【技术实现步骤摘要】
本专利技术涉及图像处理的，特别是一种基于位平面组合的图像数据增广方法。
技术介绍
1、在深度学习领域中，有许多的深度学习的模型，如前馈神经网络、卷积神经网络模型、循环神经网络和长短时记忆网络等。它们处理高维数据有天然的优势，同时也可以自动进行特征提取，再根据特征进行分类、识别、预测或决策等；比如常见的卷积神经网络模型lenet-5、vgg-16、alexnet、resnet、googlenet等等。如今，多数研究者尝试通过提高模型的特征提取能力来提升深度模型的性能，忽略了丰富多样的的训练数据集也可以训练更好模型。丰富多样的训练数据能够更有效的提升深度模型的性能，
2、图像增广技术可分为单一变换、混合变换和基于生成网络方式。图像翻转、添加噪声、增加模糊、图像缩放、图像随机裁剪、仿射变换等是属于单一变换，这些方法可以快速产生图像，操作简单；但是这些方法对模型的提高有限，甚至有些方法会造成相反的结果。例如，在交通领域中，翻转的方法会使车辆反转，在现实中是不会出现的，影响模型的识别。混合变换包括mixup、cutmix、cutout等，这种混合变换的主要特点是：可以有效减少模型对错误标签的记忆，通过要求模型从局部视图识别对象，对裁剪区域中添加其他样本的信息，能够进一步增强模型的定位能力。但是，形成的图像在视觉上发生巨大的改变，大部分已经改变原本的面貌，改变的区域会导致一些原始样本的信息丢失，不适用于所有任务和场景。基于生成网络的方式比如vae、gan以及扩散模型等。可以生成新的图像数据，增加数据的多样性。由于生成变换是由噪声
3、申请公开号为cn110503612a的专利技术专利申请公开了一种基于位平面分离重组合数据增强方法，该方法利用位平面的比特级0-1二进制图像进行位平面的分离和一定比例重组合，在重组合中打乱位平面的顺序，产生灰度通道或者rgb通道新的像素点，且通过一些特定的方式保持图像本有的基本视觉效果，来产生新的增强图像数据从而扩大图像数据集。本专利技术也同时兼容传统的图片翻转、旋转、缩放、裁剪、平移、放大等方式，大大增加了有效图像数据的数量。该方法的缺点是在进行位平面重组时，由于只使用第6、7和8位平面，仅能保证基本的图像结构，重组后的图像丢失了低位平面的信息；在位平面上数据增广操作是针对整幅图像进行的，图像中除目标外的其他背景区域也进行了数据增广，不利于提升后续模型训练的精度。
技术实现思路
1、为了解决上述的技术问题，本专利技术提出的一种基于位平面组合的图像数据增广方法，从图像内部结构信息出发，基于位平面拆分，位平面处理和位平面组合，标签微调，对每层位平面进行分析可处理，从而将一张图像进行数据增广，产生9倍的图像数量，同时在视觉上没有变化。
2、本专利技术的目的是提供一种基于位平面组合的图像数据增广方法，包括获取待处理图像，还包括以下步骤：
3、步骤1：利用位平面提取法将所述待处理图像拆分成不同的位平面；步骤2：挑选数据增广方法；
4、步骤3：使用所述数据增广方法对低位平面的通道进行处理；
5、步骤4：将所述低位平面与高位平面进行组合。
6、优选的是，所述待处理图像的一个像素点用8位二进制值进行标识，值表示为：
7、value＝a7×27+a6×26+a5×25+a4×24+a3×23+a2×22+a1×21+a0×20
8、其中，value为像素的值，ai是权重。
9、在上述任一方案中优选的是，所述步骤1包括构造提取矩阵对图像进行位平面的提取，提取时，对每个位平面的每个通道进行提取，公式为
10、
11、其中，是拆分出的图像，pori是原始图像，2m和nc是提取矩阵。
12、在上述任一方案中优选的是，所述步骤1还包括将图像的每个位平面的每个通道进行拆分后进行汇合，公式为
13、
14、其中，ppro是拆分后的图像总和，是原图像拆分的位平面图像。
