CN117336453B - 一种安检图像转换方法、***、设备及存储介质 - Google Patents

一种安检图像转换方法、***、设备及存储介质 Download PDF

Info

Publication number
CN117336453B
CN117336453B CN202311587050.XA CN202311587050A CN117336453B CN 117336453 B CN117336453 B CN 117336453B CN 202311587050 A CN202311587050 A CN 202311587050A CN 117336453 B CN117336453 B CN 117336453B
Authority
CN
China
Prior art keywords
pixel point
ray image
security inspection
pixel
image set
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
Application number
CN202311587050.XA
Other languages
English (en)
Other versions
CN117336453A (zh
Inventor
邓意麒
盛成功
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.)
Hunan Ke Ke Intelligent Technology Co ltd
Original Assignee
Hunan Ke Ke Intelligent Technology 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 Hunan Ke Ke Intelligent Technology Co ltd filed Critical Hunan Ke Ke Intelligent Technology Co ltd
Priority to CN202311587050.XA priority Critical patent/CN117336453B/zh
Publication of CN117336453A publication Critical patent/CN117336453A/zh
Application granted granted Critical
Publication of CN117336453B publication Critical patent/CN117336453B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N9/00—Details of colour television systems
    • H04N9/64—Circuits for processing colour signals
    • H04N9/67—Circuits for processing colour signals for matrixing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative 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
    • G06N3/094—Adversarial learning
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/05—Recognition of patterns representing particular kinds of hidden objects, e.g. weapons, explosives, drugs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明公开了一种安检图像转换方法、***、设备及存储介质，包括将待转化X光图像的像素点输入训练好的pix2pix模型进行像素点预测，得到预测像素点；将预测像素点进行重组，得到待转化X光图像在第二安检机对应的X光图像；根据第一X光图像集和第二X光图像集进行像素点匹配，得到像素点对；根据像素点对进行RGB误差计算，根据像素点对的RGB误差值和平均RGB误差值进行像素点过滤，得到像素点训练集，将像素点训练集输入初始pix2pix模型得到训练好的pix2pix模型，减小了训练数据，实现了不同型号的安检机的安检图像相互转换，提高了颜色转换的精准度。

