图像语义分析方法、装置、存储介质及电子设备

技术领域

本申请涉及数据处理技术领域，特别地涉及一种图像语义分析方法、装置、存储介质及电子设备。

背景技术

图像的语义分析技术一直是图像数据处理的研究难点之一，现有的图像语义分析方法是预先通过卷积神经网络训练完成语义模型对目标图像进行语义分析，其受到训练时的样本影响较大，适用范围小，一旦输入语义模型的图像与训练时的样本图像差异较大，就会大幅降低语义分析的准确性。

发明内容

针对上述问题，本申请提供一种图像语义分析方法、装置、存储介质及电子设备，解决了相关技术中通过语义模型进行语义分析导致适用范围小，准确性低的技术问题。

第一方面，本申请提供了一种图像语义分析方法，所述方法包括：

对预处理完成的待分析图像进行语义信息抽取，得到所述待分析图像的语义信息，其中，所述预处理包括对所述待分析图像进行图像数据结构化处理；

根据所述待分析图像的语义信息的知识图谱，对所述语义信息进行知识合并，得到处理后的语义信息；其中，所述待分析图像的语义信息的知识图谱包括所述语义信息的语义实体；

根据所述处理后的语义信息，在预先建立的图像知识图谱数据库中检索到相应的语义实体，作为图像语义分析结果。

可选的，所述图像语义分析方法，还包括：

根据所述处理后的语义信息，在预先建立的图像知识图谱数据库中检索到相关联的语义实体，更新所述图像语义分析结果。

可选的，所述图像语义分析方法，还包括：

根据所述图像语义分析结果进行图像语义关联分析，得到与所述图像语义分析结果相似的视觉媒体。

可选的，所述根据所述图像语义分析结果进行图像语义关联分析，得到与所述图像语义分析结果相似的视觉媒体，包括：

根据所述图像语义分析结果，按照预设关联属性进行图像语义关联分析，得到与所述图像语义分析结果相似的视觉媒体；所述预设关联属性包括主题属性、形式属性、自然属性和社会属性中的一个或多个。

可选的，所述图像语义分析方法，还包括：

将所述图像语义分析结果进行可视化处理，得到可视化的图像语义分析结果。

可选的，所述对预处理完成的待分析图像进行语义信息抽取，得到所述待分析图像的语义信息，包括：

抽取所述预处理完成的待分析图像的语义实体、语义实体之间的关系和语义实体的属性；

将所述语义实体、语义实体之间的关系和语义实体的属性作为所述待分析图像的语义信息。

可选的，所述根据所述待分析图像的语义信息的知识图谱，对所述语义信息进行知识合并，得到处理后的语义信息，包括：

对所述待分析图像的知识图谱中的语义实体进行语义实体对齐与消岐，得到处理后的语义信息。

第二方面，一种图像语义分析装置，所述装置包括：

抽取单元，用于对预处理完成的待分析图像进行语义信息抽取，得到所述待分析图像的语义信息，其中，所述预处理包括对所述待分析图像进行图像数据结构化处理；

处理单元，用于根据所述待分析图像的语义信息的知识图谱，对所述语义信息进行知识合并，得到处理后的语义信息；其中，所述待分析图像的语义信息的知识图谱包括所述语义信息的语义实体；

检索单元，用于根据所述处理后的语义信息，在预先建立的图像知识图谱数据库中检索到相应的语义实体，作为图像语义分析结果。

第三方面，一种存储介质，该存储介质存储的计算机程序，可被一个或多个处理器执行，可用来实现如上述第一方面所述的图像语义分析方法。

第四方面，一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述存储器和所述处理器之间互相通信连接，该计算机程序被所述处理器执行时，执行如上述第一方面所述的图像语义分析方法。

