图像处理方法、存储介质以及电子设备与流程

1.本发明涉及图像处理领域，具体而言，涉及一种图像处理方法、存储介质以及电子设备。


背景技术：

2.目前，在计算机视觉任务中，一般采用深度学习技术对图像中的对象进行检测，深度学习技术的复杂度较高，导致检测的效率较低，对于复杂度较低的检测方式，其检测的精确度较差。
3.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本技术实施例提供了一种图像处理方法、存储介质以及电子设备，以至少解决相关技术中对图像进行检测的精确度较低的技术问题。
5.根据本技术实施例的一个方面，提供了一种图像处理方法，包括：获取目标图像，其中，目标图像包含目标对象；对目标图像进行多尺度特征提取，得到多个第一特征图；利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合；对至少一个第二特征图进行检测，得到目标对象的检测结果。
6.根据本技术实施例的一个方面，提供了一种图像处理方法，包括：获取目标遥感图像，其中，目标遥感图像包含目标对象；对目标遥感图像进行多尺度特征提取，得到多个第一特征图；利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合；对至少一个第二特征图进行检测，得到目标对象的检测结果。
7.根据本技术实施例的一个方面，提供了一种图像处理方法，包括：获取农业遥感图像，其中，农业遥感图像包含农作物；对农业遥感图像进行多尺度特征提取，得到多个第一特征图；利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合；对至少一个第二特征图进行检测，得到农作物的检测结果。
8.根据本技术实施例的一个方面，提供了一种图像处理方法，包括：获取建筑物遥感图像，其中，建筑物遥感图像包含目标建筑物；对建筑物遥感图像进行多尺度特征提取，得到多个第一特征图；利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合；对至少一个第二特征图进行检测，得到目标建筑物的检测结果。
9.根据本技术实施例的一个方面，提供了一种图像处理方法，包括：云服务器获取目标图像，其中，目标图像包含目标对象；云服务器对目标图像进行多尺度特征提取，得到多个第一特征图；云服务器利用多分支网络结构对多个第一特征图进行特征融合，得到至少
一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合；云服务器对至少一个第二特征图进行检测，得到目标对象的检测结果。
10.在本技术实施例中，首先获取目标图像，其中，目标图像包含目标对象；对目标图像进行多尺度特征提取，得到多个第一特征图；利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于表示通过多个分支对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合，对至少一个第二特征图进行检测，得到目标对象的检测结果，实现了提高目标对象检测结果的准确度。容易注意到的是，可以通过多个分支对第一特征图进行特征融合，从而提高得到的至少一个第二特征图的精确度，并且多个分支还可以减少融合过程中的参数量，从而可以提高融合的效率，进而解决了相关技术中对图像进行检测的精确度较低的技术问题。
附图说明
11.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
12.图1是根据本技术实施例的一种用于实现图像处理方法的计算机终端(或移动设备)的硬件结构框图；
13.图2是根据本技术实施例1的图像处理方法的流程图；
14.图3是根据本技术实施例的一种长颈鹿目标检测器的示意图；
15.图4是根据本技术实施例的一种检测器的示意图；
16.图5是根据本技术实施例的一种多分支网络结构的示意图；
17.图6是根据本技术实施例的一种通过目标检测模型进行检测的示意图；
18.图7是根据本技术实施例的一种目标检测模型训练的示意图；
19.图8是根据本技术实施例2的一种图像处理方法的流程图；
20.图9是根据本技术实施例3的一种图像处理方法的流程图；
21.图10是根据本技术实施例4的一种图像处理方法的流程图；
22.图11是根据本技术实施例5的一种图像处理方法的流程图；
23.图12是根据本技术实施例6的一种图像处理装置的示意图；
24.图13是根据本技术实施例7的一种图像处理装置的示意图；
25.图14是根据本技术实施例8的一种图像处理装置的示意图；
26.图15是根据本技术实施例9的一种图像处理装置的示意图；
27.图16是根据本技术实施例的一种计算机终端的结构框图。
具体实施方式
28.为了使本技术领域的人员更好地理解本发明方案，下面将结合本技术实施例中的附图，对本技术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的实施例，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，都应当属于本发明保护的范围。
29.需要说明的是，本发明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，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。
30.首先，在对本技术实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
31.gfpn：generalized-feature pyramid networks，广义特征金字塔网络结构，作用在检测特征融合部分，用来做不同尺度下的特征融合。
32.gfocalv2：generalized focal loss v2，一种特殊的网络结构，用于目标检测中目标与预测值的匹配，用于进行特征检测。
33.yolov1 yolov2 yolov3 yolov4 yolov5 yolox：一系列特殊的基于图片的检测方法。
34.目前，基于图片的物体检测是机器视觉任务中的一种基础技术，被广泛的应用在遥感，安防，国土，水利，零售等行业中。基于深度学习的物体检测技术是目前的主流方法，但是该方案计算复杂度往往很高，很难满足实际实用。
35.本技术提供了一种图像处理方法，可以在提高图像检测效率的同时提高检测结果的准确度。
36.实施例1
37.根据本技术实施例，还提供了一种图像处理方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
38.本技术实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1是根据本技术实施例的一种用于实现图像处理方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b，
……
，102n来示出)处理器(处理器可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外，还可以包括：显示器、输入/输出接口(i/o接口)、通用串行总线(usb)端口(可以作为bus总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
