一种基于专家场去噪结果优选的噪声图像识别方法及系统

技术领域

本发明涉及图像识别技术领域，具体而言，涉及一种基于专家场去噪结果优选的噪声图像识别方法及系统。

背景技术

随着数字媒体时代的来临，数字图像作为一种重要的信息载体已经广泛地应用于多个领域。图像识别技术作为经典的模式识别技术，发挥了非常重要的作用。然而，部分数字图像在存储、传输、使用的过程中，往往会出现较为显著的噪声，使得识别难度显著增加。传统的图像识别方法虽然也能够对噪声图像进行识别，但识别精度整体较低且稳健性较差，无法满足实际的识别需求。因此，如何建立一种有效的噪声图像识别方法，可以更加精准和稳定地对噪声图像进行识别，是一个亟待解决且非常有实际应用价值的问题。

发明内容

本发明的目的在于提供一种基于专家场去噪结果优选的噪声图像识别方法，其能够对噪声图像实现精准快速的识别，获得良好的识别效果。

本发明的实施例是这样实现的：

一种基于专家场去噪结果优选的噪声图像识别方法，包括以下步骤：获取待识别噪声图像，利用专家场模型对上述待识别噪声图像进行去噪处理，以获得不同峰值信噪比的多个去噪图像；选取峰值信噪比最高的上述去噪图像以作为最优去噪图像；建立基于SVM的识别决策模型，将上述最优去噪图像输入至上述识别决策模型，以对上述最优去噪图像进行评分识别；当所获得的分数高于初设阈值时，则上述最优去噪图像为目标类别图像，当所获得的分数低于上述初设阈值时，则上述最优去噪图像为非目标类别图像。

在本发明的一些实施例中，上述利用专家场模型对上述识别噪声图像进行去噪处理的步骤包括以下步骤：利用不同尺寸的滤波器对上述待识别噪声图像进行迭代滤波，以得到多个去噪图像；对多个上述去噪图像进行峰值信噪比计算；选取峰值信噪比最高的图像以作为上述最优去噪图像。

在本发明的一些实施例中，上述建立识别决策模型的步骤包括以下步骤：从图像数据库选取多个初始样本，给上述初始样本添加不同类型噪声，以获得噪声样本；对上述噪声样本进行特征提取，以获取特征结果；利用SVM支持向量机对上述特征结果进行训练，以获得上述识别决策模型。

在本发明的一些实施例中，上述噪声包括高斯噪声、泊松噪声和椒盐噪声中的一种或多种。

在本发明的一些实施例中，上述初始样本包括正样本和负样本，上述正样本为属于目标类别的图像，上述负样本为属于非目标类别的图像。

在本发明的一些实施例中，上述方法还包括以下步骤：根据多个不同类别的上述待识别噪声图像，分别建立多个类别的上述识别决策模型，将多个上述识别决策模型结合以获得精准识别模型，上述精准识别模型用于对多个类别的上述待识别噪声图像进行识别。

在本发明的一些实施例中，上述对上述噪声样本进行特征提取的步骤包括以下步骤：识别噪声样本中的一个目标物和多个标记物，根据目标物与任意一个标记物的大小特征、颜色特征和位置特征对比分别得到对比结果；根据上述对比结果选择不同标记物的局部图像作为各上述目标物的多个特征样本，根据上述特征样本以进行特征提取。

第二方面，本申请实施例提供一种基于专家场去噪结果优选的噪声图像系统，其包括去噪模块、筛选模块、识别模块和判断模块：上述去噪模块用于获取待识别噪声图像，利用专家场模型对上述待识别噪声图像进行去噪处理，以获得不同信噪比的多个去噪图像；上述筛选模块用于选取信噪比最优的去噪图像，以获得最优去噪图像；上述识别模块用于建立基于SVM的识别决策模型，将上述最优去噪图像输入至上述识别决策模型，以对上述最优去噪图像进行评分识别；上述判断模块用于判断当基于SVM模型的得分高于阈值时，则上述最优去噪图像为目标类别图像，当基于SVM模型的得分低于上述阈值时，则上述最优去噪图像为非目标类别图像。

