CN111709889B - 一种基于人工智能的图像动态实时分析***及方法 - Google Patents

一种基于人工智能的图像动态实时分析***及方法 Download PDF

Info

Publication number
CN111709889B
CN111709889B CN202010518285.3A CN202010518285A CN111709889B CN 111709889 B CN111709889 B CN 111709889B CN 202010518285 A CN202010518285 A CN 202010518285A CN 111709889 B CN111709889 B CN 111709889B
Authority
CN
China
Prior art keywords
image
data
module
scene
artificial intelligence
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
CN202010518285.3A
Other languages
English (en)
Other versions
CN111709889A (zh
Inventor
周康
董岩
闫强
石凯
武铁军
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.)
Cnispgroup Technology Co ltd
Original Assignee
Cnispgroup Technology 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 Cnispgroup Technology Co ltd filed Critical Cnispgroup Technology Co ltd
Priority to CN202010518285.3A priority Critical patent/CN111709889B/zh
Publication of CN111709889A publication Critical patent/CN111709889A/zh
Application granted granted Critical
Publication of CN111709889B publication Critical patent/CN111709889B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明属于图像处理技术领域，公开了一种基于人工智能的图像动态实时分析***及方法，所述基于人工智能的图像动态实时分析方法包括：数据采集或导入模块进行相关图像数据的获取；数据预处理模块对获取的数据进行处理；图像数据动态分析模块获取图像的目标、主题、场景、内容及其他特征数据；图像分类模块进行图像分类；场景模型构建模块进行场景模型的构建；数据判断模块判断所需的图像数据内容；图像特征提取模块进行相应数据的提取；数据导入模块将提取的数据导入构建的场景模型中；利用可视化设备将构建的场景模型进行显示图像动态分析得到的目标、主题、场景、内容及其他特征数据。本发明能够有助于全方位的掌握图像所包含的特征点。

