CN115984154A - 一种图像融合的方法、装置、存储介质及电子设备 - Google Patents
一种图像融合的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115984154A CN115984154A CN202211538006.5A CN202211538006A CN115984154A CN 115984154 A CN115984154 A CN 115984154A CN 202211538006 A CN202211538006 A CN 202211538006A CN 115984154 A CN115984154 A CN 115984154A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- target image
- background image
- background
- 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
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本说明书公开了一种图像融合的方法、装置、存储介质及电子设备。该图像融合的方法包括:加载预先存储的背景图像以及至少一个目标图像,确定各目标图像对应的目标图像信息,以及,确定所述背景图像对应的背景图像信息,根据目标图像信息以及背景图像信息,以各目标图像在背景图像中不发生重叠为约束,确定每个目标图像在所述背景图像中的位置,作为目标位置,根据每个目标图像对应的目标位置,将各目标图像与所述背景图像进行融合,得到融合图像。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种图像融合的方法、装置、存储介质及电子设备。
背景技术
随着人工智能技术的发展,目标识别和目标检测技术开始广泛应用于高光谱图像的遥感领域。然而,由于遥感高光谱图像采集成本高,单张图像数据量大,地面目标物体出现频次低等情况,面向于深度学习的目标识别和检测等人工智能算法无法获取足够多的训练样本,严重限制该类算法的研发和技术应用的发展。因此为了解决高光谱样本量不足的问题,图像增广方法常被用于扩充训练样本。
然而,目前的图像增广方法主要为重采样、裁剪、翻转、镜像、加噪等,虽然通过这些图像增广方法能够增加训练样本数量,但是通过上述方式生成的新的训练样本的语义信息丰富性相较于未增广前的训练样本的提升较小,并且,部分图像增广方法会改变采集到的目标物的尺寸特征,甚至造成光谱信息的失真,导致通过上述方法增加的训练样本无法有效提升模型算法的性能。
因此,如何在现有较少训练样本的基础上生成更多的语义信息丰富性更高的训练样本,从而在训练过程中有效提升模型算法的性能,是一个亟待解决的问题。
发明内容
本说明书提供一种图像融合的方法、装置、存储介质及电子设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种图像融合的方法,包括:
加载预先存储的背景图像以及至少一个目标图像;
确定各目标图像对应的目标图像信息,以及,确定所述背景图像对应的背景图像信息;
根据所述目标图像信息以及所述背景图像信息,以各目标图像在所述背景图像中不发生重叠为约束,确定每个目标图像在所述背景图像中的位置,作为目标位置;
根据每个目标图像对应的目标位置,将各目标图像与所述背景图像进行融合,得到融合图像。
可选地,所述方法还包括:
根据所述融合图像生成训练样本并存储。
可选地,加载预先存储的背景图像以及至少一个目标图像之前,所述方法还包括:
获取初始图像;
识别所述初始图像中包含的背景图像以及目标图像并提取;
将提取到的所述背景图像以及所述目标图像存储在指定格式的配置文件中。
可选地,加载预先存储的背景图像以及至少一个目标图像,具体包括:
获取图像加载请求,并确定所述加载请求对应的配置参数;
根据所述配置参数,从所述配置文件中加载所述预先存储的背景图像以及所述至少一个目标图像。
可选地,所述配置参数包括:加载的目标图像及数量、生成的融合图像的数量、加载的背景图像及数量中的至少一种。
可选地,针对每个目标图像,根据所述目标图像信息以及所述背景图像信息,以各目标图像在所述背景图像中不发生重叠为约束,确定该目标图像在所述背景图像中的位置,作为目标位置,具体包括:
针对每个目标图像,根据所述目标图像信息以及所述背景图像信息,以各目标图像均位于所述背景图像的图像范围内,以及,各目标图像在所述背景图像中不发生重叠为约束,确定所述目标位置。
可选地,根据所述目标图像信息以及所述背景图像信息,以各目标图像在所述背景图像中不发生重叠为约束,确定每个目标图像在所述背景图像中的位置,作为目标位置,具体包括:
确定各目标图像在所述背景图像中的初始位置;
根据所述目标图像信息,确定各目标图像对应的对角线值中的最大值,作为最大对角线值;
