CN113160341B - 一种含有目标物品的x光图像生成方法、***及设备 - Google Patents
一种含有目标物品的x光图像生成方法、***及设备 Download PDFInfo
- Publication number
- CN113160341B CN113160341B CN202110458638.XA CN202110458638A CN113160341B CN 113160341 B CN113160341 B CN 113160341B CN 202110458638 A CN202110458638 A CN 202110458638A CN 113160341 B CN113160341 B CN 113160341B
- Authority
- CN
- China
- Prior art keywords
- target object
- channel
- image
- pixel value
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000002131 composite material Substances 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims description 115
- 239000000463 material Substances 0.000 claims description 10
- 235000012745 brilliant blue FCF Nutrition 0.000 claims description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000002156 mixing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- BQJCRHHNABKAKU-KBQPJGBKSA-N morphine Chemical compound O([C@H]1[C@H](C=C[C@H]23)O)C4=C5[C@@]12CCN(C)[C@@H]3CC5=CC=C4O BQJCRHHNABKAKU-KBQPJGBKSA-N 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 239000013077 target material Substances 0.000 description 2
- GVGLGOZIDCSQPN-PVHGPHFFSA-N Heroin Chemical compound O([C@H]1[C@H](C=C[C@H]23)OC(C)=O)C4=C5[C@@]12CCN(C)[C@@H]3CC5=CC=C4OC(C)=O GVGLGOZIDCSQPN-PVHGPHFFSA-N 0.000 description 1
- 239000008896 Opium Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- KXZJHVJKXJLBKO-UHFFFAOYSA-N chembl1408157 Chemical compound N=1C2=CC=CC=C2C(C(=O)O)=CC=1C1=CC=C(O)C=C1 KXZJHVJKXJLBKO-UHFFFAOYSA-N 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 229960002069 diamorphine Drugs 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229960005181 morphine Drugs 0.000 description 1
- 239000004081 narcotic agent Substances 0.000 description 1
- 229960001027 opium Drugs 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- NNFCIKHAZHQZJG-UHFFFAOYSA-N potassium cyanide Chemical compound [K+].N#[C-] NNFCIKHAZHQZJG-UHFFFAOYSA-N 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 230000001960 triggered 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
- G06T7/90—Determination of colour characteristics
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明属于数据增强技术领域，具体涉及了一种含有目标物品的X光图像生成方法、***及设备，旨在解决X光图像真实数据不足的问题。所述方法包括：获取目标物品真实图像和不含目标物品的X光图像；将所述目标物品真实图像输入至生成式对抗网络模型中得到目标物品合成图像；对所述目标物品合成图像进行预处理得到目标物品中间图像；将所述目标物品中间图像按照预设规则融入所述不含目标物品的X光图像，得到含有目标物品的X光生成图像。本发明增加了数据集的多样性，为后续检测模型的泛化性提供数据基础，有效地解决了X光图像数据不足的问题。
