一种基于TridentNet的图像处理方法技术

本发明专利技术提供了一种基于TridentNet的图像处理方法,包括获取待处理图片的图片类型，获取对应图片类型的图像测试集和图像训练集；构建基于TridentNet技术的标签网络，并通过所述图像测试集和图像训练集对所述标签网络进行训练，生成标签模型；通过所述标签模型确定待处理图像进行缺陷标记，根据所述缺陷标记对所述待处理图像进行修正。本发明专利技术的有益效果：本发明专利技术能够通过最适合待处理图像自身类型的数据集对图像进行构建t图像的标记模型，然后清楚的标记出待处理图像的所有缺陷，本发明专利技术分别从色彩、噪点和畸形(模糊)三个方面进行标记的方式，将图像所有的缺陷进行清晰化的标记处理，最后对图像处理是通过以修正的方式对图像进行处理，得到最清晰、没有缺陷的图片。没有缺陷的图片。没有缺陷的图片。

【技术实现步骤摘要】
一种基于TridentNet的图像处理方法


[0001]本专利技术涉及图像处理
，尤其涉及深度学习领域，是一种基于TridentNet的图像处理方法。

技术介绍

[0002]在目标检测的众多应用场景中，由于待检测目标与检测器(传感器)的距离不同，会导致同类目标的检测尺度不同，而使用同一尺度对不同大小的目标进行检测必然存在天然缺陷和低精准率，因而多尺度检测就被迫切需要。以往的检测模型虽然可以以多尺度的方式进行检测，但由于其预设模板而对不同尺寸目标的特征表达能力存在差异，比如对过大或过小尺寸的目标难以准确检测。为使模型对不同尺寸目标的“表达能力”近似，TridentNet引入了scale
‑
aware并行结构，首次提出感受野对目标检测任务中不同尺度和大小的物体存在影响，采用了dilated convolution以得到不同感受野的特征图，并使用参数共享以保证较小的参数和计算量。
[0003]在图像处理中，现有技术一般采用的方式是特征处理的方式实现对图像的优化。而在对于TridentNet对图像的处理中，现有技术主要是进行目标检测，对于TridentNet技术没有基于图像处理的改进。
[0004]然而，为获得更加准确的目标检测结果，本专利提出将TridentNet与图像缺陷标记进行结合的方法，充分利用两者的优势来解决图像处理过程中图像处理效率低和图像处理效果不好的问题。

