CN117237771A - 一种多分割融合的图像特征提取方法及系统 - Google Patents
一种多分割融合的图像特征提取方法及系统 Download PDFInfo
- Publication number
- CN117237771A CN117237771A CN202311118490.0A CN202311118490A CN117237771A CN 117237771 A CN117237771 A CN 117237771A CN 202311118490 A CN202311118490 A CN 202311118490A CN 117237771 A CN117237771 A CN 117237771A
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- groups
- outputting
- images
- 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 56
- 230000004927 fusion Effects 0.000 title claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 50
- 238000007499 fusion processing Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 24
- 230000011218 segmentation Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及图像特征提取技术领域,提供了一种多分割融合的图像特征提取方法及系统,包括:对第一待处理图像中的目标进行识别,获取n个目标;进行灰度处理,输出第一灰度图像;获取所述n个目标的灰度像素集,以及处于所述第一灰度图像中的剩余像素集;以一组灰度像素集与一组剩余像素集分别输入至灰度转换模型中进行灰度转换,输出经转换后的n组灰度图像;根据n组灰度图像,输出n个分割图像,并进行图像特征提取,输出n个图像特征;进行图像融合处理,输出所述第一待处理图像的图像特征。能够解决图像特征差异较小时特征提取难度较高且特征提取质量较低的技术问题,可以提高图像特征提取的效率和质量。
Description
技术领域
本申请涉及图像特征提取技术领域,具体涉及一种多分割融合的图像特征提取方法及系统。
背景技术
图像特征提取是计算机视觉中的重要基础工作,它为后续的图像识别、目标检测、图像分类等任务提供了关键的数据基础。不同任务和应用场景可能需要不同的特征提取方法,当图像中的特征差异较小时,现有的图像特征提取方法由于很难分辨图像中的提取特征,造成图像特征提取难度较高,且提取效果较差。
综上所述,现有技术中存在图像特征差异较小时特征提取难度较高且特征提取质量较低的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种多分割融合的图像特征提取方法及系统。
一种多分割融合的图像特征提取方法,包括:当获取第一待处理图像后,对所述第一待处理图像中的目标进行识别,获取n个目标,其中,n为大于等于2的正整数;将所述第一待处理图像进行灰度处理,输出第一灰度图像;获取所述n个目标在所述第一灰度图像中的n组灰度像素集,以及处于所述第一灰度图像中的n组剩余像素集,其中,所述n组灰度像素集与所述n组剩余像素集相对应;以一组灰度像素集与一组剩余像素集分别输入至灰度转换模型中进行灰度转换,输出经转换后的n组灰度图像;根据所述n组灰度图像,输出n个分割图像,并对所述n个分割图像分别进行图像特征提取,输出n个图像特征;通过对所述n个图像特征进行图像融合处理,输出所述第一待处理图像的图像特征。
在一个实施例中,还包括:对所述第一待处理图像中的n个目标进行类型识别,获取多类目标;以所述多类目标对所述灰度转换模型中的灰度调控通道进行设置,使所述灰度调控通道的通道数量与目标类型的数量相同,其中,每一通道中的灰度调控系数不相同,当同一类型的目标输入所述灰度转换模型中,匹配对应的通道进行灰度调控。
