[发明专利]基于细粒度图像的图像识别方法、装置、介质及设备

权利要求书

1.一种基于细粒度图像的图像识别方法，其特征在于，包括：

提取原始图像的图像特征；

根据所述图像特征，获得所述原始图像的显著图；

根据所述显著图和所述原始图像，获得所述显著图的分割图像；

根据所述分割图像，基于神经网络模型，识别所述原始图像中的目标图像。

2.根据权利要求1所述的方法，其特征在于，所述提取原始图像的图像特征，包括：

采用可操纵金字塔算法和滤波器算法，提取原始图像的图像特征。

3.根据权利要求1所述的方法，其特征在于，所述根据所述图像特征，获得所述原始图像的显著图，包括：

根据所述图像特征，对所述原始图像进行超像素分割，获得若干个图像块；

采用低秩复原模型，根据所述图像块，获得所述原始图像的显著图。

4.根据权利要求3所述的方法，其特征在于，所述根据所述图像特征，对所述原始图像进行超像素分割，获得若干个图像块，包括：

根据所述图像特征，采用线性迭代聚类算法，对所述原始图像进行超像素分割，获得若干个图像块。

5.根据权利要求3所述的方法，其特征在于，所述采用低秩复原模型，根据所述图像块，获得所述原始图像的显著图，包括：

利用特征向量表示每个所述图像块，获得特征矩阵；

基于所述特征矩阵，采用树形结构诱导正则化方法和拉普拉斯正则化方法，将所述特征矩阵分解为低秩部分和结构稀疏部分；

采用基于上下文的传播算法，将所述低秩部分和结构稀疏部分合并，获得所述原始图像的显著图。

6.根据权利要求1所述的方法，其特征在于，所述根据所述显著图和所述原始图像，获得所述显著图的分割图像，包括：

对所述显著图进行二值化处理，获得所述显著图的二值化图像；

将所述二值化图像和所述原始图像进行融合，获得所述显著图的分割图像。

7.根据权利要求1所述的方法，其特征在于，在所述根据所述分割图像，基于神经网络模型，识别所述原始图像中的目标图像的步骤之前，还包括：

采集ImageNet数据集；

根据所述ImageNet数据集训练初始神经网络模型，获得基本神经网络模型；

采用带有显著性信息的分割图数据集，对所述基本神经网络模型进行训练，获得优化后的神经网络模型；

所述根据所述分割图像，基于神经网络模型，识别所述原始图像中的目标图像，包括：

根据所述分割图像，基于优化后的神经网络模型，识别所述原始图像中的目标图像。

8.一种基于细粒度图像的图像识别装置，其特征在于，包括：

特征提取模块，用于提取原始图像的图像特征；

显著图获得模块，用于根据所述图像特征，获得所述原始图像的显著图；

图像分割模块，用于根据所述显著图和所述原始图像，获得所述显著图的分割图像；

目标识别模块，用于根据所述分割图像，基于神经网络模型，识别所述原始图像中的目标图像。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7之一所述的方法。

10.一种基于细粒度图像的图像识别设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-7之一所述的方法。