CN117115468B - 基于人工智能的图像识别方法及系统 - Google Patents

基于人工智能的图像识别方法及系统 Download PDF

Info

Publication number
CN117115468B
CN117115468B CN202311356834.1A CN202311356834A CN117115468B CN 117115468 B CN117115468 B CN 117115468B CN 202311356834 A CN202311356834 A CN 202311356834A CN 117115468 B CN117115468 B CN 117115468B
Authority
CN
China
Prior art keywords
image
layer
degree
image layer
pixel point
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
Application number
CN202311356834.1A
Other languages
English (en)
Other versions
CN117115468A (zh
Inventor
李竹君
袁林
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.)
Qilu University of Technology
Original Assignee
Qilu University of Technology
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 Qilu University of Technology filed Critical Qilu University of Technology
Priority to CN202311356834.1A priority Critical patent/CN117115468B/zh
Publication of CN117115468A publication Critical patent/CN117115468A/zh
Application granted granted Critical
Publication of CN117115468B publication Critical patent/CN117115468B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/40—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
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及基于人工智能的图像识别方法及系统，包括：采集若干预处理图像；获取预处理图像的二值图像以及若干比特层，根据每个比特层与二值图像得到不可信度；根据不可信度得到干特征图像层；根据不可信度以及特征图像层得到输出可变程度；获取灰度变化量以及邻域灰度差；获取比特值，根据灰度变化量、邻域灰度差以及比特值得到特征表达程度；根据特征表达程度以及输出可变程度得到特征保留程度；根据特征保留程度进行图像识别得到识别目标。本发明在原图的对比度较低的基础上，减少了细节特征的丢失，提高了图像识别的准确性。