在一个实施例中,还包括:根据所述n组灰度像素集与所述n组剩余像素集,获取n组灰度数据和n组剩余灰度数据;以所述n组灰度数据和所述n组剩余灰度数据的对应关系,作为训练数据组,基于所述训练数据组以目标函数进行训练,当所述目标函数的响应条件被满足时,输出经转换后的n组灰度图像;其中,所述目标函数是以增加所述n组灰度数据和所述n组剩余灰度数据之间的区别为目标所建立的函数。
在一个实施例中,还包括:获取经转换后的n组灰度图像,其中,所述n组灰度图像为对所述第一待处理图像进行灰度转换后的图像;通过边缘算法对所述n组灰度图像进行边缘识别,输出n个预分割图像;对所述n个预分割图像进行边缘平滑处理,输出所述n个分割图像。
在一个实施例中,还包括:对所述n个图像特征所对应的各个目标建立连接关系,生成目标关联性;以所述目标关联性进行信息熵计算,并将信息熵计算结果配置特征融合处理时的权重;根据配置好的权重再对所述n个图像特征进行图像融合处理,输出所述第一待处理图像的图像特征。
在一个实施例中,还包括:判断所述n个图像特征之间的特征重合度,当所述特征重合度大于预设特征重合度,获取标识图像特征;将所述标识图像特征进行多尺度变换,输出高维映射特征;以所述高维映射特征作为所述标识图像特征的对应特征进行图像融合处理。
一种多分割融合的图像特征提取系统,包括:
目标识别模块,所述目标识别模块用于当获取第一待处理图像后,对所述第一待处理图像中的目标进行识别,获取n个目标,其中,n为大于等于2的正整数;
灰度处理模块,所述灰度处理模块用于将所述第一待处理图像进行灰度处理,输出第一灰度图像;
像素集获取模块,所述像素集获取模块用于获取所述n个目标在所述第一灰度图像中的n组灰度像素集,以及处于所述第一灰度图像中的n组剩余像素集,其中,所述n组灰度像素集与所述n组剩余像素集相对应;
灰度转换模块,所述灰度转换模块用于以一组灰度像素集与一组剩余像素集分别输入至灰度转换模型中进行灰度转换,输出经转换后的n组灰度图像;
图像特征提取模块,所述图像特征提取模块用于根据所述n组灰度图像,输出n个分割图像,并对所述n个分割图像分别进行图像特征提取,输出n个图像特征;
图像特征输出模块,所述图像特征输出模块用于通过对所述n个图像特征进行图像融合处理,输出所述第一待处理图像的图像特征。
上述一种多分割融合的图像特征提取方法及系统,能够解决图像特征差异较小时特征提取难度较高且特征提取质量较低的技术问题。首先当获取第一待处理图像后,对所述第一待处理图像中的目标进行识别,获取n个目标,其中,n为大于等于2的正整数;将所述第一待处理图像进行灰度处理,输出第一灰度图像;获取所述n个目标在所述第一灰度图像中的n组灰度像素集,以及处于所述第一灰度图像中的n组剩余像素集,其中,所述n组灰度像素集与所述n组剩余像素集相对应;以一组灰度像素集与一组剩余像素集分别输入至灰度转换模型中进行灰度转换,输出经转换后的n组灰度图像;根据所述n组灰度图像,输出n个分割图像,并对所述n个分割图像分别进行图像特征提取,输出n个图像特征;通过对所述n个图像特征进行图像融合处理,输出所述第一待处理图像的图像特征。通过上述方法可以提高图像特征提取的效率和质量。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请提供了一种多分割融合的图像特征提取方法的流程示意图;
图2为本申请提供了一种多分割融合的图像特征提取方法中输出n个分割图像的流程示意图;
图3为本申请提供了一种多分割融合的图像特征提取方法中输出第一待处理图像的图像特征的流程示意图;
图4为本申请提供了一种多分割融合的图像特征提取系统的结构示意图。
附图标记说明:目标识别模块1、灰度处理模块2、像素集获取模块3、灰度转换模块4、图像特征提取模块5、图像特征输出模块6。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,本申请提供了一种多分割融合的图像特征提取方法,包括:
当获取第一待处理图像后,对所述第一待处理图像中的目标进行识别,获取n个目标,其中,n为大于等于2的正整数;
图像特征提取是图像处理和计算机视觉领域的关键步骤,用于将图像中的信息转化为可用于分析和识别的数值形式。图像特征提取的目标是找到图像中具有代表性的信息,这些信息可以用于描述图像的外观、纹理、形状、边缘等特征。
多分割融合(Multi-Segmentation Fusion)是图像处理和计算机视觉中的一种技术,用于将来自多个图像分割算法或多个分割结果的信息融合在一起,得到更准确和全面的分割结果。这种技术可以提高图像分割的精度和鲁棒性,特别适用于复杂场景和困难样本的分割任务。本申请提供的方法用于通过多分割融合的方式对图像特征进行提取,达到提高图像特征提取效率和质量的目的。
