一种图像处理方法和装置与流程
本发明涉及计算机领域，尤其涉及一种图像处理方法和装置。
背景技术：
随着平板电脑、智能手机等配备摄像头的终端设备的推广普及，基于数字图像资料进行业务办理的业务数量急剧增加。对于保险领域，这些数字图像中包含了身份证件、医疗票据、就医场景等大量有用信息，从数字图像中提取需要的信息，可以方便的进行相应业务办理。
但是，这些数字图像中可能存在相同或者相似的图像，而且这些相同或者相似图像很可能是针对同一案件的重复报销请求，因此需要对相同或者相似图像进行识别。现有技术中通常需要工作人员人工审核数据图像是否相同或者相似，避免用户针对同一案件多次报销。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
人工审核数据图像是否相同或者相似，审核速度慢，审核效果差，且成本高，无法满足实际业务需求。
技术实现要素：
有鉴于此，本发明实施例提供一种图像处理方法和装置，通过计算亮度图像多个方向的亮度共生矩阵，进而基于亮度共生矩阵对图像进行相似性度量，实现了图像相似度的自动比对，提高了图像检索的准确率。
为实现上述目的，根据本发明实施例的一个方面，提供了一种图像处理方法。
本发明实施例的一种图像处理方法，包括：将目标图像转换成亮度图像，计算所述亮度图像多个方向的亮度共生矩阵；将所述多个方向的亮度共生矩阵拼接为特征图像，对所述特征图像进行特征提取，得到第一特征向量；获取基准图像集中至少一张基准图像对应的第二特征向量，分别计算所述第一特征向量与所述第二特征向量的相似度；根据所述相似度，确定所述基准图像集中是否存在与所述目标图像相同或者相似的基准图像，以识别出异常的目标图像。
可选地，将目标图像转换成亮度图像，包括：提取所述目标图像中多个像素的rgb值，以分别确定所述多个像素在r通道、g通道和b通道的最大值和最小值；分别计算所述多个像素的最大值和最小值的和值，将所述和值的一半作为所述目标图像在hsl颜色空间的亮度值，以获得所述目标图像的亮度图像。
可选地，计算所述亮度图像一个方向的亮度共生矩阵，包括：从所述亮度图像中选取第一采样点，以及偏离所述第一采样点的第二采样点；按照设定的方向和步长，在所述亮度图像上移动所述第一采样点，得到多种亮度组合；其中，所述亮度组合包括所述第一采样点的亮度值和所述第二采样点的亮度值；分别统计多种所述亮度组合的出现次数，按照设定的亮度级，将所述出现次数排列成方阵，以得到对应方向的亮度共生矩阵。
可选地，对所述特征图像进行特征提取，得到第一特征向量，包括：构建深度自编码网络；其中，所述深度自编码网络包括编码子网络、解码子网络和损失函数，所述编码子网络和所述解码子网络均包括相应的网络参数；使用设定的样本集训练所述深度自编码网络，以确定使所述损失函数最小的网络参数；将所述特征图像输入训练好的深度自编码网络，以输出第一特征向量。
可选地，将所述多个方向的亮度共生矩阵拼接为特征图像，包括：按照所述多个方向的角度大小顺序，将对应的多个所述亮度共生矩阵顺序拼接为一个方阵，所述方阵即特征图像。
可选地，获得所述目标图像的亮度图像，包括：将所述多个像素的亮度值构成的图像作为初始图像，对所述初始图像进行滤波处理，得到标准图像；对所述标准图像进行归一化处理，得到所述目标图像的亮度图像。
可选地，根据所述相似度，确定所述基准图像集中是否存在与所述目标图像相同或者相似的基准图像，包括：如果所述第一特征向量与当前第二特征向量的相似度大于等于设定阈值，则所述基准图像集中存在与所述目标图像相同或者相似的基准图像；如果所述第一特征向量与全部第二特征向量的相似度均小于所述阈值，则所述基准图像集中不存在与所述目标图像相同或者相似的基准图像。
为实现上述目的，根据本发明实施例的另一方面，提供了一种图像处理装置。
