图像特征的提取方法及装置、存储介质、电子设备制造方法及图纸

本发明专利技术公开了一种图像特征的提取方法及装置、存储介质、电子设备，属于人工智能领域。其中，该方法包括：将原始图像切割为多个尺度的超体素；针对每个尺度的超体素计算超体素特征，得到多个尺度的超体素特征；基于所述多个尺度的超体素特征融合得到所述原始图像的多尺度特征。通过本发明专利技术，解决了相关技术中图像特征的区分度低的技术问题，提升了基于原始图像的图像分类，图像聚类、图像分割和目标检测等效果。

【技术实现步骤摘要】
图像特征的提取方法及装置、存储介质、电子设备
本专利技术涉及人工智能领域，具体而言，涉及一种图像特征的提取方法及装置、存储介质、电子设备。
技术介绍
相关技术中，图像处理领域的技术不断更新和发展，在各类图像处理任务中，涌现出许多新的模型和方法。在每项任务中，特征的提取对于后面的效果提升起着举足轻重的作用。用于描述图像的基础特征有许多，如颜色特征中的颜色直方图、形状特征中的SIFT(尺度不变特征转换)、方向梯度直方图(HistogramofOrientedGradient,HOG)和HAAR(边缘特征，线性特征，中心特征和对角线特征，组合成的特征模板)等特征、纹理特征中的局部二值化模式(LocalBinaryPatter，LBP)和灰度共生矩阵特征、以及一些边缘特征。通过这些特征来描述图像，提取图像中的显著信息。相关技术中的图像特征大致有颜色特征、纹理特征、形状特征和空间关系特征这几类，这些特征从不同的角度描述图像。颜色特征是一种全局特征，描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。最常用的提取方法是颜色直方图，统计一幅图像中各个色彩通道的灰度值信息，通过统计信息来描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中的比例，特别适用于描述那些难以自动分割的图像和不需要考虑空间位置的图像。纹理特征也是一种全局特征，描述了图像或图像区域所对应景物的表面性质。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。同时具有旋转不变性，对噪声具有较强的抵抗能力。实际任务中常用一些随机模型法提取纹理特征，如马尔可夫随机场和Gibbs随机场模型法。形状特征一般包含轮廓特征和区域特征，前者主要针对物体的外边界，后者则关系到整个形状区域。实际中常用SIFT和HOG变换进行处理，SIFT实质上是在不同的尺度空间上查找关键点，并计算关键点的方向，作为一种特征向量。Hough变换是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法。相关技术提取的图像特征中，颜色空间作为一种全局特征，能够反映整幅图像的颜色空间分布，但是它无法描述图像中颜色的全局分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。纹理特征作为一种统计信息，当图像的分辨率变化时，所计算出来的纹理可能会有较大偏差，另外，由于有可能受到光照、反射情况的影响，从2D图像反映出来的纹理不一定是3D物体表面的真实纹理。形状特征也存在一些问题，其反映的目标信息与人的直观感觉不完全一致，或者说，特征空间的相似性与人视觉系统感受到的相似性有差别。针对相关技术中存在的上述问题，目前尚未发现有效的解决方案。
技术实现思路
本专利技术实施例提供了一种图像特征的提取方法及装置、存储介质、电子设备。根据本申请实施例的一个方面，提供了一种图像特征的提取方法，包括：将原始图像切割为多个尺度的超体素；针对每个尺度的超体素计算超体素特征，得到多个尺度的超体素特征；基于所述多个尺度的超体素特征融合得到所述原始图像的多尺度特征。进一步，将原始图像切割为多个尺度的超体素包括：基于迭代空间模糊聚类算法ISFC依次选择多个目标尺度的体素特征；针对每个目标尺度的体素特征，在所述原始图像中聚合与对应体素特征匹配的相似体素点，得到多个目标尺度的超体素。进一步，针对每个尺度的超体素计算超体素特征，得到多个尺度的超体素特征包括：针对每个尺度的超体素，计算超体素在原始维度的灰度直方图和局部二值化模式LBP特征；将所述灰度直方图和LBP特征分别压缩至第一目标维度和第二目标维度，并对所述灰度直方图和所述LBP特征进行归一化预处理。进一步，基于所述多个尺度的超体素特征融合得到所述原始图像的多尺度特征包括：针对所述原始图像中第一尺度的每个超体素pc1，在若干个第二尺度的第一超体素集合中选择覆盖所述pc1最多的超体素pbx，其中，所述第一尺度小于所述若干个第二尺度；拼接所述pc1和pbx的超体素特征，得到所述pc1的多尺度特征。进一步，在若干个第二尺度的第一超体素集合中选择覆盖所述pc1最多的超体素pbx包括：针对每个第二尺度的第一超体素集合，在所述第一超体素集合中确定覆盖所述pc1的第二超体素集合；计算所述第二超体素集合中的每个超体素覆盖所述pc1的占比体积；在所述第二超体素集合中选择占比体积最大的一个作为覆盖所述pc1最多的超体素pbx。进一步，在基于所述多个尺度的超体素特征融合得到所述原始图像的多尺度特征之后，所述方法还包括：根据所述多尺度特征将所述原始图像分割为多个子图像。进一步，根据所述多尺度特征将所述原始图像分割为多个子图像包括：基于所述多尺度特征的特征度将所述原始图像的超体素划分为第三超体素集合和第四超体素集合；按照所述第三超体素集合和所述第四超体素集合在所述原始图像上的覆盖区域将所述原始图像分割为第一子图像和第二子图像。根据本申请实施例的另一个方面，还提供了一种图像特征的提取装置，包括：切割模块，用于将原始图像切割为多个尺度的超体素；计算模块，用于针对每个尺度的超体素计算超体素特征，得到多个尺度的超体素特征；融合模块，用于基于所述多个尺度的超体素特征融合得到所述原始图像的多尺度特征。进一步，所述切割模块包括：选择单元，用于基于迭代空间模糊聚类算法ISFC依次选择多个目标尺度的体素特征；聚合单元，用于针对每个目标尺度的体素特征，在所述原始图像中聚合与对应体素特征匹配的相似体素点，得到多个目标尺度的超体素。进一步，所述计算模块包括：计算单元，用于针对每个尺度的超体素，计算超体素在原始维度的灰度直方图和局部二值化模式LBP特征；处理单元，用于将所述灰度直方图和LBP特征分别压缩至第一目标维度和第二目标维度，并对所述灰度直方图和所述LBP特征进行归一化预处理。进一步，所述融合模块包括：选择单元，用于针对所述原始图像中第一尺度的每个超体素pc1，在若干个第二尺度的第一超体素集合中选择覆盖所述pc1最多的超体素pbx，其中，所述第一尺度小于所述若干个第二尺度；拼接单元，用于拼接所述pc1和pbx的超体素特征，得到所述pc1的多尺度特征。进一步，所述选择单元包括：确定子单元，用于针对每个第二尺度的第一超体素集合，在所述第一超体素集合中确定覆盖所述pc1的第二超体素集合；计算子单元，用于计算所述第二超体素集合中的每个超体素覆盖所述pc1的占比体积；选择子单元，用于在所述第二超体素集合中选择占比体积最大的一个作为覆盖所述pc1最多的超体素pbx。进一步，所述装置还包括：分割模块，用于在所述融合模块基于所述多个尺度的超体素特征融合得到所述原始图像的多尺度特征之后，根据所述多尺度特征将所述原始图像分割为多个子图像。进一步，所述分割模块包括：划分单元，用于基于所述多尺度特征的特征度将所述原始图像的超体素划分为第三超本文档来自技高网...

