CN110490118A - 图像处理方法及装置 - Google Patents
图像处理方法及装置 Download PDFInfo
- Publication number
- CN110490118A CN110490118A CN201910747705.2A CN201910747705A CN110490118A CN 110490118 A CN110490118 A CN 110490118A CN 201910747705 A CN201910747705 A CN 201910747705A CN 110490118 A CN110490118 A CN 110490118A
- Authority
- CN
- China
- Prior art keywords
- image
- processed
- optimization
- enhancing
- obtains
- 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
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Abstract
本申请提供一种图像处理方法及装置,属于图像处理领域。数据处理设备中预先配置有识别网络模型和多个增强网络。获取待处理图像以及该待处理图像的拍摄环境类型,根据该拍摄环境类型选取对应的增强网络对该待处理图像进行优化处理,获得优化图像。将该优化图像输入到识别网络模型,获得相应的识别结果。如此,通过根据具体的拍摄环境,选取对应的增强网络对待处理图像进行优化处理,提高了识别网络模型的识别效果,同时,提高了整个网络对不同拍摄环境类型的适应性。
Description
技术领域
本申请涉及图像处理领域,具体而言,涉及一种图像处理方法及装置。
背景技术
物体检测作为计算机视觉中很基础的一个检测算法,在工业界有很多应用,例如,无人驾驶以及生产过程中的自动坏件检测等。工业界的很多应用都要面临复杂的环境和光照条件,例如应用于无人驾驶中的物体检测要求网络能够处理大雾、大雨以及暗光等恶劣天气情况。但是通用的物体检测网络大多不会过多是在理想环境下训练获得,不会考虑这些极端环境。因此在这些极端环境下,物体检测网络会出现表现不佳的情况。现有技术中通常的解决方案为收集失败案例,根据这些失败案例重新采集数据,重新训练调整物体检测网络,然而,整个过程反复迭代,使得研发成本以及部署成本过高。
发明内容
为了克服现有技术中的至少一个不足,本申请的目的之一在于提供一种图像处理方法,应用于数据处理设备,所述数据处理设备配置有训练好的识别网络模型以及训练好的多个增强网络,不同的所述增强网络用于优化对应拍摄环境类型的图像,所述方法包括:
获取待处理图像以及该待处理图像的拍摄环境类型;
根据所述拍摄环境类型选取对应增强网络对所述待处理图像进行优化,以减少所述待处理图像中的干扰信息,获得所述待处理图像的优化图像;
将所述待处理图像的优化图像输入到所述识别网络模型进行识别,获得识别结果。
可选地,所述获取该待处理图像的拍摄环境类型的步骤包括:
响应用户选取操作,获得该待处理图像的拍摄环境类型。
可选地,所述获取该待处理图像的拍摄环境类型的步骤包括:
对所述待处理图像的进行图像识别,获得所述待处理图像的拍摄环境类型。
可选地,所述增强网络包括预设数量的降采样层、融合层以及卷积层,所述根据所述拍摄环境类型选取对应增强网络对所述待处理图像进行优化,以减少所述待处理图像中的干扰信息,获得所述待处理图像的优化图像的步骤包括:
将所述待处理图像输入到该降采样层获得所述预设数量的降采样图像,所述降采样图像携带有所述待处理图像不同分辨率下的特征信息;
通过所述融合层对所述预设数量的降采样图像进行融合处理获得融合后的图像;
通过所述卷积层对所述融合后的图像进行处理获得所述优化图像,所述优化图像与所述待处理图像具有相同的分辨率。
可选地,所述方法还包括对未训练好的多个增强网络的训练步骤:
针对未训练好的每个增强网络,获取该增强网络对应拍摄环境类型的多张样本图像;
将所述样本图像输入到所述增强网络,获得所述样本图像的优化图像;
将所述样本图像的优化图像输入到所述训练好的识别网络模型;
基于该训练好的识别网络模型的预设损失函数,通过反方向传播算法对所述增强网络的权值进行调整,直到所述损失函数的输出值低于预设阈值,其中,在对所述增强网络的权值进行调整的过程中,不调整所述训练好的识别网络模型的权值。
本申请实施例的另一目的在于提供一种图像处理装置,应用于数据处理设备,所述数据处理设备配置有训练好的识别网络模型以及训练好的多个增强网络,不同的所述增强网络用于优化对应拍摄环境类型的图像,所述图像处理装置包括获取模块、优化模块和识别模块;
