CN111626313A - 一种特征提取模型训练方法、图像处理方法及装置 - Google Patents

一种特征提取模型训练方法、图像处理方法及装置 Download PDF

Info

Publication number
CN111626313A
CN111626313A CN201910150683.1A CN201910150683A CN111626313A CN 111626313 A CN111626313 A CN 111626313A CN 201910150683 A CN201910150683 A CN 201910150683A CN 111626313 A CN111626313 A CN 111626313A
Authority
CN
China
Prior art keywords
image
label
extraction model
feature extraction
training
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.)
Granted
Application number
CN201910150683.1A
Other languages
English (en)
Other versions
CN111626313B (zh
Inventor
黄永祯
曹春水
王继隆
张俊峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Watrix Technology Beijing Co Ltd
Original Assignee
Watrix Technology Beijing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Watrix Technology Beijing Co Ltd filed Critical Watrix Technology Beijing Co Ltd
Priority to CN201910150683.1A priority Critical patent/CN111626313B/zh
Publication of CN111626313A publication Critical patent/CN111626313A/zh
Application granted granted Critical
Publication of CN111626313B publication Critical patent/CN111626313B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种特征提取模型训练方法、图像处理方法及装置，该方法通过获取样本图像集合，从样本图像集合中选取二值样本图像，并将选取的二值样本图像输入至待训练的特征提取模型中，提取选取的二值样本图像中每个像素点的特征向量；并根据选取的二值样本图像中每个像素点的标注，从提取出的特征向量中分别选取出带有每种标注的多个目标像素点的结构特征向量；通过对带有每种标注的多个目标像素点的结构特征向量进行重构操作，得到每种标注对应的重构图像；基于每种标注对应的重构图像和与每种标注对应的参考分割图像，对待训练的特征提取模型进行训练，直至确定待训练的特征提取模型训练完成。通过这种方法，提高了图像处理的精确度。