Description

一种基于人工智能的图像动态实时分析***及方法
技术领域
本发明属于图像处理技术领域，尤其涉及一种基于人工智能的图像动态实时分析***及方法。
背景技术
目前，数字图像分析技术在当今社会发挥着重要作用。随着硬件设备的性能不断攀升，图像分辨率已经越来越高。在民用领域，1080P分辨率已经普及，而在工业、科研领域往往采用更高分辨率的视频数据以达到采集更多信息的目的。
数字图像处理技术已超过60年历史，随着电子计算机发展到一定水平，人们开始利用计算机来处理图形和图像信息。早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。在数字图像在各行各业开始应用之后，数字图像处理技术开始用于分析视频数据，从图像信息中提取语义信息，在一定程度上能够替代人眼观察，并且扩大了数字图像与信息技术的应用范围。数字图像分析技术在生物医学、通信工程、军事公安、航天航空、工程和工业生产等方面发挥了巨大作用。
传统的数字图像分析处理技术主要是对图像进行玉藻、特征提取等常规处理，只能针对图像的纹理特征等进行单一的特征提取。
通过上述分析，现有技术存在的问题及缺陷为：现有技术不能对图像进行全方位的动态分析处理，只能针对图像的纹理特征等进行单一的特征提取。
发明内容
针对现有技术存在的问题，本发明提供了一种基于人工智能的图像动态实时分析***及方法。
本发明是这样实现的，一种基于人工智能的图像动态实时分析方法，所述基于人工智能的图像动态实时分析方法包括以下步骤：
步骤一，通过数据采集/导入模块利用数据接口、扫描设备或采集装置进行相关图像数据的获取；通过数据预处理模块将获取的彩色图像转换为灰度图像。
步骤二，利用平均值法估计图像的亮度背景并在灰度图像减去以消除曝光度、亮度差别的影响；利用局部秩算子，在不同参数条件下对图像进行局部秩变换，得到图像的正局部秩变换和负局部秩变换。
步骤三，通过数据预处理程序将所述正局部秩变换和负局部秩变换相加得到参数连续变化的***部秩特征；之后在稀疏表示的图像去噪方法的基础上，将所述***部秩特征作为约束条件对图像进行初次去噪。
步骤四，通过控制去噪前与去噪后图像之间所述***部秩特征的差异对图像进行二次去噪，实现图像噪声的去除，获得去噪后的清晰图像。
步骤五，在去噪后图像h的灰度级的直方图数组H的基础上构建直方图数组H'；将直方图数组H'与直方图数组H中各灰度级按照灰度级从大到小顺序一一对应替换，以构建新直方图数组H”。
步骤六，对步骤五构建的新直方图数组H”进行累积求和，以通过新灰度级构成新的增强图像，并对增强处理后的图像进行分割处理。
步骤七，通过图像数据动态分析模块基于人工智能技术利用图像特征提取算法分别提取图像数据目标、主题、场景、内容及其他多个不同的图像特征并获取分割后的图像数据。
步骤八，利用图像处理程序分别对包含图像目标、主题、场景、内容特征的数据以及多个分割后的图像数据进行处理，得到不同的目标、主题、场景、内容图像处理结果。
步骤九，将步骤八得到的目标、主题、场景、内容图像处理结果与原始图像数据进行图像融合，得到多个处理后的样本图像。
步骤十，利用得到的多个处理后的样本图像数据对人工神经网络模型进行训练，分别构建图像目标辨识分析模型、主题辨识分析模型、场景辨识分析模型、内容辨识分析模型。
步骤十一，利用构建得到的图像目标辨识分析模型、主题辨识分析模型、场景辨识分析模型、内容辨识分析模型分别进行图像的目标、主题、场景、内容分析。
步骤十二，通过图像分类模块基于图像的内容特征进行图像分类；图像存储模块对采集的图像数据进行存储，同时按照图像分类结果进行处理图像的分类存储。
步骤十三，通过场景模型构建模块基于得到的图像主题和场景信息进行场景模型的构建；数据判断模块基于构建的场景模型，判断所需的图像数据内容。
步骤十四，通过图像特征提取模块基于得到的所需图像数据内容从采集的图像数据中进行相应数据的提取。
步骤十五，通过数据导入模块将提取的数据导入构建的场景模型中；利用可视化设备将构建的场景模型进行显示，并显示图像动态分析得到的目标、主题、场景、内容及其他特征数据。
进一步，步骤三中，所述约束条件为：
Figure BDA0002530939270000031
其中，
Figure BDA0002530939270000032
为噪声图像Ii的***部秩特征，
Figure BDA0002530939270000033
为滤波后初级清晰图像
Figure BDA0002530939270000034
