一种计算网络输出影像与标签差距的方法

摘要

本发明涉及影像处理技术领域，具体涉及一种计算网络输出影像与标签差距的方法，旨在解决现有技术中创造出大量的标签数据费时又费力的问题，其技术要点在于，包括以下步骤取得样板标签影像，其中样板标签影像包含对应至目标的标签。取得多个第一参考影像，其中所述多个第一参考影像每一者包含对应至所述目标的物件影像数据。依据所述样板标签影像和所述多个第一参考影像产生目标影像，其中所述目标影像包含生成物件，所述生成物件的轮廓依据所述样板标签影像产生，且所述生成物件的颜色或材质依据所述多个第一参考影像产生，以自动取得与样板标签影像具有相同分布的似真影像。

说明书

技术领域

本发明涉及影像处理技术领域，具体涉及一种计算网络输出影像与标签差距的方法。

背景技术

遥感影像是空间信息的重要数据之一，广泛用于地质与洪涝灾害监测、农业与森林资源调查、土地利用与城市规划和军事领域。随着我国空间科学和对地观测技术的发展，遥感影像数据的数据年呈现指数增长的趋势，对海量遥感影像数据的有效管理变得日益重要。

遥感影像标注是遥感影像分析和理解的重要内容之一，它是通过提取遥感影像的底层视觉特征，通过一些机器学习模型来学习这些底层视觉特征与高层语义之间的联系来，从而实现将一些语义标签自动标注给遥感影像，例如，通过遥感影像自动标注过程，可以自动地标注出海量遥感影像中居民区、农田、商业区、沙漠、森林等等。遥感影像的自动标注是对遥感影像语义的理解，也是对海量遥感影像进行类别编目和检索的重要技术基础。

对遥感影像的自动标注工作可以看做是对遥感影像的广义的自动分类工作，即在对遥感影像进行自动标注工作之前，需要先确定需要标注的遥感影像所对应的类别标签(即文本标签)有哪些，然后将不同的遥感影像与不同的类别标签对应联系起来。对传统图像的标注工作主要有3类方法：基于对象本体的方法、基于机器学习的方法和基于相关反馈的方法。传统图像的标注工作多是通过图像的低级视觉特征来分析理解图像的视觉内容。

但是随着机器学习的快速发展，如何创造出大量的标签数据对研究人员来说是费力又费时。因此，如何解决上述问题在现今非常重要。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中创造出大量的标签数据费时又费力的缺陷，从而提供一种计算网络输出影像与标签差距的方法。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种计算网络输出影像与标签差距的方法，包括以下步骤：

取得一样板标签影像，其中该样板标签影像包含对应至一目标的一标签；

取得多个第一参考影像，其中所述多个第一参考影像每一者包含对应至该目标的一物件影像数据；

依据该样板标签影像和所述多个第一参考影像产生一目标影像，其中该目标影像包含一生成物件，该生成物件的一轮廓依据该样板标签影像而产生，且该生成物件的一颜色或一材质依据所述多个第一参考影像而产生；

