CN114972093A - 图像增强方法、装置、设备及存储介质 - Google Patents
图像增强方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114972093A CN114972093A CN202210590544.2A CN202210590544A CN114972093A CN 114972093 A CN114972093 A CN 114972093A CN 202210590544 A CN202210590544 A CN 202210590544A CN 114972093 A CN114972093 A CN 114972093A
- Authority
- CN
- China
- Prior art keywords
- image
- occlusion
- category
- initial
- fusion
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000010586 diagram Methods 0.000 claims abstract description 101
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 230000004927 fusion Effects 0.000 claims description 82
- 238000001514 detection method Methods 0.000 claims description 60
- 238000013507 mapping Methods 0.000 claims description 54
- 238000012545 processing Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 33
- 238000002372 labelling Methods 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 23
- 238000007499 fusion processing Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 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
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明涉及人工智能，提供一种图像增强方法、装置、设备及存储介质。该方法获取包括标注框图的历史车损图像，对历史车损图像进行预处理，得到包括初始框图的初始增强图像，基于初始框图对初始增强图像进行擦除处理，得到第一遮挡图像，基于标注框图对历史车损图像进行擦除处理，得到第二遮挡图像，对初始增强图像、第一遮挡图像及第二遮挡图像中的任意两张图像进行融合处理，得到融合图像，选取待处理图像进行拼接处理，得到拼接图像，根据初始增强图像、第一遮挡图像、第二遮挡图像、融合图像及拼接图像生成反馈结果，能够基于图像形态对样本图像进行扩增。此外，本发明还涉及区块链技术，所述反馈结果可存储于区块链中。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种图像增强方法、装置、设备及存储介质。
背景技术
目前，基于深度学习方法能够实现对车辆损伤的检测，然而，由于车型多变、损伤状况复杂等问题，造成基于深度学习方法训练得到的车辆损伤检测模型的检测精度及泛化性低下。
因此，为了提高检测模型的检测精度及泛化性，如何基于图像形态对图像样本进行扩增，成了亟需解决的技术问题。
发明内容
鉴于以上内容，有必要提供一种图像增强方法、装置、设备及存储介质，能够基于图像形态对图像样本进行扩增，以提高检测模型的检测精度及泛化性。
一方面，本发明提出一种图像增强方法，所述图像增强方法包括：
当接收到图像增强请求时，根据所述图像增强请求获取历史车损图像，所述历史车损图像中包括车损部位的标注框图；
对所述历史车损图像进行预处理，得到初始增强图像，所述初始增强图像中包括与所述标注框图对应的初始框图；
基于所述初始框图对所述初始增强图像进行擦除处理，得到第一遮挡图像，并基于所述标注框图对所述历史车损图像进行擦除处理，得到第二遮挡图像；
对所述初始增强图像、所述第一遮挡图像及所述第二遮挡图像中的任意两张图像进行融合处理，得到融合图像；
从所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像及所述融合图像中选取待处理图像进行拼接处理，得到拼接图像；
根据所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像生成所述图像增强请求的反馈结果。
根据本发明优选实施例，所述基于所述初始框图对所述初始增强图像进行擦除处理，得到第一遮挡图像包括：
计算所述初始框图的框图面积，并计算所述初始增强图像的图像面积；
计算所述框图面积在所述图像面积中的面积比例；
基于所述面积比例及所述框图面积从所述初始框图中定位出覆盖区域；
获取所述覆盖区域中每个像素点在所述初始增强图像上的图像像素值；
将所述覆盖区域中的图像像素值替换为预设像素值，得到所述第一遮挡图像。
根据本发明优选实施例，所述任意两张图像包括第一图像及第二图像，所述对所述初始增强图像、所述第一遮挡图像及所述第二遮挡图像中的任意两张图像进行融合处理，得到融合图像包括：
基于所述第一图像中每个像素点的第一像素值对所述第一图像进行编码处理，得到第一编码向量；
基于所述第二图像中每个像素点的第二像素值对所述第二图像进行编码处理，得到第二编码向量；
获取多个预设权值；
基于每个预设权值对所述第一编码向量及所述第二编码向量进行加权和运算，得到每个预设权值的融合编码向量；
对所述融合编码向量进行映射处理，得到多个所述融合图像。
根据本发明优选实施例，所述从所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像及所述融合图像中选取待处理图像进行拼接处理，得到拼接图像包括：
从预设区间中选取拼接数量；
从所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像及所述融合图像中选取数量为所述拼接数量的图像作为所述待处理图像；
识别每张待处理图像的图像尺寸；
若多个所述图像尺寸的尺寸大小不同，则将所述图像尺寸最小的待处理图像确定为基准图像；