第三方面，本申请实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当一个或多个程序被处理器执行时，实现如上述第一方面中任一项的方法。

第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。

相对于现有技术，本发明的实施例至少具有如下优点或有益效果：

第一方面，本申请实施例提供一种基于专家场去噪结果优选的噪声图像识别方法，包括以下步骤：获取待识别噪声图像，利用专家场模型对上述待识别噪声图像进行去噪处理，以获得不同信噪比的多个去噪图像；选取信噪比最优的去噪图像，以获得最优去噪图像；建立基于SVM的识别决策模型，将上述最优去噪图像输入至上述识别决策模型，以对上述最优去噪图像进行评分识别；当所获得的分数高于初设阈值时，则上述最优去噪图像为目标类别图像，当所获得的分数低于上述初设阈值时，则上述最优去噪图像为非目标类别图像。

针对第一方面，通过对待识别噪声图像利用专家场模型进行去噪处理，以获得不同信噪比的多个去噪图像，从而可以有效地提高图像质量，获取与原始图像相近的图像结果。对于进行图像识别奠定较好的基础。选取信噪比最优的去噪图像作为最优去噪图像，从而保证图像为最清晰接近原始图像的图像。通过建立基于SVM的识别决策模型对最优去噪图像进行评分识别，当最优去噪图像所得分数大于初设阈值时，则判定最优去噪图像属于目标类别。若最优去噪图像所得分数低于初设阈值，则判定最优去噪图像为非目标类别图像，从而实现对不同类别的噪声图像的快速识别。

第二方面，本申请实施例提供一种基于专家场去噪结果优选的噪声图像识别系统，包括去噪模块、筛选模块、识别模块和判断模块：上述去噪模块用于获取待识别噪声图像，利用专家场模型对上述待识别噪声图像进行去噪处理，以获得不同信噪比的多个去噪图像；上述筛选模块用于选取信噪比最优的去噪图像，以获得最优去噪图像；上述识别模块用于建立基于SVM的识别决策模型，将上述最优去噪图像输入至上述识别决策模型，以对上述最优去噪图像进行评分识别；上述判断模块用于判断当基于SVM模型的得分高于阈值时，则上述最优去噪图像为目标类别图像，当基于SVM模型的得分低于上述阈值时，则上述最优去噪图像为非目标类别图像。

第三方面，本申请实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当一个或多个程序被处理器执行时，实现如上述第一方面中任一项的方法。

第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。

针对第二～第四方面，本申请实施例与第一方面的原理及有益效果相同，在此不必重复描述。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例一种基于专家场去噪结果优选的噪声图像识别方法的流程图；

图2为本发明实施例一种基于专家场去噪结果优选的噪声图像识别系统的原理图；

图3为本发明实施例一种电子设备的示意性结构框图。

图标：101-存储器，102-处理器，103-通信接口，201-去噪模块，202-筛选模块，203-识别模块，204-判断模块。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

在本申请的描述中，需要说明的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。

实施例1

请参阅图1，图1所示为本申请实施例提供的一种基于专家场去噪结果优选的噪声图像识别方法的流程图。

一种基于专家场去噪结果优选的噪声图像识别方法，包括以下步骤：

S110：获取待识别噪声图像，利用专家场模型对上述待识别噪声图像进行去噪处理，以获得不同峰值信噪比的多个去噪图像；

专家场模型为一种新型的高阶马尔可夫随机场模型，通过对待识别噪声图像利用专家场模型进行去噪处理，以获得不同信噪比的多个去噪图像，从而可以有效地提高图像质量，获取与原始图像相近的图像结果。对于进行图像识别奠定较好的基础。

S120：选取峰值信噪比最高的上述去噪图像以作为最优去噪图像；建立基于SVM的识别决策模型，将上述最优去噪图像输入至上述识别决策模型，以对上述最优去噪图像进行评分识别；

