【技术实现步骤摘要】
本专利技术涉及数字图像融合处理，特别是一种深度学习训练图像样本的生成方法、装置及设备。
技术介绍
1、深度学习网络模型依赖于大量的训练样本，现有的公开数据集难以满足针对特定目标和特定场景的模型训练需求。对于只能获取极少数图像的稀缺性目标，或受限于采样环境采样成本等客观条件只能获取小批量样本集的情况，需要在有限的图像基础上进行样本数据的构建与增强，以获得足量的数据样本，快速实现稳定有效的目标识别能力。
2、部分深度学习网络模型配置的旋转、变换、缩放等图像处理方法具有一定的样本增强效果，但仍无法有效解决训练样本数量不足、样本背景场景单一带来的模型鲁棒性泛化性不足的问题。
3、图像融合方法生成训练图像样本是提高样本多样性的一种重要方法。现有的基于简单插值算法的图像融合会产生不连续、模糊等缺陷；基于alpha blending算法的图层叠加可以获得自然的融合效果，但需要对不规则的目标边界进行精确的前处理，耗时较大。上述方法在图像的生成质量和效率上存在明显缺陷，难以满足深度学习网络训练对于样本画质和数量的需求。
技术实现思路
1、本专利技术要解决的技术问题是提供一种深度学习训练图像样本的生成方法、装置及设备，解决深度学习网络模型训练过程中样本需求量较大，而现有图像融合方法存在的图像质量差、生成效率低的问题，为深度学习网络模型训练提供有效的数据支撑。
2、为解决上述技术问题，本专利技术的技术方案如下：
3、一种深度学习训练图像样本的生成方法，包括
4、获取目标前景图像和目标背景图像；所述目标背景图像中包括n个已融合的前景图像，n为正整数；
5、根据所述目标前景图像和目标背景图像的协调关系，确定目标前景图像和目标背景图像的融合位置；
6、根据所述融合位置，对目标前景图像和目标背景图像进行融合，得到初步融合图像；
7、获取所述初步融合图像中，目标前景图像和n个已融合的前景图像的交并比；
8、根据所述交并比，删除无效的交叉融合，生成最终的目标训练图像样本。
9、可选的，获取目标前景图像和目标背景图像，包括：
10、获取包括深度学习训练目标的原始图像，和与所述训练目标相关的目标背景图像；
11、框选所述原始图像中的目标区域，标记类别信息，得到目标区域的归一化像素坐标信息；
12、将所述归一化像素坐标信息转换为原始图像上的真实坐标信息；
13、根据所述真实坐标信息对原始图像进行裁剪，得到目标前景图像。
14、可选的，根据所述目标前景图像和目标背景图像的协调关系，确定目标前景图像和目标背景图像的融合位置，包括：
15、根据所述目标前景图像和目标背景图像的协调关系，当所述目标前景图像在目标背景图像中有指定位置时，将所述指定位置确定为融合位置；
16、当所述目标前景图像和目标背景图像没有指定位置时，确定融合区域限制条件；
17、根据所述融合区域限制条件，得到融合偏移范围；
18、在所述融合偏移范围中选取随机数，将所述随机数确定为目标前景图像偏移量；
19、根据所述目标前景图像偏移量，得到融合位置。
20、可选的，根据所述融合位置，对目标前景图像和目标背景图像进行融合，得到初步融合图像，包括：
21、将所述目标前景图像和目标背景图像的融合梯度场确定为引导场；
22、根据所述引导场，确定融合条件；所述融合条件包括：所述引导场与融合位置待求解像素值的梯度差最小、融合边界位置融合区域待求解像素值和目标背景图像像素值相等；
23、根据所述融合条件，确定模型
24、将所述模型进行转化，得到目标方程δf＝div v overω,
25、对所述目标方程离散化求解，得到融合位置像素值；
26、根据所述像素值，得到初步融合图像；
27、其中，ω是融合后背景图像被前景图像的覆盖区域、是ω的边界、f是融合图像在ω内的像素值函数、f*是融合图像在ω外的像素值函数、是图像函数的梯度、δf是ω区域的散度、v是引导场、div v是引导场的散度。
28、可选的，对所述目标方程离散化求解，得到融合位置像素值，包括：
29、根据像素点的散度值与像素点周围四个点的像素值相关，对目标方程离散化，得到方程组af＝b，其中，a是系数矩阵、b是引导场的散度向量；
30、获取目标前景图像和目标背景图像的梯度场，用目标前景图像的梯度场置换同位置的目标背景图像梯度场以构建获得融合梯度场，根据所述融合梯度场，得到散度b；
31、根据融合条件，对非边界点进行卷积，得到系数矩阵a；
32、根据所述方程组af＝b、散度b和系数矩阵a，得到融合位置像素值。