基于取值最小的图像尺寸对除所述基准图像以外的待处理图像进行变换处理，得到变换图像；
拼接所述基准图像及所述变换图像，得到所述拼接图像。
根据本发明优选实施例，所述根据所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像生成所述图像增强请求的反馈结果包括：
获取与所述初始增强图像对应的历史车损图像的损伤类别作为所述初始增强图像的增强类别；
获取与所述第一遮挡图像对应的初始增强图像的增强类别作为所述第一遮挡图像的第一遮挡类别，并获取与所述第二遮挡图像对应的历史车损图像的损伤类别作为所述第二遮挡图像的第二遮挡类别；
获取与所述融合图像对应的预设权值作为生成权值；
基于所述生成权值对所述第一图像的图像类别及所述第二图像的图像类别进行处理，得到所述融合图像的目标类别；
获取所述待处理图像的图像类别作为所述拼接图像的拼接类别；
根据所述初始增强图像与所述增强类别的映射关系、所述第一遮挡图像与所述第一遮挡类别的映射关系、所述第二遮挡图像与所述第二遮挡类别的映射关系、所述融合图像与所述目标类别的映射关系、所述拼接图像与所述拼接类别的映射关系生成图像类别映射表；
存储所述图像类别映射表、所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像至预设样本训练库中；
根据所述预设样本训练库的识别码生成所述反馈结果。
根据本发明优选实施例，所述基于所述生成权值对所述第一图像的图像类别及所述第二图像的图像类别进行处理，得到所述融合图像的目标类别包括：
对所述第一图像的图像类别进行编码处理，得到第一类别向量，并对所述第二图像的图像类别进行编码处理，得到第二类别向量；
基于所述生成权值对所述第一类别向量及所述第二类别向量进行加权和运算，得到融合类别向量；
对所述融合类别向量进行映射处理，得到所述融合图像的目标类别。
根据本发明优选实施例，在根据所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像生成所述图像增强请求的反馈结果之后，所述图像增强方法还包括：
按照预设比例从所述历史车损图像、所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像中选取训练图像样本；
基于所述训练图像样本训练预设检测网络，得到检测模型。
另一方面，本发明还提出一种图像增强装置，所述图像增强装置包括：
获取单元，用于当接收到图像增强请求时，根据所述图像增强请求获取历史车损图像，所述历史车损图像中包括车损部位的标注框图；
预处理单元，用于对所述历史车损图像进行预处理，得到初始增强图像，所述初始增强图像中包括与所述标注框图对应的初始框图；
擦除单元，用于基于所述初始框图对所述初始增强图像进行擦除处理，得到第一遮挡图像，并基于所述标注框图对所述历史车损图像进行擦除处理，得到第二遮挡图像；
融合单元，用于对所述初始增强图像、所述第一遮挡图像及所述第二遮挡图像中的任意两张图像进行融合处理，得到融合图像；
拼接单元，用于从所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像及所述融合图像中选取待处理图像进行拼接处理，得到拼接图像；
生成单元，用于根据所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像生成所述图像增强请求的反馈结果。
另一方面，本发明还提出一种电子设备，所述电子设备包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现所述图像增强方法。
另一方面，本发明还提出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计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述图像增强方法。
由以上技术方案可以看出，本申请通过对所述历史车损图像进行预处理，能够生成具备多个图像格式的初始增强图像，从而能够提高检测模型在训练模型时对多种图像格式的适应能力，进而基于所述初始框图对所述初始增强图像进行擦除处理，以及基于所述标注框图对所述历史车损图像进行擦除处理，能够生成具有遮挡信息的第一遮挡图像及第二遮挡图像，从而能够提高检测模型在训练模型时对遮挡图像的处理能力，通过对图像的融合处理，能够使得所述融合图像中具备噪声信息，从而能够提高检测模型在训练模型时的鲁棒性，进一步地，通过对图像进行拼接处理，由于所生成的拼接图像中的损伤部位分布不均匀，以及，损伤部位相对应拼接图像来说目标较小，因此，能够提高检测模型在训练模型时对小目标的检测能力。本申请通过对图像的一系列处理操作，能够实现基于图像形态对所述历史车损图像的扩增。
附图说明
图1是本发明图像增强方法的较佳实施例的流程图。
图2是本发明图像增强装置的较佳实施例的功能模块图。
图3是本发明实现图像增强方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明图像增强方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述图像增强方法可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
所述图像增强方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字信号处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所在的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，当接收到图像增强请求时，根据所述图像增强请求获取历史车损图像，所述历史车损图像中包括车损部位的标注框图。
在本发明的至少一个实施例中，所述图像增强请求可以是车辆损伤检测系统的研发人员触发生成。所述图像增强请求中携带有标注数据库的数据库标识。
所述历史车损图像可以是被保险人将损伤车辆进行拍摄后，并由标注用户进行标注后所得到的图像。所述标注框图可以是所述标注用户对车损部位进行标注后所得到的区域框图。
在本发明的至少一个实施例中，在根据所述图像增强请求获取历史车损图像之前，所述方法还包括：
从车辆损伤检测系统中获取被保险用户上传的拍摄图像；
当检测到所述标注用户无法识别所述拍摄图像的损伤类型时，从所述车辆损伤检测系统中重新获取样本图像；
当检测到所述标注用户完成对所述样本图像的损伤类别标注时，将所述样本图像存储至所述标注数据库中。