根据所述最大对角线值以及所述背景图像信息,以各目标图像均位于所述背景图像的图像范围内为约束,对每个目标图像对应的初始位置进行调整,得到各目标图像对应的调整后位置;
根据所述调整后位置确定所述目标位置。
可选地,所述背景图像信息包括:背景图像的高度、背景图像的宽度、背景图像的上下边距以及背景图像的左右边距中的至少一种。
可选地,根据所述最大对角线值以及所述背景图像信息,以各目标图像均位于所述背景图像的图像范围内为约束,对每个目标图像对应的初始位置进行调整,得到各目标图像对应的调整后位置,具体包括:
针对每个目标图像,根据所述最大对角线值、所述背景图像的高度、所述背景图像的宽度、所述背景图像的上下边距以及所述背景图像的左右边距,以该目标图像位于所述背景图像的图像边距范围内为约束,对该目标图像对应的初始位置进行调整,得到所述调整后位置。
可选地,根据所述调整后位置确定所述目标位置,具体包括:
根据各目标图像在所述背景图像中的调整后位置以及所述最大对角线值,以各目标图像在所述背景图像中不发生重叠为约束,对所述调整后位置进行调整,得到各目标图像对应的目标位置。
可选地,根据每个目标图像对应的目标位置,将各目标图像与所述背景图像进行融合,得到融合图像,具体包括:
根据每个目标图像对应的目标位置,以及各目标对象对应的旋转角度,将各目标图像与所述背景图像进行融合,得到所述融合图像。
可选地,根据每个目标图像对应的目标位置,以及各目标对象对应的旋转角度,将各目标图像与所述背景图像进行融合,得到所述融合图像,具体包括:
针对每个目标图像,根据该目标图像对应的目标图像信息、目标位置以及旋转角度,确定该目标图像对应的第一光谱辐射均值,以及所述背景图像对应的第二光谱辐射均值;
根据所述第一光谱辐射均值以及所述第二光谱辐射均值,对该目标图像中每个像元对应的光谱辐射值进行调整,得到调整后的目标图像;
根据该目标图像对应的目标位置以及旋转角度,将所述调整后的目标图像与所述背景图像进行融合,得到所述融合图像。
可选地,针对每个目标图像,根据该目标图像对应的目标位置以及旋转角度,确定该目标图像对应的第一光谱辐射均值,以及所述背景图像对应的第二光谱辐射均值,具体包括:
针对每个目标图像,根据该目标图像对应的目标位置、旋转角度以及目标图像信息,确定该目标图像对应的掩模图像在所述背景图像中对应的位置,作为掩模位置,以及确定所述掩模图像对应的掩模图像信息;
根据所述掩模图像信息以及所述掩模位置,确定所述第二光谱辐射均值,以及,根据所述目标图像信息、所述掩模图像信息、该目标图像对应的目标图像位置以及所述掩模位置,确定所述第一光谱辐射均值。
本说明书提供了一种图像融合的装置,包括:
加载模块,加载预先存储的背景图像以及至少一个目标图像;
第一确定模块,确定各目标图像对应的目标图像信息,以及,确定所述背景图像对应的背景图像信息;
第二确定模块,根据所述目标图像信息以及所述背景图像信息,以各目标图像在所述背景图像中不发生重叠为约束,确定每个目标图像在所述背景图像中的位置,作为目标位置;
融合模块,根据每个目标图像对应的目标位置,将各目标图像与所述背景图像进行融合,得到融合图像。
可选地,所述融合模块还用于,根据所述融合图像生成训练样本并存储。
可选地,所述加载模块具体用于,获取初始图像;识别所述初始图像中包含的背景图像以及目标图像并提取;将提取到的所述背景图像以及所述目标图像存储在指定格式的配置文件中。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述图像融合的方法。
本说明书提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述图像融合的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的图像融合的方法中,服务器会加载预先存储的背景图像以及至少一个目标图像,确定各目标图像对应的目标图像信息,以及,确定所述背景图像对应的背景图像信息,根据目标图像信息以及背景图像信息,以各目标图像在背景图像中不发生重叠为约束,确定每个目标图像在所述背景图像中的位置,作为目标位置,根据每个目标图像对应的目标位置,将各目标图像与所述背景图像进行融合,得到融合图像。
从上述方法可以看出,本方案能够以各目标图像在背景图像中不发生重叠为约束,将多个目标图像融合至一个背景图像中,相比于目前通过对已有图像进行旋转、裁切,加噪等方式来增加训练样本的方法,本方案生成的训练样本的语意信息更为丰富,能够显著提高对模型算法的训练效果。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中提供的一种图像融合的方法的流程示意图;
图2为本说明书中提供的一种目标图像及背景图像的存储形式示意图;
图3为本说明书中提供的一种旋转后的目标图像对应的掩模图像示意图;
图4为本说明书中提供的一种旋转后的目标图像在背景图像中的位置示意图;
