用于训练光流网络、以及处理图像的方法和装置
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于训练光流网络的方法和装置。
背景技术
光流是空间运动物体在观察成像平面上的像素运动的瞬时速度,是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧和当前帧之间存在的对应关系,从而计算出相邻帧之间物体的运动信息的一种方法。一般地,光流是由于场景中前景目标本身的移动、相机的运动、或者两者的共同运动所产生的。
光流法是目前运动图像分析的一种重要方法。目前,广泛研究的一个方向是利用卷积神经网络实现两幅图像之间的光流预测。但是可用于训练能够预测光流的神经网络的数据非常少。
发明内容
本公开的实施例提出了用于训练光流网络、以及处理图像的方法和装置。
第一方面,本公开的实施例提供了一种用于训练光流网络的方法,该方法包括:获取图像集;对于图像集中的图像,执行如下的样本生成操作:利用基于预设的随机函数确定的第一仿射变换矩阵,对该图像进行仿射变换得到变换图像;确定该图像的像素点的位置变换信息作为该图像和对应的变换图像之间的光流;利用该图像、对应的变换图像,以及对应的光流组成训练样本;基于对图像集中的各个图像执行样本生成操作得到的训练样本组成的训练样本集,训练得到光流网络,其中,光流网络用于生成两幅图像之间的光流。
在一些实施例中,图像集通过如下步骤生成:获取前景图像集,以及获取背景图像集;将前景图像集中的各个前景图像分别与背景图像集中的各个背景图像融合,得到图像集。
在一些实施例中,利用基于预设的随机函数确定的第一仿射变换矩阵,对该图像进行仿射变换得到变换图像,包括:利用第一仿射变换矩阵,确定该图像包含的前景图像的像素点经过仿射变换后的位置信息;在该图像对应的背景图像的、位置信息指示的位置处融合该图像对应的前景图像,得到该图像对应的变换图像。
在一些实施例中,利用基于预设的随机函数确定的第一仿射变换矩阵,对该图像进行仿射变换得到变换图像,包括:利用第一仿射变换矩阵,确定该图像包含的前景图像的像素点经过仿射变换后的位置信息;利用基于随机函数确定的第二仿射变换矩阵,对该图像对应的背景图像进行仿射变换得到变换背景图像;在变换背景图像的、位置信息指示的位置处融合该图像对应的前景图像,得到该图像对应的变换图像。
在一些实施例中,第一仿射变换矩阵通过如下步骤确定:控制随机函数的取值范围为第一区间,以及利用随机函数确定第一仿射变换矩阵;以及第二仿射变换矩阵通过如下步骤确定:控制随机函数的取值范围为第二区间,以及利用随机函数确定第二仿射变换矩阵。
在一些实施例中,随机函数生成的随机数满足高斯分布。
第二方面,本公开的实施例提供了一种用于处理图像的方法,包括:获取第一图像,以及获取第一图像的后一帧图像作为第二图像;将第一图像和第二图像输入至预先训练的光流网络,得到第一图像和第二图像之间的光流,其中,光流网络通过如第一方面中任一实现方式描述的方法训练得到;获取对第一图像进行图像分割得到的第一分割图像,以及获取对第二图像进行图像分割得到的第二分割图像;根据所得到的光流,对第一分割图像进行处理以预测第二分割图像,得到预测图像;将得到的预测图像与第二分割图像进行融合,得到处理后的第二分割图像。
第三方面,本公开的实施例提供了一种用于训练光流网络的装置,该装置包括:第一获取单元,被配置成获取图像集;生成单元,被配置成对于图像集中的图像,执行如下的样本生成操作:利用基于预设的随机函数确定的第一仿射变换矩阵,对该图像进行仿射变换得到变换图像;确定该图像的像素点的位置变换信息作为该图像和对应的变换图像之间的光流;利用该图像、对应的变换图像,以及对应的光流组成训练样本;训练单元,被配置成基于对图像集中的各个图像执行样本生成操作得到的训练样本组成的训练样本集,训练得到光流网络,其中,光流网络用于生成两幅图像之间的光流。
在一些实施例中,图像集通过如下步骤生成:获取前景图像集,以及获取背景图像集;将前景图像集中的各个前景图像分别与背景图像集中的各个背景图像融合,得到图像集。
在一些实施例中,生成单元进一步被配置成:利用第一仿射变换矩阵,确定该图像包含的前景图像的像素点经过仿射变换后的位置信息;在该图像对应的背景图像的、位置信息指示的位置处融合该图像对应的前景图像,得到该图像对应的变换图像。
在一些实施例中,生成单元进一步被配置成:利用第一仿射变换矩阵,确定该图像包含的前景图像的像素点经过仿射变换后的位置信息;利用基于随机函数确定的第二仿射变换矩阵,对该图像对应的背景图像进行仿射变换得到变换背景图像;在变换背景图像的、位置信息指示的位置处融合该图像对应的前景图像,得到该图像对应的变换图像。
