CN114723636A - 基于多特征融合的模型生成方法、装置、设备及存储介质 - Google Patents
基于多特征融合的模型生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114723636A CN114723636A CN202210438538.5A CN202210438538A CN114723636A CN 114723636 A CN114723636 A CN 114723636A CN 202210438538 A CN202210438538 A CN 202210438538A CN 114723636 A CN114723636 A CN 114723636A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- feature
- feature extraction
- processed
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000000605 extraction Methods 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 76
- 238000013145 classification model Methods 0.000 claims abstract description 60
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000002087 whitening effect Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013434 data augmentation Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- 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
- G06T2207/20212—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)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术，揭露一种基于多特征融合的模型生成方法，包括：对待处理图像进行图像增强，得到训练图像；从特征提取方法集中逐个提取出目标特征提取方法，利用目标特征提取方法提取训练图像的目标图像特征；根据特征提取方法从分类模型的核函数库中选取目标核函数，利用目标核函数对目标图像特征进行高维映射，得到高维目标特征；将每种特征提取方法对应的高维目标特征进行特征融合，得到融合特征；利用分类模型对融合特征进行计算，得到预测分类结果，根据训练图像对应的真实分类结果及预测分类结果调整分类模型的参数，得到标准分类模型。本发明还提出一种基于多特征融合的模型生成装置、设备以及介质。本发明可以提高图像分类精度。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于多特征融合的模型生成方法、装置、电子设备及计算机可读存储介质。
背景技术
在人工智能学习中，单一特征存在精度差，鲁棒性不强，无法应对复杂场景的缺点，在模型对训练数据分类的过程中，单一特征在使用支持向量机等训练模型时每次只能使用一种核去对特征向量做映射，若想获得更好的效果需要分多次使用不同的核进行训练，多特征可以实现互相弥补不同的特征的不足，增强精度和鲁棒性，应对复杂的场景。然而，在多特征融合过程中，将多个短特征变成一个长特征，再输入支持向量机中进行训练分类，其不足在于，在训练模型的过程中分类器并不知道上述特征的种类，如有些特征是线性可分的，有些特征是非线性可分的，这时使用某一种核直接将这些短特征进行融合，得到的融合特征不够准确，进而使得图像分类精度不够高。
发明内容
本发明提供一种基于多特征融合的模型生成方法、装置及计算机可读存储介质，其主要目的在于解决图像分类精度不够高的问题。
为实现上述目的，本发明提供的一种基于多特征融合的模型生成方法，包括：
获取待处理图像，对所述待处理图像进行图像增强，得到训练图像，并获取所述训练图像对应的真实分类结果；
从预设的特征提取方法集中逐个提取其中一种特征提取方法，作为目标特征提取方法，并利用所述目标特征提取方法提取所述训练图像的目标图像特征；
根据所述特征提取方法从预设分类模型的核函数库中选取目标核函数，利用所述目标核函数对所述目标图像特征进行高维映射，得到高维目标特征；
将所述特征提取方法集中每一种特征提取方法对应的高维目标特征进行特征融合，得到融合特征；
利用所述分类模型对所述融合特征进行计算，得到预测分类结果，根据所述真实分类结果及所述预测分类结果调整所述分类模型的参数，得到标准分类模型。
可选地，所述对所述待处理图像进行图像增强，得到训练图像，包括：
对所述待处理图像进行基础形状处理，得到第一增强图像；
