CN109961488A - 一种实物图像生成方法及装置 - Google Patents
一种实物图像生成方法及装置 Download PDFInfo
- Publication number
- CN109961488A CN109961488A CN201910227393.2A CN201910227393A CN109961488A CN 109961488 A CN109961488 A CN 109961488A CN 201910227393 A CN201910227393 A CN 201910227393A CN 109961488 A CN109961488 A CN 109961488A
- Authority
- CN
- China
- Prior art keywords
- image
- irradiation
- transformation
- transformed
- different
- 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
- 239000000463 material Substances 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 21
- 230000009466 transformation Effects 0.000 claims description 126
- 238000012549 training Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 18
- 238000005286 illumination Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 22
- 230000004048 modification Effects 0.000 description 14
- 238000012986 modification Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000003760 hair shine Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 239000012237 artificial material Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- 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
- G06T2207/20212—Image combination
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种实物图像生成方法及装置,该方法为:对第一实物图像进行本征分解,获取所述第一实物图像的第一反射图像和第一照射图像;对所述第一反射图像和所述第一照射图像中至少一个图像进行至少一次变换;根据变换后的至少一个图像、所述第一反射图像和所述第一照射图像,生成至少一个第二实物图像。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及一种实物图像生成方法及装置。
背景技术
图像识别,是一种利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对像的技术。举例来说,对人脸进行识别,验证身份。图像识别模型需要用大量的实物图片做训练。
对一个图像识别模型来说,实物图片数量越多,训练数据覆盖的场景越丰富,对实物的识别越准确。但是,人工采集实物图片的有较大局限性,不能通过调整拍摄条件获取到一部分场景下的实物图片,尤其是拍摄条件的细微变化,人工调整拍摄条件会导致实物图片采集误差较大,从而造成一部分场景下的实物图片缺失,训练数据不完整,进而造成实物识别模型在缺失的这部分场景下,对实物不能准确识别。
因此,现有技术中,人工采集实物图片造成一部分场景下的实物图像缺失,训练数据不完整的问题亟待解决。
发明内容
本申请实施例提供一种实物图像生成方法及装置,解决了现有技术中,人工采集实物图片造成一部分场景下的实物图像缺失,训练数据不完整的问题。
本申请实施例提供一种实物图像生成方法,包括:
对第一实物图像进行本征分解,获取所述第一实物图像的第一反射图像和第一照射图像;对所述第一反射图像和所述第一照射图像中至少一个图像进行至少一次变换;根据变换后的至少一个图像、所述第一反射图像和所述第一照射图像,生成至少一个第二实物图像。
可选的,所述对所述第一反射图像和所述第一照射图像中至少一个图像进行至少一次变换,包括:按照预设照射变换算法中M个第一像素值变换规则,对所述第一照射图像中的像素值做M次不同的变换,获取不同的M个变换后第二照射图像;其中,所述M次不同的变换中每次变换与所述M个变换后的第二照射图像中的一个第二照射图像唯一对应;M为正整数;以及,所述根据变换后的至少一个图像、所述第一反射图像和所述第一照射图像,生成至少一个第二实物图像,包括:根据所述第一反射图像和所述M个变换后的第二照射图像,生成与所述第一实物图像不同的M个第二实物图像。
