图像处理方法、装置、计算机设备、存储介质及程序产品与流程

1.本技术涉及机器视觉技术领域，本技术涉及一种图像处理方法、装置、计算机设备、存储介质及程序产品。


背景技术：

2.随着人工智能和计算机视觉技术的发展，机器视觉技术在工业场景的应用越来越多，其所占据的地位也越来越高。例如，机器视觉技术可以应用于工业生产过程中的质量控制环节，通过图像识别的方式进行物品图像缺陷检测的方式应运而生。
3.目前在对于图像进行缺陷检测时，首先需要对待检测图像进行去噪处理。目前在缺陷检测时去噪是通过滤波器让待检测图像中周围像素灰度值的差比较大的像素改取与周围的像素值接近的值，这种方式针对消除孤立的噪声点比较有效，对于其他类型的噪点可能去除效果不理想，造成检测图像中可能仍存在噪点，对缺陷检测造成干扰，导致对于图像缺陷信息的检测准确率较低。


技术实现要素：

4.本技术针对现有方式的缺点，提出一种图像处理方法、装置、电子设备及存储介质，用以解决现有技术存在缺陷检测准确性较低的技术问题。
5.一方面，本技术实施例提供了一种图像处理方法，包括：
6.获取待检测图像，并获取待检测图像的图像信息；
7.基于预设的初始噪点模型以及图像信息生成至少一个参考噪点模型；
8.将待检测图像分别输入至少一个参考噪点模型中，得到至少一个参考噪点图像，并生成每一参考噪点图像对应的参考清晰图像；
9.基于至少一个参考清晰图像确定目标清晰图像，并基于目标清晰图像进行缺陷检测，得到待检测图像中的缺陷特征。
10.在一些可能的实施方式中，图像信息包括多个类型的图像信息；
11.基于预设的初始噪点模型以及图像信息生成至少一个参考噪点模型，包括：
12.通过预设的参数分析工具，分别确定与每一类型的图像信息对应的至少一个参考模型参数；
13.基于预设的初始噪点模型和每一类型对应的至少一个参考模型参数，生成至少一个参考噪点模型。
14.在一些可能的实施方式中，通过预设的参数分析工具，分别确定与每一类型的图像信息对应的至少一个参考模型参数，包括：
15.将所提取的多个类型的图像信息输入到参数分析工具中，得到每一类型的图像信息对应的参考模型参数范围；
16.分别从每一参考模型参数范围中，确定出至少一个参考模型参数。
17.在一些可能的实施方式中，参数分析工具包括参数分析模型；
18.参数分析模型是通过如下方式训练得到的：
19.获取多个类型的样本图像信息，以及每一类型的样本图像信息对应的样本参数范围；
20.基于样本图像信息和样本参数范围对预设的初始分析模型进行训练，得到参数分析模型。
21.在一些可能的实施方式中，生成每一参考噪点图像对应的参考清晰图像，包括：
22.分别将待检测图像中的每一像素点和每一参考噪点图像中的每一像素点进行转换，得到待检测图像的第一图像特征以及每一参考噪点图像的第二图像特征；
23.确定第一图像特征和每一第二图像特征之间的差值，得到每一对应的第三特征图像；
24.将每一第三特征图像进行转换，得到对应的参考清晰图像。
25.在一些可能的实施方式中，基于目标清晰图像进行缺陷检测，得到待检测图像中的缺陷特征，包括：
26.针对目标清晰图像中每一像素点的像素特征，将像素特征与相邻像素特征进行对比，确定像素点位置是否存在缺陷；
27.基于每一像素点的对比结果确定待检测图像中的缺陷特征。
28.在一些可能的实施方式中，基于目标清晰图像进行缺陷检测，得到待检测图像中的缺陷特征，包括：
29.从目标清晰图像中提取至少一种轮廓形态信息；
30.将至少一种轮廓形态信息分别与预设的缺陷轮廓进行相似度对比；
31.将相似度大于预设阈值的轮廓形态信息对应的轮廓特征作为缺陷特征。
32.在一些可能的实施方式中，图像信息的类型包括针对清晰像素点和噪点像素点的定义、颜色、图像单位、图像尺寸和图像坐标系。
33.另一方面，本技术实施例提供了一种图像处理装置，包括：
34.获取模块，用于获取待检测图像，并获取待检测图像的图像信息；
35.第一生成模块，用于基于预设的初始噪点模型以及图像信息生成至少一个参考噪点模型；
36.第二生成模块，用于将待检测图像分别输入至少一个参考噪点模型中，得到至少一个参考噪点图像，并生成每一参考噪点图像对应的参考清晰图像；
37.检测模块，用于基于至少一个参考清晰图像确定目标清晰图像，并基于目标清晰图像进行缺陷检测，得到待检测图像中的缺陷特征。
38.在一些可能的实施方式中，图像信息包括多个类型的图像信息；
39.第一生成模块在基于预设的初始噪点模型以及图像信息生成至少一个参考噪点模型时，具体用于：
