图像生成的方法、装置、终端设备及存储介质与流程

本发明涉及计算机处理技术领域，尤其涉及一种图像生成的方法、装置、终端设备及存储介质。

背景技术：

随着科学技术的不断发展与进步，工业生产也越来越有着不可替代的地位。在工业现场的应用中，为对生产的产品进行质量检测(例如，不良品检测)而设计一个算法时，往往需要大量的样本或者实验数据，例如图像，然后根据这些图像设计出一些特征算法，进而解决工业现场问题。例如，在对布匹是否存在缺陷进行检测的过程中，可以通过对待检测的布匹采集图像然后针对图像进行分析以确定是否存在缺陷，在这个过程中，需要设计针对图像进行检测分析的算法。然而，在工业现场中，因为不良品率较低，而且很难一次性收集到所有的缺陷类型，这就导致了图像的收集非常困难和耗时。特别是当出现新产品类型时，往往需要针对新产品类型重复之前的图像收集过程。

也就是说，在工业生产过程中，在解决现场问题时，需要收集大量的图像，因图像收集困难大，耗时，并且不能保证一次性收集到所有的缺陷类型，同时图像收集的工作没有普适性，这就导致了工业生产过程中因费时费力收集大量图像而造成了生产效率低的问题。

技术实现要素：

基于此，本申请实施例提供了一种图像生成的方法、装置、终端设备及存储介质，以解决工业现场重复收集图像费时费力的问题。

本实施例的第一方面提供了一种图像生成的方法，所述方法包括：

获取包含有缺陷的第一类图像；

提取所述第一类图像中的缺陷特征；

获取第二类图像；

将所述缺陷特征和所述第二类图像进行融合生成包含有所述缺陷特征的目标图像。

可选的，在所述提取所述第一类图像中的缺陷特征的步骤之后，还包括：对所述缺陷特征进行变换处理，得到变换缺陷特征，所述变换处理包括：缩放、仿射、对比度中的至少一种；所述将所述缺陷特征和所述第二类图像进行融合生成包含有所述缺陷特征的目标图像，包括：将所述变换缺陷特征和所述第二类图像进行融合生成包含有所述变换缺陷特征的目标图像。

可选的，所述提取所述第一类图像中的缺陷特征的步骤包括：根据灰度值对所述第一类图像中的缺陷进行检测，确定所述缺陷的位置；根据所述缺陷的位置从所述第一类图像中提取出所述缺陷特征。

可选的，所述将所述缺陷特征和所述第二类图像进行融合生成包含有所述缺陷特征的目标图像的步骤包括：根据所述缺陷在所述第一类图像中的位置确定在所述第二类图像中的融合位置；根据所述融合位置将所述缺陷特征和所述第二类图像进行叠加生成包含有所述缺陷特征的目标图像。

可选的，所述将所述缺陷特征和所述第二类图像进行融合生成包含有所述缺陷特征的目标图像的步骤包括：将所述第二类图像作为缺陷融合模型的输入，所述缺陷融合模型是根据包含有缺陷的第一类图像和不包含有缺陷的第一类图像采用对抗学习进行训练得到的；获取所述缺陷融合模型输出的包含有缺陷特征的目标图像。

可选的，所述第二类图像是不包含有缺陷的正常图像。

本申请实施例的第二方面提供了一种图像生成的装置，所述装置包括：

第一获取模块，用于获取包含有缺陷的第一类图像；

提取特征模块，用于提取所述第一类图像中的缺陷特征；

第二获取模块，用于获取第二类图像；

融合模块，用于将所述缺陷特征和所述第二类图像进行融合生成包含有所述缺陷特征的目标图像。

可选的，所述装置还包括缺陷特征变换模块，所述缺陷特征模块用于对所述缺陷特征进行变换处理，得到变换缺陷特征，所述变换处理包括：缩放、仿射、对比度中的至少一种；所述融合模块还用于将所述变换缺陷特征和所述第二类图像进行融合生成包含有所述变换缺陷特征的目标图像。

本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例第一方面提供的所述方法的步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现本申请实施例第一方面提供的所述方法的步骤。

本申请实施例的第五方面提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被一个或多个处理器执行时实现本申请实施例第一方面提供的所述方法的步骤。