Description

一种特征提取模型训练方法、图像处理方法及装置
技术领域
本申请涉及图像处理技术领域，尤其是涉及一种特征提取模型训练方法、图像处理方法及装置。
背景技术
现有技术中，在利用神经网络进行图像分割或图像识别时，所需要的神经网络都需要经过大量样本图像的训练，而训练出的神经网络只能分割或识别训练该神经网络时的同类的样本图像，例如，训练某一神经网络时利用的是大量的狗的图像，则训练出的神经网络只能识别或分割狗的图像，当通过该神经网络进行猫的图像的识别或检测时，无法得到准确的结果。
在某些领域，无法提供大量的样本图像，而当传统的神经网络应用于无法提供大量样本图像的领域时，对于图像处理的精确度都较低。
发明内容
有鉴于此，本申请的目的在于提供一种特征提取模型训练方法、图像处理方法及装置，以提高图像处理的精确度。
第一方面，本申请实施例提供了一种特征提取模型训练方法，包括：
获取样本图像集合，其中，所述样本图像集合中包含多组样本对，每种样本对中包括带有标注的二值样本图像和与所述二值样本图像中每种标注对应的参考分割图像，所述标注的种类包括每种物体图像区域的标注和背景图像区域的标注；
从所述样本图像集合中选取二值样本图像，并将选取的二值样本图像输入至待训练的特征提取模型中，提取所述选取的二值样本图像中每个像素点的特征向量；并，根据所述选取的二值样本图像中每个像素点的标注，从提取出的特征向量中分别选取出带有每种标注的多个目标像素点的结构特征向量；
通过对带有每种标注的多个目标像素点的结构特征向量进行重构操作，得到每种标注对应的重构图像；
基于每种标注对应的重构图像和与每种标注对应的参考分割图像，对所述待训练的特征提取模型进行训练，直至确定所述待训练的特征提取模型训练完成。
结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中，所述根据所述选取的二值样本图像中每个像素点的标注，从提取出的特征向量中分别选取出带有每种标注的多个目标像素点的结构特征向量，包括：
按照带有每种标注的像素点的预设选取比例，确定所述二值样本图像中符合所述预设选取比例的带有每种标注的多个目标像素点；
从提取出的特征向量中选取带有每种标注的多个目标像素点的结构特征向量。
结合第一方面，本申请实施例提供了第一方面的第二种可能的实施方式，其中，所述基于每种标注对应的重构图像和与每种标注对应的参考分割图像，对所述待训练的特征提取模型进行训练，直至确定所述待训练的特征提取模型训练完成，包括：
将每种标注对应的重构图像与该标注对应的参考分割图像进行对比，确定本次训练的准确率，当确定的准确率小于预设准确率时，调整所述待训练的特征提取模型的模型参数，并重新选取二值样本图像，输入至调整模型参数后的特征提取模型中，重新执行训练过程，直至确定出的准确率不小于预设准确率；
当确定出的准确率不小于预设准确率时，确定所述待训练的特征提取模型训练完成。
第二方面，本申请实施例提供了一种图像处理方法，包括：
获取待处理图像；
将所述待处理图像转换为二值图像；
将转换后的二值图像输入至通过上述第一方面或第一方面的任意一种可能的实施方式所述的特征提取模型训练方法训练得到的特征提取模型中，得到所述待处理图像的结构特征向量；
对所述待处理图像的结构特征向量进行重构操作，得到所述待处理图像所对应分割图像。
结合第二方面，本申请实施例提供了第二方面的第一种可能的实施方式，其中，在得到所述待处理图像的结构特征向量之后，还包括：
将所述待处理图像的结构特征向量与数据库中存储的参考结构特征向量进行匹配，确定所述待处理图像的结构特征向量与所述数据库中存储的每一个参考结构特征向量的相似率；
确定所述相似率大于预设相似率的参考结构特征向量为目标结构特征向量；
确定所述待处理图像的图像类别为所述目标结构特征向量对应的图像类别。
第三方面，本申请实施例还提供一种特征提取模型训练装置，包括：
第一获取模块，用于获取样本图像集合，其中，所述样本图像集合中包含多组样本对，每种样本对中包括带有标注的二值样本图像和与所述二值样本图像中每种标注对应的参考分割图像，所述标注的种类包括每种物体图像区域的标注和背景图像区域的标注；
提取模块，用于从所述样本图像集合中选取二值样本图像，并将选取的二值样本图像输入至待训练的特征提取模型中，提取所述选取的二值样本图像中每个像素点的特征向量；并，根据所述选取的二值样本图像中每个像素点的标注，从提取出的特征向量中分别选取出带有每种标注的多个目标像素点的结构特征向量；
重构模块，用于通过对带有每种标注的多个目标像素点的结构特征向量进行重构操作，得到每种标注对应的重构图像；
训练模块，用于基于每种标注对应的重构图像和与每种标注对应的参考分割图像，对所述待训练的特征提取模型进行训练，直至确定所述待训练的特征提取模型训练完成。
结合第三方面，本申请实施例提供了第三方面的第一种可能的实施方式，其中，所述提取模块，在根据所述选取的二值样本图像中每个像素点的标注，从提取出的特征向量中分别选取出带有每种标注的多个目标像素点的结构特征向量时，具体用于：
按照带有每种标注的像素点的预设选取比例，确定所述二值样本图像中符合所述预设选取比例的带有每种标注的多个目标像素点；
从提取出的特征向量中选取带有每种标注的多个目标像素点的结构特征向量。
