,首先由于本申请中在计算LBP特征时使用了方邻域,选取的像素点及其像素值可直接得到,相对于圆邻域,方邻域无需通过浮点运算确定邻域各像素点的位置及其像素值,从而大大降低了计算量;其次本申请中同时计算了3×3邻域和5×5邻域两组LBP特征共同来表示像素点的特征,从而弥补了相对于圆邻域特征精度低的问题,保障后续图像处理的高效性和准确性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种可选的图像特征提取方法的应用环境的示意图;
图2是根据本申请实施例的另一种可选的图像特征提取方法的应用环境的示意图;
图3是一种现有技术中圆邻域特征选取的示意图,其中(a)为半径为1的情况下8圆邻域特征选取示意图,其中(b)为半径为2的情况下8圆邻域特征选取示意图;
图4是根据本申请实施例的一种可选的图像特征提取方的流程示意图;
图5是根据本申请实施例的一种内容帧选取的示意图;
图6是根据本申请实施例的一种3×3邻域特征点选取示意图;
图7是根据本申请实施例的一种5×5邻域特征点选取示意图;
图8是根据本申请实施例的一种图像特征提取过程的过程示意框图;
图9是根据本申请实施例的一种图像特征提取系统的结构示意图;
图10是根据本申请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申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请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,以便这里描述的本申请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。
根据本申请实施例的一个方面,提供了一种图像特征提取方法,作为一种可选地实施方式,上述图像特征提取方法可以但不限于应用于如图1所示的应用环境中。该应用环境中包括:与用户进行人机交互的终端设备102、网络104、服务器106。用户108与终端设备102之间可以进行人机交互,终端设备102中运行有图像特征提取应用程序。上述终端设备102中包括人机交互屏幕1022,处理器1024及存储器1026。人机交互屏幕1022用于显示原始视频集合;处理器1024用于图像特征提取。存储器1026用于存储上述原始图像和最终特征矩阵。
此外,服务器106中包括数据库1062及处理引擎1064,数据库1062中用于存储原始图像和最终特征矩阵。处理引擎1064用于:获取待处理的原始图像,并将原始图像的图像数据转换为YUV色彩空间下的图像数据,得到转换后的目标图像;对目标图像中符合预设计算条件的每个像素点,计算3×3邻域的LBP特征,并基于计算的3×3邻域的LBP特征构建第一特征矩阵;对目标图像中符合预设计算条件的每个像素点,计算5×5邻域的LBP特征,并基于计算的5×5邻域的LBP特征构建第二特征矩阵;其中,LBP特征是基于像素点及其在3×3邻域或5×5邻域选取的像素点的像素值计算的;根据第一特征矩阵与第二特征矩阵,生成目标图像的第三特征矩阵;对目标图像的第三特征矩阵进行Uniform LBP转换,得到目标图像对应的最终特征矩阵。
在一个或多个实施例中,本申请上述图像特征提取方法可以应用于图2所示的应用环境中。如图2所示,用户202与用户设备204之间可以进行人机交互。用户设备204中包含有存储器206和处理器208。本实施例中用户设备204可以但不限于参考执行上述终端设备102所执行的操作,生成原始图像对应的最终特征矩阵。
可选地,上述终端设备102和用户设备204包括但不限于为手机、平板电脑、笔记本电脑、PC机,车载电子设备,可穿戴设备等终端,上述网络104可以包括但不限于无线网络或有线网络。其中,该无线网络包括:WIFI及其他实现无线通信的网络。上述有线网络可以包括但不限于:广域网、城域网、局域网。上述服务器106可以包括但不限于任何可以进行计算的硬件设备。上述服务器可以是单一服务器,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。
相关技术中,例如图3所示,在图像特征提取时,常见的LBP特征的特征点是在圆弧上选出的,此时每个特征点的像素值由周围像素共同决定,而且只选择半径为1或2其中一种生成LBP,圆弧上选出的特征点在像素区域方格中分布不均匀,因此会涉及浮点运算,使得进行特征提取时参数过多,计算量较高,导致特征提取效率低下,从而无法保障后续图像处理的高效性。
为了解决上述技术问题,作为一种可选地实施方式,如图4所示,本申请实施例提供了一种图像特征提取方法,包括如下步骤:
S101,获取待处理的原始图像,并将原始图像的图像数据转换为YUV色彩空间下的图像数据,得到转换后的目标图像;
