CN109584196A - 数据集生成方法、装置、电子设备及存储介质 - Google Patents
数据集生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN109584196A CN109584196A CN201811562000.5A CN201811562000A CN109584196A CN 109584196 A CN109584196 A CN 109584196A CN 201811562000 A CN201811562000 A CN 201811562000A CN 109584196 A CN109584196 A CN 109584196A
- Authority
- CN
- China
- Prior art keywords
- image
- data set
- model
- images
- picture quality
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20172—Image enhancement details
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本公开是关于一种数据集生成方法、装置、电子设备及存储介质,属于深度学习领域。所述方法包括:获取多个第一图像;对于所述多个第一图像中的每个第一图像,将所述第一图像输入图像处理模型,输出所述第一图像对应的第二图像,所述图像处理模型用于根据输入的第一图像输出第二图像,所述第一图像的图像质量高于所述第二图像的图像质量;根据所述多个第一图像以及所述多个第一图像对应的多个第二图像,生成数据集。本公开简单易于实现,可以大大提高数据集的生成效率。
Description
技术领域
本公开涉及深度学习领域,尤其涉及一种数据集生成方法、装置、电子设备及存储介质。
背景技术
图像增强是指将低质量图像转换为高质量图像,以改善图像的视觉效果。相比于低质量图像,高质量图像的亮度、对比度和饱和度等参数得到了增强,所以高质量图像看起来更清晰和更美观。采用深度学习方法训练得到具有图像增强能力的图像增强模型,使用该图像增强模型实现图像增强是一种广泛使用的技术手段,而图像增强模型的训练需要数据集,该数据集中包含大量成对的高质量图像和低质量图像。
相关技术中,一般通过下述过程来生成数据集:通过人工调整相机的参数,对同一场景进行连续的图像采集,得到多张不同曝光的图像,利用多曝光融合算法,将这些图像进行配准和融合,将融合得到的图像作为高质量图像,然后在多张不同曝光的图像中选择一张曝光适中的图像作为低质量图像,通过这种方法得到多对高质量图像和低质量图像,以此来生成数据集。
上述技术需要连续采集多张不同曝光的图像,同时针对运动场景,由于运动场景中的目标会发生运动,该多张不同曝光的图像的同一局部区域包含的内容可能不同,导致配准和融合过程难以实现,数据集的生成效率低。
发明内容
本公开提供一种数据集生成方法、装置、电子设备及存储介质,能够克服数据集的生成效率低的问题。
根据本公开实施例的第一方面,提供一种数据集生成方法,包括:
获取多个第一图像;
对于所述多个第一图像中的每个第一图像,将所述第一图像输入图像处理模型,输出所述第一图像对应的第二图像,所述图像处理模型用于根据输入的第一图像输出第二图像,所述第一图像的图像质量高于所述第二图像的图像质量;
根据所述多个第一图像以及所述多个第一图像对应的多个第二图像,生成数据集。
在一种可能实现方式中,基于初始数据集进行训练,得到所述图像处理模型,所述初始数据集包含多个样本第一图像和多个样本第二图像,每个样本第一图像对应一个样本第二图像,所述样本第一图像的图像质量高于所述样本第二图像的图像质量。
在一种可能实现方式中,所述根据所述多个第一图像以及所述多个第一图像对应的多个第二图像,生成数据集,包括:
根据所述多个第一图像、所述多个第一图像对应的多个第二图像和所述初始数据集,生成所述数据集。
在一种可能实现方式中,所述方法还包括:
基于所述数据集进行训练,得到图像增强模型,所述图像增强模型用于根据输入的第二图像输出对应的第一图像。
在一种可能实现方式中,所述多个第一图像包含多种场景下采集到的第一图像。
