[go: up one dir, main page]

CN110428377B - 数据扩充方法、装置、设备和介质 - Google Patents

数据扩充方法、装置、设备和介质 Download PDF

Info

Publication number
CN110428377B
CN110428377B CN201910683255.5A CN201910683255A CN110428377B CN 110428377 B CN110428377 B CN 110428377B CN 201910683255 A CN201910683255 A CN 201910683255A CN 110428377 B CN110428377 B CN 110428377B
Authority
CN
China
Prior art keywords
chromaticity
target image
source
new
correction coefficient
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910683255.5A
Other languages
English (en)
Other versions
CN110428377A (zh
Inventor
孙旭
杨叶辉
王磊
许言午
黄艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Confucius Health Technology Co ltd
Original Assignee
Beijing Confucius Health Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Confucius Health Technology Co ltd filed Critical Beijing Confucius Health Technology Co ltd
Priority to CN201910683255.5A priority Critical patent/CN110428377B/zh
Publication of CN110428377A publication Critical patent/CN110428377A/zh
Application granted granted Critical
Publication of CN110428377B publication Critical patent/CN110428377B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种数据扩充方法、装置、设备和介质，涉及图像处理领域。该方法包括：从目标机型获取源目标图像，提取所述源目标图像的色度信息；基于目标图像色度范围，调整所述源目标图像的色度信息，生成新目标图像。本发明实施例提供了一种数据扩充方法、装置、设备和介质，实现了利用一种机型的目标图像对其他机型目标图像的扩充。