对所述待处理图像进行色彩处理，得到第二增强图像；
对所述第一增强图像及所述第二增强图像进行去噪，得到训练图像。
可选地，所述对所述待处理图像进行色彩处理，得到第二增强图像，包括：
将使用RGB色彩模式表示的所述待处理图像的每个像素的红色灰度值、蓝色灰度值以及绿色灰度值转换为使用HSI颜色空间表示的所述待处理图像的每个像素的色调值、色饱和度值以及亮度值；
对每个像素的所述色饱和度值进行增强处理，根据每个像素的所述亮度值、所述色调值以及预设亮度阈值计算每个像素的红色灰度值、蓝色灰度值以及绿色灰度值，得到第二增强图像。
可选地，所述对所述第一增强图像及所述第二增强图像进行去噪，得到训练图像，包括：
对所述待处理图像进行去均值和白化的预处理，得到第一处理图像；
根据MMI算法和所述第一处理图像，确定所述第一处理图像中各独立分量进行分离的分离矩阵；
根据所述分离矩阵对所述第一处理图像中的非高斯噪声进行分离，得到只包含高斯噪声的第二处理图像；
基于预设的去除高斯噪声的算法对所述第二处理图像进行噪声去除，得到训练图像。
可选地，所述利用所述目标特征提取方法提取所述训练图像的目标图像特征，包括：
对所述训练图像进行灰度化，采用Gamma校正法对灰度化的图像进行颜色空间的标准化，得到标准图像；
将所述标准图像划分为预设个单元，并将每个所述单元中的每个像素用梯度方向在直方图中进行加权投影，得到每个单元的梯度方向直方图；
将预设数量的所述单元连接成区块，将所述区块中每个单元的所述梯度直方图归一化，得到区块特征；
将所述训练图像中的所有所述区块特征串联，得到所述目标图像特征。
可选地，所述利用所述目标特征提取方法提取所述训练图像的目标图像特征，包括：
将所述训练图像划分为多个预设大小的区域，根据所述区域中的每个像素以及所述像素相邻的预设数量的像素进行灰度值比较；
根据灰度值比较结果对每个像素值进行二进制标记，根据标记结果生成所述区域的特征值；
根据每个区域的所述特征值计算对应的直方图，并对所述直方图进行归一化处理；
将每个区域归一化处理后的直方图连接成一个特征向量，即得到所述训练图像的目标图像特征。
可选地，所述根据所述真实分类结果及所述预测分类结果调整所述分类模型的参数，得到标准分类模型，包括：
当所述真实分类结果与所述预测分类结果不相同时，提取所述分类模型中所有可调节参数，并根据所述可调节参数生成参数列表；
对所述参数列表中的参数进行组合及网格搜索，根据网格搜索结果确定目标参数组合以及拟合分数符合预设条件的目标超平面系数；
根据所述目标参数组合以及所述目标超平面系数更新所述分类模型的参数，得到标准分类模型。
为了解决上述问题，本发明还提供一种基于多特征融合的模型生成装置，所述装置包括：
训练图像生成模块，用于获取待处理图像，对所述待处理图像进行图像增强，得到训练图像，并获取所述训练图像对应的真实分类结果；
目标图像特征提取模块，用于从预设的特征提取方法集中逐个提取其中一种特征提取方法，作为目标特征提取方法，并利用所述目标特征提取方法提取所述训练图像的目标图像特征；
高维目标特征生成模块，用于根据所述特征提取方法从预设分类模型的核函数库中选取目标核函数，利用所述目标核函数对所述目标图像特征进行高维映射，得到高维目标特征；
融合特征生成模块，用于将所述特征提取方法集中每一种特征提取方法对应的高维目标特征进行特征融合，得到融合特征；
标准分类模型生成模块，用于利用所述分类模型对所述融合特征进行计算，得到预测分类结果，根据所述真实分类结果及所述预测分类结果调整所述分类模型的参数，得到标准分类模型。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于多特征融合的模型生成方法。
为了解决上述问题，本发明还提供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至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于多特征融合的模型生成方法。
本发明实施例通过对待处理图像进行图像增强，实现待处理图像的扩充，提高待处理图像的数量，进而保证提取的特征以及最终得到融合特征足够贴合待处理图像；通过利用多种特征提取方法逐提取目标图像，实现获得不同类型的图像特征；通过根据特征提取方法从预设的核函数库中选取目标核函数，可以实现针对不同的图像特征选用不同的核函数进行映射，提高生成的高维特征的准确性，进而提高对模型对图像分类的准确性。因此本发明提出的基于多特征融合的模型生成方法、装置、电子设备及计算机可读存储介质，可以解决图像分类精度不够高的问题。
附图说明
图1为本发明一实施例提供的基于多特征融合的模型生成方法的流程示意图；
图2为本发明一实施例提供的对待处理图像进行图像增强的流程示意图；
图3为本发明一实施例提供的利用目标特征提取方法提取训练图像的目标图像特征的流程示意图；
图4为本发明一实施例提供的基于多特征融合的模型生成装置的功能模块图；
图5为本发明一实施例提供的实现所述基于多特征融合的模型生成方法的电子设备的结构示意图。
