CN113222873B - 基于二维高斯分布的图像数据增强方法、装置及存储介质 - Google Patents
基于二维高斯分布的图像数据增强方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113222873B CN113222873B CN202110610001.8A CN202110610001A CN113222873B CN 113222873 B CN113222873 B CN 113222873B CN 202110610001 A CN202110610001 A CN 202110610001A CN 113222873 B CN113222873 B CN 113222873B
- Authority
- CN
- China
- Prior art keywords
- image
- random
- detected
- gaussian distribution
- dimensional gaussian
- 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.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims description 81
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000007499 fusion processing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect 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
- 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
- G06T2207/20221—Image fusion; Image merging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及大数据处理技术领域,揭露一种基于二维高斯分布的图像数据增强方法,包括:获取待增强样本数据中的任意两张图像,并获取待测图像和随机图像的二维高斯分布;根据待测图像和随机图像的二维高斯分布,确定与待测图像和随机图像分别对应的掩码矩阵;基于待测图像和随机图像的掩码矩阵,确定待测图像和随机图像的结合图像;对待测图像的边界框和随机图像的边界框进行组合,确定与结合图像对应的边界框信息;基于结合图像及边界框信息,确定与待测图像和随机图像对应的增强图像,以增强待增强样本数据。本发明还涉及区块链技术,待测图像和随机图像存储于区块链中。本发明可以提高图像数据增强的多样性和准确定。
Description
技术领域
本发明涉及图像数据技术领域,尤其涉及一种基于二维高斯分布的图像数据增强的方法、装置、电子设备及计算机可读存储介质。
背景技术
目前,数据增强在计算机视觉里被广泛使用,其主要是通过对训练图像做出一系列随机改变,产生相似但不同的训练样本,从而扩大训练数据集的规模,并且提高模型的泛化能力。现有较流行的数据增强方法是mixup数据增强,它能够增加样本多样性,提高模型稳定性,改善网络模型的泛化能力,减少对错误标签和损坏标签的记忆。但是,现有的Mixup方法主要是以权重λ和1-λ融合两张图片,也就是说,融合图片的每个像素点都是以λ和1-λ的权重融合的。
虽然现有的数据增强方法可以在很大一部分程度上缓和数据不足的问题,同时避免学习得到的模型过拟合于当前数据,但是现有的数据增强方法都较为随意或存在固定的模式,并没有精细到明确需要得到哪些特点的增强数据,以及增强数据的组合等,并不能起到增加样本多样性的效果,且无法快速灵活地自动产生多样性的增强数据,进而影响模型的泛化能力。
发明内容
本发明提供一种基于二维高斯分布的图像数据增强方法、装置、电子设备及计算机可读存储介质,其主要目的在于提高了基于二维高斯分布的图像数据增强的效率。
为实现上述目的,本发明提供的一种基于二维高斯分布的图像数据增强方法,所述方法包括:
获取待增强样本数据中的任意两张图像,形成待测图像和随机图像,并获取所述待测图像和所述随机图像的二维高斯分布;
根据所述待测图像和所述随机图像的二维高斯分布,确定与所述待测图像和所述随机图像分别对应的掩码矩阵;
基于所述待测图像和所述随机图像的掩码矩阵,确定所述待测图像和所述随机图像的结合图像;
对所述结合图像中的所述待测图像的边界框和所述随机图像的边界框进行组合,确定与所述结合图像对应的边界框信息;
基于所述结合图像及所述边界框信息,确定与所述待测图像和所述随机图像对应的增强图像,以增强所述待增强样本数据。
可选地,所述待测图像和所述随机图像存储于区块链中,所述获取所述待测图像和所述随机图像的二维高斯分布,包括:
在所述待测图像和所述随机图像上分别随机生成与所述待测图像和所述随机图像分别对应的中心点;
基于所述待测图像和所述随机图像的中心点,分别生成与所述待测图像和所述随机图像相对应的二维高斯分布。
可选地,所述确定与所述待测图像和所述随机图像分别对应的掩码矩阵,包括:
基于所述待测图像的二维高斯分布,确定所述待测图像中每个像素点对应的第一概率密度,基于所述随机图像的二维高斯分布,确定所述随机图像中每个像素点对应的第二概率密度;