Description

一种安检图像转换方法、***、设备及存储介质
技术领域
本发明涉及安检图像转换相关技术领域，尤其是涉及一种安检图像转换方法、***、设备及存储介质。
背景技术
目前，深度学习和目标检测技术在安检机X光图像检测物品的领域中应用逐渐广泛。训练出一个能够检测安检机X光图中的物品的模型需要大量的X光图才能保障较好的识别效果。但由于各个不同的型号安检机成像风格和颜色都不同，用单一型号安检机的图片训练出来的模型并不能很好的适配其他型号的安检机。
发明内容
本发明旨在至少解决现有技术中存在的技术问题。为此，本发明提出一种安检图像转换方法、***、设备及存储介质，能够减小训练数据，实现不同型号的安检机的安检图像相互转换，提高颜色转换的精准度。
本发明的第一方面，提供了一种安检图像转换方法，包括如下步骤：
提取第一安检机的待转化X光图像中的像素点；
将所述待转化X光图像的像素点输入训练好的pix2pix模型，得到所述pix2pix模型输出的模拟第二安检机生成的对应预测像素点；重组所述预测像素点，得到转化后X光图像；其中，所述pix2pix模型的训练过程包括：
获取测试件通过第一安检机生成的第一X光图像集和所述测试件通过第二安检机生成的第二X光图像集；
根据所述第一X光图像集和所述第二X光图像集进行像素点匹配，得到像素点对，其中，所述像素点对由所述第一X光图像集的像素点和在第二X光图像集中与所述第一X光图像集的坐标相同的像素点组成；
根据所述像素点对进行RGB误差计算，得到像素点对的RGB误差值和平均RGB误差值；
根据所述像素点对的RGB误差值和所述平均RGB误差值进行像素点过滤，得到像素点训练集；
构建初始pix2pix模型，将所述像素点训练集输入所述初始pix2pix模型进行训练，得到所述训练好的pix2pix模型。
根据本发明实施例的控制方法，至少具有如下有益效果：
本方法首先通过将待转化X光图像的像素点输入训练好的pix2pix模型，得到pix2pix模型输出的模拟第二安检机生成的对应预测像素点；然后重组预测像素点，得到转化后X光图像；将预测像素点进行重组，得到待转化X光图像在第二安检机对应的X光图像，实现了不同型号安检机的安检图像之间进行相互转换，训练过程为根据第一X光图像集和第二X光图像集进行像素点匹配，得到像素点对，根据像素点对进行RGB误差计算，得到像素点对的RGB误差值和平均RGB误差值；根据像素点对的RGB误差值和平均RGB误差值进行像素点过滤，得到像素点训练集；将像素点训练集输入初始pix2pix模型进行训练，得到训练好的pix2pix模型，通过RGB误差值作为数据清洗的方法，来筛选合适的像素点对作为pix2pix模型的像素点对训练数据，减小了训练数据，提高了颜色转换的精准度。
根据本发明的一些实施例，所述根据所述第一X光图像集和所述第二X光图像集进行像素点匹配，得到像素点对，包括：
获取所述第一X光图像集的像素点的HSV值、灰度值以及所述第二X光图像集的像素点的HSV值、灰度值；
根据所述第一X光图像集的像素点的HSV值、灰度值以及所述第二X光图像集的像素点的HSV值、灰度值进行色块筛选，得到第一对应色块组；
根据所述第一对应色块组进行像素点匹配，得到所述像素点对。
根据本发明的一些实施例，根据所述第一对应色块组进行像素点匹配，得到所述像素点对，包括：
将所述第一对应色块组进行resize操作，得到宽高相同的第二对应色块组；
将所述第二对应色块组进行高斯滤波，得到第三对应色块组；
将所述第三对应色块组的相同坐标的像素点进行像素点匹配，得到所述像素点对。
根据本发明的一些实施例，根据所述像素点对进行RGB误差计算，得到像素点对的RGB误差值，包括：
计算所述像素点对的RGB差值；
将所述像素点对的RGB差值作为所述像素点对的RGB误差值。
根据本发明的一些实施例，所述根据所述像素点对进行RGB误差计算，得到平均RGB误差值，包括：
根据所述第三对应色块组的所述像素点对的RGB误差值进行平均值计算，得到第三对应色块组的RGB误差；
将第三对应色块组的RGB误差作为所述平均RGB误差值。
根据本发明的一些实施例，所述根据所述像素点对的RGB误差值和所述平均RGB误差值进行像素点过滤，得到像素点训练集，包括：
将所述像素点对的RGB误差值大于所述平均RGB误差值的像素点对进行去除，得到筛选后像素点对；
根据所述筛选后像素点对构建所述像素点训练集。
根据本发明的一些实施例，所述获取测试件通过第一安检机生成的第一X光图像集和所述测试件通过第二安检机生成的第二X光图像集，包括：
将所述测试件过所述第一安检机，得到所述第一X光图像集；
获取所述测试件过所述第一安检机的过机角度；
将所述测试件以所述过机角度过所述第二安检机，得到所述第二X光图像集。
本发明的第二方面，提供一种安检图像转换***，所述安检图像转换***包括：
数据获取模块，用于提取第一安检机的待转化X光图像中的像素点；
X光图像转化模块，用于将所述待转化X光图像的像素点输入训练好的pix2pix模型，得到所述pix2pix模型输出的模拟第二安检机生成的对应预测像素点；重组所述预测像素点，得到转化后X光图像；其中，所述pix2pix模型的训练过程包括：
获取测试件通过第一安检机生成的第一X光图像集和所述测试件通过第二安检机生成的第二X光图像集；
根据所述第一X光图像集和所述第二X光图像集进行像素点匹配，得到像素点对，其中，所述像素点对由所述第一X光图像集的像素点和在第二X光图像集中与所述第一X光图像集的坐标相同的像素点组成；
根据所述像素点对进行RGB误差计算，得到像素点对的RGB误差值和平均RGB误差值；
根据所述像素点对的RGB误差值和所述平均RGB误差值进行像素点过滤，得到像素点训练集；
构建初始pix2pix模型，将所述像素点训练集输入所述初始pix2pix模型进行训练，得到所述训练好的pix2pix模型。