通过删除无法成功识别损伤类型的拍摄图像，能够避免因所述损伤类型的不准确而造成后续的增强图像所对应的类型出现不准确的情况，从而能够避免检测模型无法准确的完成训练。
在本发明的至少一个实施例中，所述电子设备根据所述图像增强请求获取历史车损图像包括：
解析所述图像增强请求的请求报文，得到所述请求报文携带的数据信息；
从所述数据信息中提取所述数据库标识，并将与所述数据库标识对应的确定为所述标注数据库；
从所述标注数据库中获取所述历史车损图像。
S11，对所述历史车损图像进行预处理，得到初始增强图像，所述初始增强图像中包括与所述标注框图对应的初始框图。
在本发明的至少一个实施例中，所述初始增强图像是指对所述历史车损图像进行预处理后所得到的图像。
其中，所述预处理的方式包括以下一种或者多种方式的组合：
随机翻转、随机裁剪、随机比例裁剪并缩放、色彩抖动及/或随机光照变换。
在本发明的至少一个实施例中，所述初始框图是指基于与所述初始增强图像相同的预处理方式对所述标注框图进行预处理后所得到的区域框图。
通过同一预处理方式对所述标注框图进行预处理，能够确保所述初始框图与所述标注框图的一致性，提高了所述初始框图的准确性。
S12，基于所述初始框图对所述初始增强图像进行擦除处理，得到第一遮挡图像，并基于所述标注框图对所述历史车损图像进行擦除处理，得到第二遮挡图像。
在本发明的至少一个实施例中，所述第一遮挡图像是指对所述初始增强图像进行遮挡或者马赛克处理后所得到的图像，所述第二遮挡图像是指对所述历史车损图像进行遮挡或者马赛克处理后所得到的图像。
在本发明的至少一个实施例中，所述电子设备基于所述初始框图对所述初始增强图像进行擦除处理，得到第一遮挡图像包括：
计算所述初始框图的框图面积，并计算所述初始增强图像的图像面积；
计算所述框图面积在所述图像面积中的面积比例；
基于所述面积比例及所述框图面积从所述初始框图中定位出覆盖区域；
获取所述覆盖区域中每个像素点在所述初始增强图像上的图像像素值；
将所述覆盖区域中的图像像素值替换为预设像素值，得到所述第一遮挡图像。
其中，所述预设像素值可以根据实际需求设定，例如，所述预设像素值可以设定为0。
通过所述面积比例及所述框图面积从所述初始框图中定位出覆盖区域，能够按照合适的比例对所述覆盖区域进行遮挡处理，避免因所述覆盖区域过大或者过小而造成检测模型的训练难度。
在本发明的至少一个实施例中，所述电子设备基于所述标注框图对所述历史车损图像进行擦除处理，得到第二遮挡图像的方式与所述电子设备基于所述初始框图对所述初始增强图像进行擦除处理，得到第一遮挡图像的方式相似，本发明对此不再赘述。
S13，对所述初始增强图像、所述第一遮挡图像及所述第二遮挡图像中的任意两张图像进行融合处理，得到融合图像。
在本发明的至少一个实施例中，所述任意两张图像包括第一图像及第二图像，所述融合图像是指以所述第一图像及所述第二图像中的任一图像为基准，另一图像为噪声进行融合后所得到的图像。
在本发明的至少一个实施例中，所述电子设备对所述初始增强图像、所述第一遮挡图像及所述第二遮挡图像中的任意两张图像进行融合处理，得到融合图像包括：
基于所述第一图像中每个像素点的第一像素值对所述第一图像进行编码处理，得到第一编码向量；
基于所述第二图像中每个像素点的第二像素值对所述第二图像进行编码处理，得到第二编码向量；
获取多个预设权值；
基于每个预设权值对所述第一编码向量及所述第二编码向量进行加权和运算，得到每个预设权值的融合编码向量；
对所述融合编码向量进行映射处理，得到多个所述融合图像。
其中，所述多个预设权值可以根据实际设定，需要强调的是，所述多个预设权值不为0.5。
通过设定所述多个预设权值，能够提高所述多个融合图像的生成数量。
S14，从所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像及所述融合图像中选取待处理图像进行拼接处理，得到拼接图像。
在本发明的至少一个实施例中，所述待处理图像是指基于拼接数量从所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像及所述融合图像中随机提取到的图像。
所述拼接图像是指对所述待处理图像进行拼接后所得到的图像。
在本发明的至少一个实施例中，所述电子设备从所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像及所述融合图像中选取待处理图像进行拼接处理，得到拼接图像包括：
从预设区间中选取拼接数量；
从所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像及所述融合图像中选取数量为所述拼接数量的图像作为所述待处理图像；
识别每张待处理图像的图像尺寸；
若多个所述图像尺寸的尺寸大小不同，则将所述图像尺寸最小的待处理图像确定为基准图像；
基于取值最小的图像尺寸对除所述基准图像以外的待处理图像进行变换处理，得到变换图像；
拼接所述基准图像及所述变换图像，得到所述拼接图像。
其中，所述预设区间通常设定为[2，4]。
通过设定所述预设区间能够限制所述拼接数量，以及，通过以图像尺寸最小的待处理图像为基准图像对其余待处理图像进行变换处理，能够避免所述拼接数量过大而造成生成的拼接图像的尺寸过大，从而能够避免因拼接图像的尺寸过大而造成无法准确的训练出检测模型。
S15，根据所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像生成所述图像增强请求的反馈结果。
需要强调的是，为进一步保证上述反馈结果的私密和安全性，上述反馈结果还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述反馈结果包括有预设样本训练库的识别码，其中，所述预设样本训练库中存储有图像类别映射表、所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像，所述图像类别映射表中存储有所述初始增强图像与增强类别的映射关系、所述第一遮挡图像与第一遮挡类别的映射关系、所述第二遮挡图像与第二遮挡类别的映射关系、所述融合图像与目标类别的映射关系、所述拼接图像与拼接类别的映射关系。
在本发明的至少一个实施例中，所述电子设备根据所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像生成所述图像增强请求的反馈结果包括：
获取与所述初始增强图像对应的历史车损图像的损伤类别作为所述初始增强图像的增强类别；
获取与所述第一遮挡图像对应的初始增强图像的增强类别作为所述第一遮挡图像的第一遮挡类别，并获取与所述第二遮挡图像对应的历史车损图像的损伤类别作为所述第二遮挡图像的第二遮挡类别；
