图像分类方法及装置、存储介质及电子设备制造方法及图纸

本公开涉及图像处理技术领域，具体涉及一种图像分类方法及装置、计算机可读存储介质及电子设备，该方法包括：获取待处理图像的目标特征向量；获取多张参考图像，并对多张参考图像进行主成分分析得到参考向量；其中，多张参考图像为分类结果中的同一类图像；确定目标特征向量在参考向量形成的空间上的投影长度；根据投影长度对待处理图像进行分类。本公开实施例的技术方案提高图像分类的精度，降低图像分类的计算量。类的计算量。类的计算量。

【技术实现步骤摘要】
图像分类方法及装置、存储介质及电子设备


[0001]本公开涉及图像处理
，具体而言，涉及一种图像分类方法及装置、计算机可读存储介质及电子设备。

技术介绍

[0002]在基于图像类的物体识别分类的使用越来广泛，用户对图像分类方法的要求也越来越大。
[0003]相关技术中的图像分类方法计算量较大，且精度较低。
[0004]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0005]本公开的目的在于提供一种图像分类方法、图像分类装置、计算机可读介质和电子设备，进而至少在一定程度上提高图像分类的精度，降低图像分类的计算量。
[0006]根据本公开的第一方面，提供一种图像分类方法，包括：获取所述待处理图像的目标特征向量；获取多张参考图像，并对多张所述参考图像进行主成分分析得到参考向量；确定所述目标特征向量在所述参考向量上的投影长度；根据所述投影长度对所述待处理图像进行分类。
[0007]根据本公开的第二方面，提供一种图像分类装置，包括：获取模块，用于获取所述待处理图像的目标特征向量；分析模块，用于获取多张参考图像，并对多张所述参考图像进行主成分分析得到参考向量；确定模块，用于确定所述目标特征向量在所述参考向量上的投影长度；分类模块，用于根据所述投影长度对所述待处理图像进行分类。
[0008]根据本公开的第三方面，提供一种计算机可读介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的方法。
[0009]根据本公开的第四方面，提供一种电子设备，其特征在于，包括：一个或多个处理器；以及存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现上述的方法。
[0010]本公开的一种实施例所提供的图像分类方法，获取待处理图像的目标特征向量；获取多张参考图像，并对多张参考图像进行主成分分析得到参考向量；确定目标特征向量在参考向量形成的空间上的投影长度；根据投影长度和预设阈值对待处理图像进行分类。相较于现有技术，对多张所述参考图像进行主成分分析得到参考向量，通过待处理图像的目标特征图像在参考向量形成的空间上的投影长度与预设阈值的关系完成对图像的分类，没有使用神经网络，无需训练模型以及人工标注，计算量较小，同时，利用多个参考图像作为标准来对上述待处理图像进行分类，提升了对图像分类的精度。
[0011]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0012]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
[0013]图1示出了可以应用本公开实施例的一种示例性系统架构的示意图；
[0014]图2示意性示出本公开示例性实施例中一种图像分类方法的流程图；
[0015]图3示意性示出本公开示例性实施例中一种同一图像不同通道的对比图；
[0016]图4示意性示出本公开示例性实施例中一种清晰图像与模糊图像的频谱对比图；
[0017]图5示意性示出本公开示例性实施例中一种获取目标特征向量的流程图；
[0018]图6示意性示出本公开示例性实施例中一种获取参考向量的流程图；
[0019]图7示意性示出本公开示例性实施例中一种计算参考向量的流程图；
[0020]图8示意性示出本公开示例性实施例中一种计算投影长度的流程图；
[0021]图9示意性示出本公开示例性实施例中一种对目标特征向量进行检测的空间向量图；
[0022]图10示意性示出本公开示例性实施例中一种图像分类方法的数据流向图；
[0023]图11示意性示出本公开示例性实施例中图像分类装置的组成示意图；
