CN115115793A - 图像处理方法、装置、设备及存储介质 - Google Patents

图像处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115115793A
CN115115793A CN202210734662.6A CN202210734662A CN115115793A CN 115115793 A CN115115793 A CN 115115793A CN 202210734662 A CN202210734662 A CN 202210734662A CN 115115793 A CN115115793 A CN 115115793A
Authority
CN
China
Prior art keywords
road
target object
map
object detection
detection result
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
Application number
CN202210734662.6A
Other languages
English (en)
Inventor
田科
赵明
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.)
Ecarx Hubei Tech Co Ltd
Original Assignee
Ecarx Hubei Tech 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 Ecarx Hubei Tech Co Ltd filed Critical Ecarx Hubei Tech Co Ltd
Priority to CN202210734662.6A priority Critical patent/CN115115793A/zh
Publication of CN115115793A publication Critical patent/CN115115793A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/02—Non-photorealistic rendering
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例公开了一种图像处理方法、装置、设备及存储介质。对原始道路图中的目标对象进行检测，获得目标对象检测结果；基于所述目标对象检测结果对所述原始道路图中的所述目标对象进行分割，获得道路分割图；对所述道路分割图进行修复，获得道路修复图；将所述道路修复图进行风格转化，获得目标风格道路图。本发明实施例提供的图像处理方法，将原始道路图转化成目标风格道路图，以基于目标分割道路图进行后续的质检，可以提高质检的效率。

Description

图像处理方法、装置、设备及存储介质
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种图像处理方法、装置、设备及存储介质。
背景技术
近几年，在人工智能与测绘、汽车产业的深度融合下，自动驾驶和高精度地图技术逐渐成为行业关注的焦点。
在高精地图制作过程中，需要对制作的地图进行校验，以保证高精地图的成图结果与现实世界一致。相关技术中，在进行校验时，一般直接对采集的图像进行校验，这种方式效率低下。
发明内容
本发明实施例提供一种图像处理方法、装置、设备及存储介质，可以将采集的道路图像转换为目标风格的图像，以利于后续的质检。
第一方面，本发明实施例提供了一种图像处理方法，包括：
对原始道路图中的目标对象进行检测，获得目标对象检测结果；
基于所述目标对象检测结果对所述原始道路图中的所述目标对象进行分割，获得道路分割图；
对所述道路分割图进行修复，获得道路修复图；
将所述道路修复图进行风格转化，获得目标风格道路图。
第二方面，本发明实施例还提供了一种图像处理装置，包括：
目标对象检测模块，用于对原始道路图中的目标对象进行检测，获得目标对象检测结果；
道路分割图获取模块，用于基于所述目标对象检测结果对所述原始道路图中的所述目标对象进行分割，获得道路分割图；
道路修复图获取模块，用于对所述道路分割图进行修复，获得道路修复图；
风格化模块，用于将所述道路修复图进行风格转化，获得目标风格道路图。
第三方面，本发明实施例还提供了一种电子设备，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计算机程序，所述计算机程序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本发明实施例所述的图像处理方法。