获取与所述融合图像对应的预设权值作为生成权值；
基于所述生成权值对所述第一图像的图像类别及所述第二图像的图像类别进行处理，得到所述融合图像的目标类别；
获取所述待处理图像的图像类别作为所述拼接图像的拼接类别；
根据所述初始增强图像与所述增强类别的映射关系、所述第一遮挡图像与所述第一遮挡类别的映射关系、所述第二遮挡图像与所述第二遮挡类别的映射关系、所述融合图像与所述目标类别的映射关系、所述拼接图像与所述拼接类别的映射关系生成图像类别映射表；
存储所述图像类别映射表、所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像至预设样本训练库中；
根据所述预设样本训练库的识别码生成所述反馈结果。
通过生成所述图像类别映射表，便于后续训练检测模型时能够快速从所述图像类别映射表中准确的获取到图像所对应的类别。
具体地，所述电子设备基于所述生成权值对所述第一图像的图像类别及所述第二图像的图像类别进行处理，得到所述融合图像的目标类别包括：
对所述第一图像的图像类别进行编码处理，得到第一类别向量，并对所述第二图像的图像类别进行编码处理，得到第二类别向量；
基于所述生成权值对所述第一类别向量及所述第二类别向量进行加权和运算，得到融合类别向量；
对所述融合类别向量进行映射处理，得到所述融合图像的目标类别。
通过基于生成所述融合图像的预设权值作为生成权值对所述第一类别向量及所述第二类别向量进行加权和运算，能够提高所述目标类别的标注准确性。
在本发明的至少一个实施例中，在根据所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像生成所述图像增强请求的反馈结果之后，所述图像增强方法还包括：
按照预设比例从所述历史车损图像、所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像中选取训练图像样本；
基于所述训练图像样本训练预设检测网络，得到检测模型。
其中，所述预设比例可以根据对所述检测模型的模型能力确定，例如，若想要更关注所述检测模型对具有噪声信息的检测准确性，设置所述融合图像所对应的预设比例的取值比其余预设比例的取值大。
通过所述预设比例能够对所述训练图像样本进行调整，以提高所述检测模型的泛化性及准确性。
由以上技术方案可以看出，本申请通过对所述历史车损图像进行预处理，能够生成具备多个图像格式的初始增强图像，从而能够提高检测模型在训练模型时对多种图像格式的适应能力，进而基于所述初始框图对所述初始增强图像进行擦除处理，以及基于所述标注框图对所述历史车损图像进行擦除处理，能够生成具有遮挡信息的第一遮挡图像及第二遮挡图像，从而能够提高检测模型在训练模型时对遮挡图像的处理能力，通过对图像的融合处理，能够使得所述融合图像中具备噪声信息，从而能够提高检测模型在训练模型时的鲁棒性，进一步地，通过对图像进行拼接处理，由于所生成的拼接图像中的损伤部位分布不均匀，以及，损伤部位相对应拼接图像来说目标较小，因此，能够提高检测模型在训练模型时对小目标的检测能力。本申请通过对图像的一系列处理操作，能够实现基于图像形态对所述历史车损图像的扩增。
如图2所示，是本发明图像增强装置的较佳实施例的功能模块图。所述图像增强装置11包括获取单元110、预处理单元111、擦除单元112、融合单元113、拼接单元114、生成单元115、存储单元116、选取单元117及训练单元118。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
当接收到图像增强请求时，获取单元110根据所述图像增强请求获取历史车损图像，所述历史车损图像中包括车损部位的标注框图。
在本发明的至少一个实施例中，所述图像增强请求可以是车辆损伤检测系统的研发人员触发生成。所述图像增强请求中携带有标注数据库的数据库标识。
所述历史车损图像可以是被保险人将损伤车辆进行拍摄后，并由标注用户进行标注后所得到的图像。所述标注框图可以是所述标注用户对车损部位进行标注后所得到的区域框图。
在本发明的至少一个实施例中，在根据所述图像增强请求获取历史车损图像之前，所述获取单元110从车辆损伤检测系统中获取被保险用户上传的拍摄图像；
当检测到所述标注用户无法识别所述拍摄图像的损伤类型时，所述获取单元110从所述车辆损伤检测系统中重新获取样本图像；
当检测到所述标注用户完成对所述样本图像的损伤类别标注时，存储单元116将所述样本图像存储至所述标注数据库中。
通过删除无法成功识别损伤类型的拍摄图像，能够避免因所述损伤类型的不准确而造成后续的增强图像所对应的类型出现不准确的情况，从而能够避免检测模型无法准确的完成训练。
在本发明的至少一个实施例中，所述获取单元110根据所述图像增强请求获取历史车损图像包括：
解析所述图像增强请求的请求报文，得到所述请求报文携带的数据信息；
从所述数据信息中提取所述数据库标识，并将与所述数据库标识对应的确定为所述标注数据库；
从所述标注数据库中获取所述历史车损图像。
预处理单元111对所述历史车损图像进行预处理，得到初始增强图像，所述初始增强图像中包括与所述标注框图对应的初始框图。
在本发明的至少一个实施例中，所述初始增强图像是指对所述历史车损图像进行预处理后所得到的图像。
其中，所述预处理的方式包括以下一种或者多种方式的组合：
随机翻转、随机裁剪、随机比例裁剪并缩放、色彩抖动及/或随机光照变换。
在本发明的至少一个实施例中，所述初始框图是指基于与所述初始增强图像相同的预处理方式对所述标注框图进行预处理后所得到的区域框图。
通过同一预处理方式对所述标注框图进行预处理，能够确保所述初始框图与所述标注框图的一致性，提高了所述初始框图的准确性。
擦除单元112基于所述初始框图对所述初始增强图像进行擦除处理，得到第一遮挡图像，并基于所述标注框图对所述历史车损图像进行擦除处理，得到第二遮挡图像。
在本发明的至少一个实施例中，所述第一遮挡图像是指对所述初始增强图像进行遮挡或者马赛克处理后所得到的图像，所述第二遮挡图像是指对所述历史车损图像进行遮挡或者马赛克处理后所得到的图像。
在本发明的至少一个实施例中，所述擦除单元112基于所述初始框图对所述初始增强图像进行擦除处理，得到第一遮挡图像包括：
计算所述初始框图的框图面积，并计算所述初始增强图像的图像面积；
计算所述框图面积在所述图像面积中的面积比例；
基于所述面积比例及所述框图面积从所述初始框图中定位出覆盖区域；
获取所述覆盖区域中每个像素点在所述初始增强图像上的图像像素值；
将所述覆盖区域中的图像像素值替换为预设像素值，得到所述第一遮挡图像。
其中，所述预设像素值可以根据实际需求设定，例如，所述预设像素值可以设定为0。
