一种快速自适应采样方法及计算机可读存储介质与流程

本发明涉及图像处理，具体涉及一种快速自适应采样方法及计算机可读存储介质。

背景技术：

1、随着深度学习技术的不断发展，其在工业领域的应用越来越广泛。深度学习模型在工业图像处理中具有巨大的潜力，可以实现诸多自动化任务，如物体检测、目标跟踪、质量控制等。然而，工业图像通常具有高分辨率和大规模的特点，这导致了一些挑战。

2、首先，工业图像的分辨率通常非常高。在工厂环境中，传感器和相机捕捉到的图像往往具有高分辨率，以确保细节的准确捕捉。这些高分辨率图像包含了大量的像素信息，使得深度学习模型的处理变得更加困难。大尺寸图像需要更多的计算资源和存储空间来进行处理和存储，这对于传统的深度学习框架来说是一项巨大的挑战。

3、其次，推理时间也成为了一个重要的问题。在工业环境中，实时性对于许多应用至关重要。然而，传统的深度学习模型在处理大尺寸工业图像时需要较长的推理时间，这限制了其在实时应用中的可行性。例如，在目标检测任务中，需要对图像进行逐像素的扫描和分析，这对于大尺寸图像来说是一项非常耗时的过程。

4、在应对工业图像太大的挑战时，通常采用了两种主要方法：图像分块裁剪和图像缩放。这些方法旨在解决处理大尺寸图像时的推理时间过长和信息丢失的问题。

5、其中，图像分块裁剪通过将大尺寸图像切割成较小的图像块来进行处理。裁剪方法可以有效减少图像的尺寸，从而降低计算资源和推理时间的需求。然而，裁剪的缺点是难以捕获跨图像块的信息。由于图像被切割成多个块，每个块的上下文信息和连续性可能会受到限制，导致模型难以获得全局的图像语义信息。特别是对于包含较大目标或跨越多个块的场景，裁剪方法可能无法准确地检测或处理这些目标。

6、而图像缩放是另一种常用的方法，通过将大尺寸图像缩小到合适的尺寸进行处理。缩放方法可以保留整个图像的完整性和全局信息，有助于模型获得更准确的语义表示。然而，缩放的缺点在于容易失去细节信息。当将图像缩小到较小尺寸时，一些细微的特征和细节可能会被模糊化或丢失，从而降低了模型的准确性。尤其是对于需要高精度的工业任务，如缺陷检测或细微结构分析，缩放方法可能无法满足需求。

7、因此，针对上述现有技术的不足有必要进行改进。

技术实现思路

1、本发明主要解决的技术问题是提供一种快速自适应采样方法及计算机可读存储介质。本快速自适应采样方法能够实现在待采样图像的信息量丰富的图像区域生成密集的采样点，而在上述原始图像的信息量较少的图像区域生成较少的采样点；进而使得最终得到的采样图像能够实现对目标图像的细节信息(如目标图像中信息量丰富的区域的细节信息)的放大。

2、根据第一方面，一种实施例中提供一种快速自适应采样方法。该方法包括：

3、获取作为待采样对象的目标图像、第一特征尺寸和第一采样密度；获取待采样图像和第二采样密度；

4、其中，将所述目标图像作为所述待采样图像，或者所述待采样图像是基于所述第一特征尺寸对所述目标图像进行分块而得到的，每个所述待采样图像代表一个采样区域，所述第一特征尺寸表征所述采样区域的大小；

5、所述第一采样密度用于表征预设的对所述采样区域进行采样的采样点的数量；

6、所述第二采样密度用于表征对所述采样区域进行采样的采样点的实际数量，所述第二采样密度是基于所述第一采样密度与预设的第三采样密度而得到的；

7、计算得出所述待采样图像的第一信息图；

8、其中，所述待采样图像的第一信息图中的像素点的数值用于表征所述待采样图像中与该像素点对应的像素点的信息量的大小；

9、基于所述第二采样密度和所述第一信息图，生成所述第一信息图的行能量线以及列能量线，基于所述第一信息图的行能量线以及列能量线生成所述待采样图像的采样点；根据所述待采样图像的采样点对所述待采样图像进行采样而得到所述待采样图像的采样图像；其中，所述行能量线的数量与所述列能量线的数量的乘积等于所述第二采样密度；其中，所述行能量线表示所述第一信息图中基于所述行能量线的纵向坐标沿行方向设置的虚拟的线段；所述列能量线表示所述第一信息图中基于所述列能量线的横向坐标沿列方向设置的虚拟的线段；