本***首先通过将待转化X光图像的像素点输入训练好的pix2pix模型，得到pix2pix模型输出的模拟第二安检机生成的对应预测像素点；然后重组预测像素点，得到转化后X光图像；将预测像素点进行重组，得到待转化X光图像在第二安检机对应的X光图像，实现了不同型号安检机的安检图像之间进行相互转换，训练过程为根据第一X光图像集和第二X光图像集进行像素点匹配，得到像素点对，根据像素点对进行RGB误差计算，得到像素点对的RGB误差值和平均RGB误差值；根据像素点对的RGB误差值和平均RGB误差值进行像素点过滤，得到像素点训练集；将像素点训练集输入初始pix2pix模型进行训练，得到训练好的pix2pix模型，通过RGB误差值作为数据清洗的方法，来筛选合适的像素点对作为pix2pix模型的像素点对训练数据，减小了训练数据，提高了颜色转换的精准度。
本发明的第三方面，提供了一种安检图像转换电子设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行上述的安检图像转换方法。
本发明的第四方面，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可执行指令，所述计算机可执行指令用于使计算机执行上述的安检图像转换方法。
需要注意的是，本发明的第二方面至第四方面与现有技术之间的有益效果与上述的一种安检图像转换***与现有技术之间的有益效果相同，此处不再细述。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一实施例的一种安检图像转换方法的流程图；
图2是本发明实施例提供的一种安检图像转换方法的通过第一X光图像集和第二X光图像集进行像素点匹配的流程示意图；
图3是本发明实施例提供的一种安检图像转换方法的通过第一对应色块组进行像素点匹配的流程示意图；
图4是本发明实施例提供的一种安检图像转换方法的像素点对的RGB误差值的计算方法流程示意图；
图5是本发明实施例提供的一种安检图像转换方法的平均RGB误差值的计算方法流程示意图；
图6是本发明实施例提供的一种安检图像转换方法的像素点训练集的构建流程示意图；
图7是本发明实施例提供的一种安检图像转换方法的第一X光图像集和第二X光图像集的构建流程示意图；
图8是本发明一实施例的一种安检图像转换***的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，如果有描述到第一、第二等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
本发明的描述中，需要说明的是，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
目前，深度学习和目标检测技术在安检机X光图像检测物品的领域中应用逐渐广泛。训练出一个能够检测安检机X光图中的物品的模型需要大量的X光图才能保障较好的识别效果。但由于各个品牌厂商不同的型号安检机成像风格和颜色都不同，用单一品牌型号安检机的图片训练出来的模型并不能很好的适配其他品牌型号的安检机。并且获取各个品牌型号大量含有物品的X光图需要耗费大量的人力物力。
为了解决上述技术缺陷，参照图1，本发明提供了一种安检图像转换方法，包括：
步骤S101、提取第一安检机的待转化X光图像中的像素点。
步骤S102、将待转化X光图像的像素点输入训练好的pix2pix模型，得到pix2pix模型输出的模拟第二安检机生成的对应预测像素点；重组预测像素点，得到转化后X光图像；其中，pix2pix模型的训练过程包括：
获取测试件通过第一安检机生成的第一X光图像集和测试件通过第二安检机生成的第二X光图像集。
根据第一X光图像集和第二X光图像集进行像素点匹配，得到像素点对，其中，像素点对由第一X光图像集的像素点和在第二X光图像集中与第一X光图像集的坐标相同的像素点组成。
根据像素点对进行RGB误差计算，得到像素点对的RGB误差值和平均RGB误差值。
根据像素点对的RGB误差值和平均RGB误差值进行像素点过滤，得到像素点训练集。
构建初始pix2pix模型，将像素点训练集输入初始pix2pix模型进行训练，得到训练好的pix2pix模型。
以下对步骤S101进行说明：
第一安检机能够对其中经过的安检物拍摄对应的X光图像，并进行视频帧处理以识别其中的违禁品。待转化X光图像是指第一安检机采集的X光图像。由于同一个安检物通过不同的安检机产生的X光图像不同，因此本实施例的目的是：模拟将一个安检机采集的X光图像转换成另外一个安检机生成的X光图像，假设安检物通过第一号安检机生成的X光图像为A，那么需要根据X光图像A预测出安检物通过第二号安检机生成的X光图像B。
在步骤S101中，先提取待转化X光图像中的像素点，利用像素点参与后续的转换操作。以下对步骤S102进行说明：
pix2pix模型是基于条件生成对抗网络（cGAN, Condition GenerativeAdversarial Networks ）实现的一种深度学习图像转换模型，该模型是由Phillip Isola等作者在2017年CVPR上提出的，可以实现语义或标签到真实图片、灰度图到彩色图、航空图到地图、白天到黑夜、线稿图到实物图的转换。pix2pix模型是将cGAN应用于有监督的图像到图像翻译的经典之作，其包括两个模型：生成器和判别器。
传统上，尽管此类任务的目标都是相同的从像素预测像素，但每项都是用单独的专用机器来处理的。而Pix2Pix使用的网络作为一个通用框架，使用相同的架构和目标，只在不同的数据上进行训练，即可得到令人满意的结果，鉴于此许多人已经使用此网络发布了他们自己的艺术作品。
cGAN的生成器与传统GAN的生成器在原理上有一些区别，cGAN的生成器是将输入图片作为指导信息，由输入图像不断尝试生成用于迷惑判别器的“假”图像，由输入图像转换输出为相应“假”图像的本质是从像素到另一个像素的映射，而传统GAN的生成器是基于一个给定的随机噪声生成图像，输出图像通过其他约束条件控制生成，这是cGAN和GAN的在图像翻译任务中的差异。pix2pix模型中判别器的任务是判断从生成器输出的图像是真实的训练图像还是生成的“假”图像。在生成器与判别器的不断博弈过程中，模型会达到一个平衡点。