通过所述面积比例及所述框图面积从所述初始框图中定位出覆盖区域，能够按照合适的比例对所述覆盖区域进行遮挡处理，避免因所述覆盖区域过大或者过小而造成检测模型的训练难度。
在本发明的至少一个实施例中，所述擦除单元112基于所述标注框图对所述历史车损图像进行擦除处理，得到第二遮挡图像的方式与所述擦除单元112基于所述初始框图对所述初始增强图像进行擦除处理，得到第一遮挡图像的方式相似，本发明对此不再赘述。
融合单元113对所述初始增强图像、所述第一遮挡图像及所述第二遮挡图像中的任意两张图像进行融合处理，得到融合图像。
在本发明的至少一个实施例中，所述任意两张图像包括第一图像及第二图像，所述融合图像是指以所述第一图像及所述第二图像中的任一图像为基准，另一图像为噪声进行融合后所得到的图像。
在本发明的至少一个实施例中，所述融合单元113对所述初始增强图像、所述第一遮挡图像及所述第二遮挡图像中的任意两张图像进行融合处理，得到融合图像包括：
基于所述第一图像中每个像素点的第一像素值对所述第一图像进行编码处理，得到第一编码向量；
基于所述第二图像中每个像素点的第二像素值对所述第二图像进行编码处理，得到第二编码向量；
获取多个预设权值；
基于每个预设权值对所述第一编码向量及所述第二编码向量进行加权和运算，得到每个预设权值的融合编码向量；
对所述融合编码向量进行映射处理，得到多个所述融合图像。
其中，所述多个预设权值可以根据实际设定，需要强调的是，所述多个预设权值不为0.5。
通过设定所述多个预设权值，能够提高所述多个融合图像的生成数量。
拼接单元114从所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像及所述融合图像中选取待处理图像进行拼接处理，得到拼接图像。
在本发明的至少一个实施例中，所述待处理图像是指基于拼接数量从所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像及所述融合图像中随机提取到的图像。
所述拼接图像是指对所述待处理图像进行拼接后所得到的图像。
在本发明的至少一个实施例中，所述拼接单元114从所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像及所述融合图像中选取待处理图像进行拼接处理，得到拼接图像包括：
从预设区间中选取拼接数量；
从所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像及所述融合图像中选取数量为所述拼接数量的图像作为所述待处理图像；
识别每张待处理图像的图像尺寸；
若多个所述图像尺寸的尺寸大小不同，则将所述图像尺寸最小的待处理图像确定为基准图像；
基于取值最小的图像尺寸对除所述基准图像以外的待处理图像进行变换处理，得到变换图像；
拼接所述基准图像及所述变换图像，得到所述拼接图像。
其中，所述预设区间通常设定为[2，4]。
通过设定所述预设区间能够限制所述拼接数量，以及，通过以图像尺寸最小的待处理图像为基准图像对其余待处理图像进行变换处理，能够避免所述拼接数量过大而造成生成的拼接图像的尺寸过大，从而能够避免因拼接图像的尺寸过大而造成无法准确的训练出检测模型。
生成单元115根据所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像生成所述图像增强请求的反馈结果。
需要强调的是，为进一步保证上述反馈结果的私密和安全性，上述反馈结果还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述反馈结果包括有预设样本训练库的识别码，其中，所述预设样本训练库中存储有图像类别映射表、所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像，所述图像类别映射表中存储有所述初始增强图像与增强类别的映射关系、所述第一遮挡图像与第一遮挡类别的映射关系、所述第二遮挡图像与第二遮挡类别的映射关系、所述融合图像与目标类别的映射关系、所述拼接图像与拼接类别的映射关系。
在本发明的至少一个实施例中，所述生成单元115根据所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像生成所述图像增强请求的反馈结果包括：
获取与所述初始增强图像对应的历史车损图像的损伤类别作为所述初始增强图像的增强类别；
获取与所述第一遮挡图像对应的初始增强图像的增强类别作为所述第一遮挡图像的第一遮挡类别，并获取与所述第二遮挡图像对应的历史车损图像的损伤类别作为所述第二遮挡图像的第二遮挡类别；
获取与所述融合图像对应的预设权值作为生成权值；
基于所述生成权值对所述第一图像的图像类别及所述第二图像的图像类别进行处理，得到所述融合图像的目标类别；
获取所述待处理图像的图像类别作为所述拼接图像的拼接类别；
根据所述初始增强图像与所述增强类别的映射关系、所述第一遮挡图像与所述第一遮挡类别的映射关系、所述第二遮挡图像与所述第二遮挡类别的映射关系、所述融合图像与所述目标类别的映射关系、所述拼接图像与所述拼接类别的映射关系生成图像类别映射表；
存储所述图像类别映射表、所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像至预设样本训练库中；
根据所述预设样本训练库的识别码生成所述反馈结果。
通过生成所述图像类别映射表，便于后续训练检测模型时能够快速从所述图像类别映射表中准确的获取到图像所对应的类别。
具体地，所述生成单元115基于所述生成权值对所述第一图像的图像类别及所述第二图像的图像类别进行处理，得到所述融合图像的目标类别包括：
对所述第一图像的图像类别进行编码处理，得到第一类别向量，并对所述第二图像的图像类别进行编码处理，得到第二类别向量；
基于所述生成权值对所述第一类别向量及所述第二类别向量进行加权和运算，得到融合类别向量；
对所述融合类别向量进行映射处理，得到所述融合图像的目标类别。
通过基于生成所述融合图像的预设权值作为生成权值对所述第一类别向量及所述第二类别向量进行加权和运算，能够提高所述目标类别的标注准确性。
在本发明的至少一个实施例中，在根据所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像生成所述图像增强请求的反馈结果之后，选取单元117按照预设比例从所述历史车损图像、所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像中选取训练图像样本；
训练单元118基于所述训练图像样本训练预设检测网络，得到检测模型。
