图像生成方法、存储介质和电子设备与流程

本发明涉及图像处理，尤其涉及一种图像生成方法、存储介质和电子设备。

背景技术：

1、粮食谷物品质评价是粮食谷物生产、收购、储存和加工的重要技术依托，其评价指标在引导收购定价以及指导粮食谷物合理利用等方面具有重要的意义。相关技术中，多采用谷物图像来评价谷物的品质，由于观察图像存在感官检验指标，容易产生主观误差，图像检验的准确度较低，通常会以神经网络模型来执行对谷物图像的识别任务。

2、为了训练这些神经网络模型，需要投入大量的人力进行标注工作以获得用于训练的带标注的图像。

技术实现思路

1、本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种图像生成方法、存储介质和电子设备，以实现减少标注图像所需的工作量。

2、根据本发明实施例的第一方面，提供了一种图像生成方法，所述图像生成方法包括：

3、获取无缺陷的正常谷物图像；

4、获取表示破碎谷物颗粒的轮廓的形态信息，并基于所述形态信息生成缺陷轮廓；

5、基于所述缺陷轮廓在所述正常谷物图像上涂抹出缺陷区域，得到待填充图像；

6、根据用户设置的缺陷类型和所述待填充图像获得填充后的缺陷谷物图像，并基于所述缺陷类型生成所述缺陷谷物图像的标注信息。

7、可选的，所述获取表示破碎谷物颗粒的轮廓的形态信息，并基于所述形态信息生成缺陷轮廓，包括：

8、对服从正态分布的随机变量进行采样，获得采样信息；

9、对表示形态信息的形态特征和表示采样信息的采样特征进行特征融合，得到融合特征；

10、基于所述融合特征获得缺陷轮廓。

11、可选的，所述获取表示破碎谷物颗粒的轮廓的形态信息，并基于所述形态信息生成缺陷轮廓，包括：

12、对服从正态分布的随机变量进行采样，获得采样信息；

13、将所述形态信息和所述采样信息输入预先训练的缺陷轮廓生成模型，得到所述缺陷轮廓生成模型输出的缺陷轮廓；

14、其中，所述缺陷轮廓生成模型为：采用包含破碎谷物颗粒的样本谷物图像对预设的第一神经网络模型进行训练得到的模型，所述缺陷轮廓生成模型用于根据样本谷物图像中的谷物轮廓得到输出图像。

15、可选的，所述第一神经网络模型包括图像编码器、线性编码器、特征融合模块和解码器；

16、所述图像编码器，用于提取所述样本谷物图像的样本图像特征；

17、所述线性编码器，用于提取所述样本谷物图像中谷物轮廓的样本形态信息的样本形态特征；

18、所述特征融合模块，用于对所述样本图像特征和所述样本形态特征进行特征融合，得到样本融合特征；

19、所述解码器，用于根据所述样本融合特征获得输出图像。

20、可选的，所述特征融合模块按照以下方式得到样本融合特征：

21、

22、

23、

24、

25、

26、其中，表示第一融合特征，表示所述样本形态特征，表示所述样本图像特征，表示所述第一融合特征的第一特征矩阵、第二特征矩阵，表示激活函数，均表示可学习矩阵，为所述采样信息，表示第二融合特征，表示所述样本融合特征，表示所述样本形态信息；为特征融合函数，具体为：

27、

28、其中，表示作为自变量的特征向量，表示可学习参数，表示激活函数。

29、可选的，所述方法还包括：

30、在所述第一神经网络模型获得输出图像后，按照以下方式计算所述第一神经网络模型的损失，并基于所述损失调整所述第一神经网络模型的模型参数：

31、

32、其中，loss表示所述损失，n表示所述输出图像的像素值的总行数，m表示所述输出图像的像素值的总列数，表示所述输出图像中第i行第j列的像素值，表示所述样本谷物图像中第i行第j列的像素值，分别表示所述第一特征矩阵和所述第二特征矩阵。