图5为本说明书中提供的一种融合图像的生成过程示意图;
图6为本说明书中提供的一种图像融合的装置示意图;
图7为本说明书提供的一种对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种图像融合的方法的流程示意图,包括以下步骤:
S101:加载预先存储的背景图像以及至少一个目标图像。
随着目标识别、目标检测等技术被广泛地应用到高光谱图像的遥感领域,由于高光普图像本身的特性,导致高光普图像的采集成本过高,数据量庞大,并且目标物的出现频次较低,从而无法生成过多的有效训练样本,严重限制了上述算法的研发和技术应用的发展。
基于此,本说明书提供了一种图像融合的方法,以将多个目标图像融合至背景图像中,从而生成语意丰富的训练样本,进一步在训练过程中提升模型算法的性能。
其中,服务器需要加载预先存储的背景图像以及至少一个目标图像。在本说明书中,可以先获取通过诸如航空设备或者卫星等采集到的少量航空图像或者卫星图像作为初始图像,而后对初始图像进行识别,确定该初始图像中包含的目标图像以背景图像并进行提取,该目标图像可以为模型算法需要进行检测或者识别的目标物的前景图像,如田地、建筑、动物、植物、山脉等的图像,相应的,背景图像则可以为初始图像中除了上述目标物的前景图像以外的背景图像。
当然,上述目标图像以及背景图像也可以是预先已经被分离好并进行分开存储的,服务器接收到加载请求后可以直接进行获取。
进一步的,服务器可以将上述目标图像以及背景图像以树状图的形式存储在指定格式(如Excel格式)的配置文件中,将获取到的各目标图像根据其类别进行分类存储,同时也将获取到的背景图像进行存储,需要说明的是,在对背景图像进行存储时可以不对其进行分类。为了便于理解,本说明书提供了一种目标图像及背景图像的存储形式示意图,如图2所示。
图2为本说明书中提供的一种目标图像及背景图像的存储形式示意图。
其中,各目标图像按照其对应的类型进行分类存储,并且背景图像与目标图像分别进行存储。
当服务器获取到图像加载请求后,可以对该图像加载请求进行解析,从而确定该图像加载请求对应的配置参数,其中,该配置参数可以包括:加载的目标图像及数量、融合的图像的数量、加载的背景图像及数量等,当然,还可以包含有加载的目标图像类型以及每种类型的目标图像的数量等其他配置参数,本说明书对此不做具体限定。
在本说明书中,该配置参数可以是由服务器自动生成的,当然,也可以是人为进行设定并随着加载请求发送至服务器的,当服务器确定出配置参数后,可以将其作为Excel配置文件中的列数据,使得Excel配置文件中的每一列即表示一组图像合成的配置参数。
服务器可以根据该配置参数,从配置文件中加载用于生成训练样本的多个目标图像以及背景图像。
需要说明的是,服务器可以只从中选取一个目标图像与其中一个背景图像进行融合得到融合图像,当然,也可以选取多个目标图像与其中一个背景图像进行融合从而得到融合图像。
在本说明书中,用于实现图像融合的方法的执行主体可以是诸如服务器等指定设备,为了便于描述,本说明书仅以服务器是执行主体为例,对本说明书提供的一种图像融合的方法进行说明。
S102:确定各目标图像对应的目标图像信息,以及,确定所述背景图像对应的背景图像信息。
S103:根据所述目标图像信息以及所述背景图像信息,以各目标图像在所述背景图像中不发生重叠为约束,确定每个目标图像在所述背景图像中的位置,作为目标位置。
服务器可以确定各目标图像对应的目标图像信息以及背景图像对应的背景图像信息,该目标图像信息可以包括:目标图像的宽度以及高度等,当然,还可以包含有目标图像中各像元的光谱辐射值。该背景图像信息可以包括:背景图像的高度以及宽度,背景图像中各像元的光谱辐射值,此外,还可以包括背景图像的上下边距以及左右边距,该边距用于表征目标图像在背景图像中的范围,使得目标图像在背景图像中不能超过其上下边距以及左右边距。
具体的,服务器可以针对每个目标图像,根据目标图像信息以及背景图像信息,以各目标图像均位于背景图像的图像范围内,以及,各目标图像在背景图像中不发生重叠为约束,确定目标位置。
服务器可以先利用诸如安多姆正态分布(random normal distribution,randn)等随机函数,随机生成各目标图像的初始坐标矩阵,该初始坐标矩阵可以通过如下公式进行表示:
PN*2=[PX(1),PY(1);PX(2);PY(2);……;Px(N),Py(N)]=[PX,PY],
其中,x,y分别为目标图像P的横、纵坐标,其中,PN*2中各元素大小在0到1之间)。由此可以确定各目标图像在背景图像中的初始位置。
与此同时,服务器还可以通过上述随机函数,生成各目标图像对应的旋转角度矩阵Θ=[θ1,θ2,θ3,……,θN],其中,矩阵Θ中各元素值的范围在0°~360°之间,每个元素对应一个目标对象的逆时针旋转角度,当然,也可以是其顺时针旋转角度。
服务器可以加载K类目标图像,并根据各类型前景目标的数量nk(k目标图像对应类型编号)计算目标图像数量之和N,计算公式可以为:
而后服务器可以根据各前景目标的高hk和宽wk,确定各目标图像对应的对角线值中的最大值l,作为最大对角线值。该最大对角线值可以通过如下公式进行计算:
其中,K为各类型前景图像的总数量,l为最大对角线值,max()为取最大值计算公式。
而后服务器可以针对每个目标图像,根据最大对角线值以及所述背景图像信息(背景图像高度H,宽度W,上边距m以及下边距n),以该目标图像位于背景图像的边距范围内为约束,对该目标图像对应的初始位置进行调整,得到调整后位置,该目标图像可以通过如下公式进行调整:
其中,Px’为目标图像矩阵P对应的调整后横坐标,Py’为目标图像矩阵P对应的调整后纵坐标,以此得到各目标图像在背景图像中的调整后位置的坐标矩阵[Px’,Py’]。
进一步的,服务器可以根据上述调整后位置,以各目标图像在背景图像中不发生重叠为约束,确定各目标图像在背景图像中目标位置。
其中,服务器可以根据各目标图像在背景图像中的调整后位置以及最大对角线值,以各目标图像在背景图像中不发生重叠为约束,对调整后位置再一次进行调整,得到该目标图像对应的目标位置。对各目标图像的调整后位置可以通过如下公式再一次进行调整:
‖(px-Px’)2+(px-Py’)2-l2‖0≥N-1
其中,设(px,px)为[Px’,Py’]中的任意一组坐标,当该组坐标与其他组坐标的距离都不小于l时,此时l0的范数最小是N-1,说明该组坐标对应的目标图像和其他组坐标对应的目标图像无论怎么旋转,都不会发生重叠。
若改组坐标满足上述公式,则继续对下一组坐标进行调整,直至所有坐标均满足上述公式,说明各目标图像无论如何旋转在背景图像中都不会发生重叠,从而得到各目标图像在背景图像中对应的目标位置。
而后服务器可以将上述目标位置以及随机生成的各目标图像的旋转角度进行合并存储,得到[Px”,Py”,Θ],其中,目标图像i对应的位置参数可以为[px(i),py(i),θi]。
S104:根据每个目标图像对应的目标位置,将各目标图像与所述背景图像进行融合,得到融合图像。
具体的,服务器可以读取保存的位置参数,并对目标图像进行旋转变换,同时生成旋转变换后的目标图像对应的掩模图像。
针对每个目标图像,服务器可以根据该目标图像对应的目标位置、旋转角度以及目标图像信息,确定该目标图像对应的掩模图像在背景图像中对应的位置,作为掩模位置,以及确定所述掩模图像对应的掩模图像信息。
目标图像的掩模位置可以通过如下公式进行表示:
其中,此处的目标图像对应的位置参数为[px,py,θ],h为目标图像的高度值,(qx,qy)为该目标图像对应的掩模图像的掩模位置。
需要说明的是,上述目标图像的目标位置以及掩模位置可以是目标图像以及掩模图像中指定位置在背景图像中对应的坐标(如目标图像的左下角坐标和掩模图像的左下角坐标),当然,也可以为诸如中间位置、左上角、右上角等其他位置在背景图像中的坐标,本说明书对此不做具体限定。
另外,上述掩模图像信息可以通过如下公式进行表示:
其中,hq为掩模图像的高度值,wq为掩模图像的宽度值,w为目标图像的宽度。为了便于理解,本说明书提供了一种旋转后的目标图像对应的掩模图像示意图,如图3所示。
图3为本说明书中提供的一种旋转后的目标图像对应的掩模图像示意图。
其中,目标图像在背景图像中的位置可以是目标图像左下角点A的坐标,其掩模图像在背景图像中的位置可以是掩模图像左下角点B的坐标,该坐标可以是根据点A的坐标、长度、宽度以及目标图像的旋转角度确定出来的。
而后服务可以根据目标图像信息、掩模图像信息、该目标图像对应的目标图像位置以及所述掩模位置,确定目标图像对应的第一光谱辐射均值,以及根据掩模图像信息以及掩模位置,确定背景图像对应的第二光谱辐射均值。
上述第一光谱辐射均值可以通过如下公式进行表示:
其中,pixrot(vx,vy)为旋转后目标图像中像元的位置,pixmask(vx,vy)为掩模图像中像元的位置,pixravg为旋转后目标图像对应的光谱辐射均值(第一光谱辐射均值)。
上述第二光谱辐射均值可以通过如下公式进行表示:
其中,pixbg(vx,vy)为背景图像中像元的位置,pixravg为背景图像对应的光谱辐射均值(第二光谱辐射均值)。
而后服务器可以根据上述第一光谱辐射均值以及第二光谱辐射均值,对旋转后的目标图像中个像元的光谱辐射值进行调整,使目标图像的辐射值均衡化,得到调整后的目标图像。
调整后的目标图像中各像元的光谱辐射值可以通过如下公式进行表示:
pixrot(vx,vy)’=pixrot(vx,vy)-pixravg+pixavg
其中,pixrot(vx,vy)’调整后的目标图像中各像元的光谱辐射值。
而后服务器可以将上述调整后的目标图像嵌入背景图像,以单波段为例,将调整后的目标图像嵌入背景图像,其中被覆盖背景图像区域像元的计算公式如下:
pixbg(vx+qx,vy+qy)’=pixrot(vx,vy)·pixmask(vx,vy)+
pixbg(vx+qx,vy+qy)·(1-pixmask(vx,vy))
