CN109255767A - 图像处理方法和装置 - Google Patents
图像处理方法和装置 Download PDFInfo
- Publication number
- CN109255767A CN109255767A CN201811125322.3A CN201811125322A CN109255767A CN 109255767 A CN109255767 A CN 109255767A CN 201811125322 A CN201811125322 A CN 201811125322A CN 109255767 A CN109255767 A CN 109255767A
- Authority
- CN
- China
- Prior art keywords
- image
- added
- target
- sample
- target area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000010076 replication Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000006854 communication Effects 0.000 description 6
- 238000012876 topography Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
- G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了图像处理方法和装置。该方法的一具体实施方式包括：获取图像，确定该图像所包含的目标所在的目标区域，其中，该目标区域的尺寸与图像尺寸的比例小于或等于预设比例阈值；提取该目标区域内的图像，基于所提取的图像，生成待添加图像；将该待添加图像添加到所获取的图像中，生成用于训练卷积神经网络的样本图像。本申请实施例能够通过向图像中添加包含小目标的图像，得到新的样本图像，以扩充训练样本集，让卷积神经网络得到更多检测小目标的训练，进而提高卷积神经网络检测小目标的速度和准确度。
Description
技术领域
本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及图像处理方法和装置。
背景技术
卷积神经网络是多层神经网络，擅长处理图像。而在处理图像的过程中，往往面积较大的目标容易被卷积神经网络捕捉并进行处理。图像中较小的目标则容易被卷积神经网络忽略。
发明内容
本申请实施例提出了图像处理方法和装置。
第一方面，本申请实施例提供了一种图像处理方法，包括：获取图像，确定图像所包含的目标所在的目标区域，其中，目标区域的尺寸与图像尺寸的比例小于或等于预设比例阈值；提取目标区域内的图像，基于所提取的图像，生成待添加图像；将待添加图像添加到所获取的图像中，生成用于训练卷积神经网络的样本图像。
在一些实施例中，基于所提取的图像，生成待添加图像，包括：复制所提取的图像，将复制得到的至少一个图像作为待添加图像。
在一些实施例中，基于所提取的图像，生成待添加图像，还包括：从复制得到的图像中，选取至少一个图像；采用至少一种预设变换矩阵，对所选取的图像进行仿射变换。
在一些实施例中，将待添加图像添加到所获取的图像中，包括：确定所获取的图像中的待替换区域，利用待添加图像替换待替换区域。
在一些实施例中，在生成用于训练卷积神经网络的样本图像之后，方法还包括：对样本图像中，所添加的目标区域进行标注，得到样本；将样本加入卷积神经网络的训练样本集；基于样本，训练卷积神经网络，得到训练后的卷积神经网络。
在一些实施例中，确定图像所包含的目标所在的目标区域，包括：对图像进行目标检测，得到图像中各个目标的目标框；从所得到的目标框中，确定尺寸与图像的尺寸的比例小于或等于预设比例阈值的至少一个目标框；将所确定的目标框所包括的区域作为目标区域。
第二方面，本申请实施例提供了一种图像处理装置，包括：获取单元，被配置成获取图像，确定图像所包含的目标所在的目标区域，其中，目标区域的尺寸与图像尺寸的比例小于或等于预设比例阈值；提取单元，被配置成提取目标区域内的图像，基于所提取的图像，生成待添加图像；生成单元，被配置成将待添加图像添加到所获取的图像中，生成用于训练卷积神经网络的样本图像。
在一些实施例中，提取单元，包括：复制模块，被配置成复制所提取的图像，将复制得到的至少一个图像作为待添加图像。
在一些实施例中，提取单元，还包括：选取模块，被配置成从复制得到的图像中，选取至少一个图像；变换模块，被配置成采用至少一种预设变换矩阵，对所选取的图像进行仿射变换。
在一些实施例中，生成单元，进一步被配置成：确定所获取的图像中的待替换区域，利用待添加图像替换待替换区域。
在一些实施例中，装置还包括：标注单元，被配置成对样本图像中，所添加的目标区域进行标注，得到样本；样本集扩充单元，被配置成将样本加入卷积神经网络的训练样本集；训练单元，被配置成基于样本，训练卷积神经网络，得到训练后的卷积神经网络。
