CN111915642A - 图像样本的生成方法、装置、设备和可读存储介质 - Google Patents
图像样本的生成方法、装置、设备和可读存储介质 Download PDFInfo
- Publication number
- CN111915642A CN111915642A CN202010961958.2A CN202010961958A CN111915642A CN 111915642 A CN111915642 A CN 111915642A CN 202010961958 A CN202010961958 A CN 202010961958A CN 111915642 A CN111915642 A CN 111915642A
- Authority
- CN
- China
- Prior art keywords
- target object
- new
- image sample
- shadow
- range
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000005286 illumination Methods 0.000 claims abstract description 52
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 230000015654 memory Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
-
- 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
- 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
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种图像样本的生成方法、装置、设备和可读存储介质,涉及神经网络和实例分割技术领域。具体实现方案为:获取原始图像样本,所述原始图像样本标注有目标对象范围和所述目标对象的阴影范围;根据所述阴影范围的几何特征,生成所述目标对象在不同光照角度下的新阴影范围;根据所述目标对象范围和所述新阴影范围,生成新的图像样本。本申请实施例能够生成具备真实性、贴合实际情况的图像样本。
Description
技术领域
本申请涉及计算机视觉技术,尤其涉及神经网络和实例分割技术领域。
背景技术
在对图像进行深度学习时,需要大量的经过人工标注的图像样本以训练神经网络模型,才能得到精度足够的模型。
由于图像样本一般是有限的,而且人工标注的成本较高,一般通过数据增强的方式扩充图像样本。现有技术中,一般将整个图像样本进行简单的平移、翻转、加噪或旋转等操作,生成新的图像样本,标注也可以采用同样的方式对应生成。
现有的图像样本生成方法对整个图像样本进行简单的几何变换实现,当图像中存在阴影时,通过几何变换得到的新图像样本与实际情况并不相符,使得图像样本缺乏真实性。
发明内容
本申请实施例提供了一种图像样本的生成方法、装置、设备和可读存储介质。
第一方面,本申请实施例提供了一种图像样本的生成方法,包括:
获取原始图像样本,所述原始图像样本标注有目标对象范围和所述目标对象的阴影范围;
根据所述阴影范围的几何特征,生成所述目标对象在不同光照角度下的新阴影范围;
根据所述目标对象范围和所述新阴影范围,生成新的图像样本。
第二方面,本申请实施例还提供了一种图像样本的生成装置,包括:
获取模块,用于获取原始图像样本,所述原始图像样本标注有目标对象范围和所述目标对象的阴影范围;
阴影生成模块,用于根据所述阴影范围的几何特征,生成所述目标对象在不同光照角度下的新阴影范围;
样本生成模块,用于根据所述目标对象范围和所述新阴影范围,生成新的图像样本。
第三方面,本申请实施例提供了一种电子设备,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任一实施例所提供的一种图像样本的生成方法。
第四方面,本申请实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行任一实施例所提供的一种图像样本的生成方法。
本申请实施例能够生成具备真实性、贴合实际情况的图像样本。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1a是本申请实施例中的第一种图像样本的生成方法的流程图;
图1b是本申请实施例提供的目标对象范围和阴影范围的示意图;
图2a是本申请实施例中的第二种图像样本的生成方法的流程图;
图2b是本申请实施例中的原始图像样本的示意图;
图2c是本申请实施例提供的新远端角点和新阴影范围的示意图;
图3是本申请实施例中的第三种图像样本的生成方法的流程图;
图4是本申请实施例中的图像样本的生成装置的结构图;
图5是本申请实施例中的电子设备的结构图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