根据本公开实施例的第二方面,提供一种数据集生成装置,包括:
获取模块,被配置为执行获取多个第一图像;
处理模块,被配置为执行对于所述多个第一图像中的每个第一图像,将所述第一图像输入图像处理模型,输出所述第一图像对应的第二图像,所述图像处理模型被配置为执行根据输入的第一图像输出第二图像,所述第一图像的图像质量高于所述第二图像的图像质量;
生成模块,被配置为执行根据所述多个第一图像以及所述多个第一图像对应的多个第二图像,生成数据集。
在一种可能实现方式中,所述获取模块还被配置为执行基于初始数据集进行训练,得到所述图像处理模型,所述初始数据集包含多个样本第一图像和多个样本第二图像,每个样本第一图像对应一个样本第二图像,所述样本第一图像的图像质量高于所述样本第二图像的图像质量。
在一种可能实现方式中,所述生成模块被配置为执行根据所述多个第一图像、所述多个第一图像对应的多个第二图像和所述初始数据集,生成所述数据集。
在一种可能实现方式中,所述获取模块还被配置为执行基于所述数据集进行训练,得到图像增强模型,所述图像增强模型被配置为执行根据输入的第二图像输出对应的第一图像。
在一种可能实现方式中,所述多个第一图像包含多种场景下采集到的第一图像。
根据本公开实施例的第三方面,提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取多个第一图像;
对于所述多个第一图像中的每个第一图像,将所述第一图像输入图像处理模型,输出所述第一图像对应的第二图像,所述图像处理模型用于根据输入的第一图像输出第二图像,所述第一图像的图像质量高于所述第二图像的图像质量;
根据所述多个第一图像以及所述多个第一图像对应的多个第二图像,生成数据集。
根据本公开实施例的第四方面,提供了一种非临时性计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行下述数据集生成方法:
获取多个第一图像;
对于所述多个第一图像中的每个第一图像,将所述第一图像输入图像处理模型,输出所述第一图像对应的第二图像,所述图像处理模型用于根据输入的第一图像输出第二图像,所述第一图像的图像质量高于所述第二图像的图像质量;
根据所述多个第一图像以及所述多个第一图像对应的多个第二图像,生成数据集。
根据本公开实施例的第五方面,提供一种计算机程序产品,当所述计算机程序产品中的指令由电子设备的处理器执行时,使得电子设备能够执行下述数据集生成方法:
获取多个第一图像;
对于所述多个第一图像中的每个第一图像,将所述第一图像输入图像处理模型,输出所述第一图像对应的第二图像,所述图像处理模型用于根据输入的第一图像输出第二图像,所述第一图像的图像质量高于所述第二图像的图像质量;
根据所述多个第一图像以及所述多个第一图像对应的多个第二图像,生成数据集。
本公开的实施例提供的技术方案可以包括以下有益效果:
通过图像处理模型,将图像质量高的第一图像生成图像质量低的第二图像,然后使用第一图像和得到的第二图像生成用于图像增强的数据集。上述技术考虑到生成高质量图像困难,但是生成低质量图像相对容易,通过这种反向思想生成数据集,简单易于实现,可以大大提高数据集的生成效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种数据集生成方法的流程图。
图2是根据一示例性实施例示出的一种数据集生成方法的流程图。
图3是根据一示例性实施例示出的一种数据集生成方法的流程图。
图4是根据一示例性实施例示出的一种数据集生成装置的框图。
图5是根据一示例性实施例示出的一种电子设备500的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种数据集生成方法的流程图,如图1所示,数据集生成方法用于电子设备中,包括以下步骤:
在步骤S11中,获取多个第一图像。
在步骤S12中,对于该多个第一图像中的每个第一图像,将该第一图像输入图像处理模型,输出该第一图像对应的第二图像,该图像处理模型用于根据输入的第一图像输出第二图像,该第一图像的图像质量高于该第二图像的图像质量。
在步骤S13中,根据该多个第一图像以及该多个第一图像对应的多个第二图像,生成数据集。
