CN111161181A - 图像数据的增强方法、模型的训练方法、设备和存储介质 - Google Patents
图像数据的增强方法、模型的训练方法、设备和存储介质 Download PDFInfo
- Publication number
- CN111161181A CN111161181A CN201911368802.7A CN201911368802A CN111161181A CN 111161181 A CN111161181 A CN 111161181A CN 201911368802 A CN201911368802 A CN 201911368802A CN 111161181 A CN111161181 A CN 111161181A
- Authority
- CN
- China
- Prior art keywords
- image data
- image
- enhancement
- enhanced
- random
- 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 71
- 238000012549 training Methods 0.000 title claims abstract description 28
- 230000002708 enhancing effect Effects 0.000 claims abstract description 24
- 238000007667 floating Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 33
- 238000001914 filtration Methods 0.000 claims description 24
- 230000004048 modification Effects 0.000 claims description 21
- 238000012986 modification Methods 0.000 claims description 21
- 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 20
- 238000010008 shearing Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 239000006002 Pepper Substances 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 235000002566 Capsicum Nutrition 0.000 description 3
- 241000722363 Piper Species 0.000 description 3
- 235000016761 Piper aduncum Nutrition 0.000 description 3
- 235000017804 Piper guineense Nutrition 0.000 description 3
- 235000008184 Piper nigrum Nutrition 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
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 Processing (AREA)
Abstract
本申请公开了一种图像数据的增强方法、模型的训练方法、设备和存储介质,所述图像数据的增强方法包括:获取原始图像数据,对所述原始图像数据进行预处理,得到预处理图像数据,其中,所述预处理图像数据的数据类型为浮点型;采用至少第一图像增强方式对所述预处理图像数据进行增强处理,得到第一增强图像数据;采用至少第二图像增强方式对所述第一增强图像数据进行增强处理,得到第二增强图像数据;基于所述第二增强图像数据输出增强后的图像。通过上述方法,本申请能对原始图像数据进行增强处理,为提高图像样本的多样性提供技术支持。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种图像数据的增强方法、模型的训练方法、设备和存储介质。
背景技术
目前的基于深度学习的物体识别算法依赖于大量的图像数据,但是我们获得的图像数据不可能覆盖生活中所有可能的情况,直接使用原始图像数据训练出来物体识别模型在现实中使用时鲁棒性差,极易受环境光照、环境背景、物体角度、物体颜色等因素的影响。因此,需要采用一种应用于物体识别的图像数据的增强方法,来产生丰富的图像样本,从而可以解决训练样本不足、数据丰富度不够的问题。
发明内容
本申请主要解决的技术问题是提供一种图像数据的增强方法、模型的训练方法、设备和存储介质,能对原始图像数据进行增强处理,为提高图像样本的多样性提供技术支持。
为解决上述问题,本申请第一方面提供了一种图像数据的增强方法,所述图像数据的增强方法包括:获取原始图像数据,对所述原始图像数据进行预处理,得到预处理图像数据,其中,所述预处理图像数据的数据类型为浮点型;采用至少第一图像增强方式对所述预处理图像数据进行增强处理,得到第一增强图像数据;采用至少第二图像增强方式对所述第一增强图像数据进行增强处理,得到第二增强图像数据;基于所述第二增强图像数据输出增强后的图像。
为了解决上述问题,本申请第二方面提供了一种物体识别模型的训练方法,所述物体识别模型的训练方法包括:获取待识别的物体的原始图像数据;采用如上所述的图像数据的增强方法对所述原始图像数据进行处理,形成图像样本;将所述图像样本输入物体识别模型,以完成所述物体识别模型的训练
为解决上述问题,本申请第三方面提供了一种处理设备,包括相互耦接存储器和处理器;所述存储器用于存储程序数据;所述处理器执行所述程序数据,用于实现上述的图像数据的增强方法或实现上述的物体识别模型的训练方法。
为解决上述问题,本申请第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有程序数据,所述程序数据能够被执行以实现上述的图像数据的增强方法或实现上述的物体识别模型的训练方法。