的***部秩特征，i为图像序号，k＝0,±0.01,±0.03,......。
进一步，所述***部秩特征为：
Figure BDA0002530939270000035
其中，LRTpk(Ii)为正局部秩变换，LRTnk(Ii)为负局部秩变换。
进一步，步骤五中，所述在去噪后图像的灰度级的直方图数组H的基础上构建直方图数组H'包括：
统计去噪后图像h的灰度级的直方图数组H，计算直方图数组H累积和；设新灰度公式，并将所述新灰度取整以构建图像h1，并统计图像h1的灰度级的直方图数组H'。
进一步，步骤十中，所述人工神经网络模型包括输入层、隐藏层和输出层；所述对神经网络进行训练的方法，包括：
首先对神经网络模型进行初始化；然后将特征向量组data送进神经网络模型，结合权值矩阵和偏置矩阵进行计算；
通过反向传播控制算法，在当不满足预设准确度要求时，调整隐藏层的个数与网络权值，直到满足准确度要求；
保存神经网络参数，包括循环神经网络模型、输入神经元个数与网络权值，训练结束。
进一步，步骤十三中，所述通过场景模型构建模块基于得到的图像主题和场景信息进行场景模型的构建的方法，包括：
1)使用图像主题和场景数据以及原始图像数据；
2)利用分类直线对原始图像数据进行面支撑性分析，得到图像中每个像素所属面，根据像素所属面对图像进行划分，从而得到初步的场景结构信息；
3)基于得到的图像主题和场景数据构建图像场景图，并根据场景图生成最终的三维场景结构；
4)使用单根有向线段特征将得到的三维场景结构注册到统一的三维场景中即可。
进一步，步骤2)中，所述场景结构信息获取方法包括：
根据面支撑特性对像素所属面进行分析，进而得到初步的场景结构信息；
空间中一点A和两组共面平行线投影到图像平面后，若点投影位置在四条直线投影形成的四边形内部，且投影点和投影直线之间没有其它非共面投影直线阻拦其可见性，则认为投影点被相应的投影面所支撑，反映在空间中即认为A在共面平行线形成的面上；
对图像中所有像素进行面支撑性分析，即可按照支撑性对图像进行划分，得到初步的场景结构信息。
本发明的另一目的在于提供一种应用所述的基于人工智能的图像动态实时分析方法的基于人工智能的图像动态实时分析***，所述基于人工智能的图像动态实时分析***包括：
数据采集/导入模块，与主控模块连接，用于利用数据接口、扫描设备或采集装置进行相关图像数据的获取；
数据预处理模块，与主控模块连接，用于通过数据预处理程序对获取的图像数据进行去噪、增强和分割处理；
主控模块，与数据采集/导入模块、数据预处理模块、图像数据动态分析模块、图像分类模块、图像存储模块、场景模型构建模块、数据判断模块、图像特征提取模块、数据导入模块、可视化模块连接，用于通过主控器控制所述基于人工智能的图像动态实时分析***各个模块的正常运行；
图像数据动态分析模块，与主控模块连接，用于基于人工智能技术进行图像特征的提取、辨识及分析，获取图像的目标、主题、场景、内容及其他特征数据；
图像分类模块，与主控模块连接，用于基于图像的内容特征进行图像分类；
图像存储模块，与主控模块连接，用于对采集的图像数据进行存储，同时按照图像分类结果进行处理图像的分类存储；
场景模型构建模块，与主控模块连接，用于基于得到的图像主题和场景信息进行场景模型的构建；
数据判断模块，与主控模块连接，用于基于构建的场景模型，判断所需的图像数据内容；
图像特征提取模块，与主控模块连接，用于基于得到的所需图像数据内容从采集的图像数据中进行相应数据的提取；
数据导入模块，与主控模块连接，用于将提取的数据导入构建的场景模型中；
可视化模块，与主控模块连接，用于利用可视化设备将构建的场景模型进行显示，并显示图像动态分析得到的目标、主题、场景、内容及其他特征数据。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述的基于人工智能的图像动态实时分析方法。