本公开实施例提供的方法,通过图像处理模型,将图像质量高的第一图像生成图像质量低的第二图像,然后使用第一图像和得到的第二图像生成用于图像增强的数据集。上述技术考虑到生成高质量图像困难,但是生成低质量图像相对容易,通过这种反向思想生成数据集,简单易于实现,可以大大提高数据集的生成效率。
在一种可能实现方式中,该图像处理模型的训练过程包括:
基于初始数据集进行训练,得到该图像处理模型,该初始数据集包含多个样本第一图像和多个样本第二图像,每个样本第一图像对应一个样本第二图像,该样本第一图像的图像质量高于该样本第二图像的图像质量。
在一种可能实现方式中,该根据该多个第一图像以及该多个第一图像对应的多个第二图像,生成数据集,包括:
根据该多个第一图像、该多个第一图像对应的多个第二图像和该初始数据集,生成该数据集。
在一种可能实现方式中,该方法还包括:
基于该数据集进行训练,得到图像增强模型,该图像增强模型用于根据输入的第二图像输出对应的第一图像。
在一种可能实现方式中,该多个第一图像包含多种场景下采集到的第一图像。
上述所有可选技术方案,可以采用任意结合形成本公开的可选实施例,在此不再一一赘述。
图2是根据一示例性实施例示出的一种数据集生成方法的流程图,如图2所示,数据集生成方法用于电子设备中,包括以下步骤:
在步骤S21中,基于初始数据集进行训练,得到图像处理模型,该图像处理模型用于根据输入的第一图像输出第二图像,该第一图像的图像质量高于该第二图像的图像质量。
其中,该初始数据集包含多个样本第一图像和多个样本第二图像,每个样本第一图像对应一个样本第二图像,样本第一图像的图像质量高于样本第二图像的图像质量。
本公开实施例中,相比于第二图像,第一图像的亮度、对比度和饱和度等参数得到了增强,图像质量更高,可以称为高质量图像,第一图像可以提供更多的图像细节,更好的反映出真实场景中的视觉效果。相比于第一图像,第二图像的图像质量更低,可以称为低质量图像,第二图像提供的图像细节较少,不能较好的反映出真实场景中的视觉效果。
针对初始数据集的来源,该初始数据集可以来源于已有数据集,比如业界公开使用的数据集。当然,该初始数据集也可以由电子设备利用图像处理算法得到。例如,电子设备可以采用任一种图像增强算法,对多个第二图像进行处理,得到对应的多个第一图像,将该多个第二图像作为多个样本第二图像,将得到的多个第一图像作为多个样本第一图像,得到该初始数据集。或者,电子设备可以采用图像处理算法,对多个第一图像进行处理,得到对应的多个第二图像,将该多个第一图像作为多个样本第一图像,将得到的多个第二图像作为多个样本第二图像,得到该初始数据集。其中,该图像处理算法可以是任一种能够将第一图像转换为第二图像的算法。当然,电子设备也可以根据用户简单的操作,来实现将第一图像转换为第二图像。
针对图像处理模型的训练过程,电子设备可以将初始数据集中的多个样本第一图像作为模型的输入,将初始数据集中的多个样本第二图像作为模型的输出,进行模型训练,该模型可以学习将高质量图像映射为低质量图像的过程,这样训练得到的图像处理模型具备将任一第一图像映射为对应的第二图像的能力。
电子设备在进行模型训练时,可以采用预设训练算法,该预设训练算法可以是神经网络算法,包含但不限于CNN(Convolutional Neural Networks,卷积神经网络)、RNN(Recurrent Neural Networks,循环神经网络)和DNN(Deep Neural Networks,深度神经网络)等。电子设备可以基于初始数据集,训练初始的神经网络模型,将训练后的神经网络模型作为图像处理模型。
可选地,考虑到该图像处理模型仅用于生成数据集,并不用于实现图像增强,该图像处理模型并不需要提供给有图像增强需求的用户使用,可以不用考虑该图像处理模型在各种设备上的运行速度以及对图像实时性处理的需求,因此,用于训练得到该图像处理模型的神经网络模型的结构可以比较复杂,这样训练得到的图像处理模型的结构也比较复杂,可以具有较高的图像处理性能。
需要说明的是,该步骤S21为可选步骤。该步骤S21是将图像质量高的第一图像生成图像质量低的第二图像之前需要执行的步骤,并不是每次将第一图像生成第二图像时均需要执行该步骤,保证在将第一图像生成第二图像时,已经训练得到该图像处理模型即可。本公开实施例是以电子设备在步骤S21中通过模型训练得到图像处理模型为例进行说明,可以理解的是,电子设备也可以预先通过模型训练得到该图像处理模型后,将其存储在本地或其他设备上,这样,在该步骤S21中电子设备可以直接调用该图像处理模型,或其他设备中获取该图像处理模型。当然,该图像处理模型也可以由一个另一个设备训练得到后发送给该电子设备,由电子设备对该图像处理模型进行存储。