40.通过预设的参数分析工具，分别确定与每一类型的图像信息对应的至少一个参考模型参数；
41.基于预设的初始噪点模型和每一类型对应的至少一个参考模型参数，生成至少一个参考噪点模型。
42.在一些可能的实施方式中，第一生成模块在通过预设的参数分析工具，分别确定
与每一类型的图像信息对应的至少一个参考模型参数时，具体用于：
43.将所提取的多个类型的图像信息输入到参数分析工具中，得到每一类型的图像信息对应的参考模型参数范围；
44.分别从每一参考模型参数范围中，确定出至少一个参考模型参数。
45.在一些可能的实施方式中，参数分析工具包括参数分析模型；
46.装置还包括训练模块，用于：
47.获取多个类型的样本图像信息，以及每一类型的样本图像信息对应的样本参数范围；
48.基于样本图像信息和样本参数范围对预设的初始分析模型进行训练，得到参数分析模型。
49.在一些可能的实施方式中，第二生成模块在生成每一参考噪点图像对应的参考清晰图像时，具体用于：
50.分别将待检测图像中的每一像素点和每一参考噪点图像中的每一像素点进行转换，得到待检测图像的第一图像特征以及每一参考噪点图像的第二图像特征；
51.确定第一图像特征和每一第二图像特征之间的差值，得到每一对应的第三特征图像；
52.将每一第三特征图像进行转换，得到对应的参考清晰图像。
53.在一些可能的实施方式中，检测模块在基于目标清晰图像进行缺陷检测，得到待检测图像中的缺陷特征时，具体用于：
54.针对目标清晰图像中每一像素点的像素特征，将像素特征与相邻像素特征进行对比，确定像素点位置是否存在缺陷；
55.基于每一像素点的对比结果确定待检测图像中的缺陷特征。
56.在一些可能的实施方式中，检测模块在基于目标清晰图像进行缺陷检测，得到待检测图像中的缺陷特征时，具体用于：
57.从目标清晰图像中提取至少一种轮廓形态信息；
58.将至少一种轮廓形态信息分别与预设的缺陷轮廓进行相似度对比；
59.将相似度大于预设阈值的轮廓形态信息对应的轮廓特征作为缺陷特征。
60.在一些可能的实施方式中，图像信息的类型包括针对清晰像素点和噪点像素点的定义、颜色、图像单位、图像尺寸和图像坐标系。
61.另一方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，处理器执行计算机程序以实现上述的图像处理方法。
62.另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的图像处理方法。
63.另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现上述的图像处理方法。
64.本技术提供的技术方案带来的有益效果是：
65.通过待检测图像中的图像信息生成至少一个参考噪点模型，对待检测模型分别进行去噪处理，得到至少一个参考噪点图像，并生成对应的参考清晰图像，然后从至少一个参考清晰图像中确定出目标清晰图像，针对不同各类型的待检测图像均可以得到更加准确的
清晰图像，去除待检测图像中噪点干扰，从而提高缺陷检测的准确性。
66.进一步的，通过参数分析工具，根据待检测图像的不同类型的图像信息，预测出最适用于待检测图像的参考模型参数，从而生成多个效果较好的参考清晰图像，并基于多个参考清晰图像选取最终的目标清晰图像，可以有效提高去噪效果，从而提高缺陷检测的准确性。
67.本技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
68.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
69.图1为本技术实施例提供的一种图像处理方法的实施环境示意图；
70.图2为本技术实施例提供的一种图像处理方法的流程示意图；
71.图3为本技术一个示例中提供的生成多个参考清晰图像的方案的示意图；
72.图4为本技术一个示例提供的生成缺陷显著性图的示意图；
73.图5为本技术一个示例提供的小分割平均浓度与周围的平均浓度进行对比的方案的示意图；
74.图6为本技术一个示例提供的小分割平均浓度与周围的平均浓度进行对比的方案的示意图；
75.图7为本技术实施例提供的一种图像处理装置的结构示意图；
76.图8为本技术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
77.下面结合本技术中的附图描述本技术的实施例。应理解，下面结合附图所阐述的实施方式，是用于解释本技术实施例的技术方案的示例性描述，对本技术实施例的技术方案不构成限制。
