[发明专利]图像处理方法及装置

说明书

本公开提供了一种图像处理方法及装置，本公开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配神经网络模型应用场景的目标子图像，利用得到的目标子图像对神经网络模型进行训练，能够克服训练样本少、训练样本针对性差的缺陷，能够有效提高训练得到神经网络模型的检测精度。另外，上述方法中在确定每张子图像的图像类型时，并非人工标注，而是利用初始训练的神经网络模型进行确定，能够有效节省人力资源，提高效率。

技术领域

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。

背景技术

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。

发明内容

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配神经网络模型应用场景的目标子图像，以基于目标子图像对神经网络模型进行训练，该方法克服了训练样本少、训练样本针对性差的缺陷，能够有效提高训练得到神经网络模型的检测精度。另外，上述方法中在确定每张子图像的图像类型时，并非人工标注，而是利用初始训练的神经网络模型进行确定，能够有效节省人力资源，提高效率。

在一种可能的实施方式中，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。

上述实施方式，基于与当前子图像的图像类型相同的相邻子图像的数量，能够将图像类型更加准确的子图像作为目标子图像，其余冗余的子图像被删除，从而在增加样本数量的同时，提高了样本的针对性，能够有效提高训练得到的神经网络模型的检测精度。

在一种可能的实施方式中，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。

上述实施方式中，不同的图像类型对应设置有不同的置信度评价阈值。利用与当前子图像的图像类型相匹配的置信度评价阈值，能够得到准确度更高的置信度，从未能够将图像类型更加准确的子图像作为目标子图像。

在一种可能的实施方式中，上述图像处理方法还包括：

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。