33、可选的，所述根据用户设置的缺陷类型和所述待填充图像获得填充后的缺陷谷物图像，包括：

34、将所述缺陷类型和所述待填充图像输入预先训练的缺陷填充模型，得到所述缺陷填充模型输出的缺陷谷物图像；

35、其中，所述缺陷填充模型为：采用设置有包含缺陷类型的标签信息的样本待填充图像对第二神经网络进行训练得到的模型，所述缺陷填充模型用于根据缺陷类型在谷物图像中进行填充，并输出填充后的图像。

36、可选的，所述基于所述缺陷轮廓在所述正常谷物图像上涂抹出缺陷区域，包括：

37、获取所述正常谷物图像中的正常谷物轮廓；

38、对所述正常谷物轮廓进行扩图处理，获得包括所述正常谷物轮廓的第一扩展图像；

39、对所述正常谷物轮廓进行图像腐蚀处理，得到目标谷物轮廓；

40、从所述目标谷物轮廓中确定候选点，并基于所述候选点的位置确定所述缺陷轮廓在第二扩展图像中的位置；

41、按照所确定的位置生成包括缺陷轮廓的第二扩展图像，所述第二扩展图像与所述第一扩展图像大小相同；

42、确定所述第一扩展图像中所述正常谷物轮廓包括的图像区域和所述第二扩展图像中所述缺陷轮廓包括的图像区域的交集图像区域，基于所述交集图像区域的位置在所述正常谷物图像涂抹出缺陷区域。

43、根据本发明实施例的第二方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述图像生成方法。

44、根据本发明实施例的第三方面，提供了一种电子设备包括：存储器、处理器；所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现上述图像生成方法。

45、本发明实施例提供的方案中，基于破碎谷物颗粒的轮廓的形态信息生成了缺陷轮廓。破碎粒具有天然的随机性和不规则的形状，因此可以在待填充图像中用形态信息生成的缺陷轮廓，有效地模拟谷物的缺陷，并可以根据用户设置的缺陷类型在待填充图像中填充出缺陷谷物图像并生成标注信息。在此过程中，只需要获得正常谷物图像，就可以生成缺陷谷物图像，并且在设置缺陷类型的情况下，标注的缺陷类型是已知的，从而能够生成准确的标注信息，这样就不需要额外的获取实际包含有缺陷的谷物的图像，也不需要付出额外成本来识别这样的图像中的缺陷再加以标注，减少了标注图像所需的工作量。

46、本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

技术特征：

1.一种图像生成方法，其特征在于，所述图像生成方法包括：

2.根据权利要求1所述的方法，其特征在于，所述获取表示破碎谷物颗粒的轮廓的形态信息，并基于所述形态信息生成缺陷轮廓，包括：

3.根据权利要求1所述的方法，其特征在于，所述获取表示破碎谷物颗粒的轮廓的形态信息，并基于所述形态信息生成缺陷轮廓，包括：

4.根据权利要求3所述的方法，其特征在于，所述第一神经网络模型包括图像编码器、线性编码器、特征融合模块和解码器；

5.根据权利要求4所述的方法，其特征在于，所述特征融合模块按照以下方式得到样本融合特征：

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

7.根据权利要求1所述的方法，其特征在于，所述根据用户设置的缺陷类型和所述待填充图像获得填充后的缺陷谷物图像，包括：

8.根据权利要求1所述的方法，其特征在于，所述基于所述缺陷轮廓在所述正常谷物图像上涂抹出缺陷区域，包括：

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-8中任一项所述的图像生成方法。

10.一种电子设备，其特征在于，包括：存储器、处理器；所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-8中任一项所述的图像生成方法。

技术总结
本发明公开了一种图像生成方法、存储介质和电子设备，涉及图像处理技术领域，所述图像生成方法包括：获取无缺陷的正常谷物图像；获取表示破碎谷物颗粒的轮廓的形态信息，并基于所述形态信息生成缺陷轮廓；基于所述缺陷轮廓在所述正常谷物图像上涂抹出缺陷区域，得到待填充图像；根据用户设置的缺陷类型和所述待填充图像获得填充后的缺陷谷物图像，并基于所述缺陷类型生成所述缺陷谷物图像的标注信息。应用本发明实施例提供的方案能够减少标注图像所需的工作量。

技术研发人员：丁益文
受保护的技术使用者：安徽高哲信息技术有限公司
技术研发日：
技术公布日：2024/9/23