结合第三方面，本申请实施例提供了第三方面的第二种可能的实施方式，其中，所述训练模块，在基于每种标注对应的重构图像和与每种标注对应的参考分割图像，对所述待训练的特征提取模型进行训练，直至确定所述待训练的特征提取模型训练完成时，具体用于：
将每种标注对应的重构图像与该标注对应的参考分割图像进行对比，确定本次训练的准确率，当确定的准确率小于预设准确率时，调整所述待训练的特征提取模型的模型参数，并重新选取二值样本图像，输入至调整模型参数后的特征提取模型中，重新执行训练过程，直至确定出的准确率不小于预设准确率；
当确定出的准确率不小于预设准确率时，确定所述待训练的特征提取模型训练完成。
第四方面，本申请实施例提供了一种图像处理装置，包括：
第二获取模块，用于获取待处理图像；
转换模块，用于将所述待处理图像转换为二值图像；
结构特征向量提取模块，用于将转换后的二值图像输入至通过上述第一方面或第一方面的任意一种可能的实施方式所述的特征提取模型训练方法训练得到的特征提取模型中，得到所述待处理图像的结构特征向量；
分割模块，用于对所述待处理图像的结构特征向量进行重构操作，得到所述待处理图像所对应分割图像。
结合第四方面，本申请实施例提供了第四方面的第一种可能的实施方式，其中，所述装置，还包括：
识别模块，用于在得到所述待处理图像的结构特征向量之后，将所述待处理图像的结构特征向量与数据库中存储的参考结构特征向量进行匹配，确定所述待处理图像的结构特征向量与所述数据库中存储的每一个参考结构特征向量的相似率；
确定所述相似率大于预设相似率的参考结构特征向量为目标结构特征向量；
确定所述待处理图像的图像类别为所述目标结构特征向量对应的图像类别。
第五方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面的任一种可能的实施方式中的步骤，或上述第二方面，或第二方面的任一种可能的实施方式中的步骤。
第六方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面的任一种可能的实施方式中的步骤，或上述第二方面，或第二方面的任一种可能的实施方式中的步骤。
本申请实施例提供的特征提取模型训练方法、图像处理方法及装置，在训练过程中，通过获取样本图像集合，然后从样本图像集合中选取二值样本图像输入至待训练的特征提取模型中，提取二值样本图像的每个像素点的特征向量，再根据选取的二者样本图像中每个像素点的标注，确定目标像素点的结构特征向量，最后，对目标像素点的结构特征向量进行重构，得到每种标注对应的重构图像，并基于每种标注对应的重构图像和每种标注对应的参考分割图像，对待训练的特征提取模型进行训练，直至确定待训练的特征提取模型训练完成。
然后再将获取的待处理图像转换为二值图像，并输入至通过上述方法训练得到的特征提取模型中，得到待处理图像的结构特征向量，并对待处理图像的结构特征向量进行重构，进而得到待处理图像对应的分割图像。
上述方法，当应用于无法提供大量样本图像的领域时，因可以通过其他领域的样本图像对特征提取模型进行训练，训练出的特征提取模型具有提取输入图像的结构特征向量的能力，所以可以直接提取输入的样本图像的结构特征向量，然后利用提取的结构特征向量进行图像分割或者图像识别，无需利用该领域的图像对特征提取模型进行训练，提高了图像处理的精确度。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
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示出了本申请实施例所提供的一种特征提取模型训练方法的流程示意图；
图2示出了本申请实施例所提供的一种二值样本图像示意图；
图3示出了本申请实施例所提供的一种一种图像处理方法的流程示意图；
图4示出了本申请实施例所提供的一种特征提取模型训练装置400的架构示意图；
图5示出了本申请实施例所提供的一种图像处理装置500的架构示意图；
图6示出了本申请实施例所提供的电子设备600的结构示意图。
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。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。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
首先，对本申请可适应的应用场景做出介绍。本申请可适用于少样本的情况下，对图像进行处理。
现有技术中，若要实现对图像的分割或对图像的检测，需要利用大量的样本图像对所需要的模型进行训练。而当某些领域无法提供大量的样本图像，如轨道检测领域，当需要在无法提供大量样本图像的领域进行图像分割或图像检测时，利用少量的样本训练处的模型在对图像进行处理时，精确度较低。
另外，对现有技术中进行图像分割和图像检测的模型并不相同，需要两个模型来分别完成，方法较繁琐。
本申请所提供的特征提取模型训练方法、图像处理方法，当应用于无法提供大量样本图像的领域时，因可以通过其他领域的样本图像对特征提取模型进行训练，训练出的特征提取模型具有提取输入图像的结构特征向量的能力，所以可以直接提取输入的样本图像的结构特征向量，然后利用提取的结构特征向量进行图像分割或者图像识别，无需利用该领域的图像对特征提取模型进行训练，提高了图像处理的精确度。