本申请提供的一种图像语义分析方法、装置、存储介质及电子设备，包括：对预处理完成的待分析图像进行语义信息抽取，得到所述待分析图像的语义信息，其中，所述预处理包括对所述待分析图像进行图像数据结构化处理；根据所述待分析图像的语义信息的知识图谱，对所述语义信息进行知识合并，得到处理后的语义信息；其中，所述待分析图像的语义信息的知识图谱包括所述语义信息的语义实体；根据所述处理后的语义信息，在预先建立的图像知识图谱数据库中检索到相应的语义实体，作为图像语义分析结果。本申请通过抽取结构化语义信息，用知识图谱处理图像语义，对知识图谱的图像语义信息进行知识合并，精简语义实体，并在预先建立的图像知识图谱数据库中检索相应的语义实体，在得到精确的语义分析结果的同时，不断完善图像知识图谱数据库，使其具有更大的适用范围。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的一种图像语义分析方法的流程示意图；

图2为本申请实施例提供的一种图像语义分析装置的结构示意图；

图3为本申请实施例提供的一种电子设备的连接框图。

具体实施方式

以下将结合附图及实施例来详细说明本申请的实施方式，借此对本申请如何应用技术手段来解决技术问题，并达到相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征，在不相冲突前提下可以相互结合，所形成的技术方案均在本申请的保护范围之内。

由背景技术可知，图像的语义分析技术一直是图像数据处理的研究难点之一，现有的图像语义分析方法是预先通过卷积神经网络训练完成语义模型对目标图像进行语义分析，其受到训练时的样本影响较大，适用范围小，一旦输入语义模型的图像与训练时的样本图像差异较大，就会大幅降低语义分析的准确性。

有鉴于此，本申请提供一种图像语义分析方法、装置、存储介质及电子设备，解决了相关技术中通过语义模型进行语义分析导致适用范围小，准确性低的技术问题。

图1为本申请实施例提供的一种图像语义分析方法的流程示意图，如图1所示，本方法包括：

S101、对预处理完成的待分析图像进行语义信息抽取，得到所述待分析图像的语义信息。

在步骤S101中，所述预处理包括对所述待分析图像进行图像数据结构化处理。

S102、根据所述待分析图像的语义信息的知识图谱，对所述语义信息进行知识合并，得到处理后的语义信息。

在步骤S102中，所述待分析图像的语义信息的知识图谱包括所述语义信息的语义实体。

需要说明的是，用知识图谱处理图像语义信息，可以得到包含图像语义实体的知识图谱，进一步的，以知识图谱的形式，进行语义实体的对齐和消岐，可以剔除抽取到的语义信息中的冗余和错误信息，同时对语义实体进行精简，提高处理效率和准确性。

S103、根据所述处理后的语义信息，在预先建立的图像知识图谱数据库中检索到相应的语义实体，作为图像语义分析结果。

需要说明的是，基于知识图谱生成的图像语义框架可以更好的服务于语义检索领域，利用知识图谱的概念、语义实体的匹配度返回给用户与搜索相关的更全面的知识体系。主要实现方式是利用相关性在知识图谱数据库中找到相应的实体语义检索。

进一步需要说明的是，知识图谱的概念，是指知识图谱数据库在建立之初，在本领域专家的帮助下，建立基于领域概念知识的领域本体，又称本体构建，通过收集信息源中的图像，并参照已建立的领域本体，把收集来的图像按规定的格式存储在数据库(关系数据库、知识库等)中。图像本体是对图像的一种描述模式，任何一幅图像都是图像本体的一个实例，并可以用本体语言形式化地表示。主要采用形式概念分析和Word2vec神经网络工具，结合结构化和非结构化资源，利用结构化资源概念层次明确、非结构化资源语义丰富以及容易获取的特点，有效降低领域图像本体构建的复杂度，节省时间人力成本，能提高图像领域本体的构建效率，挖掘出隐含的概念以及概念间关系，丰富图像领域本体的语义信息，能较好地反映图像领域的知识结构。

可选的，所述图像语义分析方法，还包括：

根据所述处理后的语义信息，在预先建立的图像知识图谱数据库中检索到相关联的语义实体，更新所述图像语义分析结果。

需要说明的是，具体的，可以根据语义实体的类别、关系及相关性等信息找到关联的语义实体。通过对知识图谱数据库进行深层次的知识挖掘与提炼后，为用户检索出具有重要性排序的准确且完整的知识图谱，并推荐用户感兴趣的相关知识图谱。