在一些实施例中,第一仿射变换矩阵通过如下步骤确定:控制随机函数的取值范围为第一区间,以及利用随机函数确定第一仿射变换矩阵;以及第二仿射变换矩阵通过如下步骤确定:控制随机函数的取值范围为第二区间,以及利用随机函数确定第二仿射变换矩阵。
在一些实施例中,随机函数生成的随机数满足高斯分布。
第四方面,本公开的实施例提供了一种用于处理图像的装置,包括:第二获取单元,别配置成获取第一图像,以及获取第一图像的后一帧图像作为第二图像;光流确定单元,被配置成将第一图像和第二图像输入至预先训练的光流网络,得到第一图像和第二图像之间的光流,其中,光流网络通过如第一方面中任一实现方式描述的方法训练得到;第三获取单元,被配置成获取对第一图像进行图像分割得到的第一分割图像,以及获取对第二图像进行图像分割得到的第二分割图像;预测单元,被配置成根据所得到的光流,对第一分割图像进行处理以预测第二分割图像,得到预测图像;处理单元,被配置成将得到的预测图像与第二分割图像进行融合,得到处理后的第二分割图像。
第五方面,本公开的实施例提供了一种电子设备,该电子设备包括: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第一方面中任一实现方式描述的方法。
第六方面,本公开的实施例提供了一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的实施例提供的用于训练光流网络的方法和装置,利用通过随机函数生成仿射变换矩阵对图像进行仿射变换,从而可以得到图像的像素点的位置变换信息作为图像和变换图像之间的光流,进而可以将图像、变换图像和位置变换信息组成一组训练样本以用于训练光流网络。进一步地,采用该方式来生成训练样本,生成效率高且成本低廉。
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,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于训练光流网络的方法的一个实施例的流程图;
图3是根据本公开的用于训练光流网络的方法的又一个实施例的流程图;
图4是根据本公开的实施例的用于训练光流网络的方法的一个应用场景的示意图;
图5是根据本公开的用于处理图像的方法的又一个实施例的流程图;
图6是根据本公开的用于训练光流网络的装置的一个实施例的结构示意图;
图7是根据本公开的用于处理图像的装置的一个实施例的结构示意图;
图8是适于用来实现本公开的实施例的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本公开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,本公开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公开。
图1示出了可以应用本公开的用于训练光流网络的方法或用于训练光流网络的装置的实施例的示例性架构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。
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上可以安装有各种客户端应用。例如,网页浏览器类应用、搜索类应用等等。
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可以是为终端设备101、102、103提供各种服务的服务器。服务器105可以利用训练样本训练得到光流网络。终端设备101、102、103可以使用服务器训练好的光流网络预测两幅图像之间的光流。
服务器105的本地可以存储有图像集,并基于图像集生成用于训练光流网络的训练样本。此时,可以不存在终端设备101、102、103和网络104。
需要说明的是,本公开的实施例所提供的用于训练光流网络的方法一般由服务器105执行,相应地,用于训练光流网络的装置一般设置于服务器105中。
还需要指出的是,终端设备101、102、103中也可以安装有图像处理类应用,以及可以用于训练光流网络的工具等。此时,用于训练光流网络的方法也可以由终端设备101、102、103执行,相应地,用于训练光流网络的装置也可以设置于终端设备101、102、103中。此时,示例性系统架构100可以不存在服务器105和网络104。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,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。
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,其示出了根据本公开的用于训练光流网络的方法的一个实施例的流程200。该用于训练光流网络的方法包括以下步骤:
步骤201,获取图像集。
在本实施例中,用于训练光流网络的方法的执行主体(如图1所示的服务器105)可以从本地和/或其它存储设备(如图1所示的终端设备101、102、103)和/或公开的一些数据集获取图像集。
可选地,图像集可以通过如下步骤生成:获取前景图像集,以及获取背景图像集,将前景图像集中的各个前景图像分别与背景图像集中的各个背景图像融合,得到图像集。
其中,前景图像可以指技术人员所关注的目标的图像,背景图像一般可以任意设置。例如,技术人员所关注的前景是人时,则前景图像可以是各种人像。
前景图像和背景图像的获取可以从相同的数据集或不同的数据集中获取。当然,也可以利用图像处理技术生成前景图像和/或背景图像。例如,可以利用现有的各种抠图技术,从一些列图像中抠出所关注的前景得到前景图像,可以利用拍摄设备拍摄室内或室外的各种场景得到背景图像。
在得到前景图像集和背景图像集之后,任意一张前景图像和任意一张背景图像都可以融合得到一张图像,从而组成上述图像集。前景图像融合在背景图像中的位置可以灵活设置。
步骤202,对于图像集中的图像,执行如下的样本生成操作:
步骤2021,利用基于预设的随机函数确定的第一仿射变换矩阵,对该图像进行仿射变换得到变换图像。
在本步骤中,随机函数可以指用于生成随机数的函数。仿射变换可以指在一个向量空间进行一次线性变换并接上一个平移变换,以变换为另一个向量空间。
一般地,可以使用2×3的矩阵来表示仿射变换。此时,可以利用随机函数随机生成六个随机数来作为仿射变换矩阵的六个参数。另外,在不同的应用场景中,仿射变换矩阵也可以采用其它变换形式。例如采用3×3的矩阵来表示仿射变换。此时,仿射变换矩阵的第三行的三个元素分别为0,0,1,而其余六个参数仍可以用随机函数生成。
因此,可以预先利用随机函数生成六个随机数作为第一仿射变换矩阵的六个参数。之后,可以利用各种图像处理应用或工具对该图像进行仿射变换,得到变换图像。其中,变换图像即是利用第一仿射变换矩阵对该图像进行线性变换和平移变换得到的。
步骤2022,确定该图像的像素点的位置变换信息作为该图像和对应的变换图像之间的光流。
在本步骤中,利用第一仿射变换矩阵对该图像的各个像素点进行处理,可以得到从该图像与变换图像相比,各个像素点的位置变换信息。其中,位置变换信息可以用于描述像素点的位置变换。例如,位置变换信息可以包括像素点在分别在x方向和y方向的位移。因此,各个像素点的位置变换信息即可以用于表示该图像和变换图像之间的光流。
步骤2023,利用该图像、对应的变换图像,以及对应的光流组成训练样本。
步骤203,基于对图像集中的各个图像执行样本生成操作得到的训练样本组成的训练样本集,训练得到光流网络。
在本步骤中,光流网络可以用于生成两幅图像之间的光流。具体地,可以利用机器学习的方法,将训练样本集中的训练样本中的图像和对应的变换图像作为初始光流网络的输入,将与输入的图像对应的光流作为初始光流网络的期望输出,训练得到光流网络。
其中,初始光流网络可以选取开源的一些未经训练的或未训练完成的光流网络,也可以由技术人员根据应用需求进行搭建。
可选地,对于图像集中的图像,可以通过如下步骤利得到该图像对应的变换图像:
步骤一,利用第一仿射变换矩阵,确定该图像包含的前景图像的像素点经过仿射变换后的位置信息。
在本步骤中,利用第一仿射变换矩阵和前景图像的各像素点分别在该图像中的位置信息,可以得到该图像包含的前景图像的各像素点分别在变换图像中的位置信息。
步骤二,利用基于随机函数确定的第二仿射变换矩阵,对该图像对应的背景图像进行仿射变换得到变换背景图像。
其中,与第一仿射变换矩阵类似的,可以由随机函数生成六个随机数组成第二仿射变换矩阵。然后,可以利用第二仿射变换矩阵对生成该图像的背景图像进行仿射变换,得到变换后的背景图像作为变换背景图像。
其中,第一仿射变换矩阵和第二仿射变换矩阵可以相同,也可以不同。
步骤三,在变换背景图像的、上述位置信息指示的位置处融合该图像对应的前景图像,得到该图像对应的变换图像。
在本步骤中,由于在步骤一中已经确定了前景图像各像素点在变换图像中的位置,因此,可以直接在变换背景图像中的对应位置处覆盖前景图像,就可以得到变换图像。
可选地,在确定第一仿射变换矩阵时,可以控制随机函数的取值范围为第一区间,即使得随机函数生成的、第一仿射变换矩阵的六个参数的取值都在第一区间之内。其中,第一区间可以由技术人员预先设置。
可选地,在确定第二仿射变换矩阵时,可以控制随机函数的取值范围在第二区间,即使得随机函数生成的、第二仿射变换矩阵的六个参数的取值都在第二区间之内。其中,第二区间可以由技术人员预先设置。
其中,第一区间和第二区间可以相同,也可以不同。
由于相对于较大的光流来说,较小的光流更好预测,所以准确度比较高。因此,可以根据具体的应用场景控制第一仿射变换矩阵和第二仿射变换矩阵的各个参数,即控制图像上各个像素点的位移变换大小,以避免位移变换过大的情况。