实施本发明实施例，将具有如下有益效果：

采用了上述一种图像生成的方法、装置、终端设备及存储介质之后，解决了在工业现场应用中因工业现场不良品率低而造成的图像收集工作非常困难且耗时的问题。也就是说，在工业生产中，不同的产品的异常特征是非常相似的，当出现新产品类型时，采用上述一种图像生成的方法和装置之后，减少了图像收集的重复工作，极大地缩短了图像的收集工作，从而有效地缩短了产品切换时的等待时间，提高了工业的生产效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

其中：

图1为本申请一实施例提供的一种图像生成的方法的流程示意图；

图2为本申请一实施例提供的一种缺陷特征提取方法的流程示意图；

图3为本申请一实施例提供的一种缺陷特征变换方法的流程示意图；

图4为本申请一实施例提供的一种缺陷特征变换方法的流程示意图；

图5为本申请一实施例提供的一种缺陷特征变换方法的流程示意图；

图6为本申请一实施例提供的一种图像生成的过程示意图；

图7为本申请一实施例提供的一种图像生成的装置的结构示意图；

图8为本申请一实施例提供的一种图像生成的装置的结构示意图；

图9为本申请一实施例提供的一种图像生成的装置的结构示意图；

图10为本申请一实施例提供的一种计算机设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

在传统工业生产印花布匹的过程中，难免会出现印花错误、污损、破洞等包含有上述缺陷的不良品。为解决生产过程中出现缺陷的现场问题，需要设计算法对印花布匹等产品的工业生产环节进行缺陷检测。而在传统设计算法的过程中，往往需要依赖大量的图像来进行算法的验证和训练，以保证算法的鲁棒性。

在传统算法设计的过程中，往往依赖于人工采集产品的图像，而人工采集图像所花费的时间较长，而且容易漏掉收集某些类型的图像。如果针对这些人工采集的图像去设计算法，由于不良品率低以及人工收集图片的限制(例如，全面性、数量等)，免不了会存在部分遗漏，这就在一定程度上导致了算法的精确性不足或者适用范围过窄；并且花纹类型繁多，传统设计的算法很难做到适用于所有的产品类型，特别是出现新产品时，需要针对新产品进行图像的采集和算法的设计，这就需要重复之前的图像收集过程。如果每种类型的印花布都需要重复之前缺陷图片的收集过程，这就大大增加了工作量及生产成本同时降低了生产效率。

基于上述检测印花布匹缺陷的过程中因为缺陷图像采集导致的工作量大、生产效率低的问题，在本实施例中，提供了一种图像生成的方法，当出现新的产品类型时，仅需要收集少量不包含缺陷特征的产品图像，然后通过本实施例给出的图像生成的方法生成新的图像序列，即可获取用于后续算法的设计的包含有缺陷的图像序列。

一般来讲，在工业现场，即使是生产不同类型的印花布，其异常特征都比较相似，是有共性的，当出现新的印花布的类型时，仅需要收集少量不包含有缺陷的图像，这些不包含有缺陷的图样是较容易获得的。本实施例中提供的一种图像生成的方法大大缩短了缺陷图像重复收集的周期性和降低了缺陷图像收集的困难性，进而，降低了生产成本，提高了工业生产效率。

具体的，上述一种图像生成的方法的实现可基于计算机程序，该计算机程序可以是工业生产布匹应用场景中的图像获取、缺陷特征识别的应用程序。该计算机程序可运行于基于冯诺依曼体系的计算机系统之上，该计算机系统运行上述计算机程序的终端设备。

如图1所示，上述一种图像生成的方法包括如下步骤s102-s108：

步骤s102：获取包含有缺陷的第一类图像。

在本实施例中，对待检测产品进行检索是基于终端设备设计算机程序及图像处理算法，并且通过采集待检测产品的图像并通过预设的算法、缺陷样本等对待检测产品是否包含缺陷进行检测。也就是说，对待检测产品进行检测的算法中，包含了与该待检测产品对应的产品类型的缺陷图像。例如，对于产品类型a，通过设计的缺陷检测模型对产品类型a下的待检测产品进行检测时，预先采集以及在检测的过程中采集了产品类型a对应的图像(包含缺陷的产品图像、以及正常产品的产品图像)，从而可以完成对于产品类型a对应的待检测产品是否存在缺陷的检测。

