图片生成方法、装置、计算机设备和存储介质与流程

本技术涉及计算机，特别是涉及一种图片生成方法、装置、计算机设备和存储介质。

背景技术：

1、随着人工智能技术的迅速发展，与数字图像特征识别等传统识别方法相比，基于深度学习的脏污识别方法泛化性更好、检测精度更高、部署更加敏捷，对于提高机器人清扫效率、保障清扫质量具有突出意义。然而基于深度学习的方法通常需要大量高质量的数据对神经网络进行训练，目前通过人工标注训练数据标签的方法需要大量的时间成本和人工成本，且误差较大、标注质量参差不齐、难以生成大规模高质量的训练数据。

2、此外，现有技术提出的方法中，虽然可以基于深度学习的方法对脏污进行识别定位，但是用来训练神经网络的数据集全部为机器人采集后标注的真实数据，数据集的采集和标注所需成本较高，并且现有方法生成的数据多样性低，生成的图像数据集的质量较低，从而导致机器人对应的清扫识别神经网络应用低质量图像数据集进行训练后对脏污物识别的准确率较低。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够快速高效地生成高质量的数据集的图片生成方法、装置、计算机设备和存储介质，用于提高机器人对应的清扫识别神经网络对脏污物识别的准确率。

2、一种图片生成方法，所述方法包括：

3、获取待处理图片集和初始背景图片集，对所述待处理图片集中的图片进行实例分割处理，得到目标前景集，所述待处理图片中包括待清扫的前景主体；

4、从所述初始背景图片集中随机选取当前背景图片，检测所述当前背景图片对应的场景类型，得到目标场景类型；

5、从所述目标前景集中随机选取当前前景目标，基于所述目标场景类型，确定所述当前前景目标对应的目标增强处理方式，执行所述目标增强处理方式对应的操作，得到增强前景目标；

6、对所述当前背景图片进行背景增强处理，得到增强背景图片，将所述增强前景目标随机粘贴到所述增强背景图片中，得到当前图片；

7、基于所述目标场景类型，确定目标模糊处理方式，对所述当前图片进行所述目标模糊处理方式对应的操作，生成目标图片。

8、在其中一个实施例中，获取待处理图片集之前，还包括：

9、获取相机采集的原始图片集，计算所述原始图片集中各个图片对应的畸变参数和变换矩阵；

10、基于所述畸变参数和变换矩阵，对所述原始图片集中的图片进行畸变矫正处理，得到所述待处理图片集。

11、在其中一个实施例中，获取待处理图片集，对所述待处理图片集中的图片进行实例分割处理，得到目标前景集包括：

12、对所述待处理图片集中的各图片对应的各元素进行多边形标注，得到各图片对应的目标多边形；

13、基于所述目标多边形，对对应的图片进行抠图操作，得到所述目标前景集。

14、在其中一个实施例中，检测所述当前背景图片对应的场景类型，得到目标场景类型包括：

15、获取所述当前背景图片中各像素对应的灰度值和像素总数；

16、基于所述各像素对应的灰度值和像素总数，计算所述当前背景图片中各灰度级对应的灰度级概率；

17、基于所述各灰度级对应的灰度级概率，计算所述当前背景图片对应的灰度平均值；

18、基于所述灰度值、灰度级概率和灰度平均值，计算所述当前背景图片对应的灰度方差值；

19、基于所述灰度平均值和所述灰度方差值，确定所述当前背景图片对应的目标场景类型。

20、在其中一个实施例中，基于所述灰度平均值和所述灰度方差值，确定所述当前背景图片对应的目标场景类型包括：

21、获取方差阈值，当所述灰度方差值小于所述方差阈值时，将第一场景类型作为所述目标场景类型；

22、当所述灰度方差值大于所述方差阈值时，将第二场景类型作为所述目标场景类型；

23、当所述灰度平均值满足第三场景条件时，将第三场景类型作为所述目标场景类型。

24、在其中一个实施例中，基于所述目标场景类型，确定所述当前前景目标对应的目标增强处理方式包括：

25、基于场景类型与前景目标增强处理方式的对应关系，从候选前景增强处理方式中确定所述当前前景目标对应的目标增强处理方式，所述候选前景增强处理方式包括大小维度增强处理方式、像素维度增强处理方式和灰度维度增强处理方式。

26、在其中一个实施例中，基于所述目标场景类型，确定目标模糊处理方式包括：

27、基于场景类型与模糊处理方式的对应关系，从候选模糊处理方式中确定所述目标模糊处理方式，所述候选前景增强处理方式包括均匀分布模糊处理方式、高斯分布模糊处理方式和非线性分布模糊处理方式。

28、一种图片生成装置，所述装置包括：

29、获取与分割模块，用于获取待处理图片集和初始背景图片集，对所述待处理图片集中的图片进行实例分割处理，得到目标前景集，所述待处理图片中包括待清扫的前景主体；

30、检测模块，用于从所述初始背景图片集中随机选取当前背景图片，检测所述当前背景图片对应的场景类型，得到目标场景类型；

31、增强模块，用于从所述目标前景集中随机选取当前前景目标，基于所述目标场景类型，确定所述当前前景目标对应的目标增强处理方式，执行所述目标增强处理方式对应的操作，得到增强前景目标；

32、粘贴模块，用于对所述当前背景图片进行背景增强处理，得到增强背景图片，将所述增强前景目标随机粘贴到所述增强背景图片中，得到当前图片；

33、模糊模块，用于基于所述目标场景类型，确定目标模糊处理方式，对所述当前图片进行所述目标模糊处理方式对应的操作，生成目标图片。

34、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述图片生成方法的步骤。

35、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述图片生成方法的步骤。

36、上述图片生成方法、装置、计算机设备和存储介质，通过获取待处理图片集和初始背景图片集，对所述待处理图片集中的图片进行实例分割处理，得到目标前景集，所述待处理图片中包括待清扫的前景主体；从所述初始背景图片集中随机选取当前背景图片，检测所述当前背景图片对应的场景类型，得到目标场景类型；从所述目标前景集中随机选取当前前景目标，基于所述目标场景类型，确定所述当前前景目标对应的目标增强处理方式，执行所述目标增强处理方式对应的操作，得到增强前景目标；对所述当前背景图片进行背景增强处理，得到增强背景图片，将所述增强前景目标随机粘贴到所述增强背景图片中，得到当前图片；基于所述目标场景类型，确定目标模糊处理方式，对所述当前图片进行所述目标模糊处理方式对应的操作，生成目标图片。对待处理图片集进行实例分割处理，使得最终生成的目标图片可应用于更加宽泛的领域，不再仅局限于单方面领域的机器人清扫识别神经网络的数据应用，通过多次随机选取的处理，确保了生成目标图片的多样性，以及通过场景类型的区分，更有针对性地对图片进行增强处理和模糊处理，使得不同场景对应的目标图片更加接近于真实情境，获得更高质量的目标图片，进而可将生成的多个目标图片集成的图片集应用于机器人清扫识别神经网络的训练中，在一定程度上提高了机器人对应的清扫识别神经网络对脏污物识别的准确率。