[发明专利]一种基于卷积神经网络的海面目标图像背景抑制方法

摘要

本发明公开了一种基于卷积神经网络的海面目标图像背景抑制方法。包括：选取复杂场景下海面目标的成像数据，预处理后按照一定的比例分成训练集L₁和验证集L₂；用训练集L₁训练卷积神经网络，并用验证集L₂对网络模型调优，得到背景预测模型B‑Mod；对待抑制的海面目标图像，预处理后输入背景预测模型B‑Mod，计算出每个像素的背景抑制分量；将每个像素的所有背景抑制分量加和平均得到背景抑制量；利用背景抑制量进行适当的函数映射,可以得到背景抑制后的图像。本发明根据海面目标图像中目标和背景的差异性，利用深度学习的方法获取图像中每个像素的背景抑制量，通过实验验证了该方法对海面目标图像的背景具有显著的抑制效果。

主权项

1.一种基于卷积神经网络的海面目标图像背景抑制方法，其特征在于，所述方法包括：(1)选取复杂场景下海面目标的成像数据，以固定大小的图像片截取数据中的典型区域作为样本信息，以完全包含目标的样本为正样本，以不包含目标的样本为负样本，从所有图像数据中截取到的样本数据构成学习集L；(2)将学习集L中的数据进行预处理，即对学习集L中的每个图像片减去学习集L的均值；(3)将数据预处理后的学习集L按照一定的比例分成训练集L1、验证集L2，使用训练集L1中的样本训练卷积神经网络，得到正/负两类属性样本的CNN分类器模型；用验证集L2样本测试CNN分类器性能，统计每个样本通过CNN分类器模型分类之后的类别属性，根据给定的样本标签信息，计算CNN分类器模型的精确率Pprecision、召回率Precall；如果CNN分类器性能不能达到设定的性能指标，需要调整模型超参数，重新训练，直到满足性能指标为止；将满足性能指标的最终CNN分类器模型，作为背景预测模型B‑Mod；(4)对于待抑制的图像，进行数据预处理，处理后的数据通过步骤(3)的背景预测模型B‑Mod预测出待抑制图像中第k个图像片Patch_k属于正和负类别的概率并将作为第k个图像片Patch_k中每个像素的背景抑制分量α^k(x，y)；(5)把每个像素的背景抑制分量αk(x，y)求和取平均得到该像素的背景抑制量α(x，y)，再乘以该像素原来的灰度值f(x，y)，以其作为每个像素新的灰度值，并将整幅图像归一化处理后，得到背景抑制图像。