本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行所述的基于人工智能的图像动态实时分析方法。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明通过数据预处理模块利用***部秩特征作为噪声的约束条件，将***部秩特征作为约束条件对图像进行初次去噪，实现了对图像平滑区域噪声的去除以及对图像边缘及细节信息的保留；随后，通过控制去噪前与去噪后图像之间所述***部秩特征的差异，对保留有边缘细节信息的图像进行二次去噪，具有更佳的去噪效果，能够获得质量更高的去噪图像，从而有效保障后续图像处理和分析的可靠性。同时，本发明通过图像数据动态分析模块能够基于人工智能技术对获取的图像数据进行目标、主题、场景、内容及其他特征的提取，并依据提取的数据进行分类处理及存储，有助于全方位的掌握图像所包含的特征点，同时依据提取的内容进行场景构建，能够有效还原图像的三维场景数据，进行各类状况的模拟，有助于全方位的进行图像场景的把握。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，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是本发明实施例提供的基于人工智能的图像动态实时分析方法流程图。
图2是本发明实施例提供的基于人工智能的图像动态实时分析***结构示意图；
图中：1、数据采集/导入模块；2、数据预处理模块；3、主控模块；4、图像数据动态分析模块；5、图像分类模块；6、图像存储模块；7、场景模型构建模块；8、数据判断模块；9、图像特征提取模块；10、数据导入模块；11、可视化模块。
图3是本发明实施例提供的通过数据预处理程序对获取的图像数据进行去噪的方法流程图。
图4是本发明实施例提供的通过图像数据动态分析模块进行图像特征的提取、辨识及分析的方法流程图。
图5是本发明实施例提供的通过场景模型构建模块基于得到的图像主题和场景信息进行场景模型构建的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于人工智能的图像动态实时分析***及方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的基于人工智能的图像动态实时分析方法包括以下步骤：
S101，通过数据采集或导入模块利用数据接口、扫描设备或采集装置进行相关图像数据的获取；通过数据预处理模块对获取的数据进行去噪、增强和分割处理。
S102，通过图像数据动态分析模块基于人工智能技术进行图像特征的提取、辨识及分析，获取图像的目标、主题、场景、内容及其他特征数据。
S103，通过图像分类模块基于图像的内容特征进行图像分类；通过图像存储模块对采集的图像数据进行存储，同时按照图像分类结果进行处理图像的分类存储。
S104，通过场景模型构建模块基于得到的图像主题和场景信息进行场景模型的构建；通过数据判断模块基于构建的场景模型，判断所需的图像数据内容。
S105，通过图像特征提取模块基于得到的所需图像数据内容从采集的图像数据中进行相应数据的提取。
S106，通过数据导入模块将提取的数据导入构建的场景模型中；利用可视化设备将构建的场景模型进行显示，并显示图像动态分析得到的目标、主题、场景、内容及其他特征数据。
如图2所示，本发明实施例提供的基于人工智能的图像动态实时分析***包括：数据采集/导入模块1、数据预处理模块2、主控模块3、图像数据动态分析模块4、图像分类模块5、图像存储模块6、场景模型构建模块7、数据判断模块8、图像特征提取模块9、数据导入模块10、可视化模块11。
数据采集/导入模块1，与主控模块3连接，用于利用数据接口、扫描设备或采集装置进行相关图像数据的获取；
数据预处理模块2，与主控模块3连接，用于通过数据预处理程序对获取的图像数据进行去噪、增强和分割处理；
主控模块3，与数据采集/导入模块1、数据预处理模块2、图像数据动态分析模块4、图像分类模块5、图像存储模块6、场景模型构建模块7、数据判断模块8、图像特征提取模块9、数据导入模块10、可视化模块11连接，用于通过主控器控制所述基于人工智能的图像动态实时分析***各个模块的正常运行；
图像数据动态分析模块4，与主控模块3连接，用于基于人工智能技术进行图像特征的提取、辨识及分析，获取图像的目标、主题、场景、内容及其他特征数据；
图像分类模块5，与主控模块3连接，用于基于图像的内容特征进行图像分类；
图像存储模块6，与主控模块3连接，用于对采集的图像数据进行存储，同时按照图像分类结果进行处理图像的分类存储；
场景模型构建模块7，与主控模块3连接，用于基于得到的图像主题和场景信息进行场景模型的构建；
数据判断模块8，与主控模块3连接，用于基于构建的场景模型，判断所需的图像数据内容；
图像特征提取模块9，与主控模块3连接，用于基于得到的所需图像数据内容从采集的图像数据中进行相应数据的提取；
数据导入模块10，与主控模块3连接，用于将提取的数据导入构建的场景模型中；