所述获取模块用于获取待处理图像以及该待处理图像的拍摄环境类型;
所述优化模块用于根据所述拍摄环境类型选取对应增强网络对所述待处理图像进行优化,以减少所述待处理图像中的干扰信息,获得所述待处理图像的优化图像;
所述识别模块用于将所述待处理图像的优化图像输入到所述识别网络模型进行识别,获得识别结果。
可选地,所述获取模块通过以下方式获得所述待处理图像的拍摄环境类型:
响应用户选取操作,获得该待处理图像的拍摄环境类型。
可选地,所述获取模块还通过以下方式获得所述待处理图像的拍摄环境类型:
对所述待处理图像的进行图像识别,获得所述待处理图像的拍摄环境类型。
可选地,所述增强网络包括预设数量的降采样层、融合层以及卷积层,所述优化模块通过以下方式获得所述优化图像:
将所述待处理图像输入到该降采样层获得所述预设数量的降采样图像,所述降采样图像携带有所述待处理图像不同分辨率下的特征信息;
通过所述融合层对所述预设数量的降采样图像进行融合处理获得融合后的图像;
通过所述卷积层对所述融合后的图像进行处理获得所述优化图像,所述优化图像与所述待处理图像具有相同的分辨率。
可选地,所述图像处理装置还包括训练模块,所述训练模块通过如下方式对未训练好的多个增强网络进行训练:
针对未训练好的每个增强网络,获取该增强网络对应拍摄环境类型的多张样本图像;
将所述样本图像输入到所述增强网络,获得所述样本图像的优化图像;
将所述样本图像的优化图像输入到所述训练好的识别网络模型;
基于该训练好的识别网络模型的预设损失函数,通过反方向传播算法对所述增强网络的权值进行调整,直到所述损失函数的输出值低于预设阈值,其中,在对所述增强网络的权值进行调整的过程中,不调整所述训练好的识别网络模型的权值。
相对于现有技术而言,本申请具有以下有益效果:
本申请实施例提供一种图像处理方法及装置,属于图像处理领域。数据处理设备中预先配置有识别网络模型和多个增强网络。获取待处理图像以及该待处理图像的拍摄环境类型,根据该拍摄环境类型选取对应的增强网络对该待处理图像进行优化处理,获得优化图像。将该优化图像输入到识别网络模型,获得相应的识别结果。如此,通过根据具体的拍摄环境,选取对应的增强网络对待处理图像进行优化处理,提高了识别网络模型的识别效果,同时,提高了整个网络对不同拍摄环境类型的适应性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的数据处理设备的结构示意图;
图2为本申请实施例提供的图像处理方法的步骤流程图;
图3为本申请实施例提供的增强网络的使用方式示意图;
图4为本申请实施例提供的增强网络的结构示意图;
图5为本申请实施例提供的图像处理装置的结构示意图。
图标:100-数据处理设备;110-图像处理装置;130-处理器;120-存储器;500-增强网络;400-待处理图像;700-优化图像;600-识别网络模型;800-识别结果;501-降采样层;401-降采样图像;502-融合层;403-融合后的图像;503-卷积层;1101-获取模块;1102-优化模块;1103-识别模块;1104-训练模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
请参照图1,图1是本申请实施例提供的数据处理设备100的结构示意图。
所述数据处理设备100包括图像处理装置110、存储器120和处理器130。所述存储器120、处理器130以及各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述图像处理装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器120中或固化在所述数据处理设备100的操作系统(operating system,OS)中的软件功能模块。所述处理器130用于执行所述存储器120中存储的可执行模块,例如所述图像处理装置110所包括的软件功能模块及计算机程序等。
其中,该数据处理设备100可以是,但不限于,智能手机、个人电脑(personalcomputer,PC)、平板电脑、个人数字助理(personal digital assistant,PDA)、移动上网设备(mobile Internet device,MID)或者车载电子设备等。
其中,所述存储器120可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。其中,存储器120用于存储程序,所述处理器130在接收到执行指令后,执行所述程序。