可选的,所述对所述第一反射图像和所述第一照射图像中至少一个图像进行至少一次变换,包括:按照预设反射变换算法中N个第二像素值变换规则,对所述第一反射图像中的像素值做N次不同的变换,获取不同的N个变换后的第二反射图像;其中,所述N次不同的变换中每次变换与所述N个变换后的第二反射图像中的一个第二反射图像唯一对应;N为正整数;以及所述根据变换后的至少一个图像、所述第一反射图像和所述第一照射图像,生成至少一个第二实物图像,包括:根据所述第一照射图像和所述N个变换后的第二反射图像,生成与所述第一实物图像不同的N个第二实物图像。
可选的,所述对所述第一反射图像和所述第一照射图像中至少一个图像进行至少一次变换,包括:按照预设照射变换算法中P个第三像素值变换规则,对所述第一照射图像中的像素值做P次不同的变换,获取不同的P个变换后的第三照射图像;其中,所述P次不同的变换中每次变换与所述P个变换后的第三照射图像中的一个第三照射图像唯一对应;P为正整数;按照预设反射变换算法中Q个第四像素值变换规则,对所述第一反射图像中的像素值做Q次不同的变换,获取不同的Q个变换后的第三反射图像;其中,所述Q次不同的变换中每次变换与所述Q个变换后的第三照射图像中的一个第三照射图像唯一对应;Q为正整数;以及所述根据变换后的至少一个图像、所述第一反射图像和所述第一照射图像,生成至少一个第二实物图像,包括:根据所述P个变换后的第三照射图像和所述Q个变换后的第三反射图像,生成与所述第一实物图像不同P*Q个第二实物图像。
可选的,所述生成至少一个第二实物图像之后,还包括:将所述至少一个第二实物图像作为训练数据,输入至图像识别模型;根据所述训练数据中每一张第二实物图像,与该第二实物图像输入至所述图像识别模型后的输出结果,更新所述图像识别模型的参数。
上述方法中,通过对第一实物图像进行本征分解,获取所述第一实物图像的第一反射图像和第一照射图像,之后对所述第一反射图像和所述第一照射图像中至少一个图像进行至少一次变换,因此可以获取到变换后的至少一个照射图像以及反射图像,再通过变换后的至少一个图像、所述第一反射图像和所述第一照射图像相互结合,从而可以通过最初的第一实物图像生成至少一个实物图像,以此类推,对人工采集的每一张实物图像都进行上述步骤,可大幅提升实物图像,弥补一部分场景下人工采集实物图像的缺失,达到对训练数据进行补充的效果。
本申请实施例提供一种实物图像生成装置,包括:
获取模块,用于对第一实物图像进行本征分解,获取所述第一实物图像的第一反射图像和第一照射图像;处理模块,用于对所述第一反射图像和所述第一照射图像中至少一个图像进行至少一次变换;以及用于根据变换后的至少一个图像、所述第一反射图像和所述第一照射图像,生成至少一个第二实物图像。
可选的,所述处理模块,具体用于:按照预设照射变换算法中M个第一像素值变换规则,对所述第一照射图像中的像素值做M次不同的变换,获取不同的M个变换后第二照射图像;其中,所述M次不同的变换中每次变换与所述M个变换后的第二照射图像中的一个第二照射图像唯一对应;M为正整数;根据所述第一反射图像和所述M个变换后的第二照射图像,生成与所述第一实物图像不同的M个第二实物图像。
可选的,所述处理模块,具体用于:按照预设反射变换算法中N个第二像素值变换规则,对所述第一反射图像中的像素值做N次不同的变换,获取不同的N个变换后的第二反射图像;其中,所述N次不同的变换中每次变换与所述N个变换后的第二反射图像中的一个第二反射图像唯一对应;N为正整数;根据所述第一照射图像和所述N个变换后的第二反射图像,生成与所述第一实物图像不同的N个第二实物图像。
可选的,所述处理模块,具体用于:按照预设照射变换算法中P个第三像素值变换规则,对所述第一照射图像中的像素值做P次不同的变换,获取不同的P个变换后的第三照射图像;其中,所述P次不同的变换中每次变换与所述P个变换后的第三照射图像中的一个第三照射图像唯一对应;P为正整数;按照预设反射变换算法中Q个第四像素值变换规则,对所述第一反射图像中的像素值做Q次不同的变换,获取不同的Q个变换后的第三反射图像;其中,所述Q次不同的变换中每次变换与所述Q个变换后的第三照射图像中的一个第三照射图像唯一对应;Q为正整数;根据所述P个变换后的第三照射图像和所述Q个变换后的第三反射图像,生成与所述第一实物图像不同P*Q个第二实物图像。
可选的,所述处理模块,还用于:将所述至少一个第二实物图像作为训练数据,输入至图像识别模型;根据所述训练数据中每一张第二实物图像,与该第二实物图像输入至所述图像识别模型后的输出结果,更新所述图像识别模型的参数。
附图说明
图1为本申请实施例一提供的一种实物图像生成方法的整体流程图;
图2为本申请实施例一提供的一种实物图像生成方法的步骤流程图;
图3为本申请实施例一提供的一种实物图像生成方法对应本征分解的示意图;
图4为本申请实施例二提供的一种实物图像生成方法的步骤流程图;
图5为本申请实施例三提供的一种实物图像生成方法的步骤流程图;