本申请的有益效果是:区别于现有技术的情况,在获取原始图像数据后,对原始图像数据进行预处理,得到预处理图像数据,然后采用至少第一图像增强方式对预处理图像数据进行增强处理,得到第一增强图像数据,采用至少第二图像增强方式对第一增强图像数据进行增强处理,得到第二增强图像数据,于是可以基于第二增强图像数据输出增强后的图像。通过上述方式,能对原始图像数据进行增强处理,为提高图像样本的多样性提供技术支持;由于预处理图像数据的数据类型为浮点型,其数值大小在0到1之间,便于后续采用第一图像增强方式和第二图像增强方式进行的图像增强操作;另外,通过采用至少第一图像增强方式和至少第二图像增强方式组合进行图像增强,能产生更加丰富的图像样本,为提高图像样本的多样性提供技术支持。
附图说明
图1是本申请图像数据的增强方法一实施例的流程示意图;
图2是本申请图像数据的增强方法另一实施例的流程示意图;
图3是图2中步骤S204的一应用场景的具体流程示意图;
图4是图2中步骤S206的一应用场景的具体流程示意图;
图5是图2中步骤S209的一应用场景的具体流程示意图;
图6是图2中步骤S210的一应用场景的具体流程示意图;
图7是本申请物体识别模型的训练方法一实施例的流程示意图;
图8是本申请提供的处理设备一实施例的结构示意图;
图9是本申请提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
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,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、接口、技术之类的具体细节,以便透彻理解本申请。
本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。此外,本文中的“多”表示两个或者多于两个。
图像数据的获取对神经网络与卷积神经网络模型训练有重要影响,当图像样本数量不足时会严重影响模型训练或者导致训练出来的模型泛化程度不够,识别率与准确率不高,因此需要对已有的原始图像数据进行数据增强,以获取图像样本的多样性,从而为物体识别模型的训练提供条件。请参阅图1,图1是本申请图像数据的增强方法一实施例的流程示意图。本实施例的图像数据的增强方法包括以下步骤:
步骤S101:获取原始图像数据,对原始图像数据进行预处理,得到预处理图像数据,其中,预处理图像数据的数据类型为浮点型。
本申请中,为了方便后续对原始图像数据的增强处理,在获取到原始图像数据后,可以对原始图像数据进行预处理,将原始图像数据的数据类型转换成浮点型。例如,原始图像数据的数据类型为uint8、数值大小在[0,255]之间,则可以将其转换成数据类型为float32、数值大小在[0,1]之间,得到预处理图像数据。
步骤S102:采用至少第一图像增强方式对预处理图像数据进行增强处理,得到第一增强图像数据。
步骤S103:采用至少第二图像增强方式对第一增强图像数据进行增强处理,得到第二增强图像数据。
可以理解的是,由于基于深度学习的物体识别算法需要依赖大量的图像数据,但是实际获得的原始图像数据不可能覆盖生活中所有可能的情况,因此需要采用图像增强方式来提高图像样本的多样性,使训练出来的图像识别模型在现实生活中使用时更加鲁棒。因此可以采用至少第一图像增强方式和至少第二图像增强方式相组合的形式来进行图像增强,从而产生更加丰富的图像样本。
步骤S104:基于第二增强图像数据输出增强后的图像。
在将预处理图像数据通过至少第一图像增强方式和至少第二图像增强方式进行数据增强之后,可以基于第二增强图像数据输出增强后的图像,该增强后的图像作为图像样本来说,相较于原始图像更具有多样性。另外,所得到的第二增强图像数据的数据类型可能不满足最终需要输出的图像的数据类型;一般来说,图片在读入时基本上以uint8格式为主,对图片进行处理(例如灰度图处理、归一化处理等)后通常会被转换为float格式,而当想要再次查看图片时最好先将图片转换为uint8格式,否则容易出现各种奇怪的问题;因此,需要将第二增强图像数据的数据类型转换为需要的数据类型后再进行输出。
本实施例中,在获取原始图像数据后,对原始图像数据进行预处理,得到预处理图像数据,然后采用至少第一图像增强方式对预处理图像数据进行增强处理,得到第一增强图像数据,采用至少第二图像增强方式对第一增强图像数据进行增强处理,得到第二增强图像数据,于是可以基于第二增强图像数据输出增强后的图像。通过上述方式,能对原始图像数据进行增强处理,为提高图像样本的多样性提供技术支持;由于预处理图像数据的数据类型为浮点型,其数值大小在0到1之间,便于后续采用第一图像增强方式和第二图像增强方式进行的图像增强操作;另外,通过采用至少第一图像增强方式和至少第二图像增强方式组合进行图像增强,能产生更加丰富的图像样本,为提高图像样本的多样性提供技术支持。
进一步地,第一图像增强方式和第二图像增强方式均包括图像随机裁剪、图像大小修改、图像翻转增强、图像颜色增强、图像仿射变换、图像透视变换、图像模糊增强、图像噪声增强中的至少一种。可以理解的是,每一种图像增强方式都可以让有限的数据产生更多的等价数据,因此,采用多种图像增强方式相结合的方式,可以获得更多的数据集,即可以实现图像数据的增强操作。
在一实施例中,上述的第一图像增强方式或第二图像增强方式包括图像随机裁剪。当第一图像增强方式包括图像随机裁剪时,上述步骤S102可以包括:对预处理图像数据进行图像随机裁剪,得到第一增强图像数据。当第二图像增强方式包括图像随机裁剪时,上述步骤S103可以包括:对第一增强图像数据进行图像随机裁剪,得到第二增强图像数据。即,可以在对原始图像数据进行数据类型转换之后进行图像随机裁剪,也可以在对原始图像数据采用其他图像增强方式进行增强之后才进行图像随机裁剪。可以理解的是,采用图像随机裁剪,一般是对一个图片随机裁剪某个局部,从而达到数据扩充的目的,若输入的图片的分辨率大小是256*256,当采用随机裁剪成224*224的方式时,那么一张图最多可以产生32*32张图,数据量将扩充将近1000倍。例如,可以随机裁剪预处理图像数据或者第一增强图像数据的感兴趣区域(ROI),这样能够保证产生的图像样本不仅包含了物体的全局信息,又包含物体的局部信息。裁剪比例可以根据实际情况设计,比如:裁减比例可以为10%-100%。