33、可选的，获取所述初步融合图像中，目标前景图像和n个已融合的前景图像的交并比，包括：
34、获取目标前景图像和n个已融合的前景图像的像素坐标；
35、根据所述像素坐标，得到目标前景图像的面积、n个已融合的前景图像的面积和目标前景图像与n个已融合的前景图像的交叉面积；
36、根据所述图像面积以及交叉面积，得到目标前景图像和n个已融合的前景图像的交并比。
37、可选的，根据所述交并比，删除无效的交叉融合，生成最终的目标训练图像样本，包括：
38、当所述交并比大于等于预设值时，将目标前景图像与目标背景图像的融合确定为无效交叉融合，并删除所述无效交叉融合；
39、当所述交并比小于预设值，且融合的前景图像的数量达到预设值时，将所述融合图像数据保存，得到目标训练图像样本。
40、本专利技术还提供一种深度学习训练图像样本的生成装置，包括：
41、获取模块，用于获取目标前景图像和目标背景图像；所述目标背景图像中包括n个已融合的前景图像，n为正整数；
42、生成模块，用于根据所述目标前景图像和目标背景图像的协调关系，确定目标前景图像和目标背景图像的融合位置；根据所述融合位置，对目标前景图像和目标背景图像进行融合，得到初步融合图像；获取所述初步融合图像中，目标前景图像和n个已融合的前景图像的交并比；根据所述交并比，删除无效的交叉融合，生成最终的目标训练图像样本。
43、本专利技术还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上述的方法。
44、本专利技术还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上述的方法。
45、本专利技术的上述方案至少包括以下有益效果：
46、本专利技术的上述方案，通过获取目标前景图像和目标背景图像；所述目标背景图像中包括n个已融合的前景图像，n为正整数；根据所述目标前景图像和目标背景图像的协调关系，确定目标前景图像和目标背景图本文档来自技高网...
【技术保护点】
1.一种深度学习训练图像样本的生成方法，其特征在于，包括：
2.根据权利要求1所述的深度学习训练图像样本的生成方法，其特征在于，获取目标前景图像和目标背景图像，包括：
3.根据权利要求1所述的深度学习训练图像样本的生成方法，其特征在于，根据所述目标前景图像和目标背景图像的协调关系，确定目标前景图像和目标背景图像的融合位置，包括：
4.根据权利要求1所述的深度学习训练图像样本的生成方法，其特征在于，根据所述融合位置，对目标前景图像和目标背景图像进行融合，得到初步融合图像，包括：
5.根据权利要求4所述的深度学习训练图像样本的生成方法，其特征在于，对所述目标方程离散化求解，得到融合位置像素值，包括：
6.根据权利要求1所述的深度学习训练图像样本的生成方法，其特征在于，获取所述初步融合图像中，目标前景图像和N个已融合的前景图像的交并比，包括：
7.根据权利要求1所述的深度学习训练图像样本的生成方法，其特征在于，根据所述交并比，删除无效的交叉融合，生成最终的目标训练图像样本，包括：
8.一种深度学习训练图
9.一种计算设备，其特征在于，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，存储指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种深度学习训练图像样本的生成方法，其特征在于，包括：
2.根据权利要求1所述的深度学习训练图像样本的生成方法，其特征在于，获取目标前景图像和目标背景图像，包括：
3.根据权利要求1所述的深度学习训练图像样本的生成方法，其特征在于，根据所述目标前景图像和目标背景图像的协调关系，确定目标前景图像和目标背景图像的融合位置，包括：
4.根据权利要求1所述的深度学习训练图像样本的生成方法，其特征在于，根据所述融合位置，对目标前景图像和目标背景图像进行融合，得到初步融合图像，包括：
5.根据权利要求4所述的深度学习训练图像样本的生成方法，其特征在于，对所述目标方程离散化求解，得到融合位置像素值，包括：
【专利技术属性】
技术研发人员：李波涛，沈冬，刘明皓，唐春，刘强，刘玉宝，
申请(专利权)人：中船北京智能装备科技有限公司，
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。