所述处理器130可能是一种集成电路芯片,具有信号的处理能力。上述的处理器130可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
请参照图2,为本申请实施例提供的图像处理方法的步骤流程图,应用于图1所示的数据处理设备100。下面就该图像处理方法的各个步骤进行详细的阐述。
步骤S100,获取待处理图像以及该待处理图像的拍摄环境类型。
该待处理图像可以是已经拍摄完成存储于长效存储介质中的图像,也可以是通过图像采集装置实时获取的实时图像。
该拍摄环境类型可以是,但不限于大雾环境、暴雨环境、暗光环境、逆光环境或者原识别网络模型识别效果不佳的拍摄场景。
在一种可能的实施方式中,该数据处理设备100预设有多种拍摄环境类型。该数据处理设备100提供一显示界面,将所述多种拍摄环境类型显示到该显示界面中。数据处理设备100响应用户的选取操作,从所述多种拍摄环境类型中确定出该待处理图像的拍摄环境类型。如此,通过用户的生活经验,能够快速判断该待处理图像属于何种拍摄环境。
在另一种可能实施方式中,该数据处理设备100通过图像识别的方式对该待处理图像进行图像识别,获得该待处理图像的拍摄环境类型。如此,能够自动获得该待处理图像的拍摄环境,提高了用户体验。
步骤S200,根据所述拍摄环境类型选取对应增强网络对所述待处理图像进行优化,以减少所述待处理图像中的干扰信息,获得所述待处理图像的优化图像。
请参照图3,该数据处理设备100配置有训练好的识别网络模型600以及训练好的多个增强网络500,其中,不同的所述增强网络500用于优化对应拍摄环境类型的待处理图像400。
该数据处理设备100根据该待处理图像400的拍摄环境类型,从多个增强网络500中选取该待处理图像400对应的增强网络;将该待处理图像400输入到该待处理图像400对应的增强网络进行优化处理,获得该待处理图像400的优化图像700。
例如,在一种可能的示例中,该待处理图像400为浓雾环境中拍摄的图像。该数据处理设备100选取用于去雾的增强网络500对该雾环境中拍摄的图像进行优化处理,获得对应的优化图像700。该优化图像700相较于未经优化处理的待处理图像400,减少了浓雾的特征信息。
可选地,该增更强网络包括预设数量的降采样层、融合层以及卷积层。该数据处理设备100将所述待处理图像400输入到该降采样层获得所述预设数量的降采样图像,所述降采样图像携带有所述待处理图像400不同分辨率下的特征信息;通过所述融合层对所述预设数量的降采样图像进行融合处理获得融合后的图像;通过所述卷积层对所述融合后的图像进行处理获得所述优化图像700,所述优化图像700与所述待处理图像400具有相同的分辨率。
请参照图4,在一种可能的示例中。该增更强网络包括4个降采样层501,该数据处理设备100通过4个降采样层501获得4张不同分辨率的降采样图像401;进一步地,通过融合层502将4张不同分辨率的降采样图像401进行融合,获得融合后的图像403。如此,该融合后的图像403携带有该待处理图像400大量的特征信息。
最后,该数据处理设备100通过所述卷积层503对所述融合后的图像403进行处理获得所述优化图像700,所述优化图像700与所述待处理图像400具有相同的分辨率。
可选地,该图像处理方法还包括对未训练好的多个增强网络500的训练步骤。
该数据处理设备100针对未训练好的每个增强网络500,获取该增强网络500对应拍摄环境类型的多张样本图像,如暗光拍摄环境下的多张样本图像。
该数据处理设备100将所述样本图像输入到所述增强网络500,获得所述样本图像的优化图像700;将所述样本图像的优化图像700输入到所述训练好的识别网络模型600;基于该训练好的识别网络模型600的预设损失函数,通过反方向传播算法对所述增强网络500的权值进行调整,直到所述损失函数的输出值低于预设阈值,其中,在对所述增强网络500的权值进行调整的过程中,不调整所述训练好的识别网络模型600的权值。
如此,通过该识别网络模型600的损失函数判断该增强网络500的图像优化效果,可以从识别网络模型600的角度判断增强网络500对样本图像中干扰信息的去除效果。相较于人为判断待处理图像400中是否存在干扰信息,能取得更好的训练效果。即避免了有些待处理图像400,用肉眼观看是一张很清晰的图像,但是对于识别网络模型600而言,可能是一张携带有大量干扰信息的图像。
步骤S300,将所述待处理图像400的优化图像700输入到所述识别网络模型600进行识别,获得识别结果800。
该数据处理设备100将携带更少干扰信息的优化图像700输入到该识别网络模型600中进行相应的图像识别,获得相应的识别结果800。如此,提高了识别网络模型600的识别效果,以及该识别网络模型600的适应不同拍摄环境的能力。