Description

数据扩充方法、装置、设备和介质
技术领域
本发明实施例涉及图像处理领域，尤其涉及一种数据扩充方法、装置、设备和介质。
背景技术
视网膜眼底图像在眼底疾病筛查和诊断中发挥了重要的作用。高性能眼底图像分析模型的获得，需要大批量的高质量标注训练数据。为了保证模型输出在实际应用场景中的泛化性和鲁棒性，训练数据的分布应与实际应用场景中的数据分布基本一致。
而作为视网膜眼底图像采集设备的眼底相机，目前市场上使用的型号众多。对不同型号的眼底相机，由于采用不同的硬件(如照明光源，感光元件等)和软件(如采用的数字图像后处理技术等)配置，得到的视网膜眼底图像在色度上也存在明显的差异(如图1所示)。这就导致不同机型拍摄的视网膜眼底图像存在数据分布不一致的现象。
然而，由于设备成本的限制，通常模型在训练阶段采用的数据集仅包括一种机型的视网膜眼底图像或者仅有少量机型的视网膜眼底图像，从而导致训练数据集单一的问题。进而基于单一的数据集训练得到的模型，对未参与训练的机型视网膜眼底图像的分析准确率低，这制约了视网膜眼底图像分析模型的实际应用。
发明内容
本发明实施例提供一种数据扩充方法、装置、设备和介质，以实现利用一种机型的目标图像对其他机型目标图像的扩充，其中扩充的其他机型的目标图像可用于模型训练，以提高模型对不同机型目标图像的分析准确率。
第一方面，本发明实施例提供了一种数据扩充方法，该方法包括：
从目标机型获取源目标图像，提取所述源目标图像的色度信息；
基于目标图像色度范围，调整所述源目标图像的色度信息，生成新目标图像。
第二方面，本发明实施例还提供了一种数据扩充装置，该装置包括：
色度信息提取模块，用于从目标机型获取源目标图像，提取所述源目标图像的色度信息；
色度信息调整模块，用于基于目标图像色度范围，调整所述源目标图像的色度信息，生成新目标图像。
第三方面，本发明实施例还提供了一种电子设备，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例中任一项所述的数据扩充方法。
第四方面，本发明实施例还提供了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，该程序被处理器执行时实现如本发明实施例中任一项所述的数据扩充方法。
本发明实施例通过基于目标图像色度范围，调整所述源目标图像的色度信息，以实现对其他机型的其他目标图像的模拟，进而利用模拟的其他机型的其他目标图像和所述源目标图像，对初始分析模型进行训练，以提高训练完成的目标分析模型对其他机型的其他目标图像的分析准确率。
附图说明
图1为现有技术采用不同厂商生产的眼底相机机型拍摄同一眼底得到的视网膜眼底图像；
图2是本发明实施例一提供的一种数据扩充方法的流程图；
图3是本发明实施例二提供的一种数据扩充方法的流程图；
图4是本发明实施例三提供的一种数据扩充方法的流程图；
图5是本发明实施例三提供的对同一眼底图像的颜色通道采用不同γ值进行伽马校正后得到的眼底图像示意图；
图6是本发明实施例四提供的一种数据扩充方法的流程图；
图7是本发明实施例五提供的一种数据扩充装置的结构示意图；
图8为本发明实施例六提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图2为本发明实施例一提供的一种数据扩充方法的流程图。本实施例可适用于利用目标机型的源目标图像模拟其他机型的其他目标图像，并利用源目标图像和其他目标图像对目标图像的分析模型进行训练，以提高分析模型对其他目标图像的分析准确率的情况。
可选地，目标图像可以是任意内容的图像。典型地，目标图像是视网膜眼底图像。该方法可以由一种数据扩充装置来执行，该装置可以由软件和/或硬件的方式实现，参见图2，本实施例提供的数据扩充方法包括：
S110、从目标机型获取源目标图像，提取所述源目标图像的色度信息。
其中，目标机型是获取源目标图像的机型。
源目标图像是包括目标内容的，且用于扩充新目标图像的图像。
目标内容可以是待分析的任意内容，例如病变器官、待分析环境等。
典型地，目标内容是眼底视网膜。
色度信息是描述图像色度的信息，具体可以是图像中RGB三个颜色通道的数值，也可以是图像的U分量和V分量。
S120、基于目标图像色度范围，调整所述源目标图像的色度信息，生成新目标图像。
其中，目标图像色度范围是指目标图像在不同机型中呈现的色度变化范围。