通过利用生成高质量图像比较难,生成低质量图像相对容易,也更容易进行模型拟合的思想,基于有限的初始数据集进行模型训练,得到用于将高质量图像映射为低质量图像的图像处理模型,进而可以利用该图像处理模型,扩充初始数据集。
在步骤S22中,获取多个第一图像。
在一种可能实现方式中,该多个第一图像包含多种场景下采集到的第一图像。该多种场景包含但不限于夜晚、运动场景、田野和天空等。
本公开实施例中,该多个第一图像可以来源于网络,如电子设备可以根据用户的下载操作,从网上下载该多个第一图像。例如,用户可以在电子设备上浏览各个用户上传到网上的图像,挑选用户认为图像质量较高的多个图像进行下载操作,触发电子设备下载得到该多个图像,将该多个图像作为多个第一图像。
当然,该多个第一图像也可以由电子设备采集得到,例如,电子设备具有图像采集功能,用户可以使用该电子设备对多个场景进行图像采集,得到多个图像,将采集得到的多个图像作为多个第一图像。或者,电子设备也可以采用任一种图像增强算法,对图像质量低的多个第二图像进行处理,得到图像质量高的多个第一图像,本公开实施例对该多个第一图像的来源不做限定。
在步骤S23中,对于该多个第一图像中的每个第一图像,将该第一图像输入图像处理模型,输出该第一图像对应的第二图像。
本公开实施例中,电子设备可以通过图像处理模型,将多个第一图像中的每个第一图像映射为对应的第二图像,从而得到成对的多个第一图像和多个第二图像。
在步骤S24中,根据该多个第一图像、该多个第一图像对应的多个第二图像和该初始数据集,生成数据集。
本公开实施例中,多个第一图像和多个第二图像之间存在一一映射关系,初始数据集中的多个样本第一图像和多个样本第二图像之间存在一一映射关系,电子设备可以将这些图像生成一个数据集,该数据集中包含成对的多个高质量图像和多个低质量图像,相比于用于初始数据集,达到了扩充数据集的目的。
需要说明的是,该步骤S24是根据该多个第一图像以及该多个第一图像对应的多个第二图像,生成数据集的一种可能实现方式。通过图像处理模型,使用图像质量低的第一图像生成图像质量高的第二图像,然后使用该第一图像和该第二图像扩充初始数据集,得到用于图像增强的数据集,方法简单易于实现,可以大大提高数据集的生成效率。
在步骤S25中,基于该数据集进行训练,得到图像增强模型,该图像增强模型用于根据输入的第二图像输出对应的第一图像。
本公开实施例中,电子设备可以将数据集中的多个低质量图像(初始数据集中的样本第二图像和通过步骤S23得到的多个第二图像)作为模型的输入,将多个高质量图像(初始数据集中的样本第一图像和通过步骤S22得到的多个第一图像)作为模型的输出,进行模型训练,该模型可以学习将图像质量低的第二图像映射为图像质量高的第一图像的过程,这样训练得到的图像增强模型具备将任一第二图像映射为对应的第一图像的能力。
与图像处理模型的训练同理,电子设备在训练图像增强模型时,可以采用预设训练算法,该预设训练算法可以是神经网络算法,电子设备可以基于扩充后的数据集,训练初始的神经网络模型,将训练后的神经网络模型作为图像增强模型。
可选地,考虑到该图像增强模型用于实现图像增强,需要考虑该图像增强模型投入使用后,在各种设备上的运行速度以及对图像实时性处理的需求,因此,用于训练得到该图像增强模型的神经网络模型的结构可以相对简单,这样训练得到的图像增强模型的结构也相对简单,可以在各种设备上拥有较高的运行速度,可以很好的满足对图像实时性处理的需求。
需要说明的是,该步骤S25为可选步骤,也即是,本公开实施例通过上述步骤S21至步骤S24生成用于训练图像增强模型的数据集后,即实现了数据集的生成,可以不执行步骤S25。
