一种样本图像划分方法、装置、电子设备及存储介质与流程

本技术涉及图像处理，特别是涉及一种样本图像划分方法、装置、电子设备及存储介质。

背景技术：

1、随着大数据和深度学习技术的发展，在图像处理技术领域，深度学习模型（简称为模型）的应用也越来越广泛。例如，通过模型实现图像分类或目标检测。在使用模型之前，需要通过大量的样本图像对模型进行训练并对模型的性能进行测试，以得到满足应用需求的模型。

2、可以对样本图像进行划分得到训练图像集、验证图像集及测试图像集。训练图像集为用于进行模型训练的图像集。验证图像集为在模型训练过程中进行模型泛化性验证的图像集，用于调整模型的超参数和用于对模型的能力进行初步评估。测试图像集为在模型训练结束后，进行模型性能测试的图像集，用于评估最终得到的模型的泛化能力。

3、对样本图像进行划分得到训练图像集、验证图像集及测试图像集的方式，会在一定程度上影响训练得到的模型的性能以及对模型的性能进行测试的结果的准确性，因此，如何对样本图像进行划分，以保证训练得到的模型的性能较优并提高对模型的性能进行测试的结果的准确性成为亟待解决的问题。

技术实现思路

1、本技术实施例的目的在于提供一种样本图像划分方法、装置、电子设备及存储介质，以保证训练得到的模型的性能较优并提高对模型的性能进行测试的结果的准确性。具体技术方案如下：

2、本技术实施的第一方面，提供了一种样本图像划分方法，所述方法包括：

3、基于预设的划分特征对样本图像进行划分得到多个图像分组，作为第一图像组；其中，对于任一划分特征，同一个第一图像组包含的样本图像针对该划分特征的划分属性信息一致；任意两个第一图像组包含的样本图像针对至少一个划分特征的划分属性信息不一致；

4、针对每一第一图像组，按照指定比例确定该第一图像组中用于进行训练的图像、用于进行验证的图像，以及用于进行测试的图像；

5、合并各第一图像组中用于进行训练的图像，得到训练图像集，合并各第一图像组中用于进行验证的图像，得到验证图像集，以及合并各第一图像组中用于进行测试的图像，得到测试图像集。

6、可选的，所述基于预设的划分特征对样本图像进行划分得到多个图像分组，作为第一图像组，包括：

7、按照预设划分顺序，从预设的划分特征中确定当前的划分特征；

8、对于当前待划分的每一图像组，确定该图像组中的每一样本图像针对当前的划分特征的划分属性信息；其中，在第一次进行划分时所述样本图像构成当前待划分的一个图像组；

9、将确定出的划分属性信息一致的样本图像划分为一个新的图像组；

10、确定本次划分得到的新的图像组，作为当前待划分的图像组，并返回执行所述按照预设划分顺序，从预设的划分特征中确定当前的划分特征的步骤，直至按照最后一个划分特征对上一次划分得到的图像组进行划分，得到第一图像组。

11、可选的，所述对于当前待划分的每一图像组，确定该图像组中的每一样本图像针对当前的划分特征的划分属性信息，包括：

12、对于当前待划分的每一图像组，获取该图像组中的每一样本图像针对当前的划分特征的属性信息，作为初始属性信息；

13、针对该图像组中的任一样本图像，若获取到的该样本图像的初始属性信息为多个，则将对应的权重最大的初始属性信息，作为该样本图像针对当前的划分特征的划分属性信息。

14、可选的，所述划分特征包括用于表示所述样本图像的标签的标签特征，和/或，用于表示所述样本图像自身的图像属性的图像特征。

15、可选的，所述标签特征包括：用于表示所述样本图像中对象的类别的特征，和/或，用于表示所述样本图像中对象所占图像区域的属性的特征；

16、和/或，

17、所述图像特征包括以下至少一项：所述样本图像的图像格式、用于表示所述样本图像的灰度值分布情况的特征、以及用于表示所述样本图像中rgb（red green blue，红绿蓝）值分布情况的特征；所述图像格式包括：彩色图、灰度图、深度图和二值图。

18、本技术实施的第二方面，提供了一种样本图像划分装置，所述装置包括：

19、第一划分模块，用于基于预设的划分特征对样本图像进行划分得到多个图像分组，作为第一图像组；其中，对于任一划分特征，同一个第一图像组包含的样本图像针对该划分特征的划分属性信息一致；任意两个第一图像组包含的样本图像针对至少一个划分特征的划分属性信息不一致；

20、第二划分模块，用于针对每一第一图像组，按照指定比例确定该第一图像组中用于进行训练的图像、用于进行验证的图像，以及用于进行测试的图像；

21、图像合并模块，用于合并各第一图像组中用于进行训练的图像，得到训练图像集，合并各第一图像组中用于进行验证的图像，得到验证图像集，以及合并各第一图像组中用于进行测试的图像，得到测试图像集。