基于所述第一概率密度确定所述待测图像的第一掩码矩阵,基于所述第二概率密度,确定所述随机图像的第二掩码矩阵。
可选地,所述确定所述待测图像和所述随机图像的结合图像,包括:
基于所述第一掩码矩阵和所述第二掩码矩阵,确定所述待测图像和所述随机图像的逐像素乘法图像;
基于所述待测图像和所述随机图像的逐像素乘法图像之和,确定所述结合图像。
可选地,所述待测图像的中心点表示为(x1,y1),所述随机图像的中心点表示为(x2,y2),所述待测图像的高斯分布表示为N1(x1,y1,1,1,ρ1),所述随机图像的高斯分布表示为N2(x2,y2,1,1,ρ2);其中,
所述待测图像在像素点为(m,n)处的概率密度表示为:
所述随机图像的在像素点(u,v)处的概率密度表示为:
其中,σ1 2=1,σ2 2=1,ρ1表示二维高斯分布N1中正态随机变量x1和正态随机变量y1之间的相关系数,取值范围为-1<ρ1<1,ρ2表示二维高斯分布N2正态随机变量x2和正态随机变量y2之间的相关系数,取值范围为-1<ρ2<1。
可选地,所述基于所述第一概率密度确定所述待测图像的第一掩码矩阵,基于所述第二概率密度,确定所述随机图像的第二掩码矩阵,包括:
其中,f1(m,n)表示所述待测图像在像素点为(m,n)处的概率密度,f1(u,v)表示所述随机图像在像素点(u,v)处的概率密度。
可选地,所述基于所述待测图像和所述随机图像的掩码矩阵,确定所述待测图像和所述随机图像的结合图像,包括:
所述结合图像表示为:
mixed_imagemix_x=Ma⊙imageA+Mb⊙imgeB
其中,imageA表示所述待测图像,imgeB表示所述随机图像,Ma表示所述第一掩码矩阵,Mb表示所述第二掩码矩阵,⊙表示逐像素乘法。
为了解决上述问题,本发明还提供一种基于二维高斯分布的图像数据增强装置,所述装置包括:
二维高斯分布获取单元,用于获取待增强样本数据中的任意两张图像,形成待测图像和随机图像,并获取所述待测图像和所述随机图像的二维高斯分布;
掩码矩阵确定单元,用于根据所述待测图像和所述随机图像的二维高斯分布,确定与所述待测图像和所述随机图像分别对应的掩码矩阵;
结合图像确定单元,用于基于所述待测图像和所述随机图像的掩码矩阵,确定所述待测图像和所述随机图像的结合图像;
边界框信息确定单元,用于对所述结合图像中的所述待测图像的边界框和所述随机图像的边界框进行组合,确定与所述结合图像对应的边界框信息;
增强图像确定单元,用于基于所述结合图像及所述边界框信息,确定与所述待测图像和所述随机图像对应的增强图像,以增强所述待增强样本数据。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的基于二维高斯分布的图像数据增强方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于二维高斯分布的图像数据增强方法。
本发明实施例通过获取待增强样本数据中的任意两张图像,形成待测图像和随机图像,并获取待测图像和随机图像的二维高斯分布;根据待测图像和随机图像的二维高斯分布,确定与待测图像和随机图像分别对应的掩码矩阵;基于待测图像和随机图像的掩码矩阵,确定待测图像和随机图像的结合图像;对待测图像的边界框和随机图像的边界框进行组合,确定与结合图像对应的边界框信息;基于结合图像及边界框信息,确定与待测图像和随机图像对应的增强图像,以增强待增强样本数据,结合二维高斯分布的概率密度函数,对图像中每个像素点使用不同的权重进行融合,能够增加数据融合方式的多样性,提高后期模型训练的准确度和泛化能力。
附图说明
图1为本发明一实施例提供的基于二维高斯分布的图像数据增强方法的流程示意图;
图2为本发明一实施例提供的基于二维高斯分布的图像数据增强装置的模块示意图;
图3为本发明一实施例提供的实现基于二维高斯分布的图像数据增强方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种基于二维高斯分布的图像数据增强方法。参照图1所示,为本发明一实施例提供的基于二维高斯分布的图像数据增强方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,基于二维高斯分布的图像数据增强方法包括:
S110:获取待增强样本数据中的任意两张图像,形成待测图像和随机图像,并获取所述待测图像和所述随机图像的二维高斯分布;
S120:根据所述待测图像和所述随机图像的二维高斯分布,确定与所述待测图像和所述随机图像分别对应的掩码矩阵;
S130:基于所述待测图像和所述随机图像的掩码矩阵,确定所述待测图像和所述随机图像的结合图像;
S140:对所述结合图像中的所述待测图像的边界框和所述随机图像的边界框进行组合,确定与所述结合图像对应的边界框信息;
S150:基于所述结合图像及所述边界框信息,确定与所述待测图像和所述随机图像对应的增强图像,以增强所述待增强样本数据。
在实例性的实施例中,上述步骤S110中,需要强调的是,为进一步保证上述待增强样本数据的私密和安全性,所述待测图像和所述随机图像可存储于区块链中,所述获取所述待测图像和所述随机图像的二维高斯分布,包括:
1、在所述待测图像和所述随机图像上分别随机生成与所述待测图像和所述随机图像分别对应的中心点;