为便于对本实施例进行理解，首先对本申请实施例所公开的一种特征提取模型训练方法、图像处理方法进行详细介绍。
实施例一
参见图1所示，为本申请实施例提供的一种特征提取模型训练方法的流程示意图，包括以下步骤：
S101、获取样本图像集合。
一种可能的实施方式中，获取的样本图像集合中包含多组样本对，每种样本对中包括带有标注的二值样本图像和与二值样本图像中每种标注对应的参考分割图像，其中，标注的种类包括每种物体图像区域的标注和背景图像区域的标注。
示例性的，若二值样本图像如图2所示，则该样本图像的标注包括背景图像区域的标注，矩形图像区域的标注以及菱形图像区域的标注。
其中，样本图像的标注可以是通过人工进行标注的。
在另外一种可能的实施方式中，样本图像集合中可以包含多组样本对，每种样本对中包括带有标注的彩色样本图像和与彩色样本图像中每种标注对应的参考二值分割图像，其中，标注的种类包括每种物体图像区域的标注和背景图像区域的标注。
在将彩色样本图像输入至待训练的特征提取模型之前，还可以先将彩色样本图像进行二值化处理，具体二值化处理过程将不再详细展开说明。
S102、从样本图像集合中选取二值样本图像，并将选取的二值样本图像输入至待训练的特征提取模型中，提取选取的二值样本图像中每个像素点的特征向量。
具体实施中，可以将选取的二值样本图像经过至少一次卷积处理以及至少一次池化处理，进而得到二值样本图像中每个像素点的特征向量。
其中，某一像素点的特征向量可以是该像素点在不同通道的取值。例如，若某一二值样本图像经过至少一次卷积处理以及至少一次池化处理之后，得到128通道的特征图像，每一个像素点的特征向量的特征值为该像素点分别在128个通道的取值。
S103、根据选取的二值样本图像中每个像素点的标注，从提取出的特征向量中分别选取出带有每种标注的多个目标像素点的结构特征向量。
考虑到不同的图像中，物体图像区域在二值样本图像中所占比例和背景图像区域在二值样本图像中所占比例有所不同，在一些图像中，可能物体图像区域所占比例很小，而背景图像区域所占比例很大，这种情况下，若根据每一个像素点的结构特征向量进行特征提取模型的训练，可能会造成得到不同图像区域的结构特征向量所能表达结构的准确性不同。
例如，若背景图像区域在二值样本图像中所占比例比较大，物体图像区域在二值样本图像中所占比重比较小，则按照每一个像素点的结构特征向量进行特征提取模型的训练时，可能在背景图像区域的结构特征向量能很好的表达背景的结构特征时，而物体的结构特征向量并不能很好的表达物体的结构特征。
需要说明的是，二值样本图像在经过至少一次卷积处理以及至少一次池化处理之后，每个像素点仍旧带有二值样本图像的标注。
在一种可能的实施方式中，可以按照带有每种标注的像素点的预设选取比例，确定二值图像中符合预设选取比例的带有每种标注的多个目标像素点，然后，从提取出的特征向量中选取带有每种标注的多个目标像素点的结构特征向量。
以图2所示的二值样本图像为例，若预设比例为1:1:1，总共需要选取30000个像素点，则在背景图像区域的像素点中选取10000个像素点，在矩形图像区域的像素点中选取10000个像素点，在菱形图像区域的像素点中选取10000个像素点。
需要说明的是，目标像素点的选取方式可以为随机选取。
在另一种可能的实施方式中，预设选取比例可以为选取的物体图像区域的像素点与背景图像区域的像素点之间的比例，而并不区分不同物体图像区域。例如，若图像中包含菱形图像区域、矩形图像区域以及背景图像区域，预设比例为1:1，共需选取2000个像素点，则在背景图像区域选取1000个像素点，在菱形图像区域和矩形图形区域选取1000个像素点，像素点的选取方式可以为随机选取。
S104、通过对带有每种标注的多个目标像素点的结构特征向量进行重构操作，得到每种标注对应的重构图像。
示例性的，若图像中包含有矩形图像区域的标注、菱形图像区域的标注以及背景区域的标注，则分别从矩形图像区域、菱形图像区域以及背景区域选取目标像素点之后，对带有矩形图像区域的标注的目标像素点进行重构得到矩形图像区域对应重构图像，对带有菱形图像区域的标注的目标像素点进行重构得到菱形图像区域对应的重构图像，对带有背景图像区域的标注的目标像素点进行重构得到背景图像区域对应的重构图像。
一种可能的实施方式，在通过对带有每种标注的多个目标像素点的结构特征向量进行重构操作时，可以将带有每种标注的多个目标像素点的结构特征向量进行反卷积操作，得到每种标注对应的重构图像。
S105、基于每种标注对应的重构图像和与每种标注对应的参考分割图像，对待训练的特征提取模型进行训练，直至确定待训练的特征提取模型训练完成。
具体的，将每种标注对应的重构图像与该标注对应的参考分割图像进行对比，确定本次训练的准确率，当确定的准确率小于预设准确率时，调整待训练的特征提取模型的模型参数，并重新选取二值样本图像，输入至调整模型参数后的特征提取模型中，重新对特征提取模型进行训练，直至确定出的准确率不小于预设准确率；
当确定出的准确率不小于预设准确率时，确定待训练的特征提取模型训练完成。
本申请实施例还提供了一种图像处理方法，参见图3所示，为本申请实施例提供的一种图像处理方法的流程示意图，包括以下步骤：