78.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本技术实施例所使用的术语“包括”以及“包含”是指相应特征可以实现为所呈现的特征、信息、数据、步骤、操作、元件和/或组件，但不排除实现为本技术领域所支持其他特征、信息、数据、步骤、操作、元件、组件和/或它们的组合等。应该理解，当我们称一个元件被“连接”或“耦接”到另一元件时，该一个元件可以直接连接或耦接到另一元件，也可以指该一个元件和另一元件通过中间元件建立连接关系。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的术语“和/或”指示该术语所限定的项目中的至少一个，例如“a和/或b”指示实现为“a”，或者实现为“a”，或者实现为“a和b”。
79.下面以具体地实施例对本技术的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。需要指出的是，下述实施方式之间可以相互参考、借鉴或结合，对于不同实施方式中相同的术语、相似的特征以及相似的实施步骤等，不再重复描述。
80.图1是本发明实施例提供的一种图像处理方法的应用环境的示意图，参见图1，应
用环境中可以包括终端101和服务器102，终端101将待检测图像发送给服务器102，服务器102获取待检测图像的图像信息，基于预设的初始噪点模型以及图像信息生成至少一个参考噪点模型；服务器102将待检测图像分别输入至少一个参考噪点模型中，得到至少一个参考噪点图像，并生成每一参考噪点图像对应的参考清晰图像；服务器102基于至少一个参考清晰图像确定目标清晰图像，并基于目标清晰图像进行缺陷检测，得到待检测图像中的缺陷特征，并将缺陷特征发送至终端101。
81.可以理解的是，图1表示的是一个示例中的应用场景，并不对本技术的图像处理方法的应用场景进行限定。在其他应用场景中，也可以是终端直接进行图像缺陷检测。
82.本技术领域技术人员可以理解，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(content delivery network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器或服务器集群。终端可以是智能手机(如android手机、ios手机等)、平板电脑、笔记本电脑、数字广播接收器、mid(mobile internet devices，移动互联网设备)、pda(个人数字助理)、台式计算机、智能家电、车载终端(例如车载导航终端、车载电脑等)、智能音箱、智能手表等，终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，但并不局限于此。具体也可基于实际应用场景需求确定，在此不作限定。
83.本技术实施例提供的图像处理方法，可以应用于服务器，也可以应用于终端。
84.图2为本技术实施例提供的一种图像处理方法的流程示意图。该方法的执行主体可以为服务器。如图2所示，该方法可以包括以下步骤：
85.步骤s201，获取待检测图像，并获取待检测图像的图像信息。
86.其中，图像信息可以包括多个类型的图像信息。
87.具体的，图像信息的类型包括针对清晰像素点和噪点像素点的定义、颜色、图像单位、图像尺寸和图像坐标系。
88.其中，针对清晰像素点和噪声像素点的定义可以是将清晰像素点或噪声像素点定义为指定的数字，例如，清晰像素点可以定义为“1”，噪声像素点可以定义为“0”；颜色可以包括待检测图像的不同颜色通道“r”、“g”、“b”信息，图像单位可以包括待检测图像的单位，例如可以是微米、像素等等；图像尺寸可以包括图像的直径、半径、宽、高等等，不同形状的图像设置有不同的尺寸；图像坐标信息可以是坐标系，例如xy坐标系，用于标定记录待检测图像中的缺陷位置。
89.步骤s202，基于预设的初始噪点模型以及图像信息生成至少一个参考噪点模型。
90.其中，参考噪点模型用于对待检测图像进行去噪处理。
91.具体的，可以根据图像信息预测出针对初始噪点模型的至少一个参考模型参数，基于预设的初始噪点模型和预测出的参考模型参数，可以生成至少一个参考噪点模型，具体针对参考噪点模型的生成过程将在下文进行进一步详细阐述。
92.步骤s203，将待检测图像分别输入至少一个参考噪点模型中，得到至少一个参考噪点图像，并生成每一参考噪点图像对应的参考清晰图像。