可视化模块11，与主控模块3连接，用于利用可视化设备将构建的场景模型进行显示，并显示图像动态分析得到的目标、主题、场景、内容及其他特征数据。
下面结合具体实施例对本发明作进一步描述。
实施例1
本发明实施例提供的基于人工智能的图像动态实时分析方法如图1所示，作为优选实施例，如图3所示，本发明实施例提供的通过数据预处理程序对获取的图像数据进行去噪的方法包括：
S201，将彩色图像转换为灰度图像，利用平均值法估计图像的亮度背景并在灰度图像减去以消除曝光度、亮度差别的影响。
S202，利用局部秩算子，在不同参数条件下对图像进行局部秩变换，得到图像的正局部秩变换和负局部秩变换。
S203，将所述正局部秩变换和负局部秩变换相加得到参数连续变化的***部秩特征；之后在稀疏表示的图像去噪方法的基础上，将所述***部秩特征作为约束条件对图像进行初次去噪。
S204，通过控制去噪前与去噪后图像之间所述***部秩特征的差异对图像进行二次去噪，实现图像噪声的去除，获得去噪后的清晰图像。
本发明实施例提供的所述约束条件为：
Figure BDA0002530939270000101
其中，
Figure BDA0002530939270000102
为噪声图像Ii的***部秩特征，
Figure BDA0002530939270000103
为滤波后初级清晰图像
Figure BDA0002530939270000104
的***部秩特征，i为图像序号，k＝0,±0.01,±0.03,......。
本发明实施例提供的所述***部秩特征为：
Figure BDA0002530939270000105
其中，LRTpk(Ii)为正局部秩变换，LRTnk(Ii)为负局部秩变换。
本发明实施例提供的图像增强方法包括：
在去噪后图像h的灰度级的直方图数组H的基础上构建直方图数组H'；
将直方图数组H'与直方图数组H中各灰度级按照灰度级从大到小顺序一一对应替换，以构建新直方图数组H”；
对新直方图数组H”进行累积求和，以通过新灰度级构成新的增强图像。
本发明实施例提供的在去噪后图像的灰度级的直方图数组H的基础上构建直方图数组H'包括：
统计去噪后图像h的灰度级的直方图数组H，计算直方图数组H累积和；设新灰度公式，并将所述新灰度取整以构建图像h1，并统计图像h1的灰度级的直方图数组H'。
实施例2
本发明实施例提供的基于人工智能的图像动态实时分析方法如图1所示，作为优选实施例，如图4所示，本发明实施例提供的通过图像数据动态分析模块进行图像特征的提取、辨识及分析的方法包括：
S301，通过图像数据动态分析模块利用图像特征提取算法分别提取图像数据目标、主题、场景、内容多个不同的图像特征并获取分割后的图像数据。
S302，利用图像处理程序分别对包含图像目标、主题、场景、内容特征的数据以及多个分割后的图像数据进行处理，得到不同的目标、主题、场景、内容图像处理结果。
S303，将得到的目标、主题、场景、内容图像处理结果与原始图像数据进行图像融合，得到多个处理后的样本图像。
S304，利用得到的多个处理后的样本图像数据对人工神经网络模型进行训练，分别构建图像目标辨识分析模型、主题辨识分析模型、场景辨识分析模型、内容辨识分析模型。
S305，利用构建得到的图像目标辨识分析模型、主题辨识分析模型、场景辨识分析模型、内容辨识分析模型分别进行图像的目标、主题、场景、内容分析。
本发明实施例提供的所述人工神经网络模型包括输入层、隐藏层和输出层；所述对神经网络进行训练的方法，包括：
首先对神经网络模型进行初始化；然后将特征向量组data送进神经网络模型，结合权值矩阵和偏置矩阵进行计算；
通过反向传播控制算法，在当不满足预设准确度要求时，调整隐藏层的个数与网络权值，直到满足准确度要求；
保存神经网络参数，包括循环神经网络模型、输入神经元个数与网络权值，训练结束。
实施例3
本发明实施例提供的基于人工智能的图像动态实时分析方法如图1所示，作为优选实施例，如图5所示，本发明实施例提供的通过场景模型构建模块基于得到的图像主题和场景信息进行场景模型构建的方法包括：
S401，使用图像主题和场景数据以及原始图像数据。
S402，利用分类直线对原始图像数据进行面支撑性分析，得到图像中每个像素所属面，根据像素所属面对图像进行划分，从而得到初步的场景结构信息。
S403，基于得到的图像主题和场景数据构建图像场景图，并根据场景图生成最终的三维场景结构。
S404，使用单根有向线段特征将得到的三维场景结构注册到统一的三维场景中即可。
本发明实施例提供的场景结构信息获取方法包括以下步骤：