本发明实施例的一种图像处理装置，包括：矩阵计算模块，用于将目标图像转换成亮度图像，计算所述亮度图像多个方向的亮度共生矩阵；特征提取模块，用于将所述多个方向的亮度共生矩阵拼接为特征图像，对所述特征图像进行特征提取，得到第一特征向量；相似度计算模块，用于获取基准图像集中至少一张基准图像对应的第二特征向量，分别计算所述第一特征向量与所述第二特征向量的相似度；图像识别模块，用于根据所述相似度，确定所述基准图像集中是否存在与所述目标图像相同或者相似的基准图像，以识别出异常的目标图像。
可选地，所述矩阵计算模块，还用于：提取所述目标图像中多个像素的rgb值，以分别确定所述多个像素在r通道、g通道和b通道的最大值和最小值；分别计算所述多个像素的最大值和最小值的和值，将所述和值的一半作为所述目标图像在hsl颜色空间的亮度值，以获得所述目标图像的亮度图像。
可选地，所述矩阵计算模块，还用于：从所述亮度图像中选取第一采样点，以及偏离所述第一采样点的第二采样点；按照设定的方向和步长，在所述亮度图像上移动所述第一采样点，得到多种亮度组合；其中，所述亮度组合包括所述第一采样点的亮度值和所述第二采样点的亮度值；分别统计多种所述亮度组合的出现次数，按照设定的亮度级，将所述出现次数排列成方阵，以得到对应方向的亮度共生矩阵。
可选地，所述特征提取模块，还用于：构建深度自编码网络；其中，所述深度自编码网络包括编码子网络、解码子网络和损失函数，所述编码子网络和所述解码子网络均包括相应的网络参数；使用设定的样本集训练所述深度自编码网络，以确定使所述损失函数最小的网络参数；将所述特征图像输入训练好的深度自编码网络，以输出第一特征向量。
可选地，所述特征提取模块，还用于：按照所述多个方向的角度大小顺序，将对应的多个所述亮度共生矩阵顺序拼接为一个方阵，所述方阵即特征图像。
可选地，所述矩阵计算模块，还用于：将所述多个像素的亮度值构成的图像作为初始图像，对所述初始图像进行滤波处理，得到标准图像；对所述标准图像进行归一化处理，得到所述目标图像的亮度图像。
可选地，所述图像识别模块，还用于：如果所述第一特征向量与当前第二特征向量的相似度大于等于设定阈值，则所述基准图像集中存在与所述目标图像相同或者相似的基准图像；如果所述第一特征向量与全部第二特征向量的相似度均小于所述阈值，则所述基准图像集中不存在与所述目标图像相同或者相似的基准图像。
为实现上述目的，根据本发明实施例的再一方面，提供了一种电子设备。
本发明实施例的一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，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本发明实施例的一种图像处理方法。
为实现上述目的，根据本发明实施例的再一方面，提供了一种计算机可读介质。
本发明实施例的一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的一种图像处理方法。
上述发明中的一个实施例具有如下优点或有益效果：通过计算亮度图像多个方向的亮度共生矩阵，进而基于亮度共生矩阵对图像进行相似性度量，实现了图像相似度的自动比对，提高了图像检索的准确率；将目标图像由rgb颜色空间转换到hsl颜色空间的转换关系，可以将目标图像的亮度信息与色度信息分开，独立处理亮度信息，减少处理时间，提高实时性；通过亮度共生矩阵反映亮度的分布特性，以及具有同样亮度或者接近亮度的像素的位置特性，并作为后续特征提取的基础，提高相似性度量的准确性；基于深度自编码网络进行特征提取，能够准确的输出特征向量，进一步提高相似性度量的准确性；将多个方向的亮度共生矩阵拼接为特征图像，保证能够全面的进行亮度统计，准确地对图像进行特征描述，使最终的相似度度量结果更加准确；将滤波、归一化后的图像作为亮度图像，降低图像噪声，同时减少计算复杂度，进一步减少处理时间；将相似度与阈值比较，进一步提高相似性度量的准确性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例一的图像处理方法的主要步骤的示意图；