S301、获取待处理图像。
其中，待处理图像可以是待分割图像，或待检测图像。
S302、将待处理图像转换为二值图像。
S303、将转换后的二值图像输入至特征提取模型中，得到待处理图像的结构特征向量。
其中，特征提取模型为通过上述特征提取模型训练方法训练得到的模型，具体训练过程在此将不再赘述。
S304、对待处理图像的结构特征向量进行重构操作，得到待处理图像所对应分割图像。
在一种可能的实施方式中，在得到所述待处理图像的结构特征向量之后，还可以将所述待处理图像的结构特征向量与数据库中存储的参考结构特征向量进行匹配，然后确定所述待处理图像的结构特征向量与所述数据库中存储的每一个参考结构特征向量的相似率，并确定相似率大于预设相似率的参考结构特征向量为目标结构特征向量，进而，确定所述待处理图像的图像类别为所述目标结构特征向量对应的图像类别。
其中，数据库中存储的参考结构特征向量可以为带有图像类别标注的参考结构特征向量。
本申请提供的方法，当应用于无法提供大量样本图像的领域时，因可以通过其他领域的样本图像对特征提取模型进行训练，训练出的特征提取模型具有提取输入图像的结构特征向量的能力，所以可以直接提取输入的样本图像的结构特征向量，然后利用提取的结构特征向量进行图像分割或者图像识别，无需利用该领域的图像对特征提取模型进行训练，提高了图像处理的精确度。
实施例二
参见图4所示，为本申请实施例提供的特征提取模型训练装置400的架构示意图，该特征提取模型训练装置400包括第一获取模块401、提取模块402、重构模块403、训练模块404，具体的：
第一获取模块401，用于获取样本图像集合，其中，所述样本图像集合中包含多组样本对，每种样本对中包括带有标注的二值样本图像和与所述二值样本图像中每种标注对应的参考分割图像，所述标注的种类包括每种物体图像区域的标注和背景图像区域的标注；
提取模块402，用于从所述样本图像集合中选取二值样本图像，并将选取的二值样本图像输入至待训练的特征提取模型中，提取所述选取的二值样本图像中每个像素点的特征向量；并，根据所述选取的二值样本图像中每个像素点的标注，从提取出的特征向量中分别选取出带有每种标注的多个目标像素点的结构特征向量；
重构模块403，用于通过对带有每种标注的多个目标像素点的结构特征向量进行重构操作，得到每种标注对应的重构图像；
训练模块404，用于基于每种标注对应的重构图像和与每种标注对应的参考分割图像，对所述待训练的特征提取模型进行训练，直至确定所述待训练的特征提取模型训练完成。
一种可能的设计中，所述提取模块402，在根据所述选取的二值样本图像中每个像素点的标注，从提取出的特征向量中分别选取出带有每种标注的多个目标像素点的结构特征向量时，具体用于：
按照带有每种标注的像素点的预设选取比例，确定所述二值样本图像中符合所述预设选取比例的带有每种标注的多个目标像素点；
从提取出的特征向量中选取带有每种标注的多个目标像素点的结构特征向量。
一种可能的设计中，所述训练模块404，在基于每种标注对应的重构图像和与每种标注对应的参考分割图像，对所述待训练的特征提取模型进行训练，直至确定所述待训练的特征提取模型训练完成时，具体用于：
将每种标注对应的重构图像与该标注对应的参考分割图像进行对比，确定本次训练的准确率，当确定的准确率小于预设准确率时，调整所述待训练的特征提取模型的模型参数，并重新选取二值样本图像，输入至调整模型参数后的特征提取模型中，重新执行训练过程，直至确定出的准确率不小于预设准确率；
当确定出的准确率不小于预设准确率时，确定所述待训练的特征提取模型训练完成。
本申请提供的特征提取模型训练装置400，当应用于无法提供大量样本图像的领域时，因可以通过其他领域的样本图像对特征提取模型进行训练，训练出的特征提取模型具有提取输入图像的结构特征向量的能力，所以可以直接提取输入的样本图像的结构特征向量，然后利用提取的结构特征向量进行图像分割或者图像识别，无需利用该领域的图像对特征提取模型进行训练，提高了图像处理的精确度。
本申请实施例还提供了一种图像处理装置，参见图5所示，为本申请实施例提供的图像处理装置500的架构示意图，该图像处理装置包括：第二获取模块501，转换模块502，结构特征向量提取模块503、分割模块504，以及识别模块505，具体的：
第二获取模块501，用于获取待处理图像；
转换模块502，用于将所述待处理图像转换为二值图像；
结构特征向量提取模块503，用于将转换后的二值图像输入至通过实施例一所述的特征提取模型训练方法训练得到的特征提取模型中，得到所述待处理图像的结构特征向量；
分割模块504，用于对所述待处理图像的结构特征向量进行重构操作，得到所述待处理图像所对应分割图像。
一种可能的设计中，所述图像处理装置500，还包括：
识别模块505，用于在得到所述待处理图像的结构特征向量之后，将所述待处理图像的结构特征向量与数据库中存储的参考结构特征向量进行匹配，确定所述待处理图像的结构特征向量与所述数据库中存储的每一个参考结构特征向量的相似率；
确定所述相似率大于预设相似率的参考结构特征向量为目标结构特征向量；
确定所述待处理图像的图像类别为所述目标结构特征向量对应的图像类别。
实施例三
