图像特征的提取方法、装置、设备和存储介质制造方法及图纸

本公开涉及图像处理技术领域，公开了一种图像特征的提取方法、装置、设备和存储介质。该方法包括：获取待提取特征的图像；基于所述图像，确定每个像素与至少一个周围像素的像素值差分结果，生成差分矩阵；对所述差分矩阵进行向量化处理，生成差分向量；对所述差分向量进行二值化处理，生成所述图像对应的特征向量。通过上述技术方案，实现了利用图像空域差分变换来提取图像的特征，减少了特征提取的计算复杂度和计算量，提高了特征提取的信息全面性和效率。效率。效率。

【技术实现步骤摘要】
图像特征的提取方法、装置、设备和存储介质


[0001]本公开涉及图像处理
，尤其涉及一种图像特征的提取方法、装置、设备和存储介质。

技术介绍

[0002]目前，基于图像的目标检测、目标识别等技术被广泛应用于各行各业，例如互联网搜索或电商中的以图搜图、图像作品的版权保护、社交平台中的敏感图像过滤、交通系统中的车牌识别、医疗领域中的病灶识别等。在这些基于图像的业务处理中，图像的特征提取是必经的步骤。
[0003]当前主流的图像特征提取方法为ORB(Oriented FAST and Rotated BRIEF)特征提取算法。该算法的基本思路是寻找图像中的关键点，并创建特征向量，以此来识别图像中的对象。其主要流程为：利用图像金字塔技术构建一张图像的多个尺度的图像；在每个尺度的图像上，利用FAST(Features from Accelerated Segments Test)算法定位相应尺度图像中的关键点(特征点)；再利用rBRIEF(Rotation-Aware Binary Robust Independent Elementary Features)算法创建每个关键点的256位特征向量，这些关键点的特征向量便是对该张图像提取的特征。
[0004]上述ORB算法存在的问题主要有：(1)提取的关键点的特征向量只包含图像的局部信息，而没有整体信息；(2)特征提取过程的计算量大，且较多的关键点的特征导致后续的特征匹配过程的计算量也较大，需要较多的计算资源。

技术实现思路

[0005]为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种图像特征的提取方法、装置、设备和存储介质。
[0006]第一方面，本公开提供了一种图像特征的提取方法，包括：
[0007]获取待提取特征的图像；
[0008]基于所述图像，确定每个像素与至少一个周围像素的像素值差分结果，生成差分矩阵；
[0009]对所述差分矩阵进行向量化处理，生成差分向量；
[0010]对所述差分向量进行二值化处理，生成所述图像对应的特征向量。
[0011]在一些实施例中，所述基于所述图像，确定每个像素与至少一个周围像素的像素值差分结果，生成差分矩阵包括：
[0012]基于预设图像大小，对所述图像进行缩放处理；
[0013]基于缩放处理后的所述图像，确定每个像素与至少一个周围像素的像素值差分结果，生成所述差分矩阵。
[0014]在一些实施例中，所述基于缩放处理后的所述图像，确定每个像素与至少一个周围像素的像素值差分结果，生成差分矩阵包括：
[0015]基于预设灰度级，对缩放处理后的所述图像进行灰度化处理；
[0016]基于灰度化处理后的所述图像，确定每个像素与至少一个周围像素的像素值差分结果，生成所述差分矩阵。
[0017]在一些实施例中，所述基于所述图像，确定每个像素与至少一个周围像素的像素值差分结果，生成差分矩阵包括：
[0018]基于所述图像，确定处于每个所述像素的对角方向的相邻的对角像素，并确定每个所述像素与相应对角像素的像素差值，生成所述差分矩阵。
[0019]在一些实施例中，所述基于所述图像，确定每个像素与至少一个周围像素的像素值差分结果，生成差分矩阵包括：
[0020]基于所述图像，确定处于每个所述像素的对角方向的至少两个对角像素；
[0021]分别确定每个所述像素与相应的各所述对角像素的像素差值，生成多个中间矩阵，所述中间矩阵的数量与所述对角像素的数量一致；
[0022]融合所述多个中间矩阵，生成所述差分矩阵。
[0023]在一些实施例中，所述对所述差分向量进行二值化处理，生成所述图像对应的特征向量包括：
[0024]基于所述差分向量的统计结果，确定二值化阈值；
[0025]基于所述二值化阈值对所述差分向量进行二值化处理，生成所述图像对应的特征向量。
[0026]在一些实施例中，所述统计结果包括所述差分向量中各向量元素的平均值、中值或数学期望值。
[0027]第二方面，本公开提供了一种图像特征的提取装置，该装置包括：
[0028]图像获取模块，用于获取待提取特征的图像；
[0029]差分矩阵生成模块，用于基于所述图像，确定每个像素与至少一个周围像素的像素值差分结果，生成差分矩阵；
[0030]差分向量生成模块，用于对所述差分矩阵进行向量化处理，生成差分向量；
[0031]特征向量生成模块，用于对所述差分向量进行二值化处理，生成所述图像对应的特征向量。
[0032]在一些实施例中，差分矩阵生成模块具体用于：
[0033]基于预设图像大小，对所述图像进行缩放处理；
[0034]基于缩放处理后的所述图像，确定每个像素与至少一个周围像素的像素值差分结果，生成所述差分矩阵。
[0035]在一些实施例中，差分矩阵生成模块具体用于：
[0036]在所述基于预设图像大小，对所述图像进行缩放处理后，基于预设灰度级，对缩放处理后的所述图像进行灰度化处理；
[0037]基于灰度化处理后的所述图像，确定每个像素与至少一个周围像素的像素值差分结果，生成所述差分矩阵。
[0038]在一些实施例中，差分矩阵生成模块还具体用于：
[0039]基于所述图像，确定处于每个所述像素的对角方向的相邻的对角像素，并确定每个所述像素与相应对角像素的像素差值，生成所述差分矩阵。
[0040]在一些实施例中，差分矩阵生成模块还具体用于：
[0041]基于所述图像，确定处于每个所述像素的对角方向的至少两个对角像素；
[0042]分别确定每个所述像素与相应的各所述对角像素的像素差值，生成多个中间矩阵，所述中间矩阵的数量与所述对角像素的数量一致；
[0043]融合所述多个中间矩阵，生成所述差分矩阵。
[0044]在一些实施例中，特征向量生成模块具体用于：
[0045]基于所述差分向量的统计结果，确定二值化阈值；
[0046]基于所述二值化阈值对所述差分向量进行二值化处理，生成所述图像对应的特征向量。
[0047]在一些实施例中，所述统计结果包括所述差分向量中各向量元素的平均值、中值或数学期望值。
[0048]第三方面，本公开提供了一种的电子设备，该电子设备包括：
[0049]一个或多个处理器；
[0050]存储装置，用于存储一个或多个程序，
[0051]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的图像特征的提取方法中的任一实施例。
[0052]第四方面，本公开提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的图像特征的提取方法中的任一实施例。
[0053]本公开实施例提供的技术方案，通过获取待提取特征的图像；基于图像，确定每个像素与至少一个周本文档来自技高网...

【技术保护点】

【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：获取待提取特征的图像；基于所述图像，确定每个像素与至少一个周围像素的像素值差分结果，生成差分矩阵；对所述差分矩阵进行向量化处理，生成差分向量；对所述差分向量进行二值化处理，生成所述图像对应的特征向量。2.根据权利要求1所述的方法，其特征在于，所述基于所述图像，确定每个像素与至少一个周围像素的像素值差分结果，生成差分矩阵包括：基于预设图像大小，对所述图像进行缩放处理；基于缩放处理后的所述图像，确定每个像素与至少一个周围像素的像素值差分结果，生成所述差分矩阵。3.根据权利要求2所述的方法，其特征在于，所述基于缩放处理后的所述图像，确定每个像素与至少一个周围像素的像素值差分结果，生成差分矩阵包括：基于预设灰度级，对缩放处理后的所述图像进行灰度化处理；基于灰度化处理后的所述图像，确定每个像素与至少一个周围像素的像素值差分结果，生成所述差分矩阵。4.根据权利要求1所述的方法，其特征在于，所述基于所述图像，确定每个像素与至少一个周围像素的像素值差分结果，生成差分矩阵包括：基于所述图像，确定处于每个所述像素的对角方向的相邻的对角像素，并确定每个所述像素与相应对角像素的像素差值，生成所述差分矩阵。5.根据权利要求1所述的方法，其特征在于，所述基于所述图像，确定每个像素与至少一个周围像素的像素值差分结果，生成差分矩阵包括：基于所述图像，确定处于每个所述像素的对角方向的至少两个...

【专利技术属性】
技术研发人员：赖中安，
申请(专利权)人：北京金山云网络技术有限公司，
类型：发明
国别省市：