图像数据小样本増广方法、设备及计算机可读存储介质技术

本发明专利技术提供一种虹膜图像数据小样本増广方法、设备及计算机可读存储介质，其中方法包括：获取待处理图像；对所述待处理图像进行图像増广处理，直到所获取的生成图像与所述待处理图像的相似度大于设定相似度；将所述生成图像作为増广后图像；所述图像増广处理包括：根据改进的麻雀搜索算法获取剪辑限制值；根据所述剪辑限制值对所述待处理图像进行CLAHE处理，以得到生成图像；所述改进的麻雀搜索算法包括：通过分数阶混沌优化麻雀搜索算法中麻雀的初始位置，以及采用正余弦算法和帕累托变异算法，对所述麻雀搜索算法中麻雀的位置进行更新。本发明专利技术所提供的技术方案，能够解决増广效果不理想的问题。果不理想的问题。果不理想的问题。

【技术实现步骤摘要】
图像数据小样本増广方法、设备及计算机可读存储介质


[0001]本专利技术属于数据増广
，具体涉及一种图像数据小样本増广方法、一种图像数据小样本増广设备和一种计算机可读存储介质。

技术介绍

[0002]目前，许多生物特征识别的实现都依赖于卷积神经网络，并且为了保证卷积神经网络识别的准确性，需要采用大量的标注的训练数据对其进行训练。然而，一些生物特征图像数据(比如指纹、虹膜等)都是非常重要的个人信息，其获取的难度较大，因此，需要对这些有限的数据进行増广，以增加数据的数量。
[0003]数据增广，又称数据增强，是一种增加有限数据的数量和多样性的方法，其作用是从有限的数据中提炼出更多有用的信息，产生等价于更多数据的价值，并且为例提高数据増广的可靠性，需要有效地减少数据类内距离并增加数据类间距离。
[0004]目前常用的对于图像数据的增广方法有两种，一种是基于图像处理的增广方法，另外一种是基于深度学习的增广方法。上述基于图像处理的增广方法是采用随机裁剪、旋转、镜像和改变亮度等方法获取増广数据。在卷积神经网络的发展过程中，采用这些方法的各种经典的网络模型都取得了显著的精度提升，但在部分应用场合(例如对于虹膜图像)，由于其图像性质和应用场景的特殊性，简单地采取这些方法取得的效果并不理想。
[0005]上述基于深度学习的增广方法是通过深度学习神经网络对数据进行处理，从而实现对有限数据的増广。以基于条件生成对抗网络的虹膜图像增强方法为例，可以将虹膜和瞳孔坐标任意变化而生成的归一化虹膜图像，并将其作为输入到基于条件生成对抗网络的模型中以生成虹膜图像。这种方法虽然能够提高増广数据的识别精度，并且可以无限量生成样本，然而在实际应用时，需要使用大量的数据来训练对抗网络模型，因此这种方法并不适用于对资源有限的数据进行増广。
[0006]综上所述可知，现有技术中的数据増广方法，存在増广效果不理想的问题。

