[发明专利]样本图像处理方法、装置、电子设备及计算机存储介质

说明书

本公开实施例涉及图像处理技术领域，公开了一种样本图像处理方法、装置、电子设备及计算机存储介质，其中，样本图像处理方法包括：获取预定数量的属于预定图像类别的样本图像；接着，确定各样本图像分别对应的各图像特征，并根据各样本图像分别对应的各图像特征，确定各样本图像分别对应的目标图像类别；接着，针对每一样本图像，当基于预定图像类别与每一样本图像的目标图像类别，确定每一样本图像为噪声样本图像时，滤除每一样本图像。本公开实施例的方法，不仅能够高效地对噪声样本图像进行筛选与清理，极大减少筛选图像噪声样本图像所耗费的人力成本，而且利于训练基于卷积神经网络的分类模型，便于提高分类模型的分类准确性。

技术领域

本公开实施例涉及图像处理技术领域，具体而言，本公开涉及一种样本图像处理方法、装置、电子设备及计算机存储介质。

背景技术

近年来，深度学习在视频图像、语音识别、自然语言处理等相关领域得到了广泛应用。卷积神经网络作为深度学习的一个重要分支，由于其超强的拟合能力以及端到端的全局优化能力，使得图像分类任务在应用卷积神经网络之后，预测精度大幅提升。其中，在通过基于卷积神经网络的分类模型进行图像分类的过程中，首先需要获取大量的样本图像，来对基于卷积神经网络的分类模型进行训练，接着再使用训练后的分类模型对待分类的图像的进行图像分类。

通常，可以从一些图像网站或摄影网站中获取上传者上传的各种图像类别的各种图像作为样本图像。其中，上传者在上传图像时会根据图像网站的要求，为待上传的图像设定相应的图像类别，即对待上传的图像做简单分类，比如在上传图像的过程中，先确定待上传图像的图像类别，并将待上传的图像上传到确定出的图像类别中。

然而，本公开的发明人在具体实施过程中，发现：上传者在上传图像时，存在不严格遵守图像网站的要求来对上传图像进行准确分类的情况，比如图像1原本属于图像类别A，而上传者随意将其上传到了图像类别B中，从而导致图像类别中的图像存在噪声样本图像的情况，如果通过专门的工作人员对图像网站中各种图像类别中的大量图像进行噪声样本图像的筛选，不仅成本高，而且效率低下，因此，需要一种处理图像类别中的噪声样本图像的方法。

发明内容

本公开实施例的目的旨在至少能解决上述的技术缺陷之一，特提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

一方面，提供了一种样本图像处理法，包括：

获取预定数量的属于预定图像类别的样本图像；

确定各样本图像分别对应的各图像特征，并根据各样本图像分别对应的各图像特征，确定各样本图像分别对应的目标图像类别；

针对每一样本图像，当基于预定图像类别与每一样本图像的目标图像类别，确定每一样本图像为噪声样本图像时，滤除每一样本图像。

一方面，提供了一种样本图像处理装置，包括：

获取模块，用于获取预定数量的属于预定图像类别的样本图像；

第一确定模块，用于确定各样本图像分别对应的各图像特征，并根据各样本图像分别对应的各图像特征，确定各样本图像分别对应的目标图像类别；

第二确定模块，用于针对每一样本图像，当基于预定图像类别与每一样本图像的目标图像类别，确定每一样本图像为噪声样本图像时，滤除每一样本图像。

一方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时实现上述的样本图像处理方法。

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上存储有计算机程序，该程序被处理器执行时实现上述的样本图像处理方法。