(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210507448.7 (22)申请日 2022.05.10 (71)申请人 西华师范大学 地址 637000 四川省南充市顺庆区师 大路1 号 (72)发明人 贺俊东　赵婷婷　徐小钦　胥晓　 (74)专利代理 机构 北京品源专利代理有限公司 11332 专利代理师 苏舒音 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06K 9/62(2022.01) G06V 10/74(2022.01)G06V 10/40(2022.01) (54)发明名称 图像处理方法、 装置、 电子设备及存 储介质 (57)摘要 本发明实施例公开了一种图像处理方法、 装 置、 电子设备及存储介质。 该方法包括： 获取待分 类图像， 并确定待分类图像的特征向量； 将待分 类图像分别输入 各图像分类模型中， 得到与各实 际分类类别相对应的第一属性值； 确定特征向量 与各参考类别向量之间的相似度， 得到待分类图 像与各参考类别标识相对应的第二属性值； 基于 各第一属性值和各第二属性值， 确定待分类图像 对应的目标类别。 解决了 现有技术中基于单一图 像识别模型识别待分类图像， 得到识别结果， 导 致识别效率低的问题， 实现减少成本消耗的同 时， 达到提高图像识别精度和效率的效果。 权利要求书2页 说明书14页 附图3页 CN 114842261 A 2022.08.02 CN 114842261 A 1.一种图像处 理方法， 其特 征在于， 包括： 获取待分类图像， 并确定所述待分类图像的特 征向量； 将所述待分类图像分别输入各图像分类模型中， 得到与 各实际分类类别相对应的第 一 属性值； 确定所述特征向量与 各参考类别向量之间的相似度， 得到所述待分类图像与 各参考类 别标识相对应的第二属性 值； 其中， 参 考类别向量与各参 考类别标识相对应； 基于各第一属性 值和各第二属性 值， 确定所述待分类图像对应的目标类别。 2.根据权利要求1所述的方法， 其特征在于， 所述将所述待分类图像分别输入各图像分 类模型中， 得到与各实际分类 类别相对应的第一属性 值， 包括： 针对各图像分类模型， 将所述待分类图像输入至当前图像分类模型中， 得到与所述当 前图像分类模型 所对应的至少一个实际分类 类别的待 使用属性 值； 针对各实 际分类类别， 确定与当前实 际分类类别相对应的至少一个待使用属性值， 并 对所述至少一个待使用属性值均值处理， 得到与所述当前实际分类类别所对应的第一属性 值。 3.根据权利要求1所述的方法， 其特 征在于， 还 包括： 针对各参考类别标识， 获取与当前参考类别标识相对应的至少一个第一原始图像， 并 分别确定与所述第一原 始图像相对应的特 征向量； 通过对同一参考类别标识所对应的至少一个特征向量均值处理， 确定与各参考类别标 识相对应的参 考类别向量。 4.根据权利要求1所述的方法， 其特征在于， 所述基于各第一属性值和各第二属性值， 确定所述待分类图像对应的目标类别， 包括： 确定包括各实 际分类类别与各参考类别标识 的集合， 其中， 所述集合中包括至少一个 类别元素； 针对各类别元素， 确定与所述当前类别元素相对应的元素类型， 并依据所述元素类型 对所述当前类别元 素的第一属性 值和第二属性 值进行处 理， 确定目标类别。 5.根据权利要求 4所述的方法， 其特 征在于， 还 包括： 若所述当前类别元素的属性值中包括第 一属性值或第 二属性值， 则确定所述当前类别 元素所对应的元 素类型为第一类型； 或， 若所述当前类别元素的属性值中包括第 一属性值和第 二属性值， 则确定所述当前类别 元素所对应的元 素类型为第二类型。 6.根据权利要求5所述的方法， 其特征在于， 所述依据所述元素类型对所述当前类别元 素的第一属性 值和第二属性 值进行处 理， 确定目标类别， 包括： 若各元素类型均为第一类型， 则对各第一属性值和各第二属性值归一化处理， 得到与 每个类别元素所对应的第三属 性值， 并基于各第三属 性值， 确定所述待分类图像对应的目 标类别； 或， 若各元素类型中包括第 二类型， 则对所述当前类别元素的第 一属性值和第 二属性值均 值处理， 得到与所述当前类别元素相对应的第四属 性值， 并基于各类别元素所对应的第四 属性值， 确定所述待分类图像对应的目标类别。 7.根据权利要求1所述的方法， 其特 征在于， 还 包括：权　利　要　求　书 1/2 页 2 CN 114842261 A 2训练得到所述各图像分类模型； 所述训练得到所述各图像分类模型， 包括： 获取各待训练分类模型所对应的训练样本集； 其中， 所述训练样本集中包括至少一个 训练样本， 所述训练样本中包括与各实际分类 类别相对应的第二原 始图像； 针对各待训练分类模型， 将当前待训练分类模型所对应的当前训练样本 中的第二原始 图像作为所述当前待训练分类模型的输入， 将实际分类类别作为所述当前待训练分类模型 的输出， 训练所述当前待训练分类模型， 得到训练好的当前待训练分类模型； 将所述训练好的当前待训练分类模型重新作为当前待训练分类模型并训练， 直至所述 当前待训练分类模型的损失函数收敛， 得到相应的图像分类模型。 8.根据权利要求7所述的方法， 其特征在于， 所述将所述训练好的当前待训练分类模型 重新作为当前待训练分类模型并训练， 直至所述当前待训练分类模型 的损失函数收敛， 得 到相应的图像分类模型， 包括： 获取至少一个待标注图像； 将各待标注图像输入至所述训练好的当前待训练分类模型， 输出各待标注图像所对应 的实际分类类别以及相应的待处理属性值， 并将所述训练好的当前待训练分类模型重新作 为当前待训练分类模型； 基于预设属性值阈值、 各待处理属性值以及相应的实 际分类类别， 从各待标注图像中 确定目标 标注图像； 基于各目标标注图像更新所述训练样本集， 并基于更新后的训练样本集重新执行训练 当前待训练分类模型 的步骤， 直至所述当前待训练分类模型 的损失函数收敛， 得到相 应的 图像分类模型。 9.一种图像处 理装置， 其特 征在于， 包括： 特征向量确定模块， 用于获取待分类图像， 并确定所述待分类图像的特 征向量； 第一属性值获取模块， 用于将所述待分类图像分别输入各图像分类模型中， 得到与各 实际分类 类别相对应的第一属性 值； 第二属性值获取模块， 用于确定所述特征向量与各参考类别向量之间的相似度， 得到 所述待分类图像与各参考类别标识相对应的第二属 性值； 其中， 参考类别向量与各参考类 别标识相对应； 目标类别确定模块， 用于基于各第一属性值和各第二属性值， 确定所述待分类图像对 应的目标类别。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器 执行时实现如权利要求1 ‑8中任一所述的图像处 理方法。权　利　要　求　书 2/2 页 3 CN 114842261 A 3