首先,获取第一待处理图像,所述第一待处理图像为待进行图像特征提取的图像,然后对所述第一待处理图像中的目标进行识别,其中目标是指所述第一待处理图像中待进行提取的图像特征。所述目标识别方法可通过特征对比、特征检测、人工识别等方式,也可基于神经网络构建目标识别模型进行目标识别,获取n个目标,其中n为大于等于2的正整数。通过进行目标识别获得N个目标,为下一步进行图像分割提供了支持。
将所述第一待处理图像进行灰度处理,输出第一灰度图像;
对所述第一待处理图像进行灰度处理,其中图像灰度处理是一种图像处理技术,用于将彩色图像转换为灰度图像。灰度图像是一种只包含灰度值而没有颜色信息的图像,通常用于简化图像处理和分析任务。在灰度图像中,每个像素只有一个灰度值,表示该像素的亮度级别,通常取值范围为0(黑色)到255(白色)。常用的图像灰度处理方法包括平均法、加权平均法、最大值法和最小值法等,本领域技术人员可选择适配的图像灰度处理方法,获得第一灰度图像。
获取所述n个目标在所述第一灰度图像中的n组灰度像素集,以及处于所述第一灰度图像中的n组剩余像素集,其中,所述n组灰度像素集与所述n组剩余像素集相对应;
根据所述n个目标在所述第一灰度图像中进行灰度像素提取,获取所述n个目标在所述第一灰度图像中的n组灰度像素集,其中n组灰度像素集是指n个目标的灰度像素集。并获取所述第一灰度图像中的n组剩余像素集,所述剩余像素是指在所述第一灰度图像中目标对应的背景的灰度像素,其中所述n组灰度像素集与所述n组剩余像素集具有对应关系。
通过获得n组剩余像素集,通过改变背景的灰度值来凸显各个特征,使得图像特征提取变得更容易,从而提高图像特征提取的精度和效率。
以一组灰度像素集与一组剩余像素集分别输入至灰度转换模型中进行灰度转换,输出经转换后的n组灰度图像;
在一个实施例中,还包括:
对所述第一待处理图像中的n个目标进行类型识别,获取多类目标;
以所述多类目标对所述灰度转换模型中的灰度调控通道进行设置,使所述灰度调控通道的通道数量与目标类型的数量相同,其中,每一通道中的灰度调控系数不相同,当同一类型的目标输入所述灰度转换模型中,匹配对应的通道进行灰度调控。
构建灰度转换模型,其中所述灰度转换模型包括多个灰度调控通道,且每一个灰度调控通道中的灰度调控系数不相同,所述灰度调控系数是指灰度处理的调控权重。
首先,对所述第一待处理图像中的n个目标进行类型识别,所述类型识别是指n个目标进行分类,可以通过根据目标的外观、形状、纹理等特征,将其划分为预先定义好的不同类别或类型,例如:将目标划分为人物、花草、动物、建筑物等类型,获取多类目标。然后根据所述多类目标对所述灰度转换模型中的灰度调控通道进行设置,其中所述灰度调控通道的通道数量与目标类型的数量相同,且每一通道中的灰度调控系数不相同。例如:当目标为建筑物时,灰度值大时特征较为明显,则可增大建筑物通道中的灰度调控系数,所述灰度调控系数本领域技术人员可基于实际情况设置。当同一类型的目标输入所述灰度转换模型中,匹配对应的通道进行灰度调控。通过构建灰度转化模型,可以根据目标类型进行适配的灰度转换,从而提高图像灰度转换的质量,减小图像特征提取的难度。
将一组灰度像素集与一组剩余像素集分别输入至灰度转换模型中进行灰度转换,所述一组灰度像素集为n组灰度像素集中的任意一组,其中一组剩余像素集和一组灰度像素集具有对应关系,首先根据一组灰度像素集类型匹配合适的灰度调控通道,然后根据所述灰度调控通道中的灰度调控系数对一组灰度像素集与一组剩余像素进行灰度转换,输出经转换后的n组灰度图像。
在一个实施例中,本申请还包括:
根据所述n组灰度像素集与所述n组剩余像素集,获取n组灰度数据和n组剩余灰度数据;
以所述n组灰度数据和所述n组剩余灰度数据的对应关系,作为训练数据组,基于所述训练数据组以目标函数进行训练,当所述目标函数的响应条件被满足时,输出经转换后的n组灰度图像;
其中,所述目标函数是以增加所述n组灰度数据和所述n组剩余灰度数据之间的区别为目标所建立的函数。
根据所述n组灰度像素集与所述n组剩余像素集,获取n组灰度数据和n组剩余灰度数据,然后根据所述n组灰度数据和所述n组剩余灰度数据的对应关系,将每一组灰度数据和对应的剩余灰度数据作为一组训练数据,获得n组训练数据。