其中,待处理的原始图像是任意一张需要进行特征提取的图像,该图像可以是原始视频中的任意图像帧,也可以是内容帧。内容帧是指表示镜头内容的帧,包括首帧、尾帧、和N个中间帧,N为自然数,中间帧通过对一个镜头的除首尾两帧之外的所有子帧顺序与其前一个内容帧进行差异率计算,当差异率大于预设阈值时得到。
例如,通过分析镜头中内容的差异,可以从连续帧序列中选取少量的帧来表示镜头的内容,这些帧即为内容帧。内容帧至少包括镜头的首尾两帧(镜头帧),所以一个镜头内容帧数量≥2。
例如图5所示,首帧是第一个内容帧,然后计算第2、第3帧.....与其差异率,直到大于预设阈值,假如第2、3与首帧的差异率小于预设阈值,而第4帧大于预设阈值,则第4帧就是第二个内容帧。然后计算第5、第6....与第4帧的差异率,直到大预设阈值,假如第5、6、7帧与首帧的差异率小于预设阈值,而第8帧大于预设阈值,则第8帧就是第三个内容帧。依次类推,计算出所有首帧和尾帧之间的所有子帧中的内容帧。尾帧直接选定为最后一个内容帧,而不必计算与其前一个内容帧之间的差异率。
例如一个监控视频,夜晚期间人少车少,视频画面变化很小,那内容帧会很少,例如在10个小时内仅提取个位数个内容帧。而白天人多车多,视频画面里面人和物的变化频繁,按照上面方法计算出来的内容帧会比晚上多很多。由此,内容帧相对于关键帧来说,保证了不丢失镜头视频的所有内容信息,因为关键帧有可能丢失部分镜头内容。而相对于视频每一帧都要计算和考虑的方案,内容帧的选取由于只选取了部分视频图像帧,在不丢失内容的前提下,极大了减少了图像计算量。
在本申请实施例中,图像数据是原始图像中每个像素的像素参数,例如灰度图像的像素参数为灰度值,彩色图像的像素参数有可能RGB格式(即红(R)、绿(G)、蓝(B)三个颜色通道),也有可能是YUV格式(Y表示亮度、UV分别表示色度和浓度),为了特征提取的准确性,可将原始图像的图像数据统一转换为YUV色彩空间下的图像数据。
在本申请实施例中,首先获取待处理的原始图像,然后将原始图像中每个像素点的像素参数统一转换为YUV色彩空间下的图像数据,得到转换后的目标图像。具体的转换方式可采用现有技术中任意一种方式,此处不再赘述。
具体的,原始图像的大小为,其中/>为宽度,/>为高度;转换后的目标图像的Y分量下的图像大小为/>,U和V分量下的图像大小为/>。
在一种可能的实现方式中,对待处理的原始图像数据转换为YUV色彩空间下的图像数据,得到目标图像,若待处理的原始图像大小为,其中w为宽度h为高度,则目标图像的Y分量下的图像大小为/>,U和V维度下的图像大小均为/>。
S102,对目标图像中符合预设计算条件的每个像素点,计算3×3邻域的LBP特征,并基于计算的3×3邻域的LBP特征构建第一特征矩阵;
其中,预设计算条件具体可分为:判断原始图像中的每个像素是否存在3×3邻域或5×5邻域,判断目标图像的每个目标像素点的像素位置的横坐标与纵坐标是否位于各自的有效区间,即。
通常,对于Uniform Pattern LBP特征,Uniform Pattern也被称为等价模式或均匀模式,由于一个LBP特征有多种不同的二进制形式,对于半径为R的矩形区域内含有P个采样点的LBP算子将会产生2^p种模式。为了提高统计性,Ojala提出了采用一种“等价模式”(Uniform Pattern)来对LBP算子的模式种类进行降维。“等价模式”定义为:当某个LBP所对应的循环二进制数从0到1或从1到0最多有两次跳变时,该LBP所对应的二进制就称为一个等价模式类。如00000000(0次跳变),00000111(只含一次从0到1的跳变),10001111(先由1跳到0,再由0跳到1,共两次跳变)都是等价模式类。除等价模式类以外的模式都归为另一类,称为混合模式类,例如10010111(共四次跳变)。通过这样的改进,二进制模式的种类大大减少,而不会丢失任何信息。模式数量由原来的2^p种减少为 p(p-1)+2种,其中p表示邻域集内的采样点数。对于3×3邻域内8个采样点来说,二进制模式由原始的256种减少为58种,即:它把值分为59类,58个uniform pattern为一类,其它的所有值为第59类。这样直方图从原来的256维变成59维。
在本申请实施例中,在判断目标图像是否符合预设计算条件时,若原始图像中的每个像素不存在3×3邻域或5×5邻域,则该像素不符合计算条件,否则根据存在3×3邻域且像素存在5×5邻域的目标像素点,确定符合预设计算条件的像素有效区间为,/>表示分量下图像的长与宽,i表示YUV分量,x为像素点的横坐标,y为像素点的纵坐标;然后判断目标图像的每个目标像素点的像素位置的横坐标与纵坐标是否位于各自的像素有效区间内,并确定出像素位置的横坐标与纵坐标同时位于各自的像素有效区间内的像素点集合;最后将像素点集合中各像素点作为符合预设计算条件的每个像素点。
具体的,在对目标图像中符合预设计算条件的每个像素点计算3×3邻域的LBP特征时,首先将符合预设计算条件的每个像素点作为中心点;然后选取中心点的8邻域的8个像素点作为第一特征点,并将选取的8个像素点的像素值计算8个第一特征点的特征值,以及基于8个第一特征点的特征值得到LBP特征,得到符合预设条件的每个像素点在3×3邻域的LBP特征;其中,LBP特征计算公式为:
其中,c点的LBP特征的二进制形式为:
LBP(0)LBP(1)LBP(2)LBP(3)LBP(4)LBP(5)LBP(6)LBP(7);其中,为中心像素,/>为邻域内的特征点,/>为像素点的像素值。
具体的,在基于提取的3×3邻域的LBP特征构建第一特征矩阵时,首先根据符合预设条件的每个像素点在3×3邻域的LBP特征计算一个8bit LBP特征,得到每个像素点对应的8bit无符号整数值,然后将所有8bit无符号整数值组成一个特征矩阵,得到第一特征矩阵。
在一种可能的实现方式中,根据LBP特征计算公式对目标图像中符合预设计算条件的每个像素点提取33邻域的/>特征,基于该特征可计算得到大小为的图像/>特征矩阵,特征矩阵中的特征值为对应像素的8bitLBP特征生成的8bit整数值,其中x为横坐标,y为纵坐标,3/>3邻域特征点选取如图6所示。
S103,对目标图像中符合预设计算条件的每个像素点,计算5×5邻域的LBP特征,并基于计算的5×5邻域的LBP特征构建第二特征矩阵;其中,LBP特征是基于像素点及其在3×3邻域或5×5邻域选取的像素点的像素值计算的;
在本申请实施例中,对目标图像中符合预设计算条件的每个像素点,计算5×5邻域的LBP特征时,首先将符合预设计算条件的每个像素点作为中心点;然后对于中心点的8邻域的8个像素点中的每个像素点,分别沿着其相对于中心点的方向向外延伸一个像素得到的8个像素点,作为第二特征点,并将选取的8个像素点的像素值计算8个第二特征点的特征值,以及基于8个第二特征点的特征值得到LBP特征,得到符合预设条件的每个像素点在5×5邻域的LBP特征。
具体的,在基于8个第二特征点的特征值得到LBP特征,得到符合预设条件的每个像素点在5×5邻域的LBP特征时,首先根据符合预设条件的每个像素点在5×5邻域的LBP特征计算一个8bit LBP特征,得到每个像素点对应的8bit无符号整数值,然后将所有8bit无符号整数值组成一个特征矩阵,得到第二特征矩阵。
在一种可能的实现方式中,根据LBP特征计算公式对目标图像中符合预设计算条件的每个像素点提取5×5邻域的特征,基于该特征得到大小为的图像/>特征矩阵,特征矩阵中的特征值为对应像素的8bitLBP特征生成的8bit整数值,其中x为横坐标,y为纵坐标,像素邻域特征点选取如图7所示。
S104,根据第一特征矩阵与第二特征矩阵,生成目标图像的第三特征矩阵;
其中,第三特征矩阵的行列数量与第一特征矩阵或第二特征矩阵相同,第三特征矩阵中每个元素为16bit无符号整型。
在本申请实施例中,在根据第一特征矩阵与第二特征矩阵,得到图像的第三特征矩阵时,将第一特征矩阵中每个8bit元素值作为第三特征矩阵中对应位置元素值的0-7bit,将第二特征矩阵中每个8bit元素值作为第三特征矩阵中对应位置元素值的8-15bit,得到每个元素值为16bit无符号整型的第三特征矩阵。
具体的,第三特征矩阵的大小为的图像/>特征矩阵。
S105,对目标图像的第三特征矩阵进行Uniform LBP转换,得到目标图像对应的最终特征矩阵。
在本申请实施例中,在对目标图像的第三特征矩阵进行Uniform LBP转换,得到目标图像对应的最终特征矩阵时,首先对图像的第三特征矩阵中元素值的第一范围bit进行Uniform LBP转换,得到第一Uniform LBP特征,并将第一Uniform LBP特征更新到与其对应元素值的第一范围bit中,得到图像特征矩阵的元素高8bit的Uniform LBP特征,第一范围bit为8-15bit;然后对图像的第三特征矩阵中元素值的第二范围bit进行 Uniform LBP转换,得到第二Uniform LBP特征,并将第二Uniform LBP特征更新到与其对应元素值的第二范围bit中,得到图像特征矩阵的元素低8bitUniform LBP特征,第二范围bit为0-7bit。
需要说明的是,Uniform LBP转换的本质是对特征矩阵进行降维,即对目标图像的特征维度进行降维处理(例如16位LBP特征有65563个/维,降维后特征有3481个/维),降维后可最终得到Uniform LBP图像特征矩阵。
具体的,LBP特征是基于像素点及其在3×3邻域或5×5邻域选取的像素点的像素值计算的,可知本申请中选取的特征点本身就是像素的,像素值即为特征点的像素值,其中无浮点运算,因此计算量小,同时本申请使用半径为1和2的两组方邻域LBP特征共同来表示像素点的特征,弥补了精度上损失,使得特征的精度更高。