Description
技术领域
本发明属于数据增强技术领域，具体涉及了一种含有目标物品的X光图像生成方法、***及设备。
背景技术
X光图像是安检X光机通过一定的处理方式得到，其工作的原理是借助于传送带将被检查包裹传送到履带式通道中，待包裹进入通道后，触发射线源发射X射线束，X射线束穿透包裹物品落到探测器上，探测器把接收到的X射线变为电信号，传送到控制计算机做进一步的处理，经过复杂的计算和成像处理后，得到高质量的X射线图像。工作人员需要根据大量的X射线图像构形实时地判断物品。为了提高安检的速度，减少乘客的等待时间以及节省大量的人力、物力，有必要对监测***进行升级，提高***的智能化。
当今流行的目标检测识别方法为人工智能中的深度学习方法，这种方法将含有违禁品的X光图像数据作为训练数据输入到检测识别模型中进行训练。其中，为了检测识别模型具有较好的泛化性能，需要获得大量的含有如管制刀具和枪械等违禁品的X光图像，以便能够检测到不同大小、不同角度、不同品牌、不同类别的违禁品。
但是由于真实的含有违禁品的X光图像数据较少，不能满足基于人工智能的深度学习方法的需求，因此本发明提出一种含有目标物品的X光图像生成方法、***及设备。
发明内容
为了解决现有技术中的上述问题，即X光图像真实数据不足的问题，本发明提供了一种含有目标物品的X光图像生成方法、***及设备，
本发明的第一方面，提出了一种含有目标物品的X光图像生成方法，所述方法包括：
获取目标物品真实图像和不含目标物品的X光图像；
将所述目标物品真实图像输入至生成式对抗网络模型中得到目标物品合成图像；
对所述目标物品合成图像和所述目标物品真实图像进行预处理得到目标物品中间图像；
将所述目标物品中间图像按照预设规则融入所述不含目标物品的X光图像，得到含有目标物品的X光生成图像。
可选地，所述获取目标物品真实图像包括：
向目标物品素材目标网址发送第一请求；
接收由目标物品素材网址返回的网页源码；
解析所述网页源码，得到所述网页源码中每个图像的链接；
向每个所述图像的链接发送第二请求；
接收由每个所述图像的链接返回的目标物品真实图像。
可选地，所述对所述目标物品合成图像和所述目标物品真实图像进行预处理得到目标物品中间图像包括：
对所述目标物品合成图像和所述目标物品真实图像进行旋转、裁剪、仿射变换中的一种或多种操作得到目标物品中间图像。
可选地，所述将所述目标物品中间图像按照预设规则融入所述不含目标物品的X光图像，得到含有目标物品的X光生成图像包括：
提取所述目标物品中间图像的有效区域，所述有效区域为目标物品所在区域；
确定所述有效区域在不含目标物品的X光图像融合区域中的大小范围，所述融合区域为不含目标物品的X光图像中行李所在区域；
确定所述目标物品中间图像中的目标物品在融合区域的RGB三个通道的像素值，所述RGB三个通道的像素值包括R通道像素值、G通道像素值和B通道像素值；
根据确定的大小范围和RGB三个通道的像素值对所述有效区域进行调整使其融入到所述融合区域中，得到含有目标物品的X光生成图像。
可选地，所述确定所述有效区域在不含目标物品的X光图像融合区域中的大小范围包括：
确定所述有效区域中目标物品的类别、融合区域的长度值和宽度值；
根据所述目标物品的类别查找该目标物品在X光真实图像中的预设比例；
根据所述预设比例、融合区域的长度值和宽度值确定所述有效区域的大小范围，所述大小范围包括有效区域的长度阈值和宽度阈值。
可选地，所述确定所述目标物品中间图像中的目标物品在融合区域的B通道像素值包括：
确定所述有效区域中目标物品的类别；
根据所述目标物品的类别查找该目标物品在X光真实图像中的预设B通道取值范围；
根据所述预设B通道取值范围确定目标物品在融合区域中的B通道像素值。
可选地，所述确定所述目标物品中间图像中的目标物品在融合区域的R通道像素值包括
提取所述融合区域R通道中X光图像的像素值和有效区域R通道中目标物品的像素值；
确定所述融合区域R通道中X光图像的像素值所占比例和目标物品的像素值所占比例；
根据所述融合区域R通道中X光图像的像素值和所述融合区域R通道中X光图像的像素值所占比例确定第一乘积；
根据有效区域R通道中目标物品的像素值和所述融合区域R通道中目标物品的像素值所占比例确定第二乘积；
将所述第一乘积和所述第二乘积之和确定为目标物品在融合区域R通道中的像素值。
可选地，所述确定所述目标物品中间图像中的目标物品在融合区域的G通道像素值包括：
提取所述融合区域G通道中X光图像的像素值和有效区域G通道中目标物品的像素值；
确定所述融合区域G通道中X光图像的像素值所占比例和目标物品的像素值所占比例；
根据所述融合区域G通道中X光图像的像素值和所述融合区域G通道中X光图像的像素值所占比例确定第三乘积；
根据有效区域G通道中目标物品的像素值和所述融合区域G通道中目标物品的像素值所占比例确定第四乘积；
将所述第三乘积和所述第四乘积之和确定为目标物品在融合区域G通道中的像素值。
本发明的第二方面，提出了一种含有目标物品的X光图像生成***，所述***包括：
获取单元，用于获取目标物品真实图像和不含目标物品的X光图像；
合成单元，用于将所述目标物品真实图像输入至生成式对抗网络模型中得到目标物品合成图像；
预处理单元，用于对所述目标物品合成图像进行预处理得到目标物品中间图像；
生成单元，用于将所述目标物品中间图像按照预设规则融入所述不含目标物品的X光图像，得到含有目标物品的X光生成图像。
本发明的第三方面，提出了一种设备，包括：
至少一个处理器；以及