93.具体的，将待检测图像分别输入至少一个参考噪点模型，每一参考噪点模型输出对应的参考噪点图像，再根据待检测图像和参考噪点图像生成对应的参考清晰图像。
94.在具体实施过程中，可以将待检测图像减去参考噪点图像，得到对应的参考清晰图像，针对参考清晰图像的具体生成过程将在下文进行进一步详细阐述。
95.步骤s204，基于至少一个参考清晰图像确定目标清晰图像，并基于目标清晰图像进行缺陷检测，得到待检测图像中的缺陷特征。
96.在一些实施方式中，服务器可以将至少一个参考清晰图像发送到终端，接收用户输入终端的选择信息，基于选择信息从至少一个参考清晰图像中确定的目标清晰图像。
97.在另一些实施方式中，服务器可以将至少一个参考清晰图像发送到终端，若用户对所展示的参考清晰图像都不满意，则可以自行输入参数到用户终端，即服务器可以根据用户的输入参数，来生成噪点图像模型，从而得到最终的目标清晰图像，具体的，用户可以根据显示的目标清晰图像进行多次输入调整，直至得到最终满意的目标清晰图像。
98.在具体实施过程中，可以对目标清晰图像进行缺陷检测，得到缺陷显著性图，缺陷显著性图用于表征待检测图像中的缺陷特征。
99.如图3所示，生成至少一个参考噪点模型，图中所示为三个参考噪点模型，每一个参考噪点模型输出一个参考噪点图像，并确定对应的参考清晰图像，从至少一个参考清晰图像中确定出目标清晰图像。
100.上述的图像处理方法，通过待检测图像中的图像信息生成至少一个参考噪点模型，对待检测模型分别进行去噪处理，得到至少一个参考噪点图像，并生成对应的参考清晰图像，然后从至少一个参考清晰图像中确定出目标清晰图像，针对不同各类型的待检测图像均可以得到更加准确的清晰图像，去除待检测图像中噪点干扰，从而提高缺陷检测的准确性。
101.以下将结合实施例阐述生成参考噪点模型的具体过程。
102.在一些可能的实施方式中，图像信息包括多个类型的图像信息。步骤s202基于预设的初始噪点模型以及图像信息生成至少一个参考噪点模型，可以包括：
103.(1)通过预设的参数分析工具，分别确定与每一类型的图像信息对应的至少一个参考模型参数。
104.其中，参数分析工具可以是训练后的神经网络，如可以是参数分析模型，可以根据待检测图像的不同类型的图像信息，预测出最适用于待检测图像的参考模型参数。
105.在具体实施过程中，通过预设的参数分析工具，分别确定与每一类型的图像信息对应的至少一个参考模型参数，可以包括：
106.a、将所提取的多个类型的图像信息输入到参数分析工具中，得到每一类型的图像信息对应的参考模型参数范围；
107.b、分别从每一参考模型参数范围中，确定出至少一个参考模型参数。
108.具体的，可以从参考模型参数范围中间隔预设数值选取多个参考模型参数，例如，参考模型参数范围为10-20，则可以选取12、14、16和18作为参考模型参数。
109.具体的，还可以从参考模型参数范围中确定范围中值，然后选取中值以及中值附近是数值作为参考模型参数，例如，参考模型参数范围为10-20，则可以选取范围中值15，并选取14、16作为参考模型参数。
110.(2)基于预设的初始噪点模型和每一类型对应的至少一个参考模型参数，生成至少一个参考噪点模型。
111.具体的，可以将每一类型对应的一个参考模型参数，作为初始噪点模型的参数，生成对应的一个参考噪点模型，这样至少一个参考模型参数则可以对应生成至少一个参考噪点模型。
112.在一些可能的实施方式中，参数分析工具包括参数分析模型。
113.参数分析模型可以通过如下方式训练得到：
114.(1)获取多个类型的样本图像信息，以及每一类型的样本图像信息对应的样本参数范围；
115.(2)基于样本图像信息和样本参数范围对预设的初始分析模型进行训练，得到参数分析模型。
116.具体的，获取每一类型的样本图像信息对应的样本参数范围，可以包括：获取每一样本图像信息对应的样本清晰图像，并确定用于输出样本噪点图像得到样本清晰图像的样本噪点模型所对应的参数信息，得到样本参数范围。
117.具体的，可以将样本图像信息输入到初始分析模型中，输出预测参数范围，确定预设参数范围和样本参数范围之间的损失函数，通过调整初始分析模型的参数，使损失函数达到预设条件，例如损失函数收敛、迭代次数达到预设次数或者损失函数的损失值小于预设阈值，得到参数分析模型。
118.上述实施例中，通过参数分析工具，根据待检测图像的不同类型的图像信息，预测出最适用于待检测图像的参考模型参数，从而生成多个效果较好的参考清晰图像，并基于多个参考清晰图像选取最终的目标清晰图像，可以有效提高去噪效果，从而提高缺陷检测的准确性。