请参照图5,本申请实施例还提供一种图像处理装置110,应用于数据处理设备100。所述数据处理设备100配置有训练好的识别网络模型600以及训练好的多个增强网络500,不同的所述增强网络500用于优化对应拍摄环境类型的图像。图像处理装置110包括至少一个可以软件形式存储于存储器120中的功能模块。从功能上划分,所述图像处理装置110包括获取模块1101、优化模块1102和识别模块1103。
该获取模块1101用于获取待处理图像400以及该待处理图像400的拍摄环境类型。
在本实施例中,该获取模块1101用于执行图2中的步骤S100,关于该获取模块1101的详细描述可以参考步骤S100的详细描述。
该优化模块1102用于根据所述拍摄环境类型选取对应增强网络500对所述待处理图像400进行优化,以减少所述待处理图像400中的干扰信息,获得所述待处理图像400的优化图像700。
在本实施例中,该优化模块1102用于执行图2中的步骤S200,关于该优化模块1102的详细描述可以参考步骤S200的详细描述。
该识别模块1103用于将所述待处理图像400的优化图像700输入到所述识别网络模型600进行识别,获得识别结果800。
在本实施例中,该识别模块1103用于执行图2中的步骤S300,关于该识别模块1103的详细描述,可以参考步骤S300的详细描述。
可选地,该获取模块1101通过以下方式获得所述待处理图像400的拍摄环境类型:
响应用户选取操作,获得该待处理图像400的拍摄环境类型。
可选地,该获取模块1101还通过以下方式获得所述待处理图像400的拍摄环境类型:
对所述待处理图像400的进行图像识别,获得所述待处理图像400的拍摄环境类型。
可选地,该增强网络500包括预设数量的降采样层501、融合层502以及卷积层503,所述优化模块1102通过以下方式获得所述优化图像700:
将所述待处理图像400输入到该降采样层501获得所述预设数量的降采样图像401,所述降采样图像401携带有所述待处理图像400不同分辨率下的特征信息;
通过所述融合层502对所述预设数量的降采样图像401进行融合处理获得融合后的图像403;
通过所述卷积层503对所述融合后的图像403进行处理获得所述优化图像700,所述优化图像700与所述待处理图像400具有相同的分辨率。
可选地,所述图像处理装置110还包括训练模块1104,所述训练模块1104通过如下方式对未训练好的多个增强网络500进行训练:
针对未训练好的每个增强网络500,获取该增强网络500对应拍摄环境类型的多张样本图像;
将所述样本图像输入到所述增强网络500,获得所述样本图像的优化图像700;
将所述样本图像的优化图像700输入到所述训练好的识别网络模型600;
基于该训练好的识别网络模型600的预设损失函数,通过反方向传播算法对所述增强网络500的权值进行调整,直到所述损失函数的输出值低于预设阈值,其中,在对所述增强网络500的权值进行调整的过程中,不调整所述训练好的识别网络模型600的权值。
综上所述,本申请实施例提供一种图像处理方法及装置,属于图像处理领域。数据处理设备中预先配置有识别网络模型和多个增强网络。获取待处理图像以及该待处理图像的拍摄环境类型,根据该拍摄环境类型选取对应的增强网络对该待处理图像进行优化处理,获得优化图像。将该优化图像输入到识别网络模型,获得相应的识别结果。如此,通过根据具体的拍摄环境,选取对应的增强网络对待处理图像进行优化处理,提高了识别网络模型的识别效果,同时,提高了整个网络对不同拍摄环境类型的适应性。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、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,所述模块、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方式中,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,两个连续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动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。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述,仅为本申请的各种实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种图像处理方法,其特征在于,应用于数据处理设备,所述数据处理设备配置有训练好的识别网络模型以及训练好的多个增强网络,不同的所述增强网络用于优化对应拍摄环境类型的图像,所述方法包括:
获取待处理图像以及该待处理图像的拍摄环境类型;
根据所述拍摄环境类型选取对应增强网络对所述待处理图像进行优化,以减少所述待处理图像中的干扰信息,获得所述待处理图像的优化图像;
将所述待处理图像的优化图像输入到所述识别网络模型进行识别,获得识别结果。
2.根据权利要求1所述的图像处理方法,其特征在于,所述获取该待处理图像的拍摄环境类型的步骤包括:
响应用户选取操作,获得该待处理图像的拍摄环境类型。
3.根据权利要求1所述的图像处理方法,其特征在于,所述获取该待处理图像的拍摄环境类型的步骤包括:
对所述待处理图像的进行图像识别,获得所述待处理图像的拍摄环境类型。
4.根据权利要求1所述的图像处理方法,其特征在于,所述增强网络包括预设数量的降采样层、融合层以及卷积层,所述根据所述拍摄环境类型选取对应增强网络对所述待处理图像进行优化,以减少所述待处理图像中的干扰信息,获得所述待处理图像的优化图像的步骤包括:
将所述待处理图像输入到该降采样层获得所述预设数量的降采样图像,所述降采样图像携带有所述待处理图像不同分辨率下的特征信息;
通过所述融合层对所述预设数量的降采样图像进行融合处理获得融合后的图像;
通过所述卷积层对所述融合后的图像进行处理获得所述优化图像,所述优化图像与所述待处理图像具有相同的分辨率。
5.根据权利要求1所述的图像处理方法,其特征在于,所述方法还包括对未训练好的多个增强网络的训练步骤:
针对未训练好的每个增强网络,获取该增强网络对应拍摄环境类型的多张样本图像;
将所述样本图像输入到所述增强网络,获得所述样本图像的优化图像;
将所述样本图像的优化图像输入到所述训练好的识别网络模型;
基于该训练好的识别网络模型的预设损失函数,通过反方向传播算法对所述增强网络的权值进行调整,直到所述损失函数的输出值低于预设阈值,其中,在对所述增强网络的权值进行调整的过程中,不调整所述训练好的识别网络模型的权值。
6.一种图像处理装置,其特征在于,应用于数据处理设备,所述数据处理设备配置有训练好的识别网络模型以及训练好的多个增强网络,不同的所述增强网络用于优化对应拍摄环境类型的图像,所述图像处理装置包括获取模块、优化模块和识别模块;
所述获取模块用于获取待处理图像以及该待处理图像的拍摄环境类型;
所述优化模块用于根据所述拍摄环境类型选取对应增强网络对所述待处理图像进行优化,以减少所述待处理图像中的干扰信息,获得所述待处理图像的优化图像;
所述识别模块用于将所述待处理图像的优化图像输入到所述识别网络模型进行识别,获得识别结果。
7.根据权利要求6所述的图像处理装置,其特征在于,所述获取模块通过以下方式获得所述待处理图像的拍摄环境类型:
响应用户选取操作,获得该待处理图像的拍摄环境类型。
8.根据权利要求6所述的图像处理装置,其特征在于,所述获取模块还通过以下方式获得所述待处理图像的拍摄环境类型:
对所述待处理图像的进行图像识别,获得所述待处理图像的拍摄环境类型。
9.根据权利要求6所述的图像处理装置,其特征在于,所述增强网络包括预设数量的降采样层、融合层以及卷积层,所述优化模块通过以下方式获得所述优化图像:
将所述待处理图像输入到该降采样层获得所述预设数量的降采样图像,所述降采样图像携带有所述待处理图像不同分辨率下的特征信息;
通过所述融合层对所述预设数量的降采样图像进行融合处理获得融合后的图像;
通过所述卷积层对所述融合后的图像进行处理获得所述优化图像,所述优化图像与所述待处理图像具有相同的分辨率。
10.根据权利要求6所述的图像处理装置,其特征在于,所述图像处理装置还包括训练模块,所述训练模块通过如下方式对未训练好的多个增强网络进行训练:
针对未训练好的每个增强网络,获取该增强网络对应拍摄环境类型的多张样本图像;
将所述样本图像输入到所述增强网络,获得所述样本图像的优化图像;
将所述样本图像的优化图像输入到所述训练好的识别网络模型;
基于该训练好的识别网络模型的预设损失函数,通过反方向传播算法对所述增强网络的权值进行调整,直到所述损失函数的输出值低于预设阈值,其中,在对所述增强网络的权值进行调整的过程中,不调整所述训练好的识别网络模型的权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910747705.2A CN110490118A (zh) | 2019-08-14 | 2019-08-14 | 图像处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910747705.2A CN110490118A (zh) | 2019-08-14 | 2019-08-14 | 图像处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110490118A true CN110490118A (zh) | 2019-11-22 |