其中，所述预设比例可以根据对所述检测模型的模型能力确定，例如，若想要更关注所述检测模型对具有噪声信息的检测准确性，设置所述融合图像所对应的预设比例的取值比其余预设比例的取值大。
通过所述预设比例能够对所述训练图像样本进行调整，以提高所述检测模型的泛化性及准确性。
由以上技术方案可以看出，本申请通过对所述历史车损图像进行预处理，能够生成具备多个图像格式的初始增强图像，从而能够提高检测模型在训练模型时对多种图像格式的适应能力，进而基于所述初始框图对所述初始增强图像进行擦除处理，以及基于所述标注框图对所述历史车损图像进行擦除处理，能够生成具有遮挡信息的第一遮挡图像及第二遮挡图像，从而能够提高检测模型在训练模型时对遮挡图像的处理能力，通过对图像的融合处理，能够使得所述融合图像中具备噪声信息，从而能够提高检测模型在训练模型时的鲁棒性，进一步地，通过对图像进行拼接处理，由于所生成的拼接图像中的损伤部位分布不均匀，以及，损伤部位相对应拼接图像来说目标较小，因此，能够提高检测模型在训练模型时对小目标的检测能力。本申请通过对图像的一系列处理操作，能够实现基于图像形态对所述历史车损图像的扩增。
如图3所示，是本发明实现图像增强方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如图像增强程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成获取单元110、预处理单元111、擦除单元112、融合单元113、拼接单元114、生成单元115、存储单元116、选取单元117及训练单元118。
所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
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。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令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)、随机存取存储器(RAM，Random Access Memory)。
本发明所指区块链是分布式图像增强、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。
结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种图像增强方法，所述处理器13可执行所述计算机可读指令从而实现：
当接收到图像增强请求时，根据所述图像增强请求获取历史车损图像，所述历史车损图像中包括车损部位的标注框图；
对所述历史车损图像进行预处理，得到初始增强图像，所述初始增强图像中包括与所述标注框图对应的初始框图；
基于所述初始框图对所述初始增强图像进行擦除处理，得到第一遮挡图像，并基于所述标注框图对所述历史车损图像进行擦除处理，得到第二遮挡图像；
对所述初始增强图像、所述第一遮挡图像及所述第二遮挡图像中的任意两张图像进行融合处理，得到融合图像；
从所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像及所述融合图像中选取待处理图像进行拼接处理，得到拼接图像；
根据所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像生成所述图像增强请求的反馈结果。
具体地，所述处理器13对上述计算机可读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。
在本发明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。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。
所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
当接收到图像增强请求时，根据所述图像增强请求获取历史车损图像，所述历史车损图像中包括车损部位的标注框图；
对所述历史车损图像进行预处理，得到初始增强图像，所述初始增强图像中包括与所述标注框图对应的初始框图；
基于所述初始框图对所述初始增强图像进行擦除处理，得到第一遮挡图像，并基于所述标注框图对所述历史车损图像进行擦除处理，得到第二遮挡图像；
对所述初始增强图像、所述第一遮挡图像及所述第二遮挡图像中的任意两张图像进行融合处理，得到融合图像；
从所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像及所述融合图像中选取待处理图像进行拼接处理，得到拼接图像；
根据所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像生成所述图像增强请求的反馈结果。
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。
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。
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。所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。第一、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 (10)
1.一种图像增强方法，其特征在于，所述图像增强方法包括：
当接收到图像增强请求时，根据所述图像增强请求获取历史车损图像，所述历史车损图像中包括车损部位的标注框图；
对所述历史车损图像进行预处理，得到初始增强图像，所述初始增强图像中包括与所述标注框图对应的初始框图；
基于所述初始框图对所述初始增强图像进行擦除处理，得到第一遮挡图像，并基于所述标注框图对所述历史车损图像进行擦除处理，得到第二遮挡图像；
对所述初始增强图像、所述第一遮挡图像及所述第二遮挡图像中的任意两张图像进行融合处理，得到融合图像；
从所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像及所述融合图像中选取待处理图像进行拼接处理，得到拼接图像；
根据所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像生成所述图像增强请求的反馈结果。
2.如权利要求1所述的图像增强方法，其特征在于，所述基于所述初始框图对所述初始增强图像进行擦除处理，得到第一遮挡图像包括：