其中,pixbg(vx+qx,vy+qy)’为被覆盖的背景图像区域的像元。并且0≤vx≤wq,0≤vy≤hq。
为了便于理解,本说明书提供了一种旋转后的目标图像在背景图像中的位置示意图,如图4所示。
图4为本说明书中提供的一种旋转后的目标图像在背景图像中的位置示意图。
其中,背景图像原点坐标为[0,0],背景图像的高度为H,宽度为W,[qx,qy]为旋转后的目标图像的掩模图像在背景图像中的位置(即掩模图像左下角坐标),wq为掩模图像宽度,hq为掩模图像高度。
进一步的,服务器可以将目标图像的边缘与背景图像进行融合,以单波段为例,设核矩阵为kernel,根据掩模图像对目标图像的边缘及周边距离为2的像元进行融合。像元pixbg(vx,vy)及其周围像元组成的矩阵为patchbg,该矩阵在掩模图像中所对应的矩阵为patchmask:
其中,上述核矩阵kernel可以通过如下公式进行表示:
像元pixbg(vx,vy)经过融合后的计算公式可以为:
其中,pixbg(vx,vy)′为经过融合后目标图像中的像元,以此得到将各目标图像融合至背景图像后得到的融合图像。为了便于理解,本说明书提供了一种融合图像的生成过程示意图,如图5所示。
图5为本说明书中提供的一种融合图像的生成过程示意图。
其中,服务器可以将目标图像的边缘图像与其周边距离为2的背景图像的像元进行融合,在融合过程中,若目标图像的像元patchbg与核矩阵之间的卷积计算结果大于0,则继续对下一边缘图像的像元进行融合,若小于0,则确定融合后的图像像元,直至将所有的边缘图像与背景图像进行融合。
而后服务器可以根据得到的融合图像生成训练样本并存储。以用于后续的模型训练。
在目标检测场景下,当服务器接收到目标检测指令后,可以获取上述训练样本,并将训练样本输入待训练的目标检测模型,从而通过该目标检测模型进行目标检测,得到检测结果。服务器可以以最小化该检测结果与训练样本中目标图像的实际标签之间的偏差为优化目标,对该目标检测模型进行训练,并将训练完成后的目标检测模型进行部署。
训练完成后,服务器即可通过目标检测模型,对获取到的高光谱图像进行目标识别。
需要说明的是,本说明书中所提到的,目标图像以及背景图像均为高光谱图像,通过上述方法生成的训练样本为对高光谱图像进行目标检测的检测模型对应的训练样本。
从上述方法可以看出,本方案能够以各目标图像在背景图像中不发生重叠为约束,将多个目标图像融合至一个背景图像中,相比于目前通过对已有图像进行旋转、裁切,加噪等方式来增加训练样本的方法,本方案生成的训练样本的语意信息更为丰富,能够显著提高对模型算法的训练效果。以上为本说明书的一个或多个实施图像融合的方法,基于同样的思路,本说明书还提供了相应的图像融合的装置,如6图所示。
图6为本说明书中提供的一种图像融合的装置示意图,包括:
加载模块601,用于加载预先存储的背景图像以及至少一个目标图像;
第一确定模块602,用于确定各目标图像对应的目标图像信息,以及,确定所述背景图像对应的背景图像信息;
第二确定模块603,用于根据所述目标图像信息以及所述背景图像信息,以各目标图像在所述背景图像中不发生重叠为约束,确定每个目标图像在所述背景图像中的位置,作为目标位置;
融合模块604,用于根据每个目标图像对应的目标位置,将各目标图像与所述背景图像进行融合,得到融合图像。
可选地,所述融合模块604还用于,根据所述融合图像生成训练样本并存储。
可选地,加载预先存储的背景图像以及至少一个目标图像之前,所述加载模块601还用于,获取初始图像;识别所述初始图像中包含的背景图像以及目标图像并提取;将提取到的所述背景图像以及所述目标图像存储在指定格式的配置文件中。
可选地,所述加载模块具体用于,获取图像加载请求,并确定所述加载请求对应的配置参数;根据所述配置参数,从所述配置文件中加载所述预先存储的背景图像以及所述至少一个目标图像。
可选地,所述配置参数包括:加载的目标图像及数量、生成的融合图像的数量、加载的背景图像及数量中的至少一种。
可选地,所述第二确定模块603具体用于,针对每个目标图像,根据所述目标图像信息以及所述背景图像信息,以各目标图像均位于所述背景图像的图像范围内,以及,各目标图像在所述背景图像中不发生重叠为约束,确定所述目标位置。
可选地,所述第二确定模块603具体用于,确定各目标图像在所述背景图像中的初始位置;根据所述目标图像信息,确定各目标图像对应的对角线值中的最大值,作为最大对角线值;根据所述最大对角线值以及所述背景图像信息,以各目标图像均位于所述背景图像的图像范围内为约束,对每个目标图像对应的初始位置进行调整,得到各目标图像对应的调整后位置;根据所述调整后位置确定所述目标位置。
可选地,所述背景图像信息包括:背景图像的高度、背景图像的宽度、背景图像的上下边距以及背景图像的左右边距中的至少一种。