Family
ID=68550986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910747705.2A Pending CN110490118A (zh) | 2019-08-14 | 2019-08-14 | 图像处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490118A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111327790A (zh) * | 2020-03-27 | 2020-06-23 | 武汉烛照科技有限公司 | 一种视频处理芯片 |
CN111899199A (zh) * | 2020-08-07 | 2020-11-06 | 深圳市捷顺科技实业股份有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN112368738A (zh) * | 2020-05-18 | 2021-02-12 | 上海联影医疗科技股份有限公司 | 用于图像优化的系统和方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296667A (zh) * | 2016-08-01 | 2017-01-04 | 乐视控股(北京)有限公司 | 手形检测方法和系统 |
CN108737750A (zh) * | 2018-06-07 | 2018-11-02 | 北京旷视科技有限公司 | 图像处理方法、装置及电子设备 |
CN108965731A (zh) * | 2018-08-22 | 2018-12-07 | Oppo广东移动通信有限公司 | 一种暗光图像处理方法及装置、终端、存储介质 |
CN109598269A (zh) * | 2018-11-14 | 2019-04-09 | 天津大学 | 一种基于多分辨率输入与金字塔膨胀卷积的语义分割方法 |
CN109685842A (zh) * | 2018-12-14 | 2019-04-26 | 电子科技大学 | 一种基于多尺度网络的稀疏深度稠密化方法 |
CN109815802A (zh) * | 2018-12-18 | 2019-05-28 | 中国海洋大学 | 一种基于卷积神经网络的监控视频车辆检测与识别方法 |
CN109919013A (zh) * | 2019-01-28 | 2019-06-21 | 浙江英索人工智能科技有限公司 | 视频图像中基于深度学习的人脸检测方法及装置 |
-
2019
- 2019-08-14 CN CN201910747705.2A patent/CN110490118A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296667A (zh) * | 2016-08-01 | 2017-01-04 | 乐视控股(北京)有限公司 | 手形检测方法和系统 |
CN108737750A (zh) * | 2018-06-07 | 2018-11-02 | 北京旷视科技有限公司 | 图像处理方法、装置及电子设备 |
CN108965731A (zh) * | 2018-08-22 | 2018-12-07 | Oppo广东移动通信有限公司 | 一种暗光图像处理方法及装置、终端、存储介质 |
CN109598269A (zh) * | 2018-11-14 | 2019-04-09 | 天津大学 | 一种基于多分辨率输入与金字塔膨胀卷积的语义分割方法 |
CN109685842A (zh) * | 2018-12-14 | 2019-04-26 | 电子科技大学 | 一种基于多尺度网络的稀疏深度稠密化方法 |
CN109815802A (zh) * | 2018-12-18 | 2019-05-28 | 中国海洋大学 | 一种基于卷积神经网络的监控视频车辆检测与识别方法 |