需要说明的是，像素点对为第一X光图像集的一个像素点与第二X光图像集进行像素点匹配，得到第二X光图像集中匹配的第二像素点，将第一X光图像集的该像素点及其在第二X光图像集中匹配的第二像素点进行组合得到的像素点对。
需要说明的是，测试件可以为GB 15208.1-2018第2部分中的测试体，可以为自制的测试体，也可以为任何介质均匀的物品，而且物品在x光图中为单一颜色；
本方法首先通过将待转化X光图像的像素点输入训练好的pix2pix模型，得到pix2pix模型输出的模拟第二安检机生成的对应预测像素点；然后重组预测像素点，得到转化后X光图像；将预测像素点进行重组，得到待转化X光图像在第二安检机对应的X光图像，实现了不同型号安检机的安检图像之间进行相互转换，训练过程为根据第一X光图像集和第二X光图像集进行像素点匹配，得到像素点对，根据像素点对进行RGB误差计算，得到像素点对的RGB误差值和平均RGB误差值；根据像素点对的RGB误差值和平均RGB误差值进行像素点过滤，得到像素点训练集；将像素点训练集输入初始pix2pix模型进行训练，得到训练好的pix2pix模型，通过RGB误差值作为数据清洗的方法，来筛选合适的像素点对作为pix2pix模型的像素点对训练数据，减小了训练数据，提高了颜色转换的精准度。
参照图2，在一些实施例中，根据第一X光图像集和第二X光图像集进行像素点匹配，得到像素点对，包括：
步骤S201、获取第一X光图像集的像素点的HSV值、灰度值以及第二X光图像集的像素点的HSV值、灰度值；
步骤S202、根据第一X光图像集的像素点的HSV值、灰度值以及第二X光图像集的像素点的HSV值、灰度值进行色块筛选，得到第一对应色块组；
步骤S203、根据第一对应色块组进行像素点匹配，得到像素点对。
需要说明的是，像素点的灰度值指的是单个像素点的亮度。灰度值越大表示越亮。图像的灰度化：灰度就是没有色彩，RGB色彩分量全部相等。图像的灰度化就是让像素点矩阵中的每一个像素点都满足关系：R=G=B，此时的这个值叫做灰度值。如RGB(100,100,100)就代表灰度值为100,RGB(50,50,50)代表灰度值为50。
需要说明的是，像素点的HSV值是根据颜色的直观特性创建的一种颜色空间, 也称六角锥体模型(Hexcone Model)。这个模型中颜色的参数分别是：色调（H）、饱和度（S）和亮度（V），其中：
色调H：用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0度，绿色为120度,蓝色为240度。它们的补色是：黄色为60度，青色为180度,品红为300度。
饱和度S：取值范围为0.0～1.0。
亮度V：取值范围为0.0(黑色)～1.0(白色)。
需要说明的是，本实施例中各个色块区域均为矩形，第一对应色块组为第一X光图像集的一个色块区域与第二X光图像集进行色块筛选，得到第二X光图像集中匹配的色块区域，将第一X光图像集的该色块区域及其在第二X光图像集中匹配的色块区域进行组合得到的色块组。
在本实施例中，通过根据第一X光图像集的像素点的HSV值、灰度值以及第二X光图像集的像素点的HSV值、灰度值进行色块筛选，然后将对应色块组的像素进行匹配，能够减小训练数据，提高颜色转换的精准度。
参照图3，在一些实施例中，根据第一对应色块组进行像素点匹配，得到像素点对，包括：
步骤S301、将第一对应色块组进行resize操作，得到宽高相同的第二对应色块组；
步骤S302、将第二对应色块组进行高斯滤波，得到第三对应色块组；
步骤S303、将第三对应色块组的相同坐标的像素点进行像素点匹配，得到像素点对。
需要说明的是，在不同型号的安检机中，对应的各个色块区域大小可能有差异，但是可以相对精准地分割出来，通过resize操作改变大小并对齐，再通过像素点进行匹配，能够提高颜色转换的精准度。
参照图4，在一些实施例中，根据像素点对进行RGB误差计算，得到像素点对的RGB误差值，包括：
步骤S401、计算像素点对的RGB差值；
步骤S402、将像素点对的RGB差值作为像素点对的RGB误差值。
在本实施例中，通过计算每个像素点对的RGB差值来作为训练数据的一项数据信息，减小了训练数据。
参照图5，在一些实施例中，根据像素点对进行RGB误差计算，得到平均RGB误差值，包括：
步骤S501、根据第三对应色块组的像素点对的RGB误差值进行平均值计算，得到第三对应色块组的RGB误差；
步骤S502、将第三对应色块组的RGB误差作为平均RGB误差值。
在本实施例中，通过计算像素点对所在的对应色块组的RGB误差来作为该像素点对的RGB误差参考值，提高了这个RGB误差参考值的准确性。
参照图6，在一些实施例中，根据像素点对的RGB误差值和平均RGB误差值进行像素点过滤，得到像素点训练集，包括：
步骤S601、将像素点对的RGB误差值大于平均RGB误差值的像素点对进行去除，得到筛选后像素点对；
步骤S602、根据筛选后像素点对构建像素点训练集。
在本实施例中，通过根据每个像素点对的RGB差值和该像素点对所在的对应色块组的RGB误差来进行像素点对的筛选，提高了训练数据的准确性。
参照图7，在一些实施例中，获取测试件通过第一安检机生成的第一X光图像集和测试件通过第二安检机生成的第二X光图像集，包括：
步骤S701、将测试件过第一安检机，得到第一X光图像集；
步骤S702、获取测试件过第一安检机的过机角度；
步骤S703、将测试件以过机角度过第二安检机，得到第二X光图像集。
在本实施例中，通过将测试件以同一过机角度通过第一安检机和第二安检机，保证了第一X光图像集和第二X光图像集的除了安检机不同外其他可能受影响的条件一致，保证了X光图像集的准确性。
具体的，为了便于本领域人员理解，以下提供一组最佳实施例：
(1)将测试件以同一角度过A品牌和B品牌的安检机，获取在两个品牌安检机上的测试件的X光图像，其中，测试件可以为GB 15208.1-2018第2部分中的测试体，可以为自制的测试体，也可以为任何介质均匀的物品，其中，物品在x光图中为单一颜色。