在另一实施例中,上述的第一图像增强方式或第二图像增强方式包括图像大小修改。当第一图像增强方式包括图像大小修改时,上述步骤S102可以包括:生成处于预设范围内的随机数,根据随机数所处的数值区间选择相对应的插值方式来修改预处理图像数据的图像大小,以形成第一增强图像数据。当第二图像增强方式包括图像大小修改时,上述步骤S103可以包括:生成处于预设范围内的随机数,根据随机数所处的数值区间选择相对应的插值方式来修改第一增强图像数据的图像大小,以形成第二增强图像数据。即,可以在对原始图像数据进行数据类型转换之后进行图像大小修改,也可以在对原始图像数据采用其他图像增强方式进行增强之后才进行图像大小修改。具体地,可以生成处于预设范围内的随机数,预设一个随机数的大小与插值方式的关联关系,从而可以根据该随机数的大小来选择一个对应的插值方式来把预处理图像数据或者第一增强图像数据修改成实际物体识别网络输入的大小;其中,插值方式包括双线性插值、最近邻插值、双三次插值、区域插值,即可以在这四种插值方式中随机选择一种进行图像大小修改。
在另一实施例中,上述的第一图像增强方式或第二图像增强方式包括图像翻转增强。当第一图像增强方式包括图像翻转增强时,上述步骤S102可以包括:对预处理图像数据进行随机上下翻转和/或随机左右翻转,以形成第一增强图像数据。当第二图像增强方式包括图像翻转增强时,上述步骤S103可以包括:对第一增强图像数据进行随机上下翻转和/或随机左右翻转,以形成第二增强图像数据。即,可以在对原始图像数据进行数据类型转换之后进行图像翻转增强,也可以在对原始图像数据采用其他图像增强方式进行增强之后才进行图像翻转增强。具体地,可以对图像进行翻转变换,翻转变换通过改变图像的坐标,用以将图像呈现不同角度,从而可以增强图像中物体朝向丰富性。
在另一实施例中,上述的第一图像增强方式或第二图像增强方式包括图像颜色增强。当第一图像增强方式包括图像颜色增强时,上述步骤S102可以包括:生成处于预设范围内的随机数,根据随机数所处的数值区间选择相对应的颜色调整组合方式来修改预处理图像数据的图像颜色,以形成第一增强图像数据。当第二图像增强方式包括图像颜色增强时,上述步骤S103可以包括:生成处于预设范围内的随机数,根据随机数所处的数值区间选择相对应的颜色调整组合方式来修改第一增强图像数据的图像颜色,以形成第二增强图像数据。即,可以在对原始图像数据进行数据类型转换之后进行图像颜色增强,也可以在对原始图像数据采用其他图像增强方式进行增强之后才进行图像颜色增强。具体地,可以生成处于预设范围内的随机数,预设一个随机数的大小与颜色调整组合方式的关联关系,从而可以根据该随机数的大小来选择一个对应的颜色调整组合方式来把预处理图像数据或者第一增强图像数据进行颜色调整;其中,颜色调整组合方式包括将随机亮度、随机饱和度、随机色度和随机对比度按照任意的排列顺序进行组合而形成的颜色调整方式。例如,针对随机亮度、随机饱和度、随机色度和随机对比度这4中随机颜色增强方式,可以形成24种组合顺序,选用其中最有效的4种组合顺序(可以根据情况添加更多的组合顺序),然后在需要进行图像颜色增强时,随机选择其中一种组合顺序来进行颜色调整,从而提高图像中物体颜色的丰富性。
在另一实施例中,上述的第一图像增强方式或第二图像增强方式包括图像仿射变换。当第一图像增强方式包括图像仿射变换时,上述步骤S102可以包括:采用随机缩放、随机平移、随机旋转、随机剪切中的至少一种变换方式来对预处理图像数据的进行仿射变换,以形成第一增强图像数据。当第二图像增强方式包括图像仿射变换时,上述步骤S103可以包括:采用随机缩放、随机平移、随机旋转、随机剪切中的至少一种变换方式来对第一增强图像数据的进行仿射变换,以形成第二增强图像数据。即,可以在对原始图像数据进行数据类型转换之后进行图像仿射变换,也可以在对原始图像数据采用其他图像增强方式进行增强之后才进行图像仿射变换。具体地,仿射变换通过随机缩放、随机平移、随机旋转、随机剪切等一系列变换方式组合实现,使用图像仿射变换,可以增强图像中物体的尺度、位置、角度、高矮胖瘦等因素的丰富性。
在另一实施例中,上述的第一图像增强方式或第二图像增强方式包括图像模糊增强。当第一图像增强方式包括图像模糊增强时,上述步骤S102可以包括:生成处于预设范围内的随机数,根据随机数所处的数值区间选择相对应的滤波方式来对预处理图像数据进行模糊增强变换,以形成第一增强图像数据。当第二图像增强方式包括图像模糊增强时,上述步骤S103可以包括:生成处于预设范围内的随机数,根据随机数所处的数值区间选择相对应的滤波方式来对第一增强图像数据进行模糊增强,以形成第二增强图像数据。即,可以在对原始图像数据进行数据类型转换之后进行图像模糊增强,也可以在对原始图像数据采用其他图像增强方式进行增强之后才进行图像模糊增强。具体地,可以生成处于预设范围内的随机数,预设一个随机数的大小与滤波方式的关联关系,从而可以根据该随机数的大小来选择一个对应的滤波方式来对预处理图像数据或者第一增强图像数据进行模糊处理,从而可以模仿相机抖动或者相机对焦失败出现通过相机获取到的图像出现模糊的情况,即丰富了可能出现的具有模糊画面的图像数据,为训练模型来通过模糊画面识别物体提供技术支持;其中,滤波方式包括随机高斯滤波、随机均值滤波、随机中值滤波,即可以在这三种滤波方式中随机选择一种进行图像模糊增强。
在另一实施例中,上述的第一图像增强方式或第二图像增强方式包括图像噪声增强。当第一图像增强方式包括图像噪声增强时,上述步骤S102可以包括:生成处于预设范围内的随机数,根据随机数所处的数值区间选择相对应的噪声类型来对预处理图像数据进行噪声增强,以形成第一增强图像数据。当第二图像增强方式包括图像噪声增强时,上述步骤S103可以包括:生成处于预设范围内的随机数,根据随机数所处的数值区间选择相对应的噪声类型来对第一增强图像数据进行噪声增强,以形成第二增强图像数据。即,可以在对原始图像数据进行数据类型转换之后进行图像噪声增强,也可以在对原始图像数据采用其他图像增强方式进行增强之后才进行图像噪声增强。具体地,可以生成处于预设范围内的随机数,预设一个随机数的大小与噪声类型的关联关系,从而可以根据该随机数的大小来选择一个对应的噪声类型来对预处理图像数据或者第一增强图像数据进行图像噪声增强,在原来的图片的基础上,随机叠加一些噪声,从而得到具有噪声的图像样本,即丰富了可能出现的具有噪声画面的图像数据,为训练模型来通过具有噪声的画面来识别物体提供技术支持;其中,噪声类型包括随机高斯噪声、随机椒盐噪声,即可以在这两种噪声类型中随机选择一种进行图像噪声增强。
请参阅图2,图2是本申请图像数据的增强方法另一实施例的流程示意图。本实施例中,第一图像增强方式和第二图像增强方式包括图像随机裁剪、图像大小修改、图像翻转增强、图像颜色增强、图像仿射变换、图像透视变换、图像模糊增强、图像噪声增强,即采用上述这些图像增强方式进行组合来进行图像增强,以产生更加丰富的图像样本。本实施例的图像数据的增强方法包括以下步骤:
步骤S201:输入原始图像数据。
