[发明专利]基于统计学习模型的图像隐含信息挖掘方法及装置

说明书

本发明提出一种基于统计学习模型的图像隐含信息挖掘方法及装置，属于图像信号处理领域。为解决现有图像检测和识别技术中对于一些包含隐藏信息的图片无法进行合理的推断挖掘的问题，本发明可包括：通过预处理获取符合要求的待处理图像；将所述待处理图像通过常规的图像检测和识别模型进行检测和识别，得到图像检测和识别所能检测到的直观结果；将所述检测到的直观结果通过训练完备的统计学习模型进行推断，推断出图像中的隐含信息，所述训练完备的统计学习模型是根据已有的大规模样本生成的。本发明合理利用了统计学习方法，实现了灵活合理的对常规图像检测识别结果进行隐含信息进行挖掘和补充，提升了图像信息的使用率和识别结果的丰富度。

技术领域

本发明涉及图像信号处理技术，特别涉及一种基于统计学习模型的图像隐含信息挖掘方法及装置。

背景技术

图像检测和识别技术在目前生活中应用广泛。在图像检测和识别时，首先需要对图像进行处理，包括灰度化、几何变换、图像增强、平滑、锐化等，然后通过图像检测模型得到目标位置、属性、关键点等信息，最后通过图像识别模型，通过关键点对比实现图像识别。

但是，常用的图像检测和识别技术对于一些包含隐藏信息的图片无法进行合理的推断挖掘，而忽略图像中的大量有用信息，造成信息利用不充分。

发明内容

本发明的目的是提供一种基于统计学习模型的图像隐含信息挖掘方法及装置，解决现有图像检测和识别技术中对于一些包含隐藏信息的图片无法进行合理的推断挖掘的问题。

本发明解决其技术问题，采用的技术方案是：基于统计学习模型的图像隐含信息挖掘方法，包括如下步骤：

步骤1、通过预处理获取符合要求的待处理图像；

步骤2、将所述待处理图像通过常规的图像检测和识别模型进行检测和识别，得到图像检测和识别所能检测到的直观结果；

步骤3、将所述检测到的直观结果通过训练完备的统计学习模型进行推断，推断出图像中的隐含信息，所述训练完备的统计学习模型是根据已有的大规模样本生成的。

进一步的是，步骤1中，所述预处理包括：图像分帧、图像几何变换、图像平滑和图像增强。

具体的是，步骤2中，所述直观结果包括：关键点坐标、边界点坐标、目标标签和人物骨架。

进一步的是，步骤3中，根据所述训练完备的统计学习模型进行推断之后，还包括：

若所述统计学习模型无法推断出所述隐含信息，则直接输出所述直观结果；

若所述统计学习模型推断出了所述隐含信息，则输出所述直观结果以及隐含信息。

具体的是，步骤3中，还包括：

所述统计学习模型根据接收到的具有不同特征的待处理图像，分别进行针对不同特征的不同统计学习模型的隐含信息挖掘。

进一步的是，步骤3中，所述统计学习模型包括：贝叶斯网络、隐马尔可夫模型、支持向量机、Boosting、决策树、梯度提升决策树、多层感知机和神经网络。

基于统计学习模型的图像隐含信息挖掘装置，应用于所述的基于统计学习模型的图像隐含信息挖掘方法，包括：

预处理模块，用于对输入图像进行预处理操作；

图像检测和识别模块，用于对预处理模块处理得到的图像数据进行检测和识别；

推理模块，用于根据所述统计学习模型进行图像隐含信息的挖掘和推断，得到图像中的隐含信息。