CN116580218A - 一种控制方法、装置、设备及存储介质 - Google Patents

一种控制方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116580218A
CN116580218A CN202310559420.2A CN202310559420A CN116580218A CN 116580218 A CN116580218 A CN 116580218A CN 202310559420 A CN202310559420 A CN 202310559420A CN 116580218 A CN116580218 A CN 116580218A
Authority
CN
China
Prior art keywords
target
similarity
pixel point
pixel
pixel points
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
Application number
CN202310559420.2A
Other languages
English (en)
Inventor
谢泽宇
罗逍
赵德芳
陈薪宇
郑震
马欢
祁旭
祝铭含
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Faw Nanjing Technology Development Co ltd
FAW Group Corp
Original Assignee
Faw Nanjing Technology Development Co ltd
FAW Group Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Faw Nanjing Technology Development Co ltd, FAW Group Corp filed Critical Faw Nanjing Technology Development Co ltd
Priority to CN202310559420.2A priority Critical patent/CN116580218A/zh
Publication of CN116580218A publication Critical patent/CN116580218A/zh
Pending legal-status Critical Current

Links

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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像处理方法、装置、设备及存储介质。该方法包括：根据目标图像中每个像素点和其他像素点之间的目标相似度确定每个像素点对应的局部相似性密度；根据每个像素点对应的局部相似性密度对目标图像中的像素点进行筛选，得到目标聚类中心；根据所述目标聚类中心对所述目标图像进行分割处理，通过本发明的技术方案，能够提高图像分割准确度。

Description

一种控制方法、装置、设备及存储介质
技术领域
本发明实施例涉及车辆技术领域，尤其涉及一种控制方法、装置、设备及存储介质。
背景技术
智能网联汽车技术已大量使用在保障驾驶安全、简化出行和节能减排等方面，是今年来的研究热点之一。同时，计算机科学技术已渗透到汽车行业中以提升性能。其中，计算机视觉技术在驾驶员周边环境感知与理解中起到了至关重要的作用，其客观且精准的提示对驾驶员做出正确决策及合理计划具有较大帮助。为使周遭环境及目标姿势状态理解全面化，对驾驶外界环境的精准提取具有较大需求。
受外界自然因素影响，同一物体表面灰度分布具有不均匀性。并且，真实采集图像在传输中受电流影响，往往存在噪声，上述问题均会导致物体的不完美分割。传统的图像处理方法需人工手动确定聚类中心，由于分割结果与聚类中心强相关，因此人工手动确定聚类中心将会严重影响分割产物的精准度。
发明内容
本发明实施例提供一种图像处理方法、装置、设备及存储介质，能够提高图像分割准确度。
根据本发明的一方面，提供了一种图像处理方法，包括：
根据目标图像中每个像素点和其他像素点之间的目标相似度确定每个像素点对应的局部相似性密度；
根据每个像素点对应的局部相似性密度对目标图像中的像素点进行筛选，得到目标聚类中心；