步骤S202:对原始图像数据进行预处理,转换原始图像数据的数据类型。
在输入原始图像数据后,为了方便后续对原始图像数据的增强处理,可以对原始图像数据进行预处理,将原始图像数据的数据类型转换成浮点型。
步骤S203:进行图像随机裁剪。
对预处理后的图像数据进行图像随机裁剪,保证产生的图像样本不仅包含了物体的全局信息,又包含物体的局部信息,从而对图像数据进行扩充。
步骤S204:进行图像大小修改。
随机选择一种插值方式来对随机裁剪后的图像数据修改成实际物体识别网络输入的大小,由于同一张图片使用不同的插值方式来修改图像大小所获得的图像的实际数值是不同的,因此可以丰富图像的样本。如图3所示,在一应用场景中,上述步骤S204具体包括:
步骤S2041:生成随机数x1,0≤x1≤1。
步骤S2042:判断0≤x1<0.25是否成立。若是,则执行步骤S2043,若否,则执行步骤S2044。
步骤S2043:选择双线性插值进行图像大小修改。
步骤S2044:判断0.25≤x1<0.5是否成立。若是,则执行步骤S2045,若否,则执行步骤S2046。
步骤S2045:选择最近邻插值进行图像大小修改。
步骤S2046:判断0.5≤x1<0.75是否成立。若是,则执行步骤S2047,若否,则执行步骤S2048。
步骤S2047:选择双三次插值进行图像大小修改。
步骤S2048:判断0.75≤x1≤1是否成立。可以理解的是,本应用场景中,由于0≤x1≤1,因此,在步骤S2042中判断出0≤x1<0.25不成立、在步骤S2044中判断出0.25≤x1<0.5不成立、在步骤S2046中判断出0.5≤x1<0.75不成立的情况下,则0.75≤x1≤1必然成立,因此执行步骤S2049。
步骤S2049:选择区域插值进行图像大小修改。
可以理解的是,在进行图像大小修改时,预设有随机数的大小与插值方式的关联关系,在生成随机数x1,且0≤x1≤1后,判断随机数x1所处的数值区间,当0≤x1<0.25时,则选择双线性插值进行图像大小修改,当0.25≤x1<0.5时,则选择最近邻插值进行图像大小修改,当0.5≤x1<0.75时,则选择双三次插值进行图像大小修改,当0.75≤x1≤1时,则选择区域插值进行图像大小修改。从而可以根据该随机数的大小来选择一个对应的插值方式来对随机裁剪后的图像数据进行图像大小修改。
步骤S205:进行图像翻转增强。
对经过了图像大小修改后的图像数据进行图像翻转增强,以将图像呈现不同角度,从而可以增强图像中物体朝向丰富性。
步骤S206:进行图像颜色增强。
随机选择一种颜色调整组合方式来对图像翻转增强后的图像数据进行颜色调整,以提高图像中物体颜色的丰富性。如图4所示,在一应用场景中,上述步骤S206具体包括:
步骤S2061:生成随机数x2,0≤x2≤1。
步骤S2062:判断0≤x2<0.25是否成立。若是,则执行步骤S2063,若否,则执行步骤S2064。
步骤S2063:选择按照随机亮度、随机饱和度、随机色度、随机对比度的组合顺序进行图像颜色增强。
步骤S2064:判断0.25≤x2<0.5是否成立。若是,则执行步骤S2065,若否,则执行步骤S2066。
步骤S2065:选择按照随机饱和度、随机亮度、随机对比度、随机色度的组合顺序进行图像颜色增强。
步骤S2066:判断0.5≤x2<0.75是否成立。若是,则执行步骤S2067,若否,则执行步骤S2068。
步骤S2067:选择按照随机对比度、随机色度、随机亮度、随机饱和度的组合顺序进行图像颜色增强。
步骤S2068:判断0.75≤x2≤1是否成立。可以理解的是,本应用场景中,由于0≤x2≤1,因此,在步骤S2062中判断出0≤x2<0.25不成立、在步骤S2064中判断出0.25≤x2<0.5不成立、在步骤S2066中判断出0.5≤x2<0.75不成立的情况下,则0.75≤x2≤1必然成立,因此执行步骤S2069。
步骤S2069:选择按照随机色度、随机饱和度、随机对比度、随机亮度的组合顺序进行图像颜色增强。
可以理解的是,在进行图像颜色增强时,预设有随机数的大小与颜色调整组合方式的关联关系,在生成随机数x2,且0≤x2≤1后,判断随机数x2所处的数值区间,当0≤x2<0.25时,则选择按照随机亮度、随机饱和度、随机色度、随机对比度的组合顺序进行图像颜色增强,当0.25≤x2<0.5时,则选择按照随机饱和度、随机亮度、随机对比度、随机色度的组合顺序进行图像颜色增强,当0.5≤x2<0.75时,则选择按照随机对比度、随机色度、随机亮度、随机饱和度的组合顺序进行图像颜色增强,当0.75≤x2≤1时,则选择按照随机色度、随机饱和度、随机对比度、随机亮度的组合顺序进行图像颜色增强。从而可以根据该随机数的大小来选择一个对应的颜色调整组合方式来对图像翻转增强后的图像数据进行图像颜色增强。
步骤S207:进行图像仿射变换。
对经过了图像颜色增强后的图像数据进行图像仿射变换,例如按照随机缩放、随机平移、随机旋转、随机剪切的变换顺序进行组合,实现增强图像中物体的尺度、位置、角度、高矮胖瘦等因素的丰富性。
步骤S208:进行图像透视变换。
对经过了图像仿射变换后的图像数据进行图像透视变换,例如对图像应用一个随机的四点透视变换,由于图像透视变换与图像仿射变换类似,但仿射变换以3个点为基准点,即使数组长度为4也仅取前3个点作为基准点,而透视变换以4个点为基准点,因此两种变换结果不相同,故进行图像透视变换也可以实现增强图像中物体的尺度、位置、角度、高矮胖瘦等因素的丰富性。
步骤S209:进行图像模糊增强。
随机选择一种滤波方式来对图像透视变换后的图像数据进行模糊处理,从而可以模仿相机抖动或者相机对焦失败出现通过相机获取到的图像出现模糊的情况,即丰富了可能出现的具有模糊画面的图像数据,为训练模型来通过模糊画面识别物体提供技术支持。如图5所示,在一应用场景中,上述步骤S209具体包括:
步骤S2091:生成随机数x3,0≤x3≤1。
步骤S2092:判断0≤x3<0.33是否成立。若是,则执行步骤S2093,若否,则执行步骤S2094。
步骤S2093:选择随机高斯滤波进行图像模糊增强。
步骤S2094:判断0.33≤x3<0.66是否成立。若是,则执行步骤S2095,若否,则执行步骤S2096。
步骤S2095:选择随机均值滤波进行图像模糊增强。
步骤S2096:判断0.66≤x3≤1是否成立。可以理解的是,本应用场景中,由于0≤x3≤1,因此,在步骤S2092中判断出0≤x3<0.33不成立、在步骤S2094中判断出0.33≤x3<0.66不成立的情况下,则0.66≤x3≤1必然成立,因此执行步骤S2097。