Description

基于人工智能的图像识别方法及系统
技术领域
本发明涉及图像处理技术领域，具体涉及基于人工智能的图像识别方法及系统。
背景技术
在智能系统对图像进行智能分析之前，首先需要对图像进行智能识别，而比特分层可以将原图分为若干分层后的图像，每个比特层表现的细节特征都不相同，通过选取细节特征表现完整的图像层，对其图像层的图像数据进行识别分割，完成对图像的智能识别。
但若原图的对比度较低时，那么在对图像进行比特分层后，获取的每个比特层会因原图对比度较低，导致每个比特层之间的特征差异减小，使原本细节特征表现较好的图像层丢失过多细节特征，从而干扰图像识别的准确性。
发明内容
本发明提供基于人工智能的图像识别方法及系统，以解决现有的问题：原图的对比度较低时，获取的每个比特层会因原图对比度较低，导致每个比特层之间的特征差异减小，使原本细节特征表现较好的图像层丢失过多细节特征。
本发明的基于人工智能的图像识别方法及系统采用如下技术方案：
本发明一个实施例提供了基于人工智能的图像识别方法，该方法包括以下步骤：
采集若干预处理图像；
对预处理图像进行阈值分割得到二值图像，对预处理图像进行比特分层得到若干比特层，根据每个比特层与二值图像之间的灰度值差异得到每个比特层的不可信度；根据不可信度得到每张预处理图像的若干特征图像层；
根据不可信度以及特征图像层得到每个特征图像层的输出可变程度；获取每个特征图像层的灰度变化量，获取每个特征图像层内每个像素点的邻域灰度差；获取每个特征图像层内每个像素点的比特值，根据灰度变化量、邻域灰度差以及比特值得到每个特征图像层内每个像素点的特征表达程度；
根据特征表达程度以及输出可变程度得到每个特征图像层内每个像素点的特征保留程度；根据特征保留程度进行图像识别得到识别目标。
优选的，所述根据每个比特层与二值图像之间的灰度值差异得到每个比特层的不可信度，包括的具体方法为：
将任意一个比特层记为目标图像层，式中，表示目标图像层的初始不可信度；/>表示目标图像层的特征可信度；/>表示目标图像层中像素点的数量；/>表示目标图像层中第/>个像素点的灰度值；/>表示二值图像中像素点的数量；/>表示二值图像中第/>个像素点的灰度值；/>表示取绝对值；获取每个比特层的初始不可信度，对每个比特层的初始不可信度进行线性归一化，将归一化后每个比特层的初始不可信度记为不可信度。
优选的，所述根据不可信度得到每张预处理图像的若干特征图像层，包括的具体方法为：
将预设的不可信度阈值记为T3，将任意一个比特层记为第二图像层，若第二图像层的不可信度小于T3，将第二图像层记为特征图像层；若第二图像层的不可信度大于等于T3，将不对第二图像层做任何处理；
获取每张预处理图像的若干特征图像层。
优选的，所述根据不可信度以及特征图像层得到每个特征图像层的输出可变程度，包括的具体方法为：
对于任意一个特征图像层，式中，表示特征图像层的输出可变程度；/>表示特征图像层的不可信度；/>表示在若干比特层中，特征图像层所在的层数；
获取每个特征图像层的输出可变程度。
优选的，所述获取每个特征图像层的灰度变化量，包括的具体方法为：
对于任意一张预处理图像的任意一个特征图像层，所述任意一个特征图像层对应若干灰度值变化范围，将任意一个灰度值变化范围的长度记为特征图像层的灰度变化量；
获取每个特征图像层的灰度变化量。
优选的，所述获取每个特征图像层内每个像素点的邻域灰度差，包括的具体方法为：
将任意一张预处理图像的任意一个特征图像层内任意一个像素点记为目标像素点，式中，表示目标像素点的邻域灰度差；/>表示目标像素点的八邻域内像素点的数量；表示在目标像素点的八邻域内，第/>个像素点在预处理图像内的灰度值；/>表示目标像素点在预处理图像内的灰度值；||表示取绝对值；
获取每个特征图像层内每个像素点的邻域灰度差。
优选的，所述根据灰度变化量、邻域灰度差以及比特值得到每个特征图像层内每个像素点的特征表达程度，包括的具体方法为：
对于任意一个特征图像层内任意一个像素点，式中，表示像素点的对照比特值；表示像素点的邻域灰度差；/>表示像素点所属特征图像层的灰度变化量；
获取每个特征图像层内每个像素点的对照比特值；
对于任意一个特征图像层内任意一个像素点，式中，表示像素点的特征表达程度；/>表示像素点的对照比特值；/>表示像素点的比特值；/>表示取绝对值；/>表示以自然常数为底的指数函数；
获取每个特征图像层内每个像素点的特征表达程度。
优选的，所述根据特征表达程度以及输出可变程度得到每个特征图像层内每个像素点的特征保留程度，包括的具体方法为：
对于任意一个特征图像层内任意一个像素点，式中，表示像素点的特征保留程度；/>表示像素点的特征表达程度；/>表示像素点所属特征图像层的输出可变程度；
获取每个特征图像层内每个像素点的特征保留程度。
优选的，所述根据特征保留程度进行图像识别得到识别目标，包括的具体方法为：
对于任意一张预处理图像的任意一个特征图像层，将特征图像层内所有像素点的特征保留程度的累加和记为特征图像层的保留选取程度；获取每个特征图像层的保留选取程度，将保留选取程度最大的特征图像层记为最终特征图像层；将预设的特征保留程度阈值记为T4；
将最终特征图像层的任意一个像素点记为结果像素点，若结果像素点的特征保留程度大于等于T4，将结果像素点在所属的最终特征图像层的比特值取反；若结果像素点的特征保留程度小于T4，不对结果像素点在所属的最终特征图像层的比特值进行任何处理；获取预处理图像调整后的最终特征图像层；
获取每张预处理图像调整后的最终特征图像层；