在一些实施例中，获取单元，进一步被配置成：对图像进行目标检测，得到图像中各个目标的目标框；从所得到的目标框中，确定尺寸与图像的尺寸的比例小于或等于预设比例阈值的至少一个目标框；将所确定的目标框所包括的区域作为目标区域。
第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如图像处理方法中任一实施例的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如图像处理方法中任一实施例的方法。
本申请实施例提供的图像处理方案，首先，获取图像，确定图像所包含的目标所在的目标区域，其中，目标区域的尺寸与图像尺寸的比例小于或等于预设比例阈值。之后，提取目标区域内的图像，基于所提取的图像，生成待添加图像。最后，将待添加图像添加到所获取的图像中，生成用于训练卷积神经网络的样本图像。本申请实施例提供的方法能够通过向图像中添加包含小目标的图像，得到新的样本图像，以扩充训练样本集，让卷积神经网络得到更多检测小目标的训练，进而提高卷积神经网络检测小目标的速度和准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的图像处理方法的一个实施例的流程图；
图3是根据本申请的图像处理方法的一个应用场景的示意图；
图4是根据本申请的图像处理方法的又一个实施例的流程图；
图5是根据本申请的图像处理装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的图像处理方法或图像处理装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像处理应用、视频类应用、直播应用、即时通信工具、邮箱客户端、社交平台软件等。
这里的终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103提供支持的后台服务器。后台服务器可以对接收到的图像等数据进行分析等处理，并将处理结果(例如样本图像)反馈给终端设备。
需要说明的是，本申请实施例所提供的图像处理方法可以由服务器105或者终端设备101、102、103执行，相应地，图像处理装置可以设置于服务器105或者终端设备101、102、103中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的图像处理方法的一个实施例的流程200。该图像处理方法，包括以下步骤：
步骤201，获取图像，确定图像所包含的目标所在的目标区域，其中，目标区域的尺寸与图像尺寸的比例小于或等于预设比例阈值。
在本实施例中，图像处理方法的执行主体(例如图1所示的服务器或终端设备)可以获取图像，并且确定该图像所包含的目标所在的区域，将该区域作为目标区域。目标区域的尺寸与图像尺寸的比例小于或等于预设比例阈值，表明在图像中所呈现的目标较小。这里的尺寸可以是目标区域的宽、高、面积或者像素数等中的至少一项。
具体地，确定目标所在的目标区域可以采用多种方式。比如，上述执行主体可以接收人工标注的包含目标的矩形框，将该矩形框所围成的区域作为目标区域。此外，上述执行主体还可以利用卷积神经网络对图像进行检测，以得到包含目标的目标框。如果该目标框所围成的区域符合预设比例阈值，则可以将该目标框所围成的区域作为目标区域。
步骤202，提取目标区域内的图像，基于所提取的图像，生成待添加图像。
在本实施例中，上述执行主体可以提取目标区域内的图像，并且基于所提取的图像，生成待添加图像。待添加图像为有待于添加到所获取的图像中的图像。目标区域内的图像为所获取的图像中的局部图像，上述执行主体可以将目标区域所对应的局部图像从所获取的图像中取出。
具体地，可以利用多种方式，基于所提取的图像，生成待添加图像。举例来说，可以对提取的图像进行变换，比如旋转。还可以将提取的图像与预设的背景图像进行叠加等合并。
步骤203，将待添加图像添加到所获取的图像中，生成用于训练卷积神经网络的样本图像。
在本实施例中，上述执行主体可以将待添加图像添加到所获取的图像中，生成用于训练卷积神经网络的样本图像。这里的样本图像为用于训练卷积神经网络的图像。具体地，添加可以是各种对图像进行合并的方式。在这里，所添加到的图像中的位置可以是即时获取的，比如随机选取的，也可以是预先设定的。比如，上述执行主体可以利用待添加图像，替换所获取的图像中的与待添加图像尺寸相等的局部图像。具体地，所添加到的区域通常和图像中的目标区域没有重叠。
在本实施例的一些可选的实现方式中，上述将待添加图像添加到所获取的图像中，包括：
确定所获取的图像中的待替换区域，利用待添加图像替换所述待替换区域。
在这些可选的实现方式中，上述执行主体可以确定所获取的图像中的待替换区域，并利用待添加图像替换所确定的待替换区域。在替换后，待替换区域替换为待添加图像，这样，所生成的样本图像中则包含待添加图像。
上述执行主体可以将待添加图像的大小作为待替换区域的大小。在实践中，可以采用多种方式确定待替换区域。比如，可以在所获取的图像中随机确定待替换区域的位置，也可以预先设定待替换区域的中心，并基于待添加图像的大小，确定待替换区域。