与至少一个所述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处理器执行的指令，所述指令用于被所述处理器执行以实现第一方面任一项所述的含有目标物品的X光图像生成方法。
本发明的第四方面，提出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被所述计算机执行以实现第一方面所述的含有目标物品的X光图像生成方法。
本发明的有益效果：本发明通过生成式对抗网络模型将从网络中获取的目标物品真实图像进行数据合成，得到与真实数据相似的目标物品合成图像，增加数据集的多样性，并对目标物品合成图像和目标物品真实图像进行预处理，进一步增加数据量，为后续检测模型的泛化性提供数据基础，有效地解决了X光图像数据不足的问题。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请实施例提供的一种含有目标物品的X光图像生成方法的示意图；
图2是本申请一个实施例中从网络下载的目标物品的部分示意图；
图3是本申请又一实施例提供的一种含有目标物品的X光图像生成方法的示意图；
图4是本申请一个实施例中含有目标物品的X光真实图像的示意图；
图5是本申请实施例中目标物品中间图像与不含目标物品的X光图像融合过程示意图；
图6是本申请实施例提供的一种含有目标物品的X光图像生成***的示意图；
图7是用于实现本申请方法、***、设备实施例的服务器的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请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用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
本发明的目的是在真实数据较少的情况下，生成与真实数据较为相似的含有目标物品的X光图像，有效弥补数据量较少的不足。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明第一方面提供一种含有目标物品的X光图像生成方法，如图1所示，所述方法包括如下步骤：
步骤S101：获取目标物品真实图像和不含目标物品的X光图像。
在本申请实施例中，目标物品是指在安检时，法律规定不准私自携带，对人民生命财产安全造成威胁的物品，例如武器、弹药、***物品(如***、***、导火索等)、剧毒物品(***、***等)，麻醉剂(***、***，***等)、放射性物品、刀具等。
可选地，所述获取目标物品真实图像包括：
向目标物品素材目标网址发送第一请求。
在本步骤中，是利用网络爬虫的方法来获取目标物品真实图像的，首先要确认目标物品专业素材网站的地址，例如有5个网址都可以作为素材网址，可以在5个网址中选择一个最优的网址作为目标物品素材目标网址，或者将5个网址中的多个同时作为目标物品素材目标网址，逐个发送第一请求并分别进行后续的步骤。
在一个示例中，可以用python的requests网络请求包去违纪品素材目标网址发送第一请求。
接收由目标物品素材网址返回的网页源码。
解析所述网页源码，得到所述网页源码中每个图像的链接。
在该步骤中，可以用xpath或者beautifulsoup分析网页源码的结构，解析出每个图像的链接。
向每个所述图像的链接发送第二请求。
接收由每个所述图像的链接返回的目标物品真实图像，并以图像文件格式保存到本地存储中。
进一步，还可以对保存的图像文件进行筛查，对不符合要求的图像进行删除，可以是人工筛查，也可以是自动筛查。
在一个示例中，将***和刀具作为要检测的目标物品，那么经过上述网络爬虫的方法可以获取到不同大小、形状和类别的枪械和刀具图像，如图2所示，示出了***、冲锋枪、长枪、匕首、菜刀、长刀等图像。
另外，不含目标物品的X光图像从相关的专业网站获得，还可以通过X光机在检测过程中存储的不含目标物品的X光图像获得。
步骤S102：将所述目标物品真实图像输入至生成式对抗网络模型中得到目标物品合成图像。
在该步骤中，生成式对抗网络模型是通过对大量的目标物品真实图像数据提前训练得到的，训练的目标物品真实图像数据通过上述网络爬虫的方法获得。
通过该生成式对抗网络模型能够基于目标物品真实图像数据进行合成，得到与目标物品真实图像较为相似的目标物品合成图像，且目标物品合成图像的数量是远远大于目标物品真实图像的，这样就得到了大量的目标物品图像数据，满足了数据的需求。
步骤S103：对所述目标物品合成图像和目标物品真实图像进行预处理得到目标物品中间图像。
可选地，所述对所述目标物品合成图像和目标物品真实图像进行预处理得到目标物品中间图像包括：
对所述目标物品合成图像和目标物品真实图像进行旋转、裁剪、仿射变换中的一种或多种操作得到目标物品中间图像。
通过该预处理能够进一步对数据进行扩充，得到比目标物品合成图像数量还多的目标物品中间图像。
步骤S104：将所述目标物品中间图像按照预设规则融入所述不含目标物品的X光图像，得到含有目标物品的X光生成图像。
可选地，如图3所示，所述将所述目标物品中间图像按照预设规则融入所述不含目标物品的X光图像，得到含有目标物品的X光生成图像包括如下步骤：
步骤S301：提取所述目标物品中间图像的有效区域，所述有效区域为目标物品所在区域。
在一个示例中，有效区域也被称作为前景区域。可以利用图像处理相关提取算法，如OPENCV函数对图像的有效区域进行提取。
步骤S302：确定所述有效区域在不含目标物品的X光图像融合区域中的大小范围。所述融合区域为不含目标物品的X光图像中行李所在区域。
可选地，所述确定所述有效区域在不含目标物品的X光图像融合区域中的大小范围包括：