对于任意一张预处理图像，将预处理图像调整后的最终特征图像层输入到神经网络中得到识别目标；
获取每张预处理图像的识别目标。
本发明的实施例提供了基于人工智能的图像识别系统，该系统包括预处理图像采集模块、特征图像层获取模块、特征表达程度以及输出可变程度获取模块以及图像识别模块，其中：
预处理图像采集模块，用于采集若干预处理图像；
特征图像层获取模块，用于对预处理图像进行阈值分割得到二值图像，对预处理图像进行比特分层得到若干比特层，根据每个比特层与二值图像之间的灰度值差异得到每个比特层的不可信度；根据不可信度得到每张预处理图像的若干特征图像层；
特征表达程度以及输出可变程度获取模块，用于根据不可信度以及特征图像层得到每个特征图像层的输出可变程度；获取每个特征图像层的灰度变化量，获取每个特征图像层内每个像素点的邻域灰度差；获取每个特征图像层内每个像素点的比特值，根据灰度变化量、邻域灰度差以及比特值得到每个特征图像层内每个像素点的特征表达程度；
图像识别模块，用于根据特征表达程度以及输出可变程度得到每个特征图像层内每个像素点的特征保留程度；根据特征保留程度进行图像识别得到识别目标。
本发明的技术方案的有益效果是：获取二值图像以及若干比特层，根据每个比特层与二值图像得到每个比特层的不可信度，根据不可信度得到若干特征图像层，根据不可信度以及特征图像层得到每个特征图像层的输出可变程度，以及每个特征图像层内每个像素点的特征表达程度，根据输出可变程度以及特征表达程度得到特征保留程度，根据特征保留程度进行图像识别得到识别目标；相较于现有技术由于原图的对比度较低，导致原本细节特征表现较好的图像层丢失过多细节特征；在原图的对比度较低的基础上，使原本细节特征表现较好的图像层保留了更多的细节特征，减少了细节特征的丢失，提高了图像识别的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本发明的基于人工智能的图像识别方法的步骤流程图；
图2为本发明的基于人工智能的图像识别系统的结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于人工智能的图像识别方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于人工智能的图像识别方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于人工智能的图像识别方法的步骤流程图，该方法包括以下步骤：
步骤S001：采集若干预处理图像。
需要说明的是，原图的对比度较低时，在对图像进行传统的比特分层后，获取的每个比特层会因原图对比度较低，导致每个比特层之间的特征差异减小，使原本细节特征表现较好的图像层丢失过多细节特征，从而干扰图像识别的准确性。为此，本实施例提出了一种基于人工智能的图像识别方法。
具体的，为了实现本实施例提出的基于人工智能的图像识别方法，首先需要采集对比度较低的图像，本实施例并不针对某一种对比度较低的图像，以夜间监控图像这一种图像为例进行叙述，具体过程为：获取近三天的夜间监控视频，每隔一分钟输出一帧夜间监控图像，获取若干夜间监控图像；对每张夜间监控图像进行灰度化处理，得到若干灰度图像；对每张灰度图像进行直方图均衡化处理，得到若干预处理图像。
至此，通过上述方法得到若干预处理图像。
步骤S002：对预处理图像进行阈值分割得到二值图像，对预处理图像进行比特分层得到若干比特层，根据每个比特层与二值图像之间的灰度值差异得到每个比特层的不可信度；根据不可信度得到每张预处理图像的若干特征图像层。
需要说明的是，在预处理图像经比特分层后获取的每个比特层中，同一个像素点在每个比特层中的比特值都不同，由于每个比特层是通过若干像素点的比特值分布来表示细节特征，因此同一个像素点在每个比特层中的细节特征也不同；对于预处理图像而言，由于存在识别目标，所以在预处理图像中，存在一部分像素点拥有较高的特征表现力，而这部分像素点就是需要识别确定的图像部分；所以会存在某一个比特层使这部分像素点的细节特征最多，这个比特层就是最佳的图像层，以便后续分析操作。
进一步需要说明的是，传统的比特分层是将每个像素点的灰度值分解为若干比特位，每个比特位对应的高低位顺序不同，且每个比特位为二进制数，然后根据比特位构成的若干比特值构建若干比特层，从而得到若干比特层；相应的，对于越处于高层的图像，其图像细节特征的保留程度越高，在原图像中对应的区域越能表示识别目标的边缘部分。由于识别目标的边缘部分通常与周围区域的灰度值差异较大，灰度值跨度较大；所以对于比特位而言，只有处于较高位的比特位的变化，才会使对应转换的十进制灰度值的跨度才会较大。
具体的，预设两个特征可信度数值T1、T2，其中本实施例以T1=1、T2=5为例进行叙述，本实施例不进行具体限定，其中T1、T2可根据具体实施情况而定；以任意一张预处理图像为例，利用大津法对该预处理图像进行分割得到二值图像；对该预处理图像进行比特分层得到8比特层，前5比特层的特征可信度预设为T1，将后3比特层的特征可信度预设为T2；其中，利用比特分层得到8比特层是比特分层的公知内容，大津法与比特分层是公知技术，本实施例不进行叙述。另外需要说明的是，利用比特分层得到8比特层是有固定的排序规则。
进一步的，以任意一个比特层为例，根据该比特层与二值图像之间的灰度值差异以及该比特层的特征可信度，得到该比特层的初始不可信度；其中该比特层的初始不可信度的计算方法为：
