本申请实施例涉及图像处理，尤其涉及一种训练样本的生成方法、设备、存储介质及程序产品。
背景技术：
1、图像质量分类模型可以对输入的图像进行质量分类。增加图像质量分类模型的鲁棒性可以提高模型在复杂环境中的表现和适应性，提高业务系统的可靠性，降低错误和误判的风险。
2、相关技术中，通常是通过对整张图片进行整体的数据增强来引入样本件的多样性和变化。
3、然而，实现本申请过程中，发明人发现现有技术中至少存在如下问题：上述方式对于复杂图片的处理并不理想，模型的鲁棒性较差。
技术实现思路
1、本申请实施例提供一种训练样本的生成方法、设备、存储介质及程序产品，以提高图像质量分类模型的鲁棒性。
2、第一方面，本申请实施例提供一种训练样本的生成方法，包括：
3、获取原始图像样本集；所述原始图像样本集包括多个原始图像样本；
4、针对每个原始图像样本，对所述原始图像样本进行局部区域提取，获得多个目标区域；针对每个目标区域，对所述目标区域进行对应的数据增强处理，获得所述目标区域的处理结果；根据多个所述目标区域的处理结果，确定所述原始图像样本对应的新增图像样本；
5、将多个所述原始图像样本分别对应的新增图像样本加入所述原始图像样本集，获得目标样本集。
6、在一种可能的设计中，所述多个目标区域包括第一目标区域和第二目标区域；所述对所述原始图像样本进行局部区域提取，获得多个目标区域；针对每个目标区域，对所述目标区域进行对应的数据增强处理，获得所述目标区域的处理结果，包括：
7、确定所述原始图像样本的第一目标区域；对所述原始图像样本的第一目标区域进行数据增强处理，获得第一中间样本；
8、确定所述原始图像样本的第二目标区域；对所述原始图像样本的第二目标区域进行数据增强处理，获得第二中间样本。
9、在一种可能的设计中，所述根据所述多个目标区域的处理结果，确定所述原始图像样本对应的新增图像样本，包括：
10、分别为所述第一中间样本和所述第二中间样本分配权重；
11、根据分配的权重，将所述第一中间样本和所述第二中间样本进行融合，获得所述原始图像样本对应的新增图像样本。
12、在一种可能的设计中，所述分别为所述第一中间样本和所述第二中间样本分配权重，包括：
13、分别为所述第一中间样本和所述第二中间样本随机分配权重。
14、在一种可能的设计中，所述确定所述原始图像样本的第一目标区域，包括：
15、基于随机算法，对所述原始图像样本进行局部区域提取，获得第一目标区域。
16、在一种可能的设计中，所述针对每个目标区域，对所述目标区域进行对应的数据增强处理，包括：
17、从多个候选处理中选定所述目标区域对应的数据增强处理；所述候选处理包括以下中其一：模糊处理、光暗调整、锐化处理；
18、对所述目标区域进行所述对应的数据增强处理。
19、在一种可能的设计中，所述方法还包括：
20、将所述目标样本集划分为训练集和测试集；
21、基于所述训练集和所述测试集对预训练模型进行训练，获得图像质量分类模型；所述图像质量分类模型用于对输入的待处理文本图像进行质量分类，获得所述待处理文本图像所属的质量类别。
22、第二方面，本申请实施例提供一种训练样本的生成设备，包括：
23、获取模块，用于获取原始图像样本集；所述原始图像样本集包括多个原始图像样本；
24、确定模块，用于针对每个原始图像样本，对所述原始图像样本进行局部区域提取，获得多个目标区域；针对每个目标区域，对所述目标区域进行对应的数据增强处理，获得所述目标区域的处理结果；根据多个所述目标区域的处理结果，确定所述原始图像样本对应的新增图像样本；
25、加入模块，用于将多个所述原始图像样本分别对应的新增图像样本加入所述原始图像样本集，获得目标样本集。
26、第三方面，本申请实施例提供一种训练样本的生成设备，包括：至少一个处理器和存储器；
27、所述存储器存储计算机执行指令；
28、所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的方法。
29、第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能的设计所述的方法。
30、第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现如上第一方面以及第一方面各种可能的设计所述的方法。
31、本实施例提供的训练样本的生成方法、设备、存储介质及程序产品，该方法包括获取原始图像样本集，原始图像样本集包括多个原始图像样本，针对每个原始图像样本，对原始图像样本进行局部区域提取，获得多个目标区域，针对每个目标区域，对目标区域进行对应的数据增强处理，获得目标区域的处理结果，根据多个目标区域的处理结果，确定原始图像样本对应的新增图像样本，将多个原始图像样本分别对应的新增图像样本加入原始图像样本集，获得目标样本集。本实施例提供的训练样本的生成方法通过对原始图像样本进行局部图像增强，得到新的图像样本，来模拟现实世界中的各种光线条件和不清晰等情况，对原始图像样本集进行扩增，以便在模型训练过程中提供更多样化真实性更强的训练样本，使训练好的分类模型能够降低对特定光照、清晰度等条件的依赖性，从而提升分类模型的鲁棒性和泛化能力。
1.一种训练样本的生成方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述多个目标区域包括第一目标区域和第二目标区域；所述对所述原始图像样本进行局部区域提取，获得多个目标区域；针对每个目标区域，对所述目标区域进行对应的数据增强处理，获得所述目标区域的处理结果，包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述多个目标区域的处理结果，确定所述原始图像样本对应的新增图像样本，包括：
4.根据权利要求3所述的方法，其特征在于，所述分别为所述第一中间样本和所述第二中间样本分配权重，包括：
5.根据权利要求2所述的方法，其特征在于，所述确定所述原始图像样本的第一目标区域，包括：
6.根据权利要求1-5任一项所述的方法，其特征在于，所述针对每个目标区域，对所述目标区域进行对应的数据增强处理，包括：
7.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：
8.一种训练样本的生成设备，其特征在于，包括：
9.一种训练样本的生成设备，其特征在于，包括：至少一个处理器和存储器；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至7任一项所述的训练样本的生成方法。
11.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的训练样本的生成方法。