在本实施例的一些可选的实现方式中，在步骤203之后，上述方法还可以包括：
对样本图像中，所添加的目标区域进行标注，得到样本；将样本加入卷积神经网络的训练样本集；基于样本，训练卷积神经网络，得到训练后的卷积神经网络。
在这些可选的实现方式中，上述执行主体可以标注所添加的各个目标区域，得到添加后生成的图像对应的样本。利用该样本训练卷积神经网络，以调整卷积神经网络的参数，最终得到训练后的卷积神经网络。这些可选的实现方式利用包含添加了小目标的样本训练卷积神经网络，可以使卷积神经网络更快速更准确地检测到小目标。
继续参见图3，图3是根据本实施例的图像处理方法的应用场景的一个示意图。在图3的应用场景中，执行主体301可以获取图像302，确定图像所包含的羽毛球图案所在的目标区域303，其中，目标区域303的尺寸与图像尺寸的比例为0.5％小于或等于预设比例阈值0.01；提取目标区域303内的包含羽毛球图案的图像304，基于所提取的图像304，生成待添加图像305，其中，待添加图像305中包括旋转100度后的羽毛球图案；将待添加图像305添加到所获取的图像中，生成用于训练卷积神经网络的样本图像306，这里的样本图像306包括原羽毛球图案和旋转100度后的羽毛球图案。
本申请的上述实施例提供的方法能够通过向图像中添加包含小目标的图像，得到新的样本图像，以扩充训练样本集，让卷积神经网络得到更多检测小目标的训练，进而提高卷积神经网络检测小目标的速度和准确度。
进一步参考图4，其示出了图像处理方法的又一个实施例的流程400。该图像处理方法的流程400，包括以下步骤：
步骤401，获取图像，确定图像所包含的目标所在的目标区域，其中，目标区域的尺寸与图像尺寸的比例小于或等于预设比例阈值。
在本实施例中，图像处理方法的执行主体(例如图1所示的服务器或终端设备)可以获取图像，并且确定该图像所包含的目标所在的区域，将该区域作为目标区域。目标区域的尺寸与图像尺寸的比例小于或等于预设比例阈值，表明图像中的目标较小。
步骤402，提取目标区域内的图像，复制所提取的图像，将复制得到的至少一个图像作为待添加图像。
在本实施例中，上述执行主体可以提取目标区域内的图像，并且复制所提取的图像，将复制得到的至少一个图像作为待添加图像。这样，将提取的图像进行复制，可以得到一个或者多个与所提取的图像相同的图像。
在本实施例的一些可选的实现方式中，可以从复制得到的图像中，选取至少一个图像；采用至少一种预设变换矩阵，对所选取的图像进行仿射变换。
在这些可选的实现方式中，上述执行主体可以从复制得到的图像中，选取至少一个图像进行仿射变换。具体地，这里的仿射变换可以是多种多样的，比如旋转、翻转等等。利用所提取的图像和仿射变换所用到的预设变换矩阵，可以得到仿射变换后的图像。具体地，可以将预设变换矩阵与所提取的图像对应的矩阵相乘，以进行仿射变换。
步骤403，将待添加图像添加到所获取的图像中，生成用于训练卷积神经网络的样本图像。
在本实施例中，上述执行主体可以将待添加图像添加到所获取的图像中，生成用于训练卷积神经网络的样本图像。这里的样本图像为用于训练卷积神经网络的图像。具体地，添加可以是各种对图像进行合并的方式。比如，上述执行主体可以利用待添加图像，替换所获取的图像的与待添加图像尺寸相等的局部图像。
本实施例可以利用复制向图像中添加更多的小目标，以使卷积神经网络对于小目标的检测得到更加充分的训练。进一步地，通过仿射变换，能够丰富小目标的呈现效果，让训练后的卷积神经网络能够在检测各种各样的小目标时都能快速而准确，而不是仅针对单一样式的小目标才灵敏。
在本申请的图像处理方法上述任一实施例的一些可选的实现方式中，上述确定图像所包含的目标所在的目标区域，包括：
对图像进行目标检测，得到图像中各个目标的目标框；从所得到的目标框中，确定尺寸与图像的尺寸的比例小于或等于预设比例阈值的至少一个目标框；将所确定的目标框所包括的区域作为目标区域。
在这些可选的实现方式中，上述执行主体可以对图像进行目标检测，以检测到包含目标的目标框。每个目标对应包含该目标的一个目标框。从分别包含各个目标的多个目标框中，确定尺寸符合预设比例阈值的至少一个目标框，并将目标框所包括的区域作为目标区域。
具体地，上述执行主体可以采用多种方式确定至少一个目标框。比如上述执行主体可以从检测到的各个目标框中随机确定至少一个目标框，也可以接收人工输入的目标框，还可以将检测到的所有尺寸符合预设比例阈值的目标框作为至少一个目标框。
本实施例在尺寸符合预设比例阈值的目标框中确定至少一个目标框，能够确保所确定的目标框所包含的目标尺寸较小，进而保证让卷积神经网络得到更多检测小目标的训练，提高卷积神经网络检测小目标的速度和准确度。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种图像处理装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的图像处理装置500包括：获取单元501、提取单元502和生成单元503。其中，获取单元501，被配置成获取图像，确定图像所包含的目标所在的目标区域，其中，目标区域的尺寸与图像尺寸的比例小于或等于预设比例阈值；提取单元502，被配置成提取目标区域内的图像，基于所提取的图像，生成待添加图像；生成单元503，被配置成将待添加图像添加到所获取的图像中，生成用于训练卷积神经网络的样本图像。