计算所述初始框图的框图面积，并计算所述初始增强图像的图像面积；
计算所述框图面积在所述图像面积中的面积比例；
基于所述面积比例及所述框图面积从所述初始框图中定位出覆盖区域；
获取所述覆盖区域中每个像素点在所述初始增强图像上的图像像素值；
将所述覆盖区域中的图像像素值替换为预设像素值，得到所述第一遮挡图像。
3.如权利要求1所述的图像增强方法，其特征在于，所述任意两张图像包括第一图像及第二图像，所述对所述初始增强图像、所述第一遮挡图像及所述第二遮挡图像中的任意两张图像进行融合处理，得到融合图像包括：
基于所述第一图像中每个像素点的第一像素值对所述第一图像进行编码处理，得到第一编码向量；
基于所述第二图像中每个像素点的第二像素值对所述第二图像进行编码处理，得到第二编码向量；
获取多个预设权值；
基于每个预设权值对所述第一编码向量及所述第二编码向量进行加权和运算，得到每个预设权值的融合编码向量；
对所述融合编码向量进行映射处理，得到多个所述融合图像。
4.如权利要求1所述的图像增强方法，其特征在于，所述从所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像及所述融合图像中选取待处理图像进行拼接处理，得到拼接图像包括：
从预设区间中选取拼接数量；
从所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像及所述融合图像中选取数量为所述拼接数量的图像作为所述待处理图像；
识别每张待处理图像的图像尺寸；
若多个所述图像尺寸的尺寸大小不同，则将所述图像尺寸最小的待处理图像确定为基准图像；
基于取值最小的图像尺寸对除所述基准图像以外的待处理图像进行变换处理，得到变换图像；
拼接所述基准图像及所述变换图像，得到所述拼接图像。
5.如权利要求3所述的图像增强方法，其特征在于，所述根据所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像生成所述图像增强请求的反馈结果包括：
获取与所述初始增强图像对应的历史车损图像的损伤类别作为所述初始增强图像的增强类别；
获取与所述第一遮挡图像对应的初始增强图像的增强类别作为所述第一遮挡图像的第一遮挡类别，并获取与所述第二遮挡图像对应的历史车损图像的损伤类别作为所述第二遮挡图像的第二遮挡类别；
获取与所述融合图像对应的预设权值作为生成权值；
基于所述生成权值对所述第一图像的图像类别及所述第二图像的图像类别进行处理，得到所述融合图像的目标类别；
获取所述待处理图像的图像类别作为所述拼接图像的拼接类别；
根据所述初始增强图像与所述增强类别的映射关系、所述第一遮挡图像与所述第一遮挡类别的映射关系、所述第二遮挡图像与所述第二遮挡类别的映射关系、所述融合图像与所述目标类别的映射关系、所述拼接图像与所述拼接类别的映射关系生成图像类别映射表；
存储所述图像类别映射表、所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像至预设样本训练库中；
根据所述预设样本训练库的识别码生成所述反馈结果。
6.如权利要求5所述的图像增强方法，其特征在于，所述基于所述生成权值对所述第一图像的图像类别及所述第二图像的图像类别进行处理，得到所述融合图像的目标类别包括：
对所述第一图像的图像类别进行编码处理，得到第一类别向量，并对所述第二图像的图像类别进行编码处理，得到第二类别向量；
基于所述生成权值对所述第一类别向量及所述第二类别向量进行加权和运算，得到融合类别向量；
对所述融合类别向量进行映射处理，得到所述融合图像的目标类别。
7.如权利要求1所述的图像增强方法，其特征在于，在根据所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像生成所述图像增强请求的反馈结果之后，所述图像增强方法还包括：
按照预设比例从所述历史车损图像、所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像中选取训练图像样本；
基于所述训练图像样本训练预设检测网络，得到检测模型。
8.一种图像增强装置，其特征在于，所述图像增强装置包括：
获取单元，用于当接收到图像增强请求时，根据所述图像增强请求获取历史车损图像，所述历史车损图像中包括车损部位的标注框图；
预处理单元，用于对所述历史车损图像进行预处理，得到初始增强图像，所述初始增强图像中包括与所述标注框图对应的初始框图；
擦除单元，用于基于所述初始框图对所述初始增强图像进行擦除处理，得到第一遮挡图像，并基于所述标注框图对所述历史车损图像进行擦除处理，得到第二遮挡图像；
融合单元，用于对所述初始增强图像、所述第一遮挡图像及所述第二遮挡图像中的任意两张图像进行融合处理，得到融合图像；
拼接单元，用于从所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像及所述融合图像中选取待处理图像进行拼接处理，得到拼接图像；
生成单元，用于根据所述初始增强图像、所述第一遮挡图像、所述第二遮挡图像、所述融合图像及所述拼接图像生成所述图像增强请求的反馈结果。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的图像增强方法。
10.一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中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的图像增强方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210590544.2A CN114972093B (zh) | 2022-05-26 | 图像增强方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210590544.2A CN114972093B (zh) | 2022-05-26 | 图像增强方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114972093A true CN114972093A (zh) | 2022-08-30 |
| CN114972093B CN114972093B (zh) | 2024-06-28 |
Family
ID=
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111275080A (zh) * | 2020-01-14 | 2020-06-12 | 腾讯科技（深圳）有限公司 | 基于人工智能的图像分类模型训练方法、分类方法及装置 |