根据所述目标聚类中心对所述目标图像进行分割处理。
根据本发明的另一方面，提供了一种图像处理装置，该图像处理装置包括：
局部相似性密度确定模块，用于根据目标图像中每个像素点和其他像素点之间的目标相似度确定每个像素点对应的局部相似性密度；
像素点筛选模块，用于根据每个像素点对应的局部相似性密度对目标图像中的像素点进行筛选，得到目标聚类中心；
图像分割处理模块，用于根据所述目标聚类中心对所述目标图像进行分割处理。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的图像处理方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的图像处理方法。
本发明实施例通过根据目标图像中每个像素点和其他像素点之间的目标相似度确定每个像素点对应的局部相似性密度；根据每个像素点对应的局部相似性密度对目标图像中的像素点进行筛选，得到目标聚类中心；根据所述目标聚类中心对所述目标图像进行分割处理，能够提高图像分割准确度。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例的技术方案，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发明的某些实施例，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是本发明实施例中的一种图像处理方法的流程图；
图2是本发明实施例中的一种图像处理装置的结构示意图；
图3是本发明实施例中的一种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发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明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，以便这里描述的本发明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。
可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
实施例一
图1为本发明实施例提供的一种图像处理方法的流程图，本实施例可适用于图像处理的情况，该方法可以由本发明实施例中的图像处理装置来执行，该装置可采用软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：
S110，根据目标图像中每个像素点和其他像素点之间的目标相似度确定每个像素点对应的局部相似性密度。
具体的，根据目标图像中每个像素点和其他像素点之间的目标相似度确定每个像素点对应的局部相似性密度的方式可以为：获取目标图像中每个像素点与其他像素点之间的距离相似度和灰度相似度；根据每个像素点与其他像素点之间的距离相似度和灰度相似度确定每个像素点与其他像素点之间的目标相似度，根据目标图像中每个像素点和其他像素点之间的目标相似度确定每个像素点对应的局部相似性密度。根据目标图像中每个像素点和其他像素点之间的目标相似度确定每个像素点对应的局部相似性密度的方式还可以为：获取标定参数，根据所述标定参数和标图像中每个像素点和其他像素点之间的目标相似度确定每个像素点对应的局部相似性密度。
S120，根据每个像素点对应的局部相似性密度对目标图像中的像素点进行筛选，得到目标聚类中心。
其中，所述目标像素点为目标图像中的像素点。
具体的，根据每个像素点对应的局部相似性密度对目标图像中的像素点进行筛选，得到目标聚类中心的方式可以为：将目标图像中局部相似性密度最大的像素点确定为目标像素点；获取像素点集合，其中，所述像素点集合包括：目标图像中除局部相似性密度最大的像素点以外的全部像素点；根据像素点集合中每个像素点和其他像素点之间的距离和像素点集合每个像素点对应的局部相似性密度对像素点集合进行筛选，得到目标像素点；根据所述目标像素点确定目标聚类中心。根据每个像素点对应的局部相似性密度对目标图像中的像素点进行筛选，得到目标聚类中心的方式还可以为：根据每个像素点对应的局部相似性密度确定初始聚类中心；获取初始聚类中心与其他像素点之间的目标相似度；获取目标图像中除初始聚类中心外的其他像素点到初始聚类中心中每个像素点的直觉模糊隶属度；根据直觉模糊隶属度对所述初始聚类中心进行更新，得到目标聚类中心。