构建目标函数,所述目标函数也称为损失函数,是在机器学习、优化和最优化问题中一个重要的数学函数。它是用来度量模型预测结果和真实标签(或目标)之间的差异或误差,是优化问题的核心部分。其中所述目标函数是以增加所述n组灰度数据和所述n组剩余灰度数据之间的区别为目标所建立的函数,即灰度数据与剩余灰度数据之间的区别越大,则目标函数的适应度越好。根据所述n组训练数据对所述目标函数进行训练,设置目标函数响应条件,所述目标函数响应条件本领域技术人员可根据实际情况自定义设置,根据所述目标函数响应条件对目标函数的适应度进行判断,当所述目标函数的响应条件被满足时,输出经转换后的n组灰度图像。通过构建所述目标函数,可以提高图像灰度转换的质量,从而提高图像特征提取的效率。
根据所述n组灰度图像,输出n个分割图像,并对所述n个分割图像分别进行图像特征提取,输出n个图像特征;
如图2所示,在一个实施例中,包括:
获取经转换后的n组灰度图像,其中,所述n组灰度图像为对所述第一待处理图像进行灰度转换后的图像;
通过边缘算法对所述n组灰度图像进行边缘识别,输出n个预分割图像;
对所述n个预分割图像进行边缘平滑处理,输出所述n个分割图像。
获取经转换后的n组灰度图像,其中,所述n组灰度图像为对所述第一待处理图像进行灰度转换后的图像。然后通过边缘算法对所述n组灰度图像进行边缘识别,所述边缘算法是计算机视觉中常用的一类图像处理算法,用于检测图像中的边缘或轮廓。图像边缘通常指的是图像中像素值强烈变化的位置,这些位置代表着物体的边界或物体之间的边界。根据n组灰度图像的边缘识别结果输出n个预分割图像。
对所述n个预分割图像进行边缘平滑处理,所述边缘平滑处理减少或消除图像中边缘的噪声或不连续性,使得图像中的边缘更加平滑和连续。其中边缘平滑处理方法包括中值滤波、高斯滤波、双边滤波,可根据实际需求选择适配的边缘平滑算法。通过对所述n个预分割图像进行边缘平滑处理,可以提高图像分割的准确性,获得n个分割图像。
然后对所述n个分割图像分别进行图像特征提取,所述图像特征提取方法与上述相同,在此不进行展开说明,获得n个图像特征。
通过对所述n个图像特征进行图像融合处理,输出所述第一待处理图像的图像特征。
如图3所示,在一个实施例中,还包括:
对所述n个图像特征所对应的各个目标建立连接关系,生成目标关联性;
以所述目标关联性进行信息熵计算,并将信息熵计算结果配置特征融合处理时的权重;
根据配置好的权重再对所述n个图像特征进行图像融合处理,输出所述第一待处理图像的图像特征。
在一个实施例中,还包括:
判断所述n个图像特征之间的特征重合度,当所述特征重合度大于预设特征重合度,获取标识图像特征;
将所述标识图像特征进行多尺度变换,输出高维映射特征;
以所述高维映射特征作为所述标识图像特征的对应特征进行图像融合处理。
对所述n个图像特征进行图像融合处理,首先,对所述n个图像特征所对应的各个目标建立连接关系,所述建立连接关系是指根据各个目标所述第一待处理图像中的位置坐标对各个目标进行标记,并根据述n个图像特征获取对应的n个目标,生成目标关联性。
然后根据所述目标关联性进行信息熵计算,所述信息熵计算是指用于衡量随机变量的不确定性或信息量。在信息熵的计算中,假设随机变量X有n个可能的取值,分别为x1,x2,...,xn,并且每个取值xi发生的概率为P(xi)。其中信息熵的计算公式为:H(X)=-Σ(P(xi)*log2(P(xi)));其中,H(X)表示随机变量X的信息熵,Σ表示对所有取值xi求和,log2表示以2为底的对数运算。获得信息熵计算结果,并根据所述信息熵计算结果配置n个目标特征融合处理时的权重,其中信息熵计算结果越大,则对应目标的特征融合处理权重越大,可通过现有的变异系数法进行权重设置,其中变异系数法为本领域技术人员常用的权重设置方法,在此不进行展开说明。
根据配置好的权重再对所述n个图像特征进行图像融合处理,首先,获取预设特征重合度,所述预设特征重合度本领域技术人员可根据实际情况设置,根据所述预设特征重合度判断所述n个图像特征之间的特征重合度,当所述特征重合度大于预设特征重合度,获得标识图像特征。对所述标识图像特征进行多尺度变换,所述多尺度变换是一种图像处理和计算机视觉中常用的技术,旨在对图像进行多个尺度的表示或变换,以便更全面地捕捉图像中的信息和特征。多尺度变换可以帮助处理图像中的不同尺度的目标,同时提高对不同大小的特征的检测能力。常用的多尺度变换方法包括图像金字塔,尺度空间变换等,输出高维映射特征。