CN109919013A (zh) * | 2019-01-28 | 2019-06-21 | 浙江英索人工智能科技有限公司 | 视频图像中基于深度学习的人脸检测方法及装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111327790A (zh) * | 2020-03-27 | 2020-06-23 | 武汉烛照科技有限公司 | 一种视频处理芯片 |
CN111327790B (zh) * | 2020-03-27 | 2022-02-08 | 武汉烛照科技有限公司 | 一种视频处理芯片 |
CN112368738A (zh) * | 2020-05-18 | 2021-02-12 | 上海联影医疗科技股份有限公司 | 用于图像优化的系统和方法 |
WO2021233315A1 (zh) * | 2020-05-18 | 2021-11-25 | 上海联影医疗科技股份有限公司 | 一种图像质量优化的方法及系统 |
CN112368738B (zh) * | 2020-05-18 | 2024-01-16 | 上海联影医疗科技股份有限公司 | 用于图像优化的系统和方法 |
CN111899199A (zh) * | 2020-08-07 | 2020-11-06 | 深圳市捷顺科技实业股份有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN111899199B (zh) * | 2020-08-07 | 2024-03-19 | 深圳市捷顺科技实业股份有限公司 | 一种图像处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734162B (zh) | 商品图像中目标识别方法、系统、设备及存储介质 | |
CN110490118A (zh) | 图像处理方法及装置 | |
CN108337505B (zh) | 信息获取方法和装置 | |
CN111553362A (zh) | 一种视频处理方法、电子设备和计算机可读存储介质 | |
CN107369176B (zh) | 一种柔性ic基板氧化面积检测系统及方法 | |
CN115272330B (zh) | 基于电池表面图像的缺陷检测方法、系统及相关设备 | |
CN111753764A (zh) | 一种边缘端基于姿态估计的手势识别方法 | |
CN110858316A (zh) | 对时间序列图像数据进行分类 | |
CN110414649A (zh) | Dm码的定位方法、装置、终端及存储介质 | |
CN103516959B (zh) | 图像处理方法及设备 | |
CN113033715B (zh) | 目标检测模型训练方法和目标车辆检测信息生成方法 | |
CN110751225A (zh) | 图像分类方法、装置及存储介质 | |
CN112966687B (zh) | 图像分割模型训练方法、装置及通信设备 | |
CN114120136B (zh) | 对垃圾进行分类的方法、装置以及存储介质 | |
CN113963167B (zh) | 应用于目标检测的方法、装置及计算机程序产品 | |
CN115620079A (zh) | 样本标签的获取方法和镜头失效检测模型的训练方法 | |
CN115965934A (zh) | 一种停车位检测方法及装置 | |
CN116579968A (zh) | 用于食材图像的识别方法及装置、蒸烤设备、存储介质 | |
CN112016348A (zh) | 一种人脸真伪识别方法和装置 | |
CN116703905B (zh) | 空料检测方法、装置、电子设备和计算机可读存储介质 | |
CN113542866B (zh) | 视频处理方法、装置、设备及计算机可读存储介质 | |
CN112381046B (zh) | 多任务姿态不变的人脸识别方法、系统、装置及存储介质 | |
CN110909564B (zh) | 行人检测方法与装置 | |
Fiala et al. | Framework for image sensor design parameter optimization for pupil detection | |
CN114005066B (zh) | 基于hdr的视频帧图像处理方法、装置、计算机设备及介质 |
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 |
Application publication date: 20191122 |
|
RJ01 | Rejection of invention patent application after publication |