数据处理方法和装置与流程

本申请涉及计算机技术领域，具体而言，涉及一种数据处理方法和装置。

背景技术：

在现有技术中，通常采集一张图像作为标准图像存储在图像库中，然后利用该标准图像对后续采集的同一物体的图像进行图像识别，但是该物体的表面会随着时间的推移发生变化，该变化会对后续采集的图像形成噪声，从而使得图像识别的结果准确率较低，或者由于标准图像具有噪声，而比对图像无相关噪声。例如，当该标准图像为牛的脸部图像时，由于牛所处的生活环境比较复杂，在牛活动一段时间后，其脸部会沾上草屑和/或泥土等干扰物，上述干扰物会对牛的脸部造成影响，此时再获取到该牛的脸部图像后，该脸部图像中存在噪声干扰，在利用之前获取到的没有干扰物影响的脸部图像对当前采集到的脸部图像进行识别时，会造成识别结果准确率较低的问题。

技术实现要素：

本申请的主要目的在于提供一种数据处理方法和装置，以提高图像识别的准确率。

为了实现上述目的，本申请提供了一种数据处理方法，所述方法包括：

获取至少一张干扰物图片；

根据预设的噪声干扰方法，将所述干扰物图片添加到指定图片中，以生成至少一张具有噪声的图片；

对所述指定图片和所述具有噪声的图片进行存储。

可选地，所述干扰物图片中的干扰物包括：

泥土类、灰尘类、草屑类、饲料类、粪便类、栅栏类、栏杆类、杂物类、颜料类、药剂类、不均匀光类、亮点、手的遮挡、衣服类。

可选地，根据预设的噪声干扰方法，将所述干扰物图片添加到指定图片中，以生成至少一张具有噪声的图片包括：

将所述干扰物图片设置成至少一种面积大小的目标图片；

将所述目标图片添加到所述指定图片中，以生成至少一张具有噪声的图片。

可选地，将所述目标图片添加到所述指定图片中，以生成至少一张具有噪声的图片包括：

将所述目标图片添加到所述指定图片中的至少一个预设位置上，以生成至少一张具有噪声的图片。

可选地，所述方法还包括：

利用所述具有噪声的图片和所述指定图片对获取到的待识别的图片进行图像识别；和/或，

将所述具有噪声的图片和所述指定图片作为图像训练集对图片进行图像训练。

为了实现上述目的，本申请提供了一种数据处理装置，所述装置包括：

获取单元，用于获取至少一张干扰物图片；

添加单元，用于根据预设的噪声干扰方法，将所述干扰物图片添加到指定图片中，以生成至少一张具有噪声的图片；

存储单元，用于对所述指定图片和所述具有噪声的图片进行存储。

可选地，所述干扰物图片中的干扰物包括：

泥土类、灰尘类、草屑类、饲料类、粪便类、栅栏类、栏杆类、杂物类、颜料类、药剂类、不均匀光类、亮点、手的遮挡、衣服类。

可选地，在所述添加单元用于根据预设的噪声干扰方法，将所述干扰物图片添加到指定图片中，以生成至少一张具有噪声的图片时，用于：

将所述干扰物图片设置成至少一种面积大小的目标图片；

将所述目标图片添加到所述指定图片中，以生成至少一张具有噪声的图片。

可选地，在所述添加单元用于将所述目标图片添加到所述指定图片中，以生成至少一张具有噪声的图片时，用于：

将所述目标图片添加到所述指定图片中的至少一个预设位置上，以生成至少一张具有噪声的图片。

可选地，所述装置还包括：

识别单元，用于利用所述具有噪声的图片和所述指定图片对获取到的待识别的图片进行图像识别；和/或，

训练单元，用于将所述具有噪声的图片和所述指定图片作为图像训练集对图片进行图像训练。

本申请的实施例提供的技术方案可以包括以下有益效果：

在本申请中，在获取到至少一张干扰物图片后，根据预设的噪声干扰方法，将所述干扰物图片添加到指定图片中，以生成至少一张具有噪声的图片，然后对所述指定图片和所述具有噪声的图片进行存储，其中，干扰物图片中的干扰物可以根据实际场景中的干扰物进行设定，并且噪声干扰方法也可以根据实际场景进行设定，从而可以模拟真实环境中可能遇到的情况，进而可以使得生成的具有噪声的图片与真实环境中遇到干扰物时获得的图片更加贴近，从而可以使得指定图片和具有噪声的图片构成的数据集合更加多样性，进而有利于让数据集合的鲁棒性更强，并且在通过指定图片和具有噪声的图片进行图片识别时，也有利于提高识别结果的准确率。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请提供的一种数据处理方法的流程示意图；

