图像数据增强方法、装置、计算机设备和存储介质制造方法及图纸

本发明专利技术提供的一种图像数据增强方法、装置、计算机设备和存储介质，通过利用卷积神经网络的对图像进行处理得到热力图，借助热力图来对图像上的各区域进行增强，改变现有技术中图像主体部分遭到破坏的情况，同时使新生成的样本与原始样本有较大的差异，在保留主要特征的同时提供了更丰富的次要特征，为样本分布不均匀的数据集补充缺乏的数据，并且具有较大的扩充力度。扩充力度。扩充力度。

【技术实现步骤摘要】
图像数据增强方法、装置、计算机设备和存储介质


[0001]本专利技术涉及到图像处理
，特别是涉及到一种图像数据增强方法、装置、计算机设备和存储介质。

技术介绍

[0002]由于数据集对深度学习算法的效果有较大的影响，数据集样本数量过少或不均衡常常会导致深度神经网络过拟合。提高数据集数据量和质量是深度学习领域经久不衰的研究课题，然而有些数据的采集成本贵、耗时长，很难获取大规模数据集，尤其是像医学影像这种获取难度大、数据量少、数据分布不均匀的数据，常常出现阴性样本数量只占阳性样本数量十分之一的情况，这时就需要利用数据增强来扩充数据集。数据增强利用已有样本生成新的样本，可以避免网络过拟合，提升模型鲁棒性和泛化能力，在计算机视觉领域，基础的图像数据增强方法有翻转、缩放、平移、旋转、抖动等，对于分类任务有mixup、cutout、cutmix等数据增强方法，但这些方法有时无法提供差异化的特征，或者使生成的新样本失真，图像主体部分被破坏。