具体地，目标图像色度范围可以由本领域技术人员根据需要灵活选择，对此不做限定。
可选地，所述基于目标图像色度范围，调整所述源目标图像的色度信息之前，所述方法还包括：
根据从至少一种其他机型获取的其他目标图像，确定所述目标图像色度范围。
其中，其他机型是指除目标机型以外的机型。
其他目标图像是由其他机型的设备采集得到的目标图像。
为提高目标图像色度范围的确定准确率，所述根据从至少一种其他机型获取的其他目标图像，确定所述目标图像色度范围，包括：
基于色度信息，对所述其他目标图像进行聚类；
计算每个类别中其他目标图像的色度均值；
根据各类别的色度均值，确定所述目标图像色度范围。
具体地，基于色度信息，对所述其他目标图像进行聚类，包括：
对其他目标图像中颜色通道的数值进行加权求和，确定该其他目标图像的色度值；
将色度值相同或相近的其他目标图像聚为同一类别。
可选地，基于色度信息，对所述其他目标图像进行聚类，包括：
对不同其他目标图像中相同颜色通道的数值进行比较；
根据各颜色通道的数值比较结果，对所述其他目标图像进行聚类。
根据各类别的色度均值，确定所述目标图像色度范围，包括：
确定各类别色度均值的最大值和最小值，根据确定的最大值和最小值确定所述目标图像色度范围。
具体地，确定各类别色度均值的最大值和最小值，根据确定的最大值和最小值确定所述目标图像色度范围，包括：
比较各类别的色度均值，根据比较结果确定各类别的色度均值中的最大值和最小值；
将由确定的最大值和最小值构成的色度范围，作为所述目标图像色度范围。
可选地，在上述公开内容的基础上，本领域技术人员还可以想到其他可行方案，本实施例对此并不限定。
本发明实施例的技术方案，通过基于目标图像色度范围，调整所述源目标图像的色度信息，以实现对其他机型的其他目标图像的模拟，进而利用模拟的其他机型的其他目标图像和所述源目标图像，可辅助实现单一模型同时适配多种不同型号眼底相机，且无需针对不同机型额外采集和标注训练数据，节约成本，对初始分析模型进行训练提升了模型的鲁棒性和普适性，显著提升了相关产品的实用价值，提高目标分析模型对其他机型的其他目标图像的分析准确率。
进一步地，生成新目标图像之后，所述方法还包括：
利用所述源目标图像和生成的新目标图像，对初始分析模型进行训练，以得到目标分析模型。
其中，目标分析模型是对目标图像进行分析的模型。该分析可以是任意目地的分析，本实施例对此并不限定。
利用本发明实施例的技术方案，通过扩充后的数据集对初始分析模型进行训练提升了模型的鲁棒性和普适性，显著提升了相关产品的实用价值，提高目标分析模型对其他机型的其他目标图像的分析准确率。
实施例二
图3是本发明实施例二提供的一种数据扩充方法的流程图。本实施例是在上述实施例的基础上，对“基于目标图像色度范围，调整所述源目标图像的色度信息，生成新目标图像”的步骤进一步展开，提出的一种可选方案。参见图3，本实施例提供的数据扩充方法包括：
S210、从目标机型获取源目标图像，提取所述源目标图像的色度信息。
S220、随机生成色度校正系数。
其中，色度校正系数是对所述源目标图像进行色度信息调整的参数。
具体地，色度校正系数可以由随机生成器生成。
S230、根据所述目标图像色度范围，对所述色度校正系数进行筛选。
具体地，根据所述目标图像色度范围，对所述色度校正系数进行筛选，包括：
根据所述目标图像色度范围和所述源目标图像的色度信息，确定将所述源目标图像的色度校正至所述目标图像色度范围中的最小色度值的最小校正系数，和将所述源目标图像的色度校正至所述目标图像色度范围中的最大色度值的最大校正系数；
若所述色度校正系数大于或等于所述最小校正系数，且小于或等于所述最大校正系数，则确定所述色度校正系数通过筛选。
S240、利用通过筛选的色度校正系数，对所述源目标图像进行色度调整，生成新目标图像。
具体地，所述利用通过筛选的色度校正系数，对所述源目标图像进行色度调整，生成新目标图像，包括：
若所述源目标图像为RGB格式，则基于伽马校正算法，利用所述通过筛选的色度校正系数，对所述源目标图像中的三个颜色通道数值分别进行校正；
合并经过校正的颜色通道数值，生成新目标图像。
具体地，若源目标图像的颜色通道数为三个，则随机生成的色度校正系数可以是三个，也可以是一个。若是一个，则可以基于同一个色度校正系数分别对三个颜色通道的数值进行校正。
