【技术实现步骤摘要】
本申请涉及人工智能及智能视觉，尤其涉及一种图像分类方法、装置、计算机设备及存储介质。
技术介绍
1、生成对抗网络(generative adversarial network，gan)一直是深度学习领域的热门主题，目前已经在计算视觉、信号处理、自然语言处理等领域取得了广泛的应用。生成对抗网络的主要思想来自零和博弈理论，由生成器generator和判别器discriminator两部分组成，其中，生成器用于生成图像，判别器用于辨别出生成器生成的假图像和真实图像的区别。
2、自从gan被提出以后，许多研究者对gan进行研究和改进，提出了各种类型的gan变体网络，例如全接连gan、双向生成对抗网络(bigan)、深度卷积生成对抗网络(dcgan)、自注意力生成对抗网络(sagan)、条件生成对抗网络(cgan)和拉普拉斯生成对抗网络。然而，现有的生成对抗网络存在缺乏度和可解释性的缺陷，对其进行结果预测较为困难，从而导致图像分类精度和效率较为低下的问题。
技术实现思路
1、本申请提供一种图像处理方法、装置、计算机设备及存储介质，可以实现在图像处理时进行可解释性分析，有效减少图像分类时起到负面作用的区域带来的影响，从而提高图片分类的准确性。
2、第一方面，本申请提供了一种图像处理方法，包括：
3、将原始图像输入至热图生成器的神经网络中，生成所述原始图像对应的初始热图；
4、对所述初始热图先后进行高频加强和直方图均衡处理，得到对应的增强热图；p>
5、将所述增强热图作为条件生成对抗网络中生成器的训练条件，通过所述生成器进行图像生成，生成目标图像；
6、将所述增强热图作为条件生成对抗网络中判别器的输入条件，通过所述判别器对所述目标图像进行图像识别，得到图像识别结果。
7、可选地，在本申请的一些实施例中，所述方法还包括：
8、将所述目标图像和所述原始图像进行混合处理，得到训练集数据；
9、基于所述训练集数据，对所述热图生成器的神经网络进行训练。
10、可选地，在本申请的一些实施例中，所述将原始图像输入至热图生成器的神经网络中，生成所述原始图像对应的初始热图，包括：
11、获取所述原始图像，并将所述原始图像输入至热图生成器的神经网络中；
12、通过所述神经网络的上采样函数对所述原始图像进行采样，得到所述原始图像对应的初始热图。
13、可选地，在本申请的一些实施例中，所述对所述初始热图先后进行高频加强和直方图均衡处理，得到对应的增强热图，包括：
14、通过增强滤波器的传递函数对所述初始热图进行高频加强处理，以提高所述初始热图的平均灰度的亮度，得到第一增强热图；
15、通过映射函数对所述第一热图进行直方图均衡处理，以提高所述第一热图的对比度，得到第二增强热图。
16、可选地，在本申请的一些实施例中，所述通过映射函数对所述第一热图进行直方图均衡处理，以提高所述第一热图的对比度，得到第二增强热图，包括：
17、获取所述第一热图的直方图并进行归一化处理；
18、计算归一化后的直方图对应的映射函数；
19、基于所述映射函数对所述第一热图进行直方图均衡处理，以提高所述第一热图的对比度，得到第二增强热图。
20、可选地，在本申请的一些实施例中，所述将所述增强热图作为条件生成对抗网络中生成器的训练条件，通过所述生成器进行图像生成，生成目标图像，包括：
21、将所述增强热图作为所述生成器的训练条件，并定义所述生成器的噪声变量；
22、在将所述训练条件和所述噪声变量输入至所述生成器后，通过所述生成器生成所述增强热图对应的目标图像。
23、可选地，在本申请的一些实施例中，所述将所述增强热图作为条件生成对抗网络中判别器的输入条件，通过所述判别器对所述目标图像进行图像识别，得到图像识别结果，包括：
24、将所述增强热图作为所述判别器的输入条件，并获取本次图像处理的目标图像；
25、在将所述输入条件和所述目标图像输入至所述判别器后，通过所述判别器判断所述目标图像是否为真实图像，并判断所述目标图像是否与所述输入条件相匹配，得到图像识别结果。
26、第二方面，本申请提供了一种图像处理装置，包括：
27、热图生成模块，用于将原始图像输入至热图生成器的神经网络中，生成所述原始图像对应的初始热图；
28、热图增强模块，用于对所述初始热图先后进行高频加强和直方图均衡处理，得到对应的增强热图；