根据本申请的实施例,图1a是本申请实施例中的第一种图像样本的生成方法的流程图,本申请实施例适用于在原始图像样本的基础上,生成新的图像样本的情况。该方法通过图像样本的生成装置执行,该装置采用软件和/或硬件实现,并具体配置于具备一定数据运算能力的电子设备中。
如图1a所示的图像样本的生成方法,包括:
S110、获取原始图像样本,原始图像样本标注有目标对象范围和目标对象的阴影范围。
原始图像样本为采集得到的图像样本,例如通过摄像头拍摄得到的图像样本,用于训练图像处理相关的模型。原始图像样本的数量为至少一张,每张原始图像样本上均显示有目标对象。其中,目标对象为模型的处理对象,包括但不限于物体、人和动植物等。
可选的,通过人工标注的方式,在每张原始图像样本上标注目标对象范围和目标对象的阴影范围。图1b是本申请实施例提供的目标对象范围和阴影范围的示意图。目标对象范围可以是目标对象的轮廓,目标对象的阴影是由于光照导致的,阴影范围可以是阴影的轮廓。
S120、根据阴影范围的几何特征,生成目标对象在不同光照角度下的新阴影范围。
具体的,将阴影范围的轮廓抽象为几何图形,得到几何图形的几何特征。例如,图1b中的阴影轮廓抽象为多边形,几何特征包括各条边的长度和/或各角点的位置。根据光影生成原理,当光照角度不同时,阴影范围的形状和长短也会不同,也就是几何特征不同。但是由于目标对象是固定的,当仅光照角度不同时,阴影范围的几何特征会呈现规律的变化。基于上述分析,在已知目标对象在一光照角度下的阴影范围的几何特征时,可以大致推算出在其它不同光照角度下的新阴影范围。
需要说明的是,此处的不同既是指新阴影范围的光照角度与原始图像样本中的光照角度不同,也是指多个新阴影范围之间的光照角度不同。
示例性的,将图1b中光照角度向右侧调整,原阴影范围的各角点会向左侧调整,得到新阴影范围。新阴影范围用虚线示出。
S130、根据目标对象范围和新阴影范围,生成新的图像样本。
可选的,对于一张原始图像样本,可以生成目标对象在多个不同光照角度下的新阴影范围,并针对每个新阴影范围生成新的图像样本。
本实施例中,假设目标对象和拍摄角度不变,仅调整光照角度时,生成新的图像样本。在一应用场景中,保持目标对象和拍摄角度不变,在不同拍摄时间对目标对象进行拍摄,可得到不同光照角度下的目标对象和新阴影范围。当难以在不同拍摄时间对目标对象进行拍摄时,可以获取在一拍摄时间得到的原始图像样本,并根据其中阴影范围的几何特征生成目标对象在不同光照角度下的新阴影范围,从而模拟不同拍摄时间得到的新阴影范围。基于此,新的图像样本中的目标对象范围应与原始图像样本中目标对象范围一致,但需要将目标对象的阴影范围替换为新阴影范围。
本实施例中,在获取原始图像样本并标注目标对象范围和阴影范围的情况下,通过阴影范围的几何特征,可以生成目标对象在不同光照角度下的新阴影范围,从而通过单一光照角度模拟得到不同光照角度下的图像样本;本实施例考虑到新阴影与前述几何特征和光照角度有关,则根据几何特征生成不同光照角度下的新阴影范围,贴合现实情况中的阴影;进一步通过根据目标对象范围和新阴影范围,生成具备真实性、贴合实际情况的新的图像样本。
在上述实施例和下述实施例中,根据阴影范围的几何特征,生成目标对象在不同光照角度下的新阴影范围,包括:根据阴影范围的角点位置,确定目标对象在不同光照角度下的新阴影的角点位置;生成由新阴影的角点位置围成的新阴影范围。
本实施例中,阴影范围的几何特征包括阴影范围的角点位置,也就是阴影范围的轮廓抽象为的几何图形的角点位置。当目标对象在不同光照角度下时,虽然阴影位置和长短有所不同,但是阴影的角点一般都会存在,只是位置会呈现规律的变化。
基于上述分析,在已知目标对象在一光照角度下的阴影范围的角点位置时,可以推算出目标对象在其它不同光照角度下的新阴影的角点位置。然后,根据阴影范围的各角点之间的连接关系,获取新阴影的角点之间的连接关系,并按照连接关系连线,即可围成新阴影范围。
本实施例从角点作为切入,通过确定目标对象在不同光照角度下的角点位置,从而生成新阴影范围,通过角点位置大致确定新的阴影范围,保证一定精度的同时,减少计算量。
根据本申请的实施例,图2a是本申请实施例中的第二种图像样本的生成方法的流程图,本申请实施例在上述各实施例的技术方案的基础上对新阴影的角点位置的确定过程优化。
如图2a所示的图像样本的生成方法,包括:
S210、获取原始图像样本,原始图像样本标注有目标对象范围和目标对象的阴影范围。
S220、根据阴影范围的远端角点的位置,确定远端角点在不同光照角度下的运动轨迹。
在原始图像样本中,远端角点与目标对象的距离大于近端角点与目标对象的距离。也就是说,原始图像样本中,远端角点是距离目标对象较远的角点,近端角点是距离目标对象较近的角点。可选的,为了简化计算,远端角点是距离目标对象最远的一个角点。
图2b是本申请实施例中的原始图像样本的示意图。图2b中目标对象的阴影范围包括角点A、角点B和角点C。角点A距离目标对象较远,是远端角点,角点B和角点C距离目标对象较近,是近端角点。
当目标对象在不同光照角度下时,远端角点的位置大致会在一运动轨迹上运动。可选的,将运动轨迹简化为椭圆弧。根据光源与目标对象的相对位置关系,以及目标对象的几何特征,确定椭圆弧的长轴长度和短轴长度;根据椭圆弧的长轴长度和短轴长度以及远端角点的位置,确定穿过远端角点的椭圆弧,作为运动轨迹。