式中，表示该比特层的初始不可信度；/>表示该比特层的特征可信度；/>表示该比特层中像素点的数量；/>表示该比特层中第/>个像素点的灰度值；/>表示二值图像中像素点的数量；/>表示二值图像中第/>个像素点的灰度值；/>表示取绝对值；/>表示该比特层与二值图像之间的灰度值差异。获取每个比特层的初始不可信度，对每个比特层的初始不可信度进行线性归一化，将归一化后每个比特层的初始不可信度记为不可信度。其中该比特层的初始不可信度越小，说明该比特层与二值图像的灰度跨度越小，该比特层保留的细节特征越多，反映该比特层越能代表该预处理图像。
进一步的，预设一个不可信度阈值T3，其中本实施例以T3=0.6为例进行叙述，本实施例不进行具体限定，其中T3可根据具体实施情况而定；以任意一个比特层为例，若该比特层的不可信度小于不可信度阈值T3，将该比特层记为特征图像层；若该比特层的不可信度大于等于不可信度阈值T3，将不对该比特层做任何处理；获取该预处理图像的所有特征图像层；获取每张预处理图像的所有特征图像层。其中每张预处理图像对应一个特征图像层序列。
至此，通过上述方法得到每张预处理图像的所有特征图像层。
步骤S003：根据不可信度以及特征图像层得到每个特征图像层的输出可变程度；获取每个特征图像层的灰度变化量，获取每个特征图像层内每个像素点的邻域灰度差；获取每个特征图像层内每个像素点的比特值，根据灰度变化量、邻域灰度差以及比特值得到每个特征图像层内每个像素点的特征表达程度。
需要说明的是，对于不可信度较低的特征图像层而言，虽然保留的细节特征相对较多，但保留的细节特征不仅有识别目标的细节特征，还有其他干扰物体的细节特征，因此对于不可信度较低的特征图像层而言，可能并不能很好地将识别目标的细节特征明显表示出来，并且修改比特值的代价较大；为此，本实施例通过分析每个特征图像层的输出可变程度，调整输出可变程度低的特征图像层的若干比特值。
具体的，任意一张预处理图像的任意一个特征图像层为例，根据该特征图像层的不可信度得到该特征图像层的输出可变程度；其中该特征图像层的输出可变程度的计算方法为：
式中，表示特征图像层的输出可变程度；/>表示特征图像层的不可信度；/>表示在若干比特层中，特征图像层所在的层数。获取所有特征图像层的输出可变程度。其中若该特征图像层的输出可变程度越大，说明该特征图像层中识别目标的细节特征保留较多，其他干扰物体的细节特征保留较少，修改该特征图像层的代价越小，反映该特征图像层越能将识别目标的细节特征明显表示出来。
进一步的，以该预处理图像的任意一个特征图像层为例，获取该特征图像层的若干个灰度变化范围，以任意一个灰度值变化范围为例，将该灰度值变化范围的长度记为该特征图像层的灰度变化量。例如：在处于第7个比特层的特征图像层中，比特值为0对应的8位二进制数变化范围为[00000000,00111111]、[10000000,10111111],对应的灰度变化范围为[0,63]、[128,191]；比特值为1对应的8位二进制数变化范围为[01000000,01111111]、[11000000,11111111],对应的灰度变化范围为[64,127]、[192,255]；因此处于第7个比特层的特征图像层的灰度变化范围共有[0,63]、[64,127]、[128,191]、[192,255]这四个，而这四个灰度变化范围的长度都是64，所以处于第7比特层的灰度变化量为64。其中同一个特征图像层的每种灰度值变化范围的长度均一致；特征图像层的若干种灰度变化范围的获取是比特分层的公知内容，本实施例不进行叙述。
进一步的，以该特征图像层内任意一个像素点为例，根据该像素点与其八邻域的像素点的灰度差值得到该像素点的邻域灰度差；其中该像素点的邻域灰度差的计算方法为：
式中，式中，表示目标像素点的邻域灰度差；/>表示目标像素点的八邻域内像素点的数量；/>表示在目标像素点的八邻域内，第/>个像素点在预处理图像内的灰度值；/>表示目标像素点在预处理图像内的灰度值；||表示取绝对值。其中若该像素点的邻域灰度差越大，说明该像素点越需要修改灰度值，反映该像素点越能代表识别目标的细节特征。
进一步的，根据该像素点的邻域灰度差以及所属特征图像层的灰度变化量，得到该像素点的对照比特值；其中该像素点的对照比特值的计算方法为：
式中，表示该像素点的对照比特值；/>表示该像素点的邻域灰度差；/>表示该像素点所属特征图像层的灰度变化量。
进一步的，根据该像素点的对照比特值以及比特值得到该像素点的特征表达程度；其中该像素点的特征表达程度的计算方法为：
式中，表示该像素点的特征表达程度；/>表示该像素点的对照比特值；/>表示该像素点的比特值；/>表示取绝对值；/>表示以自然常数为底的指数函数；实施例采用函数来呈现反比例关系及归一化处理，实施者可根据实际情况选择反比例函数及归一化函数。获取该特征图像层内所有像素点的特征表达程度；获取每个特征图像层内所有像素点的特征表达程度。其中若该像素点的特征表达程度越大，说明该像素点的对照比特值与比特值之间的差异越小，该像素点在所属特征图像层中越不需要修改，反映该像素点在所属特征图像层中表示识别目标的细节特征的程度越高。
至此，通过上述方法得到获取每个特征图像层内所有像素点的特征表达程度，以及每个特征图像层的输出可变程度。
步骤S004：根据特征表达程度以及输出可变程度得到每个特征图像层内每个像素点的特征保留程度；根据特征保留程度进行图像识别得到识别目标。
具体的，以任意一个特征图像层内任意一个像素点为例，根据该像素点的特征表达程度以及所属特征图像层的输出可变程度，得到该像素点的特征保留程度；其中该像素点的特征保留程度的计算方法为：
