CN109284680A - 一种渐进式图像识别方法、装置、***及存储介质 - Google Patents
一种渐进式图像识别方法、装置、***及存储介质 Download PDFInfo
- Publication number
- CN109284680A CN109284680A CN201810947439.3A CN201810947439A CN109284680A CN 109284680 A CN109284680 A CN 109284680A CN 201810947439 A CN201810947439 A CN 201810947439A CN 109284680 A CN109284680 A CN 109284680A
- Authority
- CN
- China
- Prior art keywords
- image
- characteristic variable
- recognition result
- stage
- similarity
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000000750 progressive effect Effects 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 45
- 230000005540 biological transmission Effects 0.000 claims abstract description 16
- 230000009466 transformation Effects 0.000 claims description 29
- 230000004927 fusion Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 150000002066 eicosanoids Chemical class 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种渐进式图像识别方法、装置、***和计算机可读存储介质。所述方法包括如下步骤:对图像样本库中的n幅图像分别进行频域变换,图像采用基于拉普拉斯金字塔的频域渐进式传输的方式进行传输;针对每一次频域变换后的图像选取合适的特征变量;训练图像的样本库:根据选取的特征变量,训练样本库中的图像数据,获取训练结果;根据训练结果,对需要进行目标识别的图像进行识别。本发明提出了基于渐进式传输的实时目标识别方法,可以实现对用户图像中的目标利用基于渐进式传输的方式进行实时目标识别,具有实时性高、准确性高、渐进性的特点。
Description
技术领域
本发明涉及图像数据识别领域,具体涉及一种针对用户图像的渐进式识别方法及其装置。
背景技术
随着互联网技术的发展,人们获取的用户图像数据正以几何倍数增长,基于用户图像数据的目标识别应用范围越来越广泛,例如课程点名,个性化宣传推广。目标识别将获取的图像数据进行处理,根据已有的信息识别目标,为其它工作起着重要的作用。现代互联网环境具有网络类型众多、交互方式多样、复杂情况众多的特点,同时用户图像数据具有数据量大、冗余数据多、实时性要求高的特点,对目标识别方法提出了实时性和准确性的挑战。
目前常用的技术方案为模板匹配法。为了在图像中检测出已知的目标物,使用这个目标的模板与图像匹配,在约定的准则下检测出目标物,通常称之为模板匹配法。基于图像模板匹配的方法,也叫图像像素相关匹配法或灰度模板匹配法,是一种比较常用的目标识别方法,可用来跟踪较小的目标或对比度较差的目标。模板匹配法的缺陷主要有二:(1)准确性差。用户图像类型众多,经常出现图像旋转、图像尺寸不一致等情况;同时,网络环境也经常发生数据丢失等情况。模板匹配法对于这些情况,准确性差,识别率较低。(2)实时性差。当用户图像过大或者网络情况较差时,模板匹配法需要较长的处理时间,无法满足实时性的需求。
发明内容
本发明为了解决上述目标识别方法的准确性与实时性问题,力图提出一种高效的渐进式图像识别方法、装置、***及计算机可读存储介质,能够在兼顾实时性的同时注重准确性,能够渐进式地识别目标,不断提高识别的准确度,使得实时目标识别的问题得到有效解决。
为解决上述问题,本发明的第一方面提供了一种渐进式图像识别方法,包括如下步骤:
对图像样本库中的n幅图像分别进行频域变换,图像采用基于拉普拉斯金字塔的频域渐进式传输的方式进行传输;其中,n为自然数;
针对每一次频域变换后的图像选取合适的特征变量;
训练图像的样本库:根据选取的特征变量,训练样本库中的图像数据,获取训练结果;
根据训练结果,对需要进行目标识别的图像进行识别。
在一些实施例中,所述对图像样本库中的n幅图像分别进行频域变换和针对每一次频域变换后的图像选取合适的特征变量的步骤包括:
对样本库中的n幅图像执行小波变换,小波变换的级数为q,q为自然数;