图6为一种应用于本申请实施例一、二和三的实物图像生成装置的结构示意图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图及具体的实施方式对上述技术方案进行详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互结合。
图像识别在计算机视觉领域中被广泛应用,如各种人脸验证系统,通过对人脸进行身份识别,获取身份的权限,从而进行操作等。实现图像识别这一功能的工具是图像识别模型。
实现图像识别功能之前,图像识别模型需要用大量的实物图片做训练。对一个图像识别模型来说,实物图片数量越多,训练数据覆盖的场景越丰富,对实物的识别越准确。但是,人工采集实物图片的有较大局限性,不能通过调整拍摄条件获取到一部分场景下的实物图片,尤其是拍摄条件的细微变化,人工调整拍摄条件会导致实物图片采集误差较大,从而造成一部分场景下的实物图片缺失,训练数据不完整,进而造成实物识别模型在缺失的这部分场景下,对实物不能准确识别。
因此,本申请实施例提出了一种根据少量人工采集的实物图像的生成更多个实物图像的方法。如图1所示,为本申请实施例中提供的一种实物图像生成方法的整体流程图。需要说明的是,图1仅以一张人工采集的实物图像为例说明该过程,人工采集的实物图像也是在多个场景下采集的。
给定实物图像,利用本征分解算法将实物图像分解成照射图像(Shading image)和反射图像(Reflectance image)。其中,实物图像为通过人工采集的初始图像;照射图像即反应原图像光照情况的图像;反射图像指在变化的光照条件下能够维持不变的图像,反应了原始实物图像的纹理、材质等。其中,实物图像、照射图像和反射图像均有多个像素点组成,每个像素点都有像素值,各个像素点组合在一起形成图像,产生视觉效果。每个像素点在实物图像、照射图像和反射图像均有对应的像素值,且实物图像、照射图像和反射图像中的每个像素值之间相互对应。
以一张人工采集的实物图像为例,得到进行本征分解后的一张照射图像和反射图像后,再对反射图像和照射图像做多次不同变换,每次变换后都得到一张与原反射图像或照射图像的像素值不完全相同的反射图像或照射图像,利用这些修改后的照射图像和反射图像便可生成大量与初始图像集不同的实物图像。其中,人工采集的实物图像的亮度一般是由环境光照所影响的,而实物本身的材质信息与光照情况无关。因此,本申请实施例对反射图像变换不同的光照条件,得到不同光照条件的多张变换后的反射图像;以及通过对照射图像变换不同的纹理等条件,得到同一光照条件多张变换后的照射图像。需要说明的是,上述变换反射图像或照射图像的具体方式均通过预设算法对反射图像或照射图像中像素点的像素值做变换实现。
下面结合图2,对上述实物图像生成方法做进一步地详细介绍。
如图2所示,为本申请实施例中提供的一种实物图像生成方法的步骤流程图。
步骤201:对第一实物图像进行本征分解,获取所述第一实物图像的第一反射图像和第一照射图像。
步骤201中,第一实物图像(I)与第一反射图像(R)、第一照射图像(S)三者的关系可以由公式表示出来:
其中(x,y)为像素在图像中的像素坐标。根据该公式,数值求解出反射图(R)和照射图(S),示意图如图3所示,图3为本申请实施例中提供的一种第一实物图像生成方法对应本征分解的示意图。其中第一行是第一实物图像,中间行是第一反射图像,最后一行是第一照射图像。需要说明的是,由于只有第一实物图像I中像素坐标的像素值为已知量,而该像素坐标对应的第一照射图像的像素值和第一反射图像的像素值不止有一组解,因此在本征分解过程中,分解出来的第一照射图像的像素值和第一反射图像的像素值为随机选择的一组解。
步骤202:对所述第一反射图像和所述第一照射图像中至少一个图像进行至少一次变换。
步骤203:根据变换后的至少一个图像、所述第一反射图像和所述第一照射图像,生成至少一个第二实物图像。
步骤202中,包括三种情形:
第一种情形,至少一次变换以M次变换举例,按照预设光照变换算法中M个第一像素值变换规则,对第一照射图像中的像素值做M次不同的变换,获取不同的M个变换后第二照射图像;其中,M次不同的变换中每次变换与M个变换后的第二照射图像中的一个第二照射图像唯一对应;M为正整数。
第二种情形,按照预设反射变换算法中N个第二像素值变换规则,对所述第一反射图像中的像素值做N次不同的变换,获取不同的N个变换后的第二反射图像;其中,所述N次不同的变换中每次变换与所述N个变换后的第二反射图像中的一个第二反射图像唯一对应;N为正整数。
第三种情形,按照预设照射变换算法中P个第三像素值变换规则,对所述第一照射图像中的像素值做P次不同的变换,获取不同的P个变换后的第三照射图像;其中,所述P次不同的变换中每次变换与所述P个变换后的第三照射图像中的一个第三照射图像唯一对应;P为正整数。
另外,按照预设反射变换算法中Q个第四像素值变换规则,对所述第一反射图像中的像素值做Q次不同的变换,获取不同的Q个变换后的第三反射图像;其中,所述Q次不同的变换中每次变换与所述Q个变换后的第三照射图像中的一个第三照射图像唯一对应;Q为正整数。