可选地，所述利用通过筛选的颜色校正系数，对所述源目标图像进行色度调整，生成新目标图像，包括：
若所述源目标图像为YUV格式，则利用通过筛选的颜色校正系数分别对所述源目标图像中原U分量和原V分量进行调整，生成新U分量和新V分量；
合并所述源目标图像中原Y分量、所述新U分量和所述新V分量，生成新目标图像。
利用通过筛选的颜色校正系数分别对所述源目标图像中原U分量和原V分量进行调整，生成新U分量和新V分量，包括：
计算通过筛选的颜色校正系数与所述源目标图像中原U分量的乘积，并将该乘积作为新U分量；
计算通过筛选的颜色校正系数与所述源目标图像中原V分量的乘积，并将该乘积作为新V分量。
本发明实施例的技术方案，通过随机生成色度校正系数；根据所述目标图像色度范围，对所述色度校正系数进行筛选；利用通过筛选的色度校正系数，对所述源目标图像进行色度调整。从而实现对源目标图像的随机调整。因为是随机调整，所以从概率上讲模拟的其他机型的其他目标图像的概率是相同的，进而实现对不同机型的均衡训练。
实施例三
图4是本发明实施例三提供的一种数据扩充方法的流程图。本实施例是在上述实施例的基础上，以目标图像为视网膜眼底图像为例，提出的一种可选方案。参见图4，本实施例提供的数据扩充方法包括：
S310、读取源彩色视网膜眼底图像。
源彩色视网膜眼底图像在计算机中表示为h×w×c大小的矩阵，其中h表示图像高度，w表示图像宽度，c表示图像通道数。彩色视网膜眼底图像包括RGB三个颜色通道(R表示红色，G表示绿色，B表示蓝色)。
S320、使用随机数生成器生成三维数值向量γ＝{γR,γG,γB,}作为校正系数，取值范围为
Figure BDA0002145490290000091
其中n为人工设定的大于1的正数，n的具体取值根据视网膜眼底图像色度范围确定，一般可设定2或3。
S330、对源彩色视网膜眼底图像的三个颜色通道的数值分别进行伽马校正。
其中R通道校正系数设置为γR，G通道校正系数设置为γG，B通道校正系数设置为γB。
伽马校正是对输入图像灰度值进行非线性操作，使输出图像灰度值与输入图像灰度值呈指数关系，数学表达式为
Figure BDA0002145490290000092
其中Vo表示输出的灰度值，Vi表示输入的灰度值，γ表示校正系数。当对彩色眼底图像的不同颜色通道数值分别采用不同的γ值进行伽马校正时，可以获得色度不同的彩色眼底图像。图5为对同一眼底图像不同颜色通道灰度值采用不同γ值进行伽马校正后得到的眼底图像示例。
S340、将伽马校正后的RGB三个颜色通道重新合并得到新彩色眼底图像。
本发明实施例的技术方案，通过对视网膜眼底图像不同颜色通道的数值施加不同程度的伽马校正，改变输入图像色度信息，以模拟多种不同机型的成色方案。
实施例四
图6是本发明实施例四提供的一种数据扩充方法的流程图。本实施例是在上述实施例的基础上，以将扩充的新彩色眼底图像应用于视网膜眼底图像模型的训练为例，提出的一种可选方案。参见图6，本实施例提供的数据扩充方法包括：
S410、读取源彩色视网膜眼底图像。
S420、使用随机数生成器生成三维数值向量γ＝{γR,γG,γB,}作为校正系数，取值范围为
Figure BDA0002145490290000101
S430、对源彩色视网膜眼底图像的三个颜色通道的数值分别进行伽马校正。
S440、将伽马校正后的RGB三个颜色通道重新合并得到新彩色眼底图像。
S450、将扩充的新彩色眼底图像和读取的源眼底图像用于后续的模型训练。
其中，扩充的新彩色眼底图像是模拟的其他机型的彩色眼底图像。
源眼底图像是目标机型的彩色眼底图像。
具体地，将扩充的新彩色眼底图像和读取的源眼底图像用于后续的模型训练，包括：
利用扩充的新彩色眼底图像和读取的源眼底图像，对初始分析模型进行训练，得到视网膜眼底图像的目标分析模型。本发明实施例的技术方案，通过将模拟的其他机型的彩色眼底图像和目标机型的彩色眼底图像作为样本数据，用于后续的模型训练。从而提高模型的鲁棒性和普适性，提升相关产品的实用价值，提高模型对其他机型的其他彩色眼底图像的分析准确率。
换而言之，本发明实施例可以实现如下效果：
(1)本发明实施例可辅助实现单一模型同时适配多种不同型号眼底相机，且无需针对不同机型额外采集和标注训练数据，在节约成本的同时提升了模型的鲁棒性和普适性，显著提升了相关产品的实用价值。
