CN110956216A - 一种图像融合方法、图像融合装置以及计算机存储介质 - Google Patents

一种图像融合方法、图像融合装置以及计算机存储介质 Download PDF

Info

Publication number
CN110956216A
CN110956216A CN201911244131.3A CN201911244131A CN110956216A CN 110956216 A CN110956216 A CN 110956216A CN 201911244131 A CN201911244131 A CN 201911244131A CN 110956216 A CN110956216 A CN 110956216A
Authority
CN
China
Prior art keywords
image
fused
images
distance
clustering
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
Application number
CN201911244131.3A
Other languages
English (en)
Other versions
CN110956216B (zh
Inventor
刘三军
李育胜
朱林楠
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.)
Midea Group Co Ltd
Guangdong Midea White Goods Technology Innovation Center Co Ltd
Original Assignee
Midea Group Co Ltd
Guangdong Midea White Goods Technology Innovation Center Co Ltd
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 Midea Group Co Ltd, Guangdong Midea White Goods Technology Innovation Center Co Ltd filed Critical Midea Group Co Ltd
Priority to CN201911244131.3A priority Critical patent/CN110956216B/zh
Publication of CN110956216A publication Critical patent/CN110956216A/zh
Application granted granted Critical
Publication of CN110956216B publication Critical patent/CN110956216B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种图像融合方法、图像融合装置以及计算机存储介质，该图像融合方法包括：获取至少两张待融合图像；提取至少两张待融合图像的图像特征，并基于图像特征对至少两张待融合图像进行聚类，得到至少两个聚类中心；根据至少两个聚类中心计算全局中心；根据至少两个聚类中心与全局中心的距离计算至少两张待融合图像的融合系数，其中，距离与融合系数正相关；根据融合系数融合至少两张待融合图像，得到融合图像。本申请提供的图像融合方法将至少两张待融合图像进行融合，使得融合图像能够表征各个图像的共有特征，提高图像融合的效果和效率。