根据面支撑特性对像素所属面进行分析，进而得到初步的场景结构信息；
空间中一点A和两组共面平行线投影到图像平面后，若点投影位置在四条直线投影形成的四边形内部，且投影点和投影直线之间没有其它非共面投影直线阻拦其可见性，则认为投影点被相应的投影面所支撑，反映在空间中即认为A在共面平行线形成的面上；
对图像中所有像素进行面支撑性分析，即可按照支撑性对图像进行划分，得到初步的场景结构信息。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于人工智能的图像动态实时分析方法，其特征在于，所述基于人工智能的图像动态实时分析方法包括以下步骤：
步骤一，通过数据采集/导入模块利用数据接口、扫描设备或采集装置进行相关图像数据的获取；通过数据预处理模块将获取的彩色图像转换为灰度图像；
步骤二，利用平均值法估计图像的亮度背景并在灰度图像减去以消除曝光度、亮度差别的影响；利用局部秩算子，在不同参数条件下对图像进行局部秩变换，得到图像的正局部秩变换和负局部秩变换；
步骤三，通过数据预处理程序将所述正局部秩变换和负局部秩变换相加得到参数连续变化的***部秩特征；之后在稀疏表示的图像去噪方法的基础上，将所述***部秩特征作为约束条件对图像进行初次去噪；
步骤四，通过控制去噪前与去噪后图像之间所述***部秩特征的差异对图像进行二次去噪，实现图像噪声的去除，获得去噪后的清晰图像；
步骤五，在去噪后图像h的灰度级的直方图数组H的基础上构建直方图数组H'；将直方图数组H'与直方图数组H中各灰度级按照灰度级从大到小顺序一一对应替换，以构建新直方图数组H”；
步骤六，对步骤五构建的新直方图数组H”进行累积求和，以通过新灰度级构成新的增强图像，并对增强处理后的图像进行分割处理；
步骤七，通过图像数据动态分析模块基于人工智能技术利用图像特征提取算法分别提取图像数据目标、主题、场景、内容及其他多个不同的图像特征并获取分割后的图像数据；
步骤八，利用图像处理程序分别对包含图像目标、主题、场景、内容特征的数据以及多个分割后的图像数据进行处理，得到不同的目标、主题、场景、内容图像处理结果；
步骤九，将步骤八得到的目标、主题、场景、内容图像处理结果与原始图像数据进行图像融合，得到多个处理后的样本图像；
步骤十，利用得到的多个处理后的样本图像数据对人工神经网络模型进行训练，分别构建图像目标辨识分析模型、主题辨识分析模型、场景辨识分析模型、内容辨识分析模型；
步骤十一，利用构建得到的图像目标辨识分析模型、主题辨识分析模型、场景辨识分析模型、内容辨识分析模型分别进行图像的目标、主题、场景、内容分析；
步骤十二，通过图像分类模块基于图像的内容特征进行图像分类；图像存储模块对采集的图像数据进行存储，同时按照图像分类结果进行处理图像的分类存储；
步骤十三，通过场景模型构建模块基于得到的图像主题和场景信息进行场景模型的构建；数据判断模块基于构建的场景模型，判断所需的图像数据内容；
步骤十四，通过图像特征提取模块基于得到的所需图像数据内容从采集的图像数据中进行相应数据的提取；
步骤十五，通过数据导入模块将提取的数据导入构建的场景模型中；利用可视化设备将构建的场景模型进行显示，并显示图像动态分析得到的目标、主题、场景、内容及其他特征数据。
2.如权利要求1所述的基于人工智能的图像动态实时分析方法，其特征在于，步骤三中，所述约束条件为：
Figure FDA0002530939260000021
其中，
Figure FDA0002530939260000022
为噪声图像Ii的***部秩特征，
Figure FDA0002530939260000023
为滤波后初级清晰图像
Figure FDA0002530939260000024
的***部秩特征，i为图像序号，k＝0,±0.01,±0.03,......。
3.如权利要求2所述的基于人工智能的图像动态实时分析方法，其特征在于，所述***部秩特征为：
Figure FDA0002530939260000031
其中，LRTpk(Ii)为正局部秩变换，LRTnk(Ii)为负局部秩变换。
4.如权利要求1所述的基于人工智能的图像动态实时分析方法，其特征在于，步骤五中，所述在去噪后图像的灰度级的直方图数组H的基础上构建直方图数组H'包括：
统计去噪后图像h的灰度级的直方图数组H，计算直方图数组H累积和；设新灰度公式，并将所述新灰度取整以构建图像h1，并统计图像h1的灰度级的直方图数组H'。
