[發明專利]一種圖像識別的高維數據模型算法

在審

• 申請號: 201811204169.3
• 申請日: 2018-10-16
• 公開（公告）號: CN109359660A
• 公開（公告）日: 2019-02-19
• 發明（設計）人: 吳陳杰
• 申請（專利權）人: 深圳市熱度網絡科技有限公司
• 主分類號: G06K9/54
• 分類號: G06K9/54;G06K9/40;G06K9/62;G06F16/53
• 代理公司: 深圳市卓科知識產權代理有限公司 44534
• 代理人: 邵妍;張金玲

本發明公開了一種圖像識別的高維數據模型算法，包括以下步驟：S1、通過處理設備將源圖進行圖像壓縮得到縮略圖，根據直接識別法識別縮略圖；若識別成功則轉到結束流程，否則執行下一程序；S2、將源圖進行圖像增強得到增強圖，根據直接識別法識別增強圖；若識別成功則轉到結束流程，否則執行下一程序；S3、將源圖進行圖像壓縮得到壓縮圖，根據圖像區域識別法檢測壓縮圖的傾斜角度，然后，使用該傾斜角矯正源圖和/或壓縮圖得到目標圖。本發明利用直接識別法和區域識別法結合成一種遞進式的圖像壓縮識別算法，在速度和識別率上都優于直接識別法和區域識別法；能夠在較短時間內完成圖像識別，達到較高識別率。

技術領域

本發明涉及圖像識別技術領域，尤其涉及一種圖像識別的高維數據模型算法。

背景技術

在這個大數據時代，我們時常與數據打著交道。通常我們可以用一個向量來表示一個數據樣本，數據的維度就是向量的維度。比如我們常見的二維數據、三維數據可以直觀地可視化。有的數據維度非常高，比如描述人臉、聲音等的數據樣本它們的維度就通常高達上百。通過簡單的歐式聚類來進行數據樣本的分類，在低緯度數據樣本中大多有良好的分類結果。但是在高維數據的分類問題中，基于歐式距離的分類方法通常都會失效。

所以針對高緯度數據的分類提出一種簡單有效的方法是具有一定意義的。該文的創新點在于：針對不同維度數據的子空間分類以及多流形分類問題，該文提出了“種子生長模型”較好地解決了該問題。該模型在通過模擬種子的非線性傳播與生長的同時，加以生長規則的限制，使得與種子具有較高相似性的樣本被不斷地歸類，其他的樣本點逐漸成為新的種子，種子再不斷更新與生長，最終完成分類。該模型具有較強的一般性與適應性，能夠較好地解決不同維度樣本的子空間分類與多流形分類問題，但由于流程復雜以及矯正無傾斜圖像導致耗時較長。

發明內容

本發明的目的是為了解決現有技術中存在的缺點，而提出的一種圖像識別的高維數據模型算法。

為了實現上述目的，本發明采用了如下技術方案：

一種圖像識別的高維數據模型算法，包括以下步驟：

S1、通過處理設備將源圖進行圖像壓縮得到縮略圖，根據直接識別法識別縮略圖；若識別成功則轉到結束流程，否則執行下一程序；

S2、將源圖進行圖像增強得到增強圖，根據直接識別法識別增強圖；若識別成功則轉到結束流程，否則執行下一程序；

S3、將源圖進行圖像壓縮得到壓縮圖，根據圖像區域識別法檢測壓縮圖的傾斜角度，然后，使用該傾斜角矯正源圖和/或壓縮圖得到目標圖，在目標圖中定位矩形區域并檢測圖像；若識別成功則轉到結束流程，否則顯示錯誤信息并轉到結束流程；

S4、結束流程，顯示識別信息，算法結束。

優選地，所述S1中，根據直接識別法識別縮略圖，首先將縮略圖初始化，初始化開始，找到第1個還沒有歸屬的像素，并且設該像素為(x0，y0)。

優選地，，通過迭代法計算出(x0，y0)8領域像素，迭代開始，以(x0，y0)為中心，考慮(x0，y0)的8鄰域像素(x，y)如果(x0，y0)滿足生長準則，將(x，y)與(x0，y0)合并(在同一區域內)，同時將(x，y)壓入堆棧；從堆棧中取出一個像素，把它當做(x0，y0)返回到迭代開始；當堆棧為空時，返回到初始化開始；直到圖像中的每個點都有歸屬時，生長結束。

優選地，所述S3中，定位矩形區域的具體流程如下：

A、濾波降噪，對目標圖進行高斯平滑濾波抑制服從正態分布的噪聲；

B、水平垂直梯度差，使用Sobel算子求得灰度圖像梯度差；

C、均值濾波，消除高頻噪聲；

D、二值化，根據閾值進行二值化，為閉運算做準備；