[发明专利]一种图像处理方法

说明书

本发明提出了一种图像处理方法,包括如下步骤:步骤1.对图像的每一像素点,记录该像素点的灰阶频数及坐标信息；步骤2.将图像中各像素点的灰阶按照灰度类聚类形成以不同灰度类为特征的空间灰度区位置分布图T_i；步骤3.对不同灰度类的灰度区位置分布图中的各个灰度区块进行甄别，选出目标区块；对不同灰度类的灰度区位置分布图中找出的目标区块进行组合识别和图像重构。本发明相对于原有的深度学习图像识别另辟蹊径，采用灰阶标准对图像进行区块划分，不再受限于学习能力及目标边缘梯度多变的限制，大幅提高了数据处理速度和识别有效性，硬件要求显著降低，且具有极强的通用性，解决了复杂环境、低对比度、弱小目标的跟踪识别的难题。

技术领域

本发明属于软件技术领域，涉及一种图像处理方法。

背景技术

目前装备智能化的关键是视觉场景的认知，只有对视觉场景认知准确才能合理的控制自己的行为，目前对于视觉场景认知采用最为广泛的是深度学习技术。

深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务（例如，人脸识别或面部表情识别）。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。对于深度学习来说，其思想就是对堆叠多个层，也就是说这一层的输出作为下一层的输入。通过这种方式，就可以实现对输入信息进行分级表达。

深度学习的缺点就是在许多情形中深度2就足够表示任何一个带有给定目标精度的函数。但是其代价是：图中所需要的节点数(比如计算和参数数量)可能变的非常大。理论结果证实那些事实上所需要的节点数随着输入的大小指数增长的函数族是存在的。如果将深度架构看做一种因子分解。大部分随机选择的函数不能被有效地表示，无论是用深的或者浅的架构。但是许多能够有效地被深度架构表示的却不能被用浅的架构高效表示。一个紧的和深度表示的存在意味着在潜在的可被表示的函数中存在某种结构。如果不存在任何结构，那将不可能很好地泛化。通俗的讲就是一旦有一层训练未能被下一层有效的使用，那么这个学习即为无效，因此在深度学习处理视觉图像时，由于上述缺点使得深度学习所需要的学习库及对这些库的调用比对运算量极其巨大，对于视觉图像中存在的由于目标运动和复杂环境干扰造成的各种无规则形状的图像难以通过深度学习识别。限制了深度学习的应用范围。

发明内容

为克服现有深度学习技术在视觉图像识别中存在的技术缺陷，针对视觉图像中的特定物体识别，本发明公开了一种图像处理方法。

本发明所述图像处理方法,包括如下步骤:

步骤1.对图像的每一像素点,记录该像素点的灰阶频数及坐标信息；

步骤2.将图像中各像素点的灰阶按照灰度类聚类形成以不同灰度类为特征的空间灰度区位置分布图T_i ；相似灰阶构成的灰度区位置分布图包括一个或多个离散分布的灰度区块；下标 i表示不同的灰度类；所述灰度类是指包括1个或多个连续分布灰度值的区间；

步骤3. 对不同灰度类的灰度区位置分布图中的各个灰度区块进行甄别，选出目标区块；对不同灰度类的灰度区位置分布图中找出的目标区块进行组合识别和图像重构。

优选的，所述步骤3中灰度区块的甄别具体为：对灰度区块的各个边界像素点的坐标信息进行分析，边界像素点的坐标信息符合预设标准的则认为是目标区块。

进一步的，所述预设标准为边界像素点的坐标信息符合线性特征。

优选的，所述步骤3中对各个灰度类的灰度区位置分布图中找出的目标区块进行组合识别的具体步骤为：

设立一个记忆库，所述记忆库中预存有待识别图像的目标属性信息；