在本实施例中，主要是针对出现了新的产品类型的情况下如何设计新产品类型的缺陷检测算法的设计以及在设计该缺陷检测算法的过程中如何收集作为样本的缺陷图像。而在这个过程中，需要获取在其他已有的产品类型(例如产品类型a)的缺陷检测的过程中已采集的图像，即为第一类图像。

需要说明的是，在本实施例中，第一类图像可以是与产品类型a对应的包含了产品类型a上出现的缺陷图像，也可以是之前出现的所有的产品类型(包括产品类型a1、a2、a3，……，an)对应的出现的所有缺陷的缺陷图像。

其中，第一类图像中包含的缺陷即为待检测产品在生产过程中出现的可能不符合要求的缺陷，例如，在工业生产印花布匹过程中，出现包含有缺陷的不良品，在印花布匹中常见的有印花错误、污损、破洞等缺陷，也就是说，包含有缺陷的第一类图像即为包含有上述印花错误、污损、破洞等缺陷的布匹的图像。

步骤s104：提取所述第一类图像中的缺陷特征；

在获取到包含有缺陷的第一类图像之后，即可对图像进行识别、分析、处理以提取第一类图像中包含的缺陷所对应的缺陷特征，其中，缺陷特征用来表征缺陷的位置、大小、形状、种类等相关特性。例如，在待检测产品为布匹的情况下，缺陷可以是印花错误、污损、破洞等，而缺陷特征即为上述印花错误、污损、破洞等缺陷的位置、大小、形状、种类等相关缺陷特征。也就是说，缺陷特征是用来表征某一个第一类图像上出现的缺陷的特性，并且，在本步骤中，提取的缺陷特征的具体种类可以根据对产品进行检测的要求来进行设定。

在一个具体的实施例中，在提取第一类图像的缺陷特征的过程可以是根据灰度图来进行提取的，即，在一个实施例中，上述提取上述第一类图像中的缺陷特征的步骤包括：根据灰度值对上述第一类图像中的缺陷进行检测，确定上述缺陷的位置；根据上述缺陷的位置从上述第一类图像中提取出上述缺陷特征。上述缺陷特征用于识别缺陷，确定缺陷的位置、大小、形状、种类。例如，在如图2所示的应用场景中，根据图像中的灰度值可以提取缺陷所在的位置对应的图像区域。

其中，获取到的包含有缺陷的第一类图像可以是灰度图像也可以是彩图，若获取到的是灰度图像，在本步骤中根据灰度值进行特征的检测和提取可以直接对第一类图像进行处理；若获取到的是彩图，则需要对第一类图像进行灰度变换获取到与第一类图像对应的灰度图像之后，再对该变换得到的灰度图像进行缺陷的检测和提取。

在本实施例中，提取缺陷特征的过程即为对第一类图像中出现的印花错误、污损、破洞的缺陷进行识别并获取该缺陷相应的特征的过程。

具体的，在一个实施例中，上述提取第一类图像中的缺陷特征的过程具体可以如下：

根据灰度值对上述第一类图像的缺陷进行检测，确定缺陷所在位置；根据上述缺陷的位置从上述第一类图像中提取出上述缺陷特征。

具体的，第一类图像上有部分缺陷，根据灰度值对比，确定出第一类图像中存在的缺陷所对应的位置，将位置确定好之后，就可以根据缺陷所在的位置获取缺陷对应的缺陷特征，以用于后续的算法。

一般缺陷的灰度等级与邻域范围的灰度等级区别明显，通过自适应阈值分割来确定缺陷存在的位置。当不同图像区域之间出现灰度等级明显区别的情况下，可认为该图像区域内存在缺陷。并且，当出现异常灰度值的区域面积值大于预设面积值时，确定缺陷存在，通过提取到的异常区域的长宽比值来确定缺陷的形状。

另外，根据第一类图像获取到的缺陷的数量以及种类较为有限，在后续进行缺陷检测的过程中据此进行，可能因为缺陷的数量、种类的不足而导致算法的准确度有限。因此，在一个可选的实施例中，根据第一类图像所提取到的缺陷进行进一步的处理，在合理的范围内增加缺陷的种类、数量等。