Description

一种图像融合方法、图像融合装置以及计算机存储介质
技术领域
本申请涉及计算机应用技术领域，特别是涉及一种图像融合方法、图像融合装置以及计算机存储介质。
背景技术
在图像识别过程中，常常是因为样本数据不足需要做一些图像增广来扩充训练数据样本，目前常用的数据增广方法有：图像旋转、尺度变化、对比度增强、图像贴图融合等。
目前的图像贴图融合方式主要是将两张图像直接融合，融合的时候随机选择不同的两个类图像，并按照高斯分布随机选择的融合系数，进行两两融合。这种方式容易丢失其中一类的信息，导致模型提取共性特征时准确性较低，同时对模型的学习也造成一定的误差。
发明内容
本申请提供一种图像融合方法、图像融合装置以及计算机存储介质，以解决现有技术中图像融合方式准确性较低，无法很好地提取共性特征的问题。
为解决上述技术问题，本申请提出一种图像融合方法，所述图像融合方法包括：
获取至少两张待融合图像；
提取所述至少两张待融合图像的图像特征，并基于所述图像特征对所述至少两张待融合图像进行聚类，得到至少两个聚类中心；
根据所述至少两个聚类中心计算全局中心；
根据所述至少两个聚类中心与所述全局中心的距离计算所述至少两张待融合图像的融合系数，其中，所述距离与所述融合系数正相关；
根据所述融合系数融合所述至少两张待融合图像，得到融合图像。
其中，所述根据所述至少两个聚类中心与所述全局中心的距离计算所述至少两张待融合图像的融合系数的步骤，包括：
获取所述至少两个聚类中心与所述全局中心的第一距离，其中，所述第一距离为所述至少两个聚类中心与所述全局中心的距离之和；
根据所述第一距离计算所述至少两张待融合图像的融合系数。
其中，所述根据所述第一距离计算所述至少两张待融合图像的融合系数的步骤，包括：
选择目标聚类中心，并获取其余聚类中心与所述全局中心的第二距离，其中，所述第二距离为所述其余聚类中心与所述全局中心的距离之和；
根据所述第二距离和所述第一距离的比值计算得到所述目标聚类中心对应的待融合图像的融合系数。
其中，所述获取所述至少两个聚类中心与所述全局中心的第一距离的步骤之前，所述图像融合方法包括：
比较所述聚类中心与所述全局中心的距离以及预设距离；
将其中与所述全局中心的距离大于所述预设距离的聚类中心对应的聚类去除。
其中，所述获取所述至少两个聚类中心与所述全局中心的第一距离的步骤之前，所述图像融合方法包括：
将所述聚类中心与所述全局中心的距离按照距离大小从小到大进行排序；
将其中序号在预设序号之后的聚类中心对应的聚类去除。
其中，所述获取所述至少两个聚类中心与所述全局中心的第一距离的步骤，包括：
采用欧式距离方法、曼哈顿距离方法、切比雪夫距离方法和马氏距离方法中的其中一种计算所述聚类中心与所述全局中心的距离。
其中，所述基于所述图像特征对所述至少两张待融合图像进行聚类的步骤，包括：
基于所述图像特征采用k-means聚类方法对所述至少两张待融合图像进行聚类。
其中，所述根据所述融合系数融合所述至少两张待融合图像，得到融合图像的步骤，包括：
获取每张待融合图像的标签；
将所述每张待融合图像的标签以及对应的融合系数的积进行相加，得到所述融合图像的标签；
其中，所述标签为所述待融合图像的独热编码标签。
为解决上述技术问题，本申请提出一种图像融合装置，所述图像融合装置包括存储器以及与所述存储器耦接的处理器；
其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如上述的图像融合方法。
为解决上述技术问题，本申请提出一种计算机存储介质，所述计算机存储介质用于存储程序数据，所述程序数据在被处理器执行时，用以实现如上述的图像融合方法。
为解决上述技术问题，本申请提出一种学习模型构建装置，所述学习模型构建装置包括存储器以及与所述存储器耦接的处理器；
其中，所述存储器用于存储图像，所述图像至少包括上述的图像融合方法得到的融合图像，所述处理器用于对所述图像进行有监督的训练得到学习模型。
为解决上述技术问题，本申请提出一种家电设备，所述家电设备包括存储器，所述存储器上搭载有上述的学习模型。
区别于现有技术，本申请的有益效果在于：提取至少两张待融合图像的图像特征，并通过聚类的方式计算至少两张待融合图像的融合系数，并根据融合系数融合至少两张待融合图像，从而得到包括至少两张待融合图像的图像特征中共有特征的融合图像；使得在使用融合图像训练学习模型时，可以使学习模型减少对非共有特征的学习，使学习模型聚焦在至少两张待融合合图像中的共有特征，提高学习模型识别的精确度，降低误识别率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是本申请提供的图像融合方法第一实施例的流程示意图；
图2是本申请提供的图像融合方法第二实施例的流程示意图；
图3是本申请提供的图像融合方法第三实施例的流程示意图；
图4是本申请提供的图像融合方法第四实施例的流程示意图；
图5是本申请提供的图像融合装置一实施例的结构示意图；
图6是本申请提供的图像融合装置另一实施例的结构示意图；
图7是本申请提供的计算机存储介质一实施例的结构示意图；