(2)本发明实施例作为一种通用的数据扩充方法，适用于多种不同视网膜眼底图像分析模型的训练过程，包括但不限于：眼底疾病分级和分类，如糖尿病视网膜病变分级、黄斑病变分类等；眼底关键结构分割和定位，如视盘分割、黄斑中心凹定位、眼底血管分割等；眼底疾病关键病灶检测和分割，如微血管瘤检测、玻璃膜疣分割等。
对本发明实施例的应用可以描述为：
应用该发明的产品或项目，为各类眼底图像分析系统，包括但不限于眼底疾病分级与分类系统、眼底关键结构定位与分割系统、眼底病灶检测与分割系统等。以AI(Artificial Intelligence，人工智能)眼底筛查一体机为例，操作人员采用眼底相机为待筛查者拍摄眼底图，后台的AI算法自动对该眼底图进行分析，输出青光眼、黄斑病变和糖尿病视网膜病变等眼底疾病的风险指标，如果该系统采用的分类模型仅使用一种机型的图像作为训练的源数据，而且仅使用一般的图像扩充方法(如图像翻转、图像旋转、对比度调整、曝光度调整、叠加高斯噪声等)扩充训练数据集，则在应用到其他机型眼底相机时，模型输出准确性会受到影响，性能难以得到保障。如果在模型训练过程中加入本发明实施例提出的方法进行数据扩充，则应用在其他机型眼底相机时，模型仍然能得到可靠的输出。
需要说明的是，经过本实施例的技术教导，本领域技术人员有动机将上述实施例中描述的任一种实施方式进行方案的组合，以实现提高模型对不同机型目标图像的分析准确率。
实施例五
图7是本发明实施例五提供的一种数据扩充装置的结构示意图。参见图7，本实施例提供的数据扩充装置包括：色度信息提取模块10和色度信息调整模块20。
其中，色度信息提取模块10，用于从目标机型获取源目标图像，提取所述源目标图像的色度信息；
色度信息调整模块20，用于基于目标图像色度范围，调整所述源目标图像的色度信息，生成新目标图像。
本发明实施例通过基于目标图像色度范围，调整所述源目标图像的色度信息，以实现对其他机型的其他目标图像的模拟，进而利用模拟的其他机型的其他目标图像和所述源目标图像，对初始分析模型进行训练，以提高训练完成的目标分析模型对其他机型的其他目标图像的分析准确率。
进一步地，所述色度信息调整模块，包括:校正系数生成单元、系数筛选单元和色度调整单元。
其中，校正系数生成单元，用于随机生成色度校正系数；
系数筛选单元，用于根据所述目标图像色度范围，对所述色度校正系数进行筛选；
色度调整单元，用于利用通过筛选的色度校正系数，对所述源目标图像进行色度调整，生成新目标图像。
进一步地，所述色度调整单元，具体用于：
若所述源目标图像为RGB格式，则基于伽马校正算法，利用所述通过筛选的色度校正系数，对所述源目标图像中的三个颜色通道数值分别进行校正；
合并经过校正的颜色通道数值，生成新目标图像。
进一步地，所述色度调整单元，具体用于：
若所述源目标图像为YUV格式，则利用通过筛选的颜色校正系数分别对所述源目标图像中原U分量和原V分量进行调整，生成新U分量和新V分量；
合并所述源目标图像中原Y分量、所述新U分量和所述新V分量，生成新目标图像。
进一步地，所述装置还包括：色度范围确定模块。
其中，色度范围确定模块，用于所述基于目标图像色度范围，调整所述源目标图像的色度信息之前，根据从至少一种其他机型获取的其他目标图像，确定所述目标图像色度范围。
进一步地，所述色度范围确定模块，包括：聚类单元、色度均值计算单元和色度范围确定单元。
其中，聚类单元，用于基于色度信息，对所述其他目标图像进行聚类；
色度均值计算单元，用于计算每个类别中其他目标图像的色度均值；
色度范围确定单元，用于根据各类别的色度均值，确定所述目标图像色度范围。
进一步地，所述装置还包括：模型训练模块。
其中，所述模型训练模块，用于在生成新目标图像之后，利用所述源目标图像和生成的新目标图像，对初始分析模型进行训练，以得到目标分析模型
本发明实施例所提供的数据扩充装置可执行本发明任意实施例所提供的数据扩充方法，具备执行方法相应的功能模块和有益效果。
实施例六
图8为本发明实施例六提供的一种设备的结构示意图。图8示出了适于用来实现本发明实施方式的示例性设备12的框图。图8显示的设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图8未显示，通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该设备12交互的设备通信，和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与设备12的其它模块通信。应当明白，尽管图中未示出，可以结合设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的数据扩充方法。