具体的，上述提取上述第一类图像中的缺陷特征的步骤之后，还包括：对上述缺陷特征进行变换处理，得到变换缺陷特征，上述变换处理包括：缩放、仿射、对比度中的至少一种。

一般来讲，相同或类似的产品类型上可能出现的缺陷存在相似，仅在方向、位置、大小等方面存在差异，因此，可以通过各种变换来获取更多的缺陷以及缺陷特征。例如，将某一个缺陷进行放大或缩小、对某一个缺陷进行镜面反射、旋转等。并且，通过对已经提取到的缺陷以及缺陷特征经过变换之后获取到的缺陷为变换缺陷，与其对应的缺陷特征为变换缺陷特征，可同第一类图像中获取到的缺陷及相应的缺陷特征同样地用于后续步骤中的目标图像的生成。

具体的，如图3所示，可以对缺陷放大或缩小来获取新的缺陷。即，a1为上述第一类图像中提取到的缺陷特征，通过缩放的方式对a1进行变换得到m2和/或m3变换缺陷特征，m2是将上述缺陷特征通过缩小的方式获取的，m3是通过将上述缺陷特征通过放大的方式获取的。提取到的缺陷特征a1和变换缺陷特征m2和/或m3形成缺陷序列图，用于后续的算法。

在一个实施例中，如图4所示，可以对缺陷进行平移、剪切等仿射变换来获取新的缺陷。具体的，a1为上述提取到的缺陷特征，通过仿射的方式获取m4，m5和/或m6变换缺陷特征，m4是以平移的方式对上述提取到的缺陷特征改变水平或竖直方向上的位置得到的，m5是以旋转的方式对上述提取到的缺陷特征获取的，m6是通过剪切的方式对上述提取到的缺陷特征获取的。提取到的缺陷特征a1和变换缺陷特征m4，m5和/或m6形成缺陷序列图，用于后续的算法。

在一个实施例中，如图5所示，可以对缺陷进行对比度的调节来获取新的缺陷。具体的，图中a1是从第一类包含有缺陷的图像中提取到缺陷特征，通过调整伽马曲线(gamma曲线)进而调节亮度，获取到变换缺陷特征，图中m7是通过调整伽马曲线获取的变换缺陷特征图。在本实施例中，通过对比度，调整伽马曲线进而调节亮度对上述提取到的缺陷特征进行变换，数码图像中的每个像素都有一定的光亮程度，即从黑色(0)到白色(1)，通过对伽马曲线的调整获取变换缺陷特征。提取到的缺陷特征a1和变换缺陷特征m7形成缺陷序列图，用于后续的算法。

步骤s106：获取第二类图像。

如前所述，第一类图像是指当前进行检测的产品类型和/或历史进行检测的产品类型所对应的图像，且在该图像中包含了存在的缺陷。而在进行产品类型的变更时，需要针对新的产品类型进行图像的采集并设计新的检测算法。具体的，在本实施例中，上述第二类图像是不包含有缺陷的正常图像。

在本实施例中，不需要针对新的产品类型采集大量的包含缺陷的图像，只需要采集新的产品类型所对应的不包含缺陷的图像即可。例如，在从产品类型a切换成产品类型b的情况下，只需要采集产品类型b的部分不包含缺陷的图像即可，即为第二类图像。

一般来讲，在工业生产印花布匹过程中，由于不良品率低，收集包含有缺陷的样本是非常困难及耗时的，获取不包含有缺陷的样本是非常容易获得的，因此，在本实施例中，针对产品类型b只需要采集其对应的不包含缺陷的样本的图像，可以进一步地节省算法设计在图像采集的环节中的工作量。

在一个具体的实施例中，当第一类印花布a完成图像收集及算法设计并实际应用在工业生产的产品检测之后，在切换到第二类印花布b时，仅需要在第二类印花布b的前20米左右收集一定数量的不包含有缺陷的样本即可，例如，可以采集200张左右的第二类印花布b的图像作为第二类图像。

步骤s108：将所述缺陷特征和所述第二类图像进行融合生成包含有所述缺陷特征的目标图像。

目标图像即为新的产品类型b所对应的可用于产品检测算法的设计的图像。如前所述，在本实施例中，目标图像的获取不是人工采集产品类型b所对应的大量的包含了缺陷的图像，而是利用产品类型b所对应的不包含缺陷的第二类图像去进行生成。而一般来讲，相同或类似的产品类型上可能出现的缺陷存在相似，因此，在本实施例中可以利用上述步骤s102-s104获取到的缺陷以及缺陷特征和新的产品类型所对应的第二类图像来生成目标图像。例如，将上述获取到的缺陷对应的缺陷特征与第二类图像进行合并，从而生成的图像即为与新产品类型对应的包含了缺陷的目标图像，并用于后续针对新产品类型的产品检测的算法设计。