图8是本申请提供的学习模型构建装置一实施例的结构示意图；
图9是本申请提供的家电设备一实施例的结构示意图。
具体实施方式
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，所描述的实施例仅是本发明的一部分实施例，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，都属于本发明保护的范围。
为了解决现有技术中图像融合方式准确性较低，无法很好地提取共性特征的问题，本申请提出了一种图像融合方法。具体请参阅图1，图1是本申请提供的图像融合方法第一实施例的流程示意图，本申请的图像融合方法应用于一种图像融合装置。
其中，图像融合装置可以为服务器，也可以为终端设备，还可以由服务器和终端设备相互配合的***。相应地，图像融合装置包括的各个部分，例如各个单元、子单元、模块、子模块可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。
进一步地，上述服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成至少两个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成至少两个软件或软件模块，例如用来提供分布式服务器的软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。
需要说明的是，在本申请的图像融合方法描述中，统一以图像融合装置作为执行主体。
如图1所示，本实施例的图像融合方法具体包括以下步骤：
S101：获取至少两张待融合图像。
其中，图像融合装置可以通过智能烤箱的摄像头获取至少两张待融合图像。至少两张待融合图像的获取过程如下：图像融合装置可以分别与智能烤箱的开关模组和摄像头电连接；当智能烤箱的开关模组打开，即智能烤箱开始工作时，图像融合装置通过开关模组获悉智能烤箱的工作状态发生改变，控制摄像头拍摄智能烤箱内部的图像，作为待融合图像。在其他实施例中，待融合图像的来源不限于智能烤箱，还可以是其他家电设备，如冰箱、微波炉等。图像融合装置也可以联合多个家电设备来获取待融合图像，即待融合图像可以是一部分来自冰箱，一部分来自智能烤箱。通过联合不同场景的待融合图像，可以使利用所得的融合图像训练出来的模型具有通用性，能够在多场景间移植使用时，不会减低识别率。
本实施例的待融合图像包括但不限于生食物的待融合图像，还可以将智能烤箱开始工作时的食物状态图像作为待融合图像。其中，至少两张待融合图像可以从不同的场景获取，例如生食物的待融合图像可以来源于冰箱，其余待融合图像可以来源于烤箱和/或微波炉等。在其他实施例中，图像融合装置还可以设置一预设时间，在获悉智能烤箱的工作状态发生改变时，图像融合装置在预设时间后拍摄智能烤箱内部的图像，作为待融合图像。
至少两张待融合图像的获取过程如下还可以为：图像融合装置可以与智能烤箱的检测模组电连接；当智能烤箱的检测模组接收到检测指令时，检测模组将检测指令发送给图像融合装置，图像融合装置控制摄像头拍摄智能烤箱内部的图像，作为待融合图像。
待融合图像可以为不同时间拍摄的同一类食物，也可以为同一时间拍摄的不同类食物，在此不再赘述。
S102：提取至少两张待融合图像的图像特征，并基于图像特征对至少两张待融合图像进行聚类，得到至少两个聚类中心。
其中，图像融合装置对至少两张待融合图像进行图像特征提取。在本实施例中，图像融合装置可以提取待融合图像的原理RGB彩色图像特征。在其他实施例汇总，图像融合装置也可以提取其他类型的图像特征，例如PCA降维后的图像特征等。
进一步地，图像融合装置基于提取的图像特征对待融合图像进行聚类，得到至少两个类的聚类中心，其中，聚类中心用于表征各个类的特征中心，即图像的共有特征。
本申请图像融合装置采用的聚类方法包括但不限于k-means聚类方法，在其他实施例中，图像融合装置也可以采用均值漂移聚类方法，或者基于高斯混合模型的最大期望聚类方法等。
S103：根据至少两个聚类中心计算全局中心。
其中，图像融合装置根据获取的至少两个聚类中心计算全局中心。
例如，图像融合装置获取的C1类的聚类中心为O1，C2类的聚类中心为O2，C3类的聚类中心为O3等。由此，图像融合装置可以计算出全局中心O为：
Figure BDA0002307047700000061
其中，n为聚类的数量。
具体地，本实施例图像融合装置计算各个类聚类中心的全局中心O时，采用的是直接计算各个聚类中心的几何中心。在其他实施例中，图像融合装置还可以采用质心的计算方法计算全局中心O，在此不再赘述。
S104：根据至少两个聚类中心与全局中心的距离计算至少两张待融合图像的融合系数，其中，距离与融合系数正相关。
其中，图像融合装置计算各个聚类中心与全局中心的距离。在本实施例中，图像融合装置采用欧式距离方法计算聚类中心与全局中心的距离。在其他实施例中，图像融合装置还可以采用曼哈顿距离方法、切比雪夫距离方法和马氏距离方法中的其中一种计算聚类中心与全局中心的距离。