确定所述有效区域中目标物品的类别、融合区域的长度值和宽度值。
根据所述目标物品的类别查找该目标物品在X光真实图像中的预设比例。
根据所述预设比例、融合区域的长度值和宽度值确定所述有效区域的大小范围，所述大小范围包括有效区域的长度阈值和宽度阈值。
在一个示例中，以枪械和刀具作为要检测的目标物品，例如短刀在X光真实图像中的预设比例为20％-25％，融合区域的长度是25cm，宽度是15cm，那么按照这个预设比例，可以确定短刀的长度范围为5-6.25cm，长刀的宽度范围为3-3.75cm。就可以按照这个大小范围来调整有效区域的大小，并且存储目标物品的位置信息。
其中，目标物品在X光真实图像中的预设比例是可以通过提前标定得到的，标定过程如下：
第一步，明确需要检测的目标物品大类别。
第二步，对目标物品大类别进行细化。
例如，将刀具和枪械的大类别分别细化为***、冲锋枪、长枪、匕首、菜刀、长刀等多个小类别。
由于不同类别的目标物品在X光图像中所占的比例不同，同一类别中不同个体也具有一定的差异性，为了X光生成图像更符合实际图像的要求，对目标物品的类别进行详细区分，有助于融合过程中根据不同的类别设置不同的参数，使X光生成图像更加真实。
第三步，根据定义的类别获取含有该类别的目标物品的X光真实图像。
在一个示例中，中国科学院大学团队公开的SIXray图像数据集和科大讯飞公开的数据集与目前安检X光机扫描得到的伪彩色图像是一致的，图像的构成更符合实际需求，因此可以从SIXray图像数据集和科大讯飞公开的数据集中获取含有目标物品的X光真实图像。
第四步，对X光真实图像进行分析、计算每个类别的目标物品在X光真实图像中长宽的大小、所占X光真实图像的比例、在图像中的存储范围以及在RGB三个通道的取值信息等基本属性。
第五步，对计算得到的基本属性进行归纳，得到每个类别的目标物品在X光真实图像中对应的预设比例以及RGB取值信息等。
在一个示例中，如图4所示，对***、冲锋枪、长枪、匕首、菜刀、长刀等类别的基本属性进行归纳后得到，***、匕首、菜刀的长宽与行李箱的长宽相比较的值大多不会超过0.3，呈现的颜色大多以蓝色为主。
步骤S303：确定所述目标物品中间图像中的目标物品在融合区域的RGB三个通道的像素值，所述RGB三个通道的像素值包括R通道像素值、G通道像素值和B通道像素值。
下面以枪械和刀具目标物品为例，经过对X光真实图像的归纳总结，可以确定枪械和刀具在X光图像中主要呈现为深浅不一的蓝色。因此，将B通道的像素值固定在一个范围内，具体如下：
可选地，所述确定所述目标物品中间图像中的目标物品在融合区域的B通道像素值包括：
确定所述有效区域中目标物品的类别；
根据所述目标物品的类别查找该目标物品在X光真实图像中的预设B通道取值范围；该取值范围可以由上述标定过程得到。
根据所述预设B通道取值范围确定目标物品在融合区域中的B通道像素值。如公式1：
blue1value≤bluevalue≤blue2value 公式(1)
其中，bluevalue为融合后的B通道像素值，blue1value和blue2value为目标物品在X光真实图像中的预设B通道取值范围。通常该值的取值范围在160与210之间。
为了能够更好的体现不含目标物品的X光图像和目标物品中间图像的融合效果，
可选地，所述确定所述目标物品中间图像中的目标物品在融合区域的R通道像素值包括
提取所述融合区域R通道中X光图像的像素值和有效区域R通道中目标物品的像素值；
确定所述融合区域R通道中X光图像的像素值所占比例和目标物品的像素值所占比例；
根据所述融合区域R通道中X光图像的像素值和所述融合区域R通道中X光图像的像素值所占比例确定第一乘积；
根据有效区域R通道中目标物品的像素值和所述融合区域R通道中目标物品的像素值所占比例确定第二乘积；
将所述第一乘积和所述第二乘积之和确定为目标物品在融合区域R通道中的像素值。如公式2：
Redvalue＝thred1×XrayredValue+thred2×objectredValue
Redvalue为目标物品在融合区域的R通道像素值；XrayredValue为融合区域的R通道X光图像的像素值；objectredValue为有效区域R通道中目标物品的像素值；thred1为融合区域R通道中X光图像的像素值所占比例；thred2为融合区域R通道中目标物品的像素值所占比例，thred1×XrayredValue为第一乘积，thred2×objectredValue为第二乘积。
可选地，所述确定所述目标物品中间图像中的目标物品在融合区域的G通道像素值包括：
提取所述融合区域G通道中X光图像的像素值和有效区域G通道中目标物品的像素值；
确定所述融合区域G通道中X光图像的像素值所占比例和目标物品的像素值所占比例；
根据所述融合区域G通道中X光图像的像素值和所述融合区域G通道中X光图像的像素值所占比例确定第三乘积；
根据有效区域G通道中目标物品的像素值和所述融合区域G通道中目标物品的像素值所占比例确定第四乘积；
将所述第三乘积和所述第四乘积之和确定为目标物品在融合区域G通道中的像素值。如公式3：
Greenvalue＝thred3×XraygreenValue+thred4×objectgreenValue
其中，Greenvalue为目标物品在融合区域的G通道像素值；XraygreenValue为融合区域的G通道X光图像的像素值；objectgreenValue为有效区域G通道中目标物品的像素值；thred3为融合区域G通道中X光图像的像素值所占比例；thred4为融合区域G通道中目标物品的像素值所占比例，thred3×XraygreenValue为第三乘积，thred4×objectgreenValue为第四乘积。