在一些实施例中，图像处理装置500的获取单元501可以获取图像，并且确定该图像所包含的目标所在的区域，将该区域作为目标区域。目标区域的尺寸与图像尺寸的比例小于或等于预设比例阈值，表明在图像中所呈现的目标较小。
提取单元502提取目标区域内的图像，并且基于所提取的图像，生成待添加图像。待添加图像为有待于添加到所获取的图像中的图像。目标区域内的图像为所获取的图像中的局部图像，上述执行主体可以将目标区域所对应的局部图像从所获取的图像中取出。
生成单元503可以将待添加图像添加到所获取的图像中，生成用于训练卷积神经网络的样本图像。这里的样本图像为用于训练卷积神经网络的图像。具体地，添加可以是各种对图像进行合并的方式。在这里，所添加到的图像中的位置可以是即时获取的，比如随机选取的，也可以是预先设定的。
在本实施例的一些可选的实现方式中，提取单元，包括：复制模块，被配置成复制所提取的图像，将复制得到的至少一个图像作为待添加图像。
在本实施例的一些可选的实现方式中，提取单元，还包括：选取模块，被配置成从复制得到的图像中，选取至少一个图像；变换模块，被配置成采用至少一种预设变换矩阵，对所选取的图像进行仿射变换。
在本实施例的一些可选的实现方式中，生成单元，进一步被配置成：确定所获取的图像中的待替换区域，利用待添加图像替换待替换区域。
在本实施例的一些可选的实现方式中，装置还包括：标注单元，被配置成对样本图像中，所添加的目标区域进行标注，得到样本；样本集扩充单元，被配置成将样本加入卷积神经网络的训练样本集；训练单元，被配置成基于样本，训练卷积神经网络，得到训练后的卷积神经网络。
在本实施例的一些可选的实现方式中，获取单元，进一步被配置成：对图像进行目标检测，得到图像中各个目标的目标框；从所得到的目标框中，确定尺寸与图像的尺寸的比例小于或等于预设比例阈值的至少一个目标框；将所确定的目标框所包括的区域作为目标区域。
下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU和/或GPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。中央处理单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示屏(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、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，该模块、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，两个接连地表示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操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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、提取单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取图像的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取图像，确定图像所包含的目标所在的目标区域，其中，目标区域的尺寸与图像尺寸的比例小于或等于预设比例阈值；提取目标区域内的图像，基于所提取的图像，生成待添加图像；将待添加图像添加到所获取的图像中，生成用于训练卷积神经网络的样本图像。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种图像处理方法，包括：
获取图像，确定所述图像所包含的目标所在的目标区域，其中，所述目标区域的尺寸与图像尺寸的比例小于或等于预设比例阈值；
提取所述目标区域内的图像，基于所提取的图像，生成待添加图像；
将所述待添加图像添加到所获取的图像中，生成用于训练卷积神经网络的样本图像。
2.根据权利要求1所述的方法，其中，所述基于所提取的图像，生成待添加图像，包括：
复制所提取的图像，将复制得到的至少一个图像作为待添加图像。
3.根据权利要求2所述的方法，其中，所述基于所提取的图像，生成待添加图像，还包括：
从复制得到的图像中，选取至少一个图像；
采用至少一种预设变换矩阵，对所选取的图像进行仿射变换。
4.根据权利要求1所述的方法，其中，所述将所述待添加图像添加到所获取的图像中，包括：
确定所获取的图像中的待替换区域，利用待添加图像替换所述待替换区域。
5.根据权利要求1所述的方法，其中，在所述生成用于训练卷积神经网络的样本图像之后，所述方法还包括：
对所述样本图像中，所添加的目标区域进行标注，得到样本；