具体的，将第一类图像获取到缺陷特征与新出现的类型图像第二类图像相互叠加，生成包含有缺陷特征的目标图像，用于后续检测产品类型b对应的待检测产品的缺陷存在问题。这样的融合过程减少了缺陷样本的收集，同时使缺陷数量足够多，保证了设计算法的精准性和适用范围广。

进一步的，在本实施例中，通过缺陷特征与第二类图像的融合生成新的目标图像的过程，可以是将缺陷特征按照预设的融合算法添加到第二类图像中来生成包含有缺陷的新产品类型的过程，也可以是根据缺陷特征中包含的缺陷位置来确定缺陷特征在第二类图像中所在的位置之后据此进行融合生成目标图像的过程。

具体的，上述将所述缺陷特征和所述第二类图像进行融合生成包含有所述缺陷特征的目标图像的步骤包括：根据所述缺陷在所述第一类图像中的位置确定在所述第二类图像中的融合位置；根据所述融合位置将所述缺陷特征和所述第二类图像进行叠加生成包含有所述缺陷特征的目标图像。

也就是说，获取缺陷特征的过程中，获取相应的缺陷在第一类图像中的位置，然后根据该位置来确定相应的缺陷在第二类图像中的融合位置，并据此进行融合。需要说明的是，在将缺陷与第二图像进行融合时，对于缺陷在第二类图像中的位置可以是该缺陷之前在第一类图像中的位置，也可以是其他位置。而在本实施例中，确定缺陷所在的位置可以是直接使用缺陷在第一类图像中的位置，也可以是对缺陷在第一类图像中的位置进行变换、或者按照预设的算法进行计算融合位置，具体可以根据缺陷的种类来进行确定。

进一步的，相同或类似的产品类型上可能出现的缺陷存在相似，仅在方向、位置、大小等方面存在差异。将在第一类图像中提取到的缺陷特征经变换后获取到变换缺陷特征，变换缺陷特征在和第二类图像进行融合叠加的过程中，是通过变换方式确定缺陷所在位置，其中变换方式包括了缩放、平移等方式。例如，从a类印花布中提取到缺陷特征a1，通过平移获取到变换缺陷特征m4，若将a1直接和b类印花布融合，则该融合位置和a类印花布中缺陷存在的位置一致，若将m4和b类印花布融合时，由于发生了位置的平移变换，也就是说，通过平移来确定了缺陷在第二类图像中的融合位置。

另外，如前所述，可以通过缺陷的变换来增加缺陷的数量和种类，从而提高针对缺陷检测的算法的准确性。也就是说，变换得到的缺陷特征也可以表征在待检测产品上可能出现的缺陷，因此，在将缺陷与第二类图像进行融合的时候，考虑的不仅可以包含从第一类图像中提取得到的缺陷以及缺陷特征，还可以包含根据变换得到的变换缺陷以及变换缺陷特征。

具体的，上述将缺陷特征和第二类图像进行融合生成包含有缺陷特征的目标图像的该过程还包括：将变换缺陷特征和第二类图像进行融合生成包含有变换缺陷特征的目标图像。

例如，如图6所示，图6所展示的目标图像是将通过包含有缺陷的第一类图像中提取到的缺陷特征a1和变换缺陷特征m2-m7和上述第二类图像进行融合生成的。其中，b1是上述提取到的缺陷特征a1和上述第二类图像进行融合获取的，n2和n3是上述通过缩放获取到的变换缺陷特征m2和m3与上述第二类图像融合获取的，n4、n5、n6分别是上述通过平移、旋转、剪切获取到的变换缺陷特征m4、m5、m6与上述第二类图像融合获取到的，n7分别是上述通过对比度，调整伽马曲线进而调节亮度获取到的变换缺陷特征m7与上述第二类图像融合获取到的。也就是说，通过本方法生成的产品类型b的目标图像包含了在工业生产过程中可能存在的缺陷。

上述将缺陷与第二类图像进行融合的过程是将缺陷特征与第二类图像进行简单的叠加，为了进一步的提高生成的图像所对应的缺陷检测算法的准确度，可以采用深度学习、人工智能等算法提高融合过程的准确性。