将所述高维映射特征作为所述标识图像特征的对应特征进行图像融合处理,输出所述第一待处理图像的图像特征。通过上述方法解决了图像特征差异较小时特征提取难度较高且特征提取质量较低的技术问题,通过利用多分割融合技术进行图像特征提取,可以提高图像特征提取的效率和质量。
在一个实施例中,如图4所示提供了一种多分割融合的图像特征提取系统,包括:目标识别模块1、灰度处理模块2、像素集获取模块3、灰度转换模块4、图像特征提取模块5、图像特征输出模块6、其中:
目标识别模块1,所述目标识别模块1用于当获取第一待处理图像后,对所述第一待处理图像中的目标进行识别,获取n个目标,其中,n为大于等于2的正整数;
灰度处理模块2,所述灰度处理模块2用于将所述第一待处理图像进行灰度处理,输出第一灰度图像;
像素集获取模块3,所述像素集获取模块3用于获取所述n个目标在所述第一灰度图像中的n组灰度像素集,以及处于所述第一灰度图像中的n组剩余像素集,其中,所述n组灰度像素集与所述n组剩余像素集相对应;
灰度转换模块4,所述灰度转换模块4用于以一组灰度像素集与一组剩余像素集分别输入至灰度转换模型中进行灰度转换,输出经转换后的n组灰度图像;
图像特征提取模块5,所述图像特征提取模块5用于根据所述n组灰度图像,输出n个分割图像,并对所述n个分割图像分别进行图像特征提取,输出n个图像特征;
图像特征输出模块6,所述图像特征输出模块6用于通过对所述n个图像特征进行图像融合处理,输出所述第一待处理图像的图像特征。
在一个实施例中,所述系统还包括:
类型识别模块,所述类型识别模块用于对所述第一待处理图像中的n个目标进行类型识别,获取多类目标;
灰度调控通道设置模块,所述灰度调控通道设置模块用于以所述多类目标对所述灰度转换模型中的灰度调控通道进行设置,使所述灰度调控通道的通道数量与目标类型的数量相同,其中,每一通道中的灰度调控系数不相同,当同一类型的目标输入所述灰度转换模型中,匹配对应的通道进行灰度调控。
在一个实施例中,所述系统还包括:
灰度数据获取模块,所述灰度数据获取模块用于根据所述n组灰度像素集与所述n组剩余像素集,获取n组灰度数据和n组剩余灰度数据;
灰度图像输出模块,所述灰度图像输出模块用于以所述n组灰度数据和所述n组剩余灰度数据的对应关系,作为训练数据组,基于所述训练数据组以目标函数进行训练,当所述目标函数的响应条件被满足时,输出经转换后的n组灰度图像;
目标函数模块,所述目标函数模块是指其中,所述目标函数是以增加所述n组灰度数据和所述n组剩余灰度数据之间的区别为目标所建立的函数。
在一个实施例中,所述系统还包括:
灰度图像获取模块,所述灰度图像获取模块用于获取经转换后的n组灰度图像,其中,所述n组灰度图像为对所述第一待处理图像进行灰度转换后的图像;
预分割图像输出模块,所述预分割图像输出模块用于通过边缘算法对所述n组灰度图像进行边缘识别,输出n个预分割图像;
分割图像输出模块,所述分割图像输出模块用于对所述n个预分割图像进行边缘平滑处理,输出所述n个分割图像。
在一个实施例中,所述系统还包括:
目标关联性生成模块,所述目标关联性生成模块用于对所述n个图像特征所对应的各个目标建立连接关系,生成目标关联性;
权重配置模块,所述权重配置模块用于以所述目标关联性进行信息熵计算,并将信息熵计算结果配置特征融合处理时的权重;
图像融合处理模块,所述图像融合处理模块用于根据配置好的权重再对所述n个图像特征进行图像融合处理,输出所述第一待处理图像的图像特征。
在一个实施例中,所述系统还包括:
标识图像特征获取模块,所述标识图像特征获取模块用于判断所述n个图像特征之间的特征重合度,当所述特征重合度大于预设特征重合度,获取标识图像特征;
高维映射特征输出模块,所述高维映射特征输出模块用于将所述标识图像特征进行多尺度变换,输出高维映射特征;
图像融合处理模块,所述图像融合处理模块用于以所述高维映射特征作为所述标识图像特征的对应特征进行图像融合处理。
综上所述,本申请提供了一种多分割融合的图像特征提取方法及系统具有以下技术效果:
1.解决图像特征差异较小时特征提取难度较高且特征提取质量较低的技术问题,通过利用多分割融合技术进行图像特征提取,可以提高图像特征提取的效率和质量。
