一种gamma-mosaic数据增强方法及系统

本发明涉及图像增强，更具体的说是涉及一种gamma-mosaic数据增强方法及系统。

背景技术：

1、yolo(you only look once)是一系列基于深度学习的目标检测算法，其特点速度快、准确率高，适用于实时目标检测场景。yolo系列深度学习检测算法的主要思路是直接用整张图像输入算法模型，通过神经网络一次前向计算完成对目标的检测和定位，具有较高的检测速度。核心思想是首先通过卷积神经网络将输入的图像划分成n*n个网格，提取物体特征，在每个网格中检测目标，预测出目标的类别、位置和置信度等信息。然后使用非极大值抑制(non-maximum suppression，nms)处理网络输出的检测框，筛除置信度和交并比(iou)超过给定阈值的检测框。最后输出检测结果，如目标的类别、位置和置信度值等。并在图像上进行可视化。

2、yolov5在训练策略和网络结构等方面有一定的改进，具有轻量化、高速度、高准确度等特点。yolov5算法在每次数据训练前都会对训练集数据进行自适应图片缩放、自适应锚框计算和数据增强等方法预处理。同时在训练时，通过调整参数如学习率、批处理大小等来提高训练效率。

3、与可见光图像相比，利用红外图像进行目标检测具有以下三大优点：(1)红外相机的环境适应性更强，可以在夜间和恶劣天气下正常工作；(2)红外相机的作用距离更远，在大气窗口的红外波段，红外辐射穿透烟雾和尘埃的能力更强，可以在较远的距离上进行探测；(3)红外图像只会显示人体大致轮廓，不会显示人物具体外貌、服装等敏感信息，对公民隐私低侵害，作为监控手段更容易被大众接受。这使得红外图像目标检测在远距离目标检测和夜间目标检测中具有重要的应用价值。目前市场上具有目标检测功能的设备大部分是基于可见光图像，利用可见光相机进行检测，而可见光相机的工作依赖于白天或其他光线充足的条件，无法满足许多夜景需求，例如夜间作战、夜间巡逻、夜间搜救等。结合红外成像技术的夜间优势和yolov5算法的高检测速度和精度的红外图像目标检测系统，可以满足以上夜景需求。然而由于yolov5算法是根据可见图像的特点进行设计的，在对红外图像进行训练时存在一些缺陷。本发明就是针对yolov5的数据增强在红外图像颜色变换方面的不足进行设计的。虽然本发明的设计场景是yolov5算法，但是也适用于其他深度学习算法的红外图像目标检测相关应用场景。

4、数据增强是一种深度学习算法在对训练模型过程中的数据预处理技术，旨在增加训练数据的数量和样本质量，减少过拟合现象，以提高机器学习模型的泛化能力。它通过对原始数据进行随机变换、旋转、缩放、裁剪、添加噪声等操作，这些操作对图像信息进行增强或者弱化，生成新的训练数据，从而扩展了训练集的规模和多样性，然而，由于当前大部分深度学习算法都是基于可见光图像进行部署，算法的数据增强模块是针对可见光图像的特点进行设计，并不完全适用于红外图像。所以现有算法在对红外图像进行目标检测模型的训练存在不足，缺少针对红外图像的数据增强方法。

5、因此，提出一种gamma-mosaic数据增强方法及系统，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种gamma-mosaic数据增强方法及系统，用于解决技术背景中解决的问题。

2、为了实现上述目的，本发明提供如下技术方案：

3、一种gamma-mosaic数据增强方法，包括以下步骤：

4、s1.构建数据增强模块gamma-mosaic；

5、s2.通过数据增强模块的mosaic数据增强进行几何变换，改变图像中目标的位置和大小；

6、s3.通过数据增强模块的gamma变换进行颜色变换增强，对红外图像的像素值进行变换。

7、可选的，s2中的mosaic数据增强具体为：

8、在mosaic数据增强中，选择一张主图和三张副图，四个不同的图像在经过随机裁剪、缩放的几何变换处理后以随机方式拼接在一起，产生一个新的图像。

9、可选的，新的图像中包含多种目标物体和背景，同时增加了小目标样本，通过这种方式组合训练集可以提升网络的泛化性能，使得模型在处理不同的场景和物体时具有鲁棒性。

10、可选的，s3中的gamma变换具体为：

11、使用gamma(γ)校正法进行颜色变换增强，通过γ指数改变输入输出的映射关系。

12、可选的，s3中的gamma变换公式为：

13、

14、其中，newimage为gamma变换后红外图像灰度值(像素值)，image为原红外图像灰度值，γ为gamma变换系数。

15、可选的，gamma(γ)参数范围为[0.3-4]。

16、一种gamma-mosaic数据增强系统，应用上述任一项的一种gamma-mosaic数据增强方法，包括依次连接的构建数据增强模块、几何变换模块、颜色变换模块；其中，

17、构建数据增强模块：构建数据增强模块gamma-mosaic；

18、几何变换模块：通过数据增强模块的mosaic数据增强进行几何变换，改变图像中目标的位置和大小；

19、颜色变换模块：通过数据增强模块的gamma变换进行颜色变换增强，对红外图像的像素值进行变换。

20、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种gamma-mosaic数据增强方法及系统，其有益效果为：该方法可以嵌入深度学习算法用于训练红外图像目标检测模型，使用该方法可以有效增强训练中红外图像的数量和质量，加快训练中模型的收敛，减少训练过程中过拟合现象，提高模型的泛化性能；使用该方法后训练出的模型检测目标的准确率、召回率和平均精度均值map都有提升，有效增强了模型的检测性能。

技术特征：

1.一种gamma-mosaic数据增强方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种gamma-mosaic数据增强方法，其特征在于，s2中的mosaic数据增强具体为：

3.根据权利要求2所述的一种gamma-mosaic数据增强方法，其特征在于，新的图像中包含多种目标物体和背景，同时增加了小目标样本，通过这种方式组合训练集可以提升网络的泛化性能，使得模型在处理不同的场景和物体时具有鲁棒性。

4.根据权利要求1所述的一种gamma-mosaic数据增强方法，其特征在于，s3中的gamma变换具体为：

5.根据权利要求1所述的一种gamma-mosaic数据增强方法，其特征在于，s3中的gamma变换公式为：

6.根据权利要求4所述的一种gamma-mosaic数据增强方法，其特征在于，gamma(γ)参数范围为[0.3-4]。

7.一种gamma-mosaic数据增强系统，其特征在于应用权利要求1-6任一项所述的一种gamma-mosaic数据增强方法，包括依次连接的构建数据增强模块、几何变换模块、颜色变换模块；其中，

技术总结
本发明公开了一种gamma‑mosaic数据增强方法及系统，应用于数据增强技术领域。包括以下步骤：S1.构建数据增强模块gamma‑mosaic；S2.通过数据增强模块的mosaic数据增强进行几何变换；S3.通过数据增强模块的gamma变换进行颜色变换增强。本发明可以嵌入深度学习算法用于训练红外图像目标检测模型，使用该方法可以有效增强训练中红外图像的数量和质量，加快训练中模型的收敛，减少训练过程中过拟合现象，提高模型的泛化性能；使用该方法后训练出的模型检测目标的准确率、召回率和平均精度均值mAP都有提升，有效增强了模型的检测性能。

技术研发人员：汪子君,巢欣悦,温睿哲,姜乃诚,徐浩
受保护的技术使用者：电子科技大学
技术研发日：
技术公布日：2024/1/15