[發明專利]一種圖像處理方法

有效

• 申請號: 201810107313.5
• 申請日: 2018-02-02
• 公開（公告）號: CN108257179B
• 公開（公告）日: 2020-04-17
• 發明（設計）人: 吳欽章;吳磊
• 申請（專利權）人: 四川康吉笙科技有限公司
• 主分類號: G06T7/73
• 分類號: G06T7/73;G06T7/44
• 代理公司: 成都東唐智宏專利代理事務所(普通合伙) 51261
• 代理人: 羅言剛

本發明提出了一種圖像處理方法,包括如下步驟:步驟1.對圖像的每一像素點,記錄該像素點的灰階頻數及坐標信息；步驟2.將圖像中各像素點的灰階按照灰度類聚類形成以不同灰度類為特征的空間灰度區位置分布圖T_i；步驟3.對不同灰度類的灰度區位置分布圖中的各個灰度區塊進行甄別，選出目標區塊；對不同灰度類的灰度區位置分布圖中找出的目標區塊進行組合識別和圖像重構。本發明相對于原有的深度學習圖像識別另辟蹊徑，采用灰階標準對圖像進行區塊劃分，不再受限于學習能力及目標邊緣梯度多變的限制，大幅提高了數據處理速度和識別有效性，硬件要求顯著降低，且具有極強的通用性，解決了復雜環境、低對比度、弱小目標的跟蹤識別的難題。

技術領域

本發明屬于軟件技術領域，涉及一種圖像處理方法。

背景技術

目前裝備智能化的關鍵是視覺場景的認知，只有對視覺場景認知準確才能合理的控制自己的行為，目前對于視覺場景認知采用最為廣泛的是深度學習技術。

深度學習是機器學習中一種基于對數據進行表征學習的方法。觀測值（例如一幅圖像）可以使用多種方式來表示，如每個像素強度值的向量，或者更抽象地表示成一系列邊、特定形狀的區域等。而使用某些特定的表示方法更容易從實例中學習任務（例如，人臉識別或面部表情識別）。深度學習的好處是用非監督式或半監督式的特征學習和分層特征提取高效算法來替代手工獲取特征。對于深度學習來說，其思想就是對堆疊多個層，也就是說這一層的輸出作為下一層的輸入。通過這種方式，就可以實現對輸入信息進行分級表達。

深度學習的缺點就是在許多情形中深度2就足夠表示任何一個帶有給定目標精度的函數。但是其代價是：圖中所需要的節點數(比如計算和參數數量)可能變的非常大。理論結果證實那些事實上所需要的節點數隨著輸入的大小指數增長的函數族是存在的。如果將深度架構看做一種因子分解。大部分隨機選擇的函數不能被有效地表示，無論是用深的或者淺的架構。但是許多能夠有效地被深度架構表示的卻不能被用淺的架構高效表示。一個緊的和深度表示的存在意味著在潛在的可被表示的函數中存在某種結構。如果不存在任何結構，那將不可能很好地泛化。通俗的講就是一旦有一層訓練未能被下一層有效的使用，那么這個學習即為無效，因此在深度學習處理視覺圖像時，由于上述缺點使得深度學習所需要的學習庫及對這些庫的調用比對運算量極其巨大，對于視覺圖像中存在的由于目標運動和復雜環境干擾造成的各種無規則形狀的圖像難以通過深度學習識別。限制了深度學習的應用范圍。

發明內容

為克服現有深度學習技術在視覺圖像識別中存在的技術缺陷，針對視覺圖像中的特定物體識別，本發明公開了一種圖像處理方法。

本發明所述圖像處理方法,包括如下步驟:

步驟1.對圖像的每一像素點,記錄該像素點的灰階頻數及坐標信息；

步驟2.將圖像中各像素點的灰階按照灰度類聚類形成以不同灰度類為特征的空間灰度區位置分布圖T_i ；相似灰階構成的灰度區位置分布圖包括一個或多個離散分布的灰度區塊；下標 i表示不同的灰度類；所述灰度類是指包括1個或多個連續分布灰度值的區間；

步驟3. 對不同灰度類的灰度區位置分布圖中的各個灰度區塊進行甄別，選出目標區塊；對不同灰度類的灰度區位置分布圖中找出的目標區塊進行組合識別和圖像重構。

優選的，所述步驟3中灰度區塊的甄別具體為：對灰度區塊的各個邊界像素點的坐標信息進行分析，邊界像素點的坐標信息符合預設標準的則認為是目標區塊。

進一步的，所述預設標準為邊界像素點的坐標信息符合線性特征。

優選的，所述步驟3中對各個灰度類的灰度區位置分布圖中找出的目標區塊進行組合識別的具體步驟為：

設立一個記憶庫，所述記憶庫中預存有待識別圖像的目標屬性信息；