具体的,阴影范围与光源有如下关系:1)阴影的长短和光源照射的角度有关,阴影的方向和光源的方向相反;2)阴影范围的大小与目标对象和光源之间的距离有关;3)阴影的形状与光源所照射的目标对象的几何特征(包括角点的位置)有关。可见,阴影范围的远端角点位置和光源与目标对象的相对位置关系相关。在现实情况中,光源为太阳,目标对象的位置可以通过目标对象的经纬度表示。那么,当一天中的不同时刻,随着光源的东升西落,在目标对象的位置不变时,可以计算得到光源与目标对象的相对位置关系,再结合目标对象的几何特征,得到目标对象的远端角点在不同位置的光源照射下投影在图像中的位置,进而求得椭圆弧的长轴长度和短轴长度。
在一可选实施方式中,如图2b所示,目标对象的几何特征包括目标对象最高点的位置,计算光源朝向目标对象的正面和侧面时,目标对象的最高点投影在图像中的位置,即D点、E点和F点。其中,目标对象的正面为原始图像样本中目标对象朝向图像外侧的一面,目标对象的侧面为与正面垂直的一面。光源朝向目标对象的正面时,最高点投影在目标对象的正后方D点的位置。光源朝向目标对象的侧面时,最高点投影在目标对象的侧方E点和F点的位置。然后,计算目标对象距离D点的长度的2倍作为椭圆弧的短轴长度,计算目标对象距离E点或F点的长度的2倍作为椭圆弧的长轴长度。
在另一可选实施方式中,可以采用观测的方式,对通过多个拍摄时间拍摄得到的图像进行分析,得到远端角点在不同光照角度下的椭圆弧的长轴长度和短轴长度。
然后,根据椭圆弧的长轴长度和短轴长度以及远端角点的位置,确定穿过远端角点的椭圆弧,作为运动轨迹。
具体的,已知椭圆弧的长轴长度和短轴长度,可以获知椭圆弧的形状,再结合远端角点位于椭圆弧上,可以确定穿过远端角点的多个椭圆弧,可从中任选一个椭圆弧作为远端角点的运动轨迹。优选的,选择长轴处于水平角度的椭圆弧作为远端角点的运动轨迹,如图2b所示。
本实施例将运动轨迹简化为椭圆弧,即不失真实性,又能减少计算量;巧妙地利用阴影范围与光源的关系,通过几何运算的方式得到远端角点在不同光照角度下所运行在的椭圆弧,计算简单的同时贴合实际情况。
S230、从运动轨迹上选取新远端角点。
在运动轨迹的任意位置选取新远端角点。可选的,为了保证样本的均匀性,在运动轨迹上等间隔选取多个新远端角点。
S240、根据阴影范围中远端角点与近端角点的相对位置关系,确定新远端角点对应的新近端角点的位置。
相对位置关系包括相对距离和方向。在远端角点在运动轨迹上移动时,远端角点与近端角点的相对方向保持不变,相对距离呈现等比例变化。据此,可以确定新远端角点对应的新近端角点的位置。新远端角点的位置与新近端角点的位置组成新阴影的角点位置。
图2c是本申请实施例提供的新远端角点和新阴影范围的示意图,远端角点A与近端角点B构成的线段L,与新远端角点A1与新近端角点B1构成的线段L1平行,远端角点A与近端角点C构成的线段M,与新远端角点A1与新近端角点C1构成的线段M1平行,即相对方向不变。线段L与L1的长度比值等于线段M与M1的长度比值。
S250、生成由新阴影的角点位置围成的新阴影范围。
根据阴影范围的各角点之间的连接关系,获取新阴影的角点之间的连接关系,并按照连接关系连线,即可围成新阴影范围。
S260、根据目标对象范围和新阴影范围,生成新的图像样本。
本实施例中,通过阴影范围的远端角点的位置,确定远端角点在不同光照角度下的运动轨迹,在此基础上,从运动轨迹上选取新远端角点,进而根据阴影范围中远端角点与近端角点的相对位置关系,确定新远端角点对应的新近端角点的位置,从而巧妙地利用阴影范围的远端角点的位置以及远端角点与近端角点的相对位置关系,确定新阴影范围,需要的数据少,计算简单,且得到的新阴影范围不失真实性。
在上述实施例和下述实施例中,原始图像样本是通过固定轨道的卫星拍摄得到的遥感图像。固定轨道的卫星会在不同时间进行拍摄。受卫星运行轨道的约束且拍摄时间不同的情况,使得拍摄角度和光照条件都不相同。然而实际工业环境中,高分辨率的图像因为拍摄周期较长,往往只能获得某一个拍摄时间的遥感图像。而且,由于遥感图像数据体量庞大,即便是花费长时间收集了较多拍摄时间和角度的数据,对图像存储、预处理和训练都会造成较大负担。
基于上述分析,在处理遥感图像的应用场景中,为了减短图像拍摄周期,以及减轻图像存储、预处理和训练负担,在同一拍摄角度拍摄有限数量的原始图像样本,优选拍摄一张原始图像样本,采用本申请实施例提供的图像样本的生成方法,生成新的图像样本。
根据本申请的实施例,图3是本申请实施例中的第三种图像样本的生成方法的流程图,本申请实施例在上述各实施例的技术方案的基础上对图像样本的生成方法进行优化。
可选的,在操作“根据目标对象范围和新阴影范围,生成新的图像样本”之后,追加“采用原始图像样本和新的图像样本训练实例分割模型”。
如图3所示的图像样本的生成方法,包括:
S310、获取原始图像样本,原始图像样本标注有目标对象范围和目标对象的阴影范围。
S320、根据阴影范围的几何特征,生成目标对象在不同光照角度下的新阴影范围。
S330、根据目标对象范围和新阴影范围,生成新的图像样本。
S340、采用原始图像样本和新的图像样本训练实例分割模型。