通过公式2和公式3能够根据实际融合效果来调整比例值，使融合效果更好。
需要说明的是，上述示例只是针对于枪械和刀具目标物品进行的说明，如果是其他的目标物品，其在X光图像中呈现的颜色可能不是蓝色，例如是绿色，就可以将G通道的像素值通过预设的取值范围进行确定，R通道和B通道的像素值就可以通过设定比例的方式进行确定，在此不对其进行限制。
步骤S304：根据确定的大小范围和RGB三个通道的像素值对所述有效区域进行调整使其融入到所述融合区域中，得到含有目标物品的X光生成图像。
如图5所示，示出了管制刀具和枪械目标物品融入X光图像过程中的部分结果。(a)网络中获取的管制刀具和枪械等类别的图像；(b)白色区域即为刀具、枪械图像中待***到X光图像中的区域，即为有效区域；(c)刀具、枪械图像与X光图像融合的结果。
基于同样的构思，本发明的第二方面，提出了一种含有目标物品的X光图像生成***，如图6所示，所述***包括：
获取单元601，用于获取目标物品真实图像和不含目标物品的X光图像；
合成单元602，用于将所述目标物品真实图像输入至生成式对抗网络模型中得到目标物品合成图像；
预处理单元603，用于对所述目标物品合成图像进行预处理得到目标物品中间图像；
生成单元604，用于将所述目标物品中间图像按照预设规则融入所述不含目标物品的X光图像，得到含有目标物品的X光生成图像。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的含有目标物品的X光图像生成***，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种设备，包括：
至少一个处理器；以及
与至少一个所述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处理器执行的指令，所述指令用于被所述处理器执行以第一方面任一项所述的含有目标物品的X光图像生成方法。
本发明第四实施例的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被所述计算机执行以实现第一方面任一项所述的含有目标物品的X光图像生成方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
下面参考图7，其示出了用于实现本申请方法、***、设备实施例的服务器的计算机***的结构示意图。图7示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，计算机***包括中央处理单元(CPU，Central Processing Unit)701，其可以根据存储在只读存储器(ROM，Read Only Memory)702中的程序或者从存储部分708加载到随机访问存储器(RAM，Random Access Memory)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有***操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O，Input/Output)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid Crystal Display)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN(局域网，Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (6)
1.一种含有目标物品的X光图像生成方法，其特征在于，所述方法包括：
获取目标物品真实图像和不含目标物品的X光图像；
将所述目标物品真实图像输入至生成式对抗网络模型中得到目标物品合成图像；
对所述目标物品合成图像和目标物品真实图像进行预处理得到目标物品中间图像；
将所述目标物品中间图像按照预设规则融入所述不含目标物品的X光图像，得到含有目标物品的X光生成图像，具体包括：
提取所述目标物品中间图像的有效区域，所述有效区域为目标物品所在区域；
确定所述有效区域在不含目标物品的X光图像融合区域中的大小范围，所述融合区域为不含目标物品的X光图像中行李所在区域；
确定所述目标物品中间图像中的目标物品在融合区域的RGB三个通道的像素值，所述RGB三个通道的像素值包括R通道像素值、G通道像素值和B通道像素值；
根据确定的大小范围和RGB三个通道的像素值对所述有效区域进行调整使其融入到所述融合区域中，得到含有目标物品的X光生成图像，若目标物品为枪械和刀具，具体为：根据所述目标物品的类别查找该目标物品在X光真实图像中的预设B通道取值范围；根据所述预设B通道取值范围确定目标物品在融合区域中的B通道像素值：
blue1value≤bluevalue≤blue2value
其中，bluevalue为融合后的B通道像素值，blue1value和blue2value为目标物品在X光真实图像中的预设B通道取值范围；
确定所述目标物品中间图像中的目标物品在融合区域的R通道像素值包括：提取所述融合区域R通道中X光图像的像素值和有效区域R通道中目标物品的像素值；确定所述融合区域R通道中X光图像的像素值所占比例和目标物品的像素值所占比例； 根据所述融合区域R通道中X光图像的像素值和所述融合区域R通道中X光图像的像素值所占比例确定第一乘积；根据有效区域R通道中目标物品的像素值和所述融合区域R通道中目标物品的像素值所占比例确定第二乘积；将所述第一乘积和所述第二乘积之和确定为目标物品在融合区域R通道中的像素值：