实施例七
本发明实施例七还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一项所述的数据扩充方法，该方法包括：
从目标机型获取源目标图像，提取所述源目标图像的色度信息；
基于目标图像色度范围，调整所述源目标图像的色度信息，生成新目标图像。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。
计算机可读的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。计算机可读的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——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
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发明操作的计算机程序代码，所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)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种数据扩充方法，应用于对视网膜眼底图像进行扩充，其特征在于，包括：
从目标机型获取源目标图像，提取所述源目标图像的色度信息；其中，所述源目标图像是包括目标内容的，且用于扩充新目标图像的图像，所述目标内容为眼底视网膜；
对其他目标图像中颜色通道的数值进行加权求和，确定所述其他目标图像的色度值；
将所述色度值相同或相近的其他目标图像聚为同一类别；
计算每个类别中其他目标图像的色度均值；
比较各类别的色度均值，根据比较结果确定所述各类别的色度均值中的最大值和最小值；
将所述最大值和所述最小值构成的色度范围，作为目标图像色度范围；
基于所述目标图像色度范围，调整所述源目标图像的色度信息，生成新目标图像；其中，所述目标图像色度范围是指所述视网膜眼底图像在不同机型中呈现的色度变化范围；所述机型是指作为视网膜眼底图像采集设备的眼底相机；
其中，所述基于所述目标图像色度范围，调整所述源目标图像的色度信息，生成新目标图像，包括:
随机生成色度校正系数；其中，所述色度校正系数是对所述源目标图像进行色度信息调整的参数，所述色度校正系数由随机生成器生成；
根据所述目标图像色度范围和所述源目标图像的色度信息，确定将所述源目标图像的色度校正至所述目标图像色度范围中的最小色度值的最小校正系数，和将所述源目标图像的色度校正至所述目标图像色度范围中的最大色度值的最大校正系数；
若所述色度校正系数大于或等于所述最小校正系数，且小于或等于所述最大校正系数，则确定所述色度校正系数通过筛选；
利用通过筛选的色度校正系数，对所述源目标图像进行色度调整，生成新目标图像。
2.根据权利要求1所述的方法，其特征在于，所述利用通过筛选的色度校正系数，对所述源目标图像进行色度调整，生成新目标图像，包括：
若所述源目标图像为RGB格式，则基于伽马校正算法，利用所述通过筛选的色度校正系数，对所述源目标图像中的三个颜色通道数值分别进行校正；
合并经过校正的颜色通道数值，生成新目标图像。
3.根据权利要求1所述的方法，其特征在于，所述利用通过筛选的颜色校正系数，对所述源目标图像进行色度调整，生成新目标图像，包括：
若所述源目标图像为YUV格式，则利用通过筛选的颜色校正系数分别对所述源目标图像中原U分量和原V分量进行调整，生成新U分量和新V分量；
合并所述源目标图像中原Y分量、所述新U分量和所述新V分量，生成新目标图像。
4.根据权利要求1所述的方法，其特征在于，所述基于所述目标图像色度范围，调整所述源目标图像的色度信息，生成新目标图像之后，所述方法还包括：
利用所述源目标图像和生成的新目标图像，对初始分析模型进行训练，以得到目标分析模型。
5.一种数据扩充装置，应用于对视网膜眼底图像进行扩充，其特征在于，包括：