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
本申请实施例提供一种基于多特征融合的模型生成方法。所述基于多特征融合的模型生成方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于多特征融合的模型生成方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于多特征融合的模型生成方法的流程示意图。在本实施例中，所述基于多特征融合的模型生成方法包括以下步骤S1-S5：
S1、获取待处理图像，对所述待处理图像进行图像增强，得到训练图像，并获取所述训练图像对应的真实分类结果。
本发明实施例中，所述待处理图像可以为包含有多种类别的图像，以brodatz图像集为例，所述图像集包含了112个类别，每个类别可以有一张或多张640*640的TIFF格式的图片。
本发明实施例中，所述训练图像对应的真实分类结果为根据训练图像所标记的真实类别，用于训练模型。
本发明实施例中，从所述待处理图像获取更多图像数据，有利于避免模型生成时的过拟合。当训练图像有限时，可以通过数据增强(data augmentation)变换原有的图像数据生成新的图像数据来扩大训练集；当已拥有大量图像数据时，进行数据增强可以防止模型在学习过程中学习到不相干的模式，以实现从根本上提升整体性能。
请参阅图2所示，本发明实施例中，所述对所述待处理图像进行图像增强，得到训练图像，包括以下步骤S21-S23：
S21、对所述待处理图像进行基础形状处理，得到第一增强图像；
S22、对所述待处理图像进行色彩处理，得到第二增强图像；
S23、对所述第一增强图像及所述第二增强图像进行去噪，得到训练图像。
具体地，本发明实施例中，所述基础形状处理包括但不限于图像翻转(flip)、图像旋转(rotate)，图像缩放(re-scale)、图像剪裁(crop)、图像平移(pad)。
其中，所述图像翻转是将图像水平或垂直翻转；在所述图像旋转中旋转后图像维度可能不会被保留，如果是正方形图像，旋转90度后图像的尺寸会被保存；如果图像是长方形，旋转180度后图像的尺寸也会被保存；但用更小的角度旋转图像将会改变最终图像的尺寸。所述图像缩放是对图像进行放大或缩小，放大时大多数图像处理框架会按原始尺寸对放大后的图像进行裁剪；缩小时由于图像尺寸比原来的尺寸小；所述图像裁剪是随机从所述待处理图像中采样一部分，然后将这部分图像调整为原始图像大小。所述图像平移是将图像沿X或Y轴或同时沿2个方向移动。
进一步地，所述对所述待处理图像进行色彩处理，得到第二增强图像，包括：
将使用RGB色彩模式表示的所述待处理图像的每个像素的红色灰度值、蓝色灰度值以及绿色灰度值转换为使用HSI颜色空间表示的所述待处理图像的每个像素的色调值、色饱和度值以及亮度值；
对每个像素的所述色饱和度值进行增强处理，根据每个像素的所述亮度值、所述色调值以及预设亮度阈值计算每个像素的红色灰度值、蓝色灰度值以及绿色灰度值，得到第二增强图像。
本发明实施例中，所述RGB色彩模式是指图像的每个像素使用红色光、蓝色光以及绿色光进行叠加而成，因此可使用红色灰度值、蓝色灰度值以及绿色灰度值来表示所述待处理图像中的每个像素的色彩；RGB色彩模式利于进行图像显示的量化。所述HSI颜色空间是从人的视觉***出发，用色调值(Hue)、色饱和度值(Saturation)和亮度值(Intensity)来表示所述待处理图像中的每个像素的色彩。
本发明实施例中，通过对像素的色饱和度值进行了增强处理以及修正处理，避免了色偏现象的产生。
本发明实施例中，所述对所述第一增强图像及所述第二增强图像进行去噪，得到训练图像，包括：
对所述待处理图像进行去均值和白化的预处理，得到第一处理图像；
根据MMI算法和所述第一处理图像，确定所述第一处理图像中各独立分量进行分离的分离矩阵；
根据所述分离矩阵对所述第一处理图像中的非高斯噪声进行分离，得到只包含高斯噪声的第二处理图像；
基于预设的去除高斯噪声的算法对所述第二处理图像进行噪声去除，得到训练图像。
这样，利用MMI算法将非高斯噪声从待处理图像中分离出来，得到只包含高斯噪声的图像，之后，只需要去除图像中的高斯噪声就可以达到理想的去噪效果
本发明实施例可以利用基于最小均方算法的Volterra图像滤波(VLMS)算法对所述第二处理图像进行去噪处理，进而得到不包含噪声的训练图像。
S2、从预设的特征提取方法集中逐个提取其中一种特征提取方法，作为目标特征提取方法，并利用所述目标特征提取方法提取所述训练图像的目标图像特征。
本发明实施例中，所述预设的特征提取方法集中包含多种特征提取方法，其中，所述特征提取方法包括但不限于HOG方法、LBP方法。
其中，所述HOG方法所提取的是图像中所有的图像块中的梯度特征，该梯度特征组合起来就是该图像的特征描述。例如，可以使用MATLAB现有的工具包提取特征，命令如下：H＝extractHOGFeatures(image)。其中，H是特征向量，extractHOGFeatures()是matlab自带的方法函数，image是输入的图像。