Redvalue＝thred1×XrayredValue+thred2×objectredValue
Redvalue为目标物品在融合区域的R通道像素值；XrayredValue为融合区域的R通道X光图像的像素值；objectredValue为有效区域R通道中目标物品的像素值；thred1为融合区域R通道中X光图像的像素值所占比例；thred2为融合区域R通道中目标物品的像素值所占比例，thred1×XrayredValue为第一乘积，thred2×objectredValue为第二乘积；
确定所述目标物品中间图像中的目标物品在融合区域的G通道像素值包括：
提取所述融合区域G通道中X光图像的像素值和有效区域G通道中目标物品的像素值；
确定所述融合区域G通道中X光图像的像素值所占比例和目标物品的像素值所占比例；
根据所述融合区域G通道中X光图像的像素值和所述融合区域G通道中X光图像的像素值所占比例确定第三乘积；
根据有效区域G通道中目标物品的像素值和所述融合区域G通道中目标物品的像素值所占比例确定第四乘积；
将所述第三乘积和所述第四乘积之和确定为目标物品在融合区域G通道中的像素值：
Greenvalue＝thred3×XraygreenValue+thred4×objectgreenValue
其中，Greenvalue为目标物品在融合区域的G通道像素值；XraygreenValue为融合区域的G通道X光图像的像素值；objectgreenValue为有效区域G通道中目标物品的像素值；thred3为融合区域G通道中X光图像的像素值所占比例；thred4为融合区域G通道中目标物品的像素值所占比例，thred3×XraygreenValue为第三乘积，thred4×objectgreenValue为第四乘积；
若目标物品不是枪械和刀具，就可以将G通道或R通道中的一种的像素值通过预设的取值范围进行确定，其余通道的像素值就可以通过设定比例的方式进行确定。
2.根据权利要求1所述的方法，其特征在于，所述获取目标物品真实图像包括：
向目标物品素材目标网址发送第一请求；
接收由目标物品素材网址返回的网页源码；
解析所述网页源码，得到所述网页源码中每个图像的链接；
向每个所述图像的链接发送第二请求；
接收由每个所述图像的链接返回的目标物品真实图像。
3.根据权利要求1所述的方法，其特征在于，所述对所述目标物品合成图像和目标物品真实图像进行预处理得到目标物品中间图像包括：
对所述目标物品合成图像和所述目标物品真实图像进行旋转、裁剪、仿射变换中的一种或多种操作得到目标物品中间图像。
4.根据权利要求1所述的方法，其特征在于，所述确定所述有效区域在不含目标物品的X光图像融合区域中的大小范围包括：
确定所述有效区域中目标物品的类别、融合区域的长度值和宽度值；
根据所述目标物品的类别查找该目标物品在X光真实图像中的预设比例；
根据所述预设比例、融合区域的长度值和宽度值确定所述有效区域的大小范围，所述大小范围包括有效区域的长度阈值和宽度阈值。
5.一种含有目标物品的X光图像生成***，其特征在于，所述***包括：
获取单元，用于获取目标物品真实图像和不含目标物品的X光图像；
合成单元，用于将所述目标物品真实图像输入至生成式对抗网络模型中得到目标物品合成图像；
预处理单元，用于对所述目标物品合成图像进行预处理得到目标物品中间图像；
生成单元，用于将所述目标物品中间图像按照预设规则融入所述不含目标物品的X光图像，得到含有目标物品的X光生成图像，具体包括：
提取所述目标物品中间图像的有效区域，所述有效区域为目标物品所在区域；
确定所述有效区域在不含目标物品的X光图像融合区域中的大小范围，所述融合区域为不含目标物品的X光图像中行李所在区域；
确定所述目标物品中间图像中的目标物品在融合区域的RGB三个通道的像素值，所述RGB三个通道的像素值包括R通道像素值、G通道像素值和B通道像素值；
根据确定的大小范围和RGB三个通道的像素值对所述有效区域进行调整使其融入到所述融合区域中，得到含有目标物品的X光生成图像，若目标物品为枪械和刀具，具体为：根据所述目标物品的类别查找该目标物品在X光真实图像中的预设B通道取值范围；根据所述预设B通道取值范围确定目标物品在融合区域中的B通道像素值：
blue1value≤bluevalue≤blue2value
其中，bluevalue为融合后的B通道像素值，blue1value和blue2value为目标物品在X光真实图像中的预设B通道取值范围；
确定所述目标物品中间图像中的目标物品在融合区域的R通道像素值包括：提取所述融合区域R通道中X光图像的像素值和有效区域R通道中目标物品的像素值；确定所述融合区域R通道中X光图像的像素值所占比例和目标物品的像素值所占比例； 根据所述融合区域R通道中X光图像的像素值和所述融合区域R通道中X光图像的像素值所占比例确定第一乘积；根据有效区域R通道中目标物品的像素值和所述融合区域R通道中目标物品的像素值所占比例确定第二乘积；将所述第一乘积和所述第二乘积之和确定为目标物品在融合区域R通道中的像素值：
Redvalue＝thred1×XrayredValue+thred2×objectredValue
Redvalue为目标物品在融合区域的R通道像素值；XrayredValue为融合区域的R通道X光图像的像素值；objectredValue为有效区域R通道中目标物品的像素值；thred1为融合区域R通道中X光图像的像素值所占比例；thred2为融合区域R通道中目标物品的像素值所占比例，thred1×XrayredValue为第一乘积，thred2×objectredValue为第二乘积；