图2是根据本发明实施例二的图像处理方法的主要流程示意图；
图3是本发明实施例二中拼接生成的特征图像示意图；
图4是根据本发明实施例三的图像处理方法的主要流程示意图；
图5是根据本发明实施例的图像处理装置的主要模块的示意图；
图6是本发明实施例可以应用于其中的示例性系统架构图；
图7是适用于来实现本发明实施例的电子设备的计算机装置的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例一的图像处理方法的主要步骤的示意图。如图1所示，本发明实施例一的图像处理方法，主要包括如下步骤：
步骤s101：将目标图像转换成亮度图像，计算所述亮度图像多个方向的亮度共生矩阵。目标图像一般为rgb彩色图像，将rgb彩色图像从rgb颜色空间转换到hsl颜色空间，获得亮度图像；之后对亮度图像中保持某距离的两个像素分别具有某亮度值的状况进行统计，得到多个方向的亮度共生矩阵。其中，rgb代表红(red)、绿(green)、蓝(blue)三个通道的颜色，hsl代表色相(hue)、饱和度(saturation)、亮度(lightness)。
步骤s102：将所述多个方向的亮度共生矩阵拼接为特征图像，对所述特征图像进行特征提取，得到第一特征向量。按照设定拼接规则，将多个方向的亮度共生矩阵拼接为特征图像；之后提取特征图像中每个方向的亮度共生矩阵对应的纹理特征，比如能量、熵、对比度和逆差矩等；最后把每个方向计算出的纹理特征组合成一个综合向量，该综合向量即为第一特征向量。此处的拼接规则可以自定义设置，比如按照多个方向的角度大小顺序，按行拼接对应的亮度共生矩阵；再比如按照多个方向的角度大小顺序，按列拼接对应的亮度共生矩阵。
步骤s103：获取基准图像集中至少一张基准图像对应的第二特征向量，分别计算所述第一特征向量与所述第二特征向量的相似度。按照步骤s101的处理过程，将基准图像集中当前基准图像转换为亮度图像，计算与步骤s101相同方向的该亮度图像的亮度共生矩阵；之后按照与步骤s102同样的拼接规则，将这些亮度共生矩阵拼接为特征图像，提取该特征图像每个方向的纹理特征，组合成第二特征向量。实施例中，按照上述方式获取基准图像集中多张基准图像对应的第二特征向量，之后即可分别计算第一特征向量与多个第二特征向量的相似度。
步骤s104：根据所述相似度，确定所述基准图像集中是否存在与所述目标图像相同或者相似的基准图像，以识别出异常的目标图像。将步骤s103计算出的每个相似度分别与设定阈值比较，如有存在某个第二特征向量与第一特征向量的相似度大于等于阈值，则可以确定该第二特征向量对应的基准图像与目标图像相同或者相似，该目标图像为异常图像；如果全部第二特征向量与第一特征向量的相似度均小于阈值，则说明基准图像集中不存在于目标图像相同或者相似的基准图像，该目标图像为正常图像。
图2是根据本发明实施例二的图像处理方法的主要流程示意图。如图2所示，本发明实施例二的图像处理方法，主要包括如下步骤：
步骤s201：对输入的目标图像进行预处理，得到亮度图像。将目标图像从rgb颜色空间转换到hsl颜色空间，得到初始图像。其中，亮度空间的转换公式如下：
式中，l(s,t)表示初始图像；max(r,g,b)表示rgb颜色空间中r、g、b的最大值；min(r,g,b)表示rgb颜色空间中r、g、b的最小值。
实施例中可以直接将初始图像作为亮度图像，进行后续处理。但是初始图像存在噪声，为了降低图像噪声，可以对初始图像l(x,y)进行滤波处理得到标准图像，将该标准图作为亮度图像，进行后续处理。滤波处理的实现比如，中值滤波、最大值滤波、最小值滤波、均值滤波等。
实施例中，采用滑动均值滤波的方式对原始图像进行滤波处理。均值滤波即计算窗口区域的像素均值，然后将均值赋值给窗口中心点处的像素，滤波后得到的标准图像可以用如下公式表示：
式中，f(x,y)表示标准图像；sxy表示中心点为(x,y)处，大小为m×n的滤波器窗口；l(s,t)表示初始图像。