图2为本申请提供的另一种数据处理方法的流程示意图；

图3为本申请提供的一种数据处理装置的结构示意图；

图4为本申请提供的另一种数据处理装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。

并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。

此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1为本申请提供的一种数据处理方法的流程示意图，如图1所示，该方法包括以下步骤：

101、获取至少一张干扰物图片。

需要注意的是，干扰物可以为草屑和泥巴等物体，干扰物图片中的干扰物的种类和数量可以根据实际需要进行设定，在此不做具体限定。

102、根据预设的噪声干扰方法，将所述干扰物图片添加到指定图片中，以生成至少一张具有噪声的图片。

具体的，预设的噪声干扰方法可以根据实际情况进行设定，例如，在将干扰物图片添加到指定图片中时，可以根据实际可以出现的情况，将干扰物图片添加到指定图片的某一位置上，并且是将干扰物图片以指定的覆盖面积添加到该指定图片上，关于具体的噪声干扰方法可以根据实际需要进行设定，在此不做具体限定。

在采用上述方法生成具有噪声的图片后，可以使得具有噪声的图片与真实场景中获取到的图片更加贴近，即具有噪声的图片中的噪声与真实场景中干扰物对指定图片中的物体造成的影响比较接近，从而有利于提高具有噪声的图片的真实度。

需要注意的是，指定图片可以为不存在噪声影响的图片，关于指定图片具体样式可以根据实际需要进行设定，在此不做具体限定。

103、对所述指定图片和所述具有噪声的图片进行存储。

在本申请中，在获取到至少一张干扰物图片后，根据预设的噪声干扰方法，将所述干扰物图片添加到指定图片中，以生成至少一张具有噪声的图片，然后对所述指定图片和所述具有噪声的图片进行存储，其中，干扰物图片中的干扰物可以根据实际场景中的干扰物进行设定，并且噪声干扰方法也可以根据实际场景进行设定，从而可以模拟真实环境中可能遇到的情况，进而可以使得生成的具有噪声的图片与真实环境中遇到干扰物时获得的图片更加贴近，从而可以使得指定图片和具有噪声的图片构成的数据集合更加多样性，进而有利于让数据集合的鲁棒性更强，并且在通过指定图片和具有噪声的图片进行图片识别时，也有利于提高识别结果的准确率。

在一个可行的实施方案中，所述干扰物图片中的干扰物包括：泥土类、灰尘类、草屑类、饲料类、粪便类、栅栏类、栏杆类、杂物类、颜料类、药剂类、不均匀光类、亮点、手的遮挡、衣服类。

具体的，为了提高具有噪声的图片的真实性，每个干扰物图片中只包括一种干扰物，在获取干扰物图片时，可以获取不同种类干扰物的干扰物图片，并通过排列组合的方式将至少一种干扰物的干扰物图片添加到指定图片中，从而有利于提高模拟真实场景的真实度，从而有利于提高具有噪声的图片与真实场景对应的图片的贴近程度。

需要注意的是，上述干扰物仅是本申请给出的示例性的说明，并不对本申请构成限定，其中，上述干扰物还可以根据实际情况进行细分，例如：泥土类可以细分为黄泥巴和黑泥吧等，草屑类可以细分为青牧草细屑和干牧草细屑等，关于具体的干扰物可以根据实际场景进行设定，在此不做具体限定，但是，凡是能够对对指定图片中的物体形成遮挡，从而在获取该物体的图片后，对指定图片中的物体形成噪声影响的干扰物均属于本申请的保护范围。

在一个可行的实施方案中，图2为本申请提供的另一种数据处理方法的流程示意图，如图2所示，在执行步骤102时，可以通过以下步骤实现：

201、将所述干扰物图片设置成至少一种面积大小的目标图片。

202、将所述目标图片添加到所述指定图片中，以生成至少一张具有噪声的图片。

具体的，在实际场景中，干扰物对指定图片中的物体的覆盖面积可能会有多种情况，为了提高具有噪声的图片与真实场景对应的图片的贴近程度，可以将干扰物图片设置成至少一种面积大小的目标图片，在将目标图片添加到指定图片中后，可以模拟出真实场景中，干扰物对指定图片中的物体可能出现的覆盖面积，例如，可以将干扰物图片设置成1cm²、2cm²、3cm²和4cm²等面积大小的目标图片，并将上述面积的目标图片分别添加到指定图片中，以生成具有噪声的图片。

