[发明专利]一种基于比特平面信息重组的数据增广方法及系统

说明书

本发明公开了一种基于比特平面信息重组的数据增广方法及系统，其中，方法包括：获取多光谱图像，根据光谱通道将多光谱图像进行拆分得到拆分后的单通道灰度图像；将单通道灰度图像进行比特平面分层，得到比特平面集合；利用多种抽取方法对比特平面集合进行比特平面抽取，得到第一预设数量的比特平面；利用图像质量评价指标抽取第一预设数量的比特平面，得到第二预设数量的比特平面；将第二预设数量的比特平面进行比特平面选择，根据预设顺序选择抽取第三预设数量的比特平面；将第三预设数量的比特平面重组产生第一新图像，实现数据增广。本发明可有效提升图像分类、目标检测等不同应用处理任务中深度学习模型的学习效果与性能。

技术领域

本发明涉及图像处理领域技术领域，特别涉及一种基于比特平面信息重组的数据增广方法及系统。

背景技术

近年来，深度学习方法在计算机视觉领域取得了一系列突出成就。深度学习方法有赖于数据的驱动，一般认为，训练数据越多，深度学习方法效果越好；即使有时训练数据的质量较差，只要神经网络能从数据中学习到有用信息，神经网络的性能依旧会有所提升。然而，在一些领域中，比如在遥感领域中，由于非合作的成像模式，训练数据非常有限；即便是最大的遥感目标检测数据集，图像数量也不超过3000张。因此，训练数据的匮乏成为制约深度学习方法性能的最主要问题之一。

针对这个问题，当前主要有三种解决方法。第一种是迁移学习的方法，首先在自然图像大数据集上进行预训练，然后迁移到目标数据集上进行微调。第二种是正则化的方法，通过权值正则化或者批量正则化等来降低网络的过拟合。第三种是数据增广的方法，通过一系列变换从原始数据集中产生新的数据。本发明涉及方法，隶属数据增广的类别。

几何数据增广方法是最传统的数据增广方法，通常包括翻转、旋转和剪裁等。在过去的研究中，该方法已经证明了其有效性，但该方法通常将整张图像作为一个整体，忽视了图像内部的结构信息。近年来，基于变换的增广方法和基于学习的增广方法也被逐渐提出。但这些方法生成的数据是不真实的或者不可靠的，不能直接应用于某些领域的任务，比如遥感目标检测；并且这些方法都没有关注图像内部的结构信息。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明提出一种基于比特平面信息重组的数据增广方法，将单张图像内部的层级结构信息分层成不同的比特平面，利用最大后验概率估计确定比特平面的抽取数量，利用图像质量评价指标选择各种抽取方法中需要保留的比特平面；然后，再利用最大后验概率估计选择比特平面相邻抽取或者跳跃抽取的抽取方式；随后，将按特定顺序抽取的特定数量的比特平面重组产生具有不同结构细节信息的新图像，实现具有高可靠性的数据增广，有效解决了样本数据不充分带来的深度学习模型难以训练和容易过拟合的问题。

本发明的第二个目的在于提出一种基于比特平面信息重组的数据增广系统。

为达到上述目的，本发明一方面实施例提出了一种基于比特平面信息重组的数据增广方法，包括：

S1，获取多光谱图像，根据光谱通道将所述多光谱图像进行拆分得到拆分后的单通道灰度图像；

S2，将所述单通道灰度图像进行比特平面分层，得到比特平面集合；

S3，利用多种抽取方法对所述比特平面集合进行比特平面抽取，得到第一预设数量的比特平面；

S4，利用图像质量评价指标抽取所述第一预设数量的比特平面，得到第二预设数量的比特平面；

S5，将所述第二预设数量的比特平面进行比特平面选择，根据预设顺序选择抽取第三预设数量的比特平面；

S6，将所述第三预设数量的比特平面重组产生第一新图像，实现数据增广。