(2)通过像素点的HSV值、灰度值筛选两个品牌安检机上的测试件的X光图像中所有对应的色块区域。
(3)将对应色块区域进行resize操作，得到宽高相同的第二对应色块组。
(4)将第二对应色块组进行高斯滤波，得到第三对应色块组。
(5)将第三对应色块组的相同坐标的像素点进行像素点匹配，得到像素点对。
(6)计算第三对应色块组形成的像素点对之间的RGB误差，并计算该色块组的总体平均RGB误差。
(7)过滤掉大于该色块组总体平均RGB误差的像素点对，避免误差过大的点对加入pix2pix模型的训练集而影响模型效果。
(8)保留的像素点划分为两部分，对作为pix2pix模型的训练数据和测试数据。
(9)构造用于生成像素的pix2pix网络模型，包括：用于根据输入A品牌像素点生成对应B品牌新像素点的生成器，和用于根据输入A品牌像素点和生成B品牌对应新像素点进行真实性判别的判别器。
(10)根据pix2pix的训练数据，对pix2pix模型进行训练；并根据测试数据对训练完成pix2pix模型进行测试，根据测试结果进一步调整pix2pix的训练参数，并进行重复训练，最终确定生成像素点的pix2pix模型。
(11)将A品牌任意一张包裹的x光图中的所有像素点逐一输入至pix2pix模型，得到B品牌所有对应的生成的像素点，将生成的像素点重组成一张包裹的X光图。
本申请中对整张图的颜色风格转换的pix2pix模型的训练数据，是基于测试件的X光图像构成的。测试件的X光图像中各个色域成像的颜色包括了各种物品在X光机下的成像的颜色，并且是通过一个像素生成另一个像素，无需准备大量含有各种物品的不同包裹以同一个角度过不同品牌的安检机来采集训练数据，只需要在不同品牌安检机下采集少量测试件的X光图像，即可训练出生成像素的pix2pix模型。
另外，参照图8，本发明的一个实施例，提供一种安检图像转换***，包括数据获取模块1100以及X光图像转化模块1200，其中：
数据获取模块1100用于数据获取模块，用于提取第一安检机的待转化X光图像中的像素点；
X光图像转化模块1200用于将待转化X光图像的像素点输入训练好的pix2pix模型，得到pix2pix模型输出的模拟第二安检机生成的对应预测像素点；重组预测像素点，得到转化后X光图像；其中，pix2pix模型的训练过程包括：
获取测试件通过第一安检机生成的第一X光图像集和测试件通过第二安检机生成的第二X光图像集；
根据第一X光图像集和第二X光图像集进行像素点匹配，得到像素点对，其中，像素点对由第一X光图像集的像素点和在第二X光图像集中与第一X光图像集的坐标相同的像素点组成；
根据像素点对进行RGB误差计算，得到像素点对的RGB误差值和平均RGB误差值；
根据像素点对的RGB误差值和平均RGB误差值进行像素点过滤，得到像素点训练集；
构建初始pix2pix模型，将像素点训练集输入初始pix2pix模型进行训练，得到训练好的pix2pix模型。
本***首先通过将待转化X光图像的像素点输入训练好的pix2pix模型，得到pix2pix模型输出的模拟第二安检机生成的对应预测像素点；然后重组预测像素点，得到转化后X光图像；将预测像素点进行重组，得到待转化X光图像在第二安检机对应的X光图像，实现了不同型号安检机的安检图像之间进行相互转换，训练过程为根据第一X光图像集和第二X光图像集进行像素点匹配，得到像素点对，根据像素点对进行RGB误差计算，得到像素点对的RGB误差值和平均RGB误差值；根据像素点对的RGB误差值和平均RGB误差值进行像素点过滤，得到像素点训练集；将像素点训练集输入初始pix2pix模型进行训练，得到训练好的pix2pix模型，通过RGB误差值作为数据清洗的方法，来筛选合适的像素点对作为pix2pix模型的像素点对训练数据，减小了训练数据，提高了颜色转换的精准度。
需要注意的是，本***实施例与上述的***实施例是基于相同的发明构思，因此上述方法实施例的相关内容同样适用于本***实施例，这里不再赘述。
本申请还提供一种安检图像转换电子设备，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，处理器执行计算机程序时实现：如上述的安检图像转换方法。
处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。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。
实现上述实施例的安检图像转换方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的安检图像转换方法，例如，执行以上描述的图1中的方法步骤S101至步骤S102。
本申请还提供一种计算机可读存储介质，存储有计算机可执行指令，计算机可执行指令用于执行：如上述的安检图像转换方法。
该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述电子设备实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的安检图像转换方法，例如，执行以上描述的图1中的方法步骤S101至步骤S102。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质（或非暂时性介质）和通信介质（或暂时性介质）。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息（诸如计算机可读指令、数据结构、程序单元或其他数据）的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序单元或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明，但本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (10)