39.应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本技术实施例中所涉及到的，该数
据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
40.存储器104可用于存储应用软件的软件程序以及模块，如本技术实施例中的图像处理方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的图像处理方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
41.传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(network interface controller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
42.显示器可以例如触摸屏式的液晶显示器(lcd)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
43.此处需要说明的是，在一些可选实施例中，上述图1所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。
44.在上述运行环境下，本技术提供了如图2所示的图像处理方法。图2是根据本技术实施例1的图像处理方法的流程图。如图2所示，该方法包括：
45.步骤s202，获取目标图像。
46.其中，目标图像包含目标对象。
47.上述的目标图像可以为包含有待检测目标对象的图像，其中，目标图像可以为无人机和/或卫星获取到的遥感图像，目标图像还可以为拍摄设备拍摄得到的图像。
48.上述的目标对象可以为目标图像中待检测的特定物体。
49.在农业场景中，目标图像可以为农业遥感图像，目标对象可以为待检测的农作物。
50.在建筑物场景中，目标图像可以为建筑物遥感图像，目标对象可以为待检测的建筑物。
51.在一种可选的实施例中，为了更好的对目标图像进行处理，可以将获取到的目标图像传输给相应的处理设备进行处理，例如，直接传输给用户的计算机终端(例如，笔记本电脑、个人电脑等)进行处理，或者通过用户的计算机终端传输给云服务器进行处理。需要说明的是，由于对目标图像处理需要大量的计算资源，在本技术实施例中以处理设备为云服务器为例进行说明。
52.例如，为了方便用户上传目标图像，可以提供给用户一个交互界面，其中，交互界面中包含“选择图像”、“上传”、“图像显示”等控件，用户可以点击“选择图像”按钮确定需要上传的目标图像，并通过点击“上传”按钮将目标图像上传至云服务器进行处理。另外，为了方便用户确认选择的目标图像是否为需要处理的目标图像，可以在“图像显示”区域中显示选择的目标图像，在用户确认无误之后，通过点击“上传”按钮进行数据上传。
53.需要说明的是，客户端与云服务器之间可以通过特定接口进行数据交互，客户端可以将用户选择的目标对象的描述页面传入接口函数，并作为接口的一个参数，实现将目标对象的描述页面上传至云服务器的目的。
54.步骤s204，对目标图像进行多尺度特征提取，得到多个第一特征图。
55.在一种可选的实施例中，可以对目标图像进行多尺度特征提取，以便于得到不同尺度的多个第一特征图，可以通过预设的特征融合策略对多个第一特征图进行融合，以提高对特征图的检测精确度。
56.在另一种可选的实施例中，可以利用长颈鹿目标检测器(giraffedet)中的特征提取层对目标图像进行多尺度特征提取，得到多个第一特征图，其中，多个第一特征图的尺度不同。可选的，特征提取层中包含有多个缩放层(scale)，每个缩放层对应的尺寸不同，可以根据多个缩放层对目标图像进行多尺度特征提取，得到多个第一特征图。
57.步骤s206，利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图。
58.其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合。
59.上述的多分支网络结构中可以包含两个或两个以上的分支，具体包含的分支数量可以由用户自行设置，也可以根据需求对分支的数量灵活调整。
60.在一种可选的实施例中，可以按照预设的特征融合策略利用多分支网络对多个第一特征图进行反复多次的特征融合，得到多个第二特征图，其中，特征融合策略可以为giraffedet所使用的特征融合策略。
61.图3是根据本技术实施例的一种长颈鹿目标检测器的示意图，如图3所示，s1-s5为特征提取层提取得到的不同尺度的多个第一特征图，可以将多个第一特征图进行反复多次的融合，并采用log2n的形式对融合得到的特征图进行连接，得到最终需要检测的特征图。在融合部分，可以采用图3中所示的方式，将不同尺寸的特征图进行上下采样，其中，向上的箭头表示下采样的过程，向上的箭头表示上采样的过程，之后可以将不同尺寸的第一特征图进行拼接后输入到对应的多分支网络结构中，通过多分支网络结构将不同尺寸的第一特征图进行融合，得到融合后的特征，例如s5_0，之后可以反复对不同尺寸的第一特征图和融合后的特征继续进行融合，堆叠出最终的例如s5_n，其中，n表示堆叠的次数，图3中的s5_0是由s4和s5融合得到的，s4_0是由s3、s4和s5融合得到的，s5_1是由s5、s5_0和s4_0融合得到的，其中，s5_1和s5之前存在跨连，其中，跨连是按照log2n的形式进行连接。
62.在一种可选的实施例中，对目标图像中的目标对象进行检测的框架可以为backbone(特征提取网络)-neck(浅层高分辨率细节特征图与低分辨率语义特征图进行融合)-head(检测器)，其中，目前，backbone：neck：head的计算比例一般是2-4:1:2，其中，融合部分的计算比例较小，导致后续的计算精度较低，为了解决该问题，本技术将计算比例调整为1:5:1，增加融合部分的计算比例，可以进一步的提高检测的精度。
63.需要说明的是，上述的计算比例是指计算量的分配，假设一共需要100gflops的计算量，那么backbone部分的计算大概会占2/5*100＝40gflops；具体计算就是神经网络里面对应的卷积这样的标准操作。
64.步骤s208，对至少一个第二特征图进行检测，得到目标对象的检测结果。
65.上述的检测结果可以为目标检测框，其中，目标检测框用于对目标图像中的目标
对象进行标注；上述的检测结果还可以包含目标对象的类别，其中，目标对象的类别可以标注在目标检测框旁边或者指定的其他地方。
66.在一种可选的实施例中，可以根据多个第一特征图进行融合，得到至少一个第二特征图，针对于不同尺度的第二特征图，可以采用不同的检测器进行检测，不同的检测器结构相同，也即，不同的检测器对应的长宽高一致，但是检测器中的参数不同由于不同尺度的第二特征图的精度不同，因此，通过不同精度的检测器对不同尺度的第二特征图进行检测，能够进一步的提高针对该尺度的特征图的检测效果，从而提高对该尺度的特征图的检测精确度。可以通过调整检测器的参数使得检测器的检测精度较高，以便检测精确度较高的第二特征图，从而提高检测的准确度，可以通过调整检测器的参数使得检测器的检测精度较低，以便检测精确度较低的第二特征图，从而提高检测的准确度。通过这种设置可以在相同的计算量下，使得检测的精度更高。
67.在另一种可选的实施例中，采用gfocalv2 head(检测算法)作为基础检测器结构。