第四方面，本发明实施例还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计算机指令，所述计算机指令用于使处理器执行时实现本发明实施例所述的图像处理方法。
本发明实施例公开一种图像处理方法、装置、设备及存储介质。对原始道路图中的目标对象进行检测，获得目标对象检测结果；基于目标对象检测结果对原始道路图中的目标对象进行分割，获得道路分割图；对道路分割图进行修复，获得道路修复图；将道路修复图进行风格转化，获得目标风格道路图。本发明实施例提供的图像处理方法，将原始道路图转化成目标风格道路图，以基于目标分割道路图进行后续的质检，可以提高质检的效率。
附图说明
图1是本发明实施例一中的一种图像处理方法的流程图；
图2a是本发明实施例一中的一种原始道路图的示例图；
图2b是本发明实施例一中的一种目标对象检测结果的示例图；
图2c是本发明实施例一中的一种目标对象掩膜图的示例图；
图2d是本发明实施例一中的一种道路分割图的示例图；
图2e是本发明实施例一中的一种道路修复图的示例图；
图3是本发明实施例一中的一种图像修复模型的示例图；
图4是本发明实施例一中的一种FFC模型的示例图；
图5是本发明实施例一中的一种目标风格道路图的示例图；
图6是本发明实施例二中的一种图像处理装置的结构示意图；
图7是本发明实施例三中的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种图像处理方法的流程图，本实施例可适用于对采集的道路图进行处理的情况，该方法可以由图像处理装置来执行，，该装置可由硬件和/或软件组成，并一般可集成在具有图像处理功能的设备中，该设备可以是服务器、移动终端或服务器集群等电子设备。如图1所示，该方法具体包括如下步骤：
S110，对原始道路图中的目标对象进行检测，获得目标对象检测结果。
其中，原始道路图可以采用图像采集设备对道路进行采集的高清图像，本实施例中，原始道路图可以是分辨率可以是大于640*640的图，例如： 1920*1080。示例性的，图2a是本实施例中的原始道路图的示例图。
其中，目标对象可以是与地图信息无关的对象，例如：无效阴影、路上汽车、行人、自行车等。本实施例中，与地图信息无关的对象可以包括：车道线、箭头、交通标志、路缘石，道路边界、交通牌，交通信号灯等可影响交通的物体。
其中，目标对象检测结果可以包括目标对象的类别以及目标对象检测框的位置信息。目标对象检测框可以是矩形框，则目标对象检测框的位置信息可以是矩形框四个顶点的坐标信息。
可选的，对原始道路图的目标对象进行检测，获得目标对象检测结果的方式可以是：将原始道路图输入目标对象检测模型，输出目标对象检测结果。
其中，目标对象检测模型基于标注有目标对象的样本图训练获得，目标对象为与地图信息无关的对象。目标对象检测模型可以是YoloV5模型或者R-FCN 模型，此处不做限定。具体的，首先获取样本图，然后对样本图中的目标对象进行标注，然后基于标注有目标对象的样本图对目标对象检测模型进行训练，最后将原始道路图输入训练后的目标对象检测模型，输出目标对象检测结果。示例性的，图2b是目标对象检测结果的示例图，如图2b所示，将原始道路图中与地图信息无关的目标对象用检测框框了起来。
S120，基于目标对象检测结果对原始道路图中的目标对象进行分割，获得道路分割图。
其中，对原始道路图中的目标对象进行分割可以理解为将目标对象从原始道路图中截取出来。
具体的，基于目标对象检测结果对原始道路图中的目标对象进行分割，获得道路分割图的方式可以是：根据目标对象检测结果和原始道路图获取目标对象掩膜图；将目标对象掩膜图和原始道路图进行融合，获得道路分割图。
其中，目标对象掩膜图可以理解为尺寸与原始道路图相同的二值化图，例如：黑白图。根据目标对象检测结果和原始道路图获取目标对象掩膜图可以理解为：将目标对象检测框内的图像采用一种颜色(例如：白色)替换，将目标对象检测框外的图像采用另外一种颜色(如：黑色)替换。示例性的，图2c为本实施例中的目标对象掩膜图的示例图，如图2c所示，目标对象所在区域的颜色为白色，其他区域的颜色为黑色。
本实施例中，根据目标对象检测结果和原始道路图获取目标对象掩膜图的方式可以是：将原始道路图中目标对象检测框内像素点的像素值调整为第一设定值，将原始道路图中目标对象检测框外像素点的像素值调整为第二设定值，获得目标对象掩膜图。
