本技术涉及计算机,尤其涉及一种图像数据处理方法、装置、计算机设备以及介质。
背景技术:
1、现有的翻拍分类方法可以人工对原始图像(例如,第一原始图像)进行拍摄,得到原始图像对应的翻拍图像,进而通过翻拍图像对初始分类网络模型进行训练。然而,人工拍摄得到翻拍图像的方式会增加采集模型训练集的工作量。
2、此外,现有的翻拍分类方法可以通过初始分类网络模型获取翻拍图像的图像特征,通过图像特征来对初始分类网络模型进行训练,以使训练得到的目标分类网络模型可以用于确定目标图像对应的翻拍分类结果。由于翻拍图像是真实拍摄所得到的图像,初始分类网络模型所提取到图像特征为电子屏幕的摩尔纹特征,所以目标分类网络模型可以提取摩尔纹特征。然而,由于近年来屏幕的不断优化,翻拍得到的目标图像已经几乎看不到摩尔纹,所以在通过目标分类网络模型对目标图像进行翻拍分类时,难以准确生成目标图像对应的翻拍分类结果。
技术实现思路
1、本技术实施例提供一种图像数据处理方法、装置、计算机设备以及介质,可以降低采集模型训练集的工作量,提高目标分类网络模型进行翻拍分类的准确性。
2、本技术实施例一方面提供了一种图像数据处理方法,包括:
3、获取第一原始图像和第一原始图像对应的合成图像;合成图像是对第一原始图像和与第一原始图像相关联的噪声图像进行图像合成所生成的;噪声图像是对纯色图像进行翻拍处理所得到的;
4、通过初始分类网络模型获取第一原始图像对应的第一原始图像特征和合成图像对应的合成图像特征,确定第一原始图像特征和合成图像特征之间的第一图像特征差值;
5、根据与第一原始图像和合成图像共同关联的模型标签、合成图像特征和第一图像特征差值,确定初始分类网络模型的模型损失值;
6、根据模型损失值对初始分类网络模型中的模型参数进行调整,当调整后的初始分类网络模型满足模型收敛条件时,将调整后的初始分类网络模型确定为目标分类网络模型;目标分类网络模型用于确定目标图像对应的翻拍分类结果。
7、本技术实施例一方面提供了一种图像数据处理装置,包括:
8、图像获取模块,用于获取第一原始图像和第一原始图像对应的合成图像;合成图像是对第一原始图像和与第一原始图像相关联的噪声图像进行图像合成所得到的;噪声图像是对纯色图像进行翻拍处理所得到的;
9、特征提取模块,用于通过初始分类网络模型获取第一原始图像对应的第一原始图像特征和合成图像对应的合成图像特征,确定第一原始图像特征和合成图像特征之间的第一图像特征差值;
10、损失值确定模块,用于根据与第一原始图像和合成图像共同关联的模型标签、合成图像特征和第一图像特征差值,确定初始分类网络模型的模型损失值;
11、参数调整模块,用于根据模型损失值对初始分类网络模型中的模型参数进行调整,当调整后的初始分类网络模型满足模型收敛条件时,将调整后的初始分类网络模型确定为目标分类网络模型;目标分类网络模型用于确定目标图像对应的翻拍分类结果。
12、其中,图像获取模块包括:
13、图像获取单元,用于获取噪声图像库;噪声图像库包括纯色图像对应的噪声图像;
14、图像变换单元,用于获取第一原始图像,对第一原始图像进行图像变换,生成第一原始图像对应的变换图像;图像变换用于减少第一原始图像的像素值空间;
15、图像获取单元,用于从噪声图像库中获取与变换图像相关联的噪声图像;
16、图像合成单元,用于对噪声图像和第一原始图像进行图像合成,生成第一原始图像对应的合成图像。
17、其中,图像变换单元,具体用于对第一原始图像进行平滑处理,生成第一原始图像对应的平滑图像;
18、图像变换单元,具体用于对平滑图像进行颜色聚类,得到平滑图像中的s个图像区域,基于s个图像区域分别对应的区域颜色,生成颜色聚类后的平滑图像;s为正整数;
19、图像变换单元,具体用于将颜色聚类后的平滑图像确定为第一原始图像对应的变换图像。