5.如权利要求1所述的基于人工智能的图像动态实时分析方法，其特征在于，步骤十中，所述人工神经网络模型包括输入层、隐藏层和输出层；所述对神经网络进行训练的方法，包括：
首先对神经网络模型进行初始化；然后将特征向量组data送进神经网络模型，结合权值矩阵和偏置矩阵进行计算；
通过反向传播控制算法，在当不满足预设准确度要求时，调整隐藏层的个数与网络权值，直到满足准确度要求；
保存神经网络参数，包括循环神经网络模型、输入神经元个数与网络权值，训练结束。
6.如权利要求1所述的基于人工智能的图像动态实时分析方法，其特征在于，步骤十三中，所述通过场景模型构建模块基于得到的图像主题和场景信息进行场景模型的构建的方法，包括：
1)使用图像主题和场景数据以及原始图像数据；
2)利用分类直线对原始图像数据进行面支撑性分析，得到图像中每个像素所属面，根据像素所属面对图像进行划分，从而得到初步的场景结构信息；
3)基于得到的图像主题和场景数据构建图像场景图，并根据场景图生成最终的三维场景结构；
4)使用单根有向线段特征将得到的三维场景结构注册到统一的三维场景中即可。
7.如权利要求6所述的基于人工智能的图像动态实时分析方法，其特征在于，步骤2)中，所述场景结构信息获取方法包括：
根据面支撑特性对像素所属面进行分析，进而得到初步的场景结构信息；
空间中一点A和两组共面平行线投影到图像平面后，若点投影位置在四条直线投影形成的四边形内部，且投影点和投影直线之间没有其它非共面投影直线阻拦其可见性，则认为投影点被相应的投影面所支撑，反映在空间中即认为A在共面平行线形成的面上；
对图像中所有像素进行面支撑性分析，即可按照支撑性对图像进行划分，得到初步的场景结构信息。
8.一种应用如权利要求1～7任意一项所述的基于人工智能的图像动态实时分析方法的基于人工智能的图像动态实时分析***，其特征在于，所述基于人工智能的图像动态实时分析***包括：
数据采集/导入模块，与主控模块连接，用于利用数据接口、扫描设备或采集装置进行相关图像数据的获取；
数据预处理模块，与主控模块连接，用于通过数据预处理程序对获取的图像数据进行去噪、增强和分割处理；
主控模块，与数据采集/导入模块、数据预处理模块、图像数据动态分析模块、图像分类模块、图像存储模块、场景模型构建模块、数据判断模块、图像特征提取模块、数据导入模块、可视化模块连接，用于通过主控器控制所述基于人工智能的图像动态实时分析***各个模块的正常运行；
图像数据动态分析模块，与主控模块连接，用于基于人工智能技术进行图像特征的提取、辨识及分析，获取图像的目标、主题、场景、内容及其他特征数据；
图像分类模块，与主控模块连接，用于基于图像的内容特征进行图像分类；
图像存储模块，与主控模块连接，用于对采集的图像数据进行存储，同时按照图像分类结果进行处理图像的分类存储；
场景模型构建模块，与主控模块连接，用于基于得到的图像主题和场景信息进行场景模型的构建；
数据判断模块，与主控模块连接，用于基于构建的场景模型，判断所需的图像数据内容；
图像特征提取模块，与主控模块连接，用于基于得到的所需图像数据内容从采集的图像数据中进行相应数据的提取；
数据导入模块，与主控模块连接，用于将提取的数据导入构建的场景模型中；
可视化模块，与主控模块连接，用于利用可视化设备将构建的场景模型进行显示，并显示图像动态分析得到的目标、主题、场景、内容及其他特征数据。
9.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求1～7任意一项所述的基于人工智能的图像动态实时分析方法。
10.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1～7任意一项所述的基于人工智能的图像动态实时分析方法。
CN202010518285.3A 2020-06-09 2020-06-09 一种基于人工智能的图像动态实时分析***及方法 Active CN111709889B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010518285.3A CN111709889B (zh) 2020-06-09 2020-06-09 一种基于人工智能的图像动态实时分析***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010518285.3A CN111709889B (zh) 2020-06-09 2020-06-09 一种基于人工智能的图像动态实时分析***及方法