为了便于更直观的理解本公开实施例提供的数据集生成方法,下面将结合图3提供的一种数据集生成方法的流程图,用高质量图像表示第一图像,低质量图像表示第二图像,从整体上对本公开实施例提供的技术方案进行说明。参见图3,提供了一种数据集生成方法的流程图,如图3所示,将初始数据集中的高质量图像集Y1(多个样本高质量图像)作为输入,将初始数据集中的低质量图像集X1(多个样本低质量图像)作为输出,通过模型训练(网络拟合)学习将高质量图像映射为低质量图像,由此得到图像处理模型A,进而,收集高质量图像集Y2(多个高质量图像),将高质量图像集Y2作为输入,通过图像处理模型A,输出低质量图像集X2(多个低质量图像),然后将得到的低质量图像集X2和原有的低质量图像集X1合并,作为训练图像增强模型时的输入,将收集的高质量图像集Y2和原有的高质量图像集Y1合并,作为训练图像增强模型时的输出,由此达到了扩充数据集的目的,进而可以通过模型训练学习将低质量图像映射为高质量图像,由此得到图像增强模型B。
本公开实施例利用有限的初始数据集,通过网络训练得到图像处理模型,通过该图像处理模型,使用高质量图像生成低质量图像,然后使用该高质量图像和该低质量图像扩充初始数据集,得到用于图像增强的数据集,解决了基于深度学习的图像增强数据集生成困难的问题。本公开考虑到由低质量图像生成高质量图像比较困难,但是由高质量图像生成低质量图像相对容易,也更容易进行模型拟合,通过这种反向思想,将用于图像增强的数据集进行扩充,方法简单且可重复性强,由于可以使用更多场景的图像来扩充数据集,进而可以通过网络训练得到用于图像增强的图像增强模型,从而极大的提升了图像增强模型的泛化性能,该泛化性能是指对多种场景的图像实现图像增强的性能。
本公开实施例提供的方法,通过图像处理模型,将图像质量高的第一图像生成图像质量低的第二图像,然后使用第一图像和得到的第二图像生成用于图像增强的数据集。上述技术考虑到生成高质量图像困难,但是生成低质量图像相对容易,通过这种反向思想生成数据集,简单易于实现,可以大大提高数据集的生成效率。
图4是根据一示例性实施例示出的一种数据集生成装置的框图。参照图4,该装置包括获取模块401,处理模块402和生成模块403。
该获取模块401被配置为执行获取多个第一图像;
该处理模块402被配置为执行对于该多个第一图像中的每个第一图像,将该第一图像输入图像处理模型,输出该第一图像对应的第二图像,该图像处理模型被配置为执行根据输入的第一图像输出第二图像,该第一图像的图像质量高于该第二图像的图像质量;
该生成模块403被配置为执行根据该多个第一图像以及该多个第一图像对应的多个第二图像,生成数据集。
在一种可能实现方式中,该获取模块401还被配置为执行基于初始数据集进行训练,得到该图像处理模型,该初始数据集包含多个样本第一图像和多个样本第二图像,每个样本第一图像对应一个样本第二图像,该样本第一图像的图像质量高于该样本第二图像的图像质量。
在一种可能实现方式中,该生成模块403被配置为执行根据该多个第一图像、该多个第一图像对应的多个第二图像和该初始数据集,生成该数据集。
在一种可能实现方式中,该获取模块401还被配置为执行基于该数据集进行训练,得到图像增强模型,该图像增强模型被配置为执行根据输入的第二图像输出对应的第一图像。
在一种可能实现方式中,该多个第一图像包含多种场景下采集到的第一图像。
本公开实施例中,通过图像处理模型,将图像质量高的第一图像生成图像质量低的第二图像,然后使用第一图像和得到的第二图像生成用于图像增强的数据集。上述技术考虑到生成高质量图像困难,但是生成低质量图像相对容易,通过这种反向思想生成数据集,简单易于实现,可以大大提高数据集的生成效率。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图5是根据一示例性实施例示出的一种电子设备500的框图,该电子设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)501和一个或一个以上的存储器502,其中,该存储器502中存储有至少一条指令,该至少一条指令由该处理器501加载并执行以实现上述各个方法实施例提供的数据集生成方法。当然,该电子设备还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该电子设备还可以包括其他用于实现设备功能的部件,在此不做赘述。
在示例性实施例中,还提供了一种非临时性计算机可读存储介质,当该存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行下述数据集生成方法:
获取多个第一图像;
对于该多个第一图像中的每个第一图像,将该第一图像输入图像处理模型,输出该第一图像对应的第二图像,该图像处理模型用于根据输入的第一图像输出第二图像,该第一图像的图像质量高于该第二图像的图像质量;
根据该多个第一图像以及该多个第一图像对应的多个第二图像,生成数据集。
例如,该非临时性计算机可读存储介质可以是只读内存(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、只读光盘(Compact Disc Read-OnlyMemory,CD-ROM)、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种计算机程序产品,当该计算机程序产品中的指令由电子设备的处理器执行时,使得电子设备能够执行下述数据集生成方法:
获取多个第一图像;
对于该多个第一图像中的每个第一图像,将该第一图像输入图像处理模型,输出该第一图像对应的第二图像,该图像处理模型用于根据输入的第一图像输出第二图像,该第一图像的图像质量高于该第二图像的图像质量;
根据该多个第一图像以及该多个第一图像对应的多个第二图像,生成数据集。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种数据集生成方法,其特征在于,包括:
获取多个第一图像;
对于所述多个第一图像中的每个第一图像,将所述第一图像输入图像处理模型,输出所述第一图像对应的第二图像,所述图像处理模型用于根据输入的第一图像输出第二图像,所述第一图像的图像质量高于所述第二图像的图像质量;
根据所述多个第一图像以及所述多个第一图像对应的多个第二图像,生成数据集。
2.根据权利要求1所述的数据集生成方法,其特征在于,所述图像处理模型的训练过程包括:
基于初始数据集进行训练,得到所述图像处理模型,所述初始数据集包含多个样本第一图像和多个样本第二图像,每个样本第一图像对应一个样本第二图像,所述样本第一图像的图像质量高于所述样本第二图像的图像质量。
3.根据权利要求2所述的数据集生成方法,其特征在于,所述根据所述多个第一图像以及所述多个第一图像对应的多个第二图像,生成数据集,包括:
根据所述多个第一图像、所述多个第一图像对应的多个第二图像和所述初始数据集,生成所述数据集。
4.根据权利要求1至3任一项所述的数据集生成方法,其特征在于,所述方法还包括:
基于所述数据集进行训练,得到图像增强模型,所述图像增强模型用于根据输入的第二图像输出对应的第一图像。
5.一种数据集生成装置,其特征在于,包括:
获取模块,被配置为执行获取多个第一图像;
处理模块,被配置为执行对于所述多个第一图像中的每个第一图像,将所述第一图像输入图像处理模型,输出所述第一图像对应的第二图像,所述图像处理模型被配置为执行根据输入的第一图像输出第二图像,所述第一图像的图像质量高于所述第二图像的图像质量;
生成模块,被配置为执行根据所述多个第一图像以及所述多个第一图像对应的多个第二图像,生成数据集。
6.根据权利要求5所述的数据集生成装置,其特征在于,所述获取模块还被配置为执行基于初始数据集进行训练,得到所述图像处理模型,所述初始数据集包含多个样本第一图像和多个样本第二图像,每个样本第一图像对应一个样本第二图像,所述样本第一图像的图像质量高于所述样本第二图像的图像质量。
7.根据权利要求6所述的数据集生成装置,其特征在于,所述生成模块被配置为执行根据所述多个第一图像、所述多个第一图像对应的多个第二图像和所述初始数据集,生成所述数据集。
8.根据权利要求5至7任一项所述的数据集生成装置,其特征在于,所述获取模块还被配置为执行基于所述数据集进行训练,得到图像增强模型,所述图像增强模型被配置为执行根据输入的第二图像输出对应的第一图像。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取多个第一图像;
对于所述多个第一图像中的每个第一图像,将所述第一图像输入图像处理模型,输出所述第一图像对应的第二图像,所述图像处理模型用于根据输入的第一图像输出第二图像,所述第一图像的图像质量高于所述第二图像的图像质量;
根据所述多个第一图像以及所述多个第一图像对应的多个第二图像,生成数据集。