68.图4是根据本技术实施例的一种检测器的示意图，左边显示的检测器为目标使用的检测器的方式，其针对与不同尺度的特征图，采用相同的检测器进行检测；右边显示的检测器为本技术中使用检测器的方式，其针对于不同尺度的特征图，采用参数不同但是结构相同的检测器进行检测，从而提高检测的精确度。
69.在另一种可选的实施例中，可以获取目标图像，其中，目标图像包含目标对象；可以利用目标检测模型中的特征提取层对目标图像进行多尺度特征提取，得到多个第一特征图；可以利用目标检测模型中的多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合；可以利用目标检测模型中的检测器对至少一个第二特征图进行检测，得到目标对象的检测结果。
70.通过上述步骤，首先获取目标图像，其中，目标图像包含目标对象；对目标图像进行多尺度特征提取，得到多个第一特征图；利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于表示通过多个分支对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合，对至少一个第二特征图进行检测，得到目标对象的检测结果，实现了提高目标对象检测结果的准确度。容易注意到的是，可以通过多个分支对第一特征图进行特征融合，从而提高得到的至少一个第二特征图的精确度，并且多个分支还可以减少融合过程中的参数量，从而可以提高融合的效率，进而解决了相关技术中对图像进行检测的精确度较低的技术问题。
71.本技术上述实施例中，多分支网络结构包括：第一分支、第二分支，其中，第一分支的输出与第二分支的输出连接。
72.上述的第一分支中可以包含有1
×
1的卷积层，上述的第二分支中可以包含有n个1
×
1和3
×
3的卷积块，其中，n个卷积块可以依次连接。需要说明的是第二分支中的3
×
3可以替换为其他的卷积层，例如，可以将3
×
3替换为5
×
5，但不限于此。
73.在一种可选的实施例中，多分支网络结构可以包括：第一卷积层、第一分支、第二分支、第一卷积层的输出与第一分支和第二分支的输入连接，第一分支的输出与第二分支的输出连接。
74.上述的第一卷积层可以为1
×
1。
75.图5是根据本技术实施例的一种多分支网络结构的示意图，如图5所示可以将待融合的多个第一特征图进行处理后合并，得到合并特征图，可以将合并特征图分别输入到第一分支和第二分支进行处理，得到两个分支输出的两个输出特征图，可以对两个输出特征图进行拼接，得到第二特征图。
76.在另一种可选的实施例中，多分支网络结构还可以包含多个分支，此处不做限定，其中，第一分支中可以包含多个子分支，第二分支中也可以包含多个子分支。
77.本技术上述实施例中，利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，包括：对多个第一特征图进行通道合并，得到合并特征图；利用第一分支对合并特征图进行卷积处理，得到第一输出特征；利用第二分支对合并特征图进行卷积处理，得到第二输出特征；对第一输出特征和第二输出特征进行通道合并，得到至少一个第二特征图。
78.上述的第一分支中可以包含有不同卷积核的卷积层，通过不同大小的卷积核对应的卷积层对合并特征图进行处理，可以减少卷积操作的计算量，从而提高融合的效率。
79.在一种可选的实施例中，可以利用第一卷积层对多个第一特征图直接进行通道合并，得到上述的合并特征图。还可以利用第一卷积层对多个第一特征图进行卷积操作，得到多个第三特征图，以便能够将多个第一特征图的尺寸进行统一，便于后续的合并过程，可以对多个第三特征图的通道进行合并，实现将多个第三特征图进行拼接的效果，得到合并特征图，可以线利用第一分支对合并特征图进行卷积处理，得到第一输出特征，可以利用第二分支对合并特征进行卷积处理，得到第二输出特征，可以将第一输出特征和第二输出特征的通道进行合并，得到第二特征图。
80.进一步的，可以将第二特征图作为第一特征图，并利用多分支网络继续对多个第一特征图进行处理，得到新的第二特征图，通过此步骤进行反复多次的操作，可以得到多个第二特征图。
81.本技术上述实施例中，第一分支包括：至少一个卷积块，多个卷积块中每个卷积块包含有多个子卷积层，多个子卷积层的卷积核不同。
82.在一种可选的实施例中，可以根据输入的第一特征图的数量确定卷积块的数量，若输入的第一特征图的数量为n，则卷积块的数量为n。
83.上述的多个子卷积层的卷积核的大小不同，其中，多个子卷积层中位于卷积块前面的卷积层对应的卷积核可以小于位于卷积块后面的卷积层对应的卷积核。
84.上述的多个子卷积层可以分别为1
×
1和3
×
3。
85.上述的多个卷积块中包含的多个子卷积层可以相同。上述的多个卷积块中包含的多个子卷积层可以不同。
86.本技术上述实施例中，利用第一分支对合并特征图进行卷积处理，得到第一输出特征，包括：利用至少一个卷积块对合并特征图进行卷积处理，得到第一输出特征。
87.上述的卷积块中包含有第一子卷积层和第二子卷积层，其中，第一子卷积层可以为卷积核较小的卷积层，第二子卷积层可以为卷积核较大的卷积层。第一子卷积层可以为1
×
1，第二子卷积层可以为3
×
3。
88.在一种可选的实施例中，可以在包含一个卷积块的情况下，利用该卷积块中的第
一子卷积层对合并特征进行卷积操作，得到处理结果，可以将处理结果输入到第二子卷积层中，并利用第二子卷积层对处理结果进卷积操作，得到第一输出特征。
89.本技术上述实施例中，利用第二分支对合并特征图进行卷积处理，得到第二输出特征，包括：利用三卷积层对合并特征图进行卷积处理，得到第二输出特征。
90.上述的第三卷积层可以为1
×
1。
91.本技术上述实施例中，该方法还包括：利用目标检测模型对目标图像进行检测，得到目标对象的检测结果，其中，目标检测模型基于目标样本图像训练得到，目标样本图像通过样本检测框对多个样本图像进行数据增强得到。
92.在一种可选的实施例中，可以将目标图像输入到目标检测模型中，利用目标检测模型对目标图像进行检测，得到目标对象的检测结果。其中，目标检测模型的主要框架可以为backbone-neck-head，可以先利用backbone对目标图像进行多尺度特征提取，得到多个第一特征图，然后利用neck利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合；最后利用head对至少一个第二特征图进行检测，得到目标对象的检测结果。
93.在一种可选的实施例中，目标检测模型可以是常用的检测模型，其训练所采样的样本图像与常规所采用的样本图像不同，主要是通过样本检测框对多个样本图像进行数据增强，得到目标样本图像。
94.在另一种可选的实施例中，目标检测模型可以中可以包含有特征提取层、多分支网络结构、检测层，其中，特征提取层用于对目标图像进行多尺度特征提取，得到多个第一特征图，多分支网络结构用于对多个第一特征图进行融合，得到至少一个第二特征图，检测层用于对至少一个第二特征图进行检测，得到目标对象的检测结果。其中，多分支网络结构可以包含有第一分支、第二分支，其中，第一分支的输出与第二分支的输出连接。
95.图6是根据本技术实施例的一种通过目标检测模型进行检测的示意图，可以将待检测的目标图像输入到目标检测模型中，目标检测模型可以输出目标图像中目标对象的检测结果，其检测结果通过目标检测框对目标对象进行标注得到。