根据每个像素点对应的局部相似性密度对目标图像中的像素点进行筛选，得到目标聚类中心的方式还可以为：将目标图像中局部相似性密度最大的像素点确定为初始像素点；获取像素点集合，其中，所述像素点集合包括：目标图像中除局部相似性密度最大的像素点以外的全部像素点；根据像素点集合中每个像素点和其他像素点之间的距离和像素点集合每个像素点对应的局部相似性密度对像素点集合进行筛选，得到初始像素点；根据所述初始像素点确定初始聚类中心，获取初始聚类中心与其他像素点之间的目标相似度；获取目标图像中除初始聚类中心外的其他像素点到初始聚类中心的直觉模糊隶属度；根据直觉模糊隶属度对所述初始聚类中心进行更新，得到目标聚类中心。
S130，根据所述目标聚类中心对所述目标图像进行分割处理。
具体的，根据所述目标聚类中心对所述目标图像进行分割处理的方式可以为：获取直觉模糊隶属度，根据所述目标聚类中心和直觉模糊隶属度对所述目标图像进行分割处理。
可选的，在根据目标图像中每个像素点和其他像素点之间的目标相似度确定每个像素点对应的局部相似性密度之前，还包括：
获取目标图像中每个像素点与其他像素点之间的距离相似度和灰度相似度；
根据每个像素点与其他像素点之间的距离相似度和灰度相似度确定每个像素点与其他像素点之间的目标相似度。
具体的，获取目标图像中每个像素点与其他像素点之间的距离相似度的方式可以为：根据目标图像中每个像素点与其他像素点之间的距离确定目标图像中每个像素点与其他像素点之间的距离相似度，例如可以是，获取第一自适应参数，根据所述第一自适应参数和所述目标图像中每个像素点与其他像素点之间的距离确定目标图像中每个像素点与其他像素点之间的距离相似度。
具体的，获取目标图像中每个像素点与其他像素点之间的灰度相似度的方式可以为：获取目标图像中每个像素点与其他像素点之间的灰度值的差值，根据目标图像中每个像素点与其他像素点之间的灰度值的差值确定目标图像中每个像素点与其他像素点之间的灰度相似度。例如可以是，获取第二自适应参数，根据所述第二自适应参数和所述目标图像中每个像素点与其他像素点之间的灰度值的差值确定目标图像中每个像素点与其他像素点之间的灰度相似度。
具体的，根据每个像素点与其他像素点之间的距离相似度和灰度相似度确定每个像素点与其他像素点之间的目标相似度的方式可以为：将每个像素点与其他像素点之间的距离相似度和灰度相似度的乘积确定为每个像素点与其他像素点之间的目标相似度。
可选的，根据目标图像中每个像素点和其他像素点之间的目标相似度确定每个像素点对应的局部相似性密度，包括：
获取标定参数；
根据所述标定参数和目标图像中每个像素点和其他像素点之间的目标相似度确定每个像素点对应的局部相似性密度。
其中，所述标定参数可以为预先设定的常量，例如可以是，基于如下公式确定每个像素点对应的局部相似性密度：
其中，ρi为每个像素点对应的局部相似性密度，Sim||xi,xj||为目标图像中每个像素点和其他像素点之间的目标相似度，Simc为标定参数。
可选的，根据每个像素点对应的局部相似性密度对目标图像中的像素点进行筛选，得到目标聚类中心，包括：
将目标图像中局部相似性密度最大的像素点确定为目标像素点；
获取像素点集合，其中，所述像素点集合包括：目标图像中除局部相似性密度最大的像素点以外的全部像素点；
根据像素点集合中每个像素点和其他像素点之间的距离和像素点集合每个像素点对应的局部相似性密度对像素点集合进行筛选，得到目标像素点；
根据所述目标像素点确定目标聚类中心。
具体的，将目标图像中局部相似性密度最大的像素点确定为目标像素点的方式可以为：按照目标图像中每个像素点的局部相似性密度从大到小的顺序对目标图像中的像素点进行排序，得到像素点列表，将像素点列表中的首个像素点确定为目标像素点。
具体的，获取像素点集合的方式可以为：获取目标图像中除除局部相似性密度最大的像素点以外的全部像素点，根据目标图像中除除局部相似性密度最大的像素点以外的全部像素点生成像素点集合。
具体的，根据像素点集合中每个像素点和其他像素点之间的距离和像素点集合每个像素点对应的局部相似性密度对像素点集合进行筛选，得到目标像素点的方式可以为：将像素点集合中局部相似性密度大于密度阈值，且与其他像素点之间的距离大于距离阈值的像素点确定为目标像素点。