以欧式距离方法为例，C1类的聚类中心到全局中心的距离为
Figure BDA0002307047700000071
C2类的聚类中心到全局中心的距离为
Figure BDA0002307047700000072
C3类的聚类中心到全局中心的距离为
Figure BDA0002307047700000073
Cn类的聚类中心到全局中心的距离为
Figure BDA0002307047700000074
其中，图像融合装置根据每个类的聚类中心到全局中心的距离计算该类待融合图像的融合系数，聚类中心到全局中心的距离与融合***呈正相关的关系，即该类聚类中心到全局中心的距离越近，该类待融合图像的融合系数越大。
S105：根据融合系数融合至少两张待融合图像，得到融合图像。
其中，图像融合装置根据S104的融合系数融合至少两张待融合图像，以得到最终的融合图像，融合图像中包括至少两张待融合图像的共性特征，有利于模型学习各类的共性特征。
具体地，图像融合装置还可以获取每张待融合图像的标签，其中，标签可以为待融合图像的独热编码标签。图像融合图像将每张待融合图像的标签以及对应的融合***的积进行相加，得到最终融合图像的标签。
例如，图像融合装置获取标签分别为鸡腿、猪肉、猪排骨的待融合图像后，根据融合系数将待融合图像进行融合的同时，也可以根据融合系数将对应的标签进行融合。具体标签融合机制的计算方法如下：Xi，Xj和Xk分别为输入的待融合图像，
Figure BDA0002307047700000075
为融合图像，Yi，Yj和Yk分别为待融合图像Xi，Xj和Xk的标签，
Figure BDA0002307047700000076
为融合图像的标签。μi，μj和μk为融合因子，其中，0≤μi≤1且μi+μj+μk＝1，具体计算公式如下：
Figure BDA0002307047700000077
在本实施例中，图像融合装置获取至少两张待融合图像；提取至少两张待融合图像的图像特征，并基于图像特征对至少两张待融合图像进行聚类，得到至少两个聚类中心；根据至少两个聚类中心计算全局中心；根据至少两个聚类中心与全局中心的距离计算至少两张待融合图像的融合系数，其中，距离与融合系数正相关；根据融合系数融合至少两张待融合图像，得到融合图像。本申请提供的图像融合方法将至少两张待融合图像进行融合，使得融合图像能够表征各个图像的共有特征，提高图像融合的效果和效率。图像融合装置在融合的时候可以在至少两个类数据之间进行融合，这样有助于进一步的将新融合的图像同时能够表征所融合的各个图像的共有特征，使得模型避免偏颇的学习某个样本的图像特征的情况发生。
对于图1所示实施例中的S104，本申请进一步提出了另一种具体的图像融合方法。请继续参阅图2，图2是本申请提供的图像融合方法第二实施例的流程示意图。
如图2所示，本实施例的图像融合方法具体包括以下步骤：
S201：获取至少两个聚类中心与全局中心的第一距离，其中，第一距离为至少两个聚类中心与全局中心的距离之和。
其中，图像融合装置获取各个聚类中心与全局中心的距离，并将所有聚类中心与全局中心的距离相加，得到第一距离。
第一距离的具体计算方式如下：
dA＝d1+...+di+...+dn
其中，dA为第一距离，dn为第b类的聚类中心与全局中心的距离。
S202：选择目标聚类中心，并获取其余聚类中心与全局中心的第二距离，其中，第二距离为其余聚类中心与全局中心的距离之和。
其中，图像融合装置遍历所有聚类中心，并选择其中一个聚类中心作为目标聚类中心。图像融合装置获取其余聚类中心与全局中心的第二距离，其中，第二距离为其余聚类中心与全局中心的聚类之和。
例如，若目标聚类为C1，目标聚类中心为O1，则第二距离的具体计算方式如下：
dB＝d2+d3+...+dn
例如，若目标聚类为C2，目标聚类中心为O2，则第二距离的具体计算方式如下：
dB＝d1+d3+...+dn
例如，若目标聚类为Ci，目标聚类中心为Oi，则第二距离的具体计算方式如下：
dB＝d1+...+di-1+di+1+...+dn
S203：根据第二距离和第一距离的比值计算得到目标聚类中心对应的待融合图像的融合系数。
其中，图像融合装置根据上述的第二距离和第一距离的比值计算目标聚类中心对应的待融合图像的融合系数。
例如，若目标聚类为C1，目标聚类中心为O1，则目标聚类对应的待融合图像的融合系数为：
Figure BDA0002307047700000091
例如，若目标聚类为C2，目标聚类中心为O2，则目标聚类对应的待融合图像的融合系数为：
Figure BDA0002307047700000092
例如，若目标聚类为Ci，目标聚类中心为Oi，则目标聚类对应的待融合图像的融合系数为：
Figure BDA0002307047700000093
在本实施例中，图像融合装置根据各个类的聚类中心与全局中心的距离计算得到各个类对应的待融合图像的融合系数；图像融合装置根据特征聚类中心获得的融合系数，离全局中心越近，分配的融合系数越大，从而保留的共性特征越多，最终有利于后续模型学习更多的共性特征来提高模型的表征能力；进一步地，本实施例待融合图像不受输入数量的限制，可以允许两个以上的待融合图像一起进行融合，将一些共有特征比较明显的至少两个类的待融合图像一起进行融合，可以更加有效地使得模型学习全局的共有特征。