利用水平方向HL、垂直方向LH和对角线方向HH的高频子带部分对第i幅图像的第j级小波变换后的数据做小波反变换,设反变换后的图像编号为Image ij;其中0<i≤n、0<j≤q;
对Image ij提取e个特征变量的值,e为自然数;
重复进行上述小波反变换和特征变量提取的步骤直至所有图像的第j级均完成特征变量的提取;
针对样本库n幅图像的第j级图像Image ij的所有特征变量值,挑选出区分度最优的特征变量,作为第j级图像的特征变量;
重复进行上述步骤直至所有变换级数都完成特征变量的选取。
在一些实施例中,所述训练图像的样本库的步骤包括:
针对样本库n幅图像的第j级图像Image ij,根据挑选的最优特征变量的值,利用K均值算法进行训练,设置K均值算法的聚类值为m,获取m个聚类结果,设为(Lj,Rj),其中Lj代表第j级图像,Rj代表第j级图像识别后的聚类结果;
重复上述步骤直至完成所有变换级数特征变量的训练。
在一些实施例中,所述根据训练结果,对需要进行目标识别的图像进行识别的步骤包括:
接收需要进行目标识别的目标图像的第j级图像,对接收到的图像进行小波反变换和图像预处理;
针对确定的第j级图像的特征变量,提取所述特征变量的值;
利用K均值算法,计算出目标图像的识别结果R和相似度Ar,保存为(R,Ar);所述相似度指样本图像与目标图像的相似性度量;
将识别结果R与之前1~(j-1)级的识别结果进行融合得到融合的识别结果;若融合的识别结果大于相似度要求Rac或者已经是最后一级数据,则输出该融合的识别结果;否则,重复上述步骤。
在一些实施例中,所述相似度Ar的计算方法如下:
假设样本库中图像的特征变量的值为a,目标图像的特征变量的值为b,设a到原点的距离为Ra,b到原点的距离为Rb,则样本图像与目标图像的相似度Ar为:
在一些实施例中,所述融合为:假设现有z级频域图像数据,共取得z个识别结果,z为自然数,相似度分别为A1至Az,则取相似度最高的识别结果为融合后的识别结果。
本发明的第二方面提供了一种渐进式图像识别装置,包括:
图像频域变换模块,对图像样本库中的n幅图像分别进行频域变换,图像采用基于拉普拉斯金字塔的频域渐进式传输的方式进行传输;其中,n为自然数;
特征变量选取模块,针对每一次频域变换后的图像选取合适的特征变量;
图像的样本库训练模块,根据选取的特征变量,训练样本库中的图像数据,获取训练结果;
识别模块,根据训练结果,对需要进行目标识别的图像进行识别。
在一些实施例中,所述图像频域变换模块包括:
小波变换单元,对样本库中的n幅图像执行小波变换,小波变换的级数为q,q为自然数;
小波反变换单元,利用水平方向HL、垂直方向LH和对角线方向HH的高频子带部分对第i幅图像的第j级小波变换后的数据做小波反变换,设反变换后的图像编号为Imageij;其中0<i≤n、0<j≤q。
在一些实施例中,所述特征变量选取模块包括:
图像Image ij特征变量提取单元,对Image ij提取e个特征变量的值,e为自然数;
Image ij特征变量确定单元,针对样本库n幅图像的第j级图像Image ij的所有特征变量值,挑选出区分度最优的特征变量,作为第j级图像的特征变量。
在一些实施例中,所述图像的样本库训练模块用于针对样本库n幅图像的第j级图像Image ij,根据挑选的最优特征变量的值,利用K均值算法进行训练,设置K均值算法的聚类值为m,获取m个聚类结果,设为(Lj,Rj),其中Lj代表第j级图像,Rj代表第j级图像识别后的聚类结果;完成所有变换级特征变量的训练。
在一些实施例中,所述识别模块包括:
目标图像处理单元,用于接收需要进行目标识别的目标图像的第j级图像,对接收到的图像进行小波反变换和图像预处理;
特征变量值提取单元,用于针对确定的第j级图像的特征变量,提取特征变量的值;
识别结果和相似度计算单元,利用K均值算法,计算出目标图像的识别结果R和相似度Ar,保存为(R,Ar);所述相似度指样本图像与目标图像的相似性度量;
结果融合和输出单元,将识别结果R与之前1~(j-1)级的识别结果进行融合得到融合的识别结果;若融合的识别结果大于相似度要求Rac或者已经是最后一级数据,则输出该融合的识别结果;否则,继续下一级级的目标图像处理。
在一些实施例中,所述识别结果和相似度计算单元的计算方法包括:
假设样本图像的特征变量的值为a,目标图像的特征变量值为b,设a到原点的距离为Ra,b到原点的距离为Rb,则样本图像与目标图像的相似度Ar为:
在一些实施例中,所述结果融合和输出单元采用融合的方法为:假设现有z级频域图像数据,共取得z个识别结果,相似度分别为A1至Az,则取相似度最高的识别结果为融合后的识别结果。
本发明的第三方面提供了一种渐进式图像识别***,包括:
存储器以及一个或多个处理器;
其中,所述存储器与所述一个或多个处理器通信连接,所述存储器中存储有可被所述一个或多个处理器执行的指令,所述指令被所述一个或多个处理器执行,以使所述一个或多个处理器能够实现如前所述的方法。
本发明的第四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中存储有计算机可执行指令,所述计算机可执行指令被执行后用以实现如前所述的方法。