1.一种安检图像转换方法，其特征在于，所述安检图像转换方法包括：
提取第一安检机的待转化X光图像中的像素点；
将所述待转化X光图像的像素点输入训练好的pix2pix模型，得到所述pix2pix模型输出的模拟第二安检机生成的对应预测像素点；重组所述预测像素点，得到转化后X光图像；其中，所述pix2pix模型的训练过程包括：
获取测试件通过第一安检机生成的第一X光图像集和所述测试件通过第二安检机生成的第二X光图像集；
根据所述第一X光图像集和所述第二X光图像集进行像素点匹配，得到像素点对，其中，所述像素点对由所述第一X光图像集的像素点和在第二X光图像集中与所述第一X光图像集的坐标相同的像素点组成；
根据所述像素点对进行RGB误差计算，得到像素点对的RGB误差值和平均RGB误差值；
根据所述像素点对的RGB误差值和所述平均RGB误差值进行像素点过滤，得到像素点训练集；
构建初始pix2pix模型，将所述像素点训练集输入所述初始pix2pix模型进行训练，得到所述训练好的pix2pix模型。
2.根据权利要求1所述的一种安检图像转换方法，其特征在于，所述根据所述第一X光图像集和所述第二X光图像集进行像素点匹配，得到像素点对，包括：
获取所述第一X光图像集的像素点的HSV值、灰度值以及所述第二X光图像集的像素点的HSV值、灰度值；
根据所述第一X光图像集的像素点的HSV值、灰度值以及所述第二X光图像集的像素点的HSV值、灰度值进行色块筛选，得到第一对应色块组；
根据所述第一对应色块组进行像素点匹配，得到所述像素点对。
3.根据权利要求2所述的一种安检图像转换方法，其特征在于，所述根据所述第一对应色块组进行像素点匹配，得到所述像素点对，包括：
将所述第一对应色块组进行resize操作，得到宽高相同的第二对应色块组；
将所述第二对应色块组进行高斯滤波，得到第三对应色块组；
将所述第三对应色块组的相同坐标的像素点进行像素点匹配，得到所述像素点对。
4.根据权利要求3所述的一种安检图像转换方法，其特征在于，根据所述像素点对进行RGB误差计算，得到平均RGB误差值，包括：
根据所述第三对应色块组的所述像素点对的RGB误差值进行平均值计算，得到第三对应色块组的RGB误差；
将第三对应色块组的RGB误差作为所述平均RGB误差值。
5.根据权利要求1所述的一种安检图像转换方法，其特征在于，根据所述像素点对进行RGB误差计算，得到像素点对的RGB误差值，包括：
计算所述像素点对的RGB差值；
将所述像素点对的RGB差值作为所述像素点对的RGB误差值。
6.根据权利要求1所述的一种安检图像转换方法，其特征在于，所述根据所述像素点对的RGB误差值和所述平均RGB误差值进行像素点过滤，得到像素点训练集，包括：
将所述像素点对的RGB误差值大于所述平均RGB误差值的像素点对进行去除，得到筛选后像素点对；
根据所述筛选后像素点对构建所述像素点训练集。
7.根据权利要求1所述的一种安检图像转换方法，其特征在于，所述获取测试件通过第一安检机生成的第一X光图像集和所述测试件通过第二安检机生成的第二X光图像集，包括：
将所述测试件过所述第一安检机，得到所述第一X光图像集；
获取所述测试件过所述第一安检机的过机角度；
将所述测试件以所述过机角度过所述第二安检机，得到所述第二X光图像集。
8.一种安检图像转换***，其特征在于，所述安检图像转换***包括：
数据获取模块，用于提取第一安检机的待转化X光图像中的像素点；
X光图像转化模块，用于将所述待转化X光图像的像素点输入训练好的pix2pix模型，得到所述pix2pix模型输出的模拟第二安检机生成的对应预测像素点；重组所述预测像素点，得到转化后X光图像；其中，所述pix2pix模型的训练过程包括：
获取测试件通过第一安检机生成的第一X光图像集和所述测试件通过第二安检机生成的第二X光图像集；
根据所述第一X光图像集和所述第二X光图像集进行像素点匹配，得到像素点对，其中，所述像素点对由所述第一X光图像集的像素点和在第二X光图像集中与所述第一X光图像集的坐标相同的像素点组成；
根据所述像素点对进行RGB误差计算，得到像素点对的RGB误差值和平均RGB误差值；
根据所述像素点对的RGB误差值和所述平均RGB误差值进行像素点过滤，得到像素点训练集；
构建初始pix2pix模型，将所述像素点训练集输入所述初始pix2pix模型进行训练，得到所述训练好的pix2pix模型。
9.一种安检图像转换设备，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的一种安检图像转换方法。
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可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的一种安检图像转换方法。
CN202311587050.XA 2023-11-27 2023-11-27 一种安检图像转换方法、***、设备及存储介质 Active CN117336453B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311587050.XA CN117336453B (zh) 2023-11-27 2023-11-27 一种安检图像转换方法、***、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311587050.XA CN117336453B (zh) 2023-11-27 2023-11-27 一种安检图像转换方法、***、设备及存储介质