对于图2所示实施例中的S201之前，本申请进一步提出了另一种具体的图像融合方法。请继续参阅图3，图3是本申请提供的图像融合方法第三实施例的流程示意图。
如图3所示，本实施例的图像融合方法具体包括以下步骤：
S301：比较聚类中心与全局中心的距离以及预设距离。
其中，在计算融合系数之前，图像融合装置计算每一聚类中心与全局中心的距离，并进一步比较每一聚类中心与全局中心的距离与预设距离。预设聚类为图像融合装置设置的一个距离阈值，当聚类中心与全局中心的距离大于该距离阈值时，说明这个聚类中心对应的聚类的特征离共有特征比较远，该聚类不需要加入图像融合。
S302：将其中与全局中心的距离大于预设距离的聚类中心对应的聚类去除。
其中，图像融合装置将其中与全局中心的距离大于预设距离的聚类中心对应的聚类去除，图像融合装置通过根据各个聚类中心到全局中心的距离选择性地进行融合，剔除不必要的融合，可以大大减少图像融合的冗余性，提高图像融合的效率。
在其他实施例中，图像融合装置也可以采用其他方式剔除冗余的聚类，具体过程如下：图像融合装置将聚类中心按照与全局中心的距离从小到大进行排序，并将其中序号在预设序号之后的聚类中心对应的聚类剔除，或者将序号在前25％的聚类中心对应的聚类保留，并剔除其他聚类。
为了解决现有技术中图像融合方式准确性较低，无法很好地提取共性特征的问题，本申请提出了另一种具体的图像融合方法。具体请参阅图4，图4是本申请提供的图像融合方法第四实施例的流程示意图。
如图4所示，本实施例的图像融合方法具体包括以下步骤：
S401：获取至少两张待融合图像。
S402：提取至少两张待融合图像的图像特征，并基于图像特征对至少两张待融合图像进行聚类，得到至少两个聚类中心。
S403：根据至少两个聚类中心计算全局中心。
S404：获取至少两个聚类中心与全局中心的第一距离，其中，第一距离为至少两个聚类中心与全局中心的距离之和。
S405：选择目标聚类中心，并获取其余聚类中心与全局中心的第二距离，其中，第二距离为其余聚类中心与全局中心的距离之和。
S406：根据第二距离和第一距离的比值计算得到目标聚类中心对应的待融合图像的融合系数。
为了实现上述的图像融合方法，本申请还提供了一种图像融合装置，具体请参阅图5，图5是本申请提供的图像融合装置一实施例的结构示意图。
如图5所示，本实施例的图像融合装置500包括获取模块51、计算模块52以及处理模块53。
其中，获取模块51用于获取至少两张待融合图像。
计算模块52用于提取至少两张待融合图像的图像特征，并基于图像特征对至少两张待融合图像进行聚类，得到至少两个聚类中心。计算模块52还用于根据至少两个聚类中心计算全局中心。计算模块52还用于根据至少两个聚类中心与全局中心的距离计算至少两张待融合图像的融合系数，其中，距离与所述融合系数正相关。
处理模块53用于根据融合系数融合至少两张待融合图像，得到融合图像。
为了实现上述的图像融合方法，本申请还提供了另一种图像融合装置，具体请参阅图6，图6是本申请提供的图像融合装置另一实施例的结构示意图。
如图5所示，本实施例的图像融合装置600包括处理器61、存储器62、输入输出设备63以及总线64。
该处理器61、存储器62、输入输出设备63分别与总线64相连，该存储器62中存储有计算机程序，处理器61用于执行计算机程序以实现上述实施例所述的图像融合方法。
在本实施例中，处理器61还可以称为CPU(Central Processing Unit，中央处理单元)。处理器61可能是一种集成电路芯片，具有信号的处理能力。处理器61还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器61也可以是任何常规的处理器等。
本申请还提供一种计算机存储介质，如图7所示，计算机存储介质700用于存储计算机程序71，计算机程序71在被处理器执行时，用以实现如本申请提供的图像融合方法实施例中所述的方法。
本申请提供的图像融合方法实施例中所涉及到的方法，在实现时以软件功能单元的形式存在并作为独立的产品销售或使用时，可以存储在装置中，例如一个计算机可读取存储介质。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请还提供了一种学习模型构建装置，如图8所示，学习模型构建装置800包括存储器81以及与存储器81耦接的处理器82。
其中，存储器81用于存储图像，图像至少包括上述图像融合方法实施例得到的融合图像，处理器82用于对图像进行有监督的训练以得到学习模型。
本申请还提供了一种家电设备，其中，家电设备具体可以为微波炉、冰箱、烤箱等。如图9所示，家电设备900包括存储器91，存储器91上搭载有上述的学习模型。
以上所述仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (12)