22、可选的，所述第一划分模块，包括：

23、划分特征确定子模块，用于按照预设划分顺序，从预设的划分特征中确定当前的划分特征；

24、划分属性信息确定子模块，用于对于当前待划分的每一图像组，确定该图像组中的每一样本图像针对当前的划分特征的划分属性信息；其中，在第一次进行划分时所述样本图像构成当前待划分的一个图像组；

25、图像组划分子模块，用于将确定出的划分属性信息一致的样本图像划分为一个新的图像组；

26、图像组确定子模块，用于确定本次划分得到的新的图像组，作为当前待划分的图像组，并返回执行所述按照预设划分顺序，从预设的划分特征中确定当前的划分特征的步骤，直至按照最后一个划分特征对上一次划分得到的图像组进行划分，得到第一图像组。

27、可选的，所述划分属性信息确定子模块，具体用于对于当前待划分的每一图像组，获取该图像组中的每一样本图像针对当前的划分特征的属性信息，作为初始属性信息；

28、针对该图像组中的任一样本图像，若获取到的该样本图像的初始属性信息为多个，则将对应的权重最大的初始属性信息，作为该样本图像针对当前的划分特征的划分属性信息。

29、可选的，所述划分特征包括用于表示所述样本图像的标签的标签特征，和/或，用于表示所述样本图像自身的图像属性的图像特征。

30、可选的，所述标签特征包括：用于表示所述样本图像中对象的类别的特征，和/或，用于表示所述样本图像中对象所占图像区域的属性的特征；

31、和/或，

32、所述图像特征包括以下至少一项：所述样本图像的图像格式、用于表示所述样本图像的灰度值分布情况的特征、以及用于表示所述样本图像中rgb值分布情况的特征；所述图像格式包括：彩色图、灰度图、深度图和二值图。

33、本技术实施的第三方面，还提供了一种电子设备，包括：

34、存储器，用于存放计算机程序；

35、处理器，用于执行存储器上所存放的程序时，实现上述任一所述的样本图像划分方法。

36、本技术实施的第四方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的样本图像划分方法。

37、本技术实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的样本图像划分方法。

38、本技术实施例提供的一种样本图像划分方法，基于预设的划分特征对样本图像进行划分得到多个图像分组，作为第一图像组；其中，对于任一划分特征，同一个第一图像组包含的样本图像针对该划分特征的划分属性信息一致；任意两个第一图像组包含的样本图像针对至少一个划分特征的划分属性信息不一致；针对每一第一图像组，按照指定比例确定该第一图像组中用于进行训练的图像、用于进行验证的图像，以及用于进行测试的图像；合并各第一图像组中用于进行训练的图像，得到训练图像集，合并各第一图像组中用于进行验证的图像，得到验证图像集，以及合并各第一图像组中用于进行测试的图像，得到测试图像集。

39、基于上述处理，由于对于任一划分特征，同一个第一图像组包含的样本图像针对该划分特征的划分属性信息一致，因此，对于任一划分特征，由一个第一图像组确定出的三种功能的图像（即用于进行训练的图像、用于进行验证的图像，以及用于进行测试的图像）针对该划分特征的划分属性信息也是一致的。如此，针对任一划分特征，训练图像集、验证图像集以及测试图像集中均包括针对该划分特征的划分属性信息一致的图像。针对任一划分特征，由于训练图像集中包含针对该划分特征的每一划分属性信息的图像，因此，也就能够使模型对该划分特征进行处理的性能得到训练。且由于验证图像集以及测试图像集中也包括与训练图像集中的图像针对该划分特征的每一划分属性信息一致的图像，因此，在使用验证图像集以及测试图像集对模型的性能进行测试时，也就能够准确地测试模型对该划分特征进行处理的性能。即，能够提高对模型处理该划分特征的性能进行测试的结果的准确性，也就能够提高对模型的性能进行测试的结果的准确性。

40、且由于任意两个第一图像组包含的样本图像针对至少一个划分特征的划分属性信息不一致，因此，对于由任意两个第一图像组确定出的任一功能的图像，该功能的图像针对至少一个划分特征的划分属性信息不一致。如此，得到的训练图像集中也就可以包括针对至少一个划分特征的划分属性信息不一致的图像。进而，使用得到的训练图像集对模型进行训练，也就能够使模型在训练过程中学习到至少一个划分特征的不同划分属性信息，即，能够使模型学习到较多的特征，以保证训练得到的模型的性能较优。

41、当然，实施本技术的任一产品或方法并不一定需要同时达到以上所述的所有优点。