其中，第一设定值可以是0，第二设定值可以为1，即目标对象掩膜图为一张像素点的像素值为0或1的二值化图。具体的，将目标对象掩膜图和原始道路图进行融合，获得道路分割图的方式可以是：将目标对象掩膜图与原始道路图中对象像素点的像素值相乘，获得新的像素值，从而获得道路分割图。本实例中，对于目标对象检测框内的像素点，由于其在目标对象掩膜图中的像素值为0，因此与原始道路图对应的像素点的像素值相乘后仍然为0；对于目标对象检测框外的像素点，由于其在目标对象掩膜图中的像素值为1，因此与原始道路图对应的像素点的像素值相乘后仍然为原始道路图中的像素值。最后获得的道路分割图为目标对象检测框内像素点的像素值为0，目标对象检测框外的像素点的像素值和原始道路图中的保持一致，从而实现了将目标对象对原始道路图中分割处理的目的。示例性的，图2d为本实施例中道路分割图的示例图，如图2d所示，目的对象所在区域为黑色，其他区域保持不变。
S130，对道路分割图进行修复，获得道路修复图。
其中，对道路分割图进行修复可以理解为对分割出的目标对象所在的区域进行修复的过程，也可以理解为将分割出的目标对象所在的区域补齐的过程。
本实施例中，对道路分割图进行修复，获得道路修复图的方式可以是：将道路分割图输入图像修复模型，输出道路修复图。示例性的，图2e是本实施例中道路修复图的示例图，如图2e所示，将分割出的目标对象所在的区域进行了修复。
其中，图像修复模型包括：至少一个下采样模块、至少一个特征提取模块以及至少一个上采样模块；其中，特征提取模块为快速傅里叶卷积(Fast Fourier convolution，FFC)模块。示例性的，图3是本实施例中的一种图像修复模型的示例图，如3所示，该图像修复模型包括三个下采样模块、2个FFC模块及三个上采样模块，且第一个FFC的输入端与最后一个FFC的输出端跳跃连接。
其中，下采样模块用于将道路分割图采样到一低分辨率的图，下采样过程会保留图像的通用信息，如：颜色、整体风格或主体物体等。上采样模块的原理可以采用插值法或者转置卷积等。
本实施例中，FFC模型的原理可以是：将道路分割图基于通道分为局部信息和全局信息，然后分别对局部信息进行局部特征的提取，对全局信息进行全局特征的提取，再将局部特征和全局特征进行交叉融合，最后再基于通道进行特征拼接，获得最终的特征提取结果。
图4是本实施例中的FFC模型的示例图，如图4所示，将数据首先输入通道信息拆分单元，以将输入数据基于通道拆分为局部信息和全局信息。然后将局部信息并行的输入两个卷积层(Conv3*3)进行局部特征提取，将全局信息并行的输入一个卷积层(Conv3*3)和一个全局特征提取单元进行全局特征提取。再然后将局部特征和全局特征进行交叉融合，获得交叉融合后局部特征和全局特征，再将交叉融合后局部特征和全局特征输入激活层(BN-ReLU)进行激活，最后将激活后的局部特征和全局特征输入特征拼接层进行拼接。其中，全局特征提取单元按照输入传输顺序依次包括：卷积+激活层(Conv-BN-ReLU)、傅里叶变换层(Real FFT2d)、卷积+激活层(Conv-BN-ReLU)、傅里叶逆变换层 (Inv Real FFT2d)、卷积层(Conv 1*1)，其中，第一个卷积+激活层的输出与卷积层(Conv 1*1)输入跳跃连接。
S140，将道路修复图进行风格转化，获得目标风格道路图。
其中，将道路修复图进行风格转化可以理解为将道路修复图转化为设定风格的图像。示例性的，图5是本实施例中一种目标风格道路图的示例图。
本实施例中，将道路修复图进行风格转化，获得目标风格道路图的方式可以是：将道路修复图输入设定风格化模型，输出目标风格道路图。
其中，设定风格化模型可以是基于生成对抗网络训练获得的，生成对抗网络可以是CycleGAN网络或Pix2Pix网络，此处不做限定。
其中，设定风格化模型的训练方式可以是：获取训练样本集；将训练样本集输入第一生成器，输出第一生成样本图集，将第一生成样本图集输入第二生成器，输出第二生成样本图集；将训练样本集输入第二生成器，输出第三生成样本图集，将第三生成样本图集输入第一生成器，输出第四生成样本图集；基于第一生成样本图集、第二生成样本图集、第三生成样本图集和第四生成样本图集对第一生成器和第二生成器进行训练，并将训练后的第一生成器确定为设定风格化模型。
其中，训练样本集包括道路图样本集以及对应的风格化道路图样本集。具体的，可以将道路图样本集表示为X，风格化道路图样本及表示Y，第一生成器表示为G1，第二生成器表示为G2。则将训练样本集输入第一生成器，输出第一生成样本图集可以表示为：G1(X)＝Y1或者G1(Y)＝Y2，即Y1和Y2 构成第一生成样本图集；将第一生成样本图集输入第二生成器，输出第二生成样本图集可以表示为：G2(Y1或者Y2)＝X1。将训练样本集输入第二生成器，输出第三生成样本图集可以表示为：G2(Y)＝X2或者G2(X)＝X3，即X1 和X2构成第三生成样本图集；将第三生成样本图集输入第一生成器，输出第四生成样本图集可以表示为G1(X1或者X2)＝Y3。