96.本技术上述实施例中，该方法还包括：获取多个样本图像和多个样本图像对应的样本检测框，其中，样本检测框用于标注样本图像中的目标对象；确定多个样本图像中预设数量的样本检测框为目标检测框；对目标检测框对应的目标对象进行数据增强，得到目标样本图像；利用目标样本图像对初始检测模型进行训练，得到目标检测模型。
97.在一种可选的实施例中，可以先对多个样本图像进行混合，得到混合图像，然后将混合图像中包含的多个样本检测框中预设数量的样本检测框确定为目标检测框。
98.在另一种可选的实施例中，可以在训练数据集中随机选取多个样本图像和多个样本图像对应的样本检测框，可以根据多个样本图像的box level(区域级别)对多个样本图像进行数据增强，可以先对于多个样本图像进行一次全局数据增强，得到增强后的多个样本图像，然后从增强后的多个样本图像中随机选取预设数量的样本检测框为目标检测框进行局部数据增强，可以对目标检测框对应的目标对象进行数据增强，得到目标样本图像，最后利用目标样本图像对初始检测模型进行训练，得到目标模型。
99.在另一种可选的实施例中，可以从多个样本图像中随机选取预设数量的样本检测框为目标检测框进行局部数据增强，可以对目标检测框对应的目标对象进行数据增强，得
到增强后的多个样本图像，然后对增强后的多个样本图像进行一次全局数据增强，得到目标样本图像，最后利用目标样本图像对初始检测模型进行训练，得到目标模型。
100.上述的全局数据增强可以为对多个样本图像进行颜色变幻，旋转，对比度增强，随机抹除、缩放、裁剪等。上述的局部数据增强可以为对目标检测框中的目标对象进行颜色变幻，旋转，对比度增强，随机抹除、缩放等。
101.本技术上述实施例中，确定多个样本图像中预设数量的样本检测框为目标检测框，包括：对多个样本图像进行拼接，得到初始样本图像；对初始样本图像和预设样本图像进行混合，得到混合图像；确定混合图像中预设数量的样本检测框为目标检测框。
102.在一种可选的实施例中，可以对多个样本图像依次拼接，得到初始样本图像；可选的，可以将多个样本图像拼接到一个白底的图片上，将白底的图片填满，得到初始样本图像，若多个样本图像未将白底的图片填满，则可以继续从训练数据中随机抽取一部分样本图像对白底的图片进行填充，直至填满。可选的，还可以对多个样本图像进行随机拼接。还可以通过其他的方式对多个样本图像进行拼接，此处不做限定。
103.上述的预设数量可以为预先设置的数量，上述的预设数量还可以是根据样本检测框的数量确定得到的，例如，预设数量可以为样本检测框的30％。
104.在另一种可选的实施例中，可以利用马赛克模组(mosaic)对多个样本图像依次拼接，得到初始样本图像，其中，mosaic用于丰富目标图像中的检测背景和检测对象，以便丰富数据集。在得到初始样本图像之后，可以对初始样本图像进行缩放和裁剪，得到处理后的初始样本图像，可以利用混合模块(mixup)将处理后的初始样本图像和预设样本图像进行混合，得到混合图像，以便于进一步的对数据进行增强，从而丰富样本图像中的特征。可以将混合图像中包含的多个样本检测框中预设数量的样本检测框确定为目标检测框。
105.图7是根据本技术实施例的一种目标检测模型训练的示意图，首先将包含有样本检测框的多个样本图像输入到马赛克模块中，利用马赛克模块对多个样本图像进行拼接，得到初始样本图像，然后利用混合模块将初始样本图像和预设样本图像进行混合，得到混合图像，最后利用区域级别模块对确定混合图像中预设数量的样本检测框为目标检测框，对目标检测框对应的目标对象进行数据增强，得到目标样本图像；利用目标样本图像对初始检测模型进行训练，得到目标检测模型。
106.本技术上述实施例中，该方法还包括：输出检测结果；接收第一反馈结果，其中，第一反馈结果用于对根据检测结果对合并特征图中的通道进行修改得到；基于第一反馈结果更新合并特征图。
107.在一种可选的实施例中，可以输出检测结果，并显示检测结果至用户的客户端，用户可以根据检测结果对合并特征图中的通道进行修改，得到第一反馈结果，以便与根据第一反馈结果更新合并特征图，可以根据更新后的合并特征图进行检测，得到准确度较高的检测结果。
108.本技术中提出的神经网络结构，其可以使用轻量级的网络结构(csp_darknet)作为backbone，大比重的csp_gfpn作为neck，以及一个scale-decouple(不同尺度)gfocalv2作为head。同时结合基于学习的数据增强的训练方法，最终实现快速的、高精度对目标图像中的目标对象进行检测。大幅减少神经网络结构部署时的资源使用。
109.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列
的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
110.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的图像处理方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
111.实施例2
112.根据本技术实施例，还提供了一种图像处理方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
113.图8是根据本技术实施例2的一种图像处理方法的流程图，如图8所示，该方法可以包括如下步骤：
114.步骤s802，获取目标遥感图像。
115.其中，目标遥感图像包含目标对象。
116.步骤s804，对目标遥感图像进行多尺度特征提取，得到多个第一特征图。
117.步骤s806，利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图。
118.其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合。
119.步骤s808，对至少一个第二特征图进行检测，得到目标对象的检测结果。
120.本技术上述实施例中，多分支网络结构包括：第一分支、第二分支，其中，第一分支的输出与第二分支的输出连接。
121.本技术上述实施例中，利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，包括：对多个第一特征图进行通道合并，得到合并特征图；利用第一分支对合并特征图进行卷积处理，得到第一输出特征；利用第二分支对合并特征图进行卷积处理，得到第二输出特征；对第一输出特征和第二输出特征进行通道合并，得到至少一个第二特征图。
122.本技术上述实施例中，第一分支包括：至少一个卷积块，多个卷积块中每个卷积块包含有多个子卷积层，多个子卷积层的卷积核不同。
123.本技术上述实施例中，该方法还包括：利用目标检测模型对目标图像进行检测，得到目标对象的检测结果，其中，目标检测模型基于目标样本图像训练得到，目标样本图像通过样本检测框对多个样本图像进行数据增强得到。
124.本技术上述实施例中，该方法还包括：获取多个样本图像和多个样本图像对应的样本检测框，其中，样本检测框用于标注样本图像中的目标对象；确定多个样本图像中预设数量的样本检测框为目标检测框；对目标检测框对应的目标对象进行数据增强，得到目标
样本图像；利用目标样本图像对初始检测模型进行训练，得到目标检测模型。
125.本技术上述实施例中，确定多个样本图像中预设数量的样本检测框为目标检测框，包括：对多个样本图像进行拼接，得到初始样本图像；对初始样本图像和预设样本图像进行混合，得到混合图像；确定混合图像中预设数量的样本检测框为目标检测框。