例如图8所示,图8是本申请提供的一种图像特征提取过程的过程示意框图,首先获取待处理的原始图像,并将原始图像的图像数据转换为YUV色彩空间下的图像数据,得到转换后的目标图像,然后判断原始图像中的每个像素是否存在3×3邻域或5×5邻域,再判断目标图像的每个目标像素点的像素位置的横坐标与纵坐标是否位于各自的像素有效区间内,若都为否的情况下,则继续获取下一个待处理的原始图像执行图像特征提取的步骤。若都为是的情况下,对目标图像中符合预设计算条件的每个像素点,计算3×3邻域的LBP特征,并基于计算的3×3邻域的LBP特征构建第一特征矩阵,其次对目标图像中符合预设计算条件的每个像素点,计算5×5邻域的LBP特征,并基于计算的5×5邻域的LBP特征构建第二特征矩阵;LBP特征是基于像素点及其在3×3邻域或5×5邻域选取的像素点的像素值计算的,最后将第一特征矩阵中每个8bit元素值作为第三特征矩阵中对应位置元素值的0-7bit,将第二特征矩阵中每个8bit元素值作为第三特征矩阵中对应位置元素值的8-15bit,得到每个元素值为16bit无符号整型的第三特征矩阵,对目标图像的第三特征矩阵进行Uniform LBP转换,得到目标图像对应的最终特征矩阵。
在实际应用场景中,本申请中得到目标图像对应的最终特征矩阵后,可基于该最终特征矩阵比较两个图像是否相似,也可以基于该最终特征矩阵进行身份识别,具体可基于实际场景进行确定,此处不做限定。
本申请实施例还具有以下有益效果:
在本申请实施例中,首先由于本申请中在计算LBP特征时使用了方邻域,选取的像素点及其像素值可直接得到,相对于圆邻域,方邻域无需通过浮点运算确定邻域各像素点的位置及其像素值,从而大大降低了计算量;其次本申请中同时计算了3×3邻域和5×5邻域两组LBP特征共同来表示像素点的特征,从而弥补了相对于圆邻域特征精度低的问题,保障后续图像处理的高效性和准确性。
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,本申请并不受所描述的动作顺序的限制,因为依据本申请,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申请所必须的。
下述为本申请系统实施例,可以用于执行本申请方法实施例。对于本申请系统实施例中未披露的细节,请参照本申请方法实施例。
请参见图9,其示出了本申请一个示例性实施例提供的图像特征提取系统的结构示意图。该图像特征提取系统可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该系统1包括第一转换模块10、第一构建模块20、第二构建模块30、第三构建模块40以及第二转换模块50。
第一转换模块10,用于获取待处理的原始图像,并将原始图像的图像数据转换为YUV色彩空间下的图像数据,得到转换后的目标图像;
第一构建模块20,用于对目标图像中符合预设计算条件的每个像素点,计算3×3邻域的LBP特征,并基于计算的3×3邻域的LBP特征构建第一特征矩阵;
第二构建模块30,用于对目标图像中符合预设计算条件的每个像素点,计算5×5邻域的LBP特征,并基于计算的5×5邻域的LBP特征构建第二特征矩阵;其中,LBP特征是基于像素点及其在3×3邻域或5×5邻域选取的像素点的像素值计算的;
第三构建模块40,用于根据第一特征矩阵与第二特征矩阵,生成目标图像的第三特征矩阵;
第二转换模块50,用于对目标图像的第三特征矩阵进行Uniform LBP转换,得到目标图像对应的最终特征矩阵。
可选的,系统1还包括:
第一判断模块60,用于若原始图像中的每个像素不存在3×3邻域或5×5邻域,则该像素不符合计算条件,否则根据存在3×3邻域且像素存在5×5邻域的目标像素点,确定符合预设计算条件的像素有效区间为,/>表示分量下图像的长与宽,i表示YUV分量,x为像素点的横坐标,y为像素点的纵坐标;
第二判断模块70,用于判断目标图像的每个目标像素点的像素位置的横坐标与纵坐标是否位于各自的像素有效区间内,并确定出像素位置的横坐标与纵坐标同时位于各自的像素有效区间内的像素点集合;
计算模块80,用于将像素点集合中各像素点作为符合预设计算条件的每个像素点。
可选的,第三构建模块40包括:
第三特征矩阵构建单元401,用于将第一特征矩阵中每个8bit元素值作为第三特征矩阵中对应位置元素值的0-7bit,将第二特征矩阵中每个8bit元素值作为第三特征矩阵中对应位置元素值的8-15bit,得到每个元素值为16bit无符号整型的第三特征矩阵。
可选的,第二转换模块50包括:
第一转换单元501,用于对图像的第三特征矩阵中元素值的第一范围bit进行Uniform LBP转换,得到第一Uniform LBP特征,并将第一Uniform LBP特征更新到与其对应元素值的第一范围bit中,得到图像特征矩阵的元素高8bit的Uniform LBP特征,第一范围bit为8-15bit;
第二转换单元502,用于对图像的第三特征矩阵中元素值的第二范围bit进行Uniform LBP转换,得到第二Uniform LBP特征,并将第二Uniform LBP特征更新到与其对应元素值的第二范围bit中,得到图像特征矩阵的元素低8bitUniform LBP特征,第二范围bit为0-7bit。
