本技术实施例涉及计算机,特别涉及一种图像检测方法、装置、计算机设备及存储介质。
背景技术:
1、随着计算机技术的日益发展,图像检测技术被广泛应用于各种领域,例如在医学领域中检测图像是否为异常图像,如果是异常图像则说明该图像对应的部位可能存在病变等。
2、相关技术中,使用正常图像和异常图像训练图像检测模型,使图像检测模型能够分辨正常图像和异常图像,然后利用该图像检测模型来检测图像为正常图像还是为异常图像。但是,由于依赖于异常图像作为训练样本,在异常图像的数量较少的情况下,训练得到的图像检测模型的识别能力较低,导致图像检测的准确性较低。
技术实现思路
1、本技术实施例提供了一种图像检测方法、装置、计算机设备及存储介质,能够提高图像检测的准确性。所述技术方案如下:
2、一方面,提供了一种图像检测方法,所述方法包括:
3、获取属于目标类型的第一图像,所述目标类型的图像中包含的噪声服从目标分布;
4、调用图像处理模型,在所述第一图像中添加服从所述目标分布的噪声,得到第二图像,调用所述图像处理模型,对所述第二图像进行去噪,得到第三图像;其中,所述图像处理模型是采用属于所述目标类型的正常图像训练得到的;
5、将所述第一图像与所述第三图像进行对比,得到所述第一图像与所述第三图像之间的差异参数,所述差异参数表示所述第一图像与所述第三图像之间的差异程度;
6、在所述差异参数大于差异参数阈值的情况下,确定所述第一图像为异常图像,在所述差异参数不大于所述差异参数阈值的情况下,确定所述第一图像为正常图像。
7、另一方面,提供了一种图像检测装置,所述装置包括:
8、图像获取模块,用于获取属于目标类型的第一图像,所述目标类型的图像中包含的噪声服从目标分布;
9、图像处理模块,用于调用图像处理模型,在所述第一图像中添加服从所述目标分布的噪声,得到第二图像,调用所述图像处理模型,对所述第二图像进行去噪,得到第三图像;其中,所述图像处理模型是采用属于所述目标类型的正常图像训练得到的;
10、差异参数确定模块,用于将所述第一图像与所述第三图像进行对比,得到所述第一图像与所述第三图像之间的差异参数,所述差异参数表示所述第一图像与所述第三图像之间的差异程度;
11、图像检测模块,用于在所述差异参数大于差异参数阈值的情况下,确定所述第一图像为异常图像,在所述差异参数不大于所述差异参数阈值的情况下,确定所述第一图像为正常图像。
12、可选地,所述装置还包括:
13、图像扰动模块,用于对第一参考图像进行扰动,得到第二参考图像,所述第一参考图像为属于所述目标类型的正常图像;
14、噪声参数确定模块,用于基于所述第一参考图像、所述第二参考图像以及所述第一参考图像与所述第二参考图像之间的差异,确定噪声参数,所述噪声参数为所述第一参考图像中包含的噪声的概率密度函数中的参数;
15、分布确定模块,用于根据所述噪声参数与多种候选分布之间的关系,确定所述目标类型的图像中包含的噪声所服从的目标分布,所述目标分布为所述多种候选分布中的其中一种。
16、可选地,所述图像扰动模块,用于:
17、获取服从高斯分布的第一噪声;
18、对所述第一噪声进行幅度调整,得到第二噪声;
19、在所述第一参考图像中添加所述第二噪声,得到所述第二参考图像。
20、可选地,所述噪声参数确定模块,用于:
21、基于所述第一参考图像与所述第二参考图像之间的差异,确定第一参数;
22、基于所述第一参考图像的概率梯度和所述第一参考图像,确定第二参数;
23、基于所述第二参考图像的概率梯度和所述第二参考图像,确定第三参数;
24、按照预设融合规则,对所述第一参数、所述第二参数和所述第三参数进行融合,得到所述噪声参数。
25、可选地,所述多种候选分布中的每种候选分布对应一个数值范围,不同候选分布对应的数值范围不重叠,所述候选分布对应的数值范围是指服从所述候选分布的噪声对应的噪声参数所属的数值范围;
26、所述分布确定模块,用于:
27、确定所述噪声参数所属的数值范围;