步骤S2097:选择随机中值滤波进行图像模糊增强。
可以理解的是,在进行图像模糊增强时,预设有随机数的大小与滤波方式的关联关系,在生成随机数x3,且0≤x3≤1后,判断随机数x3所处的数值区间,当0≤x3<0.33时,则选择随机高斯滤波进行图像模糊增强,当0.33≤x3<0.66时,则选择随机均值滤波进行图像模糊增强,当0.66≤x3≤1时,则选择随机中值滤波进行图像模糊增强。从而可以根据该随机数的大小来选择一个对应的滤波方式来对图像透视变换后的图像数据进行图像模糊增强。
步骤S210:进行图像噪声增强。
随机选择一种噪声类型来对图像模糊增强后的图像数据进行图像噪声增强,在原来的图片的基础上,随机叠加一些噪声,从而得到具有噪声的图像样本,即丰富了可能出现的具有噪声画面的图像数据,为训练模型来通过具有噪声的画面来识别物体提供技术支持。如图6所示,在一应用场景中,上述步骤S210具体包括:
步骤S2101:生成随机数x4,0≤x4≤1。
步骤S2102:判断0≤x4<0.25是否成立。若是,则执行步骤S2103,若否,则执行步骤S2104。
步骤S2103:选择随机高斯噪声进行图像噪声增强。
步骤S2104:判断0.25≤x4<0.5是否成立。若是,则执行步骤S2105,若否,则执行步骤S2106。
步骤S2105:选择随机椒盐噪声进行图像噪声增强。
步骤S2106:选择不进行图像噪声增强。
可以理解的是,在进行图像噪声增强,预设有随机数的大小与噪声类型的关联关系,在生成随机数x4,且0≤x4≤1后,判断随机数x4所处的数值区间,当0≤x4<0.25时,则选择随机高斯噪声进行图像噪声增强,当0.25≤x4<0.5时,则选择随机椒盐噪声进行图像噪声增强,当0.5≤x4≤1时,则选择不进行图像噪声增强。根据该随机数的大小,可以有50%概率会随机选择随机高斯噪声、随机椒盐噪声这两种随机噪声中的一种来对图像模糊增强后的图像数据进行图像噪声增强。图像噪声增强可以用于模仿因外在环境或相机质量问题而使图像出现噪声的情况,因此添加拥有噪声的图像数据能增加物体识别算法的鲁棒性,使物体识别模型能够适用于各种质量的摄像头设备。
步骤S211:输出增强后的图像。
在将输入的原始图像数据经过数据类型转换、图像随机裁剪、图像大小修改、图像翻转增强、图像颜色增强、图像仿射变换、图像透视变换、图像模糊增强、图像噪声增强之后,产生更加丰富的图像样本数据,所输出的增强后的图像作为图像样本来说,相较于原始图像数据更具有多样性,因此,采用增强后的图像训练的物体识别模型在现实环境中使用时更加鲁棒。
请参阅图7,图7是本申请物体识别模型的训练方法一实施例的流程示意图。本实施例的物体识别模型的训练方法包括以下步骤:
步骤S701:获取待识别的物体的原始图像数据。
步骤S702:采用图像数据的增强方法对原始图像数据进行处理,形成图像样本。其中,该图像数据的增强方法为上述任一实施例中的图像数据的增强方法。关于该图像数据的增强方法的详细内容请参阅上述实施例,此处不再赘述。
步骤S703:将图像样本输入物体识别模型,以完成物体识别模型的训练。
可以理解的是,通过采用图像数据的增强方法对原始图像数据进行处理,形成更加丰富的图像样本,在将图像样本输入物体识别模型以进行物体识别模型的训练后,训练出来的物体识别模型在现实环境中使用起来更加鲁棒。
请参阅图8,图8是本申请提供的处理设备一实施例的结构示意图。本实施例中的处理设备80包括相互耦接的存储器801和处理器802;存储器801用于存储程序数据;处理器802用于执行程序数据,以实现如上所述的图像数据的增强方法或物体识别模型的训练方法。
本申请处理设备80实施例中的处理器802及其他部件实现上述功能的具体过程可参阅上述方法实施例。
请参阅图9,图9是本申请提供的计算机可读存储介质一实施例的结构示意图。本申请计算机可读存储介质90中存储能够被处理器运行的程序数据900,程序数据900用于实现如上所述的图像数据的增强方法或物体识别模型的训练方法。该计算机可读存储介质90可以是终端中的存储芯片、SD卡等可读写存储的设备。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元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全部或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)或处理器(processor)执行本申请各个实施方式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。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (12)
1.一种图像数据的增强方法,其特征在于,所述图像数据的增强方法包括:
获取原始图像数据,对所述原始图像数据进行预处理,得到预处理图像数据,其中,所述预处理图像数据的数据类型为浮点型;
采用至少第一图像增强方式对所述预处理图像数据进行增强处理,得到第一增强图像数据;
采用至少第二图像增强方式对所述第一增强图像数据进行增强处理,得到第二增强图像数据;
基于所述第二增强图像数据输出增强后的图像。
2.如权利要求1所述的图像数据的增强方法,其特征在于,所述第一图像增强方式和所述第二图像增强方式均包括图像随机裁剪、图像大小修改、图像翻转增强、图像颜色增强、图像仿射变换、图像透视变换、图像模糊增强、图像噪声增强中的至少一种。
3.如权利要求2所述的图像数据的增强方法,其特征在于,
所述第一图像增强方式包括图像随机裁剪;所述采用至少第一图像增强方式对所述预处理图像数据进行增强处理,得到第一增强图像数据的步骤,包括:
对所述预处理图像数据进行图像随机裁剪,得到所述第一增强图像数据;
或,
所述第二图像增强方式包括图像随机裁剪;所述采用至少第二图像增强方式对所述第一增强图像数据进行增强处理,得到第二增强图像数据的步骤,包括:
对所述第一增强图像数据进行图像随机裁剪,得到所述第二增强图像数据;
其中,裁减比例为10%-100%。
4.如权利要求2所述的图像数据的增强方法,其特征在于,
所述第一图像增强方式包括图像大小修改;所述采用至少第一图像增强方式对所述预处理图像数据进行增强处理,得到第一增强图像数据的步骤,包括:
生成处于预设范围内的随机数,根据所述随机数所处的数值区间选择相对应的插值方式来修改所述预处理图像数据的图像大小,以形成所述第一增强图像数据;
或,