2、基于所述待测图像和所述随机图像的中心点,分别生成与所述待测图像和所述随机图像相对应的二维高斯分布。
具体地,获取待增强样本数据中的任意两张图像,形成待测图像和随机图像,可首先获取需要进行数据增强的样本数据,然后,在所述样本数据中随机获取一张待测图像,并将除所述待测图像外的其他样本数据中的图像作为预设图像数据,并随机从所述预设图像数据中选定一张作为随机图像,即从所述样本数据中,随机选取两张图像,并随机分配待测图像或随机图像。
其中,所述待测图像的中心点表示为(x1,y1),所述预设图像数据中任意一个随机图像的中心点表示为(x2,y2),待测图像和随机图像的中心点可在对应的图像的所有像素点中随机生成,进而提高增强数据的多样性和灵活性。
此外,在实例性的实施例中,上述步骤S120中,所述确定与所述待测图像和所述随机图像分别对应的掩码矩阵,包括:
基于所述待测图像的二维高斯分布,确定所述待测图像中每个像素点对应的第一概率密度,基于所述随机图像的二维高斯分布,确定所述随机图像中每个像素点对应的第二概率密度;
基于所述第一概率密度确定所述待测图像的第一掩码矩阵,基于所述第二概率密度,确定所述随机图像的第二掩码矩阵。
其中,所述第一掩码矩阵和第二掩码矩阵即为与所述待测图像和所述随机图像分别对应的掩码矩阵,上述掩码矩阵也可称为核,根据掩码矩阵可重新计算图像中每个像素的值,掩码矩阵中的值表示近邻像素值(包括该像素自身的值)对新形成的图片的新像素值有多大的影响,换言之,通过掩码矩阵可利用自己设置的权重,对像素邻域内的值进行加权平均处理,如图片原像素很亮的话,经过处理后会变的更亮,如图片原像素亮度较低的话,经过运算处理后会变的更暗。
此外,在实例性的实施例中,在上述步骤S130中,所述确定所述待测图像和所述随机图像的结合图像,包括:
基于所述第一掩码矩阵和所述第二掩码矩阵,确定所述待测图像和所述随机图像的逐像素乘法图像;
基于所述待测图像和所述随机图像的逐像素乘法图像之和,确定所述结合图像。
具体地,所述待测图像的中心点表示为(x1,y1),所述随机图像的中心点表示为(x2,y2),所述待测图像的高斯分布表示为N1(x1,y1,1,1,ρ1),所述随机图像的高斯分布表示为N2(x2,y2,1,1,ρ2);其中,
所述待测图像在像素点为(m,n)处的概率密度表示为:
所述随机图像的在像素点(u,v)处的概率密度表示为:
其中,σ1 2=1,σ2 2=1,ρ1表示二维高斯分布N1中正态随机变量x1和正态随机变量y1之间的相关系数,取值范围为-1<ρ1<1,ρ2表示二维高斯分布N2正态随机变量x2和正态随机变量y2之间的相关系数,取值范围为-1<ρ2<1。
进而,基于所述第一概率密度确定所述待测图像的第一掩码矩阵,基于所述第二概率密度,确定所述随机图像的第二掩码矩阵,包括:
其中,f1(m,n)表示所述待测图像在像素点为(m,n)处的概率密度,f1(u,v)表示所述随机图像在像素点(u,v)处的概率密度。
在确定上述第一掩码矩阵和第二掩码矩阵后,进一步根据第一掩码矩阵和第二掩码矩阵确定待测图像和所述随机图像的结合图像,待测图像和随机图像的结合,也即两种图像的像素点进行融合,融合后的结合图像表示为:
mixed_imagemix_x=Ma⊙imageA+Mb⊙imgeB
其中,imageA表示所述待测图像,imgeB表示所述随机图像,Ma表示所述第一掩码矩阵,Mb表示所述第二掩码矩阵,⊙表示逐像素乘法。
需要说明的是,在上述图像融合过程中,并不改变图像的边界框,为此,还需要将待测图像和随机图像的边界框进行组合,以确定结合图像的边界框坐标信息。
具体地,由于针对待测图像和随机图像而言,每个图像均包含有多个大小或位置存在差异的边界框,每个边界框均包含三个参数,分别为类别(该类别可以是one-hot向量)、顶点坐标和置信度,所有的边界框形成与图像相对应的边界框集合。在对待测图像和随机图像的边界框进行组合时,可将待测图像的边界框集和随机图像的边界框集进行合并,取二者的并集,即可形成融合后的图像的边界框数据。
最后,根据组合后的边界框数据和结合图像,确定与所述待测图像和所述随机图像对应的增强图像。
需要说明的是,上述待测图像和随机图像上,如进行了人工标注,则对应的置信度是1,但是在两个图像进行融合处理后,对应的置信度会发生变化,为此,还需要确定增强图像的置信度参数,例如,当采用one-hot向量表示图像类别时,对应的置信度也可体现在one-hot向量中,由于图像的每个边界框均对应一个one-hot向量,为此可计算每个边界框的区域内对应的掩码值矩阵值的平均值,并乘以原one-hot向量,即可获取融合后的增强图像的新的one-hot向量信息。
换言之,增强图像的参数主要包括融合后的结合图像、组合后的边界框集合以及各边界框的one-hot向量。
其中,one-hot向量是将类别变量转换为机器学习算法易于利用的一种形式的过程,这个向量的表示为一项属性的特征向量,也就是同一时间只有一个激活点不为0,这个向量只有一个特征是不为0的,其他都是0,比较稀疏,其长度可根据特征的所有离散特征值数据相加来确定。
作为具体示例,以下将对本发明的基于二维高斯分布的数据增强方法进行详细阐述。
例如,确定待测图像A为大小4*4的灰度图,图像的像素原始值如下:
10,10,10,10;
20,|20,20,|20;
30,|30,30,|30;
40,40,40,40。
