[发明专利]图像处理方法、装置、电子设备及可读存储介质

说明书

本发明实施例提供一种图像处理方法、装置、电子设备及可读存储介质，属于图像处理领域。该方法包括：获取第一类图像集；提取每张所述第一类图像的特征向量；对所述第一类图像集中提取出的所有所述特征向量进行两两相似度计算获得每两个特征向量之间的偏差值；并根据所述特征向量之间的偏差值对所述第一类图像集进行清洗。本方案中，通过获取每张第一类图像的特征向量，然后基于特征向量对两两图像进行两两相似度计算，获得每两个特征向量之间的偏差值，以根据特征向量之间的偏差值对第一类图像集进行清洗，从而可以将第一类图像集中不满足相似度要求的图像剔除，从而避免了这些图像数据的干扰，达到较好的图像清洗的效果。

技术领域

本发明涉及图像处理领域，具体而言，涉及一种图像处理方法、装置、电子设备及可读存储介质。

背景技术

随着科学技术的发展，深度学习神经网络极大地促进了图像识别技术的发展，使得图像识别技术有了非常广泛的应用。但是神经网络非常依赖于数据，数据量足够并且值得信赖的数据集是神经网络取得好效果的前提。而为了对神经网络进行训练，需先获得大量的样本数据，目前公开的图像数据集大多是网络上收集的图片，质量参差不齐，有些图片可能非常模糊，图像中的特征不明显，有些图片可能被误认，这对于网络的训练十分不利，以致造成训练结果不理想，最后导致对图像进行识别时识别结果不准确的问题。而目前大多采用人工对图像进行清洗的方式，但是在数据量巨大的情况下，显然费时费力，且清洗的结果也不理想。

发明内容

本发明实施例的目的在于提供一种图像处理方法、装置、电子设备及可读存储介质。

第一方面，本发明实施例提供了一种图像处理方法，所述方法包括：

获取第一类图像集，所述第一类图像集包括多张第一类图像；

提取每张所述第一类图像的特征向量；

对所述第一类图像集中提取出的所有所述特征向量进行两两相似度计算，获得每两个特征向量之间的偏差值；并

根据所述特征向量之间的偏差值对所述第一类图像集进行清洗。

进一步地，根据所述特征向量之间的偏差值对所述第一类图像集进行清洗，包括：

针对每个特征向量，统计与其偏差值小于等于第一阈值的特征向量的个数；

确定所述个数最大的特征向量为所述第一类图像集的第一基准特征向量；

根据所述第一基准特征向量对所述第一类图像集进行清洗。

进一步地，根据所述第一基准特征向量对所述第一类图像集进行清洗，包括：

确定所述第一类图像集的所有图像的特征向量中与所述第一基准特征向量的偏差值大于所述第一阈值的特征向量，将确定出的特征向量对应的图像从所述第一类图像集中剔除。

进一步地，根据所述第一基准特征向量对所述第一类图像集进行清洗，包括：

确定所述第一类图像集的所有图像的特征向量中，既不与所述第一基准特征向量直接相似也不与所述第一基准特征向量间接相似的特征向量，将确定出的所述特征向量对应的图像从所述第一类图像集中剔除；

其中，与所述第一基准特征向量直接相似指：与所述第一基准特征向量的偏差值小于等于所述第一阈值；与所述第一基准特征向量间接相似指：与所述第一基准特征向量直接相似或间接相似的特征向量的偏差值小于等于所述第一阈值。

进一步地，根据所述特征向量之间的偏差值对所述第一类图像集进行清洗，包括：

若存在两个特征向量的偏差值小于等于第二阈值，则将两个特征向量中的一个对应的图像从所述第一类图像集中剔除，所述第二阈值小于所述第一阈值。