确定所述目标物品中间图像中的目标物品在融合区域的G通道像素值包括：
提取所述融合区域G通道中X光图像的像素值和有效区域G通道中目标物品的像素值；
确定所述融合区域G通道中X光图像的像素值所占比例和目标物品的像素值所占比例；
根据所述融合区域G通道中X光图像的像素值和所述融合区域G通道中X光图像的像素值所占比例确定第三乘积；
根据有效区域G通道中目标物品的像素值和所述融合区域G通道中目标物品的像素值所占比例确定第四乘积；
将所述第三乘积和所述第四乘积之和确定为目标物品在融合区域G通道中的像素值：
Greenvalue＝thred3×XraygreenValue+thred4×objectgreenValue
其中，Greenvalue为目标物品在融合区域的G通道像素值；XraygreenValue为融合区域的G通道X光图像的像素值；objectgreenValue为有效区域G通道中目标物品的像素值；thred3为融合区域G通道中X光图像的像素值所占比例；thred4为融合区域G通道中目标物品的像素值所占比例，thred3×XraygreenValue为第三乘积，thred4×objectgreenValue为第四乘积；
若目标物品不是枪械和刀具，就可以将G通道或R通道中的一种的像素值通过预设的取值范围进行确定，其余通道的像素值就可以通过设定比例的方式进行确定。
6.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与至少一个所述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处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1-4任一项所述的含有目标物品的X光图像生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110458638.XA CN113160341B (zh) | 2021-04-27 | 2021-04-27 | 一种含有目标物品的x光图像生成方法、***及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110458638.XA CN113160341B (zh) | 2021-04-27 | 2021-04-27 | 一种含有目标物品的x光图像生成方法、***及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113160341A CN113160341A (zh) | 2021-07-23 |
| CN113160341B true CN113160341B (zh) | 2022-11-25 |
Family
ID=76871186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110458638.XA Active CN113160341B (zh) | 2021-04-27 | 2021-04-27 | 一种含有目标物品的x光图像生成方法、***及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113160341B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113506283A (zh) * | 2021-07-26 | 2021-10-15 | 浙江大华技术股份有限公司 | 图像处理方法及装置、存储介质、电子装置 |
| CN114998277B (zh) * | 2022-06-16 | 2024-05-17 | 吉林大学 | 抓取点识别方法、装置、电子设备及计算机存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109902643A (zh) * | 2019-03-07 | 2019-06-18 | 浙江啄云智能科技有限公司 | 基于深度学习的智能安检方法、装置、***及其电子设备 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10825219B2 (en) * | 2018-03-22 | 2020-11-03 | Northeastern University | Segmentation guided image generation with adversarial networks |
| US11030486B2 (en) * | 2018-04-20 | 2021-06-08 | XNOR.ai, Inc. | Image classification through label progression |
| CN110378432B (zh) * | 2019-07-24 | 2022-04-12 | 阿里巴巴（中国）有限公司 | 图片生成方法、装置、介质及电子设备 |
| CN110765976B (zh) * | 2019-11-01 | 2021-02-09 | 重庆紫光华山智安科技有限公司 | 人脸特征点的生成方法、数据网络的训练方法及相关装置 |
| CN111242905B (zh) * | 2020-01-06 | 2021-03-26 | 科大讯飞(苏州)科技有限公司 | 一种x光样本图像的生成方法、生成设备和存储装置 |