式中，表示该像素点的特征保留程度；/>表示该像素点的特征表达程度；/>表示该像素点所属特征图像层的输出可变程度。其中若该像素点的特征保留程度越大，说明该像素点保留的细节特征越有干扰，反映该像素点越需要调整在所属特征图像层的比特值。
进一步的，以任意一个特征图像层为例，将该层特征图像层中所有像素点的特征保留程度的累加和记为该层特征图像层的保留选取程度；获取每个特征图像层的保留选取程度，将保留选取程度最大的特征图像层记为最终特征图像层；预设一个特征保留程度阈值T4，其中本实施例以T4=0.5为例进行叙述，本实施例不进行具体限定，其中T4可根据具体实施情况而定；以最终特征图像层的任意一个像素点为例，若该像素点的特征保留程度大于等于特征保留程度阈值T4，将该像素点在所属特征图像层的比特值取反；若该像素点的特征保留程度小于特征保留程度阈值T4，不对该像素点在所属特征图像层的比特值进行任何处理；以此类推，对最终特征图像层内每个像素点的比特值进行判断调整；获取该预处理图像调整后的最终特征图像层；获取每张预处理图像调整后的最终特征图像层。需要说明的是，比特值是二进制数，只能取0或1；若比特值为0，比特值取反结果是1；若比特值为1，比特值取反结果是0。
进一步的，以任意一张预处理图像为例，将该预处理图像调整后的最终特征图像层输入到训练好的神经网络中得到识别目标；获取每张预处理图像的识别目标。
其中神经网络的输入是该预处理图像调整后的最终特征图像层，输出是该预处理图像的识别目标；神经网络结构是DeepLabV3结构，损失函数是交叉熵损失函数，训练用的数据集为所有预处理图像调整后的最终特征图像层。
神经网络的训练过程为：获取数据集，利用数据集训练神经网络，损失函数为交叉熵损失函数，具体训练过程和网络结构是神经网络的公知内容，本实施例不进行叙述。
通过以上步骤，完成人工智能的图像识别。
请参阅图2，其示出了本发明一个实施例提供的基于人工智能的图像识别系统的结构框图，该系统包括以下模块：
预处理图像采集模块，用于采集若干预处理图像；
特征图像层获取模块，用于对预处理图像进行阈值分割得到二值图像，对预处理图像进行比特分层得到若干比特层，根据每个比特层与二值图像之间的灰度值差异得到每个比特层的不可信度；根据不可信度得到每张预处理图像的若干特征图像层；
特征表达程度以及输出可变程度获取模块，用于根据不可信度以及特征图像层得到每个特征图像层的输出可变程度；获取每个特征图像层的灰度变化量，获取每个特征图像层内每个像素点的邻域灰度差；获取每个特征图像层内每个像素点的比特值，根据灰度变化量、邻域灰度差以及比特值得到每个特征图像层内每个像素点的特征表达程度；
图像识别模块，用于根据特征表达程度以及输出可变程度得到每个特征图像层内每个像素点的特征保留程度；根据特征保留程度进行图像识别得到识别目标。
本实施例获取二值图像以及若干比特层，根据每个比特层与二值图像得到每个比特层的不可信度，根据不可信度得到若干特征图像层，根据不可信度以及特征图像层得到每个特征图像层的输出可变程度，以及每个特征图像层内每个像素点的特征表达程度，根据输出可变程度以及特征表达程度得到特征保留程度，根据特征保留程度进行图像识别得到识别目标；相较于现有技术由于原图的对比度较低，导致原本细节特征表现较好的图像层丢失过多细节特征；在原图的对比度较低的基础上，使原本细节特征表现较好的图像层保留了更多的细节特征，减少了细节特征的丢失，提高了图像识别的准确性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于人工智能的图像识别方法，其特征在于，该方法包括以下步骤：
采集若干预处理图像；
对预处理图像进行阈值分割得到二值图像，对预处理图像进行比特分层得到若干比特层，根据每个比特层与二值图像之间的灰度值差异得到每个比特层的不可信度：
将任意一个比特层记为目标图像层，式中，A表示目标图像层的初始不可信度；n表示目标图像层的特征可信度；I表示目标图像层中像素点的数量；h1i表示目标图像层中第i个像素点的灰度值；J表示二值图像中像素点的数量；h2j表示二值图像中第j个像素点的灰度值；||表示取绝对值；获取每个比特层的初始不可信度，对每个比特层的初始不可信度进行线性归一化，将归一化后每个比特层的初始不可信度记为不可信度；
根据不可信度得到每张预处理图像的若干特征图像层：
将预设的不可信度阈值记为T3，将任意一个比特层记为第二图像层，若第二图像层的不可信度小于T3，将第二图像层记为特征图像层；若第二图像层的不可信度大于等于T3，将不对第二图像层做任何处理；获取每张预处理图像的若干特征图像层；
根据不可信度以及特征图像层得到每个特征图像层的输出可变程度；获取每个特征图像层的灰度变化量，获取每个特征图像层内每个像素点的邻域灰度差；获取每个特征图像层内每个像素点的比特值，根据灰度变化量、邻域灰度差以及比特值得到每个特征图像层内每个像素点的特征表达程度；
根据特征表达程度以及输出可变程度得到每个特征图像层内每个像素点的特征保留程度；根据特征保留程度进行图像识别得到识别目标。
2.根据权利要求1所述基于人工智能的图像识别方法，其特征在于，所述根据不可信度以及特征图像层得到每个特征图像层的输出可变程度，包括的具体方法为：
对于任意一个特征图像层，式中，B表示特征图像层的输出可变程度；A1表示特征图像层的不可信度；c表示在若干比特层中，特征图像层所在的层数；
获取每个特征图像层的输出可变程度。
