[发明专利]图像处理方法、装置、计算机设备和存储介质

说明书

本申请涉及一种图像处理方法、装置、计算机设备和存储介质。所述方法包括：将多个样本图像输入至所述特征提取网络，并通过特征提取网络对样本图像进行特征提取处理，得到所述样本图像对应的图像特征；将多个所述图像特征输入至所述编码模块进行类别编码，得到多个与所述图像特征相应的编码特征；将所述多个编码特征依次输入多个所述段内度量模块进行迭代图卷积处理，得到多个与所述编码特征相应的卷积特征，通过多个段内度量模块对编码特征进行迭代图卷积处理，从而增加了图神经网络的深度，将所述多个卷积特征输入至所述线性层进行分类处理，可得到未知类别图像的分类结果，在增加了图神经网络深度和聚合能力的基础上，提高了分类结果的准确度。

技术领域

本申请涉及图像处理技术领域，尤其涉及一种图像处理方法、装置、计算机设备和存储介质。

背景技术

随着深度学习的不断发展，有力的推动了图像处理、计算机视觉、自然语言处理、机器翻译等诸多领域的发展，这充分说明深度学习的强大潜力。

对于图像分类问题，通常会用到传统卷积对图像进行单一重复的过滤，以此提取特征，但该方式无法高效的捕获具有明显区别的特征，不利于特征提取之后的特征分类，容易影响分类结果的准确性。

发明内容

为了解决上述技术问题，本申请提供了一种图像处理方法、装置、计算机设备和存储介质。

第一方面，本申请提供了一种图像处理方法，应用于包括特征提取网络和特征分类网络的图神经网络，所述特征分类网络包括编码模块、多个段内度量模块和线性层，所述方法包括：

将多个样本图像输入至所述特征提取网络，并通过所述特征提取网络对所述样本图像进行特征提取处理，得到所述样本图像对应的图像特征；其中，所述多个样本图像包括已知类别图像和未知类别图像；

将多个所述图像特征输入至所述编码模块进行类别编码，得到多个与所述图像特征相应的编码特征；

将所述多个编码特征依次输入多个所述段内度量模块进行迭代图卷积处理，得到多个与所述编码特征相应的卷积特征；

将所述多个卷积特征输入至所述线性层进行分类处理，得到相应的分类结果；其中，所述分类结果包括所述未知类别图像的类别。

第二方面，本申请提供了一种计算机设备，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，所述处理器执行所述计算机程序时实现以下步骤：

将多个样本图像输入至所述特征提取网络，并通过所述特征提取网络对所述样本图像进行特征提取处理，得到所述样本图像对应的图像特征；其中，所述多个样本图像包括已知类别图像和未知类别图像；

将多个所述图像特征输入至所述编码模块进行类别编码，得到多个与所述图像特征相应的编码特征；

将所述多个编码特征依次输入多个所述段内度量模块进行迭代图卷积处理，得到多个与所述编码特征相应的卷积特征；

将所述多个卷积特征输入至所述线性层进行分类处理，得到相应的分类结果；其中，所述分类结果包括所述未知类别图像的类别。

第三方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

将多个样本图像输入至所述特征提取网络，并通过所述特征提取网络对所述样本图像进行特征提取处理，得到所述样本图像对应的图像特征；其中，所述多个样本图像包括已知类别图像和未知类别图像；

将多个所述图像特征输入至所述编码模块进行类别编码，得到多个与所述图像特征相应的编码特征；

将所述多个编码特征依次输入多个所述段内度量模块进行迭代图卷积处理，得到多个与所述编码特征相应的卷积特征；