[发明专利]一种图像标注方法和装置

说明书

本发明公开了一种图像标注方法和装置。方法包括：从输入图像中截取目标区域图像，在所述输入图像内将所述目标区域图像向外扩充以获取包含背景信息的目标区域补充图像，基于深度神经网络分别提取目标区域图像的图像特征和目标区域补充图像的图像特征；当目标区域图像和目标区域补充图像被判定属于不同类时，基于目标区域图像的图像特征与目标区域补充图像的图像特征之间的差值，以及目标区域图像的图像特征的聚类距离值与目标区域补充图像的图像特征的聚类距离值之间的差值，生成校正系数，利用所述校正系数校正目标区域图像的图像特征的聚类距离值。本发明进行双目标区域特征提取，增加包含边缘背景信息的补充目标区域特征，提升图像标注精度。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像标注方法和装置。

背景技术

随着人工智能与大数据技术的快速发展，越来越多的产品开始向智能化发展，数据是智能化产品与应用的基础，从海量数据中挖掘出准确的数据对于人工智能的发展具有重要意义。

图像是人工智能领域一类重要的数据类型，通过互联网或摄像头获取的图像均具有数量巨大、种类繁多且杂乱无序的特点，无法在人工智能技术中直接应用。因此，如何快速准确的进行图像的筛选与标注是目前亟待解决的问题。

通常使用聚类算法进行图像的标注，主要基于图像原始像素或特征表示，计算图像间距离或相似度，再通过K-means算法、基于模糊C均值等常用聚类算法进行图像聚类与标注。

现有技术中，通常对目标区域进行图像特征提取，基于所提取特征计算图像间距离或相似度，再利用常用聚类算法完成对图像聚类分类，进而完成对图像的标注。此类方法中，距离或相似度的计算依赖于图像特征空间表示，现有技术中通常仅基于图像中目标区域提取特征，而同一聚类目标在不同图像中通常存在一定程度的细节差异，这些差异将直接影响相似度计算与聚类结果，最终导致图像标注的准确率并不理想。

发明内容

本发明实施例提出一种图像标注方法和装置，从而提高图像标注的准确率。

本发明实施方式的技术方案如下：

一种图像标注方法，包括：

从输入图像中截取目标区域图像，在所述输入图像内将所述目标区域图像向外扩充以获取包含背景信息的目标区域补充图像，基于深度神经网络(DNN)分别提取目标区域图像的图像特征和目标区域补充图像的图像特征；

当目标区域图像和目标区域补充图像被判定属于不同类时，基于目标区域图像的图像特征与目标区域补充图像的图像特征之间的差值，以及目标区域图像的图像特征的聚类距离值与目标区域补充图像的图像特征的聚类距离值之间的差值，生成校正系数，利用所述校正系数校正目标区域图像的图像特征的聚类距离值。

在一个实施方式中，所述基于目标区域图像的图像特征与目标区域补充图像的图像特征之间的差值，以及目标区域图像的图像特征的聚类距离值与目标区域补充图像的图像特征的聚类距离值之间的差值，生成校正系数包括：

计算校正系数A，其中：

其中：目标区域图像的图像特征为e_i；目标区域补充图像的图像特征为e’_i；N为深度神经网络的特征维度；目标区域图像的图像特征的聚类距离值为s_j；目标区域补充图像的图像特征的聚类距离值为s_h；目标区域图像被判定为k_j类；目标区域补充图像被判定为k_h类，其中j≠h；i为特征维度编号。

在一个实施方式中，所述利用所述校正系数校正目标区域图像的图像特征的聚类距离值包括：

计算s_j的校正值s'_j，其中s'_j＝A·s_j。