信噪比为信号与噪声的比例，其中，信噪比越大，则图片清晰度越高。在本实施例中，选取的信噪比最大的去噪图像作为最优去噪图像，可以保证为最佳清晰度的去噪图像。SVM支持向量机一种可以对数据进行二次分类的广义线性分类器，其通过在两类中选取最优超分平面将两类分开。其通过与待识别噪声图像同类和不同类大量样本训练以获得识别决策模型，其用于对目标类别图像和非目标类别图像进行分类。通过基于SVM训练出的识别决策模型，对最优去噪图像进行HOG特征提取，以获得特征向量，将特征向量输入至识别决策模型，识别决策模型计算获取一个分数：

S130：当所获得的分数高于初设阈值时，则上述最优去噪图像为目标类别图像，当所获得的分数低于上述初设阈值时，则上述最优去噪图像为非目标类别图像。

对于初设阈值的设定，其可以为0。当最优去噪图像所得分数大于初设阈值时，则判定最优去噪图像属于目标类别。若最优去噪图像所得分数低于初设阈值，则判定最优去噪图像为非目标类别图像，从而实现对噪声图像的识别。

在本发明的一些实施例中，上述利用专家场模型对上述识别噪声图像进行去噪处理的步骤包括以下步骤：利用不同尺寸的滤波器对上述待识别噪声图像进行迭代滤波，以得到多个去噪图像；对多个上述去噪图像进行峰值信噪比计算；选取峰值信噪比最高的图像以作为上述最优去噪图像。

利用训练样本，可以对专家场模型去噪的滤波器进行训练，分别获得不同尺寸的多种滤波器，其包括3*3的滤波器，5*5的滤波器，7*7的滤波器，利用3*3、5*5和7*7的滤波器对待识别噪声图像进行多次迭代滤波，从而获得多个去噪图像；其中通过滤波器对待识别噪声图像进行多次迭代滤波，从而能够提高滤波效果。在获取多个去噪图像后，对多个去噪图像进行峰值信噪比计算，其计算公式为：

在本发明的一些实施例中，上述建立识别决策模型的步骤包括以下步骤：从图像数据库选取多个初始样本，给上述初始样本添加不同类型噪声，以获得噪声样本；对上述噪声样本进行特征提取，以获取特征结果；利用SVM支持向量机对上述特征结果进行训练，以获得上述识别决策模型。

根据待识别图像的类别，从图像数据库选取多个样本图像，并从多个样本图像中选取三分之一数量的初始样本，给所获取的初始样本添加不同类型的噪声，从而获得噪声样本，对噪声样本进行特征提取，以获得噪声图像的特征图像，并通过SVM支持向量机进行训练，从而获得识别决策模型，通过噪声样本的训练方式，从而使得训练的识别决策模型更加稳定，即其抗变换性更高，进而能够提升对待识别噪声图像的识别效果。其中，特征提取可以为hog特征提取，hog特征即方向梯度直方图特征，其对图像几何和光学的形变都能保证优良的不变性。

在本发明的一些实施例中，上述噪声包括高斯噪声、泊松噪声和椒盐噪声中的一种或多种。

上述实施例中，高斯噪声为其概率密度函数服从高斯分布的噪声，泊松噪声则为符合泊松分布的噪声模型，椒盐噪声为脉冲噪声，其均为图像中常见噪声，通过给初始样本添加上述不同的噪声，从而以提升通过不同噪声样本训练出的识别决策模型对拥有不同噪声的待识别噪声图像的识别效果。

在本发明的一些实施例中，上述初始样本包括正样本和负样本，上述正样本为属于目标类别的图像，上述负样本为属于非目标类别的图像。

上述实施例中，正样本和负样本均为多个，其中正样本为与待识别噪声图像同类别的图像，负样本为与待识别噪声图像不同类别的图像。示例性的，如待识别噪声图像为长颈鹿图像，则正样本为属于长颈鹿的多幅图像，负样本则为非长颈鹿图像。其中，正样本和负样本的数量保证均衡，从而保证训练出的识别决策模型识别的精准度，识别结果不倾向于正样本或负样本。

在本发明的一些实施例中，上述方法还包括以下步骤：根据多个不同类别的上述待识别噪声图像，分别建立多个类别的上述识别决策模型，将多个上述识别决策模型结合以获得精准识别模型，上述精准识别模型用于对多个类别的上述待识别噪声图像进行识别。

