CN109800781A - 一种图像处理方法、装置及计算机可读存储介质 - Google Patents
一种图像处理方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109800781A CN109800781A CN201811497639.XA CN201811497639A CN109800781A CN 109800781 A CN109800781 A CN 109800781A CN 201811497639 A CN201811497639 A CN 201811497639A CN 109800781 A CN109800781 A CN 109800781A
- Authority
- CN
- China
- Prior art keywords
- image
- target image
- principal component
- classified
- obtains
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种图像处理方法、装置及计算机可读存储介质,方法包括:采用主成分分析网络PCANet对多个目标图像分别提取图像特征信息;其中,多个目标图像包括待分类图像和样本图像;根据图像特征信息,通过无监督分类算法对待分类图像和样本图像进行聚类,得到待分类图像的分类结果。本发明实施例在需要对待分类图像进行分类时,不需要预先通过包括大量数据标签的样本训练神经网络模型,而是通过主成分分析网络PCANet对多个目标图像分别提取图像特征信息,再通过无监督分类算法对待分类图像和样本图像进行聚类,聚类后,待分类图像会与部分样本图像归为一类,因此,即使只有较少的样本图像,也能实现对待分类图像的自动分类。
Description
技术领域
本发明涉及神经网络技术领域,特别是涉及一种图像处理方法、装置及计算机可读存储介质。
背景技术
随着神经网络技术的发展,神经网络技术已被应用在图像处理、语音识别等领域,尤其是在图像分类处理领域,神经网络更是被广泛应用。
现有技术中,使用神经网络对图像等进行分类时,通常需要预先收集包含大量标签数据的图像样本,通过样本训练出神经网络模型,然后,当有新的图像需要分类时,可以通过训练好的神经网络模型对新的图像新进分类。
但是,申请人发现经常会有如下的情况出现:在一些情况下,难以找到包含大量标签数据的图像样本,使得无法通过该图像样本训练出神经网络模型,进而无法通过神经网络模型对该场景中的图像进行分类。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种图像处理方法、装置及计算机可读存储介质。
根据本发明的第一方面,提供了一种图像处理方法,所述方法包括:
采用主成分分析网络PCANet对多个目标图像分别提取图像特征信息;其中,所述多个目标图像包括待分类图像和样本图像;
根据所述图像特征信息,通过无监督分类算法对所述待分类图像和所述样本图像进行聚类,得到所述待分类图像的分类结果。
根据本发明的第二方面,提供了一种图像处理装置,所述装置包括:
图像特征信息提取模块,用于采用主成分分析网络PCANet对多个目标图像分别提取图像特征信息;其中,所述多个目标图像包括待分类图像和样本图像;
聚类模块,用于根据所述图像特征信息,通过无监督分类算法对所述待分类图像和所述样本图像进行聚类,得到所述待分类图像的分类结果。
根据本发明的第三方面,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上存储计算机程序,所述计算机程序被处理器执行时实现任一所述的图像处理方法。
本发明实施例包括以下优点:
本发明实施例在需要对待分类图像进行分类时,不需要预先通过包括大量数据标签的样本训练神经网络模型,而是将待分类图像与样本图像作为目标图像,先通过主成分分析网络PCANet对多个目标图像分别提取图像特征信息,再根据提取的图像特征信息,通过无监督分类算法对待分类图像和样本图像进行聚类,聚类后,待分类图像会与部分样本图像归为一类,根据样本图像的类别可以得到待分类图像的分类结果,因此,本发明实施例中,即使只有较少的样本图像,通过对样本图像与待分类图像进行聚类,也能实现对待分类图像的自动分类。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本发明实施例提供的一种图像处理方法的流程图;
图2是本发明实施例提供的一种图像特征信息提取的流程图;
图3是本发明实施例提供的一种图像特征信息聚类的流程图;
图4是本发明实施例提供的一种图像处理过程示意图;
图5是本发明实施例提供的一种图像处理装置的框图;
图6是本发明实施例提供的一种图像处理装置的具体框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
应当理解,此处所描述的具体实施例仅用以解释本发明,仅仅是本发明一部分实施例,而不是全部的实施例,并不用于限定本发明。
参照图1,示出了一种图像处理方法的流程图。
可以理解,本发明实施例可以应用于服务器端,该服务器端可以是WEB(WorldWide Web,万维网)服务器,也可以是其他形式的服务器,本发明实施例也可以应用于其他的图像处理设备,本发明实施例对此不做具体限制。
该方法具体可以包括如下步骤:
步骤101:采用主成分分析网络PCANet对多个目标图像分别提取图像特征信息;其中,所述多个目标图像包括待分类图像和样本图像。
本发明实施例中,主成分分析网络PCANet的核心是利用PCA(PrincipalComponent Analysis,主成分分析方法)学习多阶段的滤波器。具体来说,通过PCA计算、二值哈希计算和块直方图计算等操作建立一个简单的PCANet深度学习网络。
PCANet实质上也可以认为是一个卷积神经网络。在常见的卷积神经网络中,各层的卷积模板是随机初始化的;而PCANet不像其他的深度学习网络比较难以训练并需要很多的参数设置技巧,PCANet的超参数仅包括滤波器大小、每个阶段的滤波器数量以及输出层中直方图的块大小;具体应用中,滤波器大小和直方图块大小可以通过交叉验证或者网格搜索来确定,微调每个阶段滤波器数量就能够使主成分分析网络的性能得到提高。PCANet的权值是通过PCA方法初始化获取,其中PCA用于计算网络中每层的权值,且该网络不需要对权值进行训练就能够取得较高的识别率。