色度信息提取模块，用于从目标机型获取源目标图像，提取所述源目标图像的色度信息；其中，所述源目标图像是包括目标内容的，且用于扩充新目标图像的图像，所述目标内容为眼底视网膜；
色度信息调整模块，用于基于目标图像色度范围，调整所述源目标图像的色度信息，生成新目标图像；其中，所述目标图像色度范围是指所述目标图像在不同机型中呈现的色度变化范围；其中，所述机型是指作为视网膜眼底图像采集设备的眼底相机；
其中，所述色度信息调整模块，包括:
校正系数生成单元，用于随机生成色度校正系数；其中，所述色度校正系数是对所述源目标图像进行色度信息调整的参数，所述色度校正系数由随机生成器生成；
系数筛选单元，用于根据所述目标图像色度范围，对所述色度校正系数进行筛选；
色度调整单元，用于利用通过筛选的色度校正系数，对所述源目标图像进行色度调整，生成新目标图像；
其中，所述系数筛选单元，具体用于根据所述目标图像色度范围和所述源目标图像的色度信息，确定将所述源目标图像的色度校正至所述目标图像色度范围中的最小色度值的最小校正系数，和将所述源目标图像的色度校正至所述目标图像色度范围中的最大色度值的最大校正系数；若所述色度校正系数大于或等于所述最小校正系数，且小于或等于所述最大校正系数，则确定所述色度校正系数通过筛选；
色度范围确定模块，用于所述基于目标图像色度范围，调整所述源目标图像的色度信息之前，根据从至少一种其他机型获取的其他目标图像，确定所述目标图像色度范围；
其中，所述色度范围确定模块，包括：
聚类单元，用于基于色度信息，对所述其他目标图像进行聚类；
色度均值计算单元，用于计算每个类别中其他目标图像的色度均值；
色度范围确定单元，用于根据各类别的色度均值，确定所述目标图像色度范围；
所述聚类单元，具体用于对其他目标图像中颜色通道的数值进行加权求和，确定所述其他目标图像的色度值；将所述色度值相同或相近的其他目标图像聚为同一类别；
所述色度范围确定单元，具体用于比较各类别的色度均值，根据比较结果确定所述各类别的色度均值中的最大值和最小值；将所述最大值和所述最小值构成的色度范围，作为目标图像色度范围。
6.根据权利要求5所述的装置，其特征在于，所述色度调整单元，具体用于：
若所述源目标图像为RGB格式，则基于伽马校正算法，利用所述通过筛选的色度校正系数，对所述源目标图像中的三个颜色通道数值分别进行校正；
合并经过校正的颜色通道数值，生成新目标图像。
7.根据权利要求5所述的装置，其特征在于，所述色度调整单元，具体用于：
若所述源目标图像为YUV格式，则利用通过筛选的颜色校正系数分别对所述源目标图像中原U分量和原V分量进行调整，生成新U分量和新V分量；
合并所述源目标图像中原Y分量、所述新U分量和所述新V分量，生成新目标图像。
8.根据权利要求5所述的装置，其特征在于，所述装置还包括：
模型训练模块，用于所述基于所述目标图像色度范围，调整所述源目标图像的色度信息，生成新目标图像之后，利用所述源目标图像和生成的新目标图像，对初始分析模型进行训练，以得到目标分析模型。
9.一种电子设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一项所述的数据扩充方法。
10.一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，该程序被处理器执行时实现如权利要求1-4中任一项所述的数据扩充方法。
CN201910683255.5A 2019-07-26 2019-07-26 数据扩充方法、装置、设备和介质 Active CN110428377B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910683255.5A CN110428377B (zh) 2019-07-26 2019-07-26 数据扩充方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910683255.5A CN110428377B (zh) 2019-07-26 2019-07-26 数据扩充方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN110428377A CN110428377A (zh) 2019-11-08
CN110428377B true CN110428377B (zh) 2023-06-30