实例分割模型为深度神经网络模块,例如Mask R-CNN(Region-ConvolutionalNeural Networks,区域卷积神经网络),YOLO等模型。将原始图像样本和模拟生成的新的图像样本训练实例分割模型,得到实例分割模型输出的目标对象范围和目标对象的阴影范围中的至少一种。
实例分割模型训练完成后,即可将遥感图像作为输入,输出图像中目标对象范围和目标对象的阴影范围中的至少一种。
本实施例将图像样本应用于实例分割模型的训练过程中,采用生成的图像样本进行训练,不仅对图像样本数据量的要求较低,且能有效提升实例分割模型的效果。
根据本申请的实施例,图4是本申请实施例中的图像样本的生成装置的结构图,本申请实施例适用于在原始图像样本的基础上,生成新的图像样本的情况,该装置采用软件和/或硬件实现,并具体配置于具备一定数据运算能力的电子设备中。
如图4所示的一种图像样本的生成装置400,包括:获取模块401、阴影生成模块402和样本生成模块403;其中,
获取模块401,用于获取原始图像样本,原始图像样本标注有目标对象范围和目标对象的阴影范围;
阴影生成模块402,用于根据阴影范围的几何特征,生成目标对象在不同光照角度下的新阴影范围;
样本生成模块403,用于根据目标对象范围和新阴影范围,生成新的图像样本。
本申请实施例中,在获取原始图像样本并标注目标对象范围和阴影范围的情况下,通过阴影范围的几何特征,可以生成目标对象在不同光照角度下的新阴影范围,从而通过单一光照角度模拟得到不同光照角度下的图像样本;本实施例考虑到新阴影与前述几何特征和光照角度有关,则根据几何特征生成不同光照角度下的新阴影范围,贴合现实情况中的阴影;进一步通过根据目标对象范围和新阴影范围,生成具备真实性、贴合实际情况的新的图像样本。
可选的,阴影生成模块402,包括:角点位置确定子模块,用于根据阴影范围的角点位置,确定目标对象在不同光照角度下的新阴影的角点位置;阴影生成子模块,用于生成由新阴影的角点位置围成的新阴影范围。
可选的,角点位置确定子模块,包括:轨迹确定单元,用于根据阴影范围的远端角点的位置,确定远端角点在不同光照角度下的运动轨迹;选取单元,用于从运动轨迹上选取新远端角点;位置确定单元,用于根据阴影范围中远端角点与近端角点的相对位置关系,确定新远端角点对应的新近端角点的位置;其中,在原始图像样本中,远端角点与目标对象的距离大于近端角点与目标对象的距离。
可选的,轨迹确定单元,包括:长度确定子单元,用于根据光源与目标对象的相对位置关系,以及目标对象的几何特征,确定椭圆弧的长轴长度和短轴长度;轨迹确定子单元,用于根据椭圆弧的长轴长度和短轴长度以及远端角点的位置,确定穿过远端角点的椭圆弧,作为运动轨迹。
可选的,原始图像样本是通过固定轨道的卫星拍摄得到的遥感图像。
可选的,该装置400还包括:训练模块,用于在根据目标对象范围和新阴影范围,生成新的图像样本之后,采用原始图像样本和新的图像样本训练实例分割模型。
上述图像样本的生成装置可执行本申请任意实施例所提供的图像样本的生成方法,具备执行图像样本的生成方法相应的功能模块和有益效果。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图5所示,是实现本申请实施例的图像样本的生成方法的电子设备的框图。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/或者要求的本申请的实现。
如图5所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的图像样本的生成方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的图像样本的生成方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的图像样本的生成方法对应的程序指令/模块(例如,附图4所示的包括获取模块401、阴影生成模块402和样本生成模块403)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的图像样本的生成的方法。
存储器502可以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***、至少一个功能所需要的应用程序;存储数据区可存储实现图像样本的生成方法的电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至执行图像样本的生成方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