10.一种非临时性计算机可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行一种数据集生成方法,所述方法包括:
获取多个第一图像;
对于所述多个第一图像中的每个第一图像,将所述第一图像输入图像处理模型,输出所述第一图像对应的第二图像,所述图像处理模型用于根据输入的第一图像输出第二图像,所述第一图像的图像质量高于所述第二图像的图像质量;
根据所述多个第一图像以及所述多个第一图像对应的多个第二图像,生成数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811562000.5A CN109584196A (zh) | 2018-12-20 | 2018-12-20 | 数据集生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811562000.5A CN109584196A (zh) | 2018-12-20 | 2018-12-20 | 数据集生成方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109584196A true CN109584196A (zh) | 2019-04-05 |
Family
ID=65930211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811562000.5A Pending CN109584196A (zh) | 2018-12-20 | 2018-12-20 | 数据集生成方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109584196A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796015A (zh) * | 2019-09-27 | 2020-02-14 | 深圳市大拿科技有限公司 | 一种远程监控方法及其装置 |
CN112288638A (zh) * | 2019-07-27 | 2021-01-29 | 华为技术有限公司 | 图像增强设备以及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968775A (zh) * | 2012-11-02 | 2013-03-13 | 清华大学 | 基于超分辨率重建技术的低分辨率人脸图像的重建方法 |
CN106709875A (zh) * | 2016-12-30 | 2017-05-24 | 北京工业大学 | 一种基于联合深度网络的压缩低分辨率图像复原方法 |
CN106910175A (zh) * | 2017-02-28 | 2017-06-30 | 武汉大学 | 一种基于深度学习的单幅图像去雾算法 |
CN108510451A (zh) * | 2018-02-09 | 2018-09-07 | 杭州雄迈集成电路技术有限公司 | 一种基于双层卷积神经网络的重建车牌的方法 |
CN108520504A (zh) * | 2018-04-16 | 2018-09-11 | 湘潭大学 | 一种基于生成对抗网络端到端的模糊图像盲复原方法 |
-
2018
- 2018-12-20 CN CN201811562000.5A patent/CN109584196A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968775A (zh) * | 2012-11-02 | 2013-03-13 | 清华大学 | 基于超分辨率重建技术的低分辨率人脸图像的重建方法 |
CN106709875A (zh) * | 2016-12-30 | 2017-05-24 | 北京工业大学 | 一种基于联合深度网络的压缩低分辨率图像复原方法 |
CN106910175A (zh) * | 2017-02-28 | 2017-06-30 | 武汉大学 | 一种基于深度学习的单幅图像去雾算法 |
CN108510451A (zh) * | 2018-02-09 | 2018-09-07 | 杭州雄迈集成电路技术有限公司 | 一种基于双层卷积神经网络的重建车牌的方法 |