将所述样本加入所述卷积神经网络的训练样本集；
基于样本，训练所述卷积神经网络，得到训练后的卷积神经网络。
6.根据权利要求1所述的方法，其中，所述确定所述图像所包含的目标所在的目标区域，包括：
对所述图像进行目标检测，得到所述图像中各个目标的目标框；
从所得到的目标框中，确定尺寸与所述图像的尺寸的比例小于或等于预设比例阈值的至少一个目标框；
将所确定的目标框所包括的区域作为所述目标区域。
7.一种图像处理装置，包括：
获取单元，被配置成获取图像，确定所述图像所包含的目标所在的目标区域，其中，所述目标区域的尺寸与图像尺寸的比例小于或等于预设比例阈值；
提取单元，被配置成提取所述目标区域内的图像，基于所提取的图像，生成待添加图像；
生成单元，被配置成将所述待添加图像添加到所获取的图像中，生成用于训练卷积神经网络的样本图像。
8.根据权利要求7所述的装置，其中，所述提取单元，包括：
复制模块，被配置成复制所提取的图像，将复制得到的至少一个图像作为待添加图像。
9.根据权利要求8所述的装置，其中，所述提取单元，还包括：
选取模块，被配置成从复制得到的图像中，选取至少一个图像；
变换模块，被配置成采用至少一种预设变换矩阵，对所选取的图像进行仿射变换。
10.根据权利要求7所述的装置，其中，所述生成单元，进一步被配置成：
确定所获取的图像中的待替换区域，利用待添加图像替换所述待替换区域。
11.根据权利要求7所述的装置，其中，所述装置还包括：
标注单元，被配置成对所述样本图像中，所添加的目标区域进行标注，得到样本；
样本集扩充单元，被配置成将所述样本加入所述卷积神经网络的训练样本集；
训练单元，被配置成基于样本，训练所述卷积神经网络，得到训练后的卷积神经网络。
12.根据权利要求7所述的装置，其中，所述获取单元，进一步被配置成：
对所述图像进行目标检测，得到所述图像中各个目标的目标框；
从所得到的目标框中，确定尺寸与所述图像的尺寸的比例小于或等于预设比例阈值的至少一个目标框；
将所确定的目标框所包括的区域作为所述目标区域。
13.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811125322.3A CN109255767B (zh) | 2018-09-26 | 2018-09-26 | 图像处理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811125322.3A CN109255767B (zh) | 2018-09-26 | 2018-09-26 | 图像处理方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109255767A true CN109255767A (zh) | 2019-01-22 |
| CN109255767B CN109255767B (zh) | 2021-03-12 |
Family
ID=65048096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811125322.3A Active CN109255767B (zh) | 2018-09-26 | 2018-09-26 | 图像处理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109255767B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110503146A (zh) * | 2019-08-21 | 2019-11-26 | 杭州比智科技有限公司 | 数据增强方法、装置、计算设备及计算机存储介质 |
| CN111709874A (zh) * | 2020-06-16 | 2020-09-25 | 北京百度网讯科技有限公司 | 图像调整的方法、装置、电子设备及存储介质 |
| CN112070137A (zh) * | 2020-08-27 | 2020-12-11 | 腾讯科技（深圳）有限公司 | 训练数据集的生成方法、目标对象检测方法及相关设备 |
| CN112241709A (zh) * | 2020-10-21 | 2021-01-19 | 北京字跳网络技术有限公司 | 图像处理方法、胡子变换网络的训练方法、装置 |
| CN112633357A (zh) * | 2020-12-18 | 2021-04-09 | 北京地平线信息技术有限公司 | 样本图像生成方法和装置、图像识别模型生成方法和装置 |
| CN112784675A (zh) * | 2020-11-25 | 2021-05-11 | 上海芯翌智能科技有限公司 | 目标检测方法及装置、存储介质、终端 |
| CN113873945A (zh) * | 2019-06-19 | 2021-12-31 | 株式会社岛津制作所 | 骨部图像解析方法和学习方法 |