基于同一技术构思，本申请实施例还提供了一种电子设备。参照图6所示，为本申请实施例提供的电子设备600的结构示意图，包括处理器601、存储器602、和总线603。其中，存储器602用于存储执行指令，包括内存6021和外部存储器6022；这里的内存6021也称内存储器，用于暂时存放处理器601中的运算数据，以及与硬盘等外部存储器6022交换的数据，处理器601通过内存6021与外部存储器6022进行数据交换，当电子设备600运行时，处理器601与存储器602之间通过总线603通信，使得处理器601在执行以下指令：
获取样本图像集合，其中，所述样本图像集合中包含多组样本对，每种样本对中包括带有标注的二值样本图像和与所述二值样本图像中每种标注对应的参考分割图像，所述标注的种类包括每种物体图像区域的标注和背景图像区域的标注；
从所述样本图像集合中选取二值样本图像，并将选取的二值样本图像输入至待训练的特征提取模型中，提取所述选取的二值样本图像中每个像素点的特征向量；并，根据所述选取的二值样本图像中每个像素点的标注，从提取出的特征向量中分别选取出带有每种标注的多个目标像素点的结构特征向量；
通过对带有每种标注的多个目标像素点的结构特征向量进行重构操作，得到每种标注对应的重构图像；
基于每种标注对应的重构图像和与每种标注对应的参考分割图像，对所述待训练的特征提取模型进行训练，直至确定所述待训练的特征提取模型训练完成。
一种可能的设计中，处理器601执行的处理中，所述根据所述选取的二值样本图像中每个像素点的标注，从提取出的特征向量中分别选取出带有每种标注的多个目标像素点的结构特征向量，包括：
按照带有每种标注的像素点的预设选取比例，确定所述二值样本图像中符合所述预设选取比例的带有每种标注的多个目标像素点；
从提取出的特征向量中选取带有每种标注的多个目标像素点的结构特征向量。
一种可能的设计中，处理器601执行的处理中，所述基于每种标注对应的重构图像和与每种标注对应的参考分割图像，对所述待训练的特征提取模型进行训练，直至确定所述待训练的特征提取模型训练完成，包括：
将每种标注对应的重构图像与该标注对应的参考分割图像进行对比，确定本次训练的准确率，当确定的准确率小于预设准确率时，调整待训练的特征提取模型的模型参数，并重新选取二值样本图像，输入至所述调整模型参数后的特征提取模型中，重新对执行训练过程，直至确定出的准确率不小于预设准确率；
当确定出的准确率不小于预设准确率时，确定所述待训练的特征提取模型训练完成。
另外，处理器601还可执行以下指令：
获取待处理图像；
将所述待处理图像转换为二值图像；
将转换后的二值图像输入至通过上述实施例一所述的特征提取模型训练方法训练得到的特征提取模型中，得到所述待处理图像的结构特征向量；
对所述待处理图像的结构特征向量进行重构操作，得到所述待处理图像所对应分割图像。
一种可能的设计中，处理器601执行的处理中，在得到所述待处理图像的结构特征向量之后，还包括：
将所述待处理图像的结构特征向量与数据库中存储的参考结构特征向量进行匹配，确定所述待处理图像的结构特征向量与所述数据库中存储的每一个参考结构特征向量的相似率；
确定所述相似率大于预设相似率的参考结构特征向量为目标结构特征向量；
确定所述待处理图像的图像类别为所述目标结构特征向量对应的图像类别。
实施例四
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述任一实施例中所述的特征提取模型训练方法、图像处理方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述特征提取模型训练方法、图像处理方法的步骤，从而提高图像处理的精确度。
本申请实施例所提供的进行特征提取模型训练方法、图像处理方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，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，所述单元的划分，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，又例如，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通信接口，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。
所述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例方案的目的。
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。
所述功能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，可以存储在一个处理器可执行的非易失的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(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，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 (12)