CN108520504A (zh) * | 2018-04-16 | 2018-09-11 | 湘潭大学 | 一种基于生成对抗网络端到端的模糊图像盲复原方法 |
Non-Patent Citations (1)
Title |
---|
黄雪梅: ""基于多层前馈神经网络的图像压缩的仿真研究"", 《计算机仿真》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288638A (zh) * | 2019-07-27 | 2021-01-29 | 华为技术有限公司 | 图像增强设备以及系统 |
CN110796015A (zh) * | 2019-09-27 | 2020-02-14 | 深圳市大拿科技有限公司 | 一种远程监控方法及其装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiong et al. | Learning to generate time-lapse videos using multi-stage dynamic generative adversarial networks | |
CN111476708B (zh) | 模型生成方法、模型获取方法、装置、设备及存储介质 | |
KR101964282B1 (ko) | 3d 모델을 활용한 2d 영상 학습 데이터 생성 시스템 및 그 생성방법 | |
CN106251389A (zh) | 制作动画的方法和装置 | |
KR101746712B1 (ko) | 안개 제거 방법 및 장치 | |
CN108156385A (zh) | 图像获取方法及图像获取装置 | |
CN110555527A (zh) | 延时摄影视频的生成方法及设备 | |
CN111597861A (zh) | 遥感影像地物自动解译系统及方法 | |
CN109584196A (zh) | 数据集生成方法、装置、电子设备及存储介质 | |
CN109063658A (zh) | 一种利用深度学习在多移动终端视频人物换脸的方法 | |
US20160086365A1 (en) | Systems and methods for the conversion of images into personalized animations | |
CN112686282A (zh) | 一种基于自学习数据的目标检测方法 | |
CN110852965A (zh) | 一种基于生成对抗网络的视频光照增强方法及系统 | |
CN110443764A (zh) | 视频修复方法、装置及服务器 | |
JP2023545052A (ja) | 画像処理モデルの訓練方法及び装置、画像処理方法及び装置、電子機器並びにコンピュータプログラム | |
JPWO2020241142A5 (zh) | ||
CN107943750A (zh) | 一种基于wgan模型的分解卷积方法 | |
CN114758108A (zh) | 虚拟对象驱动方法、装置、存储介质及计算机设备 | |
KR20200083104A (ko) | 댄스 동작의 자동 난이도 조절을 이용한 댄스 트레이닝 장치 | |
KR102659290B1 (ko) | 모자이크 생성 장치 및 방법 | |
Sun et al. | ESinGAN: Enhanced single-image GAN using pixel attention mechanism for image super-resolution | |
KR102108422B1 (ko) | Ai 기반의 표정 분류 및 리타겟팅을 통한 가상 캐릭터의 표정 최적화 시스템 및 방법, 및 컴퓨터 판독 가능한 저장매체 | |
CN117095071A (zh) | 一种基于主体模型的图片或视频生成方法、系统及存储介质 | |
CN111292234A (zh) | 一种全景图像生成方法及装置 | |
CN114422862A (zh) | 服务视频生成方法、装置、设备、存储介质和程序产品 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190405 |