[發(fā)明專利]一種基于模型融合和數(shù)據(jù)增強(qiáng)的低質(zhì)圖像分類增強(qiáng)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010607913.5
• 申請(qǐng)日: 2020-06-30
• 公開(kāi)（公告）號(hào): CN111815529B
• 公開(kāi)（公告）日: 2023-02-07
• 發(fā)明（設(shè)計(jì)）人: 王道累;張?zhí)煊?/a>;朱瑞;孫嘉珺;李明山;李超;韓清鵬;袁斌霞
• 申請(qǐng)（專利權(quán)）人: 上海電力大學(xué)
• 主分類號(hào): G06T5/00
• 分類號(hào): G06T5/00;G06V10/764;G06V10/80;G06V10/82;G06N3/045;G06N3/0464;G06N3/047;G06N3/0475;G06N3/048;G06N3/094
• 代理公司: 上海科盛知識(shí)產(chǎn)權(quán)代理有限公司 31225
• 代理人: 丁云

本發(fā)明涉及一種基于模型融合和數(shù)據(jù)增強(qiáng)的低質(zhì)圖像分類增強(qiáng)方法，包括以下步驟：S1：建立圖像集；S2：對(duì)圖像集中進(jìn)行數(shù)據(jù)增強(qiáng)；S3：構(gòu)建并訓(xùn)練VGG16卷積神經(jīng)網(wǎng)絡(luò)模型；S4：構(gòu)建并訓(xùn)練ResNet卷積神經(jīng)網(wǎng)絡(luò)模型；S5：輸入待分類圖像；S6：獲取待分類圖像的第一概率向量、第二概率向量；S7：獲取融合概率向量，并獲取待分類圖像的圖像類別，若圖像類型為清晰，進(jìn)入步驟S9，否則進(jìn)入步驟S8；S8：對(duì)待分類圖像進(jìn)行增強(qiáng)，獲取增強(qiáng)圖像，并將增強(qiáng)圖像作為待分類圖像輸入步驟S6；S9：輸出圖像。與現(xiàn)有技術(shù)相比，同時(shí)采用數(shù)據(jù)增強(qiáng)以及模型融合兩種方式來(lái)提升分類的準(zhǔn)確率，能夠有效地對(duì)圖像分類，增強(qiáng)效果好。

技術(shù)領(lǐng)域

本發(fā)明涉及低質(zhì)圖像分類增強(qiáng)方法，尤其是涉及一種基于模型融合和數(shù)據(jù)增強(qiáng)的低質(zhì)圖像分類增強(qiáng)方法。

背景技術(shù)

相機(jī)在拍照時(shí)通常會(huì)因?yàn)楣庹窄h(huán)境較差或者自身不穩(wěn)定等因素拍攝到低質(zhì)圖像，這類低質(zhì)圖像上會(huì)存在陰影、亮度低或者畫(huà)面模糊的情況，導(dǎo)致圖像細(xì)節(jié)丟失，難以對(duì)圖像進(jìn)行后續(xù)的識(shí)別分析等操作，處理這類圖像通常的方式是采用圖像增強(qiáng)的方法來(lái)提高低質(zhì)圖像的對(duì)比度，放大細(xì)節(jié)信息。

在中國(guó)專利CN201610079472.X公開(kāi)的一種極端天氣條件下低質(zhì)圖像增強(qiáng)方法中，等提出了一種根據(jù)色度分量值區(qū)分霧霾圖像和雨雪圖像的分類增強(qiáng)方法。該方法采用純物理學(xué)算法，能夠區(qū)分的圖像類別少且魯棒性差，極容易出現(xiàn)誤判等情況。在中國(guó)專利CN201811484514.3公開(kāi)的一種惡劣天氣下的成像識(shí)別方法及系統(tǒng)中，提出了一種對(duì)采集到的惡劣天氣下的低質(zhì)圖像進(jìn)行增強(qiáng)后再識(shí)別的方法，使用電子穩(wěn)像算法消除圖像的運(yùn)動(dòng)模糊或者用自適應(yīng)圖像去霧算法消除圖像的云煙霧干擾，然后使用VGG16卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行識(shí)別分類。但是該發(fā)明并未提及如何分辨采集到的圖像是否為低質(zhì)圖像，且只采用一種增強(qiáng)算法對(duì)所有類別的低質(zhì)圖像進(jìn)行增強(qiáng)處理，增強(qiáng)效果一般。

發(fā)明內(nèi)容

本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種基于模型融合和數(shù)據(jù)增強(qiáng)的低質(zhì)圖像分類增強(qiáng)方法。

本發(fā)明的目的可以通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)：

一種基于模型融合和數(shù)據(jù)增強(qiáng)的低質(zhì)圖像分類增強(qiáng)方法，包括以下步驟：

S1：建立圖像集，圖像集中包括清晰圖像、模糊圖像和低亮度圖像；

S2：對(duì)圖像集中的圖像進(jìn)行數(shù)據(jù)增強(qiáng)；

S3：構(gòu)建VGG16卷積神經(jīng)網(wǎng)絡(luò)模型，通過(guò)圖像集訓(xùn)練VGG16卷積神經(jīng)網(wǎng)絡(luò)模型；

S4：構(gòu)建ResNet卷積神經(jīng)網(wǎng)絡(luò)模型，通過(guò)圖像集訓(xùn)練ResNet卷積神經(jīng)網(wǎng)絡(luò)模型；

S5：輸入待分類圖像；

S6：將待分類圖像輸入VGG16卷積神經(jīng)網(wǎng)絡(luò)模型，獲取待分類圖像的第一概率向量，將待分類圖像輸入ResNet卷積神經(jīng)網(wǎng)絡(luò)模型，獲取待分類圖像的第二概率向量；

S7：融合第一概率向量和第二概率向量，得到融合概率向量，并獲取待分類圖像的圖像類別，若圖像類型為清晰，進(jìn)入步驟S9，否則進(jìn)入步驟S8；

S8：選取與圖像類型對(duì)應(yīng)的圖像增強(qiáng)算法對(duì)待分類圖像進(jìn)行增強(qiáng)，獲取增強(qiáng)圖像，并將增強(qiáng)圖像作為待分類圖像輸入步驟S6；

S9：輸出圖像。

優(yōu)選地，所述的第一概率向量為：

[λ_a1，λ_a2，λ_a3]

其中，λ_a1，λ_a2，λ_a3分別為VGG16卷積神經(jīng)網(wǎng)絡(luò)模型中獲取的圖像分別為清晰圖像、模糊圖像和低亮度圖像的概率，

所述的第二概率向量為：