可选地,所述第二确定模块603具体用于,针对每个目标图像,根据所述最大对角线值、所述背景图像的高度、所述背景图像的宽度、所述背景图像的上下边距以及所述背景图像的左右边距,以该目标图像位于所述背景图像的图像边距范围内为约束,对该目标图像对应的初始位置进行调整,得到所述调整后位置。
可选地,所述第二确定模块603具体用于,根据各目标图像在所述背景图像中的调整后位置以及所述最大对角线值,以各目标图像在所述背景图像中不发生重叠为约束,对所述调整后位置进行调整,得到各目标图像对应的目标位置。
可选地,所述融合模块604具体用于,根据每个目标图像对应的目标位置,以及各目标对象对应的旋转角度,将各目标图像与所述背景图像进行融合,得到所述融合图像。
可选地,所述融合模块604具体用于,针对每个目标图像,根据该目标图像对应的目标图像信息、目标位置以及旋转角度,确定该目标图像对应的第一光谱辐射均值,以及所述背景图像对应的第二光谱辐射均值;根据所述第一光谱辐射均值以及所述第二光谱辐射均值,对该目标图像中每个像元对应的光谱辐射值进行调整,得到调整后的目标图像;根据该目标图像对应的目标位置以及旋转角度,将所述调整后的目标图像与所述背景图像进行融合,得到所述融合图像。
可选地,所述融合模块604具体用于,针对每个目标图像,根据该目标图像对应的目标位置、旋转角度以及目标图像信息,确定该目标图像对应的掩模图像在所述背景图像中对应的位置,作为掩模位置,以及确定所述掩模图像对应的掩模图像信息;根据所述掩模图像信息以及所述掩模位置,确定所述第二光谱辐射均值,以及,根据所述目标图像信息、所述掩模图像信息、该目标图像对应的目标图像位置以及所述掩模位置,确定所述第一光谱辐射均值。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种图像融合的方法。
本说明书还提供了图7所示的一种对应于图1的电子设备的示意结构图。如图7所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的图像融合的方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(ProgrammableLogic Device,PLD)(例如现场可编程门阵列(Field Programmable Gate Array,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware DescriptionLanguage,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced BooleanExpression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java HardwareDescription Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware DescriptionLanguage)等,目前最普遍使用的是VHDL(Very-High-Speed Integrated CircuitHardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、***、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意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、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (18)
1.一种图像融合的方法,其特征在于,包括:
加载预先存储的背景图像以及至少一个目标图像;
确定各目标图像对应的目标图像信息,以及,确定所述背景图像对应的背景图像信息;
根据所述目标图像信息以及所述背景图像信息,以各目标图像在所述背景图像中不发生重叠为约束,确定每个目标图像在所述背景图像中的位置,作为目标位置;
根据每个目标图像对应的目标位置,将各目标图像与所述背景图像进行融合,得到融合图像。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述融合图像生成训练样本并存储。
3.如权利要求1所述的方法,其特征在于,加载预先存储的背景图像以及至少一个目标图像之前,所述方法还包括:
获取初始图像;
识别所述初始图像中包含的背景图像以及目标图像并提取;
将提取到的所述背景图像以及所述目标图像存储在指定格式的配置文件中。
4.如权利要求3所述的方法,其特征在于,加载预先存储的背景图像以及至少一个目标图像,具体包括:
获取图像加载请求,并确定所述加载请求对应的配置参数;
根据所述配置参数,从所述配置文件中加载所述预先存储的背景图像以及所述至少一个目标图像。
5.如权利要求4所述的方法,其特征在于,所述配置参数包括:加载的目标图像及数量、生成的融合图像的数量、加载的背景图像及数量中的至少一种。