具体的，根据所述目标像素点确定目标聚类中心的方式可以为：根据目标像素点生成目标聚类中心。根据所述目标像素点确定目标聚类中心的方式还可以为：根据所述目标像素点确定初始聚类中心，获初始聚类中心与其他像素点之间的目标相似度；获取目标图像中除初始聚类中心外的其他像素点到初始聚类中心中每个像素点的直觉模糊隶属度；根据直觉模糊隶属度和所述目标相似度对所述初始聚类中心进行更新，得到目标聚类中心。
可选的，根据每个像素点对应的局部相似性密度对目标图像中的像素点进行筛选，得到目标聚类中心，包括：
根据每个像素点对应的局部相似性密度确定初始聚类中心；
获取所述初始聚类中心与其他像素点之间的目标相似度；
获取目标图像中除初始聚类中心外的其他像素点到初始聚类中心的直觉模糊隶属度；
根据直觉模糊隶属度和所述目标相似度对所述初始聚类中心进行更新，得到目标聚类中心。
具体的，根据每个像素点对应的局部相似性密度确定初始聚类中心的方式可以为：将目标图像中局部相似性密度最大的像素点确定为初始像素点；获取像素点集合，其中，所述像素点集合包括：目标图像中除局部相似性密度最大的像素点以外的全部像素点；根据像素点集合中每个像素点和其他像素点之间的距离和像素点集合每个像素点对应的局部相似性密度对像素点集合进行筛选，得到初始像素点；根据所述初始像素点确定初始聚类中心。
具体的，获取所述初始聚类中心与其他像素点之间的目标相似度的方式可以为：获取初始聚类中心与其他像素点之间的距离相似度和灰度相似度；根据所述目标图像中初始聚类中心集合中的每个像素点与其他像素点之间的距离相似度和灰度相似度确定目标图像中初始聚类中心集合中的每个像素点与其他像素点之间的目标相似度。
具体的，根据直觉模糊隶属度和所述目标相似度对所述初始聚类中心进行更新，得到目标聚类中心的方式可以为：根据直觉模糊隶属度和所述目标相似度确定目标函数；基于所述目标函数对所述直觉模糊隶属度进行更新；根据更新后的直觉模糊隶属度对所述初始聚类中心进行更新，得到目标聚类中心。
可选的，获取所述初始聚类中心与其他像素点之间的目标相似度，包括：
获取初始聚类中心与其他像素点之间的距离相似度和灰度相似度；
根据所述初始聚类中心与其他像素点之间的距离相似度和灰度相似度确定初始聚类与其他像素点之间的目标相似度。
具体的，获取初始聚类中心与其他像素点之间的距离相似度的方式可以为：根据初始聚类中心与其他像素点之间的距离确定初始聚类中心与其他像素点之间的距离相似度，例如可以是，获取第一自适应参数，根据第一自适应参数和初始聚类中心与其他像素点之间的距离确定初始聚类中心与其他像素点之间的距离相似度。
具体的，根据初始聚类中心与其他像素点之间的距离相似度和灰度相似度确定初始聚类中心与其他像素点之间的目标相似度的方式可以为：将初始聚类中心与其他像素点之间的距离相似度和灰度相似度的乘积确定为初始聚类中心与其他像素点之间的目标相似度。
可选的，根据直觉模糊隶属度和所述目标相似度对所述初始聚类中心进行更新，得到目标聚类中心，包括：
根据直觉模糊隶属度和所述目标相似度确定目标函数；
基于所述目标函数对所述直觉模糊隶属度进行更新；
根据更新后的直觉模糊隶属度对所述初始聚类中心进行更新，得到目标聚类中心。
具体的，根据直觉模糊隶属度和所述目标相似度确定目标函数的方式可以为：根据每个初始聚类中心与其他像素点之间的距离相似度和灰度相似度确定每个初始聚类中心与其他像素点之间的目标相似度；获取其他像素点到初始聚类中心的直觉模糊隶属度；根据每个初始聚类中心与其他像素点之间目标相似度和其他像素点到初始聚类中心的直觉模糊隶属度确定相似性参数；根据所述其他像素点到初始聚类中心的直觉模糊隶属度、相似性参数以及犹豫程度确定目标函数。
具体的，基于所述目标函数对所述直觉模糊隶属度进行更新的方式可以为：根据所述目标函数对其他像素点到聚类中心的直觉模糊隶属度进行更新，得到更新后的其他像素点到聚类中心的直觉模糊隶属度。基于所述目标函数对所述直觉模糊隶属度进行更新的方式还可以为：根据所述目标函数确定隶属度更新函数，基于隶属度更新函数对其他像素点到聚类中心的直觉模糊隶属度进行更新，得到更新后的其他像素点到聚类中心的直觉模糊隶属度。
具体的，根据更新后的直觉模糊隶属度对所述初始聚类中心进行更新，得到目标聚类中心的方式可以为：根据所述目标函数确定聚类中心更新函数，将更新后的直觉模糊隶属度代入聚类中心更新函数，得到目标聚类中心。
本实施例的技术方案，通过根据目标图像中每个像素点和其他像素点之间的目标相似度确定每个像素点对应的局部相似性密度；根据每个像素点对应的局部相似性密度对目标图像中的像素点进行筛选，得到目标聚类中心；根据所述目标聚类中心对所述目标图像进行分割处理，能够提高图像分割准确度。