【技术保护点】
1.一种图像特征的提取方法，其特征在于，包括：/n将原始图像切割为多个尺度的超体素；/n针对每个尺度的超体素计算超体素特征，得到多个尺度的超体素特征；/n基于所述多个尺度的超体素特征融合得到所述原始图像的多尺度特征。/n

【技术特征摘要】
1.一种图像特征的提取方法，其特征在于，包括：
将原始图像切割为多个尺度的超体素；
针对每个尺度的超体素计算超体素特征，得到多个尺度的超体素特征；
基于所述多个尺度的超体素特征融合得到所述原始图像的多尺度特征。


2.根据权利要求1所述的方法，其特征在于，将原始图像切割为多个尺度的超体素包括：
基于迭代空间模糊聚类算法ISFC依次选择多个目标尺度的体素特征；
针对每个目标尺度的体素特征，在所述原始图像中聚合与对应体素特征匹配的相似体素点，得到多个目标尺度的超体素。


3.根据权利要求1所述的方法，其特征在于，针对每个尺度的超体素计算超体素特征，得到多个尺度的超体素特征包括：
针对每个尺度的超体素，计算超体素在原始维度的灰度直方图和局部二值化模式LBP特征；
将所述灰度直方图和LBP特征分别压缩至第一目标维度和第二目标维度，并对所述灰度直方图和所述LBP特征进行归一化预处理。


4.根据权利要求1所述的方法，其特征在于，基于所述多个尺度的超体素特征融合得到所述原始图像的多尺度特征包括：
针对所述原始图像中第一尺度的每个超体素pc1，在若干个第二尺度的第一超体素集合中选择覆盖所述pc1最多的超体素pbx，其中，所述第一尺度小于所述若干个第二尺度；
拼接所述pc1和pbx的超体素特征，得到所述pc1的多尺度特征。


5.根据权利要求4所述的方法，其特征在于，在若干个第二尺度的第一超体素集合中选择覆盖所述pc1最多的超体素pbx包括：
针对每个第二尺度的第一超体素集合，在所述第一超体素集合中确定覆...

【专利技术属性】
技术研发人员：李艺飞，王同乐，周星杰，孙泽懿，
申请(专利权)人：上海明略人工智能集团有限公司，
类型：发明
国别省市：上海;31