需要说明的是,上述实施例提供的图像特征提取系统在新事件确定方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的图像特征提取系统与图像特征提取方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请实施例中,图像特征提取系统首先获取待处理的原始图像,将原始图像的图像数据转换为YUV色彩空间下的图像数据,得到转换后的目标图像,然后对目标图像中符合预设计算条件的每个像素点,计算3×3邻域的LBP特征,并基于计算的3×3邻域的LBP特征构建第一特征矩阵,其次对目标图像中符合预设计算条件的每个像素点,并计算5×5邻域的LBP特征,再基于计算的5×5邻域的LBP特征构建第二特征矩阵,最后根据第一特征矩阵与第二特征矩阵,生成目标图像的第三特征矩阵,并对目标图像的第三特征矩阵进行Uniform LBP转换,得到目标图像对应的最终特征矩阵。因此,采用本申请实施例,首先由于本申请中在计算LBP特征时使用了方邻域,选取的像素点及其像素值可直接得到,相对于圆邻域,方邻域无需通过浮点运算确定邻域各像素点的位置及其像素值,从而大大降低了计算量;其次本申请中同时计算了3×3邻域和5×5邻域两组LBP特征共同来表示像素点的特征,从而弥补了相对于圆邻域特征精度低的问题,保障后续图像处理的高效性和准确性。
根据本申请实施例的又一个方面,还提供了一种用于实施上述图像特征提取方法的电子设备,该电子设备可以是图10所示的终端设备或服务器。本实施例以该电子设备为终端为例来说明。如图10所示,该电子设备包括存储器1802和处理器1804,该存储器1802中存储有计算机程序,该处理器1804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上S101-S105步骤。
可选地,本领域普通技术人员可以理解,图10所示的结构仅为示意,电子系统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10其并不对上述电子系统电子设备的结构造成限定。例如,电子系统电子设备还可包括比图10中所示更多或者更少的组件(如网络接口等),或者具有与图10所示不同的配置。
其中,存储器1802可用于存储软件程序以及模块,如本申请实施例中的图像特征提取方法和系统对应的程序指令/模块,处理器1804通过运行存储在存储器1802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,即实现上述的图像特征提取方法。存储器1802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系统、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1802可进一步包括相对于处理器1804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1802具体可以但不限于用于存储原始图像和最终特征矩阵等信息。作为一种示例,如图10所示,上述存储器1802中可以但不限于包括上述图像特征提取系统中的分割单元1702、获取单元1704与第一确定单元1706。此外,还可以包括但不限于上述图像特征提取系统中的其他模块单元,本示例中不再赘述。
可选地,上述的传输系统1806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,传输系统1806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,传输系统1806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1808,用于显示上述账单子任务的处理结果;和连接总线1810,用于连接上述电子设备中的各个模块部件。
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像特征提取方法,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上步骤S101-S105的计算机程序。
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。
上述本申请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,本申请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)执行本申请各个实施例方法的全部或部分步骤。
