【技术实现步骤摘要】
图像处理方法及装置
本公开涉及图像处理领域，具体而言，涉及一种图像处理方法及装置。
技术介绍
神经网络模型的应用越来越广泛，利用神经网络模型对图像进行分类不仅效率较高，并且节省了不必要的人力资源。在使用神经网络模型之前，首先需要训练神经网络模型，一般是利用图像样本集和图像样本集中每张图像的真实图像类型进行模型训练。但是由于在训练神经网络模型时，存在图像样本集中的图像数量较少、图像针对性较差等的限制，造成训练得到的神经网络模型检测精度较低。
技术实现思路
有鉴于此，本公开至少提供一种图像处理方法及装置。第一方面，本公开提供了一种图像处理方法，包括：对多张原始图像中的每一张所述原始图像分别进行分割，得到多张子图像；将每张子图像输入初始训练的神经网络模型，得到每张所述子图像的图像类型；基于每张所述子图像的图像类型和该张子图像的相邻子图像的图像类型，从所述多张子图像中选取目标子图像。上述方法将原始图像进行分割，得到数量更多的子图像，并且基于子图像的图像类型筛选更加匹...
【技术保护点】
1.一种图像处理方法，其特征在于，包括：/n对多张原始图像中的每一张所述原始图像分别进行分割，得到多张子图像；/n将每张子图像输入初始训练的神经网络模型，得到每张所述子图像的图像类型；/n基于每张所述子图像的图像类型和该张子图像的相邻子图像的图像类型，从所述多张子图像中选取目标子图像。/n
【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：
对多张原始图像中的每一张所述原始图像分别进行分割，得到多张子图像；
将每张子图像输入初始训练的神经网络模型，得到每张所述子图像的图像类型；
基于每张所述子图像的图像类型和该张子图像的相邻子图像的图像类型，从所述多张子图像中选取目标子图像。
2.根据权利要求1所述的图像处理方法，其特征在于，基于每张所述子图像的图像类型和该张子图像的相邻子图像的图像类型，从所述多张子图像中选取目标子图像，包括：
针对每张子图像，确定该子图像的相邻子图像中，对应的图像类型与该子图像的图像类型相同的相邻子图像的数量；
基于确定的所述相邻子图像的所述数量，从所述多张子图像中选取目标子图像。
3.根据权利要求2所述的图像处理方法，其特征在于，所述基于确定的所述相邻子图像的所述数量，从所述多张子图像中选取目标子图像，包括：
针对每张子图像，基于与该张子图像的图像类型相匹配的置信度评价阈值和该张子图像对应的所述数量，确定该张子图像的图像类型的置信度；
基于确定的所述置信度，从所述多张子图像中选取目标子图像。
4.根据权利要求1所述的图像处理方法，其特征在于，还包括：
确定每张所述目标子图像对应的扩展子图像；
利用各张所述扩展子图像重新训练所述神经网络模型。
5.根据权利要求4所述的图像处理方法，其特征在于，所述确定每张所述目标子图像对应的扩展子图像，包括：
针对每张目标子图像，在该目标子图像对应的原始图像中，以该目标子图像为中心，按照多个预设的尺寸，截取包含该目标子图像的图像内容的多个扩展子图像。
6.根据权利要求4所述的图像处理方法，其特征在于，所述利用各张所述扩展子图像重新训练所述神经网络模型，包括：
基于各张所述扩展子图像，和通过初始训练的所述神经网络模型得到的各张目标子图像的图像类型，重新训练所述神经网络模型。
7.根据权利要求1所述的图像处理方法，其特征在于，所述方法还包括训练所述初始训练的神经网络模型的步骤，包括：
获取包括多张样本图像的图像集合，以及每张样本图像的图像类型标签；
利用所述图像集合和每张样本图像的图像类型标签，训练得到用于识别图像类型的所述初始训练的神经网络模型。
8.根据权利要求1所述的图像处理方法，其特征在于，所述对多张原始图像中的每一张所述原始图像分别进行分割，得到多张子图像，包括：
针对每张原始图像，利用具有第一预设尺寸的图像截取框依次截取该原始图像上的图像区域，得到多张所述子图像；
其中，在截取一张子图像后，将所述图像截取框在所述原始图像上按照预设方向移动第二预设尺寸后截取该张子图像的相邻子图像；所述第二预设尺寸小于或等于所述第一预设尺寸。
9.一种图像处理装置，其特征在于，包括：
图像分割模块，用于对多张原始图像中的每一张所述原始图像分别进行分割，得到多张子图像；
图像类型确定模块，用于将每张子图像输入初始训练的神经网络模型，得到每张所述子图像的图像类型；
图像筛选模块，用于基于每张所述子...
【专利技术属性】
技术研发人员：吴刚，倪枫，
申请(专利权)人：上海商汤智能科技有限公司，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。