Publications (2)

Publication Number Publication Date
CN111709889A CN111709889A (zh) 2020-09-25
CN111709889B true CN111709889B (zh) 2023-04-07

Family

ID=72539669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010518285.3A Active CN111709889B (zh) 2020-06-09 2020-06-09 一种基于人工智能的图像动态实时分析***及方法

Country Status (1)

Country Link
CN (1) CN111709889B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096613A (zh) * 2016-05-31 2016-11-09 哈尔滨工业大学深圳研究生院 基于角点特征的图像多目标检测方法及装置
CN107808132A (zh) * 2017-10-23 2018-03-16 重庆邮电大学 一种融合主题模型的场景图像分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190138786A1 (en) * 2017-06-06 2019-05-09 Sightline Innovation Inc. System and method for identification and classification of objects

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096613A (zh) * 2016-05-31 2016-11-09 哈尔滨工业大学深圳研究生院 基于角点特征的图像多目标检测方法及装置
CN107808132A (zh) * 2017-10-23 2018-03-16 重庆邮电大学 一种融合主题模型的场景图像分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"一种基于增强模糊分类器的快速图像分类方法";徐小龙 等;《电子技术》;全文 *

Also Published As

Publication number Publication date
CN111709889A (zh) 2020-09-25

Similar Documents

Publication Publication Date Title
Yang et al. Underwater image enhancement based on conditional generative adversarial network
US11830230B2 (en) Living body detection method based on facial recognition, and electronic device and storage medium
CN109657612B (zh) 一种基于人脸图像特征的质量排序***及其使用方法
Khan et al. Localization of radiance transformation for image dehazing in wavelet domain
Feng et al. URNet: A U-Net based residual network for image dehazing
CN115082966B (zh) 行人重识别模型训练方法、行人重识别方法、装置和设备
CN112215861A (zh) 一种足球检测方法、装置、计算机可读存储介质及机器人
Gao et al. Background subtraction via 3D convolutional neural networks
Zhao et al. A multi-scale U-shaped attention network-based GAN method for single image dehazing
CN113158860B (zh) 基于深度学习多维度输出人脸质量评估方法与电子设备
Qu et al. Umle: Unsupervised multi-discriminator network for low light enhancement
CN110136164B (zh) 基于在线透射变换、低秩稀疏矩阵分解去除动态背景的方法
CN111709889B (zh) 一种基于人工智能的图像动态实时分析***及方法
Andrei et al. Unsupervised Machine Learning Algorithms Used in Deforested Areas Monitoring
CN113627342B (zh) 视频深度特征提取优化的方法、***、设备及存储介质
CN116977683A (zh) 对象识别方法、装置、计算机设备、存储介质和程序产品
Avazov et al. Automatic moving shadow detection and removal method for smart city environments
CN111881803B (zh) 一种基于改进YOLOv3的畜脸识别方法
CN112070009B (zh) 基于改进的lbp算子的卷积神经网络表情识别方法
Zhang (Retracted) Computer-aided three-dimensional animation design and enhancement based on spatial variation and convolution algorithm
CN114283087A (zh) 一种图像去噪方法及相关设备
CN113177879A (zh) 图像处理方法、装置、电子设备以及存储介质
Zhang et al. A modified image processing method for deblurring based on GAN networks
CN110956190A (zh) 图像识别方法及装置、计算机装置和计算机可读存储介质
Yang et al. Manipulation Mask Generator: High-Quality Image Manipulation Mask Generation Method Based on Modified Total Variation Noise Reduction

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