上述实施例中，基于SVM的识别决策模型为二类分类模型，及识别待识别噪声图像及其同类别的图像，对于多个待识别图像的类别可以训练多个识别决策模型，将多个识别决策模型结合获得精准识别模型，从而可以同时识别多个类别的待识别噪声图像，从而实现对图像库中多种图像的精准识别。示例性的，与上述建立长颈鹿识别决策模型的步骤相同，同时可以建立老虎识别决策模型和狮子识别决策模型，将长颈鹿识别决策模型、老虎识别决策模型和狮子识别决策模型结合在一起，从而可以识别待识别噪声图像是否为长颈鹿、老虎或狮子中的任意一种。其中，所组合的不同类别的识别决策模型越多则所识别类别越多。

在本发明的一些实施例中，上述对上述噪声样本进行特征提取的步骤包括以下步骤：识别噪声样本中的一个目标物和多个标记物，根据目标物与任意一个标记物的大小特征、颜色特征和位置特征对比分别得到对比结果；根据上述对比结果选择不同标记物的局部图像作为各上述目标物的多个特征样本，根据上述特征样本以进行特征提取。

详细的，噪声样本中包括目标部分和背景部分，对噪声样本进行分割，从而将目标样本和背景部分分割出来。其中，多个标记物可以为与目标物处于背景部分的其他物体，根据目标物和标记物的大小特征、颜色特征和位置特征对比从而得到对比结果。其中，对比结果可以为大小差异、色差及位置的不同所在。通过对比结果，从而确定不同的标记物，对标记物选择其局部图像。作为相对于目标物的负特征样本，即区别于目标物的特征样本，对特征样本进行特征提取，再利用SVM支持向量机对所提取的特征进行训练，从而实现对噪声样本中的其他物体的学习，从而实现对属于同一噪声图像中多个不同目标的学习。所获得的识别决策模型在对待识别噪声样本进行识别时，能够识别目标，且能将图像中其他影响目标识别的物体进行区分，进一步地提升识别效果。

实施例2

请参阅图2，图2为本实施例提供的一种基于专家场去噪结果优选的噪声图像识别系统的原理图。

一种基于专家场去噪结果优选的噪声图像系统，其包括去噪模块201、筛选模块202、识别模块203和判断模块204：上述去噪模块201用于获取待识别噪声图像，利用专家场模型对上述待识别噪声图像进行去噪处理，以获得不同信噪比的多个去噪图像；上述筛选模块202用于选取信噪比最优的去噪图像，以获得最优去噪图像；上述识别模块203用于建立基于SVM的识别决策模型，将上述最优去噪图像输入至上述识别决策模型，以对上述最优去噪图像进行评分识别；上述判断模块204用于判断当基于SVM模型的得分高于阈值时，则上述最优去噪图像为目标类别图像，当基于SVM模型的得分低于上述阈值时，则上述最优去噪图像为非目标类别图像。

本实施例与实施例1中的原理及效果相同，在此不必做重复赘述。

实施例3

请参阅图3，图3为本申请实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，如本申请实施例所提供的基于专家场去噪结果优选的噪声图像系统对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。

其中，存储器101可以是但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。

处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

可以理解，图3所示的结构仅为示意，电子设备还可包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

综上所述，本申请实施例提供的一种基于专家场去噪结果优选的噪声图像方法及系统，其通过对待识别噪声图像利用专家场模型进行去噪处理，以获得不同信噪比的多个去噪图像，从而可以有效地提高图像质量，获取与原始图像相近的图像结果。对于进行图像识别奠定较好的基础。选取信噪比最优的去噪图像作为最优去噪图像，从而保证图像为最清晰接近原始图像的图像。通过建立基于SVM的识别决策模型对最优去噪图像进行评分识别，当最优去噪图像所得分数大于初设阈值时，则判定最优去噪图像属于目标类别。若最优去噪图像所得分数低于初设阈值，则判定最优去噪图像为非目标类别图像，从而实现对不同类别的噪声图像的快速识别。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。