在上述三种情形中,以第一种情形举例,该情形下预设照射变换算法封装在一个图像处理软件,如openCV。图像处理软件在调用光照条件变换算法时,又有多种光照条件变换对应的第一像素值变换规则,即一种光照条件对应一个第一像素值变换规则。按照一个第一像素值变换规则对第一照射图像的像素值进行变换,即可得到对应光照条件下变换后的照射图像。第二种情形和第三种情形,也是根据光照条件或纹理预设了像素值转换规则,通过改变像素值获取到变换了光照条件或纹理的反射图像和照射图像,不再赘述。
步骤203中,分别对应步骤202中的情形,包括以下三种情形:
第一种情形,进行了步骤202中第一种情形之后,根据所述第一反射图像和所述M个变换后的第二照射图像,生成与所述第一实物图像不同的M个第二实物图像。
第二种情形,进行了步骤202中第二种情形之后,根据所述第一照射图像和所述N个变换后的第二反射图像,生成与所述第一实物图像不同的N个第二实物图像。
第三种情形,进行了步骤202中第三种情形之后,根据所述P个变换后的第三照射图像和所述Q个变换后的第三反射图像,生成与所述第一实物图像不同P*Q个第二实物图像。
综上所述,步骤202~步骤203生成实物图像共有如下三种情形,用公式表示如下:
第一种情形,保持本征分解阶段得到的第一反射图像(R)不变,对第一照射图像(S)进行不同的修改,得到M次不同的第二照射图像(AS(i)),然后利用公式(1)计算生成的实物图像(AI(i)):AI(i)(x,y)=AS(i)(x,y)*AR(x,y),i=1,…,M(2)该情形下,通过修改第一照射图像的光照条件,生成了实物图像集A=[AI(1),AI(2),…,AI(M)]。
第二种情形,保持本征分解阶段得到的第一照射图像(S)不变,对第一反射图像(R)进行N次不同的修改,得到不同的反射图像(BRj),然后利用公式(1)计算生成的图片(BIj):BIj(x,y)=BS(x,y)*BRj(x,y),j=1,…,N;(3)该情形下,通过修改第一反射图像的纹理,生成了实物图像集B=[BI1,BI2,…,BIN]。
第三种情形,对第一反射图像(R)进行Q次不同的修改,得到不同的第三反射图像(CRj),对每个第三反射图像(CRj)保持不变,对第一照射图像(S)进行P次不同的修改,得到不同的第三照射图(CSj),然后利用公式(1)计算生成的图片(CIj):
得到生成数据集
步骤203之后,另一种可选的实施方式为,将所述至少一个第二实物图像作为训练数据,输入至图像识别模型;根据所述训练数据中每一张第二实物图像,与该第二实物图像输入至所述图像识别模型后的输出结果,更新所述图像识别模型的参数。通过生成的第二实物图像,大幅增加了训练数据量,可使得图像识别模型更加精确。
如图4所示,为本申请实施例二提供的一种实物图像生成方法的步骤流程图,本申请实施例二为一种基于本征分解的多光照人脸图像生成方法。光照变化是影响人脸识别性能的最关键因素,对该问题的解决程度关系着人脸识别实用化进程的成败。为了提高人脸识别模型对于光照的鲁棒性,一个最直接的办法是在训练数据中加入不同光照条件下的人脸图像,具体步骤如下:
步骤401之前,收集一个通过人工拍摄得到的实物图像集E,举例来说,E包含100000张人脸图像。
步骤401:对实物图像集E中每一个实物图像进行本征分解。
步骤401中,举例来说,k=1,2…100000,对实物图像集E中的每一个图片EIk,进行本征分解,得到对应的反射图像(ERk)、照射图像(ESk)。
步骤402:保持反射图像(ERk)不变,按照预设的光照条件修改算法对照射图像(ESk)进行n次不同修改。其中,n为大于1的整数。
步骤402中,每个照射图像ESk均得到一个变换后的照射图像集合
步骤403:根据变换后的照射图像集合和反射图像生成实物图像集合。
进而利用以下公式,生成实物图像集合
步骤404:确定数据集E中是否还有未进行步骤402和步骤403的实物图像。
若是,则转到步骤402;否则,将E中每张实物图像生成的实物图像集合,作为最终的生成训练数据集合Eg。以实物图像中含有100000张图片为例,Eg=[E1,…,E100000],共含有100万张图片;利用数据集[E,Eg]进行实物识别模型的训练,得到对光照条件更加鲁棒的实物识别模型。
图5为本申请实施例三提供的一种实物图像生成方法的步骤流程图,本申请实施例三为一种基于本征分解的图像分割训练数据生成方法。图像分割目的是将图像分成各具特征的区域并提取感兴趣目标的技术,这些特征可以是像素、颜色、纹理等,提取目标可以是单个或多个区域。具体步骤如下:
步骤501之前,收集一个通过人工拍摄得到的实物图像集F,举例来说,F包含1000张风景图像。
步骤501:对实物图像集F中每一个实物图像进行本征分解。
步骤501中,举例来说,m=1,2…1000,对实物图像集F中的每一个图片FIm,进行本征分解,得到对应的反射图像(FRm)、照射图像(FSm)。
步骤502:保持反射图像(FRm)不变,根据预设的光照条件修改算法对照射图像(FSm)进行t次不同修改。需要说明的是,预设的光照条件变换算法包含多个像素值变换规则,每个像素值变换规则都对应一张变换后的反射图像。
步骤502中,得到变换后的照射图像集
步骤503:根据变换后的照射图像集,生成实物图像集
步骤503利用了以下公式进行变换:
步骤504:保持照射图像(FSm)不变,根据预设的纹理修改算法对反射图像(FRm)进行r次不同修改。需要说明的是,预设的纹理变换算法包含多个像素值变换规则,每个像素值变换规则都对应一张变换后的反射图像。
步骤504中,得到变换后的反射图像集[FRm,1,…,FRm,r]。
步骤505:根据变换后的反射图像集,生成实物图像集Fm′=[FIm,1,...,FIm,r]。
步骤505中利用了以下公式进行变换:
FIm,j(x,y)=FSm(x,y)*FRm,j(x,y),j=1,...,r。
步骤506:确定数据集F中是否还有未进行步骤502且未进行步骤504的实物图像。若是,则转到步骤502;否则,将E中每张实物图像生成的实物图像集合,作为最终的生成训练数据集合Fh=[F1,F1′…,Ft,Fr′]。举例来说,当t=r=10时,Fh中共含有2万张实物图像。利用数据集[F,Fh]进行图像分割模型的训练,利用光照条件和颜色、材质条件更为丰富的数据集进行模型训练,会大幅提升其准确率。
上述方法中,通过对第一实物图像进行本征分解,获取所述第一实物图像的第一反射图像和第一照射图像,之后对所述第一反射图像和所述第一照射图像中至少一个图像进行至少一次变换,因此可以获取到变换后的至少一个照射图像以及反射图像,再通过变换后的至少一个图像、所述第一反射图像和所述第一照射图像相互结合,从而可以通过最初的第一实物图像生成至少一个实物图像,以此类推,对人工采集的每一张实物图像都进行上述步骤,可大幅提升实物图像,弥补一部分场景下人工采集实物图像的缺失,达到对训练数据进行补充的效果。
本申请实施例一、二和三中的一种根据少量人工采集的实物图片生成大量训练数据的方法,通过对人工采集的实物图片进行本征分解得到照射图和反射图,在对照射图和反射图按照光照条件或纹理的变化,修改照射图和反射图,从而生成包含更加丰富的光照和纹理种类的实物图片,扩展了图像识别模型的训练数据,使得图像识别模型对不同场景下的实物识别更加准确、更加鲁棒。
本申请实施例大幅降低了人力投入;通过上述方式,可以生成大量实物图像作为训练数据,从而大幅降低数据积累成本,并在较短时间收集大量训练数据。另外,可以根据具体应用场景,定制化地生成大量训练数据;此方法可以在原有的实物图像集的基础上,生成包含更加丰富的光照和纹理种类的训练数据集;生成的数据可以训练出对光照影响更为鲁棒、对不同场景更加通用的模型,可以提高计算机视觉领域如人脸或物体的检测与识别、图像分割的表现。
如图6所示,为一种应用于本申请实施例一、二和三的实物图像生成装置的结构示意图。
本申请实施例提供一种实物图像生成装置,包括:
获取模块601,用于对第一实物图像进行本征分解,获取所述第一实物图像的第一反射图像和第一照射图像;处理模块602,用于对所述第一反射图像和所述第一照射图像中至少一个图像进行至少一次变换;以及用于根据变换后的至少一个图像、所述第一反射图像和所述第一照射图像,生成至少一个第二实物图像。
可选的,所述处理模块602,具体用于:按照预设照射变换算法中M个第一像素值变换规则,对所述第一照射图像中的像素值做M次不同的变换,获取不同的M个变换后第二照射图像;其中,所述M次不同的变换中每次变换与所述M个变换后的第二照射图像中的一个第二照射图像唯一对应;M为正整数;根据所述第一反射图像和所述M个变换后的第二照射图像,生成与所述第一实物图像不同的M个第二实物图像。
可选的,所述处理模块602,具体用于:按照预设反射变换算法中N个第二像素值变换规则,对所述第一反射图像中的像素值做N次不同的变换,获取不同的N个变换后的第二反射图像;其中,所述N次不同的变换中每次变换与所述N个变换后的第二反射图像中的一个第二反射图像唯一对应;N为正整数;根据所述第一照射图像和所述N个变换后的第二反射图像,生成与所述第一实物图像不同的N个第二实物图像。
可选的,所述处理模块602,具体用于:按照预设照射变换算法中P个第三像素值变换规则,对所述第一照射图像中的像素值做P次不同的变换,获取不同的P个变换后的第三照射图像;其中,所述P次不同的变换中每次变换与所述P个变换后的第三照射图像中的一个第三照射图像唯一对应;P为正整数;按照预设反射变换算法中Q个第四像素值变换规则,对所述第一反射图像中的像素值做Q次不同的变换,获取不同的Q个变换后的第三反射图像;其中,所述Q次不同的变换中每次变换与所述Q个变换后的第三照射图像中的一个第三照射图像唯一对应;Q为正整数;根据所述P个变换后的第三照射图像和所述Q个变换后的第三反射图像,生成与所述第一实物图像不同P*Q个第二实物图像。
可选的,所述处理模块602,还用于:将所述至少一个第二实物图像作为训练数据,输入至图像识别模型;根据所述训练数据中每一张第二实物图像,与该第二实物图像输入至所述图像识别模型后的输出结果,更新所述图像识别模型的参数。
最后应说明的是:本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种实物图像生成方法,其特征在于,包括:
对第一实物图像进行本征分解,获取所述第一实物图像的第一反射图像和第一照射图像;
对所述第一反射图像和所述第一照射图像中至少一个图像进行至少一次变换;