本实施例中，基于第一生成样本图集、第二生成样本图集、第三生成样本图集和第四生成样本图集对第一生成器和第二生成器进行训练，并将训练后的第一生成器确定为设定风格化模型的过程可以是：将第一生成样本图集和风格化道路图样本集分别输入第一判别器，输出第一判别结果，基于第一判断结果确定第一损失函数；将第二生成样本图集和道路图样本集输入第二判别器，输出第二判别结果，基于第二判别结果确定第二损失函数；基于第一生成样本图集和风格化道路图样本集确定第三损失函数；基于第二生成样本图集和道路图样本集确定第四损失函数；将第三生成样本图集和道路图样本集分别输入第二判别器，输出第三判别结果，基于第三判别结果确定第五损失函数；将第四生成样本图集和风格化道路图样本集输入第一判别器，输出第四判别结果，基于第四判别结果确定第六损失函数；基于第三生成样本图集和道路图样本集确定第七损失函数；基于第四生成样本图集和风格化道路图样本集确定第八损失函数；最后基于第一损失函数、第二损失函数、第三损失函数、第四损失函数、第五损失函数、第六损失函数、第七损失函数、第八损失函数对第一生成器、第一判别器、第二生成器以及第二判别器进行训练。
具体的，第一损失函数为第一判别结果与第一真实结果间的损失，第二损失函数为第二判别结果与第二真实结果间的损失，第三损失函数为第一生成样本图集Y1或Y2和风格化道路图样本Y间的损失，第四损失函数为第二生成样本图集X1与道路图样本集X间的损失，第五损失函数为第三判别结果与第三真实结果间的损失，第六损失函数为第四判别结果与第四真实判别结果间的损失，第七损失函数为第三生成样本图集X2或X3和道路图样本集X间的损失，第八损失为第三生成样本图集Y3与风格化道路图样本Y间的损失。本实施例中，损失函数可以采用均方误差损失函数(Mean Square Error loss，MESLoss) 来评估。
本实施例的技术方案，对原始道路图中的目标对象进行检测，获得目标对象检测结果；基于目标对象检测结果对原始道路图中的目标对象进行分割，获得道路分割图；对道路分割图进行修复，获得道路修复图；将道路修复图进行风格转化，获得目标风格道路图。本发明实施例提供的图像处理方法，将原始道路图转化成目标风格道路图，以基于目标分割道路图进行后续的质检，可以提高质检的效率。
实施例二
图6是本发明实施例二中提供的一种图像处理装置的结构示意图，如图6 所示，该装置包括：
目标对象检测模块610，用于对原始道路图中的目标对象进行检测，获得目标对象检测结果；
道路分割图获取模块620，用于基于目标对象检测结果对原始道路图中的目标对象进行分割，获得道路分割图；
道路修复图获取模块630，用于对道路分割图进行修复，获得道路修复图；
风格化模块640，用于将道路修复图进行风格转化，获得目标风格道路图。
可选的，目标对象检测模块610，还用于：
将原始道路图输入目标对象检测模型，输出目标对象检测结果；其中，目标对象检测模型基于标注有目标对象的样本图训练获得，目标对象为与地图信息无关的对象。
可选的，道路分割图获取模块620，还用于：
根据目标对象检测结果和原始道路图获取目标对象掩膜图；
将目标对象掩膜图和原始道路图进行融合，获得道路分割图。
可选的，目标对象检测结果为目标对象检测框的位置信息；道路分割图获取模块620，还用于：
将原始道路图中目标对象检测框内像素点的像素值调整为第一设定值，将原始道路图中目标对象检测框外像素点的像素值调整为第二设定值，获得目标对象掩膜图。
可选的，道路修复图获取模块630，还用于：
将道路分割图输入图像修复模型，输出道路修复图；其中，图像修复模型包括：至少一个下采样模块、至少一个特征提取模块以及至少一个上采样模块；其中，特征提取模块为快速傅里叶卷积FFC模块。
可选的，风格化模块640，还用于：
将道路修复图输入设定风格化模型，输出目标风格道路图。
可选的，设定风格化模型的训练方式为：
获取训练样本集；其中，训练样本集包括道路图样本集以及对应的风格化道路图样本集；
将训练样本集输入第一生成器，输出第一生成样本图集，将第一生成样本图集输入第二生成器，输出第二生成样本图集；
将训练样本集输入第二生成器，输出第三生成样本图集，将第三生成样本图集输入第一生成器，输出第四生成样本图集；
基于第一生成样本图集、第二生成样本图集、第三生成样本图集和第四生成样本图集对第一生成器和第二生成器进行训练，并将训练后的第一生成器确定为设定风格化模型。
上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。
实施例三