其中,待测图像A的边界框(参数包括:类别(one-hot向量),X1,Y1,X2,Y2),其中,X1,Y1为边界框的左上角坐标,X2,Y2为边界框的右上角坐标,类别one-hot向量在未处理的待测图像中应为1,即100%为该类别,比如在一共有四种类别的情况下,当边界框的one-hot向量表示为(0,1,0,0,1,1,2,2,)时,表示边界框的类别为预设的第二种类别。
如果,最终融合后的结合图像表示为:
0.1,0.1,0.1,0.1;
0.1,|0.4,0.4,|0.1;
0.1,|0.4,0.5,|0.1;
0.1,0.1,0.1,0.1。
则取上述目标边界框所在位置的掩码值的平均数为:
(0.4+0.4+0.4+0.5)/4=0.425,则结合后的新的边界框的位置不变,one-hot向量由原来的(0,1,0,0,1,1,2,2,),变为新的one-hot向量(0,0.425,0,0,1,1,2,2,)。
根据上述步骤,获取待增强样本数据中的任意两张图像,形成待测图像和随机图像,并获取待测图像和随机图像的二维高斯分布;然后,根据待测图像和随机图像的二维高斯分布,确定与待测图像和随机图像分别对应的掩码矩阵;并基于待测图像和随机图像的掩码矩阵,确定待测图像和随机图像的结合图像;对待测图像的边界框和随机图像的边界框进行组合,确定与结合图像对应的边界框信息;最后,基于结合图像及边框信息,确定与待测图像和随机图像对应的增强图像,能够对需要进行数据增强的样本数据中的任意两张图像进行融合处理,最终完成数据增强的效果,该方法结合二维高斯分布的概率密度函数,对图像中每个像素点使用不同的权重进行融合,能够增加数据融合方式的多样性,提高后期模型训练的准确度和泛化能力。
如图2所示,是本发明基于二维高斯分布的图像数据增强装置的功能模块图。
本发明所述基于二维高斯分布的图像数据增强装置200可以安装于电子设备中。根据实现的功能,所述基于二维高斯分布的图像数据增强装置可以包括二维高斯分布获取单元210、掩码矩阵确定单元220、结合图像确定单元230、边界框信息确定单元240、增强图像确定单元250。本发所述单元也可以称之为模块,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
二维高斯分布获取单元210,用于获取待增强样本数据中的任意两张图像,形成待测图像和随机图像,并获取所述待测图像和所述随机图像的二维高斯分布;
掩码矩阵确定单元220,用于根据所述待测图像和所述随机图像的二维高斯分布,确定与所述待测图像和所述随机图像分别对应的掩码矩阵;
结合图像确定单元230,用于基于所述待测图像和所述随机图像的掩码矩阵,确定所述待测图像和所述随机图像的结合图像;
边界框信息确定单元240,用于对结合图像中的所述待测图像的边界框和所述随机图像的边界框进行组合,确定与所述结合图像对应的边界框信息;
增强图像确定单元250,用于基于所述结合图像及所述边界框信息,确定与所述待测图像和所述随机图像对应的增强图像,以增强所述待增强样本数据。
详细地,二维高斯分布获取单元210,包括:
1、在所述待测图像和所述随机图像上分别随机生成与所述待测图像和所述随机图像分别对应的中心点;
2、基于所述待测图像和所述随机图像的中心点,分别生成与所述待测图像和所述随机图像相对应的二维高斯分布。
具体地,获取待增强样本数据中的任意两张图像,形成待测图像和随机图像,可首先获取需要进行数据增强的样本数据,然后,在所述样本数据中随机获取一张待测图像,并将除所述待测图像外的其他样本数据中的图像作为预设图像数据,并随机从所述预设图像数据中选定一张作为随机图像,即从所述样本数据中,随机选取两张图像,并随机分配待测图像或随机图像。
其中,所述待测图像的中心点表示为(x1,y1),所述预设图像数据中任意一个随机图像的中心点表示为(x2,y2),待测图像和随机图像的中心点可在对应的图像的所有像素点中随机生成,进而提高增强数据的多样性和灵活性。
此外,在实例性的实施例中,在上述掩码矩阵确定单元220中,所述确定与所述待测图像和所述随机图像分别对应的掩码矩阵,包括:
基于所述待测图像的二维高斯分布,确定所述待测图像中每个像素点对应的第一概率密度,基于所述随机图像的二维高斯分布,确定所述随机图像中每个像素点对应的第二概率密度;
基于所述第一概率密度确定所述待测图像的第一掩码矩阵,基于所述第二概率密度,确定所述随机图像的第二掩码矩阵。
其中,所述第一掩码矩阵和第二掩码矩阵即为与所述待测图像和所述随机图像分别对应的掩码矩阵,上述掩码矩阵也可称为核,根据掩码矩阵可重新计算图像中每个像素的值,掩码矩阵中的值表示近邻像素值(包括该像素自身的值)对新形成的图片的新像素值有多大的影响,换言之,通过掩码矩阵可利用自己设置的权重,对像素邻域内的值进行加权平均处理,如图片原像素很亮的话,经过处理后会变的更亮,如图片原像素亮度较低的话,经过运算处理后会变的更暗。
此外,在实例性的实施例中,在上述结合图像确定单元230中,所述确定所述待测图像和所述随机图像的结合图像,包括:
基于所述第一掩码矩阵和所述第二掩码矩阵,确定所述待测图像和所述随机图像的逐像素乘法图像;
基于所述待测图像和所述随机图像的逐像素乘法图像之和,确定所述结合图像。
具体地,所述待测图像的中心点表示为(x1,y1),所述随机图像的中心点表示为(x2,y2),所述待测图像的高斯分布表示为N1(x1,y1,1,1,ρ1),所述随机图像的高斯分布表示为N2(x2,y2,1,1,ρ2);其中,