根据变换后的至少一个图像、所述第一反射图像和所述第一照射图像,生成至少一个第二实物图像。
2.如权利要求1所述的方法,其特征在于,所述对所述第一反射图像和所述第一照射图像中至少一个图像进行至少一次变换,包括:
按照预设照射变换算法中M个第一像素值变换规则,对所述第一照射图像中的像素值做M次不同的变换,获取不同的M个变换后第二照射图像;其中,所述M次不同的变换中每次变换与所述M个变换后的第二照射图像中的一个第二照射图像唯一对应;M为正整数;
所述根据变换后的至少一个图像、所述第一反射图像和所述第一照射图像,生成至少一个第二实物图像,包括:
根据所述第一反射图像和所述M个变换后的第二照射图像,生成与所述第一实物图像不同的M个第二实物图像。
3.如权利要求1所述的方法,其特征在于,所述对所述第一反射图像和所述第一照射图像中至少一个图像进行至少一次变换,包括:
按照预设反射变换算法中N个第二像素值变换规则,对所述第一反射图像中的像素值做N次不同的变换,获取不同的N个变换后的第二反射图像;其中,所述N次不同的变换中每次变换与所述N个变换后的第二反射图像中的一个第二反射图像唯一对应;N为正整数;
所述根据变换后的至少一个图像、所述第一反射图像和所述第一照射图像,生成至少一个第二实物图像,包括:
根据所述第一照射图像和所述N个变换后的第二反射图像,生成与所述第一实物图像不同的N个第二实物图像。
4.如权利要求1所述的方法,其特征在于,所述对所述第一反射图像和所述第一照射图像中至少一个图像进行至少一次变换,包括:
按照预设照射变换算法中P个第三像素值变换规则,对所述第一照射图像中的像素值做P次不同的变换,获取不同的P个变换后的第三照射图像;其中,所述P次不同的变换中每次变换与所述P个变换后的第三照射图像中的一个第三照射图像唯一对应;P为正整数;
按照预设反射变换算法中Q个第四像素值变换规则,对所述第一反射图像中的像素值做Q次不同的变换,获取不同的Q个变换后的第三反射图像;其中,所述Q次不同的变换中每次变换与所述Q个变换后的第三照射图像中的一个第三照射图像唯一对应;Q为正整数;
所述根据变换后的至少一个图像、所述第一反射图像和所述第一照射图像,生成至少一个第二实物图像,包括:
根据所述P个变换后的第三照射图像和所述Q个变换后的第三反射图像,生成与所述第一实物图像不同的P*Q个第二实物图像。
5.如权利要求1-4任一所述的方法,其特征在于,所述生成至少一个第二实物图像之后,还包括:
将所述至少一个第二实物图像作为训练数据,输入至图像识别模型;
根据所述训练数据中每一张第二实物图像,与该第二实物图像输入至所述图像识别模型后的输出结果,更新所述图像识别模型的参数。
6.一种实物图像生成装置,其特征在于,包括:
获取模块,用于对第一实物图像进行本征分解,获取所述第一实物图像的第一反射图像和第一照射图像;
处理模块,用于对所述第一反射图像和所述第一照射图像中至少一个图像进行至少一次变换;
以及用于根据变换后的至少一个图像、所述第一反射图像和所述第一照射图像,生成至少一个第二实物图像。
7.如权利要求6所述的装置,其特征在于,所述处理模块,具体用于:
按照预设照射变换算法中M个第一像素值变换规则,对所述第一照射图像中的像素值做M次不同的变换,获取不同的M个变换后第二照射图像;其中,所述M次不同的变换中每次变换与所述M个变换后的第二照射图像中的一个第二照射图像唯一对应;M为正整数;
根据所述第一反射图像和所述M个变换后的第二照射图像,生成与所述第一实物图像不同的M个第二实物图像。
8.如权利要求6所述的装置,其特征在于,所述处理模块,具体用于:
按照预设反射变换算法中N个第二像素值变换规则,对所述第一反射图像中的像素值做N次不同的变换,获取不同的N个变换后的第二反射图像;其中,所述N次不同的变换中每次变换与所述N个变换后的第二反射图像中的一个第二反射图像唯一对应;N为正整数;
根据所述第一照射图像和所述N个变换后的第二反射图像,生成与所述第一实物图像不同的N个第二实物图像。
9.如权利要求6所述的装置,其特征在于,所述处理模块,具体用于:
按照预设照射变换算法中P个第三像素值变换规则,对所述第一照射图像中的像素值做P次不同的变换,获取不同的P个变换后的第三照射图像;其中,所述P次不同的变换中每次变换与所述P个变换后的第三照射图像中的一个第三照射图像唯一对应;P为正整数;
按照预设反射变换算法中Q个第四像素值变换规则,对所述第一反射图像中的像素值做Q次不同的变换,获取不同的Q个变换后的第三反射图像;其中,所述Q次不同的变换中每次变换与所述Q个变换后的第三照射图像中的一个第三照射图像唯一对应;Q为正整数;
根据所述P个变换后的第三照射图像和所述Q个变换后的第三反射图像,生成与所述第一实物图像不同P*Q个第二实物图像。
10.如权利要求6-9任一所述的装置,其特征在于,所述处理模块,还用于:
将所述至少一个第二实物图像作为训练数据,输入至图像识别模型;
根据所述训练数据中每一张第二实物图像,与该第二实物图像输入至所述图像识别模型后的输出结果,更新所述图像识别模型的参数。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910227393.2A CN109961488A (zh) | 2019-03-25 | 2019-03-25 | 一种实物图像生成方法及装置 |