126.本技术上述实施例中，该方法还包括：输出检测结果；接收第一反馈结果，其中，第一反馈结果用于对根据检测结果对合并特征图中的通道进行修改得到；基于第一反馈结果更新合并特征图。
127.需要说明的是，本技术上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
128.实施例3
129.根据本技术实施例，还提供了一种图像处理方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
130.图9是根据本技术实施例3的一种图像处理方法的流程图，如图9所示，该方法可以包括如下步骤：
131.步骤s902，获取农业遥感图像。
132.其中，农业遥感图像包含农作物。
133.步骤s904，对农业遥感图像进行多尺度特征提取，得到多个第一特征图。
134.步骤s906，利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图。
135.其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合。
136.步骤s908，对至少一个第二特征图进行检测，得到农作物的检测结果。
137.本技术上述实施例中，多分支网络结构包括：第一分支、第二分支，其中，第一分支的输出与第二分支的输出连接。
138.本技术上述实施例中，利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，包括：对多个第一特征图进行通道合并，得到合并特征图；利用第一分支对合并特征图进行卷积处理，得到第一输出特征；利用第二分支对合并特征图进行卷积处理，得到第二输出特征；对第一输出特征和第二输出特征进行通道合并，得到至少一个第二特征图。
139.本技术上述实施例中，第一分支包括：至少一个卷积块，多个卷积块中每个卷积块包含有多个子卷积层，多个子卷积层的卷积核不同。
140.本技术上述实施例中，该方法还包括：利用目标检测模型对农业遥感图像进行检测，得到农作物的检测结果，其中，目标检测模型基于目标样本图像训练得到，目标样本图像通过样本检测框对多个样本图像进行数据增强得到。
141.本技术上述实施例中，该方法还包括：获取多个样本图像和多个样本图像对应的样本检测框，其中，样本检测框用于标注样本图像中的农作物；确定多个样本图像中预设数量的样本检测框为目标检测框；对目标检测框对应的农作物进行数据增强，得到目标样本图像；利用目标样本图像对初始检测模型进行训练，得到目标检测模型。
142.本技术上述实施例中，确定多个样本图像中预设数量的样本检测框为目标检测框，包括：对多个样本图像进行拼接，得到初始样本图像；对初始样本图像和预设样本图像进行混合，得到混合图像；确定混合图像中预设数量的样本检测框为目标检测框。
143.本技术上述实施例中，该方法还包括：输出检测结果；接收第一反馈结果，其中，第一反馈结果用于对根据检测结果对合并特征图中的通道进行修改得到；基于第一反馈结果更新合并特征图。
144.需要说明的是，本技术上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
145.实施例4
146.根据本技术实施例，还提供了一种图像处理方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
147.图10是根据本技术实施例4的一种图像处理方法的流程图，如图10所示，该方法可以包括如下步骤：
148.步骤s1002，获取建筑物遥感图像。
149.其中，建筑物遥感图像包含目标建筑物。
150.步骤s1004，对建筑物遥感图像进行多尺度特征提取，得到多个第一特征图。
151.步骤s1006，利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图。
152.其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合。
153.步骤s1008，对至少一个第二特征图进行检测，得到目标建筑物的检测结果。
154.本技术上述实施例中，多分支网络结构包括：第一分支、第二分支，其中，第一分支的输出与第二分支的输出连接。
155.本技术上述实施例中，利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，包括：对多个第一特征图进行通道合并，得到合并特征图；利用第一分支对合并特征图进行卷积处理，得到第一输出特征；利用第二分支对合并特征图进行卷积处理，得到第二输出特征；对第一输出特征和第二输出特征进行通道合并，得到至少一个第二特征图。
156.本技术上述实施例中，第一分支包括：至少一个卷积块，多个卷积块中每个卷积块包含有多个子卷积层，多个子卷积层的卷积核不同。
157.本技术上述实施例中，该方法还包括：利用目标检测模型对建筑物遥感图像进行检测，得到目标建筑物的检测结果，其中，目标检测模型基于目标样本图像训练得到，目标样本图像通过样本检测框对多个样本图像进行数据增强得到。
158.本技术上述实施例中，该方法还包括：获取多个样本图像和多个样本图像对应的样本检测框，其中，样本检测框用于标注样本图像中的目标建筑物；确定多个样本图像中预设数量的样本检测框为目标检测框；对目标检测框对应的目标建筑物进行数据增强，得到目标样本图像；利用目标样本图像对初始检测模型进行训练，得到目标检测模型。
159.本技术上述实施例中，确定多个样本图像中预设数量的样本检测框为目标检测
框，包括：对多个样本图像进行拼接，得到初始样本图像；对初始样本图像和预设样本图像进行混合，得到混合图像；确定混合图像中预设数量的样本检测框为目标检测框。
160.本技术上述实施例中，该方法还包括：输出检测结果；接收第一反馈结果，其中，第一反馈结果用于对根据检测结果对合并特征图中的通道进行修改得到；基于第一反馈结果更新合并特征图。
161.需要说明的是，本技术上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
162.实施例5
163.根据本技术实施例，还提供了一种图像处理方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
164.图11是根据本技术实施例5的一种图像处理方法的流程图，如图11所示，该方法可以包括如下步骤：
165.步骤s1102，云服务器获取目标图像。
166.其中，目标图像包含目标对象。
167.步骤s1104，云服务器对目标图像进行多尺度特征提取，得到多个第一特征图。
168.步骤s1106，云服务器利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图。
169.其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合。
170.步骤s1108，云服务器对至少一个第二特征图进行检测，得到目标对象的检测结果。
171.本技术上述实施例中，多分支网络结构包括：第一分支、第二分支，其中，第一分支的输出与第二分支的输出连接。