所述第二图像增强方式包括图像大小修改;所述采用至少第二图像增强方式对所述第一增强图像数据进行增强处理,得到第二增强图像数据的步骤,包括:
生成处于预设范围内的随机数,根据所述随机数所处的数值区间选择相对应的插值方式来修改所述第一增强图像数据的图像大小,以形成所述第二增强图像数据;
其中,所述插值方式包括双线性插值、最近邻插值、双三次插值、区域插值。
5.如权利要求2所述的图像数据的增强方法,其特征在于,
所述第一图像增强方式包括图像翻转增强;所述采用至少第一图像增强方式对所述预处理图像数据进行增强处理,得到第一增强图像数据的步骤,包括:
对所述预处理图像数据进行随机上下翻转和/或随机左右翻转,以形成所述第一增强图像数据;
或,
所述第二图像增强方式包括图像翻转增强;所述采用至少第二图像增强方式对所述第一增强图像数据进行增强处理,得到第二增强图像数据的步骤,包括:
对所述第一增强图像数据进行随机上下翻转和/或随机左右翻转,以形成所述第二增强图像数据。
6.如权利要求2所述的图像数据的增强方法,其特征在于,
所述第一图像增强方式包括图像颜色增强;所述采用至少第一图像增强方式对所述预处理图像数据进行增强处理,得到第一增强图像数据的步骤,包括:
生成处于预设范围内的随机数,根据所述随机数所处的数值区间选择相对应的颜色调整组合方式来修改所述预处理图像数据的图像颜色,以形成所述第一增强图像数据;
或,
所述第二图像增强方式包括图像颜色增强;所述采用至少第二图像增强方式对所述第一增强图像数据进行增强处理,得到第二增强图像数据的步骤,包括:
生成处于预设范围内的随机数,根据所述随机数所处的数值区间选择相对应的颜色调整组合方式来修改所述第一增强图像数据的图像颜色,以形成所述第二增强图像数据;
其中,所述颜色调整组合方式包括将随机亮度、随机饱和度、随机色度和随机对比度按照任意的排列顺序进行组合而形成的颜色调整方式。
7.如权利要求2所述的图像数据的增强方法,其特征在于,
所述第一图像增强方式包括图像仿射变换;所述采用至少第一图像增强方式对所述预处理图像数据进行增强处理,得到第一增强图像数据的步骤,包括:
采用随机缩放、随机平移、随机旋转、随机剪切中的至少一种变换方式来对所述预处理图像数据的进行仿射变换,以形成所述第一增强图像数据;
或,
所述第二图像增强方式包括图像仿射变换;所述采用至少第二图像增强方式对所述第一增强图像数据进行增强处理,得到第二增强图像数据的步骤,包括:
采用随机缩放、随机平移、随机旋转、随机剪切中的至少一种变换方式来对所述第一增强图像数据的进行仿射变换,以形成所述第二增强图像数据。
8.如权利要求2所述的图像数据的增强方法,其特征在于,
所述第一图像增强方式包括图像模糊增强;所述采用至少第一图像增强方式对所述预处理图像数据进行增强处理,得到第一增强图像数据的步骤,包括:
生成处于预设范围内的随机数,根据所述随机数所处的数值区间选择相对应的滤波方式来对所述预处理图像数据进行模糊增强变换,以形成所述第一增强图像数据;
或,
所述第二图像增强方式包括图像模糊增强;所述采用至少第二图像增强方式对所述第一增强图像数据进行增强处理,得到第二增强图像数据的步骤,包括:
生成处于预设范围内的随机数,根据所述随机数所处的数值区间选择相对应的滤波方式来对所述第一增强图像数据进行模糊增强,以形成所述第二增强图像数据;
其中,所述滤波方式包括随机高斯滤波、随机均值滤波、随机中值滤波。
9.如权利要求2所述的图像数据的增强方法,其特征在于,
所述第一图像增强方式包括图像噪声增强;所述采用至少第一图像增强方式对所述预处理图像数据进行增强处理,得到第一增强图像数据的步骤,包括:
生成处于预设范围内的随机数,根据所述随机数所处的数值区间选择相对应的噪声类型来对所述预处理图像数据进行噪声增强,以形成所述第一增强图像数据;
或,
所述第二图像增强方式包括图像噪声增强;所述采用至少第二图像增强方式对所述第一增强图像数据进行增强处理,得到第二增强图像数据的步骤,包括:
生成处于预设范围内的随机数,根据所述随机数所处的数值区间选择相对应的噪声类型来对所述第一增强图像数据进行噪声增强,以形成所述第二增强图像数据;
其中,所述噪声类型包括随机高斯噪声、随机椒盐噪声。
10.一种物体识别模型的训练方法,其特征在于,所述物体识别模型的训练方法包括:
获取待识别的物体的原始图像数据;
采用如权利要求1-9任一项所述的图像数据的增强方法对所述原始图像数据进行处理,形成图像样本;
将所述图像样本输入物体识别模型,以完成所述物体识别模型的训练。
11.一种处理设备,其特征在于,包括相互耦接存储器和处理器;
所述存储器用于存储程序数据;
所述处理器执行所述程序数据,用于实现如权利要求1-9任一项所述的图像数据的增强方法或实现权利要求10所述的物体识别模型的训练方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有程序数据,所述程序数据能够被处理器执行以实现如权利要求1-9任一项所述的图像数据的增强方法或实现权利要求10所述的物体识别模型的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911368802.7A CN111161181A (zh) | 2019-12-26 | 2019-12-26 | 图像数据的增强方法、模型的训练方法、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911368802.7A CN111161181A (zh) | 2019-12-26 | 2019-12-26 | 图像数据的增强方法、模型的训练方法、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111161181A true CN111161181A (zh) | 2020-05-15 |
Family
ID=70556873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911368802.7A Pending CN111161181A (zh) | 2019-12-26 | 2019-12-26 | 图像数据的增强方法、模型的训练方法、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111161181A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695608A (zh) * | 2020-05-27 | 2020-09-22 | 电子科技大学 | 一种在保留原样本分布特征的数据扩大方法 |