2.通过获得n组剩余像素集,通过改变背景的灰度值来凸显各个特征,使得图像特征提取变得更容易,从而提高图像特征提取的精度和效率,通过构建灰度转化模型,可以根据目标类型进行适配的灰度转换,从而提高图像灰度转换的质量,减小图像特征提取的难度。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种多分割融合的图像特征提取方法,其特征在于,所述方法包括:
当获取第一待处理图像后,对所述第一待处理图像中的目标进行识别,获取n个目标,其中,n为大于等于2的正整数;
将所述第一待处理图像进行灰度处理,输出第一灰度图像;
获取所述n个目标在所述第一灰度图像中的n组灰度像素集,以及处于所述第一灰度图像中的n组剩余像素集,其中,所述n组灰度像素集与所述n组剩余像素集相对应;
以一组灰度像素集与一组剩余像素集分别输入至灰度转换模型中进行灰度转换,输出经转换后的n组灰度图像;
根据所述n组灰度图像,输出n个分割图像,并对所述n个分割图像分别进行图像特征提取,输出n个图像特征;
通过对所述n个图像特征进行图像融合处理,输出所述第一待处理图像的图像特征。
2.如权利要求1所述的方法,其特征在于,所述获取n个目标之后,方法还包括:
对所述第一待处理图像中的n个目标进行类型识别,获取多类目标;
以所述多类目标对所述灰度转换模型中的灰度调控通道进行设置,使所述灰度调控通道的通道数量与目标类型的数量相同,其中,每一通道中的灰度调控系数不相同,当同一类型的目标输入所述灰度转换模型中,匹配对应的通道进行灰度调控。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
根据所述n组灰度像素集与所述n组剩余像素集,获取n组灰度数据和n组剩余灰度数据;
以所述n组灰度数据和所述n组剩余灰度数据的对应关系,作为训练数据组,基于所述训练数据组以目标函数进行训练,当所述目标函数的响应条件被满足时,输出经转换后的n组灰度图像;
其中,所述目标函数是以增加所述n组灰度数据和所述n组剩余灰度数据之间的区别为目标所建立的函数。
4.如权利要求1所述的方法,其特征在于,根据所述n组灰度图像,输出n个分割图像,包括:
获取经转换后的n组灰度图像,其中,所述n组灰度图像为对所述第一待处理图像进行灰度转换后的图像;
通过边缘算法对所述n组灰度图像进行边缘识别,输出n个预分割图像;
对所述n个预分割图像进行边缘平滑处理,输出所述n个分割图像。
5.如权利要求1所述的方法,其特征在于,通过对所述n个图像特征进行图像融合处理,输出所述第一待处理图像的图像特征,方法还包括:
对所述n个图像特征所对应的各个目标建立连接关系,生成目标关联性;
以所述目标关联性进行信息熵计算,并将信息熵计算结果配置特征融合处理时的权重;
根据配置好的权重再对所述n个图像特征进行图像融合处理,输出所述第一待处理图像的图像特征。
6.如权利要求5所述的方法,其特征在于,所述方法还包括:
判断所述n个图像特征之间的特征重合度,当所述特征重合度大于预设特征重合度,获取标识图像特征;
将所述标识图像特征进行多尺度变换,输出高维映射特征;
以所述高维映射特征作为所述标识图像特征的对应特征进行图像融合处理。
7.一种多分割融合的图像特征提取系统,其特征在于,用于执行权利要求1-7所述的一种多分割融合的图像特征提取方法中任意一项方法的步骤,所述系统包括:
目标识别模块,所述目标识别模块用于当获取第一待处理图像后,对所述第一待处理图像中的目标进行识别,获取n个目标,其中,n为大于等于2的正整数;
灰度处理模块,所述灰度处理模块用于将所述第一待处理图像进行灰度处理,输出第一灰度图像;
像素集获取模块,所述像素集获取模块用于获取所述n个目标在所述第一灰度图像中的n组灰度像素集,以及处于所述第一灰度图像中的n组剩余像素集,其中,所述n组灰度像素集与所述n组剩余像素集相对应;
灰度转换模块,所述灰度转换模块用于以一组灰度像素集与一组剩余像素集分别输入至灰度转换模型中进行灰度转换,输出经转换后的n组灰度图像;
图像特征提取模块,所述图像特征提取模块用于根据所述n组灰度图像,输出n个分割图像,并对所述n个分割图像分别进行图像特征提取,输出n个图像特征;
