图像处理方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种图像处理方法、装置、计算机设备和存储介质。所述方法包括：将多个样本图像输入至所述特征提取网络，并通过特征提取网络对样本图像进行特征提取处理，得到所述样本图像对应的图像特征；将多个所述图像特征输入至所述编码模块进行类别编码，得到多个与所述图像特征相应的编码特征；将所述多个编码特征依次输入多个所述段内度量模块进行迭代图卷积处理，得到多个与所述编码特征相应的卷积特征，通过多个段内度量模块对编码特征进行迭代图卷积处理，从而增加了图神经网络的深度，将所述多个卷积特征输入至所述线性层进行分类处理，可得到未知类别图像的分类结果，在增加了图神经网络深度和聚合能力的基础上，提高了分类结果的准确度。了分类结果的准确度。了分类结果的准确度。

【技术实现步骤摘要】
图像处理方法、装置、计算机设备和存储介质


[0001]本申请涉及图像处理
，尤其涉及一种图像处理方法、装置、计算机设备和存储介质。

技术介绍

[0002]随着深度学习的不断发展，有力的推动了图像处理、计算机视觉、自然语言处理、机器翻译等诸多领域的发展，这充分说明深度学习的强大潜力。
[0003]对于图像分类问题，通常会用到传统卷积对图像进行单一重复的过滤，以此提取特征，但该方式无法高效的捕获具有明显区别的特征，不利于特征提取之后的特征分类，容易影响分类结果的准确性。