28、将所述噪声参数所属的数值范围对应的候选分布确定为所述目标分布。
29、可选地,所述多种候选分布包括高斯分布、泊松分布和伽玛分布,所述高斯分布对应第一数值范围,所述泊松分布对应第二数值范围,所述伽玛分布对应第三数值范围;所述分布确定模块,用于:
30、在所述噪声参数属于所述第一数值范围的情况下,将所述高斯分布确定为所述目标分布;
31、在所述噪声参数属于所述第二数值范围的情况下,将所述泊松分布确定为所述目标分布;
32、在所述噪声参数属于所述第三数值范围的情况下,将所述伽玛分布确定为所述目标分布。
33、可选地,所述图像处理模型包括下采样网络和上采样网络;所述图像处理模块,用于:
34、调用所述下采样网络,对所述第二图像进行下采样,得到下采样图像;
35、调用所述上采样网络,对所述下采样图像进行上采样,得到所述第三图像。
36、可选地,所述下采样网络的数量为n个,所述n为正整数;所述图像处理模块,用于:
37、调用第一个下采样网络,对所述第二图像进行下采样,得到第一个下采样图像;
38、调用第k个下采样网络,对第k-1个下采样图像进行下采样,得到第k个下采样图像,所述k为大于1且不大于n的正整数。
39、可选地,所述上采样网络的数量为n个;所述图像处理模块,用于:
40、调用第一个上采样网络,对第n个下采样图像进行上采样,得到第一个上采样图像;
41、调用第k个上采样网络,对第k-1个上采样图像和第n-k+1个下采样图像进行上采样,得到第k个上采样图像,所述k为大于1且不大于n的正整数,第n个上采样图像为所述第三图像。
42、可选地,所述装置还包括模型训练模块,用于:
43、获取第一样本图像,所述第一样本图像为属于所述目标类型的正常图像;
44、调用所述图像处理模型,在所述第一样本图像中添加服从所述目标分布的噪声,得到第二样本图像;
45、调用所述图像处理模型,对所述第二样本图像进行去噪,得到第三样本图像;
46、基于所述第一样本图像和所述第三样本图像,训练所述图像处理模型。
47、可选地,所述模型训练模块,用于:
48、基于所述第一样本图像和所述第三样本图像,确定损失参数,所述损失参数与所述第一样本图像和所述第三样本图像之间的差异程度正相关;
49、基于所述损失参数,训练所述图像处理模型,以使通过训练后的所述图像处理模型得到的损失参数减小。
50、另一方面,提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条计算机程序,所述至少一条计算机程序由所述处理器加载并执行,以实现如上述方面所述的图像检测方法所执行的操作。
51、另一方面,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中存储有至少一条计算机程序,所述至少一条计算机程序由处理器加载并执行,以实现如上述方面所述的图像检测方法所执行的操作。
52、另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序由处理器加载并执行,以实现如上述方面所述的图像检测方法所执行的操作。
53、本技术实施例提供的方案,图像处理模型为生成式的处理模型,该图像处理模型是采用正常图像训练得到的,能够对正常图像进行加噪后再去噪,从而恢复出正常图像。当通过该图像处理模型对异常图像进行加噪和去噪时,该图像处理模型难以恢复出异常图像,而是恢复出正常图像,因此如果图像处理模型恢复出的图像与输入的图像之间的差异较大,则可以判定输入的图像为异常图像,从而完成对异常图像的检测。本技术无需使用异常图像作为训练样本,降低了对训练样本的要求,有利于保证图像处理模型的准确性,进而保证图像检测过程的准确性。并且,由于加噪过程中添加的噪声所服从的分布与图像本身包含的噪声所服从的分布相同,通过噪声的干扰,使得图像处理模型在去噪过程中会抑制图像中异常部分的恢复,更关注图像中正常部分的恢复,也即是更容易恢复出正常图像,因此进一步提高了图像检测的准确性。