1.一种图像融合方法，其特征在于，所述图像融合方法包括：
获取至少两张待融合图像；
提取所述至少两张待融合图像的图像特征，并基于所述图像特征对所述至少两张待融合图像进行聚类，得到至少两个聚类中心；
根据所述至少两个聚类中心计算全局中心；
根据所述至少两个聚类中心与所述全局中心的距离计算所述至少两张待融合图像的融合系数，其中，所述距离与所述融合系数正相关；
根据所述融合系数融合所述至少两张待融合图像，得到融合图像。
2.根据权利要求1所述的图像融合方法，其特征在于，
所述根据所述至少两个聚类中心与所述全局中心的距离计算所述至少两张待融合图像的融合系数，包括：
获取所述至少两个聚类中心与所述全局中心的第一距离，其中，所述第一距离为所述至少两个聚类中心与所述全局中心的距离之和；
根据所述第一距离计算所述至少两张待融合图像的融合系数。
3.根据权利要求2所述的图像融合方法，其特征在于，
所述根据所述第一距离计算所述至少两张待融合图像的融合系数，包括：
选择目标聚类中心，并获取其余聚类中心与所述全局中心的第二距离，其中，所述第二距离为所述其余聚类中心与所述全局中心的距离之和；
根据所述第二距离和所述第一距离的比值计算得到所述目标聚类中心对应的待融合图像的融合系数。
4.根据权利要求2所述的图像融合方法，其特征在于，
所述获取所述至少两个聚类中心与所述全局中心的第一距离的步骤之前，所述图像融合方法包括：
比较所述聚类中心与所述全局中心的距离以及预设距离；
将其中与所述全局中心的距离大于所述预设距离的聚类中心对应的聚类去除。
5.根据权利要求2所述图像融合方法，其特征在于，
所述获取所述至少两个聚类中心与所述全局中心的第一距离的步骤之前，所述图像融合方法包括：
将所述聚类中心与所述全局中心的距离按照距离大小从小到大进行排序；
将其中序号在预设序号之后的聚类中心对应的聚类去除。
6.根据权利要求5所述的图像融合方法，其特征在于，
所述获取所述至少两个聚类中心与所述全局中心的第一距离的步骤，包括：
采用欧式距离方法、曼哈顿距离方法、切比雪夫距离方法和马氏距离方法中的其中一种计算所述聚类中心与所述全局中心的距离。
7.根据权利要求1所述的图像融合方法，其特征在于，
所述基于所述图像特征对所述至少两张待融合图像进行聚类的步骤，包括：
基于所述图像特征采用k-means聚类方法对所述至少两张待融合图像进行聚类。
8.根据权利要求1所述的图像融合方法，其特征在于，
所述根据所述融合系数融合所述至少两张待融合图像，得到融合图像的步骤，包括：
获取每张待融合图像的标签；
将所述每张待融合图像的标签以及对应的融合系数的积进行相加，得到所述融合图像的标签；
其中，所述标签为所述待融合图像的独热编码标签。
9.一种图像融合装置，其特征在于，所述图像融合装置包括存储器以及与所述存储器耦接的处理器；
其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如权利要求1～8中任一项所述的图像融合方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质用于存储程序数据，所述程序数据在被处理器执行时，用以实现如权利要求1～8中任一项所述的图像融合方法。
11.一种学习模型构建装置，其特征在于，所述学习模型构建装置包括存储器以及与所述存储器耦接的处理器；
其中，所述存储器用于存储图像，所述图像至少包括权利要求1～8任一项所述的图像融合方法得到的融合图像，所述处理器用于对所述图像进行有监督的训练得到学习模型。
12.一种家电设备，其特征在于，所述家电设备包括存储器，所述存储器上搭载有权利要求11中所述的学习模型。
CN201911244131.3A 2019-12-06 2019-12-06 一种图像融合方法、图像融合装置以及计算机存储介质 Active CN110956216B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911244131.3A CN110956216B (zh) 2019-12-06 2019-12-06 一种图像融合方法、图像融合装置以及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911244131.3A CN110956216B (zh) 2019-12-06 2019-12-06 一种图像融合方法、图像融合装置以及计算机存储介质

