本申请公开了一种图像处理方法、装置、设备及介质，该方法包括：获取原始图像和与原始图像对应的标签图像；对标签图像进行超像素分割，得到标签图像对应的第一超像素集合；根据第一超像素集合对原始图像进行分割，得到样本集。本申请可以提高计算资源利用率、选取合理的样本集，进而提高分类模型的训练精度和训练速度。速度。速度。
【技术实现步骤摘要】
一种图像处理方法、装置、设备及介质
[0001]本申请涉及计算机
，具体涉及到一种图像处理方法、装置、设备及介质。
技术介绍
[0002]极化合成孔径雷达(Synthetic Aperture Radar，SAR)分类可应用于灾后评估、建设规划、植被生长、地质勘测等地物分类场景。极化SAR分类需要用到分类模型实现地物分类功能，训练分类模型使用的样本集越精准，训练出的分类模型实现地物分类功能的效果越好。
[0003]现有技术中，样本集的选取方法主要有两种。一种为逐像素提取，即以某个像素点为中心，选取周围一定大小的矩形作为样本集中的个体，标签为矩形中的像素的类别。以一张大小为512
×
512像素的图片为例，该图片中每个像素都需要选取周围一定大小的矩形，该图片需要计算512
×
512＝262144次得到262144个矩形，取样过程计算量大，并且对于两个相邻像素，获取的矩形差异小，浪费了计算资源。另一种为滑块取样，即选取一个矩形区域作为样本集中的个体，计算该区域的类别得到标签。同样以一张大小为512
×
512像素的图片为例，若矩形区域的大小为32
×
32的像素，则该图片需要计算16
×
16＝256次得到256个矩形，该种方式获得的个体中各像素的类别不同，一个个体对应的标签不能很好的反应该个体的特征，取样不合理，使得样本集难以用于分类模型进行训练。
[0004]由此可见，现有技术存在取样过程计算资源需求量大、取样不合理等问题，不能很好的满足分类模型的训练需求。
技术实现思路
[0005]本申请实施例提供一种样本集获取方法、装置、设备及介质，用于提高计算资源利用率、选取合理的样本集，进而提高分类模型的训练精度和训练速度。
[0006]第一方面，本申请实施例提供一种图像处理方法，该方法可以由计算机设备执行，该方法包括：
[0007]获取原始图像和与所述原始图像对应的标签图像；其中，所述标签图像包括所述原始图像中的各个像素以及各个像素的标签信息；
[0008]对所述标签图像进行超像素分割，得到所述标签图像对应的第一超像素集合；根据所述第一超像素集合对所述原始图像进行分割，得到样本集。
[0009]在本方案中，计算机设备先对标签图像进行超像素分割，再根据超像素分割结果(即第一超像素集合)对原始图像进行分割得到样本集。相比于根据原始图像中每个像素得到样本集，根据第一超像素集合得到样本集提高了计算资源的利用率。并且，超像素分割能有效地提取出图像的局部特征，超像素中的每个像素的类别基本相同，所以超像素的标签信息可以很好的反应超像素的特征，使得样本集中的个体对应的标签可以很好的反应该个体的特征，选取的样本集合理，可以很好的满足分类模型的训练需求，有助于提高分类模型训练精度和训练速度。
[0010]可选的，所述第一超像素集合包括多个超像素和所述多个超像素中每个超像素的标签信息，所述每个超像素包括一个或多个像素，所述每个超像素的标签信息根据所述每个超像素包括的像素的标签信息确定。
[0011]可选的，所述样本集中包括多个图集和所述多个图集中每个图集对应的标签，所述多个图集与所述多个超像素一一对应，所述每个图集根据所述每个图集对应的超像素确定，所述每个图集对应的标签根据所述每个图集对应的超像素的标签信息确定；所述样本集用于训练分类模型，所述分类模型用于输入无标签的图像和输出所述无标签的图像的分类结果。
[0012]可选的，所述对所述标签图像进行超像素分割，包括：按照第一尺寸对所述标签图像进行超像素分割；所述根据所述超像素集合对所述原始图像进行分割，包括：按照第二尺寸根据所述超像素集合对所述标签图像进行超像素分割；所述第二尺寸大于或等于所述第一尺寸。
[0013]由于分类模型需要根据超像素的边界信息训练注意力，本方式通过设置第二尺寸大于或等于第一尺寸，使得每个图集更好地保留超像素的有效信息(例如超像素的边界信息)，进而更好地满足分类模型的训练需求。
[0014]可选的，所述对所述标签图像进行超像素分割，得到所述标签图像对应的第一超像素集合，包括：对所述标签图像进行超像素分割，得到第二超像素集合；其中所述第二超像素集合包括至少一个超像素和所述至少一个超像素中每个超像素的标签信息；所述第二超像素集合包括所述第一超像素集合；将所述第二超像素集合中不满足预设条件的超像素删除，得到所述第一超像素集合。
[0015]由于第二超像素集合中存在部分不满足预设条件的超像素，这部分超像素会使得选取的图集不能很好的满足分类模型的训练需求，所以本方式中计算机设备将这部分超像素从第二超像素集合中删除，得到第一超像素集合，根据第一超像素集合选取的图集可以更好的满足分类模型的训练需求。