在一优选的实施例中，为了减少计算的复杂度，降低算法的处理时间，还可以对标准图像进行归一化处理，将归一化后的图像作为本实施例的亮度图像。该亮度图像可以用如下公式表示：
式中，q(x,y)表示亮度图像；f(x,y)表示标准图像；int(·)表示向下取整；vm为f(x,y)的最大亮度值；vn为归一化后的最大亮度值。
步骤s202：计算亮度图像多个方向的亮度共生矩阵。亮度共生矩阵的构造过程为：从亮度图像q(x,y)中选取任意的第一采样点(x,y)以及偏离第一采样点的第二采样点(x+a,y+b)，第一采样点(x,y)和第二采样点(x+a,y+b)构成采样点对，假设该采样点对的亮度值为(g1,g2)。令第一采样点(x,y)在亮度图像q(x,y)上移动，则会得到各种(g1,g2)值，假设亮度级为k，则(g1,g2)的组合共有k2种。对于亮度图像q(x,y)，统计每一种(g1,g2)的出现次数，然后排列成一个方阵，即可得到k×k的亮度共生矩阵。
在a＝1，b＝0时，采样点对是水平的，即0°扫描；当a＝1，b＝1时，采样点对是右对角线的，即45°扫描；a＝0，b＝1时，采样点对是垂直的，即90°扫描；a＝-1，b＝-1时，采样点对是左对角线的，即135°扫描。(a,b)的取值可以根据纹理周期分布的特性来选择，对于较细的纹理，可以选取(1,0)、(1,1)、(2,0)等小的值。
步骤s203：将多个方向的亮度共生矩阵拼接为特征图像，对特征图像进行特征提取，得到第一特征向量。根据实际需求确定生成亮度共生矩阵的方向，比如为0°、45°、90°和135°，拼接这四个方向的亮度共生矩阵得到特征图像。
图3是本发明实施例二中拼接生成的特征图像示意图。如图3所示，0°、45°、90°和135°方向对应的亮度共生矩阵分别为：h0(k,k)、h45(k,k)、h90(k,k)和h135(k,k)，按照角度大小顺序，将四个亮度共生矩阵顺序拼接为一个方阵，该方阵即为特征图像。需要注意的是，上述拼接方式仅仅用于举例说明，具体实现时，可以基于需求设定拼接规则来拼接亮度共生矩阵，得到特征图像。
拼接好特征图像后，提取对该特征图像的特征，得到第一特征向量。实施例中，使用深度自编码网络提取特征，具体实现为：构建深度自编码网络；使用设定的样本集训练深度自编码网络，以确定使损失函数最小的网络参数；将特征图像输入训练好的深度自编码网络，以输出第一特征向量。
其中，深度自编码网络包括编码子网络、解码子网络和损失函数，编码子网络和解码子网络均包括相应的网络参数(即权重矩阵和偏差矢量)；编码子网络的输入为特征图像，编码子网络的输出为解码子网络的输入；解码子网络的输出为整个深度自编码网络的输出。损失函数的设定规则为最小误差原则。
实施例中，可以使用sparseautoencoder(稀疏模式的自动编码)自动提取特征图像的特征。sparseautoencoder的网络结构包括输入层、隐含层和输出层。把输入层激活度(如图像)用隐含层激活度表征，再把隐含层信息在输出层还原。这样隐含层上的信息就是输入层的一个压缩过的表征，且其信息熵会减小。
步骤s204：获取已知的基准图像对应的第二特征向量，计算第一特征向量与第二特征向量的相似度。预先计算基准图像对应的第二特征向量，并存储到数据库。其中，第二特征向量的计算过程为：按照步骤s201的处理过程，将基准图像转换为亮度图像；之后计算与步骤s202相同方向的该基准图像的亮度图像的亮度共生矩阵；之后按照与步骤s203同样的拼接规则，将这些亮度共生矩阵拼接为特征图像，提取该特征图像每个方向的纹理特征，组合成第二特征向量。
计算两个特征向量的相似度的方式有多种，比如余弦距离、欧式距离、皮尔逊相关系数等。下面以计算两个特征向量的余弦距离作为两个图像的相似度为例进行说明。
式中，cosθ代表第一特征向量与第二特征向量的夹角余弦值；