所述待测图像在像素点为(m,n)处的概率密度表示为:
所述随机图像的在像素点(u,v)处的概率密度表示为:
其中,σ1 2=1,σ2 2=1,ρ1表示二维高斯分布N1中正态随机变量x1和正态随机变量y1之间的相关系数,取值范围为-1<ρ1<1,ρ2表示二维高斯分布N2正态随机变量x2和正态随机变量y2之间的相关系数,取值范围为-1<ρ2<1。
进而,基于所述第一概率密度确定所述待测图像的第一掩码矩阵,基于所述第二概率密度,确定所述随机图像的第二掩码矩阵,包括:
其中,f1(m,n)表示所述待测图像在像素点为(m,n)处的概率密度,f1(u,v)表示所述随机图像在像素点(u,v)处的概率密度。
在确定上述第一掩码矩阵和第二掩码矩阵后,进一步根据第一掩码矩阵和第二掩码矩阵确定待测图像和所述随机图像的结合图像,待测图像和随机图像的结合,也即两种图像的像素点进行融合,融合后的结合图像表示为:
mixed_imagemix_x=Ma⊙imageA+Mb⊙imgeB
其中,imageA表示所述待测图像,imgeB表示所述随机图像,Ma表示所述第一掩码矩阵,Mb表示所述第二掩码矩阵,⊙表示逐像素乘法。
需要说明的是,在上述图像融合过程中,并不改变图像的边界框,为此,还需要将待测图像和随机图像的边界框进行组合,以确定结合图像的边界框坐标信息。
具体地,由于针对待测图像和随机图像而言,每个图像均包含有多个大小或位置存在差异的边界框,每个边界框均包含三个参数,分别为类别(该类别可以是one-hot向量)、顶点坐标和置信度,所有的边界框形成与图像相对应的边界框集合。在对待测图像和随机图像的边界框进行组合时,可将待测图像的边界框集和随机图像的边界框集进行合并,取二者的并集,即可形成融合后的图像的边界框数据。
最后,根据组合后的边界框数据和结合图像,确定与所述待测图像和所述随机图像对应的增强图像。
需要说明的是,上述待测图像和随机图像上,如进行了人工标注,则对应的置信度是1,但是在两个图像进行融合处理后,对应的置信度会发生变化,为此,还需要确定增强图像的置信度参数,例如,当采用one-hot向量表示图像类别时,对应的置信度也可体现在one-hot向量中,由于图像的每个边界框均对应一个one-hot向量,为此可计算每个边界框的区域内对应的掩码值矩阵值的平均值,并乘以原one-hot向量,即可获取融合后的增强图像的新的one-hot向量信息。
换言之,增强图像的参数主要包括融合后的结合图像、组合后的边界框集合以及各边界框的one-hot向量。
其中,one-hot向量是将类别变量转换为机器学习算法易于利用的一种形式的过程,这个向量的表示为一项属性的特征向量,也就是同一时间只有一个激活点不为0,这个向量只有一个特征是不为0的,其他都是0,比较稀疏,其长度可根据特征的所有离散特征值数据相加来确定。
作为具体示例,以下将对本发明的基于二维高斯分布的数据增强方法进行详细阐述。
例如,确定待测图像A为大小4*4的灰度图,图像的像素原始值如下:
10,10,10,10;
20,|20,20,|20;
30,|30,30,|30;
40,40,40,40。
其中,待测图像A的边界框(参数包括:类别(one-hot向量),X1,Y1,X2,Y2),其中,X1,Y1为边界框的左上角坐标,X2,Y2为边界框的右上角坐标,类别one-hot向量在未处理的待测图像中应为1,即100%为该类别,比如在一共有四种类别的情况下,当边界框的one-hot向量表示为(0,1,0,0,1,1,2,2,)时,表示边界框的类别为预设的第二种类别。
如果,最终融合后的结合图像表示为:
0.1,0.1,0.1,0.1;
0.1,|0.4,0.4,|0.1;
0.1,|0.4,0.5,|0.1;
0.1,0.1,0.1,0.1。
则取上述目标边界框所在位置的掩码值的平均数为:
(0.4+0.4+0.4+0.5)/4=0.425,则结合后的新的边界框的位置不变,one-hot向量由原来的(0,1,0,0,1,1,2,2,),变为新的one-hot向量(0,0.425,0,0,1,1,2,2,)。
需要强调的是,为进一步保证上述待测图像和所述随机图像的私密和安全性,上述待测图像和所述随机图像数据还可以存储于一区块链的节点中。
如图3所示,是本发明实现基于二维高斯分布的图像数据增强方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于二维高斯分布的图像数据增强程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于二维高斯分布的图像数据增强程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于二维高斯分布的图像数据增强程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于二维高斯分布的图像数据增强程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取待增强样本数据中的任意两张图像,形成待测图像和随机图像,并获取所述待测图像和所述随机图像的二维高斯分布;
根据所述待测图像和所述随机图像的二维高斯分布,确定与所述待测图像和所述随机图像分别对应的掩码矩阵;