技术实现思路

[0003]本专利技术的主要目的为提供一种图像数据增强方法，能够解决现有技术中无法提供差异化的特征，或者使生成的新样本失真，图像主体部分被破坏的技术问题。
[0004]本专利技术提供的一种图像数据增强方法，包括：
[0005]在样本数据集中获取第一图像，对所述第一图像进行处理得到所述第一图像的热力图；
[0006]基于预设的像素阈值对所述热力图进行处理二值化处理，得到第一二值化图像；
[0007]对所述第一二值化图像进行取非，得到第二二值化图像；
[0008]在所述样本数据集中获取第二图像，将所述第一图像的像素点与所述第一二值化图像的像素点逐点相乘得到的图像与将所述第二图像的像素点与所述第二二值化图像的像素点逐点相乘得到的图像相加，得到样本图像。
[0009]进一步，所述在样本数据集中获取第一图像，对所述第一图像进行处理得到所述第一图像的热力图的步骤，包括：
[0010]通过所述卷积神经网络对所述第一图像进行特征提取，得到所述卷积神经网络最后一个卷积层的特征图；
[0011]计算所述特征图的各通道的梯度；
[0012]通过所述梯度对所述特征图的各个通道进行加权后利用ReLU函数激活，得到第一热力图；
[0013]将所述第一热力图缩放至与所述第一图像的大小保持一致，得到所述第一图像的热力图。
[0014]进一步，所述将所述第一热力图缩放至与所述第一图像的大小保持一致，得到所
述第一图像的热力图的步骤，包括
[0015]采用插值法对所述第一热力图进行缩放处理，以得到所述第一图像的热力图。
[0016]进一步，所述在所述样本数据集中获取第二图像，将所述第一图像的像素点与所述第一二值化图像的像素点逐点相乘得到的图像与将所述第二图像的像素点与所述第二二值化图像的像素点逐点相乘得到的图像相加，得到样本图像的步骤之后，包括：
[0017]将所述样本图像进行直方图均衡化得到新的样本图像。
[0018]进一步，所述在样本数据集中获取第一图像，对所述第一图像进行处理得到所述第一图像的热力图的步骤之前，包括：
[0019]利用滑动窗口算法对所述第一图像进行多次切割，获得多个切割图像；
[0020]将所述切割图像进行多角度翻转后再拼接，获得增强的第一图像。
[0021]进一步，所述基于预设的像素阈值对所述热力图进行处理二值化处理，得到第一二值化图像的步骤，包括：
[0022]对所述热力图进行灰度化处理，得到灰度图像；
[0023]根据预设的第一像素阈值，对所述灰度图像进行处理，得到中间二值化图像；
[0024]以所述中间二值化图像为导向图，对所述灰度图像进行导向滤波处理，得到滤波图像；
[0025]根据预设的第二像素阈值，确定所述滤波图像中的高值像素点，其中，所述高值像素点的灰度值大于所述第二像素阈值；
[0026]根据预设的扩充系数，对所述高值像素点的灰度值进行扩充处理，得到扩充图像；
[0027]对所述扩充图像进行清晰化处理，得到清晰图像；
[0028]对所述清晰图像的对比度进行调整，得到所述第一二值化图像。
[0029]本专利技术还提供一种图像数据增强装置，包括：
[0030]第一获取模块，用于在样本数据集中获取第一图像，对所述第一图像进行处理得到所述第一图像的热力图；
[0031]二值化处理模块，用于基于预设的像素阈值对所述热力图进行处理二值化处理，得到第一二值化图像；
[0032]取非模块，用于对所述第一二值化图像进行取非，得到第二二值化图像；
[0033]第二获取模块，用于在所述样本数据集中获取第二图像，将所述第一图像的像素点与所述第一二值化图像的像素点逐点相乘得到的图像与将所述第二图像的像素点与所述第二二值化图像的像素点逐点相乘得到的图像相加，得到样本图像。
[0034]进一步，所述第一获取模块包括：
[0035]提取子模块，用于通过所述卷积神经网络对所述第一图像进行特征提取，得到所述卷积神经网络最后一个卷积层的特征图；
[0036]计算子模块，用于计算所述特征图的各通道的梯度；
[0037]激活子模块，用于通过所述梯度对所述特征图的各个通道进行加权后利用ReLU函数激活，得到第一热力图；
[0038]缩放子模块，用于将所述第一热力图缩放至与所述第一图像的大小保持一致，得到所述第一图像的热力图。
[0039]本专利技术还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机
程序，所述处理器执行所述计算机程序时实现上述任一项方法的步骤。
[0040]本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项方法的步骤。
[0041]相对于现有技术，本专利技术提供了一种图像数据增强方法、装置、计算机设备和存储介质，通过利用卷积神经网络的对图像进行处理得到热力图，借助热力图来对图像上的各区域进行增强，改变现有技术中图像主体部分遭到破坏的情况，同时使新生成的样本与原始样本有较大的差异，在保留主要特征的同时提供了更丰富的次要特征，为样本分布不均匀的数据集补充缺乏的数据，并且具有较大的扩充力度。
附图说明
[0042]图1为本申请一实施例中的图像数据增强方法的步骤示意图；
[0043]图2为本申请另一实施例中的图像数据增强方法的步骤示意图；
[0044]图3为本申请一实施例中的图像数据增强装置的结构框图；
[0045]图4为本申请计算机设备的一实施例结构示意框图。
[0046]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0047]应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0048]下面将结合本专利技术实施例中的附图，对本专利技术实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像数据增强方法，其特征在于，包括：在样本数据集中获取第一图像，对所述第一图像进行处理得到所述第一图像的热力图；基于预设的像素阈值对所述热力图进行处理二值化处理，得到第一二值化图像；对所述第一二值化图像进行取非，得到第二二值化图像；在所述样本数据集中获取第二图像，将所述第一图像的像素点与所述第一二值化图像的像素点逐点相乘得到的图像与将所述第二图像的像素点与所述第二二值化图像的像素点逐点相乘得到的图像相加，得到样本图像。2.根据权利要求1所述图像数据增强方法，其特征在于，所述在样本数据集中获取第一图像，对所述第一图像进行处理得到所述第一图像的热力图的步骤，包括：通过卷积神经网络对所述第一图像进行特征提取，得到所述卷积神经网络最后一个卷积层的特征图；计算所述特征图的各通道的梯度；通过所述梯度对所述特征图的各个通道进行加权后利用ReLU函数激活，得到第一热力图；将所述第一热力图缩放至与所述第一图像的大小保持一致，得到所述第一图像的热力图。3.根据权利要求2所述图像数据增强方法，其特征在于，所述将所述第一热力图缩放至与所述第一图像的大小保持一致，得到所述第一图像的热力图的步骤，包括采用插值法对所述第一热力图进行缩放处理，以得到所述第一图像的热力图。4.根据权利要求1所述图像数据增强方法，其特征在于，所述在所述样本数据集中获取第二图像，将所述第一图像的像素点与所述第一二值化图像的像素点逐点相乘得到的图像与将所述第二图像的像素点与所述第二二值化图像的像素点逐点相乘得到的图像相加，得到样本图像的步骤之后，包括：将所述样本图像进行直方图均衡化得到新的样本图像。5.根据权利要求1所述图像数据增强方法，其特征在于，所述在样本数据集中获取第一图像，对所述第一图像进行处理得到所述第一图像的热力图的步骤之前，包括：利用滑动窗口算法对所述第一图像进行多次切割，获得多个切割图像；将所述切割图像进行多角度翻转后再拼接，获得增强的第一图像。6.根据权利要求1所述图像数据增强方法，其特征在于，所述基于预设的像素阈值对所述热力图进行处理二...

【专利技术属性】
技术研发人员：郑喜民，胡浩楠，舒畅，陈又新，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：