20、其中,图像获取单元,具体用于获取n个纯色图像;n为正整数;n个纯色图像包括纯色图像gj;j为小于或等于n的正整数;纯色图像gj为通过显示屏所显示的图像,或者,纯色图像gj为打印出的图像;
21、图像获取单元,具体用于对纯色图像gj进行拍摄,得到纯色图像gj对应的翻拍图像;
22、图像获取单元,具体用于对纯色图像gj和纯色图像gj对应的翻拍图像进行像素求差,生成纯色图像gj对应的噪声图像;纯色图像gj对应的噪声图像用于构成纯色图像gj对应的噪声图像子库;n个纯色图像分别对应的噪声图像子库用于构成噪声图像库。
23、其中,变换图像包括s个图像区域;s个图像区域包括图像区域mi;i为小于或等于s的正整数;
24、图像获取单元,具体用于确定图像区域mi对应的区域颜色和n个纯色图像分别对应的图像颜色之间的颜色距离,将n个纯色图像中具有最小颜色距离的纯色图像确定为目标纯色图像;
25、图像获取单元,具体用于从噪声图像库中获取目标纯色图像对应的噪声图像子库,从目标纯色图像对应的噪声图像子库中获取与图像区域mi相关联的噪声图像;与s个图像区域相关联的噪声图像用于构成与变换图像相关联的噪声图像。
26、其中,图像合成单元,具体用于从与图像区域mi相关联的噪声图像中获取图像区域mi对应的噪声区域;
27、图像合成单元,具体用于对图像区域mi进行图像分解,得到具有不同频带的第一子图像;
28、图像合成单元,具体用于对图像区域mi对应的噪声区域进行图像分解,得到具有不同频带的第二子图像;
29、图像合成单元,具体用于对具有不同频带的第一子图像和具有不同频带的第二子图像中,相同频带的第一子图像和第二子图像进行加权求和,得到加权子图像;
30、图像合成单元,具体用于对不同频带分别对应的加权子图像进行图像合成,生成图像区域mi对应的合成区域;s个图像区域分别对应的合成区域用于构成第一原始图像对应的合成图像。
31、其中,图像合成单元,具体用于将噪声图像和第一原始图像分别输入至图像合成模型,通过图像合成模型分别对噪声图像和第一原始图像进行特征提取,得到噪声图像对应的第一提取特征和第一原始图像对应的第二提取特征;
32、图像合成单元,具体用于对第一提取特征和第二提取特征进行特征融合,得到与第一提取特征和第二提取特征共同关联的图像融合特征;
33、图像合成单元,具体用于对图像融合特征进行特征还原,生成第一原始图像对应的合成图像。
34、其中,特征提取模块包括:
35、图像输入单元,用于将第一原始图像和合成图像分别输入至初始分类网络模型;初始分类网络模型包括初始特征提取子网络;
36、特征提取单元,用于通过初始特征提取子网络对第一原始图像进行特征提取,得到第一原始图像对应的第一原始图像特征;
37、特征提取单元,用于通过初始特征提取子网络对合成图像进行特征提取,得到合成图像对应的合成图像特征;
38、差值运算单元,用于对第一原始图像特征和合成图像特征进行差值运算,生成第一原始图像特征和合成图像特征之间的第一图像特征差值。
39、其中,初始特征提取子网络包括h个初始编码网络层、初始卷积网络层和h个初始解码网络层;h为正整数;
40、特征提取单元,具体用于在h个初始编码网络层中,基于第一原始图像生成h个初始编码网络层分别对应的编码图像特征;
41、特征提取单元,具体用于在初始卷积网络层中,对h个编码图像特征中的目标编码图像特征进行下采样处理,得到采样图像特征,对采样图像特征进行卷积操作,得到卷积图像特征;目标编码图像特征为h个初始编码网络层中的最后一个初始编码网络层所输出的编码图像特征;
42、特征提取单元,具体用于在h个初始解码网络层中,基于h个编码图像特征和卷积图像特征,生成h个初始解码网络层分别对应的解码图像特征;
43、特征提取单元,具体用于对h个解码图像特征中的目标解码图像特征进行卷积操作,得到第一原始图像对应的第一原始图像特征;目标解码图像特征为h个初始解码网络层中的最后一个初始解码网络层所输出的解码图像特征。