1.一种特征提取模型训练方法，其特征在于，包括：
获取样本图像集合，其中，所述样本图像集合中包含多组样本对，每种样本对中包括带有标注的二值样本图像和与所述二值样本图像中每种标注对应的参考分割图像，所述标注的种类包括每种物体图像区域的标注和背景图像区域的标注；
从所述样本图像集合中选取二值样本图像，并将选取的二值样本图像输入至待训练的特征提取模型中，提取所述选取的二值样本图像中每个像素点的特征向量；并，根据所述选取的二值样本图像中每个像素点的标注，从提取出的特征向量中分别选取出带有每种标注的多个目标像素点的结构特征向量；
通过对带有每种标注的多个目标像素点的结构特征向量进行重构操作，得到每种标注对应的重构图像；
基于每种标注对应的重构图像和与每种标注对应的参考分割图像，对所述待训练的特征提取模型进行训练，直至确定所述待训练的特征提取模型训练完成。
2.根据权利要求1所述的方法，其特征在于，所述根据所述选取的二值样本图像中每个像素点的标注，从提取出的特征向量中分别选取出带有每种标注的多个目标像素点的结构特征向量，包括：
按照带有每种标注的像素点的预设选取比例，确定所述二值样本图像中符合所述预设选取比例的带有每种标注的多个目标像素点；
从提取出的特征向量中选取带有每种标注的多个目标像素点的结构特征向量。
3.根据权利要求1所述的方法，其特征在于，所述基于每种标注对应的重构图像和与每种标注对应的参考分割图像，对所述待训练的特征提取模型进行训练，直至确定所述待训练的特征提取模型训练完成，包括：
将每种标注对应的重构图像与该标注对应的参考分割图像进行对比，确定本次训练的准确率，当确定的准确率小于预设准确率时，调整所述待训练的特征提取模型的模型参数，并重新选取二值样本图像，输入至调整模型参数后的特征提取模型中，重新执行训练过程，直至确定出的准确率不小于预设准确率；
当确定出的准确率不小于预设准确率时，确定所述待训练的特征提取模型训练完成。
4.一种图像处理方法，其特征在于，包括：
获取待处理图像；
将所述待处理图像转换为二值图像；
将转换后的二值图像输入至通过上述权利要求1-3任意一项所述的特征提取模型训练方法训练得到的特征提取模型中，得到所述待处理图像的结构特征向量；
对所述待处理图像的结构特征向量进行重构操作，得到所述待处理图像所对应分割图像。
5.根据权利要求4所述的方法，其特征在于，在得到所述待处理图像的结构特征向量之后，还包括：
将所述待处理图像的结构特征向量与数据库中存储的参考结构特征向量进行匹配，确定所述待处理图像的结构特征向量与所述数据库中存储的每一个参考结构特征向量的相似率；
确定所述相似率大于预设相似率的参考结构特征向量为目标结构特征向量；
确定所述待处理图像的图像类别为所述目标结构特征向量对应的图像类别。
6.一种特征提取模型训练装置，其特征在于，包括：
第一获取模块，用于获取样本图像集合，其中，所述样本图像集合中包含多组样本对，每种样本对中包括带有标注的二值样本图像和与所述二值样本图像中每种标注对应的参考分割图像，所述标注的种类包括每种物体图像区域的标注和背景图像区域的标注；
提取模块，用于从所述样本图像集合中选取二值样本图像，并将选取的二值样本图像输入至待训练的特征提取模型中，提取所述选取的二值样本图像中每个像素点的特征向量；并，根据所述选取的二值样本图像中每个像素点的标注，从提取出的特征向量中分别选取出带有每种标注的多个目标像素点的结构特征向量；
重构模块，用于通过对带有每种标注的多个目标像素点的结构特征向量进行重构操作，得到每种标注对应的重构图像；
训练模块，用于基于每种标注对应的重构图像和与每种标注对应的参考分割图像，对所述待训练的特征提取模型进行训练，直至确定所述待训练的特征提取模型训练完成。
7.根据权利要求6所述的装置，其特征在于，所述提取模块，在根据所述选取的二值样本图像中每个像素点的标注，从提取出的特征向量中分别选取出带有每种标注的多个目标像素点的结构特征向量时，具体用于：
按照带有每种标注的像素点的预设选取比例，确定所述二值样本图像中符合所述预设选取比例的带有每种标注的多个目标像素点；
从提取出的特征向量中选取带有每种标注的多个目标像素点的结构特征向量。
8.根据权利要求6所述的装置，其特征在于，所述训练模块，在基于每种标注对应的重构图像和与每种标注对应的参考分割图像，对所述待训练的特征提取模型进行训练，直至确定所述待训练的特征提取模型训练完成时，具体用于：
将每种标注对应的重构图像与该标注对应的参考分割图像进行对比，确定本次训练的准确率，当确定的准确率小于预设准确率时，调整所述待训练的特征提取模型的模型参数，并重新选取二值样本图像，输入至调整模型参数后的特征提取模型中，重新执行训练过程，直至确定出的准确率不小于预设准确率；
当确定出的准确率不小于预设准确率时，确定所述待训练的特征提取模型训练完成。
9.一种图像处理装置，其特征在于，包括：
第二获取模块，用于获取待处理图像；
转换模块，用于将所述待处理图像转换为二值图像；
结构特征向量提取模块，用于将转换后的二值图像输入至通过上述权利要求1-3任意一项所述的特征提取模型训练方法训练得到的特征提取模型中，得到所述待处理图像的结构特征向量；
分割模块，用于对所述待处理图像的结构特征向量进行重构操作，得到所述待处理图像所对应分割图像。
10.根据权利要求9所述的装置，其特征在于，所述装置，还包括：
识别模块，用于在得到所述待处理图像的结构特征向量之后，将所述待处理图像的结构特征向量与数据库中存储的参考结构特征向量进行匹配，确定所述待处理图像的结构特征向量与所述数据库中存储的每一个参考结构特征向量的相似率；
确定所述相似率大于预设相似率的参考结构特征向量为目标结构特征向量；
确定所述待处理图像的图像类别为所述目标结构特征向量对应的图像类别。
11.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至3任一所述的特征提取模型训练方法的步骤，或者，执行如权利要求4至5任一所述的图像处理方法的步骤。
12.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至3任一所述的特征提取模型训练方法的步骤，或者，执行如权利要求4至5任一所述的图像处理方法的步骤。
CN201910150683.1A 2019-02-28 2019-02-28 一种特征提取模型训练方法、图像处理方法及装置 Active CN111626313B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910150683.1A CN111626313B (zh) 2019-02-28 2019-02-28 一种特征提取模型训练方法、图像处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910150683.1A CN111626313B (zh) 2019-02-28 2019-02-28 一种特征提取模型训练方法、图像处理方法及装置