CN111985316A (zh) * | 2020-07-10 | 2020-11-24 | 上海富洁科技有限公司 | 一种用于道路智能清扫的路面垃圾感知方法 |
CN112183500A (zh) * | 2020-11-27 | 2021-01-05 | 北京易真学思教育科技有限公司 | 数据增强方法、训练方法、计算机装置及存储介质 |
CN112581401A (zh) * | 2020-12-25 | 2021-03-30 | 英特灵达信息技术(深圳)有限公司 | 一种raw图片的获取方法、装置及电子设备 |
CN112733624A (zh) * | 2020-12-26 | 2021-04-30 | 电子科技大学 | 室内密集场景的人流密度检测方法、系统存储介质及终端 |
CN113807335A (zh) * | 2021-01-05 | 2021-12-17 | 北京沃东天骏信息技术有限公司 | 一种进行数据增强的方法、装置和存储介质 |
CN114494063A (zh) * | 2022-01-25 | 2022-05-13 | 电子科技大学 | 一种基于生物视觉机制的夜间交通图像增强方法 |
CN116723412A (zh) * | 2023-08-10 | 2023-09-08 | 四川玉米星球科技有限公司 | 一种照片中背景光影均化方法及文本拍摄扫描系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0744701A (ja) * | 1993-07-30 | 1995-02-14 | Canon Inc | 画像処理装置 |
JPH1172762A (ja) * | 1997-08-27 | 1999-03-16 | Fuji Photo Film Co Ltd | 画像出力装置 |
US20080088857A1 (en) * | 2006-10-13 | 2008-04-17 | Apple Inc. | System and Method for RAW Image Processing |
JP2008271079A (ja) * | 2007-04-19 | 2008-11-06 | Seiko Epson Corp | 画像処理装置及び画像処理方法、印刷装置及び印刷方法、並びに色変換テーブルの生成方法 |
US20110135166A1 (en) * | 2009-06-02 | 2011-06-09 | Harry Wechsler | Face Authentication Using Recognition-by-Parts, Boosting, and Transduction |
CN106683061A (zh) * | 2017-01-05 | 2017-05-17 | 南京觅踪电子科技有限公司 | 一种基于修正的多尺度retinex算法对医疗图像进行增强的方法 |
CN109816608A (zh) * | 2019-01-22 | 2019-05-28 | 北京理工大学 | 一种基于噪声抑制的低照度图像自适应亮度增强方法 |
CN110033417A (zh) * | 2019-04-12 | 2019-07-19 | 江西财经大学 | 一种基于深度学习的图像增强方法 |
US20190373283A1 (en) * | 2018-05-31 | 2019-12-05 | Apple Inc. | Techniques for compressing floating-point format images |
-
2019
- 2019-12-26 CN CN201911368802.7A patent/CN111161181A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0744701A (ja) * | 1993-07-30 | 1995-02-14 | Canon Inc | 画像処理装置 |
JPH1172762A (ja) * | 1997-08-27 | 1999-03-16 | Fuji Photo Film Co Ltd | 画像出力装置 |
US20080088857A1 (en) * | 2006-10-13 | 2008-04-17 | Apple Inc. | System and Method for RAW Image Processing |
JP2008271079A (ja) * | 2007-04-19 | 2008-11-06 | Seiko Epson Corp | 画像処理装置及び画像処理方法、印刷装置及び印刷方法、並びに色変換テーブルの生成方法 |
US20110135166A1 (en) * | 2009-06-02 | 2011-06-09 | Harry Wechsler | Face Authentication Using Recognition-by-Parts, Boosting, and Transduction |
CN106683061A (zh) * | 2017-01-05 | 2017-05-17 | 南京觅踪电子科技有限公司 | 一种基于修正的多尺度retinex算法对医疗图像进行增强的方法 |
US20190373283A1 (en) * | 2018-05-31 | 2019-12-05 | Apple Inc. | Techniques for compressing floating-point format images |
CN109816608A (zh) * | 2019-01-22 | 2019-05-28 | 北京理工大学 | 一种基于噪声抑制的低照度图像自适应亮度增强方法 |
CN110033417A (zh) * | 2019-04-12 | 2019-07-19 | 江西财经大学 | 一种基于深度学习的图像增强方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695608A (zh) * | 2020-05-27 | 2020-09-22 | 电子科技大学 | 一种在保留原样本分布特征的数据扩大方法 |
CN111695608B (zh) * | 2020-05-27 | 2022-07-29 | 电子科技大学 | 一种在保留原样本分布特征的数据扩大方法 |