[0024]图12示出了可以应用本公开实施例的一种电子设备的示意图。
具体实施方式
[0025]现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
[0026]此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
[0027]相关技术中，在基于图像类的物体识别分类过程中，通常需要对图像进行预处理，图像模糊检测就是其中的一部分。当拍摄的图像比较模糊时，往往会影响识别分类的准确性，我们需要在预处理的过程中检测出图像是否模糊，以提高识别的准确性。除此之外，在深度学习领域，图像模糊检测又往往应用于训练数据清洗，清洗掉数据库中非常模糊的图像更有利于神经网络模型的收敛。
[0028]相关技术中的图像模糊检测算法有以下几类：
[0029]第一类计算像素值的梯度变换，使用不同算子对图像做卷积操作，提取不同种类的梯度，梯度变换越明显，则图像越清晰，常见的算子如Sobel算子、Laplacian算子。但是鲁棒性不强，针对不同的场景都需要人为的设置参考阈值，在不同场景下的阈值差别非常大，并且算法的准确率并不高。
[0030]另一种基于图像灰度值的方差计算，当图像最清晰时，图像的高频信息最多，因此灰度方差最大。但是不适用于纯色场景或者部分模糊场景的图像。
[0031]再一种是利用深度学习方法来进行模糊检测，将图像进行标注后送入神经网络模型训练，根据损失函数来迭代神经网络模型，最终实现图像模糊检测的任务。但是需要比较大的计算量，同时需要人工标注大量的数据集。
[0032]基于上述问题，本公开提出一种图像分类方法，可以应用于上述模糊检测场景，图1示出了能够实现上述图像分类方法的系统架构的示意图，该系统架构100可以包括终端110与服务器120。其中，终端110可以是智能手机、平板电脑、台式电脑、笔记本电脑等终端设备，服务器120泛指提供本示例性实施方式中图像分类相关服务的后台系统，可以是一台服务器或多台服务器形成的集群。终端110与服务器120之间可以通过有线或无线的通信链路形成连接，以进行数据交互。
[0033]在一种实施方式中，可以由终端110执行上述图像分类方法。例如，用户使用终端110拍摄图像或者用户在终端110的相册中选取待处理图像后，由终端本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分类方法，其特征在于，包括：获取所述待处理图像的目标特征向量；获取多张参考图像，并对多张所述参考图像进行主成分分析得到参考向量；其中，多张所述参考图像为分类结果中的同一类图像；确定所述目标特征向量在所述参考向量形成的空间上的投影长度；根据所述投影长度对所述待处理图像进行分类。2.根据权利要求1所述的方法，其特征在于，所述对多张所述参考图像进行主成分分析得到参考向量包括：确定各所述参考图像的参考频谱特征；根据所述参考频谱特征和所述参考图像的数量确定多张所述参考图像的数据特征向量；对所述数据特征向量进行主成分分析得到所述参考向量。3.根据权利要求2所述的方法，其特征在于，所述对所述数据特征向量进行主成分分析得到所述参考向量包括：对所述数据特征向量进行去均值处理和方差归一化处理得到中间向量；计算所述中间向量的协方差矩阵，并确定所述协方差矩阵的特征值和候选特征向量，其中所述特征值与所述候选特征向量一一对应；根据所述特征值对所述候选特征向量排序，根据排序结果选取部分所述候选特征构成所述参考向量。4.根据权利要求1所述的方法，其特征在于，所述图像分类包括图像清晰度分类，获取所述待处理图像的目标特征向量，包括：提取所述待处理图像的YUV图像中的Y通道图像；确定所述Y通道图像中的目标频谱特征；基于所述目标频谱特征得到所述目标特征向量。5.根据权利要求4所述的方法，其特征在于，所述目标频谱特征具有共轭对称性；所述基于所述目标频谱特征得到所述目标特征向量包括：获取所述目标频谱特征中互为对称部分的中间频谱特征；对所述中间频谱特征进行后处理得到所述目标特征向量。6.根据权利要求1所述的方法，其特征在于，所述确定所述目标特征向量在所述...

【专利技术属性】
技术研发人员：李响，韦怡，陈嘉伟，王文涛，
申请(专利权)人：OPPO广东移动通信有限公司，
类型：发明
国别省市：