可选的，所述图像语义分析方法，还包括：

根据所述图像语义分析结果进行图像语义关联分析，得到与所述图像语义分析结果相似的视觉媒体。

可选的，所述根据所述图像语义分析结果进行图像语义关联分析，得到与所述图像语义分析结果相似的视觉媒体，包括：

根据所述图像语义分析结果，按照预设关联属性进行图像语义关联分析，得到与所述图像语义分析结果相似的视觉媒体；所述预设关联属性包括主题属性、形式属性、自然属性和社会属性中的一个或多个。

需要说明的是，图像语义关联分析主要是根据主题属性、形式属性、自然属性、社会属性等，链接具有相似语义信息的图像等视觉媒体。在各种跨媒体关联类型中最关键的是关联数据模型。主要从跨媒体数据及其关联的时空属性、语义涵义、权重、概率等特性，通过时空关联分析、逻辑关联分析、语义相似性搜索、数据世系管理与分析、数据溯源与核查等，支持的多种智能分析，来提升多媒体信息之间关联分析能力。

可选的，所述图像语义分析方法，还包括：

将所述图像语义分析结果进行可视化处理，得到可视化的图像语义分析结果。

需要说明的是，通过知识图谱可视化将知识图谱数据库中得到的语义分析结果信息转化为更方便用户理解的方式进行呈现，用户可以一目了然地了解到他需要的知识；同时提供了更加丰富的文本信息，增加了更多的用户交互元素，提升用户体验，引导用户在短时间内获取到更多的知识。

可选的，所述对预处理完成的待分析图像进行语义信息抽取，得到所述待分析图像的语义信息，包括：

抽取所述预处理完成的待分析图像的语义实体、语义实体之间的关系和语义实体的属性；

将所述语义实体、语义实体之间的关系和语义实体的属性作为所述待分析图像的语义信息。

需要说明的是，语义实体抽取主要通过CNN-RNN混合神经网络图像语义表达。该模型把一系列带有结构的语法知识融入到深度表达学习中，借助递归神经网络的特性对图像中的物体、物体间的关系等进行结构化的组合与表达。最终模型实现图像的深度层次化语义解析。CNN模型能够生成具有判别能力的图像特征表达，被广泛地应用于图像分类与物体识别任务中，因此将其用作物体类别的表达学习；RNN模型则被一系列工作证明能够对图像或者自然语言中的结构化组合关系进行预测，其原因在于该类网络能够同时对语义和结构化表达进行递归地学习。故而利用RNN模型把CNN模型产生的特征表达作为输入，用于进一步生成场景的结构化配置。

而语义实体之间的关系和语义实体的属性的抽取，主要有三种实现方法：

第一种，基于词法模式的原理根据语句构成成分之间的语义关系来预测语句整体的意义。比如通过对文本句法的分析，对于一个以动词为核心的短句，可以抽取出实体之间的潜在关系。

第二种，共现分析方法，这是一种定量与定性相结合的分析方法，其具体步骤为，先将待处理文本转化为数字形式表达的信息，然后使用不同的数学方法对文本进行定量计算和分析，最后结合定性分析的结果对文本中的分类关系进行综合分析。

第三种，基于开放链接数据和基于在线百科的方法，该方法通过百科类等网站规则的知识分类体系，定义或者学习知识分类的规则和特征，从而对隐藏的分类关系和属性进行准确地抽取。

可选的，所述根据所述待分析图像的语义信息的知识图谱，对所述语义信息进行知识合并，得到处理后的语义信息，包括：

对所述待分析图像的知识图谱中的语义实体进行语义实体对齐与消岐，得到处理后的语义信息。

需要说明的是，通过语义信息抽取获取的结果中可能包含大量的冗余和错误信息，有必要对其进行清理和整合，即通过知识合并，剔除冗余信息，具体为进行语义实体对齐与消歧。

其中，语义实体对齐是知识图谱构建过程中的重要步骤之一，通过语义实体对齐，将同一个知识图谱内部的语义实体进行精简，在提高语义实体检索准确性的同时，也可以用于实现知识图谱之间的链接与合并，由此构建一个规模更大，服务范围更广泛的知识图谱系统，知识图谱数据库的建立就包括这一步骤。语义实体对齐算法的主要过程是根据具体的知识图谱的特点和处理方法，利用不同的语义实体识别方法，例如传统概率模型的方法、以及机器学习的方法，来完成语义实体对齐的任务。