基于所述待测图像和所述随机图像的掩码矩阵,确定所述待测图像和所述随机图像的结合图像;
对所述待测图像的边界框和所述随机图像的边界框进行组合,确定与所述结合图像对应的边界框信息;
基于所述结合图像及所述边界框信息,确定与所述待测图像和所述随机图像对应的增强图像,以增强所述待增强样本数据。
可选地,所述待测图像和所述随机图像存储于区块链中,所述获取所述待测图像和所述随机图像的二维高斯分布,包括:
在所述待测图像和所述随机图像上分别随机生成与所述待测图像和所述随机图像分别对应的中心点;
基于所述待测图像和所述随机图像的中心点,分别生成与所述待测图像和所述随机图像相对应的二维高斯分布。
可选地,所述确定与所述待测图像和所述随机图像分别对应的掩码矩阵,包括:
基于所述待测图像的二维高斯分布,确定所述待测图像中每个像素点对应的第一概率密度,基于所述随机图像的二维高斯分布,确定所述随机图像中每个像素点对应的第二概率密度;
基于所述第一概率密度确定所述待测图像的第一掩码矩阵,基于所述第二概率密度,确定所述随机图像的第二掩码矩阵。
可选地,所述确定所述待测图像和所述随机图像的结合图像,包括:
基于所述第一掩码矩阵和所述第二掩码矩阵,确定所述待测图像和所述随机图像的逐像素乘法图像;
基于所述待测图像和所述随机图像的逐像素乘法图像之和,确定所述结合图像。
可选地,所述待测图像的中心点表示为(x1,y1),所述随机图像的中心点表示为(x2,y2),所述待测图像的高斯分布表示为N1(x1,y1,1,1,ρ1),所述随机图像的高斯分布表示为N2(x2,y2,1,1,ρ2);其中,
所述待测图像在像素点为(m,n)处的概率密度表示为:
所述随机图像的在像素点(u,v)处的概率密度表示为:
其中,σ1 2=1,σ2 2=1,ρ1表示二维高斯分布N1中正态随机变量x1和正态随机变量y1之间的相关系数,取值范围为-1<ρ1<1,ρ2表示二维高斯分布N2正态随机变量x2和正态随机变量y2之间的相关系数,取值范围为-1<ρ2<1。
可选地,所述基于所述第一概率密度确定所述待测图像的第一掩码矩阵,基于所述第二概率密度,确定所述随机图像的第二掩码矩阵,包括:
其中,f1(m,n)表示所述待测图像在像素点为(m,n)处的概率密度,f1(u,v)表示所述随机图像在像素点(u,v)处的概率密度。
可选地,所述基于所述待测图像和所述随机图像的掩码矩阵,确定所述待测图像和所述随机图像的结合图像,包括:
所述结合图像表示为:
mixed_imagemix_x=Ma⊙imageA+Ma⊙imgeB
其中,imageA表示所述待测图像,imgeB表示所述随机图像,Ma表示所述第一掩码矩阵,Mb表示所述第二掩码矩阵,⊙表示逐像素乘法。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。需要强调的是,为进一步保证上述待测图像和随机图像数据的私密和安全性,上述待测图像和随机图像数据还可以存储于一区块链的节点中。进一步地,所述电子设备1集成的模块/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。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种基于二维高斯分布的图像数据增强方法,其特征在于,所述方法包括:
获取待增强样本数据中的任意两张图像,形成待测图像和随机图像,并获取所述待测图像和所述随机图像的二维高斯分布;
根据所述待测图像和所述随机图像的二维高斯分布,确定与所述待测图像和所述随机图像分别对应的掩码矩阵;
基于所述待测图像和所述随机图像的掩码矩阵,确定所述待测图像和所述随机图像的结合图像;
对所述结合图像中的所述待测图像的边界框和所述随机图像的边界框进行组合,确定与所述结合图像对应的边界框信息;
基于所述结合图像及所述边界框信息,确定与所述待测图像和所述随机图像对应的增强图像,以增强所述待增强样本数据;
其中,所述待测图像和所述随机图像存储于区块链中,所述获取所述待测图像和所述随机图像的二维高斯分布,包括:
在所述待测图像和所述随机图像上分别随机生成与所述待测图像和所述随机图像分别对应的中心点;
基于所述待测图像和所述随机图像的中心点,分别生成与所述待测图像和所述随机图像相对应的二维高斯分布;
所述待测图像的中心点表示为(x1,y1),所述随机图像的中心点表示为(x2,y2),所述待测图像的高斯分布表示为N1(x1,y1,1,1,ρ1),所述随机图像的高斯分布表示为N2(x2,y2,1,1,ρ2);其中,
所述待测图像在像素点为(m,n)处的概率密度表示为:
所述随机图像的在像素点(u,v)处的概率密度表示为:
其中,σ1 2=1,σ2 2=1,ρ1表示二维高斯分布N1中正态随机变量x1和正态随机变量y1之间的相关系数,取值范围为-1<ρ1<1,ρ2表示二维高斯分布N2正态随机变量x2和正态随机变量y2之间的相关系数,取值范围为-1<ρ2<1。
2.如权利要求1所述的基于二维高斯分布的图像数据增强方法,其特征在于,所述确定与所述待测图像和所述随机图像分别对应的掩码矩阵,包括:
基于所述待测图像的二维高斯分布,确定所述待测图像中每个像素点对应的第一概率密度,基于所述随机图像的二维高斯分布,确定所述随机图像中每个像素点对应的第二概率密度;
基于所述第一概率密度确定所述待测图像的第一掩码矩阵,基于所述第二概率密度,确定所述随机图像的第二掩码矩阵。
