[發明專利]圖像處理方法、裝置、電子設備及可讀存儲介質

有效

• 申請號: 201811120898.0
• 申請日: 2018-09-25
• 公開（公告）號: CN110942081B
• 公開（公告）日: 2023-08-18
• 發明（設計）人: 張修寶;王艷;沈海峰
• 申請（專利權）人: 北京嘀嘀無限科技發展有限公司
• 主分類號: G06V10/74
• 分類號: G06V10/74;G06F16/50
• 代理公司: 北京超成律師事務所 11646
• 代理人: 鄧超

本發明實施例提供一種圖像處理方法、裝置、電子設備及可讀存儲介質，屬于圖像處理領域。該方法包括：獲取第一類圖像集；提取每張所述第一類圖像的特征向量；對所述第一類圖像集中提取出的所有所述特征向量進行兩兩相似度計算獲得每兩個特征向量之間的偏差值；并根據所述特征向量之間的偏差值對所述第一類圖像集進行清洗。本方案中，通過獲取每張第一類圖像的特征向量，然后基于特征向量對兩兩圖像進行兩兩相似度計算，獲得每兩個特征向量之間的偏差值，以根據特征向量之間的偏差值對第一類圖像集進行清洗，從而可以將第一類圖像集中不滿足相似度要求的圖像剔除，從而避免了這些圖像數據的干擾，達到較好的圖像清洗的效果。

技術領域

本發明涉及圖像處理領域，具體而言，涉及一種圖像處理方法、裝置、電子設備及可讀存儲介質。

背景技術

隨著科學技術的發展，深度學習神經網絡極大地促進了圖像識別技術的發展，使得圖像識別技術有了非常廣泛的應用。但是神經網絡非常依賴于數據，數據量足夠并且值得信賴的數據集是神經網絡取得好效果的前提。而為了對神經網絡進行訓練，需先獲得大量的樣本數據，目前公開的圖像數據集大多是網絡上收集的圖片，質量參差不齊，有些圖片可能非常模糊，圖像中的特征不明顯，有些圖片可能被誤認，這對于網絡的訓練十分不利，以致造成訓練結果不理想，最后導致對圖像進行識別時識別結果不準確的問題。而目前大多采用人工對圖像進行清洗的方式，但是在數據量巨大的情況下，顯然費時費力，且清洗的結果也不理想。

發明內容

本發明實施例的目的在于提供一種圖像處理方法、裝置、電子設備及可讀存儲介質。

第一方面，本發明實施例提供了一種圖像處理方法，所述方法包括：

獲取第一類圖像集，所述第一類圖像集包括多張第一類圖像；

提取每張所述第一類圖像的特征向量；

對所述第一類圖像集中提取出的所有所述特征向量進行兩兩相似度計算，獲得每兩個特征向量之間的偏差值；并

根據所述特征向量之間的偏差值對所述第一類圖像集進行清洗。

進一步地，根據所述特征向量之間的偏差值對所述第一類圖像集進行清洗，包括：

針對每個特征向量，統計與其偏差值小于等于第一閾值的特征向量的個數；

確定所述個數最大的特征向量為所述第一類圖像集的第一基準特征向量；

根據所述第一基準特征向量對所述第一類圖像集進行清洗。

進一步地，根據所述第一基準特征向量對所述第一類圖像集進行清洗，包括：

確定所述第一類圖像集的所有圖像的特征向量中與所述第一基準特征向量的偏差值大于所述第一閾值的特征向量，將確定出的特征向量對應的圖像從所述第一類圖像集中剔除。

進一步地，根據所述第一基準特征向量對所述第一類圖像集進行清洗，包括：

確定所述第一類圖像集的所有圖像的特征向量中，既不與所述第一基準特征向量直接相似也不與所述第一基準特征向量間接相似的特征向量，將確定出的所述特征向量對應的圖像從所述第一類圖像集中剔除；

其中，與所述第一基準特征向量直接相似指：與所述第一基準特征向量的偏差值小于等于所述第一閾值；與所述第一基準特征向量間接相似指：與所述第一基準特征向量直接相似或間接相似的特征向量的偏差值小于等于所述第一閾值。

進一步地，根據所述特征向量之間的偏差值對所述第一類圖像集進行清洗，包括：

若存在兩個特征向量的偏差值小于等于第二閾值，則將兩個特征向量中的一個對應的圖像從所述第一類圖像集中剔除，所述第二閾值小于所述第一閾值。