所述LBP方法所提取的是图像局部纹理特征，通过将图像局部纹理特征作为图像特征。例如，也可以使用MATLAB现有的工具包提取，命令如下：G＝extractLBPFeatures(image)。G＝extractHOGFeatures(image)。H是得到特征向量，extractLBPFeatures()是matlab自带的方法函数，image是输入的图像。
请参阅图3所示，本发明实施例中，所述利用所述目标特征提取方法提取所述训练图像的目标图像特征，包括包括以下步骤S31-S34：
S31、对所述训练图像进行灰度化，采用Gamma校正法对灰度化的图像进行颜色空间的标准化，得到标准图像；
S32、将所述标准图像划分为预设个单元，并将每个所述单元中的每个像素用梯度方向在直方图中进行加权投影，得到每个单元的梯度方向直方图；
S33、将预设数量的所述单元连接成区块，将所述区块中每个单元的所述梯度直方图归一化，得到区块特征；
S34、将所述训练图像中的所有所述区块特征串联，得到所述目标图像特征。
本发明实施例中，所述对所述训练图像进行灰度化可使所述训练图像看做一个x,y,z(灰度)的三维图像；对灰度化的图像进行颜色空间的标准化可以调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；计算得到所述标准图像中每个像素的梯度包括大小和方向，可以捕获轮廓信息，同时进一步弱化光照的干扰；对区块中每个单元的所述梯度直方图做归一化，能够进一步地对光照、阴影和边缘进行压缩。
本发明另一可选实施例中，所述利用所述目标特征提取方法提取所述训练图像的目标图像特征，包括：
将所述训练图像划分为多个预设大小的区域，根据所述区域中的每个像素以及所述像素相邻的预设数量的像素进行灰度值比较；
根据灰度值比较结果对每个像素值进行二进制标记，根据标记结果生成所述区域的特征值；
根据每个区域的所述特征值计算对应的直方图，并对所述直方图进行归一化处理；
将每个区域归一化处理后的直方图连接成一个特征向量，即得到所述训练图像的目标图像特征。
具体地，可以对于每个区域中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0；进一步地，在3*3邻域内的8个点经比较可产生8位二进制数，即得到该区域的特征值。
本发明实施例中，通过不同的目标特征提取方法可以提取得到多种所述训练图像的目标图像特征，例如，可以利用HOG方法获得特征向量H＝[h1,h2,…,hm]，即表示该特征向量有m个维度的特征组成；也可以利用LBP方法获得特征向量G＝[g1,g2,…,gn]，即表示一个特征向量有n个维度的特征组成。其中，m,n都是大于1的整数，且m和n无关。
S3、根据所述特征提取方法从预设分类模型的核函数库中选取目标核函数，利用所述目标核函数对所述目标图像特征进行高维映射，得到高维目标特征。
本发明实施例中，所述预设分类模型可以为支持向量机(support vectormachines,SVM)，是一种分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器。
本发明实施例中，预设分类模型的核函数库可以存在针对不同图像特征会进行高维映射的核函数，所述核函数包括但不限于线性核函数，多项式核函数，高斯核函数。
本发明实施例中，针对不同特征提取方法提取得到的图像特征，可能适用的核函数并不相同，因此可以跟提取图像特征的方法选取适合的目标核函数。
例如，利用HOG方法获得特征向量H＝[h1,h2,…,hm]使用高斯核函数会更好，利用LBP方法获得特征向量G＝[g1,g2,…,gn]使用多项式核函数会更好，由此，对于特征向量H可以选择高斯核函数，对于特征向量G可以选择多项式核函数。
本发明实施例中，所述利用所述目标核函数对所述目标图像特征进行高维映射，得到高维目标特征，包括：
对所述目标图像特征添加预设多项式，得到样本数据；
利用所述目标核函数对所述样本数据进行计算，得到高维目标特征。
例如，若所述目标图像特征为一维特征，可以在该特征的基础上增加一个特征x2，得到的样本数据即在二维平面中分布，此时所述样本数据在X轴的分布位置不变。
具体地，可以采用如下公式对所述样本数据进行计算：
其中，K(G1，G2)为所述目标核函数，G1与G2为所述样本数据(表现为低维特征向量)。
S4、将所述特征提取方法集中每一种特征提取方法对应的高维目标特征进行特征融合，得到融合特征。
本发明实施例可采用串联法、拉链法、自定义权重法等将高维目标特征进行特征融合，得到融合特征。例如，在利用串联法进行特征融合就是将多个高维目标特征按照预设顺序从头到尾连起来，由原来的多个短的高维目标特征变成一个长的高维目标特征，即得到融合特征。
本发明实施例中，通过对不同的目标图像特征选用不同的核函数进行高维映射，使得最终高维空间中的向量表示更加准确；同时，选取分别选取核函数对目标图像特征进行高维映射，得到各自的高维目标特征，再进行高维目标特征的融合，相较于现有技术中先对目标图像特征进行特征融合，再选择某一种核函数进行高维映射，得到高维融合特征，得到融合可能性更多，能在多种映射-融合组合中选择，通过较优选地方式获得高维融合特征。