29、图像生成模块，用于将所述增强热图作为条件生成对抗网络中生成器的训练条件，通过所述生成器进行图像生成，生成目标图像；
30、图像识别模块，用于将所述增强热图作为条件生成对抗网络中判别器的输入条件，通过所述判别器对所述目标图像进行图像识别，得到图像识别结果。
31、第三方面，本申请还提供计算机设备，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，其中，所述处理器执行所述程序时实现上述图像处理方法的步骤。
32、第四方面，本申请还提供一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述图像处理方法的步骤。
33、如上所述，本申请提供一种图像处理方法、装置、计算机设备及存储介质，在将原始图像输入至热图生成器的神经网络中，生成原始图像对应的初始热图后；对初始热图先后进行高频加强和直方图均衡处理，得到对应的增强热图；将增强热图作为条件生成对抗网络中生成器的训练条件，通过生成器进行图像生成，生成目标图像；将增强热图作为条件生成对抗网络中判别器的输入条件，通过判别器对目标图像进行图像识别，得到图像识别结果。在本申请提供的图像处理方案中，首先通过神经网络获取原始图像的可解释性图，根据可解释性图判断出后续条件生成对抗网络关注的特征，然后通过对可解释性图进行增强处理，得到边缘更加清晰和对比度更高的可解释性图，提高后续生成图像的相关性；最后，通过将增强后的可解释性图输入至条件生成对抗网络中生成目标图像，再对目标图像进行图像识别，判断目标图像是否为真实图像，以及判断增强后的可解释性图和目标图像是否匹配，通过结合可解释性图和条件生成对抗网络在图像处理时进行可解释性分析，有效减少图像分类时起到负面作用的区域带来的影响，有利于提高图像分类的准确性和效率，提高性能的同时兼顾运行成本，降低人工图片分类的成本。
本文档来自技高网...【技术保护点】
1.一种图像处理方法，其特征在于，包括：
2.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：
3.根据权利要求1所述的图像处理方法，其特征在于，所述将原始图像输入至热图生成器的神经网络中，生成所述原始图像对应的初始热图，包括：
4.根据权利要求1所述的图像处理方法，其特征在于，所述对所述初始热图先后进行高频加强和直方图均衡处理，得到对应的增强热图，包括：
5.根据权利要求4所述的图像处理方法，其特征在于，所述通过映射函数对所述第一热图进行直方图均衡处理，以提高所述第一热图的对比度，得到第二增强热图，包括：
6.根据权利要求1所述的图像处理方法，其特征在于，所述将所述增强热图作为条件生成对抗网络中生成器的训练条件，通过所述生成器进行图像生成，生成目标图像，包括：
7.根据权利要求1所述的图像处理方法，其特征在于，所述将所述增强热图作为条件生成对抗网络中判别器的输入条件，通过所述判别器对所述目标图像进行图像识别，得到图像识别结果，包括：
8.一种图像处理装置，其特征在于，包括：
...【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：
2.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：
3.根据权利要求1所述的图像处理方法，其特征在于，所述将原始图像输入至热图生成器的神经网络中，生成所述原始图像对应的初始热图，包括：
4.根据权利要求1所述的图像处理方法，其特征在于，所述对所述初始热图先后进行高频加强和直方图均衡处理，得到对应的增强热图，包括：
5.根据权利要求4所述的图像处理方法，其特征在于，所述通过映射函数对所述第一热图进行直方图均衡处理，以提高所述第一热图的对比度，得到第二增强热图，包括：
6.根据权利要求1所述的图像处理方法，其特征在于，所述将所述增强热图作为条件生成...
【专利技术属性】
技术研发人员：舒畅，陈又新，
申请(专利权)人：平安科技上海有限公司，
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。