执行图像样本的生成方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与执行图像样本的生成方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、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***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***、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***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有: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计算机。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***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(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***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***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***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机***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。
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,本发申请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,只要能够实现本申请公开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,并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (14)
1.一种图像样本的生成方法,包括:
获取原始图像样本,所述原始图像样本标注有目标对象范围和所述目标对象的阴影范围;
根据所述阴影范围的几何特征,生成所述目标对象在不同光照角度下的新阴影范围;
根据所述目标对象范围和所述新阴影范围,生成新的图像样本。
2.根据权利要求1所述的方法,其中,所述根据所述阴影范围的几何特征,生成所述目标对象在不同光照角度下的新阴影范围,包括:
根据所述阴影范围的角点位置,确定所述目标对象在不同光照角度下的新阴影的角点位置;
生成由所述新阴影的角点位置围成的新阴影范围。
3.根据权利要求2所述的方法,其中,所述根据所述阴影范围的角点位置,确定所述目标对象在不同光照角度下的新阴影的角点位置,包括:
根据所述阴影范围的远端角点的位置,确定所述远端角点在不同光照角度下的运动轨迹;
从所述运动轨迹上选取新远端角点;
根据所述阴影范围中所述远端角点与近端角点的相对位置关系,确定所述新远端角点对应的新近端角点的位置;
其中,在所述原始图像样本中,所述远端角点与所述目标对象的距离大于所述近端角点与所述目标对象的距离。
4.根据权利要求3所述的方法,其中,所述根据所述阴影范围的远端角点的位置,确定所述远端角点在不同光照角度下的运动轨迹,包括:
根据光源与所述目标对象的相对位置关系,以及所述目标对象的几何特征,确定椭圆弧的长轴长度和短轴长度;
根据所述椭圆弧的长轴长度和短轴长度以及所述远端角点的位置,确定穿过所述远端角点的椭圆弧,作为所述运动轨迹。
5.根据权利要求1-4任一项所述的方法,其中,所述原始图像样本是通过固定轨道的卫星拍摄得到的遥感图像。
6.根据权利要求1-4任一项所述的方法,其中,在所述根据所述目标对象范围和所述新阴影范围,生成新的图像样本之后,还包括:
采用所述原始图像样本和所述新的图像样本训练实例分割模型。
7.一种图像样本的生成装置,包括:
获取模块,用于获取原始图像样本,所述原始图像样本标注有目标对象范围和所述目标对象的阴影范围;
阴影生成模块,用于根据所述阴影范围的几何特征,生成所述目标对象在不同光照角度下的新阴影范围;
样本生成模块,用于根据所述目标对象范围和所述新阴影范围,生成新的图像样本。
8.根据权利要求7所述的装置,其中,所述阴影生成模块,包括:
角点位置确定子模块,用于根据所述阴影范围的角点位置,确定所述目标对象在不同光照角度下的新阴影的角点位置;
阴影生成子模块,用于生成由所述新阴影的角点位置围成的新阴影范围。
9.根据权利要求8所述的装置,其中,所述角点位置确定子模块,包括:
轨迹确定单元,用于根据所述阴影范围的远端角点的位置,确定所述远端角点在不同光照角度下的运动轨迹;
选取单元,用于从所述运动轨迹上选取新远端角点;
位置确定单元,用于根据所述阴影范围中所述远端角点与近端角点的相对位置关系,确定所述新远端角点对应的新近端角点的位置;
其中,在所述原始图像样本中,所述远端角点与所述目标对象的距离大于所述近端角点与所述目标对象的距离。
10.根据权利要求9所述的装置,其中,所述轨迹确定单元,包括:
长度确定子单元,用于根据光源与所述目标对象的相对位置关系,以及所述目标对象的几何特征,确定椭圆弧的长轴长度和短轴长度;
轨迹确定子单元,用于根据所述椭圆弧的长轴长度和短轴长度以及所述远端角点的位置,确定穿过所述远端角点的椭圆弧,作为所述运动轨迹。
11.根据权利要求7-10任一项所述的装置,其中,所述原始图像样本是通过固定轨道的卫星拍摄得到的遥感图像。