15、在上述任一方案中优选的是，在位平面中，所述数据增广方法包括翻转、图像模糊、添加噪声、cutout、锐化、高亮和颜色抖动，从图像的空间位置、干扰信息、随机裁剪、颜色空间、以及增减图像中的细节和高频信息方面进行操作。
16、在上述任一方案中优选的是，所述步骤3包括对低位面的标注区域进行数据增广方法的添加，公式为
17、
18、其中，表示被处理的通道图像总和，是原图像拆分的位平面图像，n为所选择的在位平面中添加的数据增广方法。
19、在上述任一方案中优选的是，组合方法包括常规组合方法、穿插组合方法和删除部分为平面方法。
20、在上述任一方案中优选的是，所述常规组合方法为从低位平面到高位平面依次进行组合，公式为
21、
22、其中，pcombin是添加噪声组合后的图像汇总，是原图像拆分的位平面图像，是没有添加数据增广方法的图像。
23、在上述任一方案中优选的是，所述穿插组合方法为对处理的位平面进行交叉排列组合。
24、在上述任一方案中优选的是，所述删除部分为平面方法为删除部分为平面，对剩下的位平面进行组合。
25、本专利技术提出了一种基于位平面组合的图像数据增广方法，增广后的数据能够有效的提升深度模型的性能。
本文档来自技高网...【技术保护点】
1.一种基于位平面组合的图像数据增广方法，包括获取待处理图像，还包括以下步骤：
2.如权利要求1所述的基于位平面组合的图像数据增广方法，其特征在于，所述待处理图像的一个像素点用8位二进制值进行标识，值表示为：
3.如权利要求2所述的基于位平面组合的图像数据增广方法，其特征在于，所述步骤1包括构造提取矩阵对图像进行位平面的提取，提取时，对每个位平面的每个通道进行提取，公式为
4.如权利要求3所述的基于位平面组合的图像数据增广方法，其特征在于，所述步骤1还包括将图像的每个位平面的每个通道进行拆分后进行汇合，公式为
5.如权利要求4所述的基于位平面组合的图像数据增广方法，其特征在于，在位平面中，所述数据增广方法包括翻转、图像模糊、添加噪声、cutout、锐化、高亮和颜色抖动，从图像的空间位置、干扰信息、随机裁剪、颜色空间、以及增减图像中的细节和高频信息方面进行操作。
6.如权利要求5所述的基于位平面组合的图像数据增广方法，其特征在于，所述步骤3包括对低位面的标注区域进行数据增广方法的添加，公式为
7.如权利要求6所
8.如权利要求7所述的基于位平面组合的图像数据增广方法，其特征在于，所述常规组合方法为从低位平面到高位平面依次进行组合，公式为
9.如权利要求8所述的基于位平面组合的图像数据增广方法，其特征在于，所述穿插组合方法为对处理的位平面进行交叉排列组合。
10.如权利要求8所述的基于位平面组合的图像数据增广方法，其特征在于，所述删除部分为平面方法为删除部分为平面，对剩下的位平面进行组合。
...【技术特征摘要】
1.一种基于位平面组合的图像数据增广方法，包括获取待处理图像，还包括以下步骤：
2.如权利要求1所述的基于位平面组合的图像数据增广方法，其特征在于，所述待处理图像的一个像素点用8位二进制值进行标识，值表示为：
3.如权利要求2所述的基于位平面组合的图像数据增广方法，其特征在于，所述步骤1包括构造提取矩阵对图像进行位平面的提取，提取时，对每个位平面的每个通道进行提取，公式为
4.如权利要求3所述的基于位平面组合的图像数据增广方法，其特征在于，所述步骤1还包括将图像的每个位平面的每个通道进行拆分后进行汇合，公式为
5.如权利要求4所述的基于位平面组合的图像数据增广方法，其特征在于，在位平面中，所述数据增广方法包括翻转、图像模糊、添加噪声、cutout、锐化、高亮和颜色抖动，从图像的空间位置、干扰信息、随机裁剪...
【专利技术属性】
技术研发人员：潘卫国，陆长城，杜松杰，李诺亚，刘宏哲，徐冰心，徐成，代松银，
申请(专利权)人：北京联合大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。