在本申请的上述实施例中,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,以上所描述的系统实施例仅仅是示意性的,例如单元的划分,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。
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,在本申请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。
以上仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (11)
1.一种图像特征提取方法,其特征在于,所述方法包括:
获取待处理的原始图像,并将所述原始图像的图像数据转换为YUV色彩空间下的图像数据,得到转换后的目标图像;
对所述目标图像中符合预设计算条件的每个像素点,计算3×3邻域的LBP特征,并基于计算的3×3邻域的LBP特征构建第一特征矩阵;
对所述目标图像中符合预设计算条件的每个像素点,计算5×5邻域的LBP特征,并基于计算的5×5邻域的LBP特征构建第二特征矩阵;其中,所述LBP特征是基于像素点及其在3×3邻域或5×5邻域选取的像素点的像素值计算的;其中,邻域为方邻域;
根据所述第一特征矩阵与所述第二特征矩阵,生成所述目标图像的第三特征矩阵;
对所述目标图像的第三特征矩阵进行Uniform LBP转换,得到所述目标图像对应的最终特征矩阵。
2.根据权利要求1所述的方法,其特征在于,所述原始图像的大小为,其中/>为宽度,/>为高度;所述目标图像的Y分量下的图像大小为/>,U和V分量下的图像大小为。
3.根据权利要求1所述的方法,其特征在于,所述基于计算的3×3邻域的LBP特征构建第一特征矩阵之前,还包括:
若所述原始图像中的每个像素不存在3×3邻域或5×5邻域,则该像素不符合计算条件,否则根据存在3×3邻域且像素存在5×5邻域的目标像素点,确定符合预设计算条件的像素有效区间为,/>表示分量下图像的长与宽,i表示YUV分量,x为像素点的横坐标,y为像素点的纵坐标;
判断所述目标图像的每个目标像素点的像素位置的横坐标与纵坐标是否位于各自的所述像素有效区间内,并确定出像素位置的横坐标与纵坐标同时位于各自的所述像素有效区间内的像素点集合;
将所述像素点集合中各像素点作为符合预设计算条件的每个像素点。
4.根据权利要求1或3所述的方法,其特征在于,所述对所述目标图像中符合预设计算条件的每个像素点计算3×3邻域的LBP特征或者5×5邻域的LBP特征,包括:
将符合预设计算条件的每个像素点作为中心点;
选取所述中心点的8邻域的8个像素点作为第一特征点,并将选取的8个像素点的像素值计算8个第一特征点的特征值,以及基于所述8个第一特征点的特征值得到LBP特征,得到符合预设条件的每个像素点在3×3邻域的LBP特征;或者,
选取所述中心点的8邻域的8个像素点作为第一特征点,并将选取的8个像素点的像素值计算8个第一特征点的特征值,以及基于所述8个第一特征点的特征值得到LBP特征,得到符合预设条件的每个像素点在3×3邻域的LBP特征;或者,
对于所述中心点的8邻域的8个像素点中的每个像素点,分别沿着其相对于所述中心其中,所述LBP特征计算公式为:
其中,c点的LBP特征的二进制形式为:
LBP(0)LBP(1)LBP(2)LBP(3)LBP(4)LBP(5)LBP(6)LBP(7);
其中,为中心像素,/>为邻域内的特征点,/>为像素点的像素值。
5.根据权利要求4所述的方法,其特征在于,所述基于提取的3×3邻域的LBP特征构建第一特征矩阵,包括:
根据符合预设条件的每个像素点在3×3邻域的LBP特征计算一个8bit LBP特征,得到每个像素点对应的8bit无符号整数值;
将所有8bit无符号整数值组成一个特征矩阵,得到第一特征矩阵。
6.根据权利要求4所述的方法,其特征在于,所述基于计算的5×5邻域的LBP特征构建第二特征矩阵,包括:
根据符合预设条件的每个像素点在5×5邻域的LBP特征计算一个8bit LBP特征,得到每个像素点对应的8bit无符号整数值;
将所有8bit无符号整数值组成一个特征矩阵,得到第二特征矩阵。
7.根据权利要求1所述的方法,其特征在于,所述第三特征矩阵的行列数量与第一特征矩阵或第二特征矩阵相同,第三特征矩阵中每个元素为16bit无符号整型;
所述根据所述第一特征矩阵与所述第二特征矩阵,得到图像的第三特征矩阵,包括:
将第一特征矩阵中每个8bit元素值作为第三特征矩阵中对应位置元素值的0-7bit,将第二特征矩阵中每个8bit元素值作为第三特征矩阵中对应位置元素值的8-15bit,得到每个元素值为16bit无符号整型的第三特征矩阵。
8. 根据权利要求1所述的方法,其特征在于,所述对图像第三特征矩阵进行UniformLBP转换,包括:
对图像的第三特征矩阵中元素值的第一范围bit进行 Uniform LBP转换,得到第一Uniform LBP特征,并将所述第一Uniform LBP特征更新到与其对应元素值的第一范围bit中,得到所述图像特征矩阵的元素高8bit的Uniform LBP特征,所述第一范围bit为8-15bit;
对图像的第三特征矩阵中元素值的第二范围bit进行 Uniform LBP转换,得到第二Uniform LBP特征,并将所述第二Uniform LBP特征更新到与其对应元素值的第二范围bit中,得到所述图像特征矩阵的元素低8bitUniform LBP特征,所述第二范围bit为0-7bit。
9.一种图像特征提取系统,其特征在于,所述系统包括:
第一转换模块,用于获取待处理的原始图像,并将所述原始图像的图像数据转换为YUV色彩空间下的图像数据,得到转换后的目标图像;
第一构建模块,用于对所述目标图像中符合预设计算条件的每个像素点,计算3×3邻域的LBP特征,并基于计算的3×3邻域的LBP特征构建第一特征矩阵;
第二构建模块,用于对所述目标图像中符合预设计算条件的每个像素点,计算5×5邻域的LBP特征,并基于计算的5×5邻域的LBP特征构建第二特征矩阵;其中,所述LBP特征是基于像素点及其在3×3邻域或5×5邻域选取的像素点的像素值计算的;其中,邻域为方邻域;
第三构建模块,用于根据所述第一特征矩阵与所述第二特征矩阵,生成所述目标图像的第三特征矩阵;
第二转换模块,用于对所述目标图像的第三特征矩阵进行Uniform LBP转换,得到所述目标图像对应的最终特征矩阵。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1-8任意一项所述的方法。
11.一种电子设备,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1-8任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310452408.1A CN116188808B (zh) | 2023-04-25 | 2023-04-25 | 图像特征提取方法和系统、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310452408.1A CN116188808B (zh) | 2023-04-25 | 2023-04-25 | 图像特征提取方法和系统、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116188808A CN116188808A (zh) | 2023-05-30 |
CN116188808B true CN116188808B (zh) | 2023-07-25 |
Family
ID=86442692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310452408.1A Active CN116188808B (zh) | 2023-04-25 | 2023-04-25 | 图像特征提取方法和系统、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188808B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117119143B (zh) * | 2023-06-07 | 2024-07-02 | 青岛尘元科技信息有限公司 | 基于全息视频的视频侦查系统和方法、设备及存储介质 |
CN117112837B (zh) * | 2023-06-07 | 2024-08-02 | 青岛尘元科技信息有限公司 | 视频舆情监测系统和方法、存储介质及电子设备 |
CN117745727B (zh) * | 2024-02-21 | 2024-04-26 | 北京科技大学 | 一种水炮泥液体灌装袋软硬度监测装置及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184300A (zh) * | 2015-09-01 | 2015-12-23 | 中国矿业大学(北京) | 一种基于图像lbp的煤岩识别方法 |
CN106097257A (zh) * | 2016-05-30 | 2016-11-09 | 中国科学院深圳先进技术研究院 | 一种图像去噪方法及装置 |
CN109871825A (zh) * | 2019-03-13 | 2019-06-11 | 华南理工大学 | 一种基于改进的局部二维模式的人像识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101656373B1 (ko) * | 2014-10-15 | 2016-09-12 | 서울시립대학교 산학협력단 | 얼굴 식별 방법, 얼굴 식별 장치 및 이 방법을 실행시키는 컴퓨터 프로그램 |
