[發明專利]一種深度學習訓練樣本優化方法

有效

• 申請號: 201910324389.8
• 申請日: 2019-04-22
• 公開（公告）號: CN110070548B
• 公開（公告）日: 2020-11-24
• 發明（設計）人: 楊勇;黃淑英
• 申請（專利權）人: 楊勇
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06K9/62;G06T5/00;G06T7/13;G06T7/136
• 代理公司: 北京盛詢知識產權代理有限公司 11901
• 代理人: 陳巍

1.一種深度學習訓練樣本優化方法，其特征在于，包括以下步驟：

步驟一：獲取兩組相同的深度學習訓練樣本的原始圖像，然后將其中一組深度學習訓練樣本的原始圖像利用findContours函數尋找出原始圖像中的輪廓，然后根據尋找出的原始圖像中的輪廓，利用drawContours函數繪制出原始圖像的輪廓元素標注信息；

步驟二：將原始圖像的輪廓元素標注信息進行剝離，剝離出原始圖像的單一輪廓元素標注信息和原始圖像的重疊輪廓元素標注信息；

步驟三：根據訓練樣本的原始圖像的單一輪廓元素標注信息和訓練樣本的原始圖像的重疊輪廓元素標注信息，進行逆向處理，生成基于原始圖像的輪廓元素標注信息的單一輪廓元素原始子圖像和重疊輪廓元素原始子圖像；

步驟四：對單一輪廓元素原始子圖像和重疊輪廓元素原始子圖像分別進行圖像增強處理；

步驟五：對圖像增強處理后的單一輪廓元素原始子圖像和重疊輪廓元素原始子圖像分別進行邊緣檢測處理，標識出單一輪廓元素原始子圖像和重疊輪廓元素原始子圖像中亮度變化明顯的像素點，分別得到邊緣單一輪廓元素原始子圖像和邊緣重疊輪廓元素原始子圖像；

步驟六：對邊緣單一輪廓元素原始子圖像進行池化處理，對邊緣重疊輪廓元素原始子圖像進行圖像分割處理，分別得到優化后的邊緣單一輪廓元素原始子圖像和優化后的單一輪廓元素原始子圖像邊緣重疊輪廓元素原始子圖像。

2.根據權利要求1所述的一種深度學習訓練樣本優化方法，其特征在于：所述步驟一中利用findContours函數尋找出原始圖像中的輪廓具體過程為：首先輸入一組深度學習訓練樣本的原始圖像，加載原始圖像轉化為二值化圖像，再利用findContours函數處理所述二值化圖像，用于檢測二值圖像輪廓，然后輸出二值圖像輪廓的拓撲信息。

3.根據權利要求1所述的一種深度學習訓練樣本優化方法，其特征在于：所述步驟四中圖像增強處理包括對單一輪廓元素原始子圖像和重疊輪廓元素原始子圖像進行基于小波閾值的圖像降噪處理、增廣處理和銳化處理。

4.根據權利要求3所述的一種深度學習訓練樣本優化方法，其特征在于：所述步驟四中基于小波閾值的圖像降噪處理具體過程為：先將單一輪廓元素原始子圖像和重疊輪廓元素原始子圖像分別進行分層處理，分為高頻圖層和低頻圖層，再分別對高頻圖層和低頻圖層基于小波變換的降噪處理，然后選擇閾值以及進行閾值量化，最后利用多尺度二維小波重構高頻圖層和低頻圖層的圖像信號。

5.根據權利要求3所述的一種深度學習訓練樣本優化方法，其特征在于：所述步驟四中增廣處理包括進行高斯模糊、改變亮度和對比度、仿射變換、透視變換和動態模糊處理、圖像變換、圖像裁剪、色彩抖動以及噪聲擾動處理。

6.根據權利要求3所述的一種深度學習訓練樣本優化方法，其特征在于：所述步驟四中銳化處理時，分別對輸入的單一輪廓元素原始子圖像和重疊輪廓元素原始子圖像的各個波段采用高通濾波的方式進行銳化。

7.根據權利要求1所述的一種深度學習訓練樣本優化方法，其特征在于：所述步驟六中邊緣單一輪廓元素原始子圖像的池化處理時，首先定義池化窗口的大小，然后選邊緣單一輪廓元素原始子圖像區域中的最大值作為該區域池化后的值，然后對邊緣單一輪廓元素原始子圖像所有區域進行最大池化操作。

8.根據權利要求1所述的一種深度學習訓練樣本優化方法，其特征在于：所述步驟六中重疊輪廓元素原始子圖像進行圖像分割處理時采用K均值聚類算法進行圖像分割。