综上所述,本发明提供了一种渐进式图像识别方法、装置、***和计算机可读存储介质。所述方法对图像采用基于拉普拉斯金字塔的频域渐进式传输的方式进行传输并对图像进行频域变换,针对每一次频域变换后的图像选取合适的特征变量;根据选取的特征变量,训练样本库中的图像数据,获取训练结果;对需要进行目标识别的图像进行识别。
本发明的上述技术方案具有如下有益的技术效果:
本发明提出了基于渐进式传输的实时目标识别方法,可以实现对用户图像中的目标利用基于渐进式传输的方式进行实时目标识别,具有实时性高、准确性高、渐进性的特点。
附图说明
图1是本发明的渐进式图像识别方法流程图;
图2是频域变换和特征变量选取的方法流程图;
图3是图像识别的方法流程图;
图4是本发明的渐进式图像识别装置框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
本发明提供的渐进式图像识别方法中,渐进式主要体现在两个地方:一是图像的传输是渐进的,将一幅图像分成多次进行传输,如果识别已经完成,剩余的图像数据可以不需要传输;二是图像的识别是渐进的,每次只需要识别一部分图像数据。因此,该方法可以减少传输和识别的数据量。
图1示出了一种渐进式图像识别方法流程100,包括如下步骤:
步骤110、对图像样本库中的n幅图像分别进行频域变换,图像采用基于拉普拉斯金字塔的频域渐进式传输的方式进行传输;其中,n为自然数;然后针对每一次频域变换后的图像选取合适的特征变量。
具体的,所述频域变换和特征变量选取的方法流程200如图2所示,包括步骤:
步骤210、对样本库中的n幅图像执行小波变换,小波变换的级数为q,q为自然数;
步骤220、利用水平方向HL、垂直方向LH和对角线方向HH的高频子带部分对第i幅图像的第j级小波变换后的数据做小波反变换,设反变换后的图像编号为Image ij;其中0<i≤n、0<j≤q;
步骤230、对图像Image ij提取e个特征变量的值,e为自然数;
步骤240、重复进行上述步骤220和230直至所有图像的第j级均完成特征变量的提取;
步骤250、针对样本库n幅图像的第j级图像Image ij的所有特征变量值,挑选出区分度最优的特征变量,作为第j级图像的特征变量;所述区分度最优是指通过特征变量,能够最大程度地划分图像样本的种类。例如,如果特征变量A将样本库中的图像划为十类,特征变量B将样本库中的图像划为二十类,那么特征变量A的样本的区分度要小于特征变量B的样本的区分度,一般在挑选的时候,看哪个特征变量能够划分的图像样本的种类最多即为区分度最优。
步骤260、重复进行上述步骤220-250直至所有变换级数都完成特征变量的选取。
通过上述步骤210-260,完成对样本库中的n幅图像的频域变换以及特征变量选取。
步骤120、训练图像的样本库:根据选取的特征变量,训练样本库中的图像数据,以获取训练结果。
具体的,针对样本库n幅图像的第j级图像Image ij,根据挑选的最优特征变量的值,利用K均值算法进行训练,设置K均值算法的聚类值为m,获取m个聚类结果,设为(Lj,Rj),其中Lj代表第j级图像,Rj代表第j级图像识别后的聚类结果。其中,m为对样本划分的类别数,例如,将样本划分为m类,m=2,即为识别图像是否为某种物体,比如飞机,舰船。m的值越大,则对识别的要求也越高。例如对人的识别时,m=2,则仅需要判断图像是否为人。如果还要判断是男人、女人、老人、青年或小孩时,则m必然大于2。
重复上述步骤直至完成所有变换级数特征变量的训练。
步骤130、根据训练结果,对需要进行目标识别的图像进行识别。
具体的,所述图像识别的方法流程300包括:
步骤310、接收需要进行目标识别的目标图像的第j级图像,对接收到的图像进行小波反变换和图像预处理;所述图像预处理包括图像的归一化处理,比如统一大小尺寸等;
步骤320、针对确定的第j级图像的特征变量,提取所述特征变量的值;
步骤330、利用K均值算法,计算出目标图像的识别结果R和相似度Ar,保存为(R,Ar)。例如:假设将飞机分为7类,编号为1到7,如果某一幅图像与第四类飞机比较相似,相似度为0.7,则识别结果R为4,Ar为0.7,最后表示为(4,0.7)。所述相似度指样本图像与目标图像的相似性度量;
步骤340、将识别结果R与之前1~(j-1)级的识别结果进行融合得到融合的识别结果;
步骤350、若融合的识别结果大于相似度要求Rac或者已经是最后一级数据,则输出该融合的识别结果360;否则,重复上述步骤。
具体的,步骤330中所述相似度Ar的计算方法如下:
假设样本库中图像的特征变量的值为a,目标图像的特征变量的值为b,设a到原点的距离为Ra,b到原点的距离为Rb,则样本图像与目标图像的相似度Ar为:
具体的,步骤340中所述融合为:假设现有z级频域图像数据,共取得z个识别结果,z为自然数,相似度分别为A1至Az,则取相似度最高的识别结果为融合后的识别结果,例如,当前的识别结果为(4,0.7),之前的识别结果为(3,0.5),则融合的结果为(4,0.7)。