图像特征输出模块,所述图像特征输出模块用于通过对所述n个图像特征进行图像融合处理,输出所述第一待处理图像的图像特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311118490.0A CN117237771A (zh) | 2023-09-01 | 2023-09-01 | 一种多分割融合的图像特征提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311118490.0A CN117237771A (zh) | 2023-09-01 | 2023-09-01 | 一种多分割融合的图像特征提取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117237771A true CN117237771A (zh) | 2023-12-15 |
Family
ID=89081706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311118490.0A Pending CN117237771A (zh) | 2023-09-01 | 2023-09-01 | 一种多分割融合的图像特征提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117237771A (zh) |
-
2023
- 2023-09-01 CN CN202311118490.0A patent/CN117237771A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944396B (zh) | 一种基于改进深度学习的刀闸状态识别方法 | |
CN108829826B (zh) | 一种基于深度学习和语义分割的图像检索方法 | |
CN111950453A (zh) | 一种基于选择性注意力机制的任意形状文本识别方法 | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN108520215B (zh) | 基于多尺度联合特征编码器的单样本人脸识别方法 | |
CN114693661A (zh) | 一种基于深度学习的快速分拣方法 | |
CN113963041A (zh) | 一种图像纹理识别方法及系统 | |
CN113221956B (zh) | 基于改进的多尺度深度模型的目标识别方法及装置 | |
CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
CN113313179B (zh) | 一种基于l2p范数鲁棒最小二乘法的噪声图像分类方法 | |
CN113095332B (zh) | 一种基于特征学习的显著性区域检测方法 | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN112215303B (zh) | 一种基于自学属性的图像理解方法及系统 | |
CN117745708A (zh) | 基于深度学习算法的木地板表面瑕疵检测方法 | |
CN114065798A (zh) | 基于机器识别的视觉识别方法及装置 | |
CN111160372B (zh) | 一种基于高速卷积神经网络的大目标识别方法 | |
CN111695560A (zh) | 基于卷积神经网络对农作物病虫害主动定位聚焦的方法 | |
CN109829511B (zh) | 基于纹理分类的下视红外图像中云层区域检测方法 | |
EP0632404B1 (en) | Pattern recognition by generating and using zonal features and anti-features | |
CN117237771A (zh) | 一种多分割融合的图像特征提取方法及系统 | |
CN113657196B (zh) | Sar图像目标检测方法、装置、电子设备和存储介质 | |
CN114120097A (zh) | 一种基于机器视觉的配网工程现场变压器检测方法和系统 | |
CN114882303A (zh) | 一种基于帧过滤和目标检测的牲畜计数方法 | |
CN112950652A (zh) | 机器人及其手部图像分割方法和装置 | |
CN111046861A (zh) | 识别红外影像是否存在样本设备的方法、构建电力设备识别模型的方法及应用 |
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 |