3.根据权利要求1所述基于人工智能的图像识别方法，其特征在于，所述获取每个特征图像层的灰度变化量，包括的具体方法为：
对于任意一张预处理图像的任意一个特征图像层，所述任意一个特征图像层对应若干灰度值变化范围，将任意一个灰度值变化范围的长度记为特征图像层的灰度变化量；
获取每个特征图像层的灰度变化量。
4.根据权利要求1所述基于人工智能的图像识别方法，其特征在于，所述获取每个特征图像层内每个像素点的邻域灰度差，包括的具体方法为：
将任意一张预处理图像的任意一个特征图像层内任意一个像素点记为目标像素点，式中，D表示目标像素点的邻域灰度差；Z表示目标像素点的八邻域内像素点的数量；h3z表示在目标像素点的八邻域内，第z个像素点在预处理图像内的灰度值；h表示目标像素点在预处理图像内的灰度值；||表示取绝对值；
获取每个特征图像层内每个像素点的邻域灰度差。
5.根据权利要求1所述基于人工智能的图像识别方法，其特征在于，所述根据灰度变化量、邻域灰度差以及比特值得到每个特征图像层内每个像素点的特征表达程度，包括的具体方法为：
对于任意一个特征图像层内任意一个像素点，式中，G表示像素点的对照比特值；D表示像素点的邻域灰度差；E表示像素点所属特征图像层的灰度变化量；
获取每个特征图像层内每个像素点的对照比特值；
F＝exp(―|G―G1|)
对于任意一个特征图像层内任意一个像素点，式中，F表示像素点的特征表达程度；G表示像素点的对照比特值；G1表示像素点的比特值；||表示取绝对值；exp()表示以自然常数为底的指数函数；
获取每个特征图像层内每个像素点的特征表达程度。
6.根据权利要求1所述基于人工智能的图像识别方法，其特征在于，所述根据特征表达程度以及输出可变程度得到每个特征图像层内每个像素点的特征保留程度，包括的具体方法为：
K＝F×B
对于任意一个特征图像层内任意一个像素点，式中，K表示像素点的特征保留程度；F表示像素点的特征表达程度；B表示像素点所属特征图像层的输出可变程度；
获取每个特征图像层内每个像素点的特征保留程度。
7.根据权利要求1所述基于人工智能的图像识别方法，其特征在于，所述根据特征保留程度进行图像识别得到识别目标，包括的具体方法为：
对于任意一张预处理图像的任意一个特征图像层，将特征图像层内所有像素点的特征保留程度的累加和记为特征图像层的保留选取程度；获取每个特征图像层的保留选取程度，将保留选取程度最大的特征图像层记为最终特征图像层；将预设的特征保留程度阈值记为T4；
将最终特征图像层的任意一个像素点记为结果像素点，若结果像素点的特征保留程度大于等于T4，将结果像素点在所属的最终特征图像层的比特值取反；若结果像素点的特征保留程度小于T4，不对结果像素点在所属的最终特征图像层的比特值进行任何处理；获取预处理图像调整后的最终特征图像层；
获取每张预处理图像调整后的最终特征图像层；
对于任意一张预处理图像，将预处理图像调整后的最终特征图像层输入到神经网络中得到识别目标；
获取每张预处理图像的识别目标。
8.基于人工智能的图像识别系统，其特征在于，该系统包括以下模块：
预处理图像采集模块，用于采集若干预处理图像；
特征图像层获取模块，用于对预处理图像进行阈值分割得到二值图像，对预处理图像进行比特分层得到若干比特层，根据每个比特层与二值图像之间的灰度值差异得到每个比特层的不可信度；根据不可信度得到每张预处理图像的若干特征图像层；
特征表达程度以及输出可变程度获取模块，用于根据不可信度以及特征图像层得到每个特征图像层的输出可变程度；获取每个特征图像层的灰度变化量，获取每个特征图像层内每个像素点的邻域灰度差；获取每个特征图像层内每个像素点的比特值，根据灰度变化量、邻域灰度差以及比特值得到每个特征图像层内每个像素点的特征表达程度；
图像识别模块，用于根据特征表达程度以及输出可变程度得到每个特征图像层内每个像素点的特征保留程度；根据特征保留程度进行图像识别得到识别目标；
所述根据每个比特层与二值图像之间的灰度值差异得到每个比特层的不可信度，包括的具体方法为：
将任意一个比特层记为目标图像层，式中，A表示目标图像层的初始不可信度；n表示目标图像层的特征可信度；I表示目标图像层中像素点的数量；h1i表示目标图像层中第i个像素点的灰度值；J表示二值图像中像素点的数量；h2j表示二值图像中第j个像素点的灰度值；||表示取绝对值；获取每个比特层的初始不可信度，对每个比特层的初始不可信度进行线性归一化，将归一化后每个比特层的初始不可信度记为不可信度；
所述根据不可信度得到每张预处理图像的若干特征图像层，包括的具体方法为：
将预设的不可信度阈值记为T3，将任意一个比特层记为第二图像层，若第二图像层的不可信度小于T3，将第二图像层记为特征图像层；若第二图像层的不可信度大于等于T3，将不对第二图像层做任何处理；
获取每张预处理图像的若干特征图像层。
CN202311356834.1A 2023-10-19 2023-10-19 基于人工智能的图像识别方法及系统 Active CN117115468B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311356834.1A CN117115468B (zh) 2023-10-19 2023-10-19 基于人工智能的图像识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311356834.1A CN117115468B (zh) 2023-10-19 2023-10-19 基于人工智能的图像识别方法及系统