可选地,第二区间可以为第一区间的真子区间,且第二区间的上限小于第一区间内的目标数值。其中,目标数值可以由技术人员预先设置。此时,可以控制第二区间包含的数值是第一区间内的较小的数值,从而可以控制对背景图像不会做过大的仿射变换。
由于相对于背景来说,通常技术人员更关注于前景的光流变换。因此,可以对背景图像不进行变换,或者对背景图像进行较小的位移变换即可,可以减少计算复杂度,提升训练样本的获取速度。
可选地,上述随机函数生成的随机数满足高斯分布。
由于训练光流网络通常需要大量的训练样本,因此可以控制随机函数生成的随机数服从高斯分布,以使训练样本更具有广泛性,提升训练得到的光流模型的预测结果的准确性。
本公开的上述实施例提供的方法通过随机函数生成仿射变换矩阵的参数,从而利用生成的仿射变换矩阵对图像进行变换,并将图像的各像素点的位置变换信息作为图像和得到的变换图像之间的光流,进而由图像、变换图像和位置变换信息即可组成一组训练样本。由此,可以获取大量丰富的训练样本,而且训练样本的生成方法非常简便,所耗费的成本也非常低。之后,可以基于得到的大量的训练样本训练得到光流网络以用于两幅图像之间的光流的预测。
进一步参考图3,其示出了用于训练光流网络的方法的又一个实施例的流程300。该用于训练光流网络的方法的流程300,包括以下步骤:
步骤301,获取前景图像集,以及获取背景图像集。
步骤302,将前景图像集中的各个前景图像分别与背景图像集中的各个背景图像融合,得到图像集。
上述步骤301和302的具体的执行过程可参考图2对应实施例中的步骤201中的相关说明,在此不再赘述。
步骤303,对于图像集中的图像,执行如下的样本生成操作:
步骤3031,利用第一仿射变换矩阵,确定该图像包含的前景图像的像素点经过仿射变换后的位置信息。
在本步骤中,利用第一仿射变换矩阵和前景图像的各像素点分别在该图像中的位置信息,可以得到该图像包含的前景图像的各像素点分别在变换图像中的位置信息。
步骤3032,在该图像对应的背景图像的、位置信息指示的位置处融合该图像对应的前景图像,得到该图像对应的变换图像。
在本步骤中,可以不对背景图像进行变换,因此,可以直接在生成该图像的背景图像上的对应位置处覆盖前景图像,就可以得到变换图像。
通常在许多应用场景下背景也不是技术人员所关心的对象,因此,可以不对背景图像进行变换。由此可以加快变换图像的生成速度,进而提升生成训练样本的速度。另外,这样还可以避免由于像素点的位移变换而导致的需要填充背景图像的问题。
步骤3033,确定该图像的像素点的位置变换信息作为该图像和对应的变换图像之间的光流。
本步骤的具体的执行过程可参考图2对应实施例中的步骤2022中的相关说明,在此不再赘述。
步骤3034,利用该图像、对应的变换图像,以及对应的光流组成训练样本。
本步骤的具体的执行过程可参考图2对应实施例中的步骤2023中的相关说明,在此不再赘述。
步骤304,基于对图像集中的各个图像执行样本生成操作得到的训练样本组成的训练样本集,训练得到光流网络。
本步骤的具体的执行过程可参考图2对应实施例中的步骤203中的相关说明,在此不再赘述。
继续参见图4,图4是根据本实施例的用于训练光流网络的方法的应用场景的一个示意图400。在图4的应用场景中,上述执行主体可以预先获取前景图像集401,以及获取背景图像集402。之后可以通过将前景图像集401中的前景图像和背景图像集402中的背景图像分别融合得到图像集。
以前景图像集401中的前景图像4011,以及背景图像集402中的背景图像4021作为示例,可以将前景图像4011和背景图像4021进行融合,得到图像403。
之后,可以先确定前景图像4011在图像403中的位置信息。然后利用随机函数生成仿射变换矩阵,并确定对图像403显示的前景图像的各像素点进行仿射变换后分别对应的位置信息404。
之后,可以在背景图像4021中的、位置信息404指示的位置处融合前景图像4011,从而得到变换图像405。根据图像403和变换图像405,可以得到各像素点的位置变换信息406。
之后,可以将图像403、变换图像405,以及位置变换信息406组成一组训练样本。利用同样的方法,可以得到大量的训练样本组成训练样本集。进而可以根据训练样本集训练得到光流网络407以实现对两幅图像之间的光流的预测。
从图4中可以看出,本实施例中的用于训练光流网络的方法可以通过预先采集的前景图像和背景图像生成图像集。之后可以对基于仿射变换矩阵确定前景图像的位置变换信息,进而仍可以利用原本的背景图像和前景图像,根据位置变换信息得到变换图像,使得变换图像的生成过程非常便捷,而且这种方式也不会出现由于像素点的位置变换而需要填充背景图像的问题。