需要注意的是，关于目标图片的具体面积和数量可以根据实际需要进行设定，在此不做具体限定。

在一个可行的实施方案中，在执行步骤202时，可以将所述目标图片添加到所述指定图片中的至少一个预设位置上，以生成至少一张具有噪声的图片。

具体的，由于在实际场景中，干扰物可能会出现在多个位置上，并且每个干扰物的覆盖面积也为多种，因此在确定出具有不同覆盖面积的目标图片之后，将不同覆盖面积的目标图片添加到实际场景中可能出现的位置上(即预设位置)，即不同的覆盖面积、不同的预设位置和干扰物图片中干扰物的种类采用排列组合的方式生成对应数量的具有噪声的图片，从而使得生成的具有噪声的图片能够尽量涵盖实际场景中所有可能情况，从而有利于增强指定图片和具有噪声的图片构成的数据集合的多样性，进而有利于提高数据集合的鲁棒性。

在一个可行的实施方案中，在执行完步骤103后，可以利用所述具有噪声的图片和所述指定图片对获取到的待识别的图片进行图像识别；和/或，将所述具有噪声的图片和所述指定图片作为图像训练集对图片进行图像训练。

具体的，由于上述得到的数据集合的多样性较高，从而可以让模型学习到真正的特征，因此可以利用上述数据集合对待识别的图片进行图像识别时，可以提高图像识别的准确度，并且，由于能够学习到真正的特征，所以当使用指定图片和具有噪声的图片作为图像训练集对图片进行图像训练是，可以由深度学习算法学习相关的特征，从而有利于增强数据集合的抗干扰效果。

图3为本申请提供的一种数据处理装置的结构示意图，如图3所示，所述装置包括：

获取单元31，用于获取至少一张干扰物图片；

添加单元32，用于根据预设的噪声干扰方法，将所述干扰物图片添加到指定图片中，以生成至少一张具有噪声的图片；

存储单元33，用于对所述指定图片和所述具有噪声的图片进行存储。

在一个可行的实施方案中，所述干扰物图片中的干扰物包括：

泥土类、灰尘类、草屑类、饲料类、粪便类、栅栏类、栏杆类、杂物类、颜料类、药剂类、不均匀光类、亮点、手的遮挡、衣服类。

在一个可行的实施方案中，在所述添加单元32用于根据预设的噪声干扰方法，将所述干扰物图片添加到指定图片中，以生成至少一张具有噪声的图片时，用于：

将所述干扰物图片设置成至少一种面积大小的目标图片；

将所述目标图片添加到所述指定图片中，以生成至少一张具有噪声的图片。

在一个可行的实施方案中，在所述添加单元32用于将所述目标图片添加到所述指定图片中，以生成至少一张具有噪声的图片时，用于：

将所述目标图片添加到所述指定图片中的至少一个预设位置上，以生成至少一张具有噪声的图片。

在一个可行的实施方案中，图4为本申请提供的另一种数据处理装置的结构示意图，如图4所示，所述装置还包括：

识别单元34，用于利用所述具有噪声的图片和所述指定图片对获取到的待识别的图片进行图像识别；和/或，

训练单元35，用于将所述具有噪声的图片和所述指定图片作为图像训练集对图片进行图像训练。

关于上述实施例中的各单元的执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

在本申请中，在获取到至少一张干扰物图片后，根据预设的噪声干扰方法，将所述干扰物图片添加到指定图片中，以生成至少一张具有噪声的图片，然后对所述指定图片和所述具有噪声的图片进行存储，其中，干扰物图片中的干扰物可以根据实际场景中的干扰物进行设定，并且噪声干扰方法也可以根据实际场景进行设定，从而可以模拟真实环境中可能遇到的情况，进而可以使得生成的具有噪声的图片与真实环境中遇到干扰物时获得的图片更加贴近，从而可以使得指定图片和具有噪声的图片构成的数据集合更加多样性，进而有利于让数据集合的鲁棒性更强，并且在通过指定图片和具有噪声的图片进行图片识别时，也有利于提高识别结果的准确率。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。