例如，假设存在三种可选核函数，对特征向量H和特征向量G分别选取核函数，对各自核函数计算的结果再进行特征融合，可以存在9种组合；若使用先将特征向量H和特征向量G进行融合，再选择核函数进行高维映射，只有3种组合。
S5、利用所述分类模型对所述融合特征进行计算，得到预测分类结果，根据所述真实分类结果及所述预测分类结果调整所述分类模型的参数，得到标准分类模型。
本发明实施例可以采用SVM计算所述融合特征的在特征空间的最优超平面，进而根据该最优超平面进行分类，得到预测分类结果。
本发明实施例中，所述根据所述真实分类结果及所述预测分类结果调整所述分类模型的参数，得到标准分类模型，包括：
当所述真实分类结果与所述预测分类结果不相同时，提取所述分类模型中所有可调节参数，并根据所述可调节参数生成参数列表；
对所述参数列表中的参数进行组合及网格搜索，根据网格搜索结果确定目标参数组合以及拟合分数符合预设条件的目标超平面系数；
根据所述目标参数组合以及所述目标超平面系数更新所述分类模型的参数，得到标准分类模型。
本发明实施例中，所述可调节参数为所述分类模型中核函数中的超参数。
本发明实施例通过对待处理图像进行图像增强，实现待处理图像的扩充，提高待处理图像的数量，进而保证提取的特征以及最终得到融合特征足够贴合待处理图像；通过利用多种特征提取方法逐提取目标图像，实现获得不同类型的图像特征；通过根据特征提取方法从预设的核函数库中选取目标核函数，可以实现针对不同的图像特征选用不同的核函数进行映射，提高生成的高维特征的准确性，进而提高对模型对图像分类的准确性。因此本发明提出的基于多特征融合的模型生成方法，可以解决图像分类精度不够高的问题。
如图4所示，是本发明一实施例提供的基于多特征融合的模型生成装置的功能模块图。
本发明所述基于多特征融合的模型生成装置100可以安装于电子设备中。根据实现的功能，所述基于多特征融合的模型生成装置100可以包括训练图像生成模块101、目标图像特征提取模块102、高维目标特征生成模块103、融合特征生成模块104及标准分类模型生成模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述训练图像生成模块101，用于获取待处理图像，对所述待处理图像进行图像增强，得到训练图像，并获取所述训练图像对应的真实分类结果；
所述目标图像特征提取模块102，用于从预设的特征提取方法集中逐个提取其中一种特征提取方法，作为目标特征提取方法，并利用所述目标特征提取方法提取所述训练图像的目标图像特征；
所述高维目标特征生成模块103，用于根据所述特征提取方法从预设分类模型的核函数库中选取目标核函数，利用所述目标核函数对所述目标图像特征进行高维映射，得到高维目标特征；
所述融合特征生成模块104，用于将所述特征提取方法集中每一种特征提取方法对应的高维目标特征进行特征融合，得到融合特征；
所述标准分类模型生成模块105，用于利用所述分类模型对所述融合特征进行计算，得到预测分类结果，根据所述真实分类结果及所述预测分类结果调整所述分类模型的参数，得到标准分类模型。
详细地，本发明实施例中所述基于多特征融合的模型生成装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于多特征融合的模型生成方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现基于多特征融合的模型生成方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于多特征融合的模型生成程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing Unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于多特征融合的模型生成程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于多特征融合的模型生成程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于多特征融合的模型生成程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取待处理图像，对所述待处理图像进行图像增强，得到训练图像，并获取所述训练图像对应的真实分类结果；
从预设的特征提取方法集中逐个提取其中一种特征提取方法，作为目标特征提取方法，并利用所述目标特征提取方法提取所述训练图像的目标图像特征；
根据所述特征提取方法从预设分类模型的核函数库中选取目标核函数，利用所述目标核函数对所述目标图像特征进行高维映射，得到高维目标特征；
将所述特征提取方法集中每一种特征提取方法对应的高维目标特征进行特征融合，得到融合特征；