CN109919063A (zh) * | 2019-02-27 | 2019-06-21 | 东南大学 | 一种基于纹理分析的活体人脸检测系统及方法 |
CN111080683B (zh) * | 2019-12-09 | 2023-06-02 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
-
2023
- 2023-04-25 CN CN202310452408.1A patent/CN116188808B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184300A (zh) * | 2015-09-01 | 2015-12-23 | 中国矿业大学(北京) | 一种基于图像lbp的煤岩识别方法 |
CN106097257A (zh) * | 2016-05-30 | 2016-11-09 | 中国科学院深圳先进技术研究院 | 一种图像去噪方法及装置 |
CN109871825A (zh) * | 2019-03-13 | 2019-06-11 | 华南理工大学 | 一种基于改进的局部二维模式的人像识别方法 |
Non-Patent Citations (2)
Title |
---|
DCT和LBP特征融合的人脸识别;李建科;赵保军;张辉;焦继超;;北京理工大学学报(第11期);第98-102页 * |
Optimized discriminative LBP patterns for infrared face recognition;Zhengzi Wang,等;《2015 IEEE International Conference on Information and Automation》;第446-449页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116188808A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116188808B (zh) | 图像特征提取方法和系统、存储介质及电子设备 | |
CN112241714B (zh) | 图像中指定区域的识别方法、装置、可读介质和电子设备 | |
CN107204034B (zh) | 一种图像处理方法及终端 | |
CN113034358B (zh) | 一种超分辨率图像处理方法以及相关装置 | |
CN113763296B (zh) | 图像处理方法、设备以及介质 | |
CN116188805B (zh) | 海量图像的图像内容分析方法、装置和图像信息网络 | |
CN110069974B (zh) | 高光图像处理方法、装置和电子设备 | |
CN110599554A (zh) | 人脸肤色的识别方法和装置、存储介质及电子装置 | |
CN110049242B (zh) | 一种图像处理方法和装置 | |
CN113421312A (zh) | 一种对黑白视频的着色方法、装置、存储介质及终端 | |
CN112950640A (zh) | 视频人像分割方法、装置、电子设备及存储介质 | |
CN112115292A (zh) | 图片搜索方法及装置、存储介质、电子装置 | |
CN112348910A (zh) | 获取图像的方法、装置、设备和计算机可读介质 | |
CN113610720A (zh) | 视频去噪方法及装置、计算机可读介质和电子设备 | |
CN114119964A (zh) | 一种网络训练的方法及装置、目标检测的方法及装置 | |
CN112489144A (zh) | 图像处理方法、图像处理装置、终端设备及存储介质 | |
CN113538304A (zh) | 图像增强模型的训练方法及装置、图像增强方法及装置 | |
CN109242750B (zh) | 图片签名方法、图片匹配方法、装置、设备及存储介质 | |
CN116614716A (zh) | 图像处理方法、图像处理装置、存储介质及电子设备 | |
CN112598074B (zh) | 图像处理方法及装置、计算机可读存储介质和电子设备 | |
CN111292247A (zh) | 图像处理方法和装置 | |
CN114821748A (zh) | 人脸识别方法、装置、电子设备及计算机存储介质 | |
CN114782249A (zh) | 一种图像的超分辨率重建方法、装置、设备以及存储介质 | |
CN113780286A (zh) | 对象识别方法及装置、存储介质、电子装置 | |
CN113453017A (zh) | 视频处理方法、装置、设备及计算机程序产品 |
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 |