[发明专利]一种基于生成对抗级联网络增广图像的方法

说明书

本发明公开了一种基于生成对抗级联网络增广图像的方法。包括：从原始图像I_ori圈定感兴趣区域并裁剪，获得裁剪后的图像I_cut；对I_cut通过预处理获得增广后的数据集S_cut；利用数据集S_cut进行Ⅰ级生成对抗网络的训练；加载训练好的Ⅰ级生成器，输入随机噪声推理出图像，并对生成的图像通过上采样处理后，制作成新的数据集S_Ⅰ；利用数据集S_Ⅰ与I_cut作为Ⅱ级生成对抗网络的训练数据集，进行Ⅱ级生成对抗网络的训练；加载训练好的Ⅱ级生成器，将数据集S_Ⅰ输入Ⅱ级生成器，推理出所需的增广图像I_des。本发明在对图像增广时，解决了Ⅰ级生成对抗网络中生成图像差异性小和分辨率低的问题，在增广图像的同时提高了网络的泛化性能。

技术领域

本发明涉及超声图像分析领域，尤其涉及一种基于生成对抗级联网络增广图像的方法。

背景技术

在深度学习的图像研究中，通常都依赖于大规模的数据集以避免过拟合问题的发生。当图像数据量严重不足时，通常采用传统图像增广方式进行图像增广，例如多次裁剪、添加高斯噪声、灰度均衡等。

这些传统图像增广方法在对现有数据集实现扩充的同时也给网络的训练带来了过拟合的风险。原因是通过这些传统的图像增广方法得到的图像与原始图像相关性极高，而且单级生成对抗网络生成的图像也存在一定的相似性且分辨率较低，这些方法并不能明显提高数据集样本的多样性。随着增广数据量的增加，数据集中雷同的数据项越来越多，最终导致网络过拟合，泛化性能差。

在深度学习领域中常常存在着图像数据量不足，或者图像种类不够丰富等情况，使用良好的图像增广方法往往能起到事半功倍甚至是决定性的作用；但与此同时，单一的图像增广方式也有可能会导致网络的过拟合，致使网络的泛化性能差；除此之外，单级生成对抗网络生成的图像存在图像之间相似度较高且分辨率低等问题。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于生成对抗级联网络增广图像的方法。

为了解决上述技术问题，本发明公开了一种基于生成对抗级联网络增广图像的方法，包括如下步骤：

步骤1，从原始图像I_ori圈定感兴趣区域并裁剪，获得裁剪后的图像I_cut；

步骤2，对裁剪的图像I_cut进行预处理以增广图像，获得增广后的数据集S_cut；

步骤3，利用所述增广后的数据集S_cut进行Ⅰ级生成对抗网络的训练，并验证测试，保存训练好的Ⅰ级判别器和Ⅰ级生成器；

步骤4，加载所述训练好的Ⅰ级生成器，通过输入随机噪声推理出图像，对推理出的图像运用上采样的方法进行后处理，制作成尺寸为W*L的图像并添加至新的数据集S_Ⅰ中；

步骤5，将步骤4制作的新的数据集S_Ⅰ与所述裁剪后的图像I_cut共同作为Ⅱ级生成对抗网络的训练集，进行Ⅱ级生成对抗网络训练，并验证测试，保存训练好的Ⅱ级判别器和Ⅱ级生成器；

步骤6，加载所述训练好的Ⅱ级生成器，输入经步骤4处理后的数据集S_Ⅰ，推理出增广图像I_des，所述增广图像I_des的尺寸为W*L；将具有一定先验信息的图像数据集S_Ⅰ作为Ⅱ级生成器的输入，获得的增广图像I_des相对于传统增广方式获得的图像更具有多样性。