6.如权利要求1所述的方法,其特征在于,针对每个目标图像,根据所述目标图像信息以及所述背景图像信息,以各目标图像在所述背景图像中不发生重叠为约束,确定该目标图像在所述背景图像中的位置,作为目标位置,具体包括:
针对每个目标图像,根据所述目标图像信息以及所述背景图像信息,以各目标图像均位于所述背景图像的图像范围内,以及,各目标图像在所述背景图像中不发生重叠为约束,确定所述目标位置。
7.如权利要求1所述的方法,其特征在于,根据所述目标图像信息以及所述背景图像信息,以各目标图像在所述背景图像中不发生重叠为约束,确定每个目标图像在所述背景图像中的位置,作为目标位置,具体包括:
确定各目标图像在所述背景图像中的初始位置;
根据所述目标图像信息,确定各目标图像对应的对角线值中的最大值,作为最大对角线值;
根据所述最大对角线值以及所述背景图像信息,以各目标图像均位于所述背景图像的图像范围内为约束,对每个目标图像对应的初始位置进行调整,得到各目标图像对应的调整后位置;
根据所述调整后位置确定所述目标位置。
8.如权利要求7所述的方法,其特征在于,所述背景图像信息包括:背景图像的高度、背景图像的宽度、背景图像的上下边距以及背景图像的左右边距中的至少一种。
9.如权利要求8所述的方法,其特征在于,根据所述最大对角线值以及所述背景图像信息,以各目标图像均位于所述背景图像的图像范围内为约束,对每个目标图像对应的初始位置进行调整,得到各目标图像对应的调整后位置,具体包括:
针对每个目标图像,根据所述最大对角线值、所述背景图像的高度、所述背景图像的宽度、所述背景图像的上下边距以及所述背景图像的左右边距,以该目标图像位于所述背景图像的图像边距范围内为约束,对该目标图像对应的初始位置进行调整,得到所述调整后位置。
10.如权利要求7所述的方法,其特征在于,根据所述调整后位置确定所述目标位置,具体包括:
根据各目标图像在所述背景图像中的调整后位置以及所述最大对角线值,以各目标图像在所述背景图像中不发生重叠为约束,对所述调整后位置进行调整,得到各目标图像对应的目标位置。
11.如权利要求1所述的方法,其特征在于,根据每个目标图像对应的目标位置,将各目标图像与所述背景图像进行融合,得到融合图像,具体包括:
根据每个目标图像对应的目标位置,以及各目标对象对应的旋转角度,将各目标图像与所述背景图像进行融合,得到所述融合图像。
12.如权利要求11所述的方法,其特征在于,根据每个目标图像对应的目标位置,以及各目标对象对应的旋转角度,将各目标图像与所述背景图像进行融合,得到所述融合图像,具体包括:
针对每个目标图像,根据该目标图像对应的目标图像信息、目标位置以及旋转角度,确定该目标图像对应的第一光谱辐射均值,以及所述背景图像对应的第二光谱辐射均值;
根据所述第一光谱辐射均值以及所述第二光谱辐射均值,对该目标图像中每个像元对应的光谱辐射值进行调整,得到调整后的目标图像;
根据该目标图像对应的目标位置以及旋转角度,将所述调整后的目标图像与所述背景图像进行融合,得到所述融合图像。
13.如权利要求12所述的方法,其特征在于,针对每个目标图像,根据该目标图像对应的目标位置以及旋转角度,确定该目标图像对应的第一光谱辐射均值,以及所述背景图像对应的第二光谱辐射均值,具体包括:
针对每个目标图像,根据该目标图像对应的目标位置、旋转角度以及目标图像信息,确定该目标图像对应的掩模图像在所述背景图像中对应的位置,作为掩模位置,以及确定所述掩模图像对应的掩模图像信息;
根据所述掩模图像信息以及所述掩模位置,确定所述第二光谱辐射均值,以及,根据所述目标图像信息、所述掩模图像信息、该目标图像对应的目标图像位置以及所述掩模位置,确定所述第一光谱辐射均值。
14.一种图像融合的装置,其特征在于,包括:
加载模块,加载预先存储的背景图像以及至少一个目标图像;
第一确定模块,确定各目标图像对应的目标图像信息,以及,确定所述背景图像对应的背景图像信息;
第二确定模块,根据所述目标图像信息以及所述背景图像信息,以各目标图像在所述背景图像中不发生重叠为约束,确定每个目标图像在所述背景图像中的位置,作为目标位置;
融合模块,根据每个目标图像对应的目标位置,将各目标图像与所述背景图像进行融合,得到融合图像。
15.如权利要求14所述的装置,其特征在于,所述融合模块还用于,根据所述融合图像生成训练样本并存储。
16.如权利要求14所述的装置,其特征在于,所述加载模块具体用于,获取初始图像;识别所述初始图像中包含的背景图像以及目标图像并提取;将提取到的所述背景图像以及所述目标图像存储在指定格式的配置文件中。
17.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~13任一项所述的方法。