由于余弦值的取值范围为[-1，+1]，在一可选的实施例中，计算两个向量的相似度时一般需要把值归一化到[0，1]。其中，归一化的实现可以通过如下方式：
disp＝0.5+0.5×cosθ
公式5
式中，disp代表目标图像和基准图像的相似度。
步骤s205：判断相似度是否大于等于设定阈值，如果大于等于设定阈值，则执行步骤s206；如果小于设定阈值，则执行步骤s207。比较相似度disp与阈值t的大小，进而判断目标图像和基准图像是否相似。
步骤s206：输出目标图像与基准图像相似的识别结果。若相似度disp≥阈值t，则说明目标图像与基准图像相似，输出这两张相似的图像，以及相似度对应的百分比值。比如相似度为0.9，则输出90％。
步骤s207：输出目标图像与基准图像不相似的识别结果。若相似度disp<阈值t，则说明目标图像与基准图像不相似，输出这两张图像不相似的提示信息。
实施例二中对如何确定两张图像的相似性进行了说明，既可用于图像相似度比较，也可用于图像相似性检索。对于保险赔付等领域，客户需要提交的理赔资料图像，保险公司需要对这些图像进行审核后才能进行理赔，避免出现同一理赔案件的二次赔付，给保险公司带来财务损失。实施例三针对上述应用场景，将客户上传的理赔资料图像进行实时的相似度比对，在无需工作人员参与的情况下，能够及时进行风险排查和规避，从而大大节省人工成本和公司经营成本。下面进行详细说明。
图4是根据本发明实施例三的图像处理方法的主要流程示意图。如图4所示，本发明实施例三的图像处理方法，主要包括如下步骤：
步骤s401：对输入的理赔资料图像进行预处理，得到亮度图像。理赔资料图像比如可以是医疗发票图像、费用清单图像、结算单图像、出院小结图像等。该步骤的具体实现过程与步骤s201相同，此处不再赘述。
步骤s402：计算亮度图像多个方向的亮度共生矩阵。该步骤的具体实现过程与步骤s202相同，此处不再赘述。
步骤s403：将多个方向的亮度共生矩阵拼接为特征图像，对特征图像进行特征提取，得到第一特征向量。该步骤的具体实现过程与步骤s203相同，此处不再赘述。
步骤s404：获取基准图像集中当前基准图像对应的第二特征向量，计算第一特征向量与第二特征向量的相似度。基准图像集可以是该客户曾经提交过的理赔资料图像集，也可以是所有购买保险公司保险的客户曾经提交过的理赔资料图像集。从基准图像集中任选一张图像作为当前基准图像，从数据库中获取该当前基准图像对应的第二特征向量。第二特征向量的计算过程如前所述。采用余弦距离的方式计算第一特征向量与第二特征向量的相似度。
步骤s405：判断相似度是否大于等于设定阈值，如果大于等于设定阈值，则执行步骤s406；如果小于设定阈值，则执行步骤s407。比较相似度disp与阈值t的大小，进而判断理赔资料图像和当前基准图像是否相似。
步骤s406：输出理赔资料图像为异常图像的提示信息，结束本流程。若相似度disp≥阈值t，则说明理赔资料图像与当前基准图像相似，即基准图像集中已经存在与该理赔资料图像类似的图像，该理赔资料图像为重复提交的概率较高，存在二次赔付风险，故可以输出这两张相似的图像，以及该理赔资料图像为异常图像的提示信息。
步骤s407：判断基准图像集中是否存在下一基准图像，如果存在，则执行步骤s408；如果不存在，则执行步骤s409。若相似度disp<阈值t，则说明理赔资料图像与当前基准图像不相似，继续比对下一基准图像，直至基准图像集的所有基准图像比对结束。
步骤s408：将下一基准图像作为当前基准图像，执行步骤s404。
步骤s409：将理赔资料图像更新到基准图像集，并输出理赔资料图像为正常图像的提示信息，结束本流程。若理赔资料图像与基准图像集中每个基准图像均不相似，说明基准图像集中不存在与该理赔资料图像类似的图像，该理赔资料图像为首次提交的概率较高，可以将该理赔资料图像更新到基准图像集，便于后续对新的理赔资料图像进行相似度比对。另外，还可以输出该理赔资料图像为正常图像的提示信息。