| CN111340745A (zh) * | 2020-03-27 | 2020-06-26 | 成都安易迅科技有限公司 | 一种图像生成方法、装置、存储介质及电子设备 |
| CN111784588A (zh) * | 2019-04-04 | 2020-10-16 | 长沙智能驾驶研究院有限公司 | 图像数据增强方法、装置、计算机设备和存储介质 |
| CN112070074A (zh) * | 2020-11-12 | 2020-12-11 | 中电科新型智慧城市研究院有限公司 | 物体检测方法、装置、终端设备和存储介质 |
| CN112200035A (zh) * | 2020-09-29 | 2021-01-08 | 深圳市优必选科技股份有限公司 | 用于模拟拥挤场景的图像获取方法、装置和视觉处理方法 |
| CN113342977A (zh) * | 2021-06-22 | 2021-09-03 | 深圳壹账通智能科技有限公司 | 发票图像分类方法、装置、设备及存储介质 |
| WO2021179826A1 (zh) * | 2020-03-09 | 2021-09-16 | Oppo广东移动通信有限公司 | 图像处理方法及相关产品 |
| CN113673470A (zh) * | 2021-08-30 | 2021-11-19 | 广州虎牙科技有限公司 | 人脸检测模型训练方法、电子设备及计算机可读存储介质 |
| CN114429438A (zh) * | 2022-01-28 | 2022-05-03 | 广州华多网络科技有限公司 | 图像增强方法及其装置、设备、介质、产品 |
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111784588A (zh) * | 2019-04-04 | 2020-10-16 | 长沙智能驾驶研究院有限公司 | 图像数据增强方法、装置、计算机设备和存储介质 |
| CN111275080A (zh) * | 2020-01-14 | 2020-06-12 | 腾讯科技（深圳）有限公司 | 基于人工智能的图像分类模型训练方法、分类方法及装置 |
| WO2021179826A1 (zh) * | 2020-03-09 | 2021-09-16 | Oppo广东移动通信有限公司 | 图像处理方法及相关产品 |
| CN111340745A (zh) * | 2020-03-27 | 2020-06-26 | 成都安易迅科技有限公司 | 一种图像生成方法、装置、存储介质及电子设备 |
| CN112200035A (zh) * | 2020-09-29 | 2021-01-08 | 深圳市优必选科技股份有限公司 | 用于模拟拥挤场景的图像获取方法、装置和视觉处理方法 |
| CN112070074A (zh) * | 2020-11-12 | 2020-12-11 | 中电科新型智慧城市研究院有限公司 | 物体检测方法、装置、终端设备和存储介质 |
| CN113342977A (zh) * | 2021-06-22 | 2021-09-03 | 深圳壹账通智能科技有限公司 | 发票图像分类方法、装置、设备及存储介质 |
| CN113673470A (zh) * | 2021-08-30 | 2021-11-19 | 广州虎牙科技有限公司 | 人脸检测模型训练方法、电子设备及计算机可读存储介质 |
| CN114429438A (zh) * | 2022-01-28 | 2022-05-03 | 广州华多网络科技有限公司 | 图像增强方法及其装置、设备、介质、产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111598899A (zh) | 图像处理方法、装置及计算机可读存储介质 | |
| CN112668453A (zh) | 视频识别方法及相关设备 | |
| CN114418398A (zh) | 场景任务开发方法、装置、设备及存储介质 | |
| CN113705468A (zh) | 基于人工智能的数字图像识别方法及相关设备 | |
| CN113627576B (zh) | 扫码信息检测方法、装置、设备及存储介质 | |
| CN114898155B (zh) | 车辆定损方法、装置、设备及存储介质 | |
| CN114972093B (zh) | 图像增强方法、装置、设备及存储介质 | |
| CN114972093A (zh) | 图像增强方法、装置、设备及存储介质 | |
| CN112102205B (zh) | 图像去模糊方法、装置、电子设备及存储介质 | |
| CN112949305B (zh) | 负反馈信息采集方法、装置、设备及存储介质 | |
| CN114329095A (zh) | 系统逻辑图生成方法、装置、设备及存储介质 | |
| CN114610386A (zh) | H5与应用程序的交互方法、装置、设备及存储介质 | |
| CN113850632A (zh) | 用户类别确定方法、装置、设备及存储介质 | |
| CN112819925A (zh) | 病灶标注的处理方法、装置、电子设备和介质 | |
| CN114741018B (zh) | 数据可视化方法、装置、设备及存储介质 | |
| CN113610739B (zh) | 图像数据增强方法、装置、设备及存储介质 | |
| CN112667659B (zh) | 特征加工方法及相关设备 | |
| CN114842205B (zh) | 车损检测方法、装置、设备及存储介质 | |
| CN115578394B (zh) | 一种基于非对称网络的肺炎图像处理方法 | |
| CN113283421B (zh) | 信息识别方法、装置、设备及存储介质 | |
| CN113064802B (zh) | 操作轨迹还原方法、装置、设备及存储介质 | |
| CN112434631B (zh) | 目标物识别方法、装置、电子设备及可读存储介质 | |
| CN108875528B (zh) | 一种人脸形状点定位方法及装置、存储介质 | |
| CN115359272A (zh) | 理赔检测方法、装置、设备及存储介质 | |
| CN115546192A (zh) | 牲畜数量识别方法、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 |