CN111985316B (zh) * | 2020-07-10 | 2023-09-19 | 上海富洁科技有限公司 | 一种用于道路智能清扫的路面垃圾感知方法 |
CN111985316A (zh) * | 2020-07-10 | 2020-11-24 | 上海富洁科技有限公司 | 一种用于道路智能清扫的路面垃圾感知方法 |
CN112183500A (zh) * | 2020-11-27 | 2021-01-05 | 北京易真学思教育科技有限公司 | 数据增强方法、训练方法、计算机装置及存储介质 |
CN112581401A (zh) * | 2020-12-25 | 2021-03-30 | 英特灵达信息技术(深圳)有限公司 | 一种raw图片的获取方法、装置及电子设备 |
CN112733624A (zh) * | 2020-12-26 | 2021-04-30 | 电子科技大学 | 室内密集场景的人流密度检测方法、系统存储介质及终端 |
CN112733624B (zh) * | 2020-12-26 | 2023-02-03 | 电子科技大学 | 室内密集场景的人流密度检测方法、系统存储介质及终端 |
CN113807335A (zh) * | 2021-01-05 | 2021-12-17 | 北京沃东天骏信息技术有限公司 | 一种进行数据增强的方法、装置和存储介质 |
CN113807335B (zh) * | 2021-01-05 | 2024-05-24 | 北京沃东天骏信息技术有限公司 | 一种进行数据增强的方法、装置和存储介质 |
CN114494063A (zh) * | 2022-01-25 | 2022-05-13 | 电子科技大学 | 一种基于生物视觉机制的夜间交通图像增强方法 |
CN114494063B (zh) * | 2022-01-25 | 2023-04-07 | 电子科技大学 | 一种基于生物视觉机制的夜间交通图像增强方法 |
CN116723412A (zh) * | 2023-08-10 | 2023-09-08 | 四川玉米星球科技有限公司 | 一种照片中背景光影均化方法及文本拍摄扫描系统 |
CN116723412B (zh) * | 2023-08-10 | 2023-11-10 | 四川玉米星球科技有限公司 | 一种照片中背景光影均化方法及文本拍摄扫描系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111161181A (zh) | 图像数据的增强方法、模型的训练方法、设备和存储介质 | |
Li et al. | Underwater image enhancement via medium transmission-guided multi-color space embedding | |
CN110827200B (zh) | 一种图像超分重建方法、图像超分重建装置及移动终端 | |
CN108694705B (zh) | 一种多帧图像配准与融合去噪的方法 | |
CN108230333B (zh) | 图像处理方法、装置、计算机程序、存储介质和电子设备 | |
CN112602088B (zh) | 提高弱光图像的质量的方法、系统和计算机可读介质 | |
CN112889069B (zh) | 用于提高低照度图像质量的方法、系统和计算机可读介质 | |
CN111667410B (zh) | 图像分辨率提升方法、装置及电子设备 | |
CN113592776A (zh) | 图像处理方法及装置、电子设备、存储介质 | |
CN112200035B (zh) | 用于模拟拥挤场景的图像获取方法、装置和视觉处理方法 | |
KR102262671B1 (ko) | 비디오 영상에 보케 효과를 적용하는 방법 및 기록매체 | |
Zuckerman et al. | Across scales and across dimensions: Temporal super-resolution using deep internal learning | |
CN111183630B (zh) | 一种智能终端的照片处理方法及处理装置 | |
CN106934806A (zh) | 一种基于结构清晰度的无参考图失焦模糊区域分割方法 | |
US7724953B2 (en) | Whiteboard, blackboard, and document image processing | |
US11887218B2 (en) | Image optimization method, apparatus, device and storage medium | |
CN111951172A (zh) | 一种图像优化方法、装置、设备和存储介质 | |
CN111027545A (zh) | 卡证图片标志检测方法、装置、计算机设备及存储介质 | |
CN111144156B (zh) | 一种图像数据处理方法和相关装置 | |
CN112839167A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
Bull et al. | Perceptual improvements for super-resolution of satellite imagery | |
CN114119428B (zh) | 一种图像去模糊方法和装置 | |
Dey | Image Processing Masterclass with Python: 50+ Solutions and Techniques Solving Complex Digital Image Processing Challenges Using Numpy, Scipy, Pytorch and Keras (English Edition) | |
CN114511702A (zh) | 一种基于多尺度分权注意力的遥感图像分割方法和系统 | |
CN114549270A (zh) | 结合深度鲁棒水印和模板同步的抗拍摄监控视频水印方法 |
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: 20200515 |
|
RJ01 | Rejection of invention patent application after publication |