而语义实体消歧是专门用于解决同名语义实体产生歧义问题的技术。采用自动抽取同义关系的机器学习算法，实现语义实体消歧，并以此实现根据当前的语境，准确建立语义实体之间的链接。

本申请基于知识图谱技术实现的图像语义分析方法可以使人们更便捷、准确地获取到自己所需要的图像语义信息并增强对图像的理解，具有重大的研究意义和使用价值。

综上所述，本申请实施例提供了一种图像语义分析方法，包括：对预处理完成的待分析图像进行语义信息抽取，得到所述待分析图像的语义信息，其中，所述预处理包括对所述待分析图像进行图像数据结构化处理；根据所述待分析图像的语义信息的知识图谱，对所述语义信息进行知识合并，得到处理后的语义信息；其中，所述待分析图像的语义信息的知识图谱包括所述语义信息的语义实体；根据所述处理后的语义信息，在预先建立的图像知识图谱数据库中检索到相应的语义实体，作为图像语义分析结果。本申请通过抽取结构化语义信息，用知识图谱处理图像语义，对知识图谱的图像语义信息进行知识合并，精简语义实体，并在预先建立的图像知识图谱数据库中检索相应的语义实体，在得到精确的语义分析结果的同时，不断完善图像知识图谱数据库，使其具有更大的适用范围。

实施例二

基于上述本发明实施例公开的图像语义分析方法，图2具体公开了应用该图像语义分析方法的图像语义分析装置。

如图2所示，本发明实施例公开了一种图像语义分析装置，该装置包括：

抽取单元201，用于对预处理完成的待分析图像进行语义信息抽取，得到所述待分析图像的语义信息，其中，所述预处理包括对所述待分析图像进行图像数据结构化处理；

处理单元202，用于根据所述待分析图像的语义信息的知识图谱，对所述语义信息进行知识合并，得到处理后的语义信息；其中，所述待分析图像的语义信息的知识图谱包括所述语义信息的语义实体；

需要说明的是，用知识图谱处理图像语义信息，可以得到包含图像语义实体的知识图谱，进一步的，以知识图谱的形式，进行语义实体的对齐和消岐，可以剔除抽取到的语义信息中的冗余和错误信息，同时对语义实体进行精简，提高处理效率和准确性。

检索单元203，用于根据所述处理后的语义信息，在预先建立的图像知识图谱数据库中检索到相应的语义实体，作为图像语义分析结果。

需要说明的是，基于知识图谱生成的图像语义框架可以更好的服务于语义检索领域，利用知识图谱的概念、语义实体的匹配度返回给用户与搜索相关的更全面的知识体系。主要实现方式是利用相关性在知识图谱数据库中找到相应的实体语义检索。

进一步需要说明的是，知识图谱的概念，是指知识图谱数据库在建立之初，在本领域专家的帮助下，建立基于领域概念知识的领域本体，又称本体构建，通过收集信息源中的图像，并参照已建立的领域本体，把收集来的图像按规定的格式存储在数据库(关系数据库、知识库等)中。图像本体是对图像的一种描述模式，任何一幅图像都是图像本体的一个实例，并可以用本体语言形式化地表示。主要采用形式概念分析和Word2vec神经网络工具，结合结构化和非结构化资源，利用结构化资源概念层次明确、非结构化资源语义丰富以及容易获取的特点，有效降低领域图像本体构建的复杂度，节省时间人力成本，能提高图像领域本体的构建效率，挖掘出隐含的概念以及概念间关系，丰富图像领域本体的语义信息，能较好地反映图像领域的知识结构。

可选的，所述图像语义分析装置，还包括：

更新单元，用于根据所述处理后的语义信息，在预先建立的图像知识图谱数据库中检索到相关联的语义实体，更新所述图像语义分析结果。

需要说明的是，具体的，可以根据语义实体的类别、关系及相关性等信息找到关联的语义实体。通过对知识图谱数据库进行深层次的知识挖掘与提炼后，为用户检索出具有重要性排序的准确且完整的知识图谱，并推荐用户感兴趣的相关知识图谱。