其中该目标影像是通过一生成对抗网络模型所生成，且该生成对抗网络模型的一训练数据包含该样板标签影像和所述多个第一参考影像。

可选地，还包含：

经由该目标影像和该样板标签影像训练一影像处理模型，其中训练过的该影像处理模型用以处理不具有标签的一输入影像以产生关联于该输入影像的一标签影像。

可选地，还包含：

通过该影像处理模型取得该输入影像的一背景和一物件；

依据该背景和该物件产生该标签影像，其中该标签影像包含关联于该物件的一第一标签和关联于该背景的一第二标签。

可选地，其中该影像处理方法在产生该目标影像的操作之前还包含：

训练一影像生成引擎，其中该影像生成引擎用以产生该目标影像。

可选地，其中训练该影像生成引擎的操作包含：

依据该样板标签影像和所述多个第一参考影像产生一处理影像；

比较该处理影像和所述多个第一参考影像；

响应于一比较结果是否高于一临界值，以更新该处理影像或中止训练该影像生成引擎。

可选地，还包含：

响应于该比较结果高于该临界值，依据该比较结果更新该处理影像，且比较该处理影像和所述多个第一参考影像直到该比较结果低于该临界值；

响应于该比较结果小于该临界值，终止训练该影像生成引擎。

可选地，其中比较该处理影像和所述多个第一参考影像的操作包含：

比较该处理影像和所述多个第一参考影像的一颜色、一材质或一内容物件形状。

可选地，其中训练该影像生成引擎的操作包含：

依据该样板标签影像和所述多个第一参考影像产生一处理影像；

基于该处理影像产生一生成背景和一生成物件；

依据该生成物件形成一处理前景影像；

取得多个第二参考影像，其中所述多个第二参考影像每一者包含对应于该目标的彩色的一第一物件影像数据和具单一色彩的一第一背景影像数据；

比较该处理前景影像和所述多个第二参考影像，并作为一第一比较结果；

依据该第一比较结果是否高于一临界值，以更新该处理影像。

可选地，其中训练该影像生成引擎的操作还包含：

依据该生成背景形成一处理背景影像；

取得多个第三参考影像，其中所述多个第三参考影像每一者包含对应于该目标的具单一色彩的一第二物件影像数据和彩色的一第二背景影像数据；

比较该处理背景影像和所述多个第三参考影像，并作为一第二比较结果；

依据该第二比较结果是否高于该临界值，以更新该处理影像。

可选地，其中训练该影像生成引擎的操作还包含：

比较该处理影像和所述多个第一参考影像，并作为一第三比较结果；

响应于该第三比较结果高于该临界值，依据该第三比较结果更新该处理影像；

依据该第一比较结果、该第二比较结果和该第三比较结果都低于该临界值，中止训练该影像生成引擎。

本发明的技术方案，通过使用此方法，大量的具有标签的像素层级影像可以被自动的产生，以在执行物件分割或将物件从影像中分割出来的作业时能得到高准确度。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

一种计算网络输出影像与标签差距的方法，包括以下步骤：

取得一样板标签影像，其中该样板标签影像包含对应至一目标的一标签；

取得多个第一参考影像，其中所述多个第一参考影像每一者包含对应至该目标的一物件影像数据；

依据该样板标签影像和所述多个第一参考影像产生一目标影像，其中该目标影像包含一生成物件，该生成物件的一轮廓依据该样板标签影像而产生，且该生成物件的一颜色或一材质依据所述多个第一参考影像而产生；

其中该目标影像是通过一生成对抗网络模型所生成，且该生成对抗网络模型的一训练数据包含该样板标签影像和所述多个第一参考影像。

于一些实施例中，还包含：

经由该目标影像和该样板标签影像训练一影像处理模型，其中训练过的该影像处理模型用以处理不具有标签的一输入影像以产生关联于该输入影像的一标签影像。

于一些实施例中，还包含：

通过该影像处理模型取得该输入影像的一背景和一物件；

依据该背景和该物件产生该标签影像，其中该标签影像包含关联于该物件的一第一标签和关联于该背景的一第二标签。

其中该影像处理方法在产生该目标影像的操作之前还包含：

训练一影像生成引擎，其中该影像生成引擎用以产生该目标影像。

其中训练该影像生成引擎的操作包含：

依据该样板标签影像和所述多个第一参考影像产生一处理影像；

比较该处理影像和所述多个第一参考影像；

响应于一比较结果是否高于一临界值，以更新该处理影像或中止训练该影像生成引擎。

于一些实施例中，还包含：

响应于该比较结果高于该临界值，依据该比较结果更新该处理影像，且比较该处理影像和所述多个第一参考影像直到该比较结果低于该临界值；

响应于该比较结果小于该临界值，终止训练该影像生成引擎。

其中比较该处理影像和所述多个第一参考影像的操作包含：

比较该处理影像和所述多个第一参考影像的一颜色、一材质或一内容物件形状。

于一些实施例中，上述训练该影像生成引擎的操作包含：

依据该样板标签影像和所述多个第一参考影像产生一处理影像；

基于该处理影像产生一生成背景和一生成物件；

依据该生成物件形成一处理前景影像；

取得多个第二参考影像，其中所述多个第二参考影像每一者包含对应于该目标的彩色的一第一物件影像数据和具单一色彩的一第一背景影像数据；

比较该处理前景影像和所述多个第二参考影像，并作为一第一比较结果；

依据该第一比较结果是否高于一临界值，以更新该处理影像。

其中训练该影像生成引擎的操作还包含：

依据该生成背景形成一处理背景影像；

取得多个第三参考影像，其中所述多个第三参考影像每一者包含对应于该目标的具单一色彩的一第二物件影像数据和彩色的一第二背景影像数据；

比较该处理背景影像和所述多个第三参考影像，并作为一第二比较结果；

依据该第二比较结果是否高于该临界值，以更新该处理影像。

其中训练该影像生成引擎的操作还包含：

比较该处理影像和所述多个第一参考影像，并作为一第三比较结果；

响应于该第三比较结果高于该临界值，依据该第三比较结果更新该处理影像；

依据该第一比较结果、该第二比较结果和该第三比较结果都低于该临界值，中止训练该影像生成引擎。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。