[发明专利]一种基于生成式对抗网络的图像扩增方法及系统

说明书

本发明实施例涉及图像处理技术领域，公开了一种基于生成式对抗网络的图像扩增方法及系统，该方法包括：对已采集的训练图像进行归一化和预处理，以得到训练图像的初始数据集；通过目标区域提议网络获取初始数据集的目标前景区域的置信度，并根据置信度对目标前景区域进行几何形状二值消除，以得到WGAN模型训练集；根据WGAN模型训练集对WGAN模型进行训练，以得到目标WGAN模型；将待扩增图像输入目标WGAN模型，以获得目标扩增图像集。实施本发明实施例，能够克服图像训练集稀少的条件限制，有利于通过图像训练集训练识别系统以提高识别系统的目标识别率。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于生成式对抗网络的图像扩增方法及系统。

背景技术

随着机器视觉的理论和模型的飞速发展，许多基于机器视觉的识别系统也相继问世，基于机器视觉的识别系统由于可以在人工视觉难以满足要求的场合中代替人工进行目标识别或者数据采集，所以被广泛应用于电子、汽车制造等行业。

为了提高识别系统的目标识别率，通常需要大量的图像训练集来训练识别系统，而大量的图像训练集通常通过对图像训练集作扩增操作获得。传统的图像扩增方法主要有针对图像角度层面上的旋转和缩放，针对图像属性层面上的调整对比度、亮度等。在实践中发现，传统的图像扩增方法无法根据图像中的目标前景区域的内容进行图像扩增操作，导致实际环境中的图像训练集稀少，从而不利于通过图像训练集训练识别系统以提高识别系统的目标识别率。

发明内容

本发明实施例公开了一种于生成式对抗网络的图像扩增方法及系统，能够克服图像训练集稀少的条件限制，有利于通过图像训练集训练识别系统以提高识别系统的目标识别率。

本发明实施例第一方面公开一种基于生成式对抗网络的图像扩增方法，包括：

对已采集的训练图像进行归一化和预处理，以得到所述训练图像的初始数据集；

通过目标区域提议网络获取所述初始数据集的目标前景区域的置信度，并根据所述置信度对所述目标前景区域进行几何形状二值消除，以得到WGAN模型训练集；

根据所述WGAN模型训练集对WGAN模型进行训练，以得到目标 WGAN模型；

将待扩增图像输入所述目标WGAN模型，以获得目标扩增图像集。

作为一种可选的实施方式，在本发明实施例第一方面中，所述对已采集的训练图像进行归一化和预处理，以得到所述训练图像的初始数据集，包括：

对已采集的训练图像进行归一化处理，并将已执行归一化处理的训练图像缩放为预设分辨率的第一训练图像；

对所述第一训练图像分别进行三次不同预设角度的旋转操作，并在图像周围两像素范围内进行补零操作，以得到第二训练图像；

以预设的概率随机调整所述第二训练图像的对比度和亮度，以得到第三训练图像；

标记出所述第三训练图像的真实目标区域，以得到所述已采集的训练图像的初始数据集。

作为一种可选的实施方式，在本发明实施例第一方面中，所述通过目标区域提议网络获取所述初始数据集的目标前景区域的置信度，并根据所述置信度对所述目标前景区域进行几何形状二值消除，以得到WGAN模型训练集，包括：

通过目标区域提议网络生成目标框，以根据所述目标框生成所述目标框对应的候选框；

通过所述候选框生成至少一个所述初始数据集的候选目标区域和所述候选目标区域对应的置信度；

根据所述置信度，通过非极大值抑制算法消除至少一个所述初始数据集的候选目标区域中冗余的候选目标区域，以得到第一候选目标区域；

判断所述第一候选目标区域的面积是否大于或等于预设的面积阈值；