可选的，所述图像语义分析装置，还包括：

关联单元，用于根据所述图像语义分析结果进行图像语义关联分析，得到与所述图像语义分析结果相似的视觉媒体。

可选的，所述关联单元，包括：

关联子单元，用于根据所述图像语义分析结果，按照预设关联属性进行图像语义关联分析，得到与所述图像语义分析结果相似的视觉媒体；所述预设关联属性包括主题属性、形式属性、自然属性和社会属性中的一个或多个。

需要说明的是，图像语义关联分析主要是根据主题属性、形式属性、自然属性、社会属性等，链接具有相似语义信息的图像等视觉媒体。在各种跨媒体关联类型中最关键的是关联数据模型。主要从跨媒体数据及其关联的时空属性、语义涵义、权重、概率等特性，通过时空关联分析、逻辑关联分析、语义相似性搜索、数据世系管理与分析、数据溯源与核查等，支持的多种智能分析，来提升多媒体信息之间关联分析能力。

可选的，所述图像语义分析装置，还包括：

可视化单元，用于将所述图像语义分析结果进行可视化处理，得到可视化的图像语义分析结果。

需要说明的是，通过知识图谱可视化将知识图谱数据库中得到的语义分析结果信息转化为更方便用户理解的方式进行呈现，用户可以一目了然地了解到他需要的知识；同时提供了更加丰富的文本信息，增加了更多的用户交互元素，提升用户体验，引导用户在短时间内获取到更多的知识。

可选的，所述抽取单元201，包括：

抽取子单元，用于抽取所述预处理完成的待分析图像的语义实体、语义实体之间的关系和语义实体的属性；

整合子单元，用于将所述语义实体、语义实体之间的关系和语义实体的属性作为所述待分析图像的语义信息。

需要说明的是，语义实体抽取主要通过CNN-RNN混合神经网络图像语义表达。该模型把一系列带有结构的语法知识融入到深度表达学习中，借助递归神经网络的特性对图像中的物体、物体间的关系等进行结构化的组合与表达。最终模型实现图像的深度层次化语义解析。CNN模型能够生成具有判别能力的图像特征表达，被广泛地应用于图像分类与物体识别任务中，因此将其用作物体类别的表达学习；RNN模型则被一系列工作证明能够对图像或者自然语言中的结构化组合关系进行预测，其原因在于该类网络能够同时对语义和结构化表达进行递归地学习。故而利用RNN模型把CNN模型产生的特征表达作为输入，用于进一步生成场景的结构化配置。

而语义实体之间的关系和语义实体的属性的抽取，主要有三种实现方法：

第一种，基于词法模式的原理根据语句构成成分之间的语义关系来预测语句整体的意义。比如通过对文本句法的分析，对于一个以动词为核心的短句，可以抽取出实体之间的潜在关系。

第二种，共现分析方法，这是一种定量与定性相结合的分析方法，其具体步骤为，先将待处理文本转化为数字形式表达的信息，然后使用不同的数学方法对文本进行定量计算和分析，最后结合定性分析的结果对文本中的分类关系进行综合分析。

第三种，基于开放链接数据和基于在线百科的方法，该方法通过百科类等网站规则的知识分类体系，定义或者学习知识分类的规则和特征，从而对隐藏的分类关系和属性进行准确地抽取。

可选的，所述处理单元202，包括：

处理子单元，用于对所述待分析图像的知识图谱中的语义实体进行语义实体对齐与消岐，得到处理后的语义信息。

需要说明的是，通过语义信息抽取获取的结果中可能包含大量的冗余和错误信息，有必要对其进行清理和整合，即通过知识合并，剔除冗余信息，具体为进行语义实体对齐与消歧。

其中，语义实体对齐是知识图谱构建过程中的重要步骤之一，通过语义实体对齐，将同一个知识图谱内部的语义实体进行精简，在提高语义实体检索准确性的同时，也可以用于实现知识图谱之间的链接与合并，由此构建一个规模更大，服务范围更广泛的知识图谱系统，知识图谱数据库的建立就包括这一步骤。语义实体对齐算法的主要过程是根据具体的知识图谱的特点和处理方法，利用不同的语义实体识别方法，例如传统概率模型的方法、以及机器学习的方法，来完成语义实体对齐的任务。