上述渐进式图像识别方法能够实时地、准确地进行目标图像识别。
本发明的第二方面提供了一种渐进式图像识别装置400,如图4所示,包括:
图像频域变换模块410,对图像样本库中的n幅图像分别进行频域变换,图像采用基于拉普拉斯金字塔的频域渐进式传输的方式进行传输;其中,n为自然数;
特征变量选取模块420,针对每一次频域变换后的图像选取合适的特征变量;
图像的样本库训练模块430,根据选取的特征变量,训练样本库中的图像数据,获取训练结果;
识别模块440,根据训练结果,对需要进行目标识别的图像进行识别。
具体的,所述图像频域变换模块410包括:
小波变换单元411,对样本库中的n幅图像执行小波变换,小波变换的级数为q,q为自然数;
小波反变换单元412,利用水平方向HL、垂直方向LH和对角线方向HH的高频子带部分对第i幅图像的第j级小波变换后的数据做小波反变换,设反变换后的图像编号为Imageij;其中0<i≤n、0<j≤q。
具体的,所述特征变量选取模块420包括:
图像Image ij特征变量提取单元421,对Image ij提取e个特征变量的值,e为自然数;
图像Image ij特征变量确定单元422,针对样本库n幅图像的第j级图像Image ij的所有特征变量值,挑选出区分度最优的特征变量,作为第j级图像的特征变量。
具体的,所述图像的样本库训练模块430用于针对样本库n幅图像的第j级图像Image ij,根据挑选的最优特征变量的值,利用K均值算法进行训练,设置K均值算法的聚类值为m,获取m个聚类结果,设为(Lj,Rj),其中Lj代表第j级图像,Rj代表第j级图像识别后的聚类结果;完成所有变换级特征变量的训练。
具体的,所述识别模块440包括:
目标图像处理单元441,用于接收需要进行目标识别的目标图像的第j级图像,对接收到的图像进行小波反变换和图像预处理;
特征变量值提取单元442,用于针对确定的第j级图像的特征变量,提取特征变量的值;
识别结果和相似度计算单元443,利用K均值算法,计算出目标图像的识别结果R和相似度Ar,保存为(R,Ar);所述相似度指样本图像与目标图像的相似性度量;
结果融合和输出单元444,将识别结果R与之前1~(j-1)级的识别结果进行融合得到融合的识别结果;若融合的识别结果大于相似度要求Rac或者已经是最后一级数据,则输出该融合的识别结果;否则,继续下一级级的目标图像处理。
进一步的,所述识别结果和相似度计算单元443的计算方法包括:
假设样本图像的特征变量的值为a,目标图像的特征变量值为b,设a到原点的距离为Ra,b到原点的距离为Rb,则样本图像与目标图像的相似度Ar为:
进一步的,所述结果融合和输出单元444采用融合的方法为:假设现有z级频域图像数据,共取得z个识别结果,相似度分别为A1至Az,则取相似度最高的识别结果为融合后的识别结果。
本发明的第三方面提供了一种渐进式图像识别***,包括:
存储器以及一个或多个处理器;
其中,所述存储器与所述一个或多个处理器通信连接,所述存储器中存储有可被所述一个或多个处理器执行的指令,所述指令被所述一个或多个处理器执行,以使所述一个或多个处理器能够实现如前所述的方法。
本发明的第四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中存储有计算机可执行指令,所述计算机可执行指令被执行后用以实现如前所述的方法。
综上所述,本发明提供了一种渐进式图像识别方法、装置、***和计算机可读存储介质。所述方法对图像样本库中的n幅图像分别进行频域变换,图像采用基于拉普拉斯金字塔的频域渐进式传输的方式进行传输;针对每一次频域变换后的图像选取合适的特征变量;训练图像的样本库:根据选取的特征变量,训练样本库中的图像数据,获取训练结果;根据训练结果,对需要进行目标识别的图像进行识别。通过所述方法,本发明能实时地、准确地识别目标图像。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (15)
1.一种渐进式图像识别方法,其特征在于,包括如下步骤:
对图像样本库中的n幅图像分别进行频域变换,图像采用基于拉普拉斯金字塔的频域渐进式传输的方式进行传输;其中,n为自然数;
针对每一次频域变换后的图像选取合适的特征变量;
训练图像的样本库:根据选取的特征变量,训练样本库中的图像数据,获取训练结果;
根据训练结果,对需要进行目标识别的图像进行识别。
2.根据权利要求1所述的一种渐进式图像识别方法,其特征在于,所述对图像样本库中的n幅图像分别进行频域变换和针对每一次频域变换后的图像选取合适的特征变量的步骤包括:
对样本库中的n幅图像执行小波变换,小波变换的级数为q,q为自然数;
利用水平方向HL、垂直方向LH和对角线方向HH的高频子带部分对第i幅图像的第j级小波变换后的数据做小波反变换,设反变换后的图像编号为Image ij;其中0<i≤n、0<j≤q;
对Image ij提取e个特征变量的值,e为自然数;
重复进行上述小波反变换和特征变量提取的步骤直至所有图像的第j级均完成特征变量的提取;