Family

ID=68412754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910683255.5A Active CN110428377B (zh) 2019-07-26 2019-07-26 数据扩充方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN110428377B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112710996B (zh) * 2020-12-08 2022-08-23 中国人民解放军海军航空大学 一种雷达微动目标识别的数据集扩充方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002027266A (ja) * 2000-07-04 2002-01-25 Ricoh Co Ltd 画像処理システムおよび画像処理方法および記録媒体
JP2012088551A (ja) * 2010-10-20 2012-05-10 Mitsubishi Electric Corp 色補正処理装置、色補正処理方法及びマルチディスプレイ装置
CN109523485A (zh) * 2018-11-19 2019-03-26 Oppo广东移动通信有限公司 图像颜色校正方法、装置、存储介质及移动终端
CN109671036A (zh) * 2018-12-26 2019-04-23 上海联影医疗科技有限公司 一种图像校正方法、装置、计算机设备及存储介质
CN109903256A (zh) * 2019-03-07 2019-06-18 京东方科技集团股份有限公司 模型训练方法、色差校正方法、装置、介质和电子设备

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4189328B2 (ja) * 2004-01-16 2008-12-03 セイコーエプソン株式会社 画像処理装置、画像表示装置、画像処理方法および画像処理プログラム
US7936919B2 (en) * 2005-01-18 2011-05-03 Fujifilm Corporation Correction of color balance of face images depending upon whether image is color or monochrome
JP2007208413A (ja) * 2006-01-31 2007-08-16 Olympus Corp 色補正装置および色補正方法ならびに色補正プログラム
JP6282156B2 (ja) * 2014-03-31 2018-02-21 キヤノン株式会社 画像装置、画像処理方法、制御プログラム及び記憶媒体
CN104586397B (zh) * 2015-01-26 2017-01-18 北京工业大学 感觉等距法与聚类分析结合的中医舌色分类感知量化方法
CN105488509A (zh) * 2015-11-19 2016-04-13 Tcl集团股份有限公司 基于局部色度特征的图像聚类方法及系统
CN106920218B (zh) * 2015-12-25 2019-09-10 展讯通信（上海）有限公司 一种图像处理的方法及装置
CN108230233A (zh) * 2017-05-16 2018-06-29 北京市商汤科技开发有限公司 数据增强、处理方法和装置、电子设备和计算机存储介质
CN107798661B (zh) * 2017-10-17 2020-04-28 华南理工大学 一种自适应的图像增强方法
CN107958470A (zh) * 2017-12-18 2018-04-24 维沃移动通信有限公司 一种色彩校正方法、移动终端
CN109345469B (zh) * 2018-09-07 2021-10-22 苏州大学 一种基于条件生成对抗网络的oct成像中散斑去噪方法
CN109902717A (zh) * 2019-01-23 2019-06-18 平安科技（深圳）有限公司 病灶自动识别方法、装置及计算机可读存储介质
CN110009574B (zh) * 2019-02-13 2023-01-17 中山大学 一种低动态范围图像逆向生成高动态范围图像的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002027266A (ja) * 2000-07-04 2002-01-25 Ricoh Co Ltd 画像処理システムおよび画像処理方法および記録媒体
JP2012088551A (ja) * 2010-10-20 2012-05-10 Mitsubishi Electric Corp 色補正処理装置、色補正処理方法及びマルチディスプレイ装置
CN109523485A (zh) * 2018-11-19 2019-03-26 Oppo广东移动通信有限公司 图像颜色校正方法、装置、存储介质及移动终端
CN109671036A (zh) * 2018-12-26 2019-04-23 上海联影医疗科技有限公司 一种图像校正方法、装置、计算机设备及存储介质
CN109903256A (zh) * 2019-03-07 2019-06-18 京东方科技集团股份有限公司 模型训练方法、色差校正方法、装置、介质和电子设备

Also Published As

Publication number Publication date
CN110428377A (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
CN110428475B (zh) 一种医学图像的分类方法、模型训练方法和服务器
JP7058373B2 (ja) 医療画像に対する病変の検出及び位置決め方法、装置、デバイス、及び記憶媒体
WO2020253127A1 (zh) 脸部特征提取模型训练方法、脸部特征提取方法、装置、设备及存储介质
EP3755204A1 (en) Eye tracking method and system
CN107277479B (zh) 白平衡处理方法和装置
CN108154105A (zh) 水下生物检测与识别方法、装置、服务器及终端设备
Tennakoon et al. Image quality classification for DR screening using convolutional neural networks
CN107368806B (zh) 图像矫正方法、装置、计算机可读存储介质和计算机设备
CN113781468B (zh) 一种基于轻量级卷积神经网络的舌图像分割方法
CN108198177A (zh) 图像获取方法、装置、终端及存储介质
WO2021174821A1 (zh) 眼底彩照图像分级方法、装置、计算机设备及存储介质
CN113793301B (zh) 基于稠密卷积网络模型的眼底影像分析模型的训练方法
CN112528782A (zh) 水下鱼类目标检测方法及装置
CN117152507B (zh) 一种牙齿健康状态检测方法、装置、设备及存储介质
WO2023284236A1 (zh) 图像盲去噪方法、装置、电子设备和存储介质
JP2021528767A (ja) 視覚的検索方法、装置、コンピュータ機器及び記憶媒体
CN114121232A (zh) 分类模型训练方法、装置、电子设备及存储介质
CN110519509A (zh) 构图评价方法、摄影方法、装置、电子设备、存储介质
CN113298753A (zh) 敏感肌的检测方法、图像处理方法、装置及设备
CN110428377B (zh) 数据扩充方法、装置、设备和介质
CN110473176B (zh) 图像处理方法及装置、眼底图像处理方法、电子设备
JP2021189527A (ja) 情報処理装置、情報処理方法及びプログラム
CN113724282A (zh) 图像处理方法和相关产品
CN112967197B (zh) 图像处理方法、装置、电子设备、介质和计算机程序产品
CN112288697B (zh) 用于量化异常程度的方法、装置、电子设备及可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20210419

Address after: 100000 Room 220, 2nd Floor, Building 4, No. 1, Shangdi East Road, Haidian District, Beijing

Applicant after: Beijing Confucius Health Technology Co.,Ltd.

Address before: 100085 Beijing, Haidian District, No. ten on the ground floor, No. 10 Baidu building, layer 2

Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant