图像处理方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了一种图像处理方法、装置、电子设备及存储介质，该方法包括：获取图像处理的目标任务，目标任务包括原始特征矩阵；获取原始特征矩阵对应的潜在数据表示模型和潜在低秩表示模型；将潜在数据表示模型和潜在低秩表示模型进行预设整合处理，获得关于目标任务的潜在特征低秩表示模型；在约束条件下求解目标函数；根据目标任务确定目标参数矩阵，基于目标参数矩阵对目标任务进行计算，获得目标任务的处理结果。本发明专利技术能够在潜在数据表示模型中将原始数据包含的主要特征信息保留在潜在特征表示中，避免了信息损失，基于潜在特征低秩表示模型在对图像进行处理时，能够避免原始数据所包含的冗余特征和噪声信息对信息提取的影响。的影响。的影响。

【技术实现步骤摘要】
图像处理方法、装置、电子设备及存储介质


[0001]本专利技术实施例涉及计算机
，尤其涉及图像处理方法、装置、电子设备及存储介质。

技术介绍

[0002]近年来，“大数据”的迅猛发展推动了高维数据的处理需求。而在这种需求的驱动下，降维学习逐渐变成了无监督学习领域中广受关注的热门方向。其中，子空间学习是机器学习领域中较为常用的降维方法。
[0003]现有的子空间学习方法一般可划分为三类：线性子空间学习方法、流形子空间学习方法以及低秩子空间学习方法。其中，线性子空间学习方法是通过将高维空间的数据通过直接投影的方式嵌入到低维空间，其本质是通过线性变换来保留原始数据的主要信息；流形子空间学习方法是通过映射的方式将高维空间的数据转换到低维空间当中去，同时保证低维数据可以反映高维空间数据中所包含的样本之间的局部结构信息；低秩子空间学习方法是通过低秩重构的方式来学习表示系数矩阵，并用以揭示所有样本点之间的全局结构信息。
[0004]上述线性子空间学习方法会损失其中的非线性信息；流形子空间学习方法其忽略了原始数据中的全局结构信息，且无法充分保留原始数据中的主要信息；低秩子空间学习方忽略了原始数据中的局部结构信息，使得原始特征矩阵中往往存在冗余特征和噪声信息，这样会对信息提取造成干扰。目前常用的子空间学习方法使用性能有限，也受适用场景的限制，以使得图像处理结果不佳。

技术实现思路

[0005]本专利技术提供一种图像处理方法、装置、电子设备及存储介质，能够改善现有的图像处理方案。
[0006]第一方面，本专利技术提供一种图像处理方法，包括：
[0007]获取图像处理的目标任务，所述目标任务包括原始特征矩阵；
[0008]获取所述原始特征矩阵对应的潜在数据表示模型和潜在低秩表示模型；
[0009]将所述潜在数据表示模型和所述潜在低秩表示模型进行预设整合处理，获得关于所述目标任务的潜在特征低秩表示模型，所述潜在特征低秩表示模型包括目标函数和约束条件，所述目标函数为关于所述潜在数据表示模型和所述潜在低秩表示模型中包含的至少一个参数的目标函数；
[0010]在所述约束条件下求解所述目标函数，获得至少一个参数矩阵，所述参数矩阵为所述参数对应的矩阵；
[0011]根据所述目标任务确定目标参数矩阵，基于所述目标参数矩阵对所述目标任务进行计算，获得所述目标任务的处理结果，所述目标参数矩阵包括至少一个所述参数矩阵。
[0012]第二方面，本专利技术提供一种图像处理装置，所述装置包括：
[0013]任务获取模块，用于获取图像处理的目标任务，所述目标任务包括原始特征矩阵；
[0014]模型获取模块，用于获取所述原始特征矩阵对应的潜在数据表示模型和潜在低秩表示模型；
[0015]模型获得模块，用于将所述潜在数据表示模型和所述潜在低秩表示模型进行预设整合处理，获得关于所述目标任务的潜在特征低秩表示模型，所述潜在特征低秩表示模型包括目标函数和约束条件，所述目标函数为关于所述潜在数据表示模型和所述潜在低秩表示模型中包含的至少一个参数的目标函数；
[0016]函数求解模块，用于在所述约束条件下求解所述目标函数，获得至少一个参数矩阵，所述参数矩阵为所述参数对应的矩阵；
[0017]结果获得模块，用于根据所述目标任务确定目标参数矩阵，基于所述目标参数矩阵对所述目标任务进行计算，获得所述目标任务的处理结果，所述目标参数矩阵包括至少一个所述参数矩阵。
[0018]第三方面，本专利技术还提供了一种电子设备，所述电子设备包括：
[0019]至少一个处理器；以及
[0020]与所述至少一个处理器通信连接的存储器；其中，
[0021]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的图像处理方法。
[0022]第四方面，本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的图像处理方法。
[0023]本专利技术提供的图像处理方案，首先根据目标任务获取原始特征矩阵对应的潜在数据表示模型和潜在低秩表示模型；然后将潜在数据表示模型和潜在低秩表示模型进行预设整合处理，获得关于目标任务的潜在特征低秩表示模型，潜在特征低秩表示模型包括目标函数和约束条件；再在约束条件下求解目标函数，获得至少一个参数矩阵，参数矩阵为参数对应的矩阵；最后根据目标任务确定目标参数矩阵，基于目标参数矩阵对目标任务进行计算，获得目标任务的处理结果，目标参数矩阵包括至少一个参数矩阵。本专利技术在潜在数据表示模型中将原始数据包含的主要特征信息保留在潜在特征表示中，避免了信息损失；在潜在低秩表示模型中保留了原始数据所包含的全局结构信息，从而使得获得的潜在特征低秩表示模型在保留主要特征信息和全局结构信息的基础上，基于潜在特征低秩表示模型在对图像进行处理时，能够避免原始数据所包含的冗余特征和噪声信息对信息提取的影响，适应于多种图像处理的场景。
[0024]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0025]为了更清楚地说明本专利技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，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
获得其他相关的附图。
[0026]图1是本专利技术提供的图像处理方法的一个流程示意图；
[0027]图2是本专利技术提供的图像处理方法的另一流程示意图；
[0028]图3为本专利技术提供的潜在特征低秩表示模型的一种应用示意图；
[0029]图4是本专利技术提供的图像处理装置的一个结构示意图；
[0030]图5是本专利技术提供的电子设备的一个结构示意图。
具体实施方式
[0031]为了使本
的人员更好地理解本专利技术方案，下面将结合本实施例中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0032]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0033]图1为本专利技术提供的图像处理方法的一个流程示意图，本实施例可适用于对图像进行处理的情况，该方法可以由图像处理装置来执行，该图像处理装置可以采用硬件和/或软件的形式实现，该图像处理装置可配置于服务器等计算机设备中。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，包括：获取图像处理的目标任务，所述目标任务包括原始特征矩阵；获取所述原始特征矩阵对应的潜在数据表示模型和潜在低秩表示模型；将所述潜在数据表示模型和所述潜在低秩表示模型进行预设整合处理，获得关于所述目标任务的潜在特征低秩表示模型，所述潜在特征低秩表示模型包括目标函数和约束条件，所述目标函数为关于所述潜在数据表示模型和所述潜在低秩表示模型中包含的至少一个参数的目标函数；在所述约束条件下求解所述目标函数，获得至少一个参数矩阵，所述参数矩阵为所述参数对应的矩阵；根据所述目标任务确定目标参数矩阵，基于所述目标参数矩阵对所述目标任务进行计算，获得所述目标任务的处理结果，所述目标参数矩阵包括至少一个所述参数矩阵。2.根据权利要求1所述的方法，其特征在于，所述原始特征矩阵由所述原始特征矩阵的潜在表示、正交字典和第一重构误差组成，所述原始特征矩阵的潜在表示由所述原始特征矩阵左乘所述原始特征矩阵对应的转换矩阵获得；所述获取所述原始特征矩阵对应的潜在数据表示模型，包括：根据所述原始特征矩阵、所述转换矩阵、所述正交字典和所述第一重构误差获得所述潜在数据表示模型。3.根据权利要求1所述的方法，其特征在于，所述获取所述原始特征矩阵对应的潜在低秩表示模型，包括：获取所述原始特征矩阵中关于低秩表示学习的表示系数矩阵；根据所述表示系数矩阵和第二重构误差获得所述低秩表示学习模型。4.根据权利要求1所述的方法，其特征在于，所述将所述潜在数据表示模型和所述潜在低秩表示模型进行预设整合处理，获得关于所述目标任务的潜在特征低秩表示模型，包括：将所述潜在数据表示模型和所述潜在低秩表示模型进行整合获得初始潜在特征低秩表示模型；从所述原始特征矩阵中提取邻近样本点之间的局部结构信息，并对所述潜在数据表示模型中的潜在表示引入范数；根据所述初始潜在特征低秩表示模型、所述局部结构信和所述潜在表示的范数，获得所述潜在特征低秩表示模型。5.根据权利要求1所述的方法，其特征在于，所述在所述约束条件下求解所述目标函数，获得至少一个参数矩阵，包括：优化所述目标函数获得主函数，所述主函数包括所述至少一个参数；对于所述至少一个参数中的任一参数，采取固定所有其他参数更新单个参数的方式进行迭代求解，获得所述至少一个参数矩阵，所述至少一个参数矩阵包括所述正交字典、所述转换矩阵、所述表示系数矩阵、所述第一重构误差组成和所述第二重构误差组成。6.根据权利要求...

【专利技术属性】
技术研发人员：周翊航，
申请(专利权)人：中国农业银行股份有限公司，
类型：发明
国别省市：