44、其中,初始分类网络模型还包括第一初始全连接子网络和第二初始全连接子网络;
45、损失值确定模块,具体用于通过第一初始全连接子网络对第一图像特征差值进行全连接处理,得到第一图像特征差值对应的翻拍噪声向量;
46、损失值确定模块,具体用于通过第二初始全连接子网络对合成图像特征进行全连接处理,得到合成图像特征对应的翻拍图像向量;
47、损失值确定模块,具体用于根据与第一原始图像和合成图像共同关联的模型标签和翻拍噪声向量,确定初始分类网络模型的第一损失值;
48、损失值确定模块,具体用于根据与第一原始图像和合成图像共同关联的模型标签和翻拍图像向量,确定初始分类网络模型的第二损失值;
49、损失值确定模块,具体用于对第一损失值和第二损失值进行求和运算,生成初始分类网络模型的模型损失值。
50、其中,损失值确定模块,还具体用于获取与第一原始图像相关联的第二原始图像;第一原始图像和第二原始图像均是对目标对象进行拍摄所得到的;
51、损失值确定模块,还具体用于通过初始分类网络模型获取第二原始图像对应的第二原始图像特征,确定第一原始图像特征和第二原始图像特征之间的第二图像特征差值;
52、损失值确定模块,还具体用于根据与第一原始图像和第二原始图像共同关联的模型标签、第二原始图像特征和第二图像特征差值,确定初始分类网络模型的模型损失值。
53、其中,装置还包括:
54、翻拍分类模块,用于将目标图像输入至目标分类网络模型;目标分类网络模型包括目标特征提取子网络和目标全连接子网络;
55、翻拍分类模块,用于通过目标特征提取子网络对目标图像进行特征提取,得到目标图像对应的目标图像特征;
56、翻拍分类模块,用于通过目标全连接子网络对目标图像特征进行全连接处理,得到目标图像对应的目标图像向量;目标图像向量用于确定目标图像对应的翻拍图像概率和非翻拍图像概率;翻拍图像概率和非翻拍图像概率用于确定目标图像对应的翻拍分类结果。
57、本技术实施例一方面提供了一种计算机设备,包括:处理器和存储器;
58、处理器与存储器相连,其中,存储器用于存储计算机程序,计算机程序被处理器执行时,使得该计算机设备执行本技术实施例提供的方法。
59、本技术实施例一方面提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,该计算机程序适于由处理器加载并执行,以使得具有该处理器的计算机设备执行本技术实施例提供的方法。
60、本技术实施例一方面提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序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程序,处理器执行该计算机程序,使得该计算机设备执行本技术实施例提供的方法。
61、由此可见,本技术实施例可以对第一原始图像和噪声图像进行图像合成,生成第一原始图像对应的合成图像,进而通过合成图像和第一原始图像对初始分类网络模型进行训练。由于合成图像是图像合成所得到的,所以本技术实施例可以生成大量的合成图像,通过大量的合成图像训练初始分类网络模型,提高初始分类网络模型的训练样本的数量,进而在保证目标分类网络模型进行翻拍分类的准确性的同时,降低采集模型训练集的工作量。此外,本技术实施例可以使得初始分类模型同时提取合成图像对应的合成图像特征、以及第一原始图像特征和合成图像特征之间的第一图像特征差值,第一图像特征差值可以表示第一原始图像和合成图像之间的差异任务的学习。因此,初始分类网络模型可以包括两个任务,第一个任务的第一图像特征差值可以专注图像差异的噪声分类(即提取噪声特征),第二个任务的合成图像特征可以专注翻拍分类(即提取翻拍特征),通过两个任务同时学习,能够让初始分类网络模型更好的学习翻拍噪声,而不是图像的其他特征(例如,摩尔纹特征),防止初始分类网络模型过拟合,进一步提高目标分类网络模型进行翻拍分类的准确性。