PCANet可以通过简单的模型,提取目标图像的图像特征信息,在这个过程中不需要耗费大量的时间去训练神经网络模型,整个过程也不需要人工的调参和训练的过程,能够自动提取出各目标图像的图像特征信息,而且能够针对不同的特征学习任务提取优质的图像特征信息,实现了非常好的效果。
具体应用中,采用主成分分析网络PCANet对多个目标图像分别提取图像特征信息时,多个目标图像中可以包括需要进行分类的待分类图像,以及带有数据标签的样本图像;图像特征信息可以是能够反映目标图像的主要成分特征的信息,通过对图像特征信息的分析,可以得到待分类图像与样本图像之间的关联关系。
举例来说,在医学领域,因为疾病的演变、医学的更新等,通常没有大量确诊的医学图像数据用以训练深度学习中的神经网络模型,现有技术中通常需要医学专家根据经验对新的医学图像分类。本发明实施例中,在获取到患者的医学图像后,可以将该患者的医学图像作为待分类图像,在医学数据库中,可以有部分经过确诊的病症对应的医学图像,病症可以作为图像的数据标签,给确诊的医学图像可以作为样本图像,通过将待分类图像与样本图像的关联关系分析,可以自动确定出患者的病症。
具体应用中,图像特征信息具体可以是:能反映出样本图像中图像的主成分的图像片段,例如,若多个目标图像为多张脑部放射图像,可以将该多张脑部放射图像配准到同一个标准的脑模板上,以减小因数据个体差异和噪声对实验结果的影响,然后将脑部放射图像中对脑部产生病症具有关键作用的部分作为图像特征信息,具体可以采用像素、位置等信息表征图像特征信息,反映在计算机语言中,可以用矩阵表示样本图像的图像特征信息。
步骤102:根据所述图像特征信息,通过无监督分类算法对所述待分类图像和所述样本图像进行聚类,得到所述待分类图像的分类结果。
本发明实施例中,无监督分类算法可以是k-means聚类算法,k-means聚类算法指的是:首先从n(n为自然数)个数据对象任意选择k(k为不大于n的自然数)个对象作为初始聚类中心;而对于所剩下其它对象,则根据它们与这些聚类中心的相似度(距离),分别将它们分配给与其最相似的(聚类中心所代表的)聚类;然后再计算每个所获新聚类的聚类中心(该聚类中所有对象的均值);不断重复这一过程直到标准测度函数开始收敛为止,一般都采用均方差作为标准测度函数。
具体应用中,可以使用无监督的分类方法k-means对待分类图像和样本图像进行聚类,聚类后,待分类图像会与部分样本图像归为一类,根据样本图像的类别可以得到待分类图像的分类结果,由于k-means的简单和高效,并且是无监督的分类方法,整个分类过程不需要人工参与就能自动得到待分类图像的分类结果。
综上所述,本发明实施例在需要对待分类图像进行分类时,不需要预先通过包括大量数据标签的样本训练神经网络模型,而是将待分类图像与样本图像作为目标图像,先通过主成分分析网络PCANet对多个目标图像分别提取图像特征信息,再根据提取的图像特征信息,通过无监督分类算法对待分类图像和样本图像进行聚类,聚类后,待分类图像会与部分样本图像归为一类,根据样本图像的类别可以得到待分类图像的分类结果,因此,本发明实施例中,即使只有较少的样本图像,通过对样本图像与待分类图像进行聚类,也能实现对待分类图像的自动分类。
针对步骤101,本发明实施例提供了以下可行的实施方案。
参照图2,示出了步骤101的具体实现方法的流程示意图,本发明实施例中,PCANet对多个目标图像分别提取图像特征信息的步骤主要分为第一步PCA卷积(第一主成分分析方法PCA卷积计算)、第二步PCA卷积(第二主成分分析方法PCA卷积计算)和输出(哈希运算和局部直方图运算)。具体应用中,采用PCANet提取各目标图像图像特征信息的具体如步骤201至步骤204。
如图2所示,具体可以包括如下步骤:
步骤201:对所述多个目标图像分别进行第一主成分分析方法PCA卷积计算,得到各所述目标图像的第一主成分特征向量。
作为本发明实施例的一种具体实施方式,所述对所述多个目标图像分别进行第一主成分分析方法PCA卷积计算,得到各所述目标图像的第一主成分特征向量,包括:
对所述多个目标图像分别进行切片处理,针对每个所述目标图像,得到多个第一图像切片;对每个所述目标图像的第一图像切片进行矢量化,针对每个所述目标图像,得到多个第一矢量化结果;针对每个所述目标图像,分别将所述目标图像的多个第一矢量化结果组合,得到所述目标图像的第一矩阵;根据各所述目标图像的第一矩阵,通过平均池化算法计算,得到第一结果矩阵;根据预设第一滤波参数,对所述第一结果矩阵进行PCA计算,得到各所述目标图像的第一主成分特征向量。
举例来说,给定多个目标图像为N个不同的r×s三维MRI(Magnetic ResonanceImaging,磁共振成像)图像,目标图像可以通过二维矩阵表示,对于第i个目标图像Ii:
其中,代表该目标图像的二维矩阵,N为大于1的整数,i为大于0的整数。
对所述多个目标图像分别进行切片处理,针对每个所述目标图像,得到多个第一图像切片,具体可以是:以k1×k2大小的片段重叠滑动截取每个像素,重叠滑动截取具体可以是:以目标图像为9*9的像素,k1×k2为3*3为例,在第一次截取中,k1×k2对应与目标图像像素的第一列的第一行至第三行、第二列的第一行至第三行以及第三列对应的第一行至第三行,像素中心在目标图像的第二列第二行,在下次截取时,k1×k2对应与目标图像像素的第二列的第一行至第三行、第三列的第一行至第三行以及第四列对应的第一行至第三行,像素中心在目标图像的第三列第二行,依次类推,可以滑动截取到多个第一图像切片;针对每个目标图像,将该目标图像的多个第一图像切片进行矢量化,可以得到该目标图像的多个第一矢量化结果,将该目标图像的多个第一矢量化结果组合,可以得到该目标图像的k1×k2行和(r-k1+1)×(s-k2+1)列的第一矩阵Xi,然后对所有的第一矩阵进行下述平均池化算法处理后,得到第一结果矩阵X:
其中,是对Xi向量化后并减去均值的向量。