12.根据权利要求7-10任一项所述的装置,还包括:
训练模块,用于在所述根据所述目标对象范围和所述新阴影范围,生成新的图像样本之后,采用所述原始图像样本和所述新的图像样本训练实例分割模型。
13.一种电子设备,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权利要求1-6中任一项所述的一种图像样本的生成方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的一种图像样本的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010961958.2A CN111915642B (zh) | 2020-09-14 | 2020-09-14 | 图像样本的生成方法、装置、设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010961958.2A CN111915642B (zh) | 2020-09-14 | 2020-09-14 | 图像样本的生成方法、装置、设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111915642A true CN111915642A (zh) | 2020-11-10 |
CN111915642B CN111915642B (zh) | 2024-05-14 |
Family
ID=73267882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010961958.2A Active CN111915642B (zh) | 2020-09-14 | 2020-09-14 | 图像样本的生成方法、装置、设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915642B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114626468A (zh) * | 2022-03-17 | 2022-06-14 | 小米汽车科技有限公司 | 在图像中生成阴影的方法、装置、电子设备及存储介质 |
CN117557466A (zh) * | 2024-01-11 | 2024-02-13 | 中国科学院空天信息创新研究院 | 基于成像条件的光学遥感影像目标图像增强方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070040832A1 (en) * | 2003-07-31 | 2007-02-22 | Tan Tiow S | Trapezoidal shadow maps |
CN103455998A (zh) * | 2012-06-04 | 2013-12-18 | 中兴通讯股份有限公司 | 视频图像中阴影的检测方法及装置 |
CN108388833A (zh) * | 2018-01-15 | 2018-08-10 | 阿里巴巴集团控股有限公司 | 一种图像识别方法、装置及设备 |
CN109118571A (zh) * | 2018-07-23 | 2019-01-01 | 太平洋未来科技(深圳)有限公司 | 基于光线信息渲染虚拟对象的方法、装置及电子设备 |
CN110033423A (zh) * | 2019-04-16 | 2019-07-19 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法和装置 |
CN111292408A (zh) * | 2020-01-21 | 2020-06-16 | 武汉大学 | 一种基于注意力机制的阴影生成方法 |
WO2020151750A1 (zh) * | 2019-01-24 | 2020-07-30 | 北京三快在线科技有限公司 | 图像处理方法及装置 |
CN111583161A (zh) * | 2020-06-17 | 2020-08-25 | 上海眼控科技股份有限公司 | 模糊图像的增强方法、计算机设备和存储介质 |
-
2020
- 2020-09-14 CN CN202010961958.2A patent/CN111915642B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070040832A1 (en) * | 2003-07-31 | 2007-02-22 | Tan Tiow S | Trapezoidal shadow maps |
CN103455998A (zh) * | 2012-06-04 | 2013-12-18 | 中兴通讯股份有限公司 | 视频图像中阴影的检测方法及装置 |
CN108388833A (zh) * | 2018-01-15 | 2018-08-10 | 阿里巴巴集团控股有限公司 | 一种图像识别方法、装置及设备 |
CN109118571A (zh) * | 2018-07-23 | 2019-01-01 | 太平洋未来科技(深圳)有限公司 | 基于光线信息渲染虚拟对象的方法、装置及电子设备 |
