【技术实现步骤摘要】
本专利技术涉及人工智能领域中用于深度学习中提升模型的训练效率，是一种基于sar图像样本质量评估体系的模型训练样本筛选方法。
技术介绍
1、在sar图像的模型训练中，训练样本选择方面的工作一直存在缺陷，大部分的样本选择采用随机抽取和随机划分的方法构建训练集和测试集，这种方法会导致训练样本的数据不平衡。此外还有基于地物特征法、基于类别分布法和基于统计学习理论等方法，这些方法同样存在着所需的计算资源较高、严重依赖外部算法的性能。在训练样本的评估方面，同样存在着计算复杂度较高、存在过多的人为主观干预、没有考虑样本之间的相似性等问题。在样本融合方面，该领域存在着所提出的方法具有局限性等问题。
2、目前大部分关于sar图像训练样本的选择方法算法复杂度较高，且样本选择的好坏严重依赖外部算法的性能。本专利技术构建的样本选择方法不依赖外部算法的性能且计算复杂度较低，易于实现。
技术实现思路
1、本专利技术首先准备样本集，进行样本质量评估，共计9个评估指标。将每个样本的质量评估指标降序排列后根据质量分布特性构建样本子集，然后根据不同的性能指标对样本进行筛选。最后融合性能表现优秀的样本，完成样本子集的融合操作。因此，本专利技术提供一种基于sar图像样本质量评估体系的模型训练样本筛选方法。
2、需要说明的是，在本专利技术中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，
3、本专利技术提供了一种基于sar图像样本质量评估体系的模型训练样本筛选方法，本专利技术提供了以下技术方案：
4、一种基于sar图像样本质量评估体系的模型训练样本筛选方法，所述方法包括：
5、步骤1：建立样本质量评估体系，包括brenner梯度函数、laplacian梯度函数、灰度方差函数smd、灰度方差乘积函数smd2、方差函数、能量梯度函数、vollath函数、熵函数和对比度共9个指标；
6、步骤2：构建样本子集；
7、步骤3：进行样本性能筛选；
8、步骤4：进行多指标质量性能相似性样本融合。
9、优选地，所述步骤1具体为：
10、brenner梯度函数：计算相邻两个像素灰度差的平方，计算得到的评价数值越大，表明图像越清晰，反之图像越模糊，计算公式为：
11、
12、laplacian梯度函数：laplacian算子从水平方向和竖直方向都提取了相对应的梯度值，图像越清晰，该值越大，计算公式为：
13、
14、其中，g(x，y)是像素点(x，y)处laplacian算子的卷积，t是边缘处指定的检测阈值，gx和gy分别是像素点(x，y)处sobe1算子沿像素水平和垂直向边缘检测算子的卷积；
15、灰度方差函数smd将灰度变化作为聚焦评价的依据，该值越大，图片质量越好，计算公式为：
16、d(f)＝∑y∑x(|f(x，y)-f(x，y-1)|+|f(x，y)-f(x+1，y)|)
17、灰度方差乘积函数smd2对每一个像素领域两个灰度差相乘后再逐个像素累加，图像越清晰该值越大，计算公式为：
18、d(f)＝∑y∑x|f(x，y)-f(x+1，y)||f(x，y)-f(x，y+1)|
19、方差函数用于评价图像的灰度差情况，灰度差异越大，图像越清晰，该值越大，计算公式为：
20、d(f)＝∑y∑x|f(x，y)-μ|2
21、能量梯度函数对水平方向和垂直方向上相邻的像素点的灰度值做差，然后对差值进行平方和运算，将运算结果作为每一个像素点所对应的梯度值，进而评价图像的清晰度，图像越清晰该值越大，计算公式为：
22、d(f)＝∑y∑x(|f(x+1，y)-f(x，y)|2+|f(x，y+1)-f(x，y)|2)
23、vollath函数：为整幅图像的平均灰度值，图像越清晰该值越大，计算公式为：
24、d(f)＝∑y∑xf(x，y)*f(x+1，y)-m*n*μ2
25、熵函数：熵函数可以对于图像的信息进行评价，信息含量越高，熵值就会越大，计算公式为：
26、
27、pi代表有多大的概率像素的灰度值为i，图像中灰度值为i的像素出现的概率，l表示总共有多少个灰度级
