[发明专利]一种深度学习训练样本优化方法

说明书

本发明公开了一种深度学习训练样本优化方法，包括以下步骤：绘制出原始图像的轮廓元素标注信息、将原始图像的轮廓元素标注信息进行剥离、生成单一轮廓元素原始子图像和重叠轮廓元素原始子图像、图像增强处理、边缘检测处理,得到边缘单一轮廓元素原始子图像和边缘重叠轮廓元素原始子图像以及池化处理和图像分割处理；本发明通过进行图像增强处理可以保证原始图像具有较高的图像质量，为后序优化处理提高稳定的基础，通过对图像增强处理后图像分别进行边缘检测处理，能消除深度学习训练样本的原始图像中的样本元素边界误差，可以提高图像质量以及训练样本的生成效率，有效缩短深度学习训练样本的训练时间。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种深度学习训练样本优化方法。

背景技术

在很多应用场景中，为实现物体检测精准性，利用深度学习模型进行训练时，深度学习模型需要对大量且具有高质量的输入数据集进行学习训练，这个数据集一般足够大、具有代表性以及拥有相对清楚的标签，但是深度学习具有较强的学习能力或拟合能力，网络模型越复杂，其能力越强，也就需要更多的训练数据，否则容易产生过拟合的现象。

目前，深度学习训练样本优化方法中原始图像中的样本元素边界误差较大，导致深度学习训练样本的生成效率和质量都受到影响，同时用于深度学习训练样本的原始图像本身存在的一些缺陷会导致训练结果不够准确稳定，深度学习的训练样本训练结果也会随之不稳定，因此，本发明提出一种深度学习训练样本优化方法，以解决现有技术中的不足之处。

发明内容

针对上述问题，本发明通过进行图像增强处理可以保证原始图像具有较高的图像质量，为后序优化处理提高稳定的基础，通过对图像增强处理后的单一轮廓元素原始子图像和重叠轮廓元素原始子图像分别进行边缘检测处理，能消除深度学习训练样本的原始图像中的样本元素边界误差，可以提高图像质量以及训练样本的生成效率，有效缩短深度学习训练样本的训练时间。

本发明提出一种深度学习训练样本优化方法，包括以下步骤：

步骤一：获取两组相同的深度学习训练样本的原始图像，然后将其中一组深度学习训练样本的原始图像利用findContours函数寻找出原始图像中的轮廓，然后根据寻找出的原始图像中的轮廓，利用drawContours函数绘制出原始图像的轮廓元素标注信息；

步骤二：将原始图像的轮廓元素标注信息进行剥离，剥离出原始图像的单一轮廓元素标注信息和原始图像的重叠轮廓元素标注信息；

步骤三：根据训练样本的原始图像的单一轮廓元素标注信息和训练样本的原始图像的重叠轮廓元素标注信息，进行逆向处理，生成基于原始图像的轮廓元素标注信息的单一轮廓元素原始子图像和重叠轮廓元素原始子图像；

步骤四：对单一轮廓元素原始子图像和重叠轮廓元素原始子图像分别进行图像增强处理；

步骤五：对图像增强处理后的单一轮廓元素原始子图像和重叠轮廓元素原始子图像分别进行边缘检测处理，标识出单一轮廓元素原始子图像和重叠轮廓元素原始子图像中亮度变化明显的像素点，分别得到边缘单一轮廓元素原始子图像和边缘重叠轮廓元素原始子图像；

步骤六：对边缘单一轮廓元素原始子图像进行池化处理，对边缘重叠轮廓元素原始子图像进行图像分割处理，分别得到优化后的边缘单一轮廓元素原始子图像和优化后的单一轮廓元素原始子图像边缘重叠轮廓元素原始子图像。

进一步改进在于：所述步骤一中利用findContours函数寻找出原始图像中的轮廓具体过程为：首先输入一组深度学习训练样本的原始图像，加载原始图像转化为二值化图像，再利用函数创建出二值图像，然后检测二值图像轮廓，然后输出二值图像轮廓的拓扑信息。

进一步改进在于：所述步骤四中图像增强处理包括对单一轮廓元素原始子图像和重叠轮廓元素原始子图像进行基于小波阈值的图像降噪处理、增广处理和锐化处理。