继续参考图5,其示出了根据本公开的用于处理图像的方法的一个实施例的流程500。该用于处理图像的方法包括以下步骤:
步骤501,获取第一图像,以及获取第一图像的后一帧图像作为第二图像。
在本实施例中,用于处理图像的方法的执行主体(如图1所示的终端设备101、102、103)可以从本地或其它存储设备或指定数据集获取第一图像和第二图像。其中,第二图像可以为第一图像的后一帧图像。
可选地,上述执行主体可以从一视频中提取相邻两帧对应的图像,然后可以将前一帧图像视为第一图像,以及将后一帧图像视为第二图像。
步骤502,将第一图像和第二图像输入至预先训练的光流网络,得到第一图像和第二图像之间的光流。
在本实施例中,光流网络可以利用图2、图3对应实施例所描述的方法生成。
步骤503,获取对第一图像进行图像分割得到的第一分割图像,以及获取对第二图像进行图像分割得到的第二分割图像。
在本步骤中,图像分割可以指把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。可以预先利用现有的各种图像分割算法那(如基于阈值的分割方法、基于区域的分割方法、基于神经网络的分割方法等)分别对第一图像和第二图像进行图像分割处理,以得到第一分割图像和第二分割图像。
步骤504,根据所得到的光流,对第一分割图像进行处理以预测第二分割图像,得到预测图像。
在本实施例中,可以根据第一图像和第二图像之间的光流,对第一分割图像中的像素点进行对应的位置变换,从而得到预测的第二分割图像。
步骤505,将得到的预测图像与第二分割图像进行融合,得到处理后的第二分割图像。
在本实施例中,可以将步骤504中根据第一分割图像和第一图像与第二图像之间的光流预测得到的预测图像和第二分割图像进行融合,从而得到处理后的第二分割图像。由此,可以减小第一分割图像和第二分割图像之间差异,提升相邻两帧图像分别对应的分割结果的平滑性和稳定性。
本公开的上述实施例提供的方法通过预测相邻两帧图像之间的光流,进而根据前一帧图像的分割图像和预测的光流,得到预测的后一帧的分割图像。之后,通过融合预测的后一帧的分割图像和预先对后一帧图像进行图像分割得到的分割图像进行融合,从而得到融合后的分割图像,并将融合后的分割图像作为后一帧图像的分割结果,从而可以提升相邻两帧图像分别对应的分割结果的平滑性和稳定性。
进一步参考图6,作为对上述图2和图3所示方法的实现,本公开提供了用于训练光流网络的装置的一个实施例,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6所示,本实施例提供的用于训练光流网络的装置600包括第一获取单元601、生成单元602和训练单元603。
在本实施例中,用于训练光流网络的装置600中:第一获取单元601、生成单元602和训练单元603的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,图像集通过如下步骤生成:获取前景图像集,以及获取背景图像集;将前景图像集中的各个前景图像分别与背景图像集中的各个背景图像融合,得到图像集。
在本实施例的一些可选的实现方式中,生成单元602进一步被配置成:利用第一仿射变换矩阵,确定该图像包含的前景图像的像素点经过仿射变换后的位置信息;在该图像对应的背景图像的、位置信息指示的位置处融合该图像对应的前景图像,得到该图像对应的变换图像。
在本实施例的一些可选的实现方式中,生成单元602进一步被配置成:利用第一仿射变换矩阵,确定该图像包含的前景图像的像素点经过仿射变换后的位置信息;利用基于随机函数确定的第二仿射变换矩阵,对该图像对应的背景图像进行仿射变换得到变换背景图像;在变换背景图像的、位置信息指示的位置处融合该图像对应的前景图像,得到该图像对应的变换图像。
在本实施例的一些可选的实现方式中,第一仿射变换矩阵通过如下步骤确定:控制随机函数的取值范围为第一区间,以及利用随机函数确定第一仿射变换矩阵;以及第二仿射变换矩阵通过如下步骤确定:控制随机函数的取值范围为第二区间,以及利用随机函数确定第二仿射变换矩阵。
在本实施例的一些可选的实现方式中,随机函数生成的随机数满足高斯分布。
本公开的上述实施例提供的装置,通过第一获取单元获取图像集;生成单元对于图像集中的图像,执行如下的样本生成操作:利用基于预设的随机函数确定的第一仿射变换矩阵,对该图像进行仿射变换得到变换图像;确定该图像的像素点的位置变换信息作为该图像和对应的变换图像之间的光流;利用该图像、对应的变换图像,以及对应的光流组成训练样本;训练单元基于对图像集中的各个图像执行样本生成操作得到的训练样本组成的训练样本集,训练得到光流网络,其中,光流网络用于生成两幅图像之间的光流,从而可以获取大量丰富的训练样本,以及基于得到的大量的训练样本训练得到光流网络以用于两幅图像之间的光流的预测。