119.上述实施例阐述了生成参考噪点模型的具体过程，以下将结合实施例进一步阐述生成参考清晰图像的具体过程。
120.在一些可能的实施方式中，步骤s203生成每一参考噪点图像对应的参考清晰图像，可以包括：
121.(1)分别将待检测图像中的每一像素点和每一参考噪点图像中的每一像素点进行转换，得到待检测图像的第一图像特征以及每一参考噪点图像的第二图像特征；
122.(2)确定第一图像特征和每一第二图像特征之间的差值，得到每一对应的第三特征图像；
123.(3)将每一第三特征图像进行转换，得到对应的参考清晰图像。
124.具体的，可以采用预设的针对噪点像素点和清晰图像点的定义信息，对待检测图像中的每一像素点和每一参考噪点图像中的每一像素点进行转换。
125.在具体实施过程中，在待检测图像中去除对应的噪点图像的特征，即可得到对应的清晰图像，即将待检测图像对应的第一图像特征减去参考噪点图像对应的第二图像特征，可以得到参考清晰图像对应的第三图像特征，从而得到对应的参考清晰图像。
126.如图4所示，待检测图像(即原图像)减去噪点图像，即可生成清晰图像，再对清晰图像进行图像融合检测，即缺陷检测，可以得到缺陷显著性图，即得到针对待检测图像的缺陷特征。
127.上述实施例阐述了生成参考清晰图像的具体过程，以下将结合实施例进一步阐述进行缺陷检测的具体过程。
128.在一些可能的实施方式中，步骤s204基于目标清晰图像进行缺陷检测，得到待检测图像中的缺陷特征，可以包括：
129.针对目标清晰图像中每一像素点的像素特征，将像素特征与相邻像素特征进行对比，确定像素点位置是否存在缺陷；
130.基于每一像素点的对比结果确定待检测图像中的缺陷特征。
131.其中，像素特征可以包括亚像素、像素、超像素中的至少一种。
132.在具体实施过程中，若像素特征与相邻像素特征之间的对比结果为相似度小于预设相似度，则可以认为像素点位置存在缺陷。
133.在一些可能的实施方式中，步骤s204基于目标清晰图像进行缺陷检测，得到待检测图像中的缺陷特征，可以包括：
134.从目标清晰图像中提取至少一种轮廓形态信息；
135.将至少一种轮廓形态信息分别与预设的缺陷轮廓进行相似度对比；
136.将相似度大于预设阈值的轮廓形态信息对应的轮廓特征作为缺陷特征。
137.具体的，可以从待检测图像中抽取轮廓形态信息，进行多次相似度对比，优先选择相似度高的轮廓形态信息，定义为缺陷。
138.在一些可能的实施方式中，步骤s204基于目标清晰图像进行缺陷检测，得到待检测图像中的缺陷特征，可以包括：
139.采用小分割平均浓度与周围的平均浓度进行对比来确定待检测图像中的缺陷特征。
140.如图5所示，在一个示例中，通过对工件待检区域内的边缘位置进行扫描后，生成待检测图像，根据待检测图像生成目标清晰图像。检测框根据趋势边缘宽度检测出各点边缘位置。该场景可以检测出多点边缘宽度，不放过任何细微变化。使宽度窄的区域段以较细的移动宽度(即，移动量)，向趋势方向移动，检测各点的边缘宽度或边缘位置，并检测出最大值、最小值，即图中所示的最小内部尺寸检测和最大外部尺寸检测。
141.如图6所示，需要进行高精度位置检测场景时，缩小段(分割)尺寸；需要缩短处理时间场景时，减少段的移动宽度和/或移动量，趋势移动方向场景是指段的移动方向。
142.具体的，在检测区域内，将任何尺寸的小区域(分割)移动其分割大小的预设比率的量的同时，例如，移动分割大小的1/4量进行平均浓度的测定。在包括当前分割在内的检测方向4分割中，测量最大浓度和最小浓度。该值就是当前分割的"缺陷等级"。缺陷等级超过了设定临界值时，将该当前分割作为缺陷进行计数。该计数值则作为"伤量"检查结果。通过比较周围4个分割(而不仅是相邻2个分割)的浓度，可以检测出微小的浓度变化(缺陷)。
143.上述的图像处理方法，通过待检测图像中的图像信息生成至少一个参考噪点模型，对待检测模型分别进行去噪处理，得到至少一个参考噪点图像，并生成对应的参考清晰图像，然后从至少一个参考清晰图像中确定出目标清晰图像，针对不同各类型的待检测图像均可以得到更加准确的清晰图像，去除待检测图像中噪点干扰，从而提高缺陷检测的准确性。
144.进一步的，通过参数分析工具，根据待检测图像的不同类型的图像信息，预测出最适用于待检测图像的参考模型参数，从而生成多个效果较好的参考清晰图像，并基于多个参考清晰图像选取最终的目标清晰图像，可以有效提高去噪效果，从而提高缺陷检测的准
确性。
145.图7为本技术实施例提供的一种图像处理装置的结构示意图。如图7所示，该装置包括：