实施例二
图2为本发明实施例提供的一种图像处理装置的结构示意图。本实施例可适用于图像处理的情况，该装置可采用软件和/或硬件的方式实现，该装置可集成在任何提供图像处理功能的设备中，如图2所示，所述图像处理装置具体包括：局部相似性密度确定模块210、像素点筛选模块220和图像分割处理模块230。
其中，局部相似性密度确定模块，用于根据目标图像中每个像素点和其他像素点之间的目标相似度确定每个像素点对应的局部相似性密度；
像素点筛选模块，用于根据每个像素点对应的局部相似性密度对目标图像中的像素点进行筛选，得到目标聚类中心；
图像分割处理模块，用于根据所述目标聚类中心对所述目标图像进行分割处理。
上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
实施例三
图3示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图3所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如图像处理方法。
在一些实施例中，图像处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的图像处理方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种图像处理方法，其特征在于，包括：
根据目标图像中每个像素点和其他像素点之间的目标相似度确定每个像素点对应的局部相似性密度；
根据每个像素点对应的局部相似性密度对目标图像中的像素点进行筛选，得到目标聚类中心；
根据所述目标聚类中心对所述目标图像进行分割处理。
2.根据权利要求1所述的方法，其特征在于，在根据目标图像中每个像素点和其他像素点之间的目标相似度确定每个像素点对应的局部相似性密度之前，还包括：
获取目标图像中每个像素点与其他像素点之间的距离相似度和灰度相似度；
根据每个像素点与其他像素点之间的距离相似度和灰度相似度确定每个像素点与其他像素点之间的目标相似度。
3.根据权利要求1所述的方法，其特征在于，根据目标图像中每个像素点和其他像素点之间的目标相似度确定每个像素点对应的局部相似性密度，包括：
获取标定参数；
根据所述标定参数和目标图像中每个像素点和其他像素点之间的目标相似度确定每个像素点对应的局部相似性密度。
4.根据权利要求1所述的方法，其特征在于，根据每个像素点对应的局部相似性密度对目标图像中的像素点进行筛选，得到目标聚类中心，包括：
将目标图像中局部相似性密度最大的像素点确定为目标像素点；
获取像素点集合，其中，所述像素点集合包括：目标图像中除局部相似性密度最大的像素点以外的全部像素点；
根据像素点集合中每个像素点和其他像素点之间的距离和像素点集合每个像素点对应的局部相似性密度对像素点集合进行筛选，得到目标像素点；
根据所述目标像素点确定目标聚类中心。
5.根据权利要求1所述的方法，其特征在于，根据每个像素点对应的局部相似性密度对目标图像中的像素点进行筛选，得到目标聚类中心，包括：
根据每个像素点对应的局部相似性密度确定初始聚类中心；
获取所述初始聚类中心与其他像素点之间的目标相似度；
获取目标图像中除初始聚类中心外的其他像素点到初始聚类中心的直觉模糊隶属度；
根据直觉模糊隶属度和所述目标相似度对所述初始聚类中心进行更新，得到目标聚类中心。
6.根据权利要求5所述的方法，其特征在于，获取所述初始聚类中心与其他像素点之间的目标相似度，包括：
获取初始聚类中心与其他像素点之间的距离相似度和灰度相似度；
根据所述初始聚类中心与其他像素点之间的距离相似度和灰度相似度确定初始聚类与其他像素点之间的目标相似度。
7.根据权利要求5所述的方法，其特征在于，根据直觉模糊隶属度和所述目标相似度对所述初始聚类中心进行更新，得到目标聚类中心，包括：
根据直觉模糊隶属度和所述目标相似度确定目标函数；
基于所述目标函数对所述直觉模糊隶属度进行更新；
根据更新后的直觉模糊隶属度对所述初始聚类中心进行更新，得到目标聚类中心。
8.一种图像处理装置，其特征在于，包括：
局部相似性密度确定模块，用于根据目标图像中每个像素点和其他像素点之间的目标相似度确定每个像素点对应的局部相似性密度；
像素点筛选模块，用于根据每个像素点对应的局部相似性密度对目标图像中的像素点进行筛选，得到目标聚类中心；