3.如权利要求2所述的基于二维高斯分布的图像数据增强方法,其特征在于,所述确定所述待测图像和所述随机图像的结合图像,包括:
基于所述第一掩码矩阵和所述第二掩码矩阵,确定所述待测图像和所述随机图像的逐像素乘法图像;
基于所述待测图像和所述随机图像的逐像素乘法图像之和,确定所述结合图像。
5.如权利要求4所述的基于二维高斯分布的图像数据增强方法,其特征在于,所述基于所述待测图像和所述随机图像的掩码矩阵,确定所述待测图像和所述随机图像的结合图像,包括:
所述结合图像表示为:
mixed_imagemix_x=Ma⊙imageA+Mb⊙imgeB
其中,imageA表示所述待测图像,imgeB表示所述随机图像,Ma表示所述第一掩码矩阵,Mb表示所述第二掩码矩阵,⊙表示逐像素乘法。
6.一种基于二维高斯分布的图像数据增强装置,其特征在于,所述装置包括:
二维高斯分布获取单元,用于获取待增强样本数据中的任意两张图像,形成待测图像和随机图像,并获取所述待测图像和所述随机图像的二维高斯分布;
掩码矩阵确定单元,用于根据所述待测图像和所述随机图像的二维高斯分布,确定与所述待测图像和所述随机图像分别对应的掩码矩阵;
结合图像确定单元,用于基于所述待测图像和所述随机图像的掩码矩阵,确定所述待测图像和所述随机图像的结合图像;
边界框信息确定单元,用于对所述结合图像中的所述待测图像的边界框和所述随机图像的边界框进行组合,确定与所述结合图像对应的边界框信息;
增强图像确定单元,用于基于所述结合图像及所述边界框信息,确定与所述待测图像和所述随机图像对应的增强图像,以增强所述待增强样本数据;
其中,所述待测图像和所述随机图像存储于区块链中,所述获取所述待测图像和所述随机图像的二维高斯分布,包括:
在所述待测图像和所述随机图像上分别随机生成与所述待测图像和所述随机图像分别对应的中心点;
基于所述待测图像和所述随机图像的中心点,分别生成与所述待测图像和所述随机图像相对应的二维高斯分布;
所述待测图像的中心点表示为(x1,y1),所述随机图像的中心点表示为(x2,y2),所述待测图像的高斯分布表示为N1(x1,y1,1,1,ρ1),所述随机图像的高斯分布表示为N2(x2,y2,1,1,ρ2);其中,
所述待测图像在像素点为(m,n)处的概率密度表示为:
所述随机图像的在像素点(u,v)处的概率密度表示为:
其中,σ1 2=1,σ2 2=1,ρ1表示二维高斯分布N1中正态随机变量x1和正态随机变量y1之间的相关系数,取值范围为-1<ρ1<1,ρ2表示二维高斯分布N2正态随机变量x2和正态随机变量y2之间的相关系数,取值范围为-1<ρ2<1。
7.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至5中任一所述的基于二维高斯分布的图像数据增强方法中的步骤。
8.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任一所述的基于二维高斯分布的图像数据增强方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110610001.8A CN113222873B (zh) | 2021-06-01 | 2021-06-01 | 基于二维高斯分布的图像数据增强方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110610001.8A CN113222873B (zh) | 2021-06-01 | 2021-06-01 | 基于二维高斯分布的图像数据增强方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113222873A CN113222873A (zh) | 2021-08-06 |
CN113222873B true CN113222873B (zh) | 2023-06-16 |
Family
ID=77082416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110610001.8A Active CN113222873B (zh) | 2021-06-01 | 2021-06-01 | 基于二维高斯分布的图像数据增强方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222873B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570885A (zh) * | 2016-11-10 | 2017-04-19 | 河海大学 | 基于亮度和纹理融合阈值的背景建模方法 |
CN110110727A (zh) * | 2019-06-18 | 2019-08-09 | 南京景三医疗科技有限公司 | 基于条件随机场和贝叶斯后处理的图像分割方法 |
CN111563516A (zh) * | 2020-07-16 | 2020-08-21 | 浙江大华技术股份有限公司 | 行人掩码与三维场景融合显示的方法、终端及存储介质 |
CN111862093A (zh) * | 2020-08-06 | 2020-10-30 | 华中科技大学 | 一种基于图像识别的腐蚀等级信息处理方法及系统 |