针对样本库n幅图像的第j级图像Image ij的所有特征变量值,挑选出区分度最优的特征变量,作为第j级图像的特征变量;
重复进行上述步骤直至所有变换级数都完成特征变量的选取。
3.根据权利要求2所述的一种渐进式图像识别方法,其特征在于,所述训练图像的样本库的步骤包括:
针对样本库n幅图像的第j级图像Image ij,根据挑选的最优特征变量的值,利用K均值算法进行训练,设置K均值算法的聚类值为m,获取m个聚类结果,设为(Lj,Rj),其中Lj代表第j级图像,Rj代表第j级图像识别后的聚类结果;
重复上述步骤直至完成所有变换级数特征变量的训练。
4.根据权利要求3所述的一种渐进式图像识别方法,其特征在于,所述根据训练结果,对需要进行目标识别的图像进行识别的步骤包括:
接收需要进行目标识别的目标图像的第j级图像,对接收到的图像进行小波反变换和图像预处理;
针对确定的第j级图像的特征变量,提取所述特征变量的值;
利用K均值算法,计算出目标图像的识别结果R和相似度Ar,保存为(R,Ar);所述相似度指样本图像与目标图像的相似性度量;
将识别结果R与之前1~(j-1)级的识别结果进行融合得到融合的识别结果;若融合的识别结果大于相似度要求Rac或者已经是最后一级数据,则输出该融合的识别结果;否则,重复上述步骤。
5.根据权利要求4所述的一种渐进式图像识别方法,其特征在于,所述相似度Ar的计算方法如下:
假设样本库中图像的特征变量的值为a,目标图像的特征变量的值为b,设a到原点的距离为Ra,b到原点的距离为Rb,则样本图像与目标图像的相似度Ar为:
6.根据权利要求4所述的一种渐进式图像识别方法,其特征在于,所述融合为:假设现有z级频域图像数据,共取得z个识别结果,z为自然数,相似度分别为A1至Az,则取相似度最高的识别结果为融合后的识别结果。
7.一种渐进式图像识别装置,其特征在于,包括:
图像频域变换模块,对图像样本库中的n幅图像分别进行频域变换,图像采用基于拉普拉斯金字塔的频域渐进式传输的方式进行传输;其中,n为自然数;
特征变量选取模块,针对每一次频域变换后的图像选取合适的特征变量;
图像的样本库训练模块,根据选取的特征变量,训练样本库中的图像数据,获取训练结果;
识别模块,根据训练结果,对需要进行目标识别的图像进行识别。
8.根据权利要求7所述的一种渐进式图像识别装置,其特征在于,所述图像频域变换模块包括:
小波变换单元,对样本库中的n幅图像执行小波变换,小波变换的级数为q,q为自然数;
小波反变换单元,利用水平方向HL、垂直方向LH和对角线方向HH的高频子带部分对第i幅图像的第j级小波变换后的数据做小波反变换,设反变换后的图像编号为Image ij;其中0<i≤n、0<j≤q。
9.根据权利要求8所述的一种渐进式图像识别装置,其特征在于,所述特征变量选取模块包括:
图像Image ij特征变量提取单元,对Image ij提取e个特征变量的值,e为自然数;
Image ij特征变量确定单元,针对样本库n幅图像的第j级图像Image ij的所有特征变量值,挑选出区分度最优的特征变量,作为第j级图像的特征变量。
10.根据权利要求9所述的一种渐进式图像识别装置,其特征在于,所述图像的样本库训练模块用于针对样本库n幅图像的第j级图像Image ij,根据挑选的最优特征变量的值,利用K均值算法进行训练,设置K均值算法的聚类值为m,获取m个聚类结果,设为(Lj,Rj),其中Lj代表第j级图像,Rj代表第j级图像识别后的聚类结果;完成所有变换级特征变量的训练。
11.根据权利要求10所述的一种渐进式图像识别装置,其特征在于,所述识别模块包括:
目标图像处理单元,用于接收需要进行目标识别的目标图像的第j级图像,对接收到的图像进行小波反变换和图像预处理;
特征变量值提取单元,用于针对确定的第j级图像的特征变量,提取特征变量的值;
识别结果和相似度计算单元,利用K均值算法,计算出目标图像的识别结果R和相似度Ar,保存为(R,Ar);所述相似度指样本图像与目标图像的相似性度量;
结果融合和输出单元,将识别结果R与之前1~(j-1)级的识别结果进行融合得到融合的识别结果;若融合的识别结果大于相似度要求Rac或者已经是最后一级数据,则输出该融合的识别结果;否则,继续下一级的目标图像处理。
12.根据权利要求11所述的一种渐进式图像识别装置,其特征在于,所述识别结果和相似度计算单元的计算方法包括:
假设样本图像的特征变量的值为a,目标图像的特征变量值为b,设a到原点的距离为Ra,b到原点的距离为Rb,则样本图像与目标图像的相似度Ar为:
13.根据权利要求11所述的一种渐进式图像识别装置,其特征在于,所述结果融合和输出单元采用融合的方法为:假设现有z级频域图像数据,共取得z个识别结果,相似度分别为A1至Az,则取相似度最高的识别结果为融合后的识别结果。
14.一种渐进式图像识别***,其特征在于,包括:
存储器以及一个或多个处理器;
其中,所述存储器与所述一个或多个处理器通信连接,所述存储器中存储有可被所述一个或多个处理器执行的指令,所述指令被所述一个或多个处理器执行,以使所述一个或多个处理器能够实现如权利要求1-6中任一项所述的方法。