Publications (2)

Publication Number Publication Date
CN117115468A CN117115468A (zh) 2023-11-24
CN117115468B true CN117115468B (zh) 2024-01-26

Family

ID=88798667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311356834.1A Active CN117115468B (zh) 2023-10-19 2023-10-19 基于人工智能的图像识别方法及系统

Country Status (1)

Country Link
CN (1) CN117115468B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1403057A (zh) * 2001-09-13 2003-03-19 田捷 利用三维欧氏距离变换实现ct图像中软组织显示的方法
CN102097084A (zh) * 2009-12-14 2011-06-15 无锡中星微电子有限公司 一种图像处理方法及装置
CN104156733A (zh) * 2014-08-12 2014-11-19 中国人民解放军理工大学 一种基于多尺度结构特征的地基云状识别方法
CN110309793A (zh) * 2019-07-04 2019-10-08 电子科技大学 一种基于图像比特分层解译的sar目标识别方法
CN110458107A (zh) * 2019-08-13 2019-11-15 北京百度网讯科技有限公司 用于图像识别的方法和装置
CN112164085A (zh) * 2020-09-28 2021-01-01 华南理工大学 一种基于图像处理的纤维图像分割及直径统计方法
CN113222979A (zh) * 2021-06-01 2021-08-06 长春理工大学 一种基于多图谱的颅底卵圆孔自动分割方法
CN115115625A (zh) * 2022-08-26 2022-09-27 聊城市正晟电缆有限公司 基于图像处理的电缆生产异常检测方法
CN115861135A (zh) * 2023-03-01 2023-03-28 铜牛能源科技(山东)有限公司 一种应用于箱体全景探测的图像增强及识别方法
CN116152505A (zh) * 2023-04-20 2023-05-23 深圳市亿康医疗技术有限公司 基于x光数据的骨骼目标识别分割方法
CN116523923A (zh) * 2023-07-05 2023-08-01 加百裕(南通)电子有限公司 一种电池外壳缺陷识别方法
CN116798041A (zh) * 2023-06-26 2023-09-22 中国工商银行股份有限公司 图像识别方法、装置和电子设备
CN116863253A (zh) * 2023-09-05 2023-10-10 光谷技术有限公司 基于大数据分析的运维风险预警方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10168146B2 (en) * 2015-05-29 2019-01-01 Canon Kabushiki Kaisha Measuring shape of specular objects by local projection of coded patterns