| CN111832745B (zh) * | 2020-06-12 | 2023-08-01 | 北京百度网讯科技有限公司 | 数据增广的方法、装置及电子设备 |
-
2021
- 2021-04-27 CN CN202110458638.XA patent/CN113160341B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109902643A (zh) * | 2019-03-07 | 2019-06-18 | 浙江啄云智能科技有限公司 | 基于深度学习的智能安检方法、装置、***及其电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113160341A (zh) | 2021-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113160341B (zh) | 一种含有目标物品的x光图像生成方法、***及设备 | |
| US20230162342A1 (en) | Image sample generating method and system, and target detection method | |
| US20220189111A1 (en) | Method for the automatic material classification and texture simulation for 3d models | |
| US20200218944A1 (en) | Method, Apparatus, and Electronic Device for Processing Point Cloud Data, and Computer Readable Storage Medium | |
| US7702183B1 (en) | Methods and systems for the detection of the insertion, removal, and change of objects within a scene through the use of imagery | |
| WO2020173021A1 (zh) | 一种基于人工智能的违禁物识别方法、装置、设备和存储介质 | |
| US10436932B2 (en) | Inspection systems for quarantine and methods thereof | |
| US9552521B2 (en) | Human body security inspection method and system | |
| CN110543857A (zh) | 基于图像分析的违禁物识别方法、装置、***和存储介质 | |
| US9305755B2 (en) | Mass analysis data processing method and mass analysis data processing apparatus | |
| KR101102415B1 (ko) | 항공/위성영상 내 보안영역에 대한 편집시스템과 편집방법 | |
| CN109978892B (zh) | 一种基于太赫兹成像的智能安检方法 | |
| CN106251310B (zh) | 一种多光谱遥感异常信息提取方法 | |
| CN107633433B (zh) | 广告的审核方法及装置 | |
| CN104036003B (zh) | 搜索结果整合方法和装置 | |
| CA3149539A1 (en) | Probabilistic image analysis | |
| CN116363366A (zh) | 基于语义分割的输电线路山火监测方法、装置及存储介质 | |
| CN116310927A (zh) | 基于深度学习的多源数据分析火灾监测与识别方法及*** | |
| US20160300098A1 (en) | Data processing method and system | |
| JP6897804B2 (ja) | 表示処理装置、イメージング質量分析システムおよび表示処理方法 | |
| US12007341B2 (en) | X-ray baggage and parcel inspection system with efficient third-party image processing | |
| CN112068097B (zh) | 雷达遥感数据的标注方法、装置、电子设备和存储介质 | |
| US11864551B1 (en) | Aerial wildlife survey and wounded game animal tracking process for completing accurate aerial wildlife surveys by machine learning and AI-supported filtering of non-relevant information to count and report on specific targeted aspects of wildlife | |
| CN111859052B (zh) | 实地调查成果的分级展示方法及*** | |
| CN114648706B (zh) | 基于卫星遥感影像的森林树种识别方法、装置及设备 |
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 |