Publications (2)

Publication Number Publication Date
CN117336453A CN117336453A (zh) 2024-01-02
CN117336453B true CN117336453B (zh) 2024-01-30

Family

ID=89283336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311587050.XA Active CN117336453B (zh) 2023-11-27 2023-11-27 一种安检图像转换方法、***、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117336453B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108765540A (zh) * 2018-04-26 2018-11-06 河海大学 一种基于图像与集成学习的重光照方法
CN108899087A (zh) * 2018-06-22 2018-11-27 中山仰视科技有限公司 基于深度学习的x光片智能诊断方法
WO2020078229A1 (zh) * 2018-10-15 2020-04-23 腾讯科技（深圳）有限公司 目标对象的识别方法和装置、存储介质、电子装置
CN111161132A (zh) * 2019-11-15 2020-05-15 上海联影智能医疗科技有限公司 用于图像风格转换的***和方法
CN112950457A (zh) * 2021-02-26 2021-06-11 上海商汤智能科技有限公司 图像转换方法及相关模型的训练方法及相关装置、设备
CN113239977A (zh) * 2021-04-22 2021-08-10 武汉大学 多域图像转换模型的训练方法、装置、设备及存储介质
WO2022159244A1 (en) * 2021-01-19 2022-07-28 Google Llc Cross spectral feature mapping for camera calibration
CN115223141A (zh) * 2022-06-29 2022-10-21 北京迈格威科技有限公司 交通灯检测方法、电子设备及存储介质
CN115546095A (zh) * 2022-01-28 2022-12-30 北京歌锐科技有限公司 一种图像的配准方法及配准装置
US11630227B1 (en) * 2022-03-21 2023-04-18 Liaoning University Method and system for recognizing mine microseismic event
CN116152586A (zh) * 2021-11-19 2023-05-23 广州视源电子科技股份有限公司 模型训练方法、装置、电子设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919251A (zh) * 2019-03-21 2019-06-21 腾讯科技（深圳）有限公司 一种基于图像的目标检测方法、模型训练的方法及装置
US11513496B2 (en) * 2019-12-19 2022-11-29 ExxonMobil Technology and Engineering Company Systems and methods of monitoring and controlling an industrial process
KR102490504B1 (ko) * 2022-02-15 2023-01-19 프로메디우스 주식회사 기계 학습 모델을 이용하여 소아의 단순 x선 이미지 처리를 위한 의료 영상 처리 방법 및 장치

