【技术实现步骤摘要】
一种图像处理方法和相关设备
本申请涉及人工智能领域,尤其涉及一种图像处理方法和相关设备。
技术介绍
随着人工智能技术的发展,利用智能分析网络进行图像分析的技术在安防监控等领域已经得到了广泛推广,具体的,智能分析网络包括红(red,R)、绿(green,G)和蓝(blue,B)三个分支网络,在获取到拍摄对象的一张图像之后,将前述一张图像转换为红绿蓝(redgreenblue,RGB)格式后,并分别将红(red,R)、绿(green,G)和蓝(blue,B)三个分量输入到网络模型的R、G和B三个分支网络中,以获得拍摄对象的特征信息。而为了在低照度、强反光、重粉尘等场景下,摄像机都可以采集到质量较好的图像,摄像机除了获取拍摄对象的可见光图像之外,还会通过不同补光手段获取拍摄对象的近红外图像、短波红外图像以及热红外图像等非可见光图像,也即,随着摄像机技术的发展,摄像机会同时采集拍摄对象的非可见光图像和可见光图像,以获取到更多的图像信息。在通过摄像机的传感器获取到拍摄对象的非可见光图像和可见光图像之后,现有技术提供的处理方式是,通过图像融合算法将拍摄对象的非可见光图像和可见光图像进行融合,得到融合后的一张图像,再将融合后的图像转换为红绿蓝(redgreenblue,RGB)格式后,将红(red,R)、绿(green,G)和蓝(blue,B)三个分量分别输入到网络模型的R、G和B三个分支网络中,进而获取到拍摄对象的特征信息。但是,由于现有技术中的智能分析网络中包含的红(red,R)、绿(green,G)和 ...
【技术保护点】
1.一种图像处理方法,其特征在于,所述方法应用于图像分析设备,所述方法包括:/n获取第一图像集合,所述第一图像集合中包括拍摄对象的至少一张非可见光图像和至少一张可见光图像;/n从所述第一图像集合中获取第一亮度分量和第一色彩分量,其中,所述第一亮度分量包括所述至少一张非可见光图像的亮度分量,所述第一色彩分量包括所述至少一张可见光图像的色彩分量;/n将所述第一亮度分量输入到对应的第一神经网络中,以及,将所述第一色彩分量输入到对应的第二神经网络中;/n将所述第一神经网络和第二神经网络的输出接入到第三神经网络中,得到所述拍摄对象的特征信息,其中,所述第一神经网络、所述第二神经网络和所述第三神经网络均归属于同一图像分析网络。/n
【技术特征摘要】
1.一种图像处理方法,其特征在于,所述方法应用于图像分析设备,所述方法包括:
获取第一图像集合,所述第一图像集合中包括拍摄对象的至少一张非可见光图像和至少一张可见光图像;
从所述第一图像集合中获取第一亮度分量和第一色彩分量,其中,所述第一亮度分量包括所述至少一张非可见光图像的亮度分量,所述第一色彩分量包括所述至少一张可见光图像的色彩分量;
将所述第一亮度分量输入到对应的第一神经网络中,以及,将所述第一色彩分量输入到对应的第二神经网络中;
将所述第一神经网络和第二神经网络的输出接入到第三神经网络中,得到所述拍摄对象的特征信息,其中,所述第一神经网络、所述第二神经网络和所述第三神经网络均归属于同一图像分析网络。
2.根据权利要求1所述的方法,其特征在于,所述从所述第一图像集合中获取第一亮度分量和第一色彩分量,其中,所述第一亮度分量包括所述至少一张非可见光图像的亮度分量,所述第一色彩分量包括所述至少一张可见光图像的色彩分量,包括:
获取所述至少一张非可见光图像中每张非可见光图像的亮度分量,以及,获取所述至少一张可见光图像中每张可见光图像的色彩分量;
所述将所述第一亮度分量输入到对应的第一神经网络中,以及,将所述第一色彩分量输入到对应的第二神经网络中,包括:
将所述每张非可见光图像的亮度分量输入对应的第一神经网络中,以及,将所述每张可见光图像的色彩分量输入对应的第二神经网络中。
3.根据权利要求1所述的方法,其特征在于,所述获取第一图像集合,包括:
分别获取所述拍摄对象的至少一张可见光图像和至少一张红外图像;或者,
获取所述拍摄对象的至少一张多光谱图像、高光谱图像或超光谱图像;
对每张多光谱图像、高光谱图像或超光谱图像进行图像解析,获得所述拍摄对象的至少一张非可见光图像和至少一张可见光图像。
4.根据权利要求1所述的方法,其特征在于,所述获取所述第一图像集合的亮度分量和色彩分量之前,所述方法还包括:
对所述第一图像集合进行色彩空间转换,转换后的色彩空间中包括亮度分量和色彩分量。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述方法还包括:
将所述拍摄对象的特征信息与图像库中的特征信息集合进行匹配,得到匹配结果,其中,所述图像库中包括多张预存图像,所述图像库中的特征信息集合中包含所述多张预存图像中的每张预存图像的特征信息;或者,
根据所述拍摄对象的特征信息,对所述拍摄图像进行识别,得到所述拍摄对象的描述信息。
6.根据权利要求1至5任一项所述的方法,其特征在于,从一张非可见光图像中获取的第一亮度分量的数量是1个,所述第一神经网络的数量是1个;
从一张可见光图像中获取的第一色彩分量的数量是2个,所述第二神经网络的数量是2个,每个第二神经网络对应1个第一色彩分量。
7.一种图像处理方法,其特征在于,所述方法应用于图像分析设备,所述方法包括:
获取拍摄对象的第一图像集合,所述第一图像集合中包括至少一张多光谱图像、高光谱图像或超光谱图像;
从所述至少一张多光谱图像、高光谱图像或超光谱图像中提取亮度分量和色彩分量;
将所述亮度分量输入到对应的第一神经网络中,以及,将所述色彩分量输入到对应的第二神经网络中;
将所述第一神经网络和第二神经网络的输出接入到第三神经网络中,得到所述拍摄对象的特征信息,其中,所述第一神经网络、所述第二神经网络和第三神经网络均归属于同一图像分析网络。
8.一种图像处理方法,其特征在于,所述方法包括:
服务器获取第一训练图像集合,其中,所述第一训练图像集合中包含多张第一训练图像以及与所述多张第一训练图像中的每张第一训练图像对应的第一特征信息,所述第一特征信息为预先标注的特征信息;
所述服务器获取所述每张第一训练图像的亮度分量和色彩分量;
所述服务器根据所述每张第一训练图像的亮度分量和色彩分量以及所述每张第一训练图像的第一特征信息,对图像分析网络进行训练;
所述服务器将训练后的图像分析网络发送至图像分析设备,所述图像分析网络用于供所述图像分析设备根据拍摄对象的图像和所述图像分析网络,得到所述拍摄对象的第二特征信息,其中,所述图像分析网络包括第一神经网络、第二神经网络以及第三神经网络,所述第一神经网络为接入所述拍摄对象的图像的亮度分量的神经网络,所述第二神经网络为接入所述拍摄对象的图像的色彩分量的神经网络,所述第三神经网络为输出所述第二特征信息的神经网络。
9.根据权利要求8所述的方法,其特征在于,在所述服务器根据所述每张第一训练图像的亮度分量和色彩分量以及所述每张第一训练图像的第一特征信息,对图像分析网络进行训练之后,所述方法还包括:
所述服务器获取第二训练图像集合,其中,所述第二训练图像集合中包含多张第二训练图像以及与所述多张第二训练图像中的每张第二训练图像对应的第三特征信息,所述...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。