172.本技术上述实施例中，云服务器利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，包括：云服务器对多个第一特征图进行通道合并，得到合并特征图；云服务器利用第一分支对合并特征图进行卷积处理，得到第一输出特征；云服务器利用第二分支对合并特征图进行卷积处理，得到第二输出特征；云服务器对第一输出特征和第二输出特征进行通道合并，得到至少一个第二特征图。
173.本技术上述实施例中，第一分支包括：至少一个卷积块，多个卷积块中每个卷积块包含有多个子卷积层，多个子卷积层的卷积核不同。
174.本技术上述实施例中，该方法还包括：云服务器利用目标检测模型对目标图像进行检测，得到目标对象的检测结果，其中，目标检测模型基于目标样本图像训练得到，目标样本图像通过样本检测框对多个样本图像进行数据增强得到。
175.本技术上述实施例中，该方法还包括：云服务器获取多个样本图像和多个样本图像对应的样本检测框，其中，样本检测框用于标注样本图像中的目标对象；云服务器确定多个样本图像中预设数量的样本检测框为目标检测框；云服务器对目标检测框对应的目标对象进行数据增强，得到目标样本图像；云服务器利用目标样本图像对初始检测模型进行训练，得到目标检测模型。
176.本技术上述实施例中，云服务器确定多个样本图像中预设数量的样本检测框为目标检测框，包括：云服务器对多个样本图像进行拼接，得到初始样本图像；云服务器对初始样本图像和预设样本图像进行混合，得到混合图像；云服务器确定混合图像中预设数量的样本检测框为目标检测框。
177.本技术上述实施例中，该方法还包括：云服务器输出检测结果；云服务器接收第一反馈结果，其中，第一反馈结果用于对根据检测结果对合并特征图中的通道进行修改得到；云服务器基于第一反馈结果更新合并特征图。
178.需要说明的是，本技术上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
179.实施例6
180.根据本技术实施例，还提供了一种用于实施上述图像处理方法的图像处理装置，图12是根据本技术实施例6的一种图像处理装置的示意图，如图12所示，该装置1200包括：获取模块1202、提取模块1204、融合模块1206、检测模块1208。
181.其中，获取模块用于获取目标遥感图像，其中，农业遥感图像包含目标对象；提取模块用于对目标遥感图像进行多尺度特征提取，得到多个第一特征图；融合模块用于利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合；检测模块用于对至少一个第二特征图进行检测，得到目标对象的检测结果。
182.此处需要说明的是，上述的获取模块1202、提取模块1204、融合模块1206、检测模块1208对应于实施例1中的步骤s202至步骤s208，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
183.本技术上述实施例中，多分支网络结构包括：第一分支、第二分支，其中，第一分支的输出与第二分支的输出连接。
184.本技术上述实施例中，融合模块，包括：第一处理单元、合并单元。
185.其中，合并单元用于对多个第一特征图进行通道合并，得到合并特征图；第一处理单元用于利用第一分支对合并特征图进行卷积处理，得到第一输出特征；第一处理单元还用于利用第二分支对合并特征图进行卷积处理，得到第二输出特征；合并单元还用于对第一输出特征和第二输出特征进行通道合并，得到至少一个第二特征图。
186.本技术上述实施例中，第一分支包括：至少一个卷积块，多个卷积块中每个卷积块包含有多个子卷积层，多个子卷积层的卷积核不同。
187.本技术上述实施例中，检测模块还用于利用目标检测模型对目标图像进行检测，得到目标对象的检测结果，其中，目标检测模型基于目标样本图像训练得到，目标样本图像通过样本检测框对多个样本图像进行数据增强得到。
188.本技术上述实施例中，该装置还包括：获取模块、确定模块、增强模块、训练模块。
189.其中，获取模块用于获取多个样本图像和多个样本图像对应的样本检测框，其中，样本检测框用于标注样本图像中的目标对象；确定模块用于确定多个样本图像中预设数量的样本检测框为目标检测框；增强模块用于对目标检测框对应的目标对象进行数据增强，得到目标样本图像；训练模块用于利用目标样本图像对初始检测模型进行训练，得到目标
检测模型。
190.本技术上述实施例中，确定模块，包括：拼接单元、混合单元、确定单元。
191.其中，拼接单元用于对多个样本图像进行拼接，得到初始样本图像；混合单元用于对初始样本图像和预设样本图像进行混合，得到混合图像；确定单元用于确定混合图像中预设数量的样本检测框为目标检测框。
192.本技术上述实施例中，该装置还包括：输出模块、接收模块、更新模块。
193.其中，输出模块用于出检测结果；接收模块用于接收第一反馈结果，其中，第一反馈结果用于对根据检测结果对合并特征图中的通道进行修改得到；更新模块用于基于第一反馈结果更新合并特征图。
194.需要说明的是，本技术上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
195.实施例7
196.根据本技术实施例，还提供了一种用于实施上述图像处理方法的图像处理装置，图13是根据本技术实施例7的一种图像处理装置的示意图，如图13所示，该装置1300包括：获取模块1302、获取模块1302、获取模块1302、获取模块1302。
197.其中，获取模块用于获取农业遥感图像，其中，农业遥感图像包含农作物；提取模块用于对农业遥感图像进行多尺度特征提取，得到多个第一特征图；融合模块用于利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合；检测模块用于对至少一个第二特征图进行检测，得到农作物的检测结果。
198.此处需要说明的是，上述的获取模块1302、提取模块1304、融合模块1306、检测模块1308对应于实施例2中的步骤s802至步骤s808，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
199.需要说明的是，本技术上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
200.实施例8
201.根据本技术实施例，还提供了一种用于实施上述图像处理方法的图像处理装置，图14是根据本技术实施例8的一种图像处理装置的示意图，如图14所示，该装置1400包括：获取模块1402、提取模块1404、融合模块1406、检测模块1408。
202.其中，获取模块用于获取建筑物遥感图像，其中，建筑物遥感图像包含目标建筑物；提取模块用于对建筑物遥感图像进行多尺度特征提取，得到多个第一特征图；融合模块用于利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合；检测模块用于对至少一个第二特征图进行检测，得到目标建筑物的检测结果。
203.此处需要说明的是，上述的获取模块1402、提取模块1404、融合模块1406、检测模块1408对应于实施例3中的步骤s902至步骤s908，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
204.本技术上述实施例中，该方法还包括：利用目标检测模型对建筑物遥感图像进行检测，得到目标建筑物的检测结果，其中，目标检测模型基于目标样本图像训练得到，目标样本图像通过样本检测框对多个样本图像进行数据增强得到。