146.获取模块701，用于获取待检测图像，并获取待检测图像的图像信息；
147.第一生成模块702，用于基于预设的初始噪点模型以及图像信息生成至少一个参考噪点模型；
148.第二生成模块703，用于将待检测图像分别输入至少一个参考噪点模型中，得到至少一个参考噪点图像，并生成每一参考噪点图像对应的参考清晰图像；
149.检测模块704，用于基于至少一个参考清晰图像确定目标清晰图像，并基于目标清晰图像进行缺陷检测，得到待检测图像中的缺陷特征。
150.在一些可能的实施方式中，图像信息包括多个类型的图像信息；
151.第一生成模块702在基于预设的初始噪点模型以及图像信息生成至少一个参考噪点模型时，具体用于：
152.通过预设的参数分析工具，分别确定与每一类型的图像信息对应的至少一个参考模型参数；
153.基于预设的初始噪点模型和每一类型对应的至少一个参考模型参数，生成至少一个参考噪点模型。
154.在一些可能的实施方式中，第一生成模块702在通过预设的参数分析工具，分别确定与每一类型的图像信息对应的至少一个参考模型参数时，具体用于：
155.将所提取的多个类型的图像信息输入到参数分析工具中，得到每一类型的图像信息对应的参考模型参数范围；
156.分别从每一参考模型参数范围中，确定出至少一个参考模型参数。
157.在一些可能的实施方式中，参数分析工具包括参数分析模型；
158.装置还包括训练模块，用于：
159.获取多个类型的样本图像信息，以及每一类型的样本图像信息对应的样本参数范围；
160.基于样本图像信息和样本参数范围对预设的初始分析模型进行训练，得到参数分析模型。
161.在一些可能的实施方式中，第二生成模块703在生成每一参考噪点图像对应的参考清晰图像时，具体用于：
162.分别将待检测图像中的每一像素点和每一参考噪点图像中的每一像素点进行转换，得到待检测图像的第一图像特征以及每一参考噪点图像的第二图像特征；
163.确定第一图像特征和每一第二图像特征之间的差值，得到每一对应的第三特征图像；
164.将每一第三特征图像进行转换，得到对应的参考清晰图像。
165.在一些可能的实施方式中，检测模块704在基于目标清晰图像进行缺陷检测，得到待检测图像中的缺陷特征时，具体用于：
166.针对目标清晰图像中每一像素点的像素特征，将像素特征与相邻像素特征进行对比，确定像素点位置是否存在缺陷；
167.基于每一像素点的对比结果确定待检测图像中的缺陷特征。
168.在一些可能的实施方式中，检测模块704在基于目标清晰图像进行缺陷检测，得到待检测图像中的缺陷特征时，具体用于：
169.从目标清晰图像中提取至少一种轮廓形态信息；
170.将至少一种轮廓形态信息分别与预设的缺陷轮廓进行相似度对比；
171.将相似度大于预设阈值的轮廓形态信息对应的轮廓特征作为缺陷特征。
172.在一些可能的实施方式中，图像信息的类型包括针对清晰像素点和噪点像素点的定义、颜色、图像单位、图像尺寸和图像坐标系。
173.上述的图像处理装置，通过待检测图像中的图像信息生成至少一个参考噪点模型，对待检测模型分别进行去噪处理，得到至少一个参考噪点图像，并生成对应的参考清晰图像，然后从至少一个参考清晰图像中确定出目标清晰图像，针对不同各类型的待检测图像均可以得到更加准确的清晰图像，去除待检测图像中噪点干扰，从而提高缺陷检测的准确性。
174.进一步的，通过参数分析工具，根据待检测图像的不同类型的图像信息，预测出最适用于待检测图像的参考模型参数，从而生成多个效果较好的参考清晰图像，并基于多个参考清晰图像选取最终的目标清晰图像，可以有效提高去噪效果，从而提高缺陷检测的准确性。
175.图8是本技术实施例中提供了一种计算机设备的结构示意图。如图8所示，该计算机设备包括：存储器和处理器；至少一个程序，存储于存储器中，用于被处理器执行时，与现有技术相比可实现：
176.通过待检测图像中的图像信息生成至少一个参考噪点模型，对待检测模型分别进行去噪处理，得到至少一个参考噪点图像，并生成对应的参考清晰图像，然后从至少一个参考清晰图像中确定出目标清晰图像，针对不同各类型的待检测图像均可以得到更加准确的清晰图像，去除待检测图像中噪点干扰，从而提高缺陷检测的准确性。通过参数分析工具，根据待检测图像的不同类型的图像信息，预测出最适用于待检测图像的参考模型参数，从而生成多个效果较好的参考清晰图像，并基于多个参考清晰图像选取最终的目标清晰图像，可以有效提高去噪效果，从而提高缺陷检测的准确性。