10、所述第一信息图中相邻的两条所述行能量线之间的所形成的区域内的信息量的总和相同，所述第一信息图中相邻的两条所述列能量线之间的所形成的区域内的信息量的总和相同。

11、根据第二方面，一种实施例中提供一种快速自适应采样方法。该快速自适应采样方法包括：

12、获取样本图像、样本图像的标注信息和第一特征尺寸，基于所述样本图像和所述第一特征尺寸获取与所述样本图像对应的待采样图像；其中，将所述样本图像作为所述与所述样本图像对应的待采样图像，或者所述待采样图像是基于所述第一特征尺寸对所述样本图像进行分块而得到的；

13、计算得出所述与所述样本图像对应的待采样图像的第一信息图；

14、获取初始采样密度集合，所述初始采样密度集合包括多个预设的初始采样密度；所述初始采样密度用于表征预设的对所述与所述样本图像对应的待采样图像进行采样的采样点的数量；

15、按从小到大的顺序读取所述初始采样密度集合中的初始采样密度，每读取一个初始采样密度，则用该初始采样密度执行生成采样图像的步骤和第一判断步骤，直至所述第一判断步骤中得到的所述与所述样本图像对应的待采样图像的采样图像中可学习特征的数量与第二特征的总数量的比值超过预设阈值，或者遍历完所述初始采样密度集合为止；

16、当且仅当所述第一判断步骤中得到的所述与所述样本图像对应的待采样图像的采样图像中可学习特征的数量与第二特征的总数量的比值超过预设阈值，或者遍历完所述初始采样密度集合为止时，输出所述生成采样图像的步骤中所生成的与所述样本图像对应的待采样图像的采样图像；

17、所述生成采样图像的步骤，包括：

18、基于所述初始采样密度和所述待采样图像的第一信息图，生成所述第一信息图的行能量线以及列能量线，基于所述初始采样密度、所述行能量线以及列能量线生成所述与所述样本图像对应的待采样图像的采样点；根据所述采样点对所述与所述样本图像对应的待采样图像进行采样而得到所述与所述样本图像对应的待采样图像的采样图像；

19、所述第一判断步骤，包括：

20、根据所述标注信息获得所述与所述样本图像对应的待采样图像的采样图像中的标注区域作为第二特征，获取每个所述第二特征的第二特征尺寸，其中每个所述第二特征的第二特征尺寸指该第二特征对应的标注区域最窄处的宽度；对于每个第二特征，判断其第二特征尺寸是否符合预设条件，若是则判定其为可学习特征；判断所述与所述样本图像对应的待采样图像的采样图像中可学习特征的数量与第二特征的总数量的比值是否超过所述预设阈值。

21、根据第三方面，一种实施例中提供一种计算机可读存储介质。该计算机可读存储介质包括程序。所述程序能够被处理器执行以实现如本文中任一实施例所述的方法。

22、本技术的有益效果是：

23、本快速自适应采样方法包括：获取作为待采样对象的目标图像、第一特征尺寸和第一采样密度；获取待采样图像和第二采样密度；计算得出所述待采样图像的第一信息图；基于所述第二采样密度和所述第一信息图，生成所述第一信息图的行能量线以及列能量线，基于所述第一信息图的行能量线以及列能量线生成所述待采样图像的采样点；根据所述待采样图像的采样点对所述待采样图像进行采样而得到所述待采样图像的采样图像；其中，所述行能量线的数量与所述列能量线的数量的乘积等于所述第二采样密度；其中，所述行能量线表示所述第一信息图中基于所述行能量线的纵向坐标沿行方向设置的虚拟的线段；所述列能量线表示所述第一信息图中基于所述列能量线的横向坐标沿列方向设置的虚拟的线段。由于本快速自适应采样方法是基于第一信息图的行能量线以及列能量线生成待采样图像的采样点，以及，第一信息图中相邻的两条行能量线之间的所形成的区域内的信息量的总和相同，第一信息图中相邻的两条列能量线之间的所形成的区域内的信息量的总和相同，因此，本快速自适应采样方法能够实现在上述待采样图像的信息量丰富的图像区域生成密集的采样点，而在上述待采样图像的信息量较少的图像区域生成较少的采样点；进而使得最终得到的采样图像能够实现对目标图像的细节信息(例如目标图像中信息量丰富的区域的细节信息)的放大。