[发明专利]一种通用的深度学习正样本自动均衡方法

权利要求书

1.一种通用的深度学习正样本自动均衡方法，其特征在于：包括以下步骤，

S1、将分别在多台机器上采集到的多张图像进行编号形成样本子集，并根据样本子集分布，确定遍历处理所有图片的先后顺序；

S2、对图像进行最佳通道的选取；

S3、在最佳通道上进行滑动窗口截图，计算截得的每一幅小图的属性，根据属性进行分类；

S4、根据样本子集分布以及需要样本的总数量，确定在每一幅大图上截取小图的数量；

S5、根据分类的数量占比，抑制在对比度低的类别中相对对比度低的分类，按照增强策略增加在对比度低的类别中相对对比度高的分类以及对比度高的分类，最终确定在每一幅大图上，每一类小图截取的数量；

S6、确定每张大图中每一类小图的需求数量，根据连通域均衡选择策略，选择在最佳通道上滑动窗口获得的小图，将其截图窗口映射到大图原图上，将原图上的窗口位置小图截下来作为样本；

S7、将得到的与需求数一致的样本送入神经网络进行训练送入神经网络进行训练。

2.如权利要求1所述的一种通用的深度学习正样本自动均衡方法，其特征在于：还包括步骤，

S8、按照制定的补全策略在所有还未被选取的小图中选择小图，用以达到需要的样本数量。

3.如权利要求1或2所述的一种通用的深度学习正样本自动均衡方法，其特征在于：所述的步骤S2中，若图像为灰度图像，则图像本身就作为最佳通道；若图像为彩色图像，则对图像进行通道分解，得到彩色转灰度图、红、绿、蓝、饱和度、亮度6幅图像，将该图像分解得到的6幅图像分别采用基于全局二值化求取亮暗对比度的方法选取亮暗对比度最高的一幅图像作为最佳通道，将所有进行最佳通道选取的图像所得到的最佳通道是哪个通道进行统计，使用被选择最