技术实现思路

[0007]本专利技术的目的在于提供一种图像数据小样本増广方法、设备及计算机可读存储介质，用于解决现有技术中对图像数据进行増广时，存在増广效果不理想的问题。
[0008]为至少解决上述问题性，第一方面，本专利技术提供了一种图像数据小样本増广方法，包括：获取待处理图像；对所述待处理图像进行图像増广处理，直到所获取的生成图像与所述待处理图像的相似度大于设定相似度；将所述生成图像作为増广后图像；
[0009]所述图像増广处理包括：根据改进的麻雀搜索算法获取剪辑限制值；根据所述剪辑限制值对所述待处理图像进行CLAHE处理，以得到生成图像；
[0010]所述改进的麻雀搜索算法包括：通过分数阶混沌优化麻雀搜索算法中麻雀的初始位置，以及采用正余弦算法和帕累托变异算法，对所述麻雀搜索算法中麻雀的位置进行更新。
[0011]根据本专利技术的一个实施例，所述生成图像与所述待处理图像的相似度为其余弦相似度。
[0012]根据本专利技术的另一个实施例，所述对所述待处理图像进行CLAHE处理包括：将所述待处理图像划分成多个不重叠的子图像，并统计各子图像的直方图；根据所述剪辑限制值裁剪所述各子图像的直方图，并将裁剪部分重新分布到各子图的直方图中，以得到各子图的新直方图；对所述各子图的新直方图进行均衡化处理，并求出各子图的新灰度值。
[0013]根据本专利技术的又一个实施例，所述各子图的新灰度值通过双线性插值算法得到。
[0014]根据本专利技术的另一个实施例，所述通过分数阶混沌优化麻雀搜索算法中种群的初始位置包括：采用分数阶混沌获取两个混沌序列；从所述两个混沌序列中随机选择一个，并将其映射到待解决问题的解空间。
[0015]根据本专利技术的又一个实施例，所述麻雀搜索算法中麻雀的位置进行更新包括：对所述麻雀搜索算法中发现者和跟随者的位置进行更新。
[0016]根据本专利技术的另一个实施例，对所述麻雀搜索算法中发现者的位置进行更新包括：采用正余弦算法，并引入了非线性正弦学习因子，对所述麻雀搜索算法中发现者的位置进行更新。
[0017]根据本专利技术的又一个实施例，对所述麻雀搜索算法中跟随者位置的更新包括：根据帕累托算法对所述麻雀搜索算法中跟随者位置的更新模型进行修正；根据修正后的跟随者位置的更新模型，对所述麻雀搜索算法中跟随者的位置进行更新。
[0018]第二方面，本专利技术还提供一种图像数据小样本増广设备，包括处理器和存储器，所述存储器上存储有用于在所述处理器上执行的计算机程序指令，所述处理器执行该计算机程序指令时，实现如上述任意一项实施例所述的图像数据小样本増广方法。
[0019]第三方面，本专利技术还提供一种计算机可读存储介质，其存储有计算机指令，所述计算机指令由处理器运行时，实现如上述任意一项实施例所述的图像数据小样本増广方法。
[0020]本专利技术所提供的技术方案，根据改进的麻雀搜索算法获取剪辑限制值；根据所述剪辑限制值对所述待处理图像进行CLAHE处理以得到生成图像，并将与待处理图像的相似度大于设定相似度的生成图像作为扩增后的图像。由于在本专利技术的技术方案中，采用分数阶混沌优化麻雀种群的位置以丰富种群的多样性，融合正余弦和帕累托变异的方法更新麻雀搜索算法的发现者和跟随者的位置，能够提高全局的搜索能力，加快收敛速度，因此与现有技术相比，能够提高对数据増广的效果，解决对数据増广效果不理想的问题。
附图说明
[0021]通过参考附图阅读下文的详细描述，本专利技术示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本专利技术的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
[0022]图1为根据本专利技术实施例的图像数据小样本増广方法的流程图；
[0023]图2为根据本专利技术实施例的一种虹膜图像；
[0024]图3为根据本专利技术实施例的一种虹膜图像的特征子图；
[0025]图4为根据本专利技术实施例的CLAHE处理方法的流程图；
[0026]图5为根据本专利技术实施例的双线插值方法的示意图；
[0027]图6为根据本专利技术实施例的分数阶2D
‑
SIMM混沌系统的示意图；
[0028]图7为根据本专利技术实施例的四种CNN网络的运行后的ROC曲线图；
[0029]图8为根据本专利技术实施例的图像数据小样本増广设备的结构示意图。
具体实施方式
[0030]下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，本领域技术人员应知，下文所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0031]请参阅图1，图1所示出的是一种图像数据小样本増广方法的流程，该方法可以对图像(如虹膜图像、指纹图像等)进行増广，以增加图像样本的数量。下面结合图1所示出的流程，对本申请的图像数据小样本増广方法做详细的介绍。
...

【技术保护点】

【技术特征摘要】
1.一种图像数据小样本増广方法，其特征在于，包括：获取待处理图像；对所述待处理图像进行图像増广处理，直到所获取的生成图像与所述待处理图像的相似度大于设定相似度；将所述生成图像作为増广后图像；所述图像増广处理包括：根据改进的麻雀搜索算法获取剪辑限制值；根据所述剪辑限制值对所述待处理图像进行CLAHE处理，以得到生成图像；所述改进的麻雀搜索算法包括：通过分数阶混沌优化麻雀搜索算法中麻雀的初始位置，以及采用正余弦算法和帕累托变异算法，对所述麻雀搜索算法中麻雀的位置进行更新。2.根据权利要求1所述的图像数据小样本増广方法，其特征在于，所述生成图像与所述待处理图像的相似度为其余弦相似度。3.根据权利要求1所述的图像数据小样本増广方法，其特征在于，所述对所述待处理图像进行CLAHE处理包括：将所述待处理图像划分成多个不重叠的子图像，并统计各子图像的直方图；根据所述剪辑限制值裁剪所述各子图像的直方图，并将裁剪部分重新分布到各子图的直方图中，以得到各子图的新直方图；对所述各子图的新直方图进行均衡化处理，并求出各子图的新灰度值。4.根据权利要求3所述的图像数据小样本増广方法，其特征在于，所述各子图的新灰度值通过双线性插值算法得到。5.根据权利要求1所述的图像数据小样本増广方法，其特征在于，所述通过分数阶混沌优化麻雀搜索算法中种群的初始位置包括：...

【专利技术属性】
技术研发人员：熊齐，
申请(专利权)人：湖南文理学院，
类型：发明
国别省市：