CN111932595A (zh) * | 2020-09-24 | 2020-11-13 | 平安科技(深圳)有限公司 | 图像配准方法、装置、电子设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485192B (zh) * | 2015-09-02 | 2019-12-06 | 富士通株式会社 | 用于图像识别的神经网络的训练方法和装置 |
SG10201913029SA (en) * | 2019-12-23 | 2021-04-29 | Sensetime Int Pte Ltd | Target tracking method and apparatus, electronic device, and storage medium |
-
2021
- 2021-06-01 CN CN202110610001.8A patent/CN113222873B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570885A (zh) * | 2016-11-10 | 2017-04-19 | 河海大学 | 基于亮度和纹理融合阈值的背景建模方法 |
CN110110727A (zh) * | 2019-06-18 | 2019-08-09 | 南京景三医疗科技有限公司 | 基于条件随机场和贝叶斯后处理的图像分割方法 |
CN111563516A (zh) * | 2020-07-16 | 2020-08-21 | 浙江大华技术股份有限公司 | 行人掩码与三维场景融合显示的方法、终端及存储介质 |
CN111862093A (zh) * | 2020-08-06 | 2020-10-30 | 华中科技大学 | 一种基于图像识别的腐蚀等级信息处理方法及系统 |
CN111932595A (zh) * | 2020-09-24 | 2020-11-13 | 平安科技(深圳)有限公司 | 图像配准方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113222873A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783982B (zh) | 攻击样本的获取方法、装置、设备及介质 | |
CN111932562B (zh) | 基于ct序列的图像识别方法、装置、电子设备及介质 | |
CN112507923B (zh) | 证件翻拍检测方法、装置、电子设备及介质 | |
CN115311167B (zh) | 基于多色光线的色域控制方法、装置、设备及存储介质 | |
CN112991377A (zh) | 一种基于opencv和shader融合技术的抠像算法 | |
CN113705462A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN114723636A (zh) | 基于多特征融合的模型生成方法、装置、设备及存储介质 | |
WO2021151277A1 (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
CN112132812A (zh) | 证件校验方法、装置、电子设备及介质 | |
CN112862703B (zh) | 基于移动拍照的图像校正方法、装置、电子设备及介质 | |
CN113240585B (zh) | 基于生成对抗网络的图像处理方法、装置及存储介质 | |
CN113222873B (zh) | 基于二维高斯分布的图像数据增强方法、装置及存储介质 | |
CN113792801B (zh) | 人脸炫光程度的检测方法、装置、设备及存储介质 | |
CN113627394B (zh) | 人脸提取方法、装置、电子设备及可读存储介质 | |
CN112541436B (zh) | 专注度分析方法、装置、电子设备及计算机存储介质 | |
CN113095284A (zh) | 人脸选取方法、装置、设备及计算机可读存储介质 | |
CN112233194B (zh) | 医学图片优化方法、装置、设备及计算机可读存储介质 | |
CN113887408A (zh) | 活化人脸视频的检测方法、装置、设备及存储介质 | |
CN113128440A (zh) | 基于边缘设备的目标物识别方法、装置、设备及存储介质 | |
CN111695609B (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
CN112541899A (zh) | 证件的残缺检测方法、装置、电子设备及计算机存储介质 | |
CN113887409B (zh) | 活体检测方法、装置、电子设备及可读存储介质 | |
CN113888500B (zh) | 基于人脸图像的炫光程度检测方法、装置、设备及介质 | |
CN114120122B (zh) | 基于遥感影像的灾损识别方法、装置、设备及存储介质 | |
CN115100081B (zh) | Lcd显示屏灰阶图像增强方法、装置、设备及存储介质 |
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 |