15.一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中存储有计算机可执行指令,所述计算机可执行指令被执行后用以实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810947439.3A CN109284680B (zh) | 2018-08-20 | 2018-08-20 | 一种渐进式图像识别方法、装置、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810947439.3A CN109284680B (zh) | 2018-08-20 | 2018-08-20 | 一种渐进式图像识别方法、装置、***及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109284680A true CN109284680A (zh) | 2019-01-29 |
CN109284680B CN109284680B (zh) | 2022-02-08 |
Family
ID=65183299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810947439.3A Active CN109284680B (zh) | 2018-08-20 | 2018-08-20 | 一种渐进式图像识别方法、装置、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109284680B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103796018A (zh) * | 2014-01-14 | 2014-05-14 | 齐齐哈尔大学 | 一种遥感影像实时压缩及渐进传输*** |
CN105303535A (zh) * | 2015-11-15 | 2016-02-03 | 中国人民解放军空军航空大学 | 基于小波变换的全球剖分金字塔模型 |
CN105551036A (zh) * | 2015-12-10 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 一种深度学习网络的训练方法和装置 |
US9600741B1 (en) * | 2015-03-18 | 2017-03-21 | Amazon Technologies, Inc. | Enhanced image generation based on multiple images |
CN106651915A (zh) * | 2016-12-23 | 2017-05-10 | 大连理工大学 | 基于卷积神经网络的多尺度表达的目标跟踪方法 |
EP3295377A1 (en) * | 2015-05-14 | 2018-03-21 | SRI International | Selecting optimal image from mobile device captures |
-
2018
- 2018-08-20 CN CN201810947439.3A patent/CN109284680B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103796018A (zh) * | 2014-01-14 | 2014-05-14 | 齐齐哈尔大学 | 一种遥感影像实时压缩及渐进传输*** |
US9600741B1 (en) * | 2015-03-18 | 2017-03-21 | Amazon Technologies, Inc. | Enhanced image generation based on multiple images |
EP3295377A1 (en) * | 2015-05-14 | 2018-03-21 | SRI International | Selecting optimal image from mobile device captures |
CN105303535A (zh) * | 2015-11-15 | 2016-02-03 | 中国人民解放军空军航空大学 | 基于小波变换的全球剖分金字塔模型 |
CN105551036A (zh) * | 2015-12-10 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 一种深度学习网络的训练方法和装置 |
CN106651915A (zh) * | 2016-12-23 | 2017-05-10 | 大连理工大学 | 基于卷积神经网络的多尺度表达的目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
