【技术实现步骤摘要】
本专利技术属于图像增广，尤其涉及一种用于增强模型抗花纹干扰能力的图像增广方法。
技术介绍
1、随着深度学习网络的发展，基于深度学习的网络模型逐渐应用于社会各个应用领域。近些年来人工智能的发展主要依赖于新的模型的提出、硬件算力的增强以及大数据的应用。而深度学习的发展也高度依赖于数据集。其中，基于深度学习的网络模型对数据集的依赖表现为以下两点：一、基于深度学习的网络模型的性能与数据集的规模在一定程度上呈现正相关；二、基于深度学习的网络模型的性能与数据集各种类别数据的分布情况高度相关。尽管只要改善各种应用场景下的基于深度学习的网络模型的训练数据集的规模、类分布情况，就可以提高该网络模型的相应性能。但是在部分应用场景下受限于数据采集的成本、难度、时间消耗等因素，数据集的样本数量往往是不足的，且数据集的各种类样本的分布也并不均匀。为了解决数据集样本不足以及数据集各种类别样本数据分布不平衡的问题，可以采取数据增广的方式来改善网络模型性能。而在输入样本是图像的深度学习网络中，这种数据增广方式表现为图像数据增广。现有的数据增广方案尚未提出一种简单易行的...
【技术保护点】
1.一种用于增强模型抗花纹干扰能力的图像增广方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的图像增广方法，其特征在于，所述的区域划分步骤具体包括：获取输入图像的长和高，并初始化该步骤输出图像为长高与输入图像一致的单通道图像；然后遍历输入图像的所有像素点，如果输入图像该像素点非边界且输出图像该像素点未访问，则初始化seeds为空栈，然后入栈该像素点；之后，如果seeds非空，则seeds出栈，赋值给cur；接着，将(1,0)、(-1,0)、(0,1)、(0,-1)依次赋值给(dx,dy)，并将cur[0]+dx与cur[1]+dy赋值给x与y；如果...
【技术特征摘要】
1.一种用于增强模型抗花纹干扰能力的图像增广方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的图像增广方法，其特征在于，所述的区域划分步骤具体包括：获取输入图像的长和高，并初始化该步骤输出图像为长高与输入图像一致的单通道图像；然后遍历输入图像的所有像素点，如果输入图像该像素点非边界且输出图像该像素点未访问，则初始化seeds为空栈，然后入栈该像素点；之后，如果seeds非空，则seeds出栈，赋值给cur；接着，将(1,0)、(-1,0)、(0,1)、(0,-1)依次赋值给(dx,dy)，并将cur[0]+dx与cur[1]+dy赋值给x与y；如果全部依次赋值，则label自加1；最后，如果(x,y)满足0≤x<n、0≤y<m且该点未被访问且input[x][y]＝＝input[cur[0]][cur[1]]，则seeds入栈(x,y)，output[x][y]＝label，最终得到每个闭合区域的划分。
3.如权利要求1所述用于增强模型抗花纹干扰能力的图像增广方法，其特征在于，...
【专利技术属性】
技术研发人员：张成，黄川俊，黄磊，叶润，尹雪松，丁卓越，蒋维琛，陈炳梁，余泰霆，黄庆洪，
申请(专利权)人：电子科技大学长三角研究院湖州，
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。