205.需要说明的是，本技术上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
206.实施例9
207.根据本技术实施例，还提供了一种用于实施上述图像处理方法的图像处理装置，图15是根据本技术实施例9的一种图像处理装置的示意图，如图15所示，该装置1500包括：获取模块1502、提取模块1504、融合模块1506、检测模块1508。
208.其中，获取模块用于通过云服务器获取目标遥感图像，其中，目标遥感图像包含目标对象；提取模块用于通过云服务器对目标遥感图像进行多尺度特征提取，得到多个第一特征图；融合模块用于通过云服务器利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合；检测模块用于通过云服务器对至少一个第二特征图进行检测，得到目标对象的检测结果。
209.此处需要说明的是，上述的获取模块1502、提取模块1504、融合模块1506、检测模块1508对应于实施例4中的步骤s1002至步骤s1008，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
210.需要说明的是，本技术上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
211.实施例10
212.本发明的实施例可以提供一种电子设备，该电子设备包括：存储器和处理器，处理器用于运行存储器中存储的程序，该电子设备可以为计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。
213.可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
214.在本实施例中，上述计算机终端可以执行图像处理方法中以下步骤的程序代码：获取目标图像，其中，目标图像包含目标对象；对目标图像进行多尺度特征提取，得到多个第一特征图；利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合；对至少一个第二特征图进行检测，得到目标对象的检测结果。
215.可选地，图16是根据本技术实施例的一种计算机终端的结构框图。如图16所示，该计算机终端a可以包括：一个或多个(图中仅示出一个)处理器、存储器。
216.其中，存储器可用于存储软件程序以及模块，如本技术实施例中的图像处理方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的图像处理方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失
性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至终端a。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
217.处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取目标图像，其中，目标图像包含目标对象；对目标图像进行多尺度特征提取，得到多个第一特征图；利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合；对至少一个第二特征图进行检测，得到目标对象的检测结果。
218.可选的，上述处理器还可以执行如下步骤的程序代码：对多个第一特征图进行通道合并，得到合并特征图；利用第一分支对合并特征图进行卷积处理，得到第一输出特征；利用第二分支对合并特征图进行卷积处理，得到第二输出特征；对第一输出特征和第二输出特征进行通道合并，得到至少一个第二特征图。
219.可选的，上述处理器还可以执行如下步骤的程序代码：利用目标检测模型对目标图像进行检测，得到目标对象的检测结果，其中，目标检测模型基于目标样本图像训练得到，目标样本图像通过样本检测框对多个样本图像进行数据增强得到。
220.可选的，上述处理器还可以执行如下步骤的程序代码：获取多个样本图像和多个样本图像对应的样本检测框，其中，样本检测框用于标注样本图像中的目标对象；确定多个样本图像中预设数量的样本检测框为目标检测框；对目标检测框对应的目标对象进行数据增强，得到目标样本图像；利用目标样本图像对初始检测模型进行训练，得到目标检测模型。
221.可选的，上述处理器还可以执行如下步骤的程序代码：对多个样本图像进行拼接，得到初始样本图像；对初始样本图像和预设样本图像进行混合，得到混合图像；确定混合图像中预设数量的样本检测框为目标检测框。
222.可选的，上述处理器还可以执行如下步骤的程序代码：输出检测结果；接收第一反馈结果，其中，第一反馈结果用于对根据检测结果对合并特征图中的通道进行修改得到；基于第一反馈结果更新合并特征图。
223.处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取目标遥感图像，其中，目标遥感图像包含目标对象；对目标遥感图像进行多尺度特征提取，得到多个第一特征图；利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合；对至少一个第二特征图进行检测，得到目标对象的检测结果。
224.处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取农业遥感图像，其中，农业遥感图像包含农作物；对农业遥感图像进行多尺度特征提取，得到多个第一特征图；利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合；对至少一个第二特征图进行检测，得到农作物的检测结果。
225.处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取建筑物遥感图像，其中，建筑物遥感图像包含目标建筑物；对建筑物遥感图像进行多尺度特征提取，得到多个第一特征图；利用多分支网络结构对多个第一特征图进行特征融合，
得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合；对至少一个第二特征图进行检测，得到目标建筑物的检测结果。
226.处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：云服务器获取目标图像，其中，目标图像包含目标对象；云服务器对目标图像进行多尺度特征提取，得到多个第一特征图；云服务器利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合；云服务器对至少一个第二特征图进行检测，得到目标对象的检测结果。
227.采用本技术实施例，首先获取目标图像，其中，目标图像包含目标对象；对目标图像进行多尺度特征提取，得到多个第一特征图；利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于表示通过多个分支对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合，对至少一个第二特征图进行检测，得到目标对象的检测结果，实现了提高目标对象检测结果的准确度。容易注意到的是，可以通过多个分支对第一特征图进行特征融合，从而提高得到的至少一个第二特征图的精确度，并且多个分支还可以减少融合过程中的参数量，从而可以提高融合的效率，进而解决了相关技术中对图像进行检测的精确度较低的技术问题。