LING SHAO 等: ""Spatio-Temporal Laplacian Pyramid Coding for Action Recognition"", 《IEEE TRANSACTIONS ON CYBERNETICS》 * |
亢洁 等: ""基于拉普拉斯金字塔降维的人脸识别算法"", 《陕西科技大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109284680B (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102214298B (zh) | 基于选择性视觉注意机制的遥感图像机场目标检测与识别方法 | |
CN101551863B (zh) | 基于非下采样轮廓波变换的遥感图像道路提取方法 | |
CN103177458B (zh) | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 | |
CN106649487A (zh) | 基于兴趣目标的图像检索方法 | |
CN101551809A (zh) | 基于高斯混合模型分类的sar图像检索方法 | |
CN108257151B (zh) | 基于显著性分析的PCANet图像变化检测方法 | |
CN102254319A (zh) | 一种多层次分割的遥感影像变化检测方法 | |
CN105303184A (zh) | 一种卫星遥感影像中地物精确识别方法 | |
CN101763507A (zh) | 人脸识别方法及人脸识别*** | |
CN102903109B (zh) | 一种光学影像和sar影像一体化分割配准方法 | |
CN106557740B (zh) | 一种遥感图像中油库目标的识别方法 | |
CN113963222A (zh) | 一种基于多策略组合的高分辨率遥感影像变化检测方法 | |
CN113177929B (zh) | 一种基于全卷积网络的海面溢油检测方法及其***和应用 | |
CN103839267A (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
CN103218621A (zh) | 一种室外视频监控中多尺度车辆的识别方法 | |
CN109165658A (zh) | 一种基于Faster-RCNN的强负样本水下目标检测方法 | |
CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
CN117079097A (zh) | 一种基于视觉显著性的海面目标识别方法 | |
CN110458019B (zh) | 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法 | |
Munawar et al. | Isotropic surround suppression based linear target detection using hough transform | |
CN114049566A (zh) | 一种逐步细化的陆地卫星影像云和云阴影检测方法及装置 | |
CN103489194A (zh) | 基于安全半监督支持向量机的遥感影像变化检测方法 | |
CN112330562A (zh) | 一种异构遥感图像变换方法及*** | |
Long* et al. | Characterization of migrated seismic volumes using texture attributes: a comparative study | |
CN109284680A (zh) | 一种渐进式图像识别方法、装置、***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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240517 Address after: Room 402, 4th Floor, Building 103-1 to 7th Floor, 101, No.10 Courtyard, Jiuxianqiao North Road, Chaoyang District, Beijing, 100102 Patentee after: Beijing Chalk Shore Technology Co.,Ltd. Country or region after: China Address before: 100102 Building 1, yard 8, Guangshun South Street, Chaoyang District, Beijing Patentee before: BEIJING FENBI LANTIAN TECHNOLOGY CO.,LTD. Country or region before: China |
|
TR01 | Transfer of patent right |