[0016]可选的，所述预设条件包括以下一项或多项：超像素的最小外接矩形的长大于或等于第一长度；或者，超像素的最小外接矩形的宽大于或等于第二长度；或者，超像素的最小外接矩形的长宽比大于或等于阈值。
[0017]当然，以上几种仅为示例，实际还可以有其它实现。
[0018]通过本方式，当一个超像素的最小外接矩形的长小于第一长度和/或宽小于第二长度时，可以视为该超像素过小，甚至有可能存在该超像素是由单像素构成的情况，当一个超像素的最小外接矩形的长宽比小于阈值时，可以视为该超像素过扁，当超像素过小或者超像素过扁时，根据这些超像素选取的图集对应的标签不能很好的反应图集的特征，即这些超像素不利于训练分类模型，因此计算机设备根据预设条件筛选超像素可以保证图集的合理性，进而满足分类模型的训练需求。
[0019]可选的，所述根据所述第一超像素集合对所述原始图像进行分割，得到样本集，包括：在所述原始图像中确定出与所述多个超像素中每个超像素的重心点相对应的位置点；将确定出的位置点作为图集中心进行图像分割，得到与所述每个超像素相对应的图集。
[0020]通过本方式，用每个超像素的重心点替代每个超像素，计算机设备只需根据每个超像素的重心点就可以确定出图集中心，根据图集中心对原始图像进行分割得到图集，方
法简单，提高了样本集的获取效率。
[0021]可选的，所述根据所述位置点确定图像分割的中心，包括：若以所述位置点为中心进行图像分割时，图像分割的边界在所述原始图像的边界之内，则确定所述位置点为图像分割的中心；或者，若以所述位置点为中心进行图像分割时，图像分割的边界在所述原始图像的边界之外，则根据所述位置点和所述原始图像的相对位置确定图像分割的中心，使得图像分割的边界在所述原始图像的边界之内。
[0022]通过本方式，若图像分割的边界在原始图像的边界之外，则图集会缺失部分内容，进而不能用于分类模型进行训练，因此保证图像分割的边界在所述原始图像的边界之内可以进一步提升方案的完整性，保证图集可以用于分类模型进行训练。
[0023]可选的，所述根据所述第一超像素集合对所述原始图像进行分割之本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：获取原始图像和与所述原始图像对应的标签图像；其中，所述标签图像包括所述原始图像中的各个像素以及各个像素的标签信息；对所述标签图像进行超像素分割，得到所述标签图像对应的第一超像素集合；根据所述第一超像素集合对所述原始图像进行分割，得到样本集。2.如权利要求1所述的方法，其特征在于，所述第一超像素集合包括多个超像素和所述多个超像素中每个超像素的标签信息，所述每个超像素包括一个或多个像素，所述每个超像素的标签信息根据所述每个超像素包括的像素的标签信息确定。3.如权利要求1所述的方法，其特征在于，所述样本集中包括多个图集和所述多个图集中每个图集对应的标签，所述多个图集与所述多个超像素一一对应，所述每个图集根据所述每个图集对应的超像素确定，所述每个图集对应的标签根据所述每个图集对应的超像素的标签信息确定；所述样本集用于训练分类模型，所述分类模型用于输入无标签的图像和输出所述无标签的图像的分类结果。4.如权利要求1
‑
3中任一项所述的方法，其特征在于，所述对所述标签图像进行超像素分割，包括：按照第一尺寸对所述标签图像进行超像素分割；所述根据所述超像素集合对所述原始图像进行分割，包括：按照第二尺寸根据所述超像素集合对所述原始图像进行分割；所述第二尺寸大于或等于所述第一尺寸。5.如权利要求1
‑
3中任一项所述的方法，其特征在于，所述对所述标签图像进行超像素分割，得到所述标签图像对应的第一超像素集合，包括：对所述标签图像进行超像素分割，得到第二超像素集合；其中所述第二超像素集合包括至少一个超像素和所述至少一个超像素中每个超像素的标签信息；所述第二超像素集合包括所述第一超像素集合；将所述第二超像素集合中不满足预设条件的超像素删除，得到所述第一超像素集合。6.如权利要求5所述的方法，其特征在于，所述预设条件包括以下一项或多项：超像素的最小外接矩形的长大于或等于第一长度；或者，超像素的最小外接矩形的宽大于或等于第二长度；或者，超像素的最小外接矩形的长宽比大于或等于阈值。7.如权利要求1
‑
3中任一项所述的方法，其特征在于，所述根据所述第一超像素集合对所述原始图像进行分割，得到样本集，包括：在所述原始图像中确定出与所述多个超像素中每个超像素的重心点...
【专利技术属性】
技术研发人员：何帅，井小飞，高云登，房立坤，张宇超，
申请(专利权)人：北京神州绿盟科技有限公司，
类型：发明
国别省市：
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。