WO2020151750A1 (zh) * | 2019-01-24 | 2020-07-30 | 北京三快在线科技有限公司 | 图像处理方法及装置 |
CN110033423A (zh) * | 2019-04-16 | 2019-07-19 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法和装置 |
CN111292408A (zh) * | 2020-01-21 | 2020-06-16 | 武汉大学 | 一种基于注意力机制的阴影生成方法 |
CN111583161A (zh) * | 2020-06-17 | 2020-08-25 | 上海眼控科技股份有限公司 | 模糊图像的增强方法、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
任慧群;蔡国印;李志强;: "基于深度学习的城市建筑物阴影提取方法", 地理信息世界, no. 02, 25 April 2020 (2020-04-25) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114626468A (zh) * | 2022-03-17 | 2022-06-14 | 小米汽车科技有限公司 | 在图像中生成阴影的方法、装置、电子设备及存储介质 |
CN114626468B (zh) * | 2022-03-17 | 2024-02-09 | 小米汽车科技有限公司 | 在图像中生成阴影的方法、装置、电子设备及存储介质 |
CN117557466A (zh) * | 2024-01-11 | 2024-02-13 | 中国科学院空天信息创新研究院 | 基于成像条件的光学遥感影像目标图像增强方法及装置 |
CN117557466B (zh) * | 2024-01-11 | 2024-04-09 | 中国科学院空天信息创新研究院 | 基于成像条件的光学遥感影像目标图像增强方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111915642B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102590841B1 (ko) | 가상 오브젝트 구동 방법, 장치, 전자기기 및 판독 가능 저장매체 | |
CN111612852B (zh) | 用于验证相机参数的方法和装置 | |
CN111783948A (zh) | 模型训练方法、装置、电子设备以及存储介质 | |
CN111832614A (zh) | 目标检测模型的训练方法、装置、电子设备及存储介质 | |
CN112270669B (zh) | 人体3d关键点检测方法、模型训练方法及相关装置 | |
CN112652016A (zh) | 点云预测模型的生成方法、位姿估计方法及其装置 | |
CN111784834B (zh) | 一种点云地图生成方法、装置以及电子设备 | |
CN111401251B (zh) | 车道线提取方法、装置、电子设备及计算机可读存储介质 | |
CN111860167A (zh) | 人脸融合模型获取及人脸融合方法、装置及存储介质 | |
CN110619312B (zh) | 定位元素数据的增强方法、装置、设备及存储介质 | |
CN112308051B (zh) | 文本框检测方法、装置、电子设备和计算机存储介质 | |
CN111767853A (zh) | 车道线检测方法和装置 | |
CN111915642B (zh) | 图像样本的生成方法、装置、设备和可读存储介质 | |
CN112668428A (zh) | 车辆变道的检测方法、路侧设备、云控平台和程序产品 | |
CN112241716B (zh) | 训练样本的生成方法和装置 | |
CN111539347A (zh) | 用于检测目标的方法和装置 | |
CN113447128B (zh) | 一种多人体温检测方法、装置、电子设备及存储介质 | |
CN111462179B (zh) | 三维物体跟踪方法、装置及电子设备 | |
CN111311743B (zh) | 三维重建精度测试方法、测试装置和电子设备 | |
KR20210146770A (ko) | 실내 측위 방법, 장치, 장비 및 저장 매체 | |
CN111275827A (zh) | 基于边缘的增强现实三维跟踪注册方法、装置和电子设备 | |
CN112102417A (zh) | 确定世界坐标的方法和装置及用于车路协同路侧相机的外参标定方法 | |
CN112508027B (zh) | 用于实例分割的头部模型、实例分割模型、图像分割方法及装置 | |
CN111369571B (zh) | 三维物***姿准确性判断方法、装置及电子设备 | |
CN112528931A (zh) | 用于生成位置预测信息的方法、装置以及自动驾驶车辆 |
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 |