利用所述分类模型对所述融合特征进行计算，得到预测分类结果，根据所述真实分类结果及所述预测分类结果调整所述分类模型的参数，得到标准分类模型。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取待处理图像，对所述待处理图像进行图像增强，得到训练图像，并获取所述训练图像对应的真实分类结果；
从预设的特征提取方法集中逐个提取其中一种特征提取方法，作为目标特征提取方法，并利用所述目标特征提取方法提取所述训练图像的目标图像特征；
根据所述特征提取方法从预设分类模型的核函数库中选取目标核函数，利用所述目标核函数对所述目标图像特征进行高维映射，得到高维目标特征；
将所述特征提取方法集中每一种特征提取方法对应的高维目标特征进行特征融合，得到融合特征；
利用所述分类模型对所述融合特征进行计算，得到预测分类结果，根据所述真实分类结果及所述预测分类结果调整所述分类模型的参数，得到标准分类模型。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于多特征融合的模型生成方法，其特征在于，所述方法包括：
获取待处理图像，对所述待处理图像进行图像增强，得到训练图像，并获取所述训练图像对应的真实分类结果；
从预设的特征提取方法集中逐个提取其中一种特征提取方法，作为目标特征提取方法，并利用所述目标特征提取方法提取所述训练图像的目标图像特征；
根据所述特征提取方法从预设分类模型的核函数库中选取目标核函数，利用所述目标核函数对所述目标图像特征进行高维映射，得到高维目标特征；
将所述特征提取方法集中每一种特征提取方法对应的高维目标特征进行特征融合，得到融合特征；
利用所述分类模型对所述融合特征进行计算，得到预测分类结果，根据所述真实分类结果及所述预测分类结果调整所述分类模型的参数，得到标准分类模型。
2.如权利要求1所述的基于多特征融合的模型生成方法，其特征在于，所述对所述待处理图像进行图像增强，得到训练图像，包括：
对所述待处理图像进行基础形状处理，得到第一增强图像；
对所述待处理图像进行色彩处理，得到第二增强图像；
对所述第一增强图像及所述第二增强图像进行去噪，得到训练图像。
3.如权利要求2所述的基于多特征融合的模型生成方法，其特征在于，所述对所述待处理图像进行色彩处理，得到第二增强图像，包括：
将使用RGB色彩模式表示的所述待处理图像的每个像素的红色灰度值、蓝色灰度值以及绿色灰度值转换为使用HSI颜色空间表示的所述待处理图像的每个像素的色调值、色饱和度值以及亮度值；
对每个像素的所述色饱和度值进行增强处理，根据每个像素的所述亮度值、所述色调值以及预设亮度阈值计算每个像素的红色灰度值、蓝色灰度值以及绿色灰度值，得到第二增强图像。
4.如权利要求2所述的基于多特征融合的模型生成方法，其特征在于，所述对所述第一增强图像及所述第二增强图像进行去噪，得到训练图像，包括：
对所述待处理图像进行去均值和白化的预处理，得到第一处理图像；
根据MMI算法和所述第一处理图像，确定所述第一处理图像中各独立分量进行分离的分离矩阵；
根据所述分离矩阵对所述第一处理图像中的非高斯噪声进行分离，得到只包含高斯噪声的第二处理图像；
基于预设的去除高斯噪声的算法对所述第二处理图像进行噪声去除，得到训练图像。
5.如权利要求1所述的基于多特征融合的模型生成方法，其特征在于，所述利用所述目标特征提取方法提取所述训练图像的目标图像特征，包括：
对所述训练图像进行灰度化，采用Gamma校正法对灰度化的图像进行颜色空间的标准化，得到标准图像；
将所述标准图像划分为预设个单元，并将每个所述单元中的每个像素用梯度方向在直方图中进行加权投影，得到每个单元的梯度方向直方图；
将预设数量的所述单元连接成区块，将所述区块中每个单元的所述梯度直方图归一化，得到区块特征；
将所述训练图像中的所有所述区块特征串联，得到所述目标图像特征。
6.如权利要求1所述的基于多特征融合的模型生成方法，其特征在于，所述利用所述目标特征提取方法提取所述训练图像的目标图像特征，包括：
将所述训练图像划分为多个预设大小的区域，根据所述区域中的每个像素以及所述像素相邻的预设数量的像素进行灰度值比较；
根据灰度值比较结果对每个像素值进行二进制标记，根据标记结果生成所述区域的特征值；
根据每个区域的所述特征值计算对应的直方图，并对所述直方图进行归一化处理；
将每个区域归一化处理后的直方图连接成一个特征向量，即得到所述训练图像的目标图像特征。
7.如权利要求1至6中任一项所述的基于多特征融合的模型生成方法，其特征在于，所述根据所述真实分类结果及所述预测分类结果调整所述分类模型的参数，得到标准分类模型，包括：
当所述真实分类结果与所述预测分类结果不相同时，提取所述分类模型中所有可调节参数，并根据所述可调节参数生成参数列表；
对所述参数列表中的参数进行组合及网格搜索，根据网格搜索结果确定目标参数组合以及拟合分数符合预设条件的目标超平面系数；
根据所述目标参数组合以及所述目标超平面系数更新所述分类模型的参数，得到标准分类模型。
8.一种基于多特征融合的模型生成装置，其特征在于，所述装置包括：