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108765540A (zh) * 2018-04-26 2018-11-06 河海大学 一种基于图像与集成学习的重光照方法
CN108899087A (zh) * 2018-06-22 2018-11-27 中山仰视科技有限公司 基于深度学习的x光片智能诊断方法
WO2020078229A1 (zh) * 2018-10-15 2020-04-23 腾讯科技（深圳）有限公司 目标对象的识别方法和装置、存储介质、电子装置
CN111161132A (zh) * 2019-11-15 2020-05-15 上海联影智能医疗科技有限公司 用于图像风格转换的***和方法
WO2022159244A1 (en) * 2021-01-19 2022-07-28 Google Llc Cross spectral feature mapping for camera calibration
CN112950457A (zh) * 2021-02-26 2021-06-11 上海商汤智能科技有限公司 图像转换方法及相关模型的训练方法及相关装置、设备
CN113239977A (zh) * 2021-04-22 2021-08-10 武汉大学 多域图像转换模型的训练方法、装置、设备及存储介质
CN116152586A (zh) * 2021-11-19 2023-05-23 广州视源电子科技股份有限公司 模型训练方法、装置、电子设备及存储介质
CN115546095A (zh) * 2022-01-28 2022-12-30 北京歌锐科技有限公司 一种图像的配准方法及配准装置
US11630227B1 (en) * 2022-03-21 2023-04-18 Liaoning University Method and system for recognizing mine microseismic event
CN115223141A (zh) * 2022-06-29 2022-10-21 北京迈格威科技有限公司 交通灯检测方法、电子设备及存储介质

Also Published As

Publication number Publication date
CN117336453A (zh) 2024-01-02

Similar Documents

Publication Publication Date Title
Liu et al. CID: IQ–a new image quality database
Ganesan et al. Segmentation and edge detection of color images using CIELAB color space and edge detectors
CN104052979B (zh) 用于图像处理的装置和技术
US20180096481A1 (en) Process to isolate object of interest in image
JP5352859B2 (ja) 複数のガウス分布モデルを利用して映像の背景を維持する方法と装置
CN110458789A (zh) 一种图像清晰度评测方法、装置及电子设备
CN112766206A (zh) 一种高位视频车辆检测方法、装置、电子设备和存储介质
CN113255590A (zh) 一种缺陷检测模型训练方法、缺陷检测方法、装置及***
CN109800151A (zh) 屏幕适配性自动测试方法、装置、计算机设备和存储介质
CN116883336A (zh) 图像处理方法、装置、计算机设备及介质
KR101215666B1 (ko) 오브젝트 색상 보정 방법, 시스템 및 컴퓨터 프로그램 제품
CN103544716A (zh) 一种对图像的像素进行颜色分类的方法及装置
CN104954627B (zh) 一种信息处理方法及电子设备
CN103200349B (zh) 一种扫描图像色偏自动检测方法
CN112819017B (zh) 基于直方图的高精度色偏图像识别方法
CN117336453B (zh) 一种安检图像转换方法、***、设备及存储介质
CN116580026B (zh) 精密零部件外观缺陷自动光学检测方法、设备及存储介质
CN115292722B (zh) 基于不同色彩空间的模型安全检测方法和装置
CN110298812A (zh) 一种图像融合处理的方法及装置
Murali et al. Detection of copy-create image forgery using luminance level techniques
CN115546141A (zh) 一种基于多维度度量的小样本Mini LED缺陷检测方法及***
Hansen et al. Resolution enhancement through superimposition of projected images–how to evaluate the quality?
CN114429439A (zh) 一种显示故障检测方法、装置、电子设备和存储介质
CN116245962B (zh) 用于无线传输到区块链服务器的数据提取***及方法
CN116563770B (zh) 车辆颜色的检测方法、装置及设备和介质

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
GR01 Patent grant