假设第一阶段PCA的第一滤波参数为L1,使用PCA算法对第一结果矩阵进行计算得到各目标图像的第一主成分特征向量,对第l个第一主成分特征向量,PCA算法表达式如下:
其中,该公式表示:第l个第一主成分特征向量是通过将向量投影到二维矩阵矩阵的函数计算得到,表示计算XXT的第l个主成分特征向量;l为大于0的整数。
步骤202:对各所述目标图像的第一主成分特征向量进行第二PCA卷积计算,得到各所述目标图像的第二主成分特征向量。
作为本发明实施例的一种具体实施方案,所述对各所述目标图像的第一主成分特征向量进行第二PCA卷积计算,得到各所述目标图像的第二主成分特征向量,包括:
将各所述目标图像的第一主成分特征向量进行切片处理,针对每个所述目标图像,得到多个第二图像切片;对每个所述目标图像的第二图像切片进行矢量化,针对每个所述目标图像,得到多个第二矢量化结果;针对每个所述目标图像,分别将所述目标图像的多个第二矢量化结果组合,得到所述目标图像的第二矩阵;根据各所述目标图像的第二矩阵,通过平均池化算法计算得到第二结果矩阵;根据预设第二滤波参数,对所述第二结果矩阵进行PCA计算,得到各所述目标图像的第二主成分特征向量。
具体应用中,第二PCA卷积的步骤和第一PCA卷积类似,对于第l个第二图像切片表达式为:
其中,*代表2D卷积的过程。和第一PCA卷积相同,重叠滑动截取所有片段,针对每个所述目标图像,可以得到多个第二图像切片;针对每个目标图像,将该目标图像的多个第二图像切片进行矢量化,可以得到该目标图像的多个第二矢量化结果,将该目标图像的多个第二矢量化结果组合,可以得到该目标图像的k1×k2行和(r-k1+1)×(s-k2+1)列的第一矩阵对所有的第二矩阵进行下述平均池化算法处理后,得到第二结果矩阵:
组合Yl结果的矩阵为:
第二PCA算法结果表达式如下:
L2表示第二滤波参数。
本发明实施例中,公式中各字母和符号的含义与步骤201对应,这里不再赘述。
步骤203:对各所述目标图像的第二主成分特征向量进行哈希运算,得到各所述目标图像的哈希值。
作为本发明实施例的一种具体实施方案,所述对各所述目标图像的第二主成分特征向量进行哈希运算,得到各所述目标图像的哈希值,包括:对所述各所述目标图像的第二主成分特征向量进行二值化和加权处理,得到各所述目标图像的哈希值Ti l。具体公式可以为:
其中,H(·)表示使用赫维赛德阶跃函数对特征值进行二值化,为W1 2对应的权重值。
步骤204:将各所述目标图像的哈希值进行局部直方图运算,得到各所述目标图像的图像特征信息。
作为本发明实施例的一种具体实施方案,所述将各所述目标图像的哈希值进行局部直方图运算,得到各所述目标图像的图像特征信息,包括:
对各所述目标图像的哈希值分别进行分块和直方图统计计算,得到各所述目标图像的图像特征信息。
具体应用中,将原始样本数据对应的输出Ti l,l∈[1,L1]可分为B个块,以直方图表示这些块,然后将直方图表示的块通过公式向量化表示,具体公式可以为:
其中表示对Ti l进行分块及直方图统计的函数,fi表示采用PCANet提取第i个原始样本的最终的图像特征信息。
综上,通过第一步PCA卷积、第二步PCA卷积和输出,各目标图像的深层次特征被提取出来,得到图像特征信息。
本发明实施例中,通过PCANet可以在不需要训练专门的神经网络识别模型,也不需要人工参与的情况下,自动提取出各目标图像的图像特征信息,提取的过程简单高效。
针对步骤102,本发明实施例提供了以下可行的实施方案。
参照图3,示出了步骤102的具体实现方法的流程示意图,无监督分类算法具体是k-means聚类算法,如图3所示,针对每个所述目标图像,所述目标图像对应的图像特征信息包括多个特征点;步骤102具体可以包括如下步骤:
步骤301:在所述多个目标特征图像的多个特征点中任意初始化k个聚类的中心点其中,k为预设的整数。
本发明实施例中,以提取到的各目标图像的图像特征信息包括m*n个像素点为例,一个像素点可以对应为一个特征点,则每个目标图像对应有m*n个特征点,将全部目标图像的特征点汇总后,在全部的特征点中可以任意选出k个特征点作为聚类中心点,k值可以根据在线经验或者实际的应用场景进行设定,本发明实施例对k值不做具体限定。
步骤302:计算其他特征点与该k个中心点的欧氏距离。
具体应用中,欧氏距离(Euclidean metric)是一个通常采用的距离定义,指在多维空间中两个点之间的真实距离,或者向量的自然长度。示例的,在二维和三维空间中的欧氏距离可是两点之间的实际距离。在k–means算法进行聚类时,通常采用计算其他特征点与该k个中心点的欧氏距离的算法。其他特征点可以是全部特征点中除了中心点之外的其他特征点。
步骤303:将每个所述其他特征点归类到距离所述其他特征点最近的中心点的类别。
本发明实施例中,在计算其他特征点与该k个中心点的欧氏距离后,可以将每个其他特征点归类到距离该其他特征点最近的中心点的类别。
步骤304:在所有的特征点归类为k个簇之后,基于每个所述簇初始化出新的k个中心点。
本发明实施例中,在将所有的特征点归类完毕后,需要进行新一轮的初始化k个中心点,和新一轮的欧式距离计算。
步骤305:判断每个簇中集合的所有特征点的距离总和最小,若否,则重复上述过程,若是,则执行步骤306;所述每个簇对应一种所述样本图像的类别。
本发明实施例中,在每次聚类时,都可以得到每个簇中集合的所有特征点的距离总和,若每个簇中集合的所有特征点的距离总和不是最小,则可以说明还未完成聚类,需要重复执行步骤301至步骤304,以进一步完成聚类;若每个簇中集合的所有特征点的距离总和最小,则可以说明完成了聚类,在每个簇中会包括有样本图像,该样本图像的类别可以作为该簇的类别。
步骤306:根据所述待分类图像所在的簇的类别,得到所述待分类图像的分类结果。
本案实施例中,可以将待分类图像所在的簇的类别,作为待分类图像的分类结果。
本发明实施例中,通过k-means算法将所有的目标特征图像聚类为k个簇,根据待分类图像所在簇的样本图像类别,可以得到该待分类图像的分类结果,示例的,在对以阿尔兹海默症的图像为待分类图像的情况下,通过本发明实施例的分类方法得到的分类结果,准确度可以达到百分之九十以上。
参照图4,示出了本发明实施例的图像处理方法的处理过程示意图。
如图4所示,在输入层输出目标图像后,经过第一阶段的切片处理和第一PCA卷积计算后,得到第一主成分特征向量,在第二阶段对第一主成分特征向量进一步切片处理,和进行第二PCA卷积计算,得到第二主成分特征向量,在输出层对第二主成分特征向量进行二值哈希运算和局部直方图运算后,输出各目标图像的图像特征信息到无监督分类算法k-means中,经k-means聚类后,输出该待分类图像的分类结果。
本发明实施例中,整个过程不需要人工的调参和训练的过程,能够自动识别出待分类图像的类别;且不需要根据大量数据标签训练神经网络模型,减少了模型训练的时间和过程;且通过分析图像特征信息的距离关系实现待分类图像的分类,不需要分类器模型训练的时间。因此,在遇到某些样本量不足的场景时,可以使用本发明实施例的方法通过待分类图像与样本图像之间的聚类,高效准确的对待分类图像进行分类。
综上所述,本发明实施例在需要对待分类图像进行分类时,不需要预先通过包括大量数据标签的样本训练神经网络模型,而是将待分类图像与样本图像作为目标图像,先通过主成分分析网络PCANet对多个目标图像分别提取图像特征信息,再根据提取的图像特征信息,通过无监督分类算法对待分类图像和样本图像进行聚类,聚类后,待分类图像会与部分样本图像归为一类,根据样本图像的类别可以得到待分类图像的分类结果,因此,本发明实施例中,即使只有较少的样本图像,通过对样本图像与待分类图像进行聚类,也能实现对待分类图像的自动分类。
作为本发明实施例的一种优选方式,在步骤101之前还可以包括:按照预设标准对多个源图像进行标准化处理,得到多个目标图像。
本发明实施例中,预设标准可以根据实际的应用场景进行设定。示例的,若源图像为多个脑部磁共振图像,该多个脑部磁共振图像包括待分类图像和确定的样本图像,因为拍摄脑部磁共振图像是的机器不同,或者不同患者的头部差异,可能存在该多个脑部磁共振图像的尺寸、内容等不统一,因此可以首先将该多个脑部磁共振图像匹配到一个脑模板上,得到标准化的多个目标图像,以避免因为图像差异导致的分类不准确。
可以理解,本领域技术人员还可以根据实际的应用场景设定适应的预设标准,并进行相应的标准化处理,本发明实施例对此不作具体限定。
作为本发明实施例的一种优选方式,在步骤102之后还可以包括:对分类后的所述待分类图像添加数据标签。
本发明实施例中,数据标签可以是待分类图像的分类结果,示例的,若待分类图像是医学磁共振图像,数据标签可以是该医学磁共振图像对应的病症信息。对分类后的样本图像添加数据标签,则随着对应有数据标签的图像的增加,可以收集到的足够多的带有数据标签的样本,进而用于训练有监督的或大型神经网络,实现更强大功能的分类。
可以理解,本领域技术人员还可以根据实际的应用场景为待分类图像添加适应的数据标签,本发明实施例对数据标签的内容不作具体限定。
实验中,发明人采用医学图像数据库来证明本发明实施例的方法的有效性。目标图像可以是可以MRI图像,通过医学影像分析软件MRIcron,调整目标图像中海马体中心的十字交叉位置,将所有MRI图像配准到同一个标准的脑模板上,以减小因数据个体差异和噪声对实验结果的影响。在数据分析的过程中,使用基于仿真平台MATLAB平台的SPM12(Statistical Parametric Mapping)软件,SPM12配置设有加权图像的正电子密度模板和样条插值,其他参数设置为默认值。通过检测,仿真分类的准确度可以达到90%以上,可以理解,若将本发明实施例的方法应用到医学领域,将大大提升病症确诊的准确度和快捷度。
综上所述,本发明实施例在需要对待分类图像进行分类时,不需要预先通过包括大量数据标签的样本训练神经网络模型,而是将待分类图像与样本图像作为目标图像,先通过主成分分析网络PCANet对多个目标图像分别提取图像特征信息,再根据提取的图像特征信息,通过无监督分类算法对待分类图像和样本图像进行聚类,聚类后,待分类图像会与部分样本图像归为一类,根据样本图像的类别可以得到待分类图像的分类结果,因此,本发明实施例中,即使只有较少的样本图像,通过对样本图像与待分类图像进行聚类,也能实现对待分类图像的自动分类。
需要说明的是,对于方法实施例,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,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,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,所涉及的动作并不一定是本发明实施例所必须的。
参照图5,示出了一种图像处理装置的框图,该装置具体可以包括:
图像特征信息提取模块510,用于采用主成分分析网络PCANet对多个目标图像分别提取图像特征信息;其中,所述多个目标图像包括待分类图像和样本图像;
聚类模块520,用于根据所述图像特征信息,通过无监督分类算法对所述待分类图像和所述样本图像进行聚类,得到所述待分类图像的分类结果。
优选地,参照图6,在图5的基础上,所述图像特征信息提取模块510包括:
第一主成分特征向量计算子模块5101,用于对所述多个目标图像分别进行第一主成分分析方法PCA卷积计算,得到各所述目标图像的第一主成分特征向量;
第二主成分特征向量计算子模块5102,用于对各所述目标图像的第一主成分特征向量进行第二PCA卷积计算,得到各所述目标图像的第二主成分特征向量;
哈希值计算子模块5103,用于对各所述目标图像的第二主成分特征向量进行哈希运算,得到各所述目标图像的哈希值;
图像特征信息计算子模块5104,用于将各所述目标图像的哈希值进行局部直方图运算,得到各所述目标图像的图像特征信息。
优选地,所述第一主成分特征向量计算子模块5101包括:
第一切片单元51011,用于对所述多个目标图像分别进行切片处理,针对每个所述目标图像,得到多个第一图像切片;
第一矢量化单元51012,用于对每个所述目标图像的第一图像切片进行矢量化,针对每个所述目标图像,得到多个第一矢量化结果;
第一组合单元51013,用于针对每个所述目标图像,分别将所述目标图像的多个第一矢量化结果组合,得到所述目标图像的第一矩阵;
第一结果矩阵确定单元51014,用于根据各所述目标图像的第一矩阵,通过平均池化算法计算,得到第一结果矩阵;
第一主成分特征向量确定单元51015,用于根据预设第一滤波参数,对所述第一结果矩阵进行PCA计算,得到各所述目标图像的第一主成分特征向量。
优选地,所述第二主成分特征向量计算子模块5102包括:
第二切片单元51021,用于将各所述目标图像的第一主成分特征向量进行切片处理,针对每个所述目标图像,得到多个第二图像切片;
第二矢量化单元51022,用于对每个所述目标图像的第二图像切片进行矢量化,针对每个所述目标图像,得到多个第二矢量化结果;
第二组合单元51023,用于针对每个所述目标图像,分别将所述目标图像的多个第二矢量化结果组合,得到所述目标图像的第二矩阵;
第二结果矩阵确定单元51024,用于根据各所述目标图像的第二矩阵,通过平均池化算法计算得到第二结果矩阵;
第二主成分特征向量确定单元51025,用于根据预设第二滤波参数,对所述第二结果矩阵进行PCA计算,得到各所述目标图像的第二主成分特征向量。
优选地,所述哈希值计算子模块5103包括:哈希值计算单元51031,用于对所述各所述目标图像的第二主成分特征向量进行二值化和加权处理,得到各所述目标图像的哈希值;
所述图像特征信息计算子模块5104包括:图像特征信息计算单元51041,用于对各所述目标图像的哈希值分别进行分块和直方图统计计算,得到各所述目标图像的图像特征信息。
优选地,针对每个所述目标图像,所述目标图像对应的图像特征信息包括多个特征点;所述聚类模块520包括:
中心点确定子模块5201,用于在所述多个目标特征图像的多个特征点中任意初始化k个聚类的中心点;
欧式距离计算子模块5202,用于计算其他特征点与该k个中心点的欧氏距离;
归类子模块5203,用于将每个所述其他特征点归类到距离所述其他特征点最近的中心点的类别;
初始化子模块5204,用于在所有的特征点归类为k个簇之后,基于每个所述簇初始化出新的k个中心点;
重复执行子模块5205,用于重复上述过程子模块的执行步骤,直到每个簇中集合的所有特征点的距离总和最小;所述每个簇对应一种所述样本图像的类别;
分类结果得到子模块5206,用于根据所述待分类图像所在的簇的类别,得到所述待分类图像的分类结果;
其中,k为预设的整数。
优选地,还包括:
数据标签添加模块530,用于对分类后的所述待分类图像添加数据标签。
标准化处理模块540,用于按照预设标准对多个源图像进行标准化处理,得到多个目标图像。
本发明实施例在需要对待分类图像进行分类时,不需要预先通过包括大量数据标签的样本训练神经网络模型,而是将待分类图像与样本图像作为目标图像,先通过主成分分析网络PCANet对多个目标图像分别提取图像特征信息,再根据提取的图像特征信息,通过无监督分类算法对待分类图像和样本图像进行聚类,聚类后,待分类图像会与部分样本图像归为一类,根据样本图像的类别可以得到待分类图像的分类结果,因此,本发明实施例中,即使只有较少的样本图像,通过对样本图像与待分类图像进行聚类,也能实现对待分类图像的自动分类。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
在一个典型的配置中,所述计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非持续性的电脑可读媒体(transitory media),如调制的数据信号和载波。
本发明实施例是参照根据本发明实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程图像处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程图像处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程图像处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程图像处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种图像处理方法和一种图像处理装置,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (17)
1.一种图像处理方法,其特征在于,所述方法包括:
采用主成分分析网络PCANet对多个目标图像分别提取图像特征信息;其中,所述多个目标图像包括待分类图像和样本图像;
根据所述图像特征信息,通过无监督分类算法对所述待分类图像和所述样本图像进行聚类,得到所述待分类图像的分类结果。
2.根据权利要求1所述的方法,其特征在于,所述采用主成分分析网络PCANet对多个目标图像分别提取图像特征信息,包括:
对所述多个目标图像分别进行第一主成分分析方法PCA卷积计算,得到各所述目标图像的第一主成分特征向量;
对各所述目标图像的第一主成分特征向量进行第二PCA卷积计算,得到各所述目标图像的第二主成分特征向量;
对各所述目标图像的第二主成分特征向量进行哈希运算,得到各所述目标图像的哈希值;
将各所述目标图像的哈希值进行局部直方图运算,得到各所述目标图像的图像特征信息。
3.根据权利要求2所述的方法,其特征在于,所述对所述多个目标图像分别进行第一主成分分析方法PCA卷积计算,得到各所述目标图像的第一主成分特征向量,包括:
对所述多个目标图像分别进行切片处理,针对每个所述目标图像,得到多个第一图像切片;
对每个所述目标图像的第一图像切片进行矢量化,针对每个所述目标图像,得到多个第一矢量化结果;
针对每个所述目标图像,分别将所述目标图像的多个第一矢量化结果组合,得到所述目标图像的第一矩阵;
根据各所述目标图像的第一矩阵,通过平均池化算法计算,得到第一结果矩阵;
根据预设第一滤波参数,对所述第一结果矩阵进行PCA计算,得到各所述目标图像的第一主成分特征向量。
4.根据权利要求2或3所述的方法,其特征在于,所述对各所述目标图像的第一主成分特征向量进行第二PCA卷积计算,得到各所述目标图像的第二主成分特征向量,包括:
将各所述目标图像的第一主成分特征向量进行切片处理,针对每个所述目标图像,得到多个第二图像切片;
对每个所述目标图像的第二图像切片进行矢量化,针对每个所述目标图像,得到多个第二矢量化结果;
针对每个所述目标图像,分别将所述目标图像的多个第二矢量化结果组合,得到所述目标图像的第二矩阵;
根据各所述目标图像的第二矩阵,通过平均池化算法计算得到第二结果矩阵;
根据预设第二滤波参数,对所述第二结果矩阵进行PCA计算,得到各所述目标图像的第二主成分特征向量。
5.根据权利要求2所述的方法,其特征在于,所述对各所述目标图像的第二主成分特征向量进行哈希运算,得到各所述目标图像的哈希值,包括:对所述各所述目标图像的第二主成分特征向量进行二值化和加权处理,得到各所述目标图像的哈希值;
所述将各所述目标图像的哈希值进行局部直方图运算,得到各所述目标图像的图像特征信息,包括:对各所述目标图像的哈希值分别进行分块和直方图统计计算,得到各所述目标图像的图像特征信息。
6.根据权利要求1所述的方法,其特征在于,针对每个所述目标图像,所述目标图像对应的图像特征信息包括多个特征点;所述根据所述图像特征信息,通过无监督分类算法对所述待分类图像和所述样本图像进行聚类,得到所述待分类图像的分类结果,包括:
在所述多个目标特征图像的多个特征点中任意初始化k个聚类的中心点;
计算其他特征点与该k个中心点的欧氏距离;
将每个所述其他特征点归类到距离所述其他特征点最近的中心点的类别;
在所有的特征点归类为k个簇之后,基于每个所述簇初始化出新的k个中心点;
重复上述过程,直到每个簇中集合的所有特征点的距离总和最小;所述每个簇对应一种所述样本图像的类别;
根据所述待分类图像所在的簇的类别,得到所述待分类图像的分类结果;
其中,k为预设的整数。
7.根据权利要求1所述的方法,其特征在于,所述根据所述图像特征信息,通过无监督分类算法对所述待分类图像和所述样本图像进行聚类,得到所述待分类图像的分类结果之后,还包括:
对分类后的所述待分类图像添加数据标签。
8.根据权利要求1所述的方法,其特征在于,所述采用主成分分析网络PCANet对多个目标图像分别提取图像特征信息之前,还包括:
按照预设标准对多个源图像进行标准化处理,得到多个目标图像。
9.一种图像处理装置,其特征在于,所述装置包括:
图像特征信息提取模块,用于采用主成分分析网络PCANet对多个目标图像分别提取图像特征信息;其中,所述多个目标图像包括待分类图像和样本图像;
聚类模块,用于根据所述图像特征信息,通过无监督分类算法对所述待分类图像和所述样本图像进行聚类,得到所述待分类图像的分类结果。
10.根据权利要求9所述的装置,其特征在于,所述图像特征信息提取模块包括:
第一主成分特征向量计算子模块,用于对所述多个目标图像分别进行第一主成分分析方法PCA卷积计算,得到各所述目标图像的第一主成分特征向量;
第二主成分特征向量计算子模块,用于对各所述目标图像的第一主成分特征向量进行第二PCA卷积计算,得到各所述目标图像的第二主成分特征向量;
哈希值计算子模块,用于对各所述目标图像的第二主成分特征向量进行哈希运算,得到各所述目标图像的哈希值;
图像特征信息计算子模块,用于将各所述目标图像的哈希值进行局部直方图运算,得到各所述目标图像的图像特征信息。
11.根据权利要求10所述的装置,其特征在于,所述第一主成分特征向量计算子模块包括:
第一切片单元,用于对所述多个目标图像分别进行切片处理,针对每个所述目标图像,得到多个第一图像切片;
第一矢量化单元,用于对每个所述目标图像的第一图像切片进行矢量化,针对每个所述目标图像,得到多个第一矢量化结果;
第一组合单元,用于针对每个所述目标图像,分别将所述目标图像的多个第一矢量化结果组合,得到所述目标图像的第一矩阵;
第一结果矩阵确定单元,用于根据各所述目标图像的第一矩阵,通过平均池化算法计算,得到第一结果矩阵;
第一主成分特征向量确定单元,用于根据预设第一滤波参数,对所述第一结果矩阵进行PCA计算,得到各所述目标图像的第一主成分特征向量。
12.根据权利要求10或11所述的装置,其特征在于,所述第二主成分特征向量计算子模块包括:
第二切片单元,用于将各所述目标图像的第一主成分特征向量进行切片处理,针对每个所述目标图像,得到多个第二图像切片;
第二矢量化单元,用于对每个所述目标图像的第二图像切片进行矢量化,针对每个所述目标图像,得到多个第二矢量化结果;
第二组合单元,用于针对每个所述目标图像,分别将所述目标图像的多个第二矢量化结果组合,得到所述目标图像的第二矩阵;
第二结果矩阵确定单元,用于根据各所述目标图像的第二矩阵,通过平均池化算法计算得到第二结果矩阵;
第二主成分特征向量确定单元,用于根据预设第二滤波参数,对所述第二结果矩阵进行PCA计算,得到各所述目标图像的第二主成分特征向量。
13.根据权利要求10所述的装置,其特征在于,所述哈希值计算子模块包括:哈希值计算单元,用于对所述各所述目标图像的第二主成分特征向量进行二值化和加权处理,得到各所述目标图像的哈希值;
所述图像特征信息计算子模块包括:图像特征信息计算单元,用于对各所述目标图像的哈希值分别进行分块和直方图统计计算,得到各所述目标图像的图像特征信息。
14.根据权利要求9所述的装置,其特征在于,针对每个所述目标图像,所述目标图像对应的图像特征信息包括多个特征点;所述聚类模块包括:
中心点确定子模块,用于在所述多个目标特征图像的多个特征点中任意初始化k个聚类的中心点;
欧式距离计算子模块,用于计算其他特征点与该k个中心点的欧氏距离;
归类子模块,用于将每个所述其他特征点归类到距离所述其他特征点最近的中心点的类别;
初始化子模块,用于在所有的特征点归类为k个簇之后,基于每个所述簇初始化出新的k个中心点;
重复执行子模块,用于重复上述过程子模块的执行步骤,直到每个簇中集合的所有特征点的距离总和最小;所述每个簇对应一种所述样本图像的类别;
分类结果得到子模块,用于根据所述待分类图像所在的簇的类别,得到所述待分类图像的分类结果;
其中,k为预设的整数。
15.根据权利要求9所述的装置,其特征在于,还包括:
数据标签添加模块,用于对分类后的所述待分类图像添加数据标签。
16.根据权利要求9所述的装置,其特征在于,还包括:
标准化处理模块,用于按照预设标准对多个源图像进行标准化处理,得到多个目标图像。
17.一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上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至8中任一所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811497639.XA CN109800781A (zh) | 2018-12-07 | 2018-12-07 | 一种图像处理方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811497639.XA CN109800781A (zh) | 2018-12-07 | 2018-12-07 | 一种图像处理方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109800781A true CN109800781A (zh) | 2019-05-24 |
Family
ID=66556551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811497639.XA Pending CN109800781A (zh) | 2018-12-07 | 2018-12-07 | 一种图像处理方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109800781A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298400A (zh) * | 2019-06-28 | 2019-10-01 | 北京奇艺世纪科技有限公司 | 一种图像分类方法、装置、设备及存储介质 |
CN110889438A (zh) * | 2019-11-08 | 2020-03-17 | 重庆金山医疗技术研究院有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN111325271A (zh) * | 2020-02-18 | 2020-06-23 | Oppo广东移动通信有限公司 | 图像分类方法及装置 |
CN111626409A (zh) * | 2020-07-30 | 2020-09-04 | 江西高创保安服务技术有限公司 | 一种图像质量检测的数据生成方法 |
CN111753114A (zh) * | 2020-06-04 | 2020-10-09 | 北京字节跳动网络技术有限公司 | 图像预标注方法、装置及电子设备 |
CN112085044A (zh) * | 2019-06-14 | 2020-12-15 | 中南大学 | 一种基于自动化监测数据的边坡动态分类方法 |
CN113011221A (zh) * | 2019-12-19 | 2021-06-22 | 广州极飞科技股份有限公司 | 作物分布信息的获取方法、装置及测量*** |
CN113057585A (zh) * | 2021-03-15 | 2021-07-02 | 中国科学院计算技术研究所 | 一种认知障碍检测模型及其训练方法 |
CN113887630A (zh) * | 2021-09-30 | 2022-01-04 | 北京百度网讯科技有限公司 | 图像分类方法、装置、电子设备和存储介质 |
CN114048344A (zh) * | 2021-11-25 | 2022-02-15 | 天翼数字生活科技有限公司 | 一种相似人脸搜索方法、装置、设备和可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605990A (zh) * | 2013-10-23 | 2014-02-26 | 江苏大学 | 基于图聚类标签传播的集成多分类器融合分类方法和*** |
CN104751198A (zh) * | 2013-12-27 | 2015-07-01 | 华为技术有限公司 | 图像中的目标物的识别方法及装置 |
CN105447473A (zh) * | 2015-12-14 | 2016-03-30 | 江苏大学 | 一种基于PCANet-CNN的任意姿态人脸表情识别方法 |
CN108416370A (zh) * | 2018-02-07 | 2018-08-17 | 深圳大学 | 基于半监督深度学习的图像分类方法、装置和存储介质 |
-
2018
- 2018-12-07 CN CN201811497639.XA patent/CN109800781A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605990A (zh) * | 2013-10-23 | 2014-02-26 | 江苏大学 | 基于图聚类标签传播的集成多分类器融合分类方法和*** |
CN104751198A (zh) * | 2013-12-27 | 2015-07-01 | 华为技术有限公司 | 图像中的目标物的识别方法及装置 |
CN105447473A (zh) * | 2015-12-14 | 2016-03-30 | 江苏大学 | 一种基于PCANet-CNN的任意姿态人脸表情识别方法 |
CN108416370A (zh) * | 2018-02-07 | 2018-08-17 | 深圳大学 | 基于半监督深度学习的图像分类方法、装置和存储介质 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085044A (zh) * | 2019-06-14 | 2020-12-15 | 中南大学 | 一种基于自动化监测数据的边坡动态分类方法 |
CN112085044B (zh) * | 2019-06-14 | 2023-11-24 | 中南大学 | 一种基于自动化监测数据的边坡动态分类方法 |