训练图像生成模块，用于获取待处理图像，对所述待处理图像进行图像增强，得到训练图像，并获取所述训练图像对应的真实分类结果；
目标图像特征提取模块，用于从预设的特征提取方法集中逐个提取其中一种特征提取方法，作为目标特征提取方法，并利用所述目标特征提取方法提取所述训练图像的目标图像特征；
高维目标特征生成模块，用于根据所述特征提取方法从预设分类模型的核函数库中选取目标核函数，利用所述目标核函数对所述目标图像特征进行高维映射，得到高维目标特征；
融合特征生成模块，用于将所述特征提取方法集中每一种特征提取方法对应的高维目标特征进行特征融合，得到融合特征；
标准分类模型生成模块，用于利用所述分类模型对所述融合特征进行计算，得到预测分类结果，根据所述真实分类结果及所述预测分类结果调整所述分类模型的参数，得到标准分类模型。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于多特征融合的模型生成方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于多特征融合的模型生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210438538.5A CN114723636A (zh) | 2022-04-25 | 2022-04-25 | 基于多特征融合的模型生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210438538.5A CN114723636A (zh) | 2022-04-25 | 2022-04-25 | 基于多特征融合的模型生成方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114723636A true CN114723636A (zh) | 2022-07-08 |
Family
ID=82245885
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210438538.5A Pending CN114723636A (zh) | 2022-04-25 | 2022-04-25 | 基于多特征融合的模型生成方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114723636A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115761239A (zh) * | 2023-01-09 | 2023-03-07 | 深圳思谋信息科技有限公司 | 一种语义分割方法及相关装置 |
| CN116958503A (zh) * | 2023-09-19 | 2023-10-27 | 广东新泰隆环保集团有限公司 | 一种基于图像处理的污泥干化等级识别方法及*** |
| CN117237773A (zh) * | 2023-09-18 | 2023-12-15 | 深圳市中科云驰环境科技有限公司 | 一种基于多模态的污水净化分析方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105046723A (zh) * | 2015-08-31 | 2015-11-11 | 中国科学院自动化研究所 | 基于多核融合的视频中目标跟踪方法 |
| CN109816596A (zh) * | 2017-11-21 | 2019-05-28 | 中移（杭州）信息技术有限公司 | 一种图像去噪方法及装置 |
| CN110490194A (zh) * | 2019-07-24 | 2019-11-22 | 广东工业大学 | 一种自适应权值的多特征分块融合交通标志的识别方法 |
-
2022
- 2022-04-25 CN CN202210438538.5A patent/CN114723636A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105046723A (zh) * | 2015-08-31 | 2015-11-11 | 中国科学院自动化研究所 | 基于多核融合的视频中目标跟踪方法 |
| CN109816596A (zh) * | 2017-11-21 | 2019-05-28 | 中移（杭州）信息技术有限公司 | 一种图像去噪方法及装置 |
| CN110490194A (zh) * | 2019-07-24 | 2019-11-22 | 广东工业大学 | 一种自适应权值的多特征分块融合交通标志的识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| 刘国华主编: "《机器视觉技术》", vol. 1, 30 November 2021, 华中科技大学出版社, pages: 148 - 149 * |
| 张训华: "《海洋地质调查技术》", vol. 1, 31 December 2017, 海洋出版社, pages: 56 * |