而语义实体消歧是专门用于解决同名语义实体产生歧义问题的技术。采用自动抽取同义关系的机器学习算法，实现语义实体消歧，并以此实现根据当前的语境，准确建立语义实体之间的链接。

本申请基于知识图谱技术实现的图像语义分析方法可以使人们更便捷、准确地获取到自己所需要的图像语义信息并增强对图像的理解，具有重大的研究意义和使用价值。

综上所述，本申请实施例提供了一种图像语义分析装置，包括：对预处理完成的待分析图像进行语义信息抽取，得到所述待分析图像的语义信息，其中，所述预处理包括对所述待分析图像进行图像数据结构化处理；根据所述待分析图像的语义信息的知识图谱，对所述语义信息进行知识合并，得到处理后的语义信息；其中，所述待分析图像的语义信息的知识图谱包括所述语义信息的语义实体；根据所述处理后的语义信息，在预先建立的图像知识图谱数据库中检索到相应的语义实体，作为图像语义分析结果。本申请通过抽取结构化语义信息，用知识图谱处理图像语义，对知识图谱的图像语义信息进行知识合并，精简语义实体，并在预先建立的图像知识图谱数据库中检索相应的语义实体，在得到精确的语义分析结果的同时，不断完善图像知识图谱数据库，使其具有更大的适用范围。

实施例三

本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，该计算机程序被处理器执行时可以实现如实施例一的方法步骤，本实施例在此不再重复赘述。

实施例四

图3为本申请实施例提供的一种电子设备500的连接框图，如图3所示，该电子设备500可以包括：处理器501，存储器502，多媒体组件503，输入/输出(I/O)接口504，以及通信组件505。

其中，处理器501用于执行如实施例一中的图像语义分析方法中的全部或部分步骤。存储器502用于存储各种类型的数据，这些数据例如可以包括电子设备中的任何应用程序或方法的指令，以及应用程序相关的数据。

处理器501可以是专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(Digital Signal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable LogicDevice，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述实施例一中的图像语义分析方法。

存储器502可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。

多媒体组件503可以包括屏幕和音频组件，该屏幕可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或通过通信组件发送。音频组件还包括至少一个扬声器，用于输出音频信号。

I/O接口504为处理器501和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。

通信组件505用于该电子设备500与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near Field Communication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件505可以包括：Wi-Fi模块，蓝牙模块，NFC模块。

综上，本申请提供的一种图像语义分析方法、装置、存储介质及电子设备，该方法包括：对预处理完成的待分析图像进行语义信息抽取，得到所述待分析图像的语义信息，其中，所述预处理包括对所述待分析图像进行图像数据结构化处理；根据所述待分析图像的语义信息的知识图谱，对所述语义信息进行知识合并，得到处理后的语义信息；其中，所述待分析图像的语义信息的知识图谱包括所述语义信息的语义实体；根据所述处理后的语义信息，在预先建立的图像知识图谱数据库中检索到相应的语义实体，作为图像语义分析结果。本申请通过抽取结构化语义信息，用知识图谱处理图像语义，对知识图谱的图像语义信息进行知识合并，精简语义实体，并在预先建立的图像知识图谱数据库中检索相应的语义实体，在得到精确的语义分析结果的同时，不断完善图像知识图谱数据库，使其具有更大的适用范围。

在本申请实施例所提供的几个实施例中，应该理解到，所揭露的方法，也可以通过其它的方式实现。以上所描述的方法实施例仅仅是示意性的。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

虽然本申请所揭露的实施方式如上，但上述的内容只是为了便于理解本申请而采用的实施方式，并非用以限定本申请。任何本申请所属技术领域内的技术人员，在不脱离本申请所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本申请的专利保护范围，仍须以所附的权利要求书所界定的范围为准。