技术实现思路

[0004]为了解决上述技术问题，本申请提供了一种图像处理方法、装置、计算机设备和存储介质。
[0005]第一方面，本申请提供了一种图像处理方法，应用于包括特征提取网络和特征分类网络的图神经网络，所述特征分类网络包括编码模块、多个段内度量模块和线性层，所述方法包括：
[0006]将多个样本图像输入至所述特征提取网络，并通过所述特征提取网络对所述样本图像进行特征提取处理，得到所述样本图像对应的图像特征；其中，所述多个样本图像包括已知类别图像和未知类别图像；
[0007]将多个所述图像特征输入至所述编码模块进行类别编码，得到多个与所述图像特征相应的编码特征；
[0008]将所述多个编码特征依次输入多个所述段内度量模块进行迭代图卷积处理，得到多个与所述编码特征相应的卷积特征；
[0009]将所述多个卷积特征输入至所述线性层进行分类处理，得到相应的分类结果；其中，所述分类结果包括所述未知类别图像的类别。
[0010]第二方面，本申请提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0011]将多个样本图像输入至所述特征提取网络，并通过所述特征提取网络对所述样本图像进行特征提取处理，得到所述样本图像对应的图像特征；其中，所述多个样本图像包括已知类别图像和未知类别图像；
[0012]将多个所述图像特征输入至所述编码模块进行类别编码，得到多个与所述图像特征相应的编码特征；
[0013]将所述多个编码特征依次输入多个所述段内度量模块进行迭代图卷积处理，得到多个与所述编码特征相应的卷积特征；
[0014]将所述多个卷积特征输入至所述线性层进行分类处理，得到相应的分类结果；其
中，所述分类结果包括所述未知类别图像的类别。
[0015]第三方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0016]将多个样本图像输入至所述特征提取网络，并通过所述特征提取网络对所述样本图像进行特征提取处理，得到所述样本图像对应的图像特征；其中，所述多个样本图像包括已知类别图像和未知类别图像；
[0017]将多个所述图像特征输入至所述编码模块进行类别编码，得到多个与所述图像特征相应的编码特征；
[0018]将所述多个编码特征依次输入多个所述段内度量模块进行迭代图卷积处理，得到多个与所述编码特征相应的卷积特征；
[0019]将所述多个卷积特征输入至所述线性层进行分类处理，得到相应的分类结果；其中，所述分类结果包括所述未知类别图像的类别。
[0020]基于上述图像处理方法，将多个样本图像输入至所述特征提取网络，并通过所述特征提取网络对所述样本图像进行特征提取处理，得到所述样本图像对应的图像特征；其中，所述多个样本图像包括已知类别图像和未知类别图像，利用已知类别图像来识别未知类别图像。将多个所述图像特征输入至所述编码模块进行类别编码，得到多个与所述图像特征相应的编码特征；将所述多个编码特征依次输入多个所述段内度量模块进行迭代图卷积处理，得到多个与所述编码特征相应的卷积特征，通过多个段内度量模块对编码特征进行迭代图卷积处理，从而增加了图神经网络的深度，提高了卷积聚合能力，将所述多个卷积特征输入至所述线性层进行分类处理，可得到未知类别图像的分类结果，在增加了图神经网络深度和聚合能力的基础上，提高了分类结果的准确度。
附图说明
[0021]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。
[0022]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0023]图1为一个实施例中图神经网络的结构示意图；
[0024]图2为一个实施例中图像处理方法的流程示意图；
[0025]图3为一个实施例中特征分类网络的结构示意图；
[0026]图4为一个实施例中邻接感知网络的结构示意图；
[0027]图5为一个实施例中段内度量模块的结构示意图；
[0028]图6为一个实施例中特征提取网络的结构示意图；
[0029]图7为一个实施例中计算机设备的结构图。
具体实施方式
[0030]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是
本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0031]在一个实施例中，图1为一个实施例中图神经网络的结构示意图。参照图1，该图像处理方法应用于包括特征提取网络和特征分类网络的图神经网络，图1中的PMGCN用于指示图神经网络，特征提取器用于指示特征提取网络，分类器用于指示特征分类网络，所述特征分类网络包括编码模块、多个段内度量模块和线性层，图2为一个实施例中一种图像处理方法的流程示意图，参照图2，提供了一种图像处理方法。本实施例主要以该方法应用于上述图1中图神经网络来举例说明，该图像处理方法具体包括如下步骤：
[0032]步骤S210，将多个样本图像输入至所述特征提取网络，并通过所述特征提取网络对所述样本图像进行特征提取处理，得到所述样本图像对应的图像特征。
[0033]具体的，多个样本图像包括已知类别图像和未知类别图像，已知类别图像是指已经识别类别的图像，未知类别图像是指未经类别识别的图像，利用已知类别图像来识别未知类别图像的类别属性，根据已知类别图像确定对应的已知类别属性，未知类别图像的类别属性为多个已知类别属性中的一种，类别属性具体可以是形状、符号、动物、人、汽车等中至少一种或多种，如图1所示，已知类别属性分别为三角形、梯形和圆形，任意一个未知类别图像的类别属性为三角形、梯形和圆形中一种。对每个样本图像进行特征提取，得到图像特征，每个样本图像对应一个图像特征。
[0034]步骤S220，将多个所述图像特征输入至所述编码模块进行类别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，其特征在于，应用于包括特征提取网络和特征分类网络的图神经网络，所述特征分类网络包括编码模块、多个段内度量模块和线性层，所述方法包括：将多个样本图像输入至所述特征提取网络，并通过所述特征提取网络对所述样本图像进行特征提取处理，得到所述样本图像对应的图像特征；其中，所述多个样本图像包括已知类别图像和未知类别图像；将多个所述图像特征输入至所述编码模块进行类别编码，得到多个与所述图像特征相应的编码特征；将所述多个编码特征依次输入多个所述段内度量模块进行迭代图卷积处理，得到多个与所述编码特征相应的卷积特征；将所述多个卷积特征输入至所述线性层进行分类处理，得到相应的分类结果；其中，所述分类结果包括所述未知类别图像的类别。2.根据权利要求1所述的方法，其特征在于，所述段内度量模块包括邻接感知网络和图卷积网络，所述将所述多个编码特征依次输入多个所述段内度量模块进行迭代图卷积处理，得到多个与所述编码特征相应的卷积特征，包括：将所述多个编码特征输入至所述邻接感知网络，确定各个所述编码特征之间的邻接关系，生成邻接矩阵；将所述多个编码特征和所述邻接矩阵输入至所述图卷积网络进行图卷积处理，得到多个与所述编码特征相应的分段特征；将所述多个分段特征依次输入多个所述段内度量模块进行迭代图卷积处理，得到所述卷积特征。3.根据权利要求2所述的方法，其特征在于，所述邻接感知网络包括学习网络、残差网络和输出层，所述将所述多个编码特征输入至所述邻接感知网络，确定各个所述编码特征之间的邻接关系，生成邻接矩阵，包括：将多个特征差异绝对值输入至所述学习网络，学习所述特征差异绝对值对应的两个所述编码特征之间的邻接关系，得到多个用于指示所述邻接关系的候选矩阵；其中，所述特征差异绝对值用于指示任意两个所述编码特征相应数值之间差值的绝对值；将所述多个特征差异绝对值输入至所述残差网络，得到多个与所述特征差异绝对值相应的反馈矩阵；将多个所述候选矩阵与相应所述反馈矩阵之间的和输入至所述输出层，生成所述邻接矩阵。4.根据权利要求2所述的方法，其特征在于，所述图卷积网络包括多个图卷积层，所述将所述多个编码特征和所述邻接矩阵输入至所述图卷积网络进行图卷积处理，得到多个与所述编码特征相应的分段特征，包括：将所述多个编码特征和所述邻接矩阵作为所述多个图卷积层中首个图卷积层的输入，以及将所述邻接矩阵和在前所述图卷积层的输出特征作为所述多个图卷积层中非首个图卷积层的输入，进行图卷积处理，生成多个与所述编码特征相应的分段特征。...

【专利技术属性】
技术研发人员：赵之能，曹文明，廉德亮，
申请(专利权)人：深圳大学，
类型：发明
国别省市：