[發明專利]圖像處理方法及裝置

有效

• 申請號: 201710738880.6
• 申請日: 2017-08-24
• 公開（公告）號: CN107480684B
• 公開（公告）日: 2020-06-05
• 發明（設計）人: 楊陽;黃秀;楊子豪;沈復民;謝寧;申恒濤
• 申請（專利權）人: 成都澳海川科技有限公司
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62
• 代理公司: 北京超凡志成知識產權代理事務所(普通合伙) 11371
• 代理人: 王術蘭

1.一種圖像處理方法，應用于一電子設備，其特征在于，所述方法包括：

獲取用戶的微博中的圖像；

獲得所述圖像對應的圖像輸入矩陣；

基于所述圖像輸入矩陣及預設的訓練集輸入矩陣，獲得總輸入矩陣，及基于所述總輸入矩陣，獲得所述圖像中的主題分布情況；

其中，獲得所述圖像對應的圖像輸入矩陣，包括：

對所述圖像進行sift特征提取，獲得所述圖像對應的第一特征向量并基于所述第一特征向量，獲得所述圖像對應的圖像輸入矩陣；

基于所述圖像輸入矩陣及預設的訓練集輸入矩陣，獲得總輸入矩陣，包括：

將所述圖像輸入矩陣與預設的訓練集輸入矩陣進行拼接，獲得總輸入矩陣；

將所述圖像輸入矩陣與預設的訓練集輸入矩陣進行拼接，獲得總輸入矩陣之前，所述方法還包括：

獲取多個微博中的訓練圖像，及基于所述訓練圖像，獲得所述訓練集輸入矩陣；

基于所述訓練圖像，獲得所述訓練集輸入矩陣，包括：

對每個所述訓練圖像進行sift特征提取，獲得每個所述訓練圖像對應的第二特征向量；

基于預設的聚類算法及每個所述訓練圖像對應的第二特征向量，獲得每一類的聚類中心及每一類包含的圖像特征；

統計每個所述訓練圖像包含的所述圖像特征的個數，獲得多個所述訓練圖像對應的訓練集輸入矩陣。

2.根據權利要求1所述的方法，其特征在于，基于所述訓練圖像，獲得所述訓練集輸入矩陣之后，所述方法還包括：

設置泊松伽馬信念網絡的最底層的最大主題數；

基于所述訓練集輸入矩陣，隨機為每個所述訓練圖像各自分配主題，獲得初始化矩陣并生成各概率參數的初始值；

基于所述初始化矩陣及各概率參數的初始值，迭代訓練所述泊松伽馬信念網絡，獲得所述訓練圖像中的主題分布情況。

3.根據權利要求1所述的方法，其特征在于，基于所述圖像輸入矩陣，獲得所述圖像中的主題分布情況，包括：

初始化泊松伽馬信念網絡的第一網絡參數、第二網絡參數及預設的第三網絡參數；

以所述圖像輸入矩陣作為泊松伽馬信念網絡的輸入，從所述泊松伽馬信念網絡的最底層到最頂層，逐層采樣，迭代更新所述第一網絡參數、所述第二網絡參數及所述第三網絡參數，直到達到預設的迭代數，獲得所述圖像中的主題分布情況。

4.一種圖像處理裝置，其特征在于，所述裝置包括：

第一獲取單元，用于獲取用戶的微博中的圖像；

第二獲取單元，用于獲得所述圖像對應的圖像輸入矩陣；

第三獲取單元，用于基于所述圖像輸入矩陣及預設的訓練集輸入矩陣，獲得總輸入矩陣，及基于所述總輸入矩陣，獲得所述圖像中的主題分布情況；

其中，所述第二獲取單元包括：

第二獲取子單元，用于對所述圖像進行sift特征提取，獲得所述圖像對應的第一特征向量并基于所述第一特征向量，獲得所述圖像對應的圖像輸入矩陣；

所述第三獲取單元包括：

第三獲取子單元，用于將所述圖像輸入矩陣與預設的訓練集輸入矩陣進行拼接，獲得總輸入矩陣；

所述裝置還包括：訓練單元，用于獲取多個微博中的訓練圖像，及基于所述訓練圖像，獲得所述訓練集輸入矩陣；

所述訓練單元包括：訓練子單元，用于對每個所述訓練圖像進行sift特征提取，獲得每個所述訓練圖像對應的第二特征向量；基于預設的聚類算法及每個所述訓練圖像對應的第二特征向量，獲得每一類的聚類中心及每一類包含的圖像特征；統計每個所述訓練圖像包含的所述圖像特征的個數，獲得多個所述訓練圖像對應的訓練集輸入矩陣。