具体的，在其他实施例中，上述将所述缺陷特征和所述第二类图像进行融合得到包含有所述缺陷特征的目标图像的步骤包括：将所述第二类图像作为缺陷融合模型的输入，所述缺陷融合模型是根据包含有缺陷的第一类图像和不包含有缺陷的第一类图像采用对抗学习进行训练得到的；获取所述缺陷融合模型输出的包含有缺陷特征的目标图像。

具体的，首先通过一定数量的训练样本对缺陷融合模型进行训练，以获取可以用于目标图像融合生成的缺陷融合模型。其中，缺陷融合模型可以是一深度学习模型，通过对样本数据进行对抗学习训练得到的。其中，对抗学习是通过生成式对抗网络完成的，是一种深度学习模型，可以根据输入的训练样本对缺陷融合模型进行完善。

上述缺陷融合模型的训练样本是包含有缺陷特征和不包含有缺陷特征的第一类图像，该图像是在历史对待检测产品进行检测的过程中采集的。例如，在训练缺陷融合模型的过程中，将不包含有缺陷的第一类图像作为输入，包含有缺陷的第一类图像作为输出，对缺陷融合模型进行训练。然后，在目标图像生成的过程中，将第二类图像作为缺陷融合模型的输入，缺陷融合模型可以计算得到与输入的第二类图像匹配的包含了缺陷特征的目标图像，从而完成针对新产品类型b的目标图像的生成。

此外，在本实施例中，还提供了一种图像生成的装置。

如图7所示，上述图像生成的装置包括第一获取模块102、提取特征模块104、第二获取模块106、融合模块108，其中：

第一获取模块102，用于获取包含有缺陷的第一类图像；

提取特征模块104，用于提取所述第一类图像中的缺陷特征；

第二获取模块106，用于获取第二类图像；

融合模块108，用于将所述缺陷特征和所述第二类图像进行融合生成包含有所述缺陷特征的目标图像。

在一个实施例中，如图8所示，上述图像生成的装置还包括缺陷特征变换模块110，用于对提取到的缺陷特征进行变换，用于增加缺陷的数量，获取更多缺陷特征。

在一个实施例中，提取特征模块104还用于：根据所述缺陷在所述第一类图像中的位置确定在所述第二类图像中的融合位置；根据所述融合位置将所述缺陷特征和所述第二类图像进行叠加生成包含有所述缺陷特征的目标图像。通过提取特征模块104获取图2中所示的a1缺陷特征。

在一个实施例中，缺陷特征变换模块110还用于：对所述缺陷特征进行变换处理，得到变换缺陷特征，所述变换处理包括：缩放、仿射、对比度中的至少一种。通过缺陷特征变换模块110获取到图3-图5中的m2-m7变换缺陷特征。

在一个实施例中，融合模块108还用于：根据所述缺陷在所述第一类图像中的位置确定在所述第二类图像中的融合位置；根据所述融合位置将所述缺陷特征和所述第二类图像进行叠加生成包含有所述缺陷特征的目标图像。

在一个实施例中，融合模块108还可以用于：将所述变换缺陷特征和所述第二类图像进行融合生成包含有所述变换缺陷特征的目标图像。通过融合模块108获取图6中b1以及n2-n7包含有缺陷特征的第二类图像。

在一个实施例中，融合模块108还可以通过对抗学习获取，具体的，如图9所示，上述图像生成的装置还可以包括对抗学习模块112，用于：将所述第二类图像作为缺陷融合模型的输入，所述缺陷融合模型是根据包含有缺陷的第一类图像和不包含有缺陷的第一类图像采用对抗学习进行训练得到的；获取所述缺陷融合模型输出的包含有缺陷特征的目标图像。

在一个实施例中，如图10所示，提供了一种计算机设备的内部结构图。该计算机设备具体可以是服务器，也可以是终端。如图10所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现图像生成的方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行边缘检测方法。本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，本申请提供的一种图像生成的方法、装置、终端设备及存储介质可以实现为一种计算机程序的形式，计算机程序可在如图10所示的计算机设备上运行。计算机设备的存储器中可存储组成该边缘检测装置的各个程序模块。比如，第一获取模块102、提取特征模块104、第二获取模块106、融合模块108、缺陷特征变换模块110、对抗学习模块112。

另外，本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的通讯方法和步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来现。也就是说，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所述集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法或装置中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。