28、对比度对于每一个像素，与其上下左右四个近邻像素之间的灰度差值分别平方后求和，然后将所有像素的这个值累加起来，最后除以图像中总的像素数量，计算公式为：
29、c＝∑δδ(i，j)2pδ(i，j)
30、其中，为相邻像素间的灰度差，pδ(i，j)为相邻像素间的灰度差为δ的像素分布概率。
31、优选地，所述步骤2具体为：
32、按照样本质量评估体系中的各项评估指标，遍历计算样本库中的样本性能，然后分别对样本进行降序排列。
33、优选地，所述步骤3具体为：
34、将样本质量评估中的各项指标进行降序排列后，通过实验验证筛选降序排列下表现优于随机组的样本指标。
35、优选地，所述步骤4具体为：
36、基于多指标质量性能相似性样本融合方法，公式如下：
37、
38、其中，xs是训练样本综合评分的集合，里面的每个元素是该样本的质量综合评分，z是xs中的最大元素，也就是z＝max(xs)；
39、从xs中取出所有不小于其他元素的x，然后去掉所有大于最大元素z的x，然后再加上z，得到了一个包含最大的3个元素，即表现最好的3个样本组成的新集合xsfusion，评价样本综合得分的方法通过下式表示：
40、
41、其中，score是加权后的指标的综合评价分数，x表示的是样本，wi是第i个指标的系数，xi是该样本的第i个性能指标值，n是样本性能指标的个数；
42、样本筛选通过下式所示：
43、
44、其中，表示向下取整函数，xs(m)表示采样后的数组。
45、优选地，将n设置为3，主要考虑的指标是准确率、精确率和召回率，要说明的是在性能指标综合评估中，如果考虑海明距离，则该值应该取倒数，即1/xhamming，海明距离越小，样本越清晰。
46、优选地，采用等间隔采样的方式，基于均匀分布假设的简单而有效的抽样策略，可确保数据的代表性，并且易于实现。
47、优选地，在单一类别样本中，将计算每张样本的9个质量指标值降序排列，然后进行根据训练样本子集的数量进行采样。
48、一种计算本文档来自技高网...
【技术保护点】
1.一种基于SAR图像样本质量评估体系的模型训练样本筛选方法，其特征是：所述方法包括：
2.根据权利要求1所述的方法，其特征是：所述步骤1具体为：
3.根据权利要求2所述的方法，其特征是：所述步骤2具体为：
4.根据权利要求3所述的方法，其特征是：所述步骤3具体为：
5.根据权利要求4所述的方法，其特征是：所述步骤4具体为：
6.根据权利要求5所述的方法，其特征是：将n设置为3，主要考虑的指标是准确率、精确率和召回率，在性能指标综合评估中，如果考虑海明距离，则该值应该取倒数，即1/xhamming，海明距离越小，样本越清晰。
7.根据权利要求6所述的方法，其特征是：采用等间隔采样的方式，基于均匀分布假设的简单而有效的抽样策略，可确保数据的代表性，并且易于实现。
8.根据权利要求7所述的方法，其特征是：在单一类别样本中，将计算每张样本的9个质量指标值降序排列，然后进行根据训练样本子集的数量进行采样。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征是：所述处理器执行所述计算机程序时实现权利要求1-8的方法。
...【技术特征摘要】
1.一种基于sar图像样本质量评估体系的模型训练样本筛选方法，其特征是：所述方法包括：
2.根据权利要求1所述的方法，其特征是：所述步骤1具体为：
3.根据权利要求2所述的方法，其特征是：所述步骤2具体为：
4.根据权利要求3所述的方法，其特征是：所述步骤3具体为：
5.根据权利要求4所述的方法，其特征是：所述步骤4具体为：
6.根据权利要求5所述的方法，其特征是：将n设置为3，主要考虑的指标是准确率、精确率和召回率，在性能指标综合评估中，如果考虑海明距离，则该值应该取倒数，即1/xhamming，海明距离越小，样本越清...
【专利技术属性】
技术研发人员：刘环宇，王鹏程，李君宝，刘鹤，孙波，李志栋，
申请(专利权)人：哈尔滨工业大学，
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。