| CN115205311A (zh) * | 2022-07-15 | 2022-10-18 | 小米汽车科技有限公司 | 图像处理方法、装置、车辆、介质及芯片 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106022300A (zh) * | 2016-06-02 | 2016-10-12 | 中国科学院信息工程研究所 | 基于级联深度学习的交通标志识别方法和系统 |
| CN107590456A (zh) * | 2017-09-06 | 2018-01-16 | 张栖瀚 | 一种高空视频监控中小微目标的检测方法 |
| CN107871134A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸检测方法及装置 |
| CN108122003A (zh) * | 2017-12-19 | 2018-06-05 | 西北工业大学 | 一种基于深度神经网络的弱小目标识别方法 |
| CN108171175A (zh) * | 2017-12-29 | 2018-06-15 | 苏州科达科技股份有限公司 | 一种深度学习样本增强系统及其运行方法 |
| CN108427920A (zh) * | 2018-02-26 | 2018-08-21 | 杭州电子科技大学 | 一种基于深度学习的边海防目标检测方法 |
| US20180247191A1 (en) * | 2017-02-03 | 2018-08-30 | Milestone Entertainment Llc | Architectures, systems and methods for program defined entertainment state system, decentralized cryptocurrency system and system with segregated secure functions and public functions |
| CN108509915A (zh) * | 2018-04-03 | 2018-09-07 | 百度在线网络技术（北京）有限公司 | 人脸识别模型的生成方法和装置 |
-
2018
- 2018-09-26 CN CN201811125322.3A patent/CN109255767B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106022300A (zh) * | 2016-06-02 | 2016-10-12 | 中国科学院信息工程研究所 | 基于级联深度学习的交通标志识别方法和系统 |
| CN107871134A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸检测方法及装置 |
| US20180247191A1 (en) * | 2017-02-03 | 2018-08-30 | Milestone Entertainment Llc | Architectures, systems and methods for program defined entertainment state system, decentralized cryptocurrency system and system with segregated secure functions and public functions |
| CN107590456A (zh) * | 2017-09-06 | 2018-01-16 | 张栖瀚 | 一种高空视频监控中小微目标的检测方法 |
| CN108122003A (zh) * | 2017-12-19 | 2018-06-05 | 西北工业大学 | 一种基于深度神经网络的弱小目标识别方法 |
| CN108171175A (zh) * | 2017-12-29 | 2018-06-15 | 苏州科达科技股份有限公司 | 一种深度学习样本增强系统及其运行方法 |
| CN108427920A (zh) * | 2018-02-26 | 2018-08-21 | 杭州电子科技大学 | 一种基于深度学习的边海防目标检测方法 |
| CN108509915A (zh) * | 2018-04-03 | 2018-09-07 | 百度在线网络技术（北京）有限公司 | 人脸识别模型的生成方法和装置 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113873945A (zh) * | 2019-06-19 | 2021-12-31 | 株式会社岛津制作所 | 骨部图像解析方法和学习方法 |
| CN110503146A (zh) * | 2019-08-21 | 2019-11-26 | 杭州比智科技有限公司 | 数据增强方法、装置、计算设备及计算机存储介质 |
| CN110503146B (zh) * | 2019-08-21 | 2021-12-14 | 杭州比智科技有限公司 | 数据增强方法、装置、计算设备及计算机存储介质 |