Publications (2)

Publication Number Publication Date
CN111626313A true CN111626313A (zh) 2020-09-04
CN111626313B CN111626313B (zh) 2023-06-02

Family

ID=72271714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910150683.1A Active CN111626313B (zh) 2019-02-28 2019-02-28 一种特征提取模型训练方法、图像处理方法及装置

Country Status (1)

Country Link
CN (1) CN111626313B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112925938A (zh) * 2021-01-28 2021-06-08 上海商汤智能科技有限公司 一种图像标注方法、装置、电子设备及存储介质
CN113222964A (zh) * 2021-05-27 2021-08-06 推想医疗科技股份有限公司 一种冠脉中心线提取模型的生成方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008022103A (ja) * 2006-07-11 2008-01-31 Matsushita Electric Ind Co Ltd テレビ番組動画像ハイライト抽出装置及び方法
CN107341805A (zh) * 2016-08-19 2017-11-10 北京市商汤科技开发有限公司 图像前背景分割及网络模型训练、图像处理方法和装置
CN107633229A (zh) * 2017-09-21 2018-01-26 北京智芯原动科技有限公司 基于卷积神经网络的人脸检测方法及装置
CN108009554A (zh) * 2017-12-01 2018-05-08 国信优易数据有限公司 一种图像处理方法以及装置
CN108229479A (zh) * 2017-08-01 2018-06-29 北京市商汤科技开发有限公司 语义分割模型的训练方法和装置、电子设备、存储介质
CN108596184A (zh) * 2018-04-25 2018-09-28 清华大学深圳研究生院 图像语义分割模型的训练方法、可读存储介质及电子设备
CN108830221A (zh) * 2018-06-15 2018-11-16 北京市商汤科技开发有限公司 图像的目标对象分割及训练方法和装置、设备、介质、产品
CN109102037A (zh) * 2018-06-04 2018-12-28 平安科技（深圳）有限公司 中文模型训练、中文图像识别方法、装置、设备及介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008022103A (ja) * 2006-07-11 2008-01-31 Matsushita Electric Ind Co Ltd テレビ番組動画像ハイライト抽出装置及び方法
CN107341805A (zh) * 2016-08-19 2017-11-10 北京市商汤科技开发有限公司 图像前背景分割及网络模型训练、图像处理方法和装置
CN108229479A (zh) * 2017-08-01 2018-06-29 北京市商汤科技开发有限公司 语义分割模型的训练方法和装置、电子设备、存储介质
CN107633229A (zh) * 2017-09-21 2018-01-26 北京智芯原动科技有限公司 基于卷积神经网络的人脸检测方法及装置
CN108009554A (zh) * 2017-12-01 2018-05-08 国信优易数据有限公司 一种图像处理方法以及装置
CN108596184A (zh) * 2018-04-25 2018-09-28 清华大学深圳研究生院 图像语义分割模型的训练方法、可读存储介质及电子设备
CN109102037A (zh) * 2018-06-04 2018-12-28 平安科技（深圳）有限公司 中文模型训练、中文图像识别方法、装置、设备及介质
CN108830221A (zh) * 2018-06-15 2018-11-16 北京市商汤科技开发有限公司 图像的目标对象分割及训练方法和装置、设备、介质、产品

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112925938A (zh) * 2021-01-28 2021-06-08 上海商汤智能科技有限公司 一种图像标注方法、装置、电子设备及存储介质
CN113222964A (zh) * 2021-05-27 2021-08-06 推想医疗科技股份有限公司 一种冠脉中心线提取模型的生成方法及装置
CN113222964B (zh) * 2021-05-27 2021-11-12 推想医疗科技股份有限公司 一种冠脉中心线提取模型的生成方法及装置

Also Published As

Publication number Publication date
CN111626313B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
US10410353B2 (en) Multi-label semantic boundary detection system
CN109886928B (zh) 一种目标细胞标记方法、装置、存储介质及终端设备
CN112052813B (zh) 染色体间易位识别方法、装置、电子设备及可读存储介质
CN112633297B (zh) 目标对象的识别方法、装置、存储介质以及电子装置
CN108229232B (zh) 批量扫描二维码的方法和批量扫描二维码的装置
CN109685805B (zh) 一种图像分割方法及装置
CN111046971A (zh) 图像识别方法、装置、设备及计算机可读存储介质
WO2024060684A1 (zh) 模型训练方法、图像处理方法、设备及存储介质
CN112017162B (zh) 病理图像处理方法、装置、存储介质和处理器
CN111067522A (zh) 大脑成瘾结构图谱评估方法及装置
CN110751069A (zh) 一种人脸活体检测方法及装置
CN113015022A (zh) 行为识别方法、装置、终端设备及计算机可读存储介质
CN111626313B (zh) 一种特征提取模型训练方法、图像处理方法及装置
CN111177436A (zh) 一种人脸特征检索方法、装置及设备
CN112001200A (zh) 识别码识别方法、装置、设备、存储介质和系统
CN112712005B (zh) 识别模型的训练方法、目标识别方法及终端设备
CN114332809A (zh) 一种图像识别方法、装置、电子设备和存储介质
CN111401438B (zh) 图像分拣方法、装置及系统
CN109034166B (zh) 易混淆字符识别模型训练方法和装置
JP6405603B2 (ja) 情報処理装置、情報処理システム及びプログラム
CN111382703B (zh) 一种基于二次筛选与分数融合的指静脉识别方法
CN114582012A (zh) 一种骨架人体行为识别方法、装置及设备
CN110287943B (zh) 图像的对象识别方法、装置、电子设备及存储介质
CN116129208A (zh) 图像质量评估及其模型训练方法、装置及电子设备
CN113569070A (zh) 图像检测方法和装置、电子设备、存储介质

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
GR01 Patent grant
GR01 Patent grant