177.在一个可选实施例中提供了一种计算机设备，如图8所示，图8所示的计算机设备800包括：处理器801和存储器803。其中，处理器801和存储器803相连，如通过总线802相连。可选地，计算机设备800还可以包括收发器804，收发器804可以用于该计算机设备与其他计算机设备之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际应用中收发器804不限于一个，该计算机设备800的结构并不构成对本技术实施例的限定。
178.处理器801可以是cpu(central processing unit，中央处理器)，通用处理器，dsp(digital signal processor，数据信号处理器)，asic(application specific integrated circuit，专用集成电路)，fpga(field programmable gate array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本技术公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器801也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，dsp和微处理器的组合等。
179.总线802可包括一通路，在上述组件之间传送信息。总线802可以是pci(peripheral component interconnect，外设部件互连标注)总线或eisa(extended industry standard architecture，扩展工业标注结构)总线等。总线802可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
180.存储器803可以是rom(read only memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，ram(random access memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是eeprom(electrically erasable programmable read only memory，电可擦可编程只读存储器)、cd-rom(compact disc read only memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
181.存储器803用于存储执行本技术方案的应用程序代码(计算机程序)，并由处理器801来控制执行。处理器801用于执行存储器803中存储的应用程序代码，以实现前述方法实施例所示的内容。
182.其中，计算机设备包括但不限于：虚拟化的计算机设备、虚拟机、服务器、服务集群、用户的终端等。
183.本技术实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中图像处理方法的相应内容。
184.本技术实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述的图像处理方法。
185.应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
186.需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本
公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
187.上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
188.上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例所示的方法。
189.可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
190.附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
191.描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，提取模块还可以被描述为“用于提取用户关键点特征的模块”。
192.以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。