一种图像处理方法和相关设备技术

本申请公开了一种图像处理方法及相关设备，可用于人工智能领域的图像处理领域中，在获取到的拍摄对象的图像集合之后，可以获取非可见光图像的亮度分量，获取可见光图像的色彩分量，将亮度分量输入到第一神经网络中，将色彩分量输入到第二神经网络中，并将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，由第三神经网络输出拍摄对象的特征信息，也即通过第一神经网络获取到非可见光图像的亮度分量中携带的特征信息，增强了图像分析网络对非可见光图像的适应性，由于非可见光图像中携带的亮度信息质量较好，从而本申请提供的图像分析网络可以很好的发挥出非可见光图像的优势，有利于提高输出的特征信息的精准度。

【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)和蓝(blue，B)分支网络反映的均为图像的色彩信息，而像红外图像、短波红外图像以及热红外图像等非可见光图像中包含的色彩信息较少，现有技术提供的智能分析网络很难利用到非可见光图像中的信息，也即现有技术提供的智能分析网络与非可见光图像的适应性较差。
技术实现思路
本申请实施例提供了一种图像处理方法和相关设备，用于通过第一神经网络获取非可见光图像的亮度分量中携带的特征信息，从而提高图像分析网络对非可见光图像的适应性。为解决上述技术问题，本申请实施例提供以下技术方案：第一方面，本申请实施例提供一种图像处理方法，可用于人工智能领域的图像处理领域中，方法可以包括：图像分析设备获取第一图像集合，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，图像分析设备可以从第一图像集合中获取第一亮度分量和第一色彩分量，第一亮度分量包括至少一张非可见光图像的亮度分量，第一色彩分量包括至少一张可见光图像的色彩分量，进而将第一亮度分量输入到对应的第一神经网络中，以及，将第一色彩分量输入到对应的第二神经网络中，将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，得到拍摄对象的特征信息，其中，第一神经网络、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，第一神经网络的个数可以为一个或者多个，第二神经网络的个数也可以为一个或多个，具体的，图像分析设备从每张非可见光中获取的亮度分量的个数可以与第一神经网络的个数相同，从每张可见光图像中获取的色彩分量的个数可以与第二神经网络的个数相同。本实现方式中，由于非可见光图像的亮度分量中包括拍摄对象的形状、纹理结构等特征信息，通过第一神经网络获取到非可见光图像的亮度分量中携带的特征信息，增强了图像分析网络对非可见光图像的适应性，由于非可见光图像中携带的亮度信息质量较好，从而本申请实施例提供的图像分析网络可以很好的发挥出非可见光图像的优势，有利于输出的拍摄对象的特征信息更为精确；此外，通过第二神经网络可以获取到可见光图像中携带的色彩信息，保证了本申请实施例提供的图像分析网络对可见光图像的兼容性，拓展了本方案的应用场景，提高了本方案的全面性。在第一方面的一种可能实现方式中，第一亮度分量中还可以包括至少一张可见光图像的亮度分量，则图像分析设备不仅可以利用到非可见光图像的亮度分量，还可以利用到可见光图像的亮度分量，则图像分析设备输入到图像分析网络的数据量增多，有利于提高获取到的特征信息的精准度。在第一方面的一种可能实现方式中，图像分析设备从第一图像集合中获取第一亮度分量和第一色彩分量的步骤，具体可以包括：图像分析设备获取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，获取至少一张可见光图像中每张可见光图像的色彩分量，则图像分析设备将第一亮度分量输入到对应的第一神经网络中，以及，将第一色彩分量输入到对应的第二神经网络中的步骤，具体可以包括：图像分析设备将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，将每张可见光图像的色彩分量输入对应的第二神经网络中，具体的，由于第一神经网络和第二神经网络的个数均可以为一个或者至少两个，对应的，从每张非可见光图像中获取的亮度分量也为一个或者至少两个，从每张可见光图像中获取的色彩分量也为一个或者至少两个，当第一神经网络的个数为至少两个时，需要将每张非可见光图像中获取的至少两个亮度分量分别输入到对应的至少两个第一神经网络中，当第二神经网络的个数为至少两个时，需要将每张可见光图像中获取的至少两个色彩分量分别输入到对应的至少两个第二神经网络中。本实现方式中，由于图像分析设备在执行图像融合过程中，不可避免会引入一些噪声数据，从而对图像的质量带来不好的影响，进而影响图像分析网络在特征提取过程中的精准度，而本实施例提供的方案中是逐个处理每张图像，并将每张图像提取出的分量逐次输入到对应的神经网络中，从而避免了引入图像融合过程中的噪声数据，有利于准确获取拍摄对象的特征信息；此外，本实施例提供的方案中只将非可见光图像的亮度分量输入到第一神经网络，只将可见光图像的色彩分量输入第二神经网络，从而避免了引入可见光图像中由于运动模糊等情况产生的质量较差的亮度信息，提高了输出的特征信息的准确度。在第一方面的一种可能实现方式中，图像分析设备获取第一图像集合的步骤，具体可以包括：图像分析设备分别获取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，图像分析设备获取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，则图像分析设备可以对每张多光谱图像、高光谱图像或超光谱图像进行图像解析，以获得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。本实现方式中的图像分析设备可以处理独立的可见光图像和红外图像，又可以处理多光谱图像、高光谱图像或超光谱图像等类似图像，丰富了本方案的应用场景；且在处理多光谱图像、高光谱图像或超光谱图像时，将多光谱图像、高光谱图像或超光谱图像解析为多张可见光图像和非可见光图像之后，再进行图像分析，增加了输入的拍摄对象的第一图像集合中的图像数量，则图像分析设备可以利用更多的数据得到更为精确的结果。在第一方面的一种可能实现方式中，图像分析设备在获取第一图像集合的亮度分量和色彩分量之前，方法还可以包括：图像分析设备可以先确定图像分析网络中第一神经网络的个数和第二神经网络的个数，进而根据第一神经网络的个数和第二神经网络的个数对第一图像集合中的每张图像进行色彩空间转换，转换后的色彩空间中包括亮度分量和色彩本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：提纯利，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东;44