通过本发明实施例的图像处理方法可以看出，通过计算亮度图像多个方向的亮度共生矩阵，进而基于亮度共生矩阵对图像进行相似性度量，实现了图像相似度的自动比对，提高了图像检索的准确率；将目标图像由rgb颜色空间转换到hsl颜色空间的转换关系，可以将目标图像的亮度信息与色度信息分开，独立处理亮度信息，减少处理时间，提高实时性；通过亮度共生矩阵反映亮度的分布特性，以及具有同样亮度或者接近亮度的像素的位置特性，并作为后续特征提取的基础，提高相似性度量的准确性。
本发明实施例的图像处理方法基于深度自编码网络进行特征提取，能够准确的输出特征向量，进一步提高相似性度量的准确性；将多个方向的亮度共生矩阵拼接为特征图像，保证能够全面的进行亮度统计，准确地对图像进行特征描述，使最终的相似度度量结果更加准确；将滤波、归一化后的图像作为亮度图像，降低图像噪声，同时减少计算复杂度，进一步减少处理时间；将相似度与阈值比较，进一步提高相似性度量的准确性。
图5是根据本发明实施例的图像处理装置的主要模块的示意图。如图5所示，本发明实施例的图像处理装置500，主要包括：
矩阵计算模块501，用于将目标图像转换成亮度图像，计算所述亮度图像多个方向的亮度共生矩阵。目标图像一般为rgb彩色图像，将rgb彩色图像从rgb颜色空间转换到hsl颜色空间，获得亮度图像；之后对亮度图像中保持某距离的两个像素分别具有某亮度值的状况进行统计，得到多个方向的亮度共生矩阵。
特征提取模块502，用于将所述多个方向的亮度共生矩阵拼接为特征图像，对所述特征图像进行特征提取，得到第一特征向量。按照设定拼接规则，将多个方向的亮度共生矩阵拼接为特征图像；之后提取特征图像中每个方向的亮度共生矩阵对应的纹理特征，比如能量、熵、对比度和逆差矩等；最后把每个方向计算出的纹理特征组合成一个综合向量，该综合向量即为第一特征向量。
此处的拼接规则可以自定义设置，比如按照多个方向的角度大小顺序按行拼接对应的亮度共生矩阵，再比如按照多个方向的角度大小顺序按列拼接对应的亮度共生矩阵。
相似度计算模块503，用于获取基准图像集中至少一张基准图像对应的第二特征向量，分别计算所述第一特征向量与所述第二特征向量的相似度。按照矩阵计算模块501的处理过程，将基准图像集中当前基准图像转换为亮度图像，计算与矩阵计算模块501相同方向的该亮度图像的亮度共生矩阵；之后按照与特征提取模块502同样的拼接规则，将这些亮度共生矩阵拼接为特征图像，提取该特征图像每个方向的纹理特征，组合成第二特征向量。实施例中，按照上述方式获取基准图像集中多张基准图像对应的第二特征向量，之后即可分别计算第一特征向量与多个第二特征向量的相似度。
图像识别模块504，用于根据所述相似度，确定所述基准图像集中是否存在与所述目标图像相同或者相似的基准图像，以识别出异常的目标图像。将计算出的每个相似度分别与设定阈值比较，如有存在某个第二特征向量与第一特征向量的相似度大于等于阈值，则可以确定该第二特征向量对应的基准图像与目标图像相同或者相似，该目标图像为异常图像；如果全部第二特征向量与第一特征向量的相似度均小于阈值，则说明基准图像集中不存在于目标图像相同或者相似的基准图像，该目标图像为正常图像。
另外，本发明实施例的图像处理装置500还可以包括：更新模块(图5中未示出)，该模块用于在基准图像集中不存在与目标图像相同或者相似的基准图像时，将目标图像更新到基准图像集。
从以上描述可以看出，通过计算亮度图像多个方向的亮度共生矩阵，进而基于亮度共生矩阵对图像进行相似性度量，实现了图像相似度的自动比对，提高了图像检索的准确率；将目标图像由rgb颜色空间转换到hsl颜色空间的转换关系，可以将目标图像的亮度信息与色度信息分开，独立处理亮度信息，减少处理时间，提高实时性；通过亮度共生矩阵反映亮度的分布特性，以及具有同样亮度或者接近亮度的像素的位置特性，并作为后续特征提取的基础，提高相似性度量的准确性。
图6示出了可以应用本发明实施例的图像处理方法或图像处理装置的示例性系统架构600。