PCT/CN2020/073056 WO2020192262A1 (zh) | 2019-03-25 | 2020-01-19 | 一种实物图像生成方法及装置、设备 |
TW109105431A TWI801717B (zh) | 2019-03-25 | 2020-02-20 | 一種實物圖像生成方法及裝置、設備、非暫態電腦可讀存儲介質及電腦程式產品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910227393.2A CN109961488A (zh) | 2019-03-25 | 2019-03-25 | 一种实物图像生成方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109961488A true CN109961488A (zh) | 2019-07-02 |
Family
ID=67024923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910227393.2A Pending CN109961488A (zh) | 2019-03-25 | 2019-03-25 | 一种实物图像生成方法及装置 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN109961488A (zh) |
TW (1) | TWI801717B (zh) |
WO (1) | WO2020192262A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020192262A1 (zh) * | 2019-03-25 | 2020-10-01 | 中国银联股份有限公司 | 一种实物图像生成方法及装置、设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120314950A1 (en) * | 2011-06-10 | 2012-12-13 | Tandent Vision Science, Inc. | Method and system for identifying tokens in an image |
CN103281513A (zh) * | 2013-05-14 | 2013-09-04 | 西安理工大学 | 一种无重叠域监控系统中行人识别方法 |
CN104700109A (zh) * | 2015-03-24 | 2015-06-10 | 清华大学 | 高光谱本征图像的分解方法及装置 |
CN107103589A (zh) * | 2017-03-21 | 2017-08-29 | 深圳市未来媒体技术研究院 | 一种基于光场图像的高光区域修复方法 |
CN108416805A (zh) * | 2018-03-12 | 2018-08-17 | 中山大学 | 一种基于深度学习的本征图像分解方法及装置 |
WO2019014646A1 (en) * | 2017-07-13 | 2019-01-17 | Shiseido Americas Corporation | REMOVAL OF VIRTUAL FACIAL MAKE-UP, FAST FACIAL DETECTION AND TRACK POINT TRACKING |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100592763C (zh) * | 2007-02-15 | 2010-02-24 | 北京思比科微电子技术有限公司 | 对图像亮度进行调整的方法和装置 |
CN108388833A (zh) * | 2018-01-15 | 2018-08-10 | 阿里巴巴集团控股有限公司 | 一种图像识别方法、装置及设备 |
CN108460414B (zh) * | 2018-02-27 | 2019-09-17 | 北京三快在线科技有限公司 | 训练样本图像的生成方法、装置及电子设备 |
TWI654584B (zh) * | 2018-03-02 | 2019-03-21 | 由田新技股份有限公司 | 強化工件光學特徵之設備、方法、強化工件光學特徵之深度學習方法及非暫態電腦可讀取記錄媒體 |
CN109961488A (zh) * | 2019-03-25 | 2019-07-02 | 中国银联股份有限公司 | 一种实物图像生成方法及装置 |
-
2019
- 2019-03-25 CN CN201910227393.2A patent/CN109961488A/zh active Pending
-
2020
- 2020-01-19 WO PCT/CN2020/073056 patent/WO2020192262A1/zh active Application Filing