进一步参考图7,作为对上述图5所示方法的实现,本公开提供了用于处理图像的装置的一个实施例,该装置实施例与图5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7所示,本实施例提供的用于处理图像的装置700包括第二获取单元701、光流确定单元702、第三获取单元703、预测单元704和训练单元705。
在本实施例中,用于处理图像的装置700中:第二获取单元701、光流确定单元702、第三获取单元703、预测单元704和训练单元705的具体处理及其所带来的技术效果可分别参考图5对应实施例中的步骤501、步骤502、503、504和步骤505的相关说明,在此不再赘述。
本公开的上述实施例提供的装置,通过第二获取单元获取第一图像,以及获取第一图像的后一帧图像作为第二图像;光流确定单元将第一图像和第二图像输入至预先训练的光流网络,得到第一图像和第二图像之间的光流,其中,光流网络通过如第一方面中任一实现方式描述的方法训练得到;第三获取单元获取对第一图像进行图像分割得到的第一分割图像,以及获取对第二图像进行图像分割得到的第二分割图像;预测单元根据所得到的光流,对第一分割图像进行处理以预测第二分割图像,得到预测图像;处理单元将得到的预测图像与第二分割图像进行融合,得到处理后的第二分割图像,从而可以提升相邻两帧图像分别对应的分割结果的平滑性和稳定性。
下面参考图8,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)800的结构示意图。图8示出的服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图8所示,电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常,以下装置可以连接至I/O接口805:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807;包括例如磁带、硬盘等的存储装置808;以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图8中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
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装置809从网络上被下载和安装,或者从存储装置808被安装,或者从ROM 802被安装。在该计算机程序被处理装置801执行时,执行本公开的实施例的方法中限定的上述功能。
需要说明的是,本公开的实施例所述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。在本公开的实施例中,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。而在本公开的实施例中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。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电子设备执行时,使得该电子设备:获取图像集;对于图像集中的图像,执行如下的样本生成操作:利用基于预设的随机函数确定的第一仿射变换矩阵,对该图像进行仿射变换得到变换图像;确定该图像的像素点的位置变换信息作为该图像和对应的变换图像之间的光流;利用该图像、对应的变换图像,以及对应的光流组成训练样本;基于对图像集中的各个图像执行样本生成操作得到的训练样本组成的训练样本集,训练得到光流网络,其中,光流网络用于生成两幅图像之间的光流。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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。
描述于本公开的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:一种处理器包括第一获取单元、生成单元和训练单元。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,第一获取单元还可以被描述为“获取图像集的单元”。
以上描述仅为本公开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,本公开的实施例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。例如上述特征与本公开的实施例中公开的(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。