[發明專利]圖像處理方法、裝置、電子設備及存儲介質

在審

• 申請號: 202211064292.6
• 申請日: 2022-09-01
• 公開（公告）號: CN115410002A
• 公開（公告）日: 2022-11-29
• 發明（設計）人: 周翊航
• 申請（專利權）人: 中國農業銀行股份有限公司
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V10/30;G06V10/762
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 蔡舒野

本發明公開了一種圖像處理方法、裝置、電子設備及存儲介質，該方法包括：獲取圖像處理的目標任務，目標任務包括原始特征矩陣；獲取原始特征矩陣對應的潛在數據表示模型和潛在低秩表示模型；將潛在數據表示模型和潛在低秩表示模型進行預設整合處理，獲得關于目標任務的潛在特征低秩表示模型；在約束條件下求解目標函數；根據目標任務確定目標參數矩陣，基于目標參數矩陣對目標任務進行計算，獲得目標任務的處理結果。本發明能夠在潛在數據表示模型中將原始數據包含的主要特征信息保留在潛在特征表示中，避免了信息損失，基于潛在特征低秩表示模型在對圖像進行處理時，能夠避免原始數據所包含的冗余特征和噪聲信息對信息提取的影響。

技術領域

本發明實施例涉及計算機技術領域，尤其涉及圖像處理方法、裝置、電子設備及存儲介質。

背景技術

近年來，“大數據”的迅猛發展推動了高維數據的處理需求。而在這種需求的驅動下，降維學習逐漸變成了無監督學習領域中廣受關注的熱門方向。其中，子空間學習是機器學習領域中較為常用的降維方法。

現有的子空間學習方法一般可劃分為三類：線性子空間學習方法、流形子空間學習方法以及低秩子空間學習方法。其中，線性子空間學習方法是通過將高維空間的數據通過直接投影的方式嵌入到低維空間，其本質是通過線性變換來保留原始數據的主要信息；流形子空間學習方法是通過映射的方式將高維空間的數據轉換到低維空間當中去，同時保證低維數據可以反映高維空間數據中所包含的樣本之間的局部結構信息；低秩子空間學習方法是通過低秩重構的方式來學習表示系數矩陣，并用以揭示所有樣本點之間的全局結構信息。

上述線性子空間學習方法會損失其中的非線性信息；流形子空間學習方法其忽略了原始數據中的全局結構信息，且無法充分保留原始數據中的主要信息；低秩子空間學習方忽略了原始數據中的局部結構信息，使得原始特征矩陣中往往存在冗余特征和噪聲信息，這樣會對信息提取造成干擾。目前常用的子空間學習方法使用性能有限，也受適用場景的限制，以使得圖像處理結果不佳。

發明內容

本發明提供一種圖像處理方法、裝置、電子設備及存儲介質，能夠改善現有的圖像處理方案。

第一方面，本發明提供一種圖像處理方法，包括：

獲取圖像處理的目標任務，所述目標任務包括原始特征矩陣；

獲取所述原始特征矩陣對應的潛在數據表示模型和潛在低秩表示模型；

將所述潛在數據表示模型和所述潛在低秩表示模型進行預設整合處理，獲得關于所述目標任務的潛在特征低秩表示模型，所述潛在特征低秩表示模型包括目標函數和約束條件，所述目標函數為關于所述潛在數據表示模型和所述潛在低秩表示模型中包含的至少一個參數的目標函數；

在所述約束條件下求解所述目標函數，獲得至少一個參數矩陣，所述參數矩陣為所述參數對應的矩陣；

根據所述目標任務確定目標參數矩陣，基于所述目標參數矩陣對所述目標任務進行計算，獲得所述目標任務的處理結果，所述目標參數矩陣包括至少一個所述參數矩陣。

第二方面，本發明提供一種圖像處理裝置，所述裝置包括：

任務獲取模塊，用于獲取圖像處理的目標任務，所述目標任務包括原始特征矩陣；

模型獲取模塊，用于獲取所述原始特征矩陣對應的潛在數據表示模型和潛在低秩表示模型；

模型獲得模塊，用于將所述潛在數據表示模型和所述潛在低秩表示模型進行預設整合處理，獲得關于所述目標任務的潛在特征低秩表示模型，所述潛在特征低秩表示模型包括目標函數和約束條件，所述目標函數為關于所述潛在數據表示模型和所述潛在低秩表示模型中包含的至少一個參數的目標函數；

函數求解模塊，用于在所述約束條件下求解所述目標函數，獲得至少一個參數矩陣，所述參數矩陣為所述參數對應的矩陣；