CN110298400A (zh) * | 2019-06-28 | 2019-10-01 | 北京奇艺世纪科技有限公司 | 一种图像分类方法、装置、设备及存储介质 |
CN110889438B (zh) * | 2019-11-08 | 2023-07-04 | 重庆金山医疗技术研究院有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN110889438A (zh) * | 2019-11-08 | 2020-03-17 | 重庆金山医疗技术研究院有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN113011221A (zh) * | 2019-12-19 | 2021-06-22 | 广州极飞科技股份有限公司 | 作物分布信息的获取方法、装置及测量*** |
CN111325271A (zh) * | 2020-02-18 | 2020-06-23 | Oppo广东移动通信有限公司 | 图像分类方法及装置 |
CN111325271B (zh) * | 2020-02-18 | 2023-09-12 | Oppo广东移动通信有限公司 | 图像分类方法及装置 |
CN111753114A (zh) * | 2020-06-04 | 2020-10-09 | 北京字节跳动网络技术有限公司 | 图像预标注方法、装置及电子设备 |
CN111626409A (zh) * | 2020-07-30 | 2020-09-04 | 江西高创保安服务技术有限公司 | 一种图像质量检测的数据生成方法 |
CN113057585A (zh) * | 2021-03-15 | 2021-07-02 | 中国科学院计算技术研究所 | 一种认知障碍检测模型及其训练方法 |
CN113887630A (zh) * | 2021-09-30 | 2022-01-04 | 北京百度网讯科技有限公司 | 图像分类方法、装置、电子设备和存储介质 |
CN114048344A (zh) * | 2021-11-25 | 2022-02-15 | 天翼数字生活科技有限公司 | 一种相似人脸搜索方法、装置、设备和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800781A (zh) | 一种图像处理方法、装置及计算机可读存储介质 | |
Li et al. | Tts-gan: A transformer-based time-series generative adversarial network | |
Klibisz et al. | Fast, simple calcium imaging segmentation with fully convolutional networks | |
DE112016005006T5 (de) | Automatische videozusammenfassung | |
US9152926B2 (en) | Systems, methods, and media for updating a classifier | |
CN108090508A (zh) | 一种分类训练方法、装置及存储介质 | |
CN105894046A (zh) | 卷积神经网络训练及图像处理的方法和***、计算机设备 | |
CN109948680B (zh) | 病历数据的分类方法及*** | |
JP2023523029A (ja) | 画像認識モデル生成方法、装置、コンピュータ機器及び記憶媒体 | |
CN109598671A (zh) | 图像生成方法、装置、设备及介质 | |
CN103942571A (zh) | 一种基于遗传规划算法的图形图像分类方法 | |
CN114494263B (zh) | 融合临床信息的医学影像病变检测方法、***及设备 | |
CN109934226A (zh) | 关键区域确定方法、装置及计算机可读存储介质 | |
CN113569895A (zh) | 图像处理模型训练方法、处理方法、装置、设备及介质 | |
CN106033425A (zh) | 数据处理设备和数据处理方法 | |
García-Manso et al. | Study of the effect of breast tissue density on detection of masses in mammograms | |
CN113689436A (zh) | 图像语义分割方法、装置、设备及存储介质 | |
CN110379491A (zh) | 识别脑胶质瘤方法、装置、设备和存储介质 | |
CN109299279A (zh) | 一种数据处理方法、设备、***和介质 | |
Zong et al. | Transductive transfer lda with riesz-based volume lbp for emotion recognition in the wild | |
CN107729918A (zh) | 基于代价敏感支持向量机的元胞自动机涌现现象的分类方法 | |
Momo et al. | Speech recognition using feed forward neural network and principle component analysis | |
Karavarsamis et al. | Classifying Salsa dance steps from skeletal poses | |
Nedjar et al. | A topological approach for mammographic density classification using a modified synthetic minority over-sampling technique algorithm | |
CN114417982A (zh) | 一种模型训练方法、终端设备及计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190524 |