图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示，电子设备10包括至少一个处理器11，以及与至少一个处理器 11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM) 13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11 可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器 11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如图像处理方法。
在一些实施例中，图像处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备 10上。当计算机程序加载到RAM13并由处理器11执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器 (CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管) 或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种图像处理方法，其特征在于，包括：
对原始道路图中的目标对象进行检测，获得目标对象检测结果；
基于所述目标对象检测结果对所述原始道路图中的所述目标对象进行分割，获得道路分割图；
对所述道路分割图进行修复，获得道路修复图；
将所述道路修复图进行风格转化，获得目标风格道路图。
2.根据权利要求1所述的方法，其特征在于，对原始道路图的目标对象进行检测，获得目标对象检测结果，包括：
将所述原始道路图输入目标对象检测模型，输出目标对象检测结果；其中，所述目标对象检测模型基于标注有所述目标对象的样本图训练获得，所述目标对象为与地图信息无关的对象。
3.根据权利要求1所述的方法，其特征在于，基于所述目标对象检测结果对所述原始道路图中的所述目标对象进行分割，获得道路分割图，包括：
根据所述目标对象检测结果和所述原始道路图获取目标对象掩膜图；
将所述目标对象掩膜图和所述原始道路图进行融合，获得道路分割图。
4.根据权利要求3所述的方法，其特征在于，所述目标对象检测结果为所述目标对象检测框的位置信息；根据所述目标对象检测结果和所述原始道路图获取目标对象掩膜图，包括：
将所述原始道路图中所述目标对象检测框内像素点的像素值调整为第一设定值，将所述原始道路图中所述目标对象检测框外像素点的像素值调整为第二设定值，获得目标对象掩膜图。
5.根据权利要求1所述的方法，其特征在于，对所述道路分割图进行修复，获得道路修复图，包括：
将所述道路分割图输入图像修复模型，输出道路修复图；其中，所述图像修复模型包括：至少一个下采样模块、至少一个特征提取模块以及至少一个上采样模块；其中，所述特征提取模块为快速傅里叶卷积FFC模块。
6.根据权利要求1所述的方法，其特征在于，将所述道路修复图进行风格转化，获得目标风格道路图，包括：
将所述道路修复图输入设定风格化模型，输出目标风格道路图。
7.根据权利要求6所述的方法，其特征在于，所述设定风格化模型的训练方式为：
获取训练样本集；其中，所述训练样本集包括道路图样本集以及对应的风格化道路图样本集；
将所述训练样本集输入第一生成器，输出第一生成样本图集，将所述第一生成样本图集输入第二生成器，输出第二生成样本图集；
将所述训练样本集输入所述第二生成器，输出第三生成样本图集，将所述第三生成样本图集输入所述第一生成器，输出第四生成样本图集；
基于所述第一生成样本图集、所述第二生成样本图集、第三生成样本图集和第四生成样本图集对所述第一生成器和所述第二生成器进行训练，并将训练后的第一生成器确定为所述设定风格化模型。
8.一种图像处理装置，其特征在于，包括：
目标对象检测模块，用于对原始道路图中的目标对象进行检测，获得目标对象检测结果；
道路分割图获取模块，用于基于所述目标对象检测结果对所述原始道路图中的所述目标对象进行分割，获得道路分割图；
道路修复图获取模块，用于对所述道路分割图进行修复，获得道路修复图；
风格化模块，用于将所述道路修复图进行风格转化，获得目标风格道路图。
9.一种电子设备，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计算机程序，所述计算机程序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权利要求1-7中任一项所述的图像处理方法。
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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的图像处理方法。