| 栗苹 等: "《无线电引信抗干扰理论》", vol. 1, 30 June 2019, 北京理工大学出版社, pages: 237 - 239 * |
| 白鑫 等: "《新编大学计算机》", vol. 1, 31 January 2022, 中国铁道出版社, pages: 264 - 265 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115761239A (zh) * | 2023-01-09 | 2023-03-07 | 深圳思谋信息科技有限公司 | 一种语义分割方法及相关装置 |
| CN115761239B (zh) * | 2023-01-09 | 2023-04-28 | 深圳思谋信息科技有限公司 | 一种语义分割方法及相关装置 |
| CN117237773A (zh) * | 2023-09-18 | 2023-12-15 | 深圳市中科云驰环境科技有限公司 | 一种基于多模态的污水净化分析方法及*** |
| CN117237773B (zh) * | 2023-09-18 | 2024-06-07 | 深圳市中科云驰环境科技有限公司 | 一种基于多模态的污水净化分析方法及*** |
| CN116958503A (zh) * | 2023-09-19 | 2023-10-27 | 广东新泰隆环保集团有限公司 | 一种基于图像处理的污泥干化等级识别方法及*** |
| CN116958503B (zh) * | 2023-09-19 | 2024-03-12 | 广东新泰隆环保集团有限公司 | 一种基于图像处理的污泥干化等级识别方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6774137B2 (ja) | Ｉｄ写真の真正性を検証するためのシステムおよび方法 | |
| CN114723636A (zh) | 基于多特征融合的模型生成方法、装置、设备及存储介质 | |
| CN111652845A (zh) | 异常细胞自动标注方法、装置、电子设备及存储介质 | |
| CN112528863A (zh) | 表格结构的识别方法、装置、电子设备及存储介质 | |
| CN113283446B (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
| CN112233125B (zh) | 图像分割方法、装置、电子设备及计算机可读存储介质 | |
| CN113705462B (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
| CN111639704A (zh) | 目标识别方法、装置及计算机可读存储介质 | |
| CN114758249B (zh) | 基于野外夜间环境的目标物监测方法、装置、设备及介质 | |
| CN112507934A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
| CN112200189B (zh) | 基于SPP-YOLOv3的车型识别方法、装置及计算机可读存储介质 | |
| CN115294483A (zh) | 输电线路复杂场景的小目标识别方法及*** | |
| CN112507923A (zh) | 证件翻拍检测方法、装置、电子设备及介质 | |
| CN112651953A (zh) | 图片相似度计算方法、装置、计算机设备及存储介质 | |
| CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
| CN112541902A (zh) | 相似区域搜索方法、装置、电子设备及介质 | |
| CN112132812A (zh) | 证件校验方法、装置、电子设备及介质 | |
| CN114842240A (zh) | 融合ghost模块和注意力机制的MobileNetV2农作物叶片图像分类方法 | |
| CN110956184A (zh) | 一种基于hsi-lbp特征的抽象图方向确定方法 | |
| CN117455762A (zh) | 基于全景行车记录仪的记录画面分辨率提升方法及*** | |
| CN112862703B (zh) | 基于移动拍照的图像校正方法、装置、电子设备及介质 | |
| CN114783042A (zh) | 基于多移动目标的人脸识别方法、装置、设备及存储介质 | |
| CN114463685A (zh) | 行为识别方法、装置、电子设备及存储介质 | |
| CN114913518A (zh) | 基于图像处理的车牌识别方法、装置、设备及介质 | |
| CN113627394A (zh) | 人脸提取方法、装置、电子设备及可读存储介质 |
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 |