Publications (2)

Publication Number Publication Date
CN110956216A true CN110956216A (zh) 2020-04-03
CN110956216B CN110956216B (zh) 2023-05-30

Family

ID=69980134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911244131.3A Active CN110956216B (zh) 2019-12-06 2019-12-06 一种图像融合方法、图像融合装置以及计算机存储介质

Country Status (1)

Country Link
CN (1) CN110956216B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103366365A (zh) * 2013-06-18 2013-10-23 西安电子科技大学 基于人工免疫多目标聚类的sar图像变化检测方法
CN103699578A (zh) * 2013-12-01 2014-04-02 北京航空航天大学 一种基于谱图分析的图像检索方法
CN110222248A (zh) * 2019-05-28 2019-09-10 长江大学 一种大数据聚类方法及装置
CN110399890A (zh) * 2019-07-29 2019-11-01 厦门美图之家科技有限公司 图像识别方法、装置、电子设备及可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103366365A (zh) * 2013-06-18 2013-10-23 西安电子科技大学 基于人工免疫多目标聚类的sar图像变化检测方法
CN103699578A (zh) * 2013-12-01 2014-04-02 北京航空航天大学 一种基于谱图分析的图像检索方法
CN110222248A (zh) * 2019-05-28 2019-09-10 长江大学 一种大数据聚类方法及装置
CN110399890A (zh) * 2019-07-29 2019-11-01 厦门美图之家科技有限公司 图像识别方法、装置、电子设备及可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LI YUSHENG: "《OBSTACLES DETECTION BASED ON MILLIMETRE-WAVE RADAR AND IMAGE FUSION TECHNIQUES》" *
刘甲磊: "《基于偏差映射聚类的目标关联方法》" *

Also Published As

Publication number Publication date
CN110956216B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
Su et al. Selectivity or invariance: Boundary-aware salient object detection
WO2022068196A1 (zh) 跨模态的数据处理方法、装置、存储介质以及电子装置
US10796244B2 (en) Method and apparatus for labeling training samples
CN110766096A (zh) 视频分类方法、装置及电子设备
Chen et al. Geometric anchor correspondence mining with uncertainty modeling for universal domain adaptation
US20170061252A1 (en) Method and device for classifying an object of an image and corresponding computer program product and computer-readable medium
CN109918498B (zh) 一种问题入库方法和装置
US20210224606A1 (en) Device and Method of Handling Anomaly Detection
CN110348012B (zh) 确定目标字符的方法、装置、存储介质及电子装置
KR20220093157A (ko) 비디오 검출 방법, 장치, 기기 및 컴퓨터 판독 가능한 저장 매체
CN112434288A (zh) 基于物联网的网络大数据信息防泄密方法及***
US10212291B2 (en) System, method, and non-transitory computer readable storage medium for image recognition based on convolutional neural networks
Cong et al. CAN: Contextual aggregating network for semantic segmentation
CN110956216B (zh) 一种图像融合方法、图像融合装置以及计算机存储介质
Fatemeh Razavi et al. Integration of colour and uniform interlaced derivative patterns for object tracking
Kar et al. Motion and illumination defiant cut detection based on Weber features
CN115937742B (zh) 视频场景分割、视觉任务处理方法、装置、设备以及介质
CN115984671A (zh) 模型在线更新方法、装置、电子设备及可读存储介质
CN111488476B (zh) 图像推送方法、模型训练方法及对应装置
WO2020191668A1 (en) Proposal processing method and related products
CN112055076A (zh) 基于互联网的多功能智能监控方法、装置及服务器
JPWO2021038840A5 (zh)
CN113298135B (zh) 基于深度学习的模型训练方法、装置、存储介质及设备
CN111291602A (zh) 视频检测方法、装置、电子设备及计算机可读存储介质
CN116662415B (zh) 基于数据挖掘的智能匹配方法及***

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