如图6所示，系统架构600可以包括终端设备601、602、603，网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备601、602、603通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器，例如管理员利用终端设备601、602、603发送的目标图像进行处理的后台管理服务器。后台管理服务器可以转换目标图像为亮度图像，计算亮度共生矩阵，特征提取、相似度计算等处理，并将处理结果(例如目标图像为异常图像)反馈给终端设备。
需要说明的是，本申请实施例所提供的图像处理方法一般由服务器605执行，相应地，图像处理装置一般设置于服务器605中。
应该理解，图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
根据本发明的实施例，本发明还提供了一种电子设备和一种计算机可读介质。
本发明的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，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本发明实施例的一种图像处理方法。
本发明的计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的一种图像处理方法。
下面参考图7，其示出了适用于来实现本发明实施例的电子设备的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，计算机系统700包括中央处理单元(cpu)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有计算机系统700操作所需的各种程序和数据。cpu701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本发明公开的实施例，上文主要步骤图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行主要步骤图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(cpu)701执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括矩阵计算模块、特征提取模块、相似度计算模块和图像识别模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，矩阵计算模块还可以被描述为“将目标图像转换成亮度图像，计算所述亮度图像多个方向的亮度共生矩阵的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：将目标图像转换成亮度图像，计算所述亮度图像多个方向的亮度共生矩阵；将所述多个方向的亮度共生矩阵拼接为特征图像，对所述特征图像进行特征提取，得到第一特征向量；获取基准图像集中至少一张基准图像对应的第二特征向量，分别计算所述第一特征向量与所述第二特征向量的相似度；根据所述相似度，确定所述基准图像集中是否存在与所述目标图像相同或者相似的基准图像，以识别出异常的目标图像。
从以上描述可以看出，通过计算亮度图像多个方向的亮度共生矩阵，进而基于亮度共生矩阵对图像进行相似性度量，实现了图像相似度的自动比对，提高了图像检索的准确率；将目标图像由rgb颜色空间转换到hsl颜色空间的转换关系，可以将目标图像的亮度信息与色度信息分开，独立处理亮度信息，减少处理时间，提高实时性；通过亮度共生矩阵反映亮度的分布特性，以及具有同样亮度或者接近亮度的像素的位置特性，并作为后续特征提取的基础，提高相似性度量的准确性。
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！