图像分割处理模块，用于根据所述目标聚类中心对所述目标图像进行分割处理。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的图像处理方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的图像处理方法。
CN202310559420.2A 2023-05-17 2023-05-17 一种控制方法、装置、设备及存储介质 Pending CN116580218A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310559420.2A CN116580218A (zh) 2023-05-17 2023-05-17 一种控制方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310559420.2A CN116580218A (zh) 2023-05-17 2023-05-17 一种控制方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116580218A true CN116580218A (zh) 2023-08-11

Family

ID=87544958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310559420.2A Pending CN116580218A (zh) 2023-05-17 2023-05-17 一种控制方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116580218A (zh)

Similar Documents

Publication Publication Date Title
CN112488060B (zh) 目标检测方法、装置、设备和介质
CN116740355A (zh) 自动驾驶图像的分割方法、装置、设备及存储介质
CN113657249B (zh) 训练方法、预测方法、装置、电子设备以及存储介质
CN113177497B (zh) 视觉模型的训练方法、车辆识别方法及装置
CN113902899A (zh) 训练方法、目标检测方法、装置、电子设备以及存储介质
CN112016523B (zh) 跨模态人脸识别的方法、装置、设备和存储介质
CN113642710A (zh) 一种网络模型的量化方法、装置、设备和存储介质
CN117474091A (zh) 一种知识图谱构建方法、装置、设备及存储介质
CN116012859A (zh) 基于清晰度指标的文本图像拒识判断方法、装置及设备
CN114677566B (zh) 深度学习模型的训练方法、对象识别方法和装置
CN116580218A (zh) 一种控制方法、装置、设备及存储介质
CN114581711A (zh) 目标对象检测方法、装置、设备、存储介质以及程序产品
CN114119990A (zh) 用于图像特征点匹配的方法、装置及计算机程序产品
CN113032071A (zh) 页面元素定位方法、页面测试方法、装置、设备和介质
CN116596941A (zh) 一种图像分割方法、装置、设备及存储介质
CN116503407B (zh) 图像中异物区域的检测方法、装置及电子设备
CN116597209A (zh) 一种图像分类方法、装置、设备及存储介质
CN113221999B (zh) 图片标注的正确率获取方法、装置和电子设备
CN115467753B (zh) 一种发动机参数调整方法、装置、电子设备及存储介质
CN113870142B (zh) 用于增强图像对比度的方法、装置
CN114926447B (zh) 用于训练模型的方法、用于检测目标的方法和装置
CN114694138B (zh) 一种应用于智能驾驶的路面检测方法、装置及设备
US20220222868A1 (en) Method for processing point cloud data, electronic device and storage medium
CN115620015A (zh) 数据处理方法、装置、电子设备以及存储介质
CN116703963A (zh) 一种ar跟踪方法、装置、ar设备及存储介质

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