- 2020-02-20 TW TW109105431A patent/TWI801717B/zh active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120314950A1 (en) * | 2011-06-10 | 2012-12-13 | Tandent Vision Science, Inc. | Method and system for identifying tokens in an image |
CN103281513A (zh) * | 2013-05-14 | 2013-09-04 | 西安理工大学 | 一种无重叠域监控系统中行人识别方法 |
CN104700109A (zh) * | 2015-03-24 | 2015-06-10 | 清华大学 | 高光谱本征图像的分解方法及装置 |
CN107103589A (zh) * | 2017-03-21 | 2017-08-29 | 深圳市未来媒体技术研究院 | 一种基于光场图像的高光区域修复方法 |
WO2019014646A1 (en) * | 2017-07-13 | 2019-01-17 | Shiseido Americas Corporation | REMOVAL OF VIRTUAL FACIAL MAKE-UP, FAST FACIAL DETECTION AND TRACK POINT TRACKING |
CN108416805A (zh) * | 2018-03-12 | 2018-08-17 | 中山大学 | 一种基于深度学习的本征图像分解方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020192262A1 (zh) * | 2019-03-25 | 2020-10-01 | 中国银联股份有限公司 | 一种实物图像生成方法及装置、设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2020192262A1 (zh) | 2020-10-01 |
TWI801717B (zh) | 2023-05-11 |
TW202105320A (zh) | 2021-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111292264B (zh) | 一种基于深度学习的图像高动态范围重建方法 | |
CN110543846B (zh) | 一种基于生成对抗网络的多姿态人脸图像正面化方法 | |
CN109657595B (zh) | 基于堆叠沙漏网络的关键特征区域匹配人脸识别方法 | |
CN106713697B (zh) | 用于扩展动态范围图像的引导颜色分级 | |
JP2022532177A (ja) | 偽造された顔の認識方法、装置、および非一時的コンピュータ可読記憶媒体 | |
CN103500220B (zh) | 一种照片中人物识别方法 | |
CN113362247A (zh) | 一种激光融合多目相机的语义实景三维重建方法及系统 | |
CN110263768A (zh) | 一种基于深度残差网络的人脸识别方法 | |
CN109766828A (zh) | 一种车辆目标分割方法、装置及通信设备 | |
US11379992B2 (en) | Patch expansion for segmentation network training | |
CN112836625A (zh) | 人脸活体检测方法、装置、电子设备 | |
CN113592726A (zh) | 高动态范围成像方法、装置、电子设备和存储介质 | |
CN115131492A (zh) | 目标对象的重光照方法、装置及存储介质和背景替换方法 | |
CN105580050A (zh) | 提供图像中的控制点 | |
CN114419102B (zh) | 一种基于帧差时序运动信息的多目标跟踪检测方法 | |
CN107004295A (zh) | 纹理生成系统 | |
CN115049556A (zh) | 一种基于StyleGAN的人脸图像修复方法 | |
CN109961488A (zh) | 一种实物图像生成方法及装置 | |
CN110866945A (zh) | 一种倾斜摄影模型自动识别生成三维树的方法 | |
CN114155165A (zh) | 一种基于半监督的图像去雾方法 | |
CN110717980A (zh) | 区域三维重建方法、装置及计算机可读存储介质 | |
CN111064905A (zh) | 面向自动驾驶的视频场景转换方法 | |
CN109753958A (zh) | 图像字符识别方法 | |
CN112418399B (zh) | 训练姿态估计模型的方法、装置、姿态估计的方法及装置 | |
CN114648604A (zh) | 一种图像渲染方法、电子设备、存储介质及程序产品 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40011026 Country of ref document: HK |