| CN111709874A (zh) * | 2020-06-16 | 2020-09-25 | 北京百度网讯科技有限公司 | 图像调整的方法、装置、电子设备及存储介质 |
| CN111709874B (zh) * | 2020-06-16 | 2023-09-08 | 北京百度网讯科技有限公司 | 图像调整的方法、装置、电子设备及存储介质 |
| CN112070137A (zh) * | 2020-08-27 | 2020-12-11 | 腾讯科技（深圳）有限公司 | 训练数据集的生成方法、目标对象检测方法及相关设备 |
| CN112241709A (zh) * | 2020-10-21 | 2021-01-19 | 北京字跳网络技术有限公司 | 图像处理方法、胡子变换网络的训练方法、装置 |
| CN112784675A (zh) * | 2020-11-25 | 2021-05-11 | 上海芯翌智能科技有限公司 | 目标检测方法及装置、存储介质、终端 |
| CN112784675B (zh) * | 2020-11-25 | 2023-06-30 | 上海芯翌智能科技有限公司 | 目标检测方法及装置、存储介质、终端 |
| CN112633357A (zh) * | 2020-12-18 | 2021-04-09 | 北京地平线信息技术有限公司 | 样本图像生成方法和装置、图像识别模型生成方法和装置 |
| CN115205311A (zh) * | 2022-07-15 | 2022-10-18 | 小米汽车科技有限公司 | 图像处理方法、装置、车辆、介质及芯片 |
| CN115205311B (zh) * | 2022-07-15 | 2024-04-05 | 小米汽车科技有限公司 | 图像处理方法、装置、车辆、介质及芯片 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109255767B (zh) | 2021-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109255767A (zh) | 图像处理方法和装置 | |
| CN108898185A (zh) | 用于生成图像识别模型的方法和装置 | |
| CN108830235A (zh) | 用于生成信息的方法和装置 | |
| CN109389640A (zh) | 图像处理方法和装置 | |
| CN109308681A (zh) | 图像处理方法和装置 | |
| CN109308469A (zh) | 用于生成信息的方法和装置 | |
| CN108986169A (zh) | 用于处理图像的方法和装置 | |
| CN109344762A (zh) | 图像处理方法和装置 | |
| CN109063653A (zh) | 图像处理方法和装置 | |
| CN109242801A (zh) | 图像处理方法和装置 | |
| CN109308490A (zh) | 用于生成信息的方法和装置 | |
| CN109410253B (zh) | 用于生成信息的方法、装置、电子设备和计算机可读介质 | |
| CN108345387A (zh) | 用于输出信息的方法和装置 | |
| CN109255337A (zh) | 人脸关键点检测方法和装置 | |
| CN108984399A (zh) | 检测界面差异的方法、电子设备和计算机可读介质 | |
| CN108882025A (zh) | 视频帧处理方法和装置 | |
| CN109711508A (zh) | 图像处理方法和装置 | |
| CN109272050B (zh) | 图像处理方法和装置 | |
| CN109118456A (zh) | 图像处理方法和装置 | |
| CN108510084A (zh) | 用于生成信息的方法和装置 | |
| CN109241934A (zh) | 用于生成信息的方法和装置 | |
| CN110516099A (zh) | 图像处理方法和装置 | |
| CN108171167B (zh) | 用于输出图像的方法和装置 | |
| CN109582317A (zh) | 用于调试寄宿应用的方法和装置 | |
| CN108573054A (zh) | 用于推送信息的方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee after: Douyin Vision Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee before: Tiktok vision (Beijing) Co.,Ltd. Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee after: Tiktok vision (Beijing) Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd. |