228.本领域普通技术人员可以理解，图15所示的结构仅为示意，计算机终端也可以是智能手机(如android手机、ios手机等)、平板电脑、掌声电脑以及移动互联网设备(mobile internet devices，mid)、pad等终端设备。图15其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图15中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图15所示不同的配置。
229.本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(read-only memory，rom)、随机存取器(random access memory，ram)、磁盘或光盘等。
230.实施例11
231.本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例一所提供的图像处理方法所执行的程序代码。
232.可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
233.可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取目标图像，其中，目标图像包含目标对象；对目标图像进行多尺度特征提取，得到多个第一特征图；利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合；对至少一个第二特征图进行检测，得到目标对象的检测结果。
234.可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：对多个第一特征图进行通道合并，得到合并特征图；利用第一分支对合并特征图进行卷积处理，得到第一输出特征；利用第二分支对合并特征图进行卷积处理，得到第二输出特征；对第一输出特征和第二输出特征进行通道合并，得到至少一个第二特征图。
235.可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：利用目标检测模型对目标图像进行检测，得到目标对象的检测结果，其中，目标检测模型基于目标样本图像训练得到，目标样本图像通过样本检测框对多个样本图像进行数据增强得到。
236.可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：获取多个样本图像和多个样本图像对应的样本检测框，其中，样本检测框用于标注样本图像中的目标对象；确定多个样本图像中预设数量的样本检测框为目标检测框；对目标检测框对应的目标对象进行数据增强，得到目标样本图像；利用目标样本图像对初始检测模型进行训练，得到目标检测模型。
237.可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：对多个样本图像进行拼接，得到初始样本图像；对初始样本图像和预设样本图像进行混合，得到混合图像；确定混合图像中预设数量的样本检测框为目标检测框。
238.可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：输出检测结果；接收第一反馈结果，其中，第一反馈结果用于对根据检测结果对合并特征图中的通道进行修改得到；基于第一反馈结果更新合并特征图。
239.可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取目标遥感图像，其中，目标遥感图像包含目标对象；对目标遥感图像进行多尺度特征提取，得到多个第一特征图；利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合；对至少一个第二特征图进行检测，得到目标对象的检测结果。
240.可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取农业遥感图像，其中，农业遥感图像包含农作物；对农业遥感图像进行多尺度特征提取，得到多个第一特征图；利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合；对至少一个第二特征图进行检测，得到农作物的检测结果。
241.可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取建筑物遥感图像，其中，建筑物遥感图像包含目标建筑物；对建筑物遥感图像进行多尺度特征提取，得到多个第一特征图；利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合；对至少一个第二特征图进行检测，得到目标建筑物的检测结果。
242.可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：云服务器获取目标图像，其中，目标图像包含目标对象；云服务器对目标图像进行多尺度特征提取，得到多个第一特征图；云服务器利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合；云服务器对至少一个第二特征图进行检测，得到目标对象的检测结果。
243.采用本技术实施例，首先获取目标图像，其中，目标图像包含目标对象；对目标图像进行多尺度特征提取，得到多个第一特征图；利用多分支网络结构对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于表示通过多个分支对多个第一特征图进行特征融合，得到至少一个第二特征图，其中，多分支网络结构用于通过多个分支对多个第一特征图进行特征融合，对至少一个第二特征图进行检测，得到目标对象
的检测结果，实现了提高目标对象检测结果的准确度。容易注意到的是，可以通过多个分支对第一特征图进行特征融合，从而提高得到的至少一个第二特征图的精确度，并且多个分支还可以减少融合过程中的参数量，从而可以提高融合的效率，进而解决了相关技术中对图像进行检测的精确度较低的技术问题。
244.上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
245.在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
246.在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
247.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
248.另外，在本发明各个实施例中的各功能单元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。
249.所述集成的单元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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
250.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。