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1403057A (zh) * 2001-09-13 2003-03-19 田捷 利用三维欧氏距离变换实现ct图像中软组织显示的方法
CN102097084A (zh) * 2009-12-14 2011-06-15 无锡中星微电子有限公司 一种图像处理方法及装置
CN104156733A (zh) * 2014-08-12 2014-11-19 中国人民解放军理工大学 一种基于多尺度结构特征的地基云状识别方法
CN110309793A (zh) * 2019-07-04 2019-10-08 电子科技大学 一种基于图像比特分层解译的sar目标识别方法
CN110458107A (zh) * 2019-08-13 2019-11-15 北京百度网讯科技有限公司 用于图像识别的方法和装置
CN112164085A (zh) * 2020-09-28 2021-01-01 华南理工大学 一种基于图像处理的纤维图像分割及直径统计方法
CN113222979A (zh) * 2021-06-01 2021-08-06 长春理工大学 一种基于多图谱的颅底卵圆孔自动分割方法
CN115115625A (zh) * 2022-08-26 2022-09-27 聊城市正晟电缆有限公司 基于图像处理的电缆生产异常检测方法
CN115861135A (zh) * 2023-03-01 2023-03-28 铜牛能源科技(山东)有限公司 一种应用于箱体全景探测的图像增强及识别方法
CN116152505A (zh) * 2023-04-20 2023-05-23 深圳市亿康医疗技术有限公司 基于x光数据的骨骼目标识别分割方法
CN116798041A (zh) * 2023-06-26 2023-09-22 中国工商银行股份有限公司 图像识别方法、装置和电子设备
CN116523923A (zh) * 2023-07-05 2023-08-01 加百裕(南通)电子有限公司 一种电池外壳缺陷识别方法
CN116863253A (zh) * 2023-09-05 2023-10-10 光谷技术有限公司 基于大数据分析的运维风险预警方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Hossein Talebi Esfandarani 等.Low Bit Rate Image Compression by Two Layer Wavelet and Contourlet Transforms.《Proceedings of ICEE 2010》.2010,1-5. *
刘节威 等.基于CNN的国产商用分组密码算法识别研究.《网络与信息安全》.2022,第41卷(第545期),33-39. *

Also Published As

Publication number Publication date
CN117115468A (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN112991354B (zh) 一种基于深度学习的高分辨率遥感影像语义分割方法
CN110866896B (zh) 基于k-means与水平集超像素分割的图像显著性目标检测方法
CN110807757B (zh) 基于人工智能的图像质量评估方法、装置及计算机设备
CN115661144A (zh) 基于可变形U-Net的自适应医学图像分割方法
CN112163637B (zh) 基于非平衡数据的图像分类模型训练方法、装置
CN112307714A (zh) 一种基于双阶段深度网络的文字风格迁移方法
CN113420794B (zh) 一种基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法
CN117218029B (zh) 基于神经网络的夜间暗光图像智能处理方法
CN111127360A (zh) 一种基于自动编码器的灰度图像迁移学习方法
CN111461147B (zh) 一种基于图像特征的二进制编码组织算法
CN113971735A (zh) 一种深度图像聚类方法、系统、设备、介质及终端
CN112561791A (zh) 一种基于优化AnimeGAN的图像风格迁移
US7620246B2 (en) Method and apparatus for image processing
CN112150497A (zh) 基于二值神经网络的局部激活方法与系统
CN114565628B (zh) 一种基于边界感知注意的图像分割方法及系统
CN114494081A (zh) 一种无人机遥感测绘图像增强方法
CN117115468B (zh) 基于人工智能的图像识别方法及系统
CN113205102B (zh) 一种基于忆阻神经网络的车辆标志识别方法
CN112669324B (zh) 基于时序特征聚合和条件卷积的快速视频目标分割方法
CN116612389B (zh) 一种建筑施工进度管理方法及系统
CN114066871A (zh) 一种新冠肺炎病灶区域分割模型训练的方法
CN111199228B (zh) 一种车牌定位的方法及装置
CN112132207A (zh) 基于多分支特征映射目标检测神经网络构建方法
CN114419249A (zh) 物体三维形状重建方法、装置、设备及存储介质
CN111797910B (zh) 一种基于平均偏汉明损失的多维标签预测方法

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