18.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~13任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211538006.5A CN115984154A (zh) | 2022-12-01 | 2022-12-01 | 一种图像融合的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211538006.5A CN115984154A (zh) | 2022-12-01 | 2022-12-01 | 一种图像融合的方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115984154A true CN115984154A (zh) | 2023-04-18 |
Family
ID=85961893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211538006.5A Pending CN115984154A (zh) | 2022-12-01 | 2022-12-01 | 一种图像融合的方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115984154A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117523341A (zh) * | 2023-11-23 | 2024-02-06 | 中船(北京)智能装备科技有限公司 | 一种深度学习训练图像样本的生成方法、装置及设备 |
-
2022
- 2022-12-01 CN CN202211538006.5A patent/CN115984154A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117523341A (zh) * | 2023-11-23 | 2024-02-06 | 中船(北京)智能装备科技有限公司 | 一种深度学习训练图像样本的生成方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10134165B2 (en) | Image distractor detection and processing | |
US11250291B2 (en) | Information detection method, apparatus, and device | |
TWI694381B (zh) | 圖像處理的方法及裝置 | |
KR102316230B1 (ko) | 이미지 처리 방법 및 장치 | |
CN110929664A (zh) | 图像识别方法以及装置 | |
CN115984154A (zh) | 一种图像融合的方法、装置、存储介质及电子设备 | |
CN113888415B (zh) | 一种模型训练以及图像修复方法及装置 | |
CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
CN112990099B (zh) | 一种车道线检测的方法以及装置 | |
CN113435557B (zh) | 一种二维码生成、解码、识别方法、装置及设备 | |
CN113887351B (zh) | 一种用于无人驾驶的障碍物检测方法及障碍物检测装置 | |
CN115018866A (zh) | 一种边界确定方法、装置、存储介质及电子设备 | |
CN114863206A (zh) | 一种模型训练的方法、目标检测的方法及装置 | |
CN116016816A (zh) | 一种改进l-orb算法的嵌入式gpu零拷贝全景图像拼接方法和*** | |
CN115880685A (zh) | 一种基于votenet模型的三维目标检测方法和*** | |
CN112560530B (zh) | 一种二维码处理方法、设备、介质及电子设备 | |
CN114359935A (zh) | 一种模型训练以及表格识别方法及装置 | |
CN115131247A (zh) | 一种图像处理的方法、装置、存储介质及电子设备 | |
CN114154579A (zh) | 一种图像分类方法、装置、存储介质及电子设备 | |
CN111523539A (zh) | 一种文字检测方法及装置 | |
CN113888611B (zh) | 一种确定图像深度的方法、装置及存储介质 | |
CN116152274B (zh) | 一种图像分割方法、装置、设备及存储介质 | |
CN116740197B (zh) | 一种外参的标定方法、装置、存储介质及电子设备 | |
CN110503109B (zh) | 图像特征提取方法和装置、图像处理方法和装置 | |
CN111524190B (zh) | 视觉定位网络的训练、无人驾驶设备的控制方法及装置 |
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 |