图像处理方法、装置、存储介质及设备制造方法及图纸

本申请实施例提供了一种图像处理方法、装置、存储介质及设备，可以应用于云技术、人工智能、区块链、车联网、智慧交通、智能家居等各种领域，该方法包括：获取待处理图像，利用目标全局特征提取网络对所述待处理图像进行特征提取处理，得到所述待处理图像的全局特征；获取所述待处理图像的显著性图像，利用目标显著性特征提取网络对所述待处理图像的显著性图像进行特征提取处理，得到所述待处理图像的显著性特征；基于所述待处理图像的全局特征和显著性特征，确定所述待处理图像的融合特征。采用本申请的方法，可以有效提高提取的图像特征的准确性。准确性。准确性。

【技术实现步骤摘要】
图像处理方法、装置、存储介质及设备


[0001]本申请涉及人工智能
，尤其涉及一种图像处理方法、装置、存储介质及设备。

技术介绍

[0002]目前，各种系统、软件和网站中都可提供海量的图像供用户选择，为便于用户对图像的查找，提供有图像检索功能。在现有图像检索方法中，是通过对图像进行分析，获得图像特征，根据图像特征以及检索算法查找图像的相似图像，然而，现有的图像特征提取方式提取的图像特征的准确性较低，在采用准确性较低的图像特征执行检索任务时，会存在检索结果不准确的问题。

技术实现思路

[0003]本申请实施例提供了一种图像处理方法、装置、存储介质及设备，可以有效提高提取的图像特征的准确性。
[0004]一方面，本申请实施例提供了一种图像处理方法，所述方法包括：获取待处理图像，利用目标全局特征提取网络对所述待处理图像进行特征提取处理，得到所述待处理图像的全局特征；获取所述待处理图像的显著性图像，利用目标显著性特征提取网络对所述待处理图像的显著性图像进行特征提取处理，得到所述待处理图像的显著性特征；基于所述待处理图像的全本文档来自技高网...

【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，所述方法包括：获取待处理图像，利用目标全局特征提取网络对所述待处理图像进行特征提取处理，得到所述待处理图像的全局特征；获取所述待处理图像的显著性图像，利用目标显著性特征提取网络对所述待处理图像的显著性图像进行特征提取处理，得到所述待处理图像的显著性特征；基于所述待处理图像的全局特征和显著性特征，确定所述待处理图像的融合特征；其中，所述目标显著性特征提取网络是结合所述目标全局特征提取网络和三元组训练样本对初始显著性特征提取网络进行训练得到，所述三元组训练样本包括锚定样本图像、所述锚定样本图像对应的正样本图像和负样本图像；在对所述初始显著性特征提取网络进行训练时，所述目标全局特征提取网络用于提取所述锚定样本图像、所述正样本图像和所述负样本图像各自的全局特征，所述初始显著性特征提取网络用于提取所述锚定样本图像、所述正样本图像和所述负样本图像各自的显著性特征；所述目标显著性特征提取网络是基于第一损失参数和第二损失参数对所述初始显著性特征提取网络进行网络参数调整得到，所述第一损失参数是基于所述锚定样本图像、所述正样本图像和所述负样本图像各自的显著性特征确定的，所述第二损失参数是基于所述锚定样本图像、所述正样本图像和所述负样本图像各自的全局特征和显著性特征确定的。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取所述三元组训练样本，将所述三元组训练样本包括的所述锚定样本图像、所述正样本图像和所述负样本图像输入所述目标全局特征提取网络中进行特征提取处理，得到所述锚定样本图像的第一全局特征、所述正样本图像的第二全局特征和所述负样本图像的第三全局特征；获取所述锚定样本图像、所述正样本图像和所述负样本图像各自的显著性图像，将所述锚定样本图像、所述正样本图像和所述负样本图像各自的显著性图像输入所述初始显著性特征提取网络中进行特征提取处理，得到所述锚定样本图像、所述正样本图像和所述负样本图像各自的显著性特征；基于所述第一全局特征和所述锚定样本图像的显著性特征确定第一融合特征，基于所述第二全局特征和所述正样本图像的显著性特征确定第二融合特征，以及基于所述第三全局特征和所述负样本图像的显著性特征确定第三融合特征；基于所述锚定样本图像、所述正样本图像和所述负样本图像各自的显著性特征确定所述第一损失参数，基于所述第一融合特征、所述第二融合特征和所述第三融合特征确定所述第二损失参数；基于所述第一损失参数和所述第二损失参数对所述初始显著性特征提取网络的网络参数进行调整，得到训练后的显著性特征提取网络；其中，所述目标显著性特征提取网络是基于所述训练后的显著性特征提取网络确定的。3.根据权利要求2所述的方法，其特征在于，所述基于所述第一全局特征和所述锚定样本图像的显著性特征确定第一融合特征，基于所述第二全局特征和所述正样本图像的显著性特征确定第二融合特征，以及基于所述第三全局特征和所述负样本图像的显著性特征确定第三融合特征，包括：将所述锚定样本图像、所述正样本图像和所述负样本图像各自的显著性特征输入初始
特征压缩网络中进行特征压缩处理，得到所述锚定样本图像、所述正样本图像和所述负样本图像各自的压缩处理后的显著性特征；基于所述第一全局特征和所述锚定样本图像的压缩处理后的显著性特征确定第一融合特征，基于所述第二全局特征和所述正样本图像的压缩处理后的显著性特征确定第二融合特征，以及基于所述第三全局特征和所述负样本图像的压缩处理后的显著性特征确定第三融合特征。4.根据权利要求3所述的方法，其特征在于，所述基于所述待处理图像的全局特征和显著性特征，确定所述待处理图像的融合特征，包括：利用目标特征压缩网络对所述待处理图像的显著性特征进行特征压缩处理，得到所述待处理图像的压缩处理后的显著性特征；所述目标特征压缩网络是基于所述第一损失参数和所述第二损失参数中的一种或者多种对所述初始特征压缩网络进行网络参数调整得到；将所述待处理图像的全局特征和压缩处理后的显著性特征进行融合处理，得到所述待处理图像的融合特征。5.根据权利要求2
‑
4任一项所述的方法，其特征在于，所述基于所述锚定样本图像、所述正样本图像和所述负样本图像各自的显...

【专利技术属性】
技术研发人员：郭卉，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：