CN202210734662.6A 2022-06-27 2022-06-27 图像处理方法、装置、设备及存储介质 Pending CN115115793A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210734662.6A CN115115793A (zh) 2022-06-27 2022-06-27 图像处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210734662.6A CN115115793A (zh) 2022-06-27 2022-06-27 图像处理方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115115793A true CN115115793A (zh) 2022-09-27

Family

ID=83329946

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210734662.6A Pending CN115115793A (zh) 2022-06-27 2022-06-27 图像处理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115115793A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116245716A (zh) * 2023-05-06 2023-06-09 中国第一汽车股份有限公司 车辆的路况图像的处理方法及装置
CN116503729A (zh) * 2023-03-17 2023-07-28 中国自然资源航空物探遥感中心 应用于遥感数字图像的道路提取方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116503729A (zh) * 2023-03-17 2023-07-28 中国自然资源航空物探遥感中心 应用于遥感数字图像的道路提取方法和装置
CN116245716A (zh) * 2023-05-06 2023-06-09 中国第一汽车股份有限公司 车辆的路况图像的处理方法及装置

Similar Documents

Publication Publication Date Title
CN108198145B (zh) 用于点云数据修复的方法和装置
CN115115793A (zh) 图像处理方法、装置、设备及存储介质
CN110632608B (zh) 一种基于激光点云的目标检测方法和装置
CN114550177A (zh) 图像处理的方法、文本识别方法及装置
CN113436100B (zh) 用于修复视频的方法、装置、设备、介质和产品
CN113139543A (zh) 目标对象检测模型的训练方法、目标对象检测方法和设备
JP2023531350A (ja) サンプル画像を増分する方法、画像検出モデルの訓練方法及び画像検出方法
CN114627239B (zh) 包围盒生成方法、装置、设备及存储介质
CN114186007A (zh) 高精地图生成方法、装置、电子设备和存储介质
CN113129423B (zh) 车辆三维模型的获取方法、装置、电子设备和存储介质
CN113421217A (zh) 可行驶区域检测方法和装置
CN117315406B (zh) 一种样本图像处理方法、装置及设备
CN114693963A (zh) 基于电力数据特征提取的识别模型训练、识别方法及装置
CN113570608A (zh) 目标分割的方法、装置及电子设备
CN115937388A (zh) 一种地图渲染方法、装置、设备及存储介质
CN114283343B (zh) 基于遥感卫星图像的地图更新方法、训练方法和设备
CN113920273B (zh) 图像处理方法、装置、电子设备和存储介质
CN113610856B (zh) 训练图像分割模型和图像分割的方法和装置
CN114429631A (zh) 三维对象检测方法、装置、设备以及存储介质
CN113378850B (zh) 模型训练方法、路面损伤分割方法、装置和电子设备
CN114495042B (zh) 目标检测方法和装置
CN114565889B (zh) 车辆压线状态的确定方法、装置、电子设备和介质
CN113343979B (zh) 用于训练模型的方法、装置、设备、介质和程序产品
CN115984566A (zh) 图像分割模型的训练及图像分割方法、装置、设备和介质
CN114861461A (zh) 基于仿真的目标检测方法、电子设备及存储介质

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