技术实现思路

[0005]本专利技术为一种基于TridentNet的图像处理方法，用以解决图像在处理的时候存在图像模糊和图像不清楚的问题。
[0006]一种基于TridentNet的图像处理方法，包括：
[0007]获取待处理图片的图片类型，获取对应图片类型的图像测试集和图像训练集；
[0008]构建基于TridentNet技术的标签网络，并通过所述图像测试集和图像训练集对所述标签网络进行训练，生成标签模型；
[0009]通过所述标签模型确定待处理图像进行缺陷标记，根据所述缺陷标记对所述待处理图像进行修正。
[0010]作为本专利技术的一种实施例：所述获取待处理图片的图片类型，包括：
[0011]对所述待处理图像进行预处理；其中，
[0012]所述预处理包括：色彩提取、元素提取、元素标记和场景定义；
[0013]根据所述色彩提取，确定所述待处理图像的色彩组成；
[0014]根据所述元素提取，确定所述待处理图像的元素分布；
[0015]根据所述元素标记，确定每个元素的物理状态；
[0016]根据所述色彩组成和元素分布，进行空间场景搭建，确定场景空间；
[0017]根据所述物理状态，对所述场景空间中每个元素的状态增强；
[0018]获取增强后的场景空间，并进行空间解析，并进行空间语义化，确定场景定义；
[0019]根据所述场景定义，确定所述待处理图片的图片类型。
[0020]作为本专利技术的一种实施例：所述获取对应图片类型的图像测试集和图像训练集，包括：
[0021]根据所述图片类型，确定所述场景定义；
[0022]根据所述场景定义，通过预设的深度学习引擎，获取所述场景定义对应的场景视频和场景图像；
[0023]根据所述图片类型，确定所述场景视频和场景图像进行筛选，确定对应图片类型的目标视频和第一目标图像；
[0024]将所述目标视频按照帧数进行划分，确定划分图像，并去除相似度超过预设比例的划分图像，确定第二目标图像；
[0025]根据所述第一目标图像和第二目标图像，按照预设规则进行划分，确定图像测试集和图像训练集；其中，
[0026]所述预设规则包括：分发规则和比例阈值规则。
[0027]作为本专利技术的一种实施例：所述构建基于TridentNet技术的标签网络，包括：
[0028]预先获取图像缺陷数据，提取色彩缺陷图像，并根据所述色彩缺陷图像生成基于深度学习的缺陷数据集；
[0029]根据所述缺陷数据集和TridentNet技术，建立不同尺度的目标分析模型，并依次构建基于不同尺度的标签层；其中，
[0030]所述标签层包括：色彩标签层、噪点标签层和畸形标签层；
[0031]根据所述标签层，构建标签网络。
[0032]作为本专利技术的一种实施例：所述色彩标签层包括：
[0033]根据所述数据集，构建基于颜色空间的颜色集；
[0034]根据所述颜色集，对所述图像缺陷数据集中每个图像的颜色缺陷进行量化，确定每个图像的量化值；
[0035]根据所述量化值，确定每类颜色缺陷的标定阈值；
[0036]根据所述标定阈值，建立基于量化标签的色彩标签层。
[0037]作为本专利技术的一种实施例：所述噪点标签层包括：
[0038]预先获取图像缺陷数据，提取噪点数据，，并确定所述噪点图像确定噪点生成因素；
[0039]根据所述噪点生成因素，建立基于不同类型噪点生成因素的噪点类型标签；
[0040]根据所述噪点类型标签，对所述噪点图像进行梯度划分，并确定梯度信息熵；
[0041]根据所述梯度信息熵，建立噪点标签层。
[0042]作为本专利技术的一种实施例：所述畸形标签层包括：
[0043]预先获取图像缺陷数据，提取畸形图像；
[0044]根据所述畸形图像，确定每个畸形图像的模糊状态；
[0045]根据所述模糊状态，对每个畸形图像进行归一化处理；
[0046]根据所述归一化处理，确定每个畸形图像的模糊程度；
[0047]根据所述模糊程度，建立模糊程度标签；
[0048]根据所述模糊程度标签，构建畸形标签层。
[0049]作为本专利技术的一种实施例：所述通过所述图像测试集和图像训练集对所述标签网络进行训练，生成标签模型，包括：
[0050]将所述图像测试集和图像训练集按照所述标签网络进行筛选，生成分层数据集；其中，
[0051]所述筛选包括色彩图片筛选、噪点图片筛选和畸形图片筛选；
[0052]根据所述分层数据集，依次通过对应的图像训练集对所述标签网络进行训练，并在训练后通过图像测试集进行测试；
[0053]根据所述测试结果，判断是否训练完成，并在训练完成后，生成标签模型。
[0054]作为本专利技术的一种实施例：所述通过所述标签模型确定待处理图像进行缺陷标记，包括：
[0055]将所述待处理图片输入所述标签模型；
[0056]根据所述标签模型，对所述待处理图像进行缺陷标记；其中，
[0057]所述缺陷标记包括：色彩缺陷标记、噪点缺陷标记和畸形缺陷标记；
[0058]根据所述缺陷标记，确定图像缺陷。
[0059]作为本专利技术的一种实施例：所述根据所述缺陷标记对所述待处理图像进行修正，包括：
[0060]根据所述缺陷标记，确定所述待处理图像的图像缺陷和缺陷坐标；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于TridentNet的图像处理方法，其特征在于，包括：获取待处理图片的图片类型，获取对应图片类型的图像测试集和图像训练集；构建基于TridentNet技术的标签网络，并通过所述图像测试集和图像训练集对所述标签网络进行训练，生成标签模型；通过所述标签模型确定待处理图像进行缺陷标记，根据所述缺陷标记对所述待处理图像进行修正。2.如权利要求1所述的一种基于TridentNet的图像处理方法，其特征在于：所述获取待处理图片的图片类型，包括：对所述待处理图像进行预处理；其中，所述预处理包括：色彩提取、元素提取、元素标记和场景定义；根据所述色彩提取，确定所述待处理图像的色彩组成；根据所述元素提取，确定所述待处理图像的元素分布；根据所述元素标记，确定每个元素的物理状态；根据所述色彩组成和元素分布，进行空间场景搭建，确定场景空间；根据所述物理状态，对所述场景空间中每个元素的状态增强；获取增强后的场景空间，并进行空间解析，并进行空间语义化，确定场景定义；根据所述场景定义，确定所述待处理图片的图片类型。3.如权利要求1所述的一种基于TridentNet的图像处理方法，其特征在于：所述获取对应图片类型的图像测试集和图像训练集，包括：根据所述图片类型，确定所述场景定义；根据所述场景定义，通过预设的深度学习引擎，获取所述场景定义对应的场景视频和场景图像；根据所述图片类型，确定所述场景视频和场景图像进行筛选，确定对应图片类型的目标视频和第一目标图像；将所述目标视频按照帧数进行划分，确定划分图像，并去除相似度超过预设比例的划分图像，确定第二目标图像；根据所述第一目标图像和第二目标图像，按照预设规则进行划分，确定图像测试集和图像训练集；其中，所述预设规则包括：分发规则和比例阈值规则。4.如权利要求1所述的一种基于TridentNet的图像处理方法，其特征在于：所述构建基于TridentNet技术的标签网络，包括：预先获取图像缺陷数据，提取色彩缺陷图像，并根据所述色彩缺陷图像生成基于深度学习的缺陷数据集；根据所述缺陷数据集和TridentNet技术，建立不同尺度的目标分析模型，并依次构建基于不同尺度的标签层；其中，所述标签层包括：色彩标签层、噪点标签层和畸形标签层；根据所述标签层，构建标签网络。5.如权利要求1所述的一种基于TridentNet的图像处理方法，其特征在于：所述色彩标签层包括：
根据所述数据集，构建基于颜色空间的...

【专利技术属性】
技术研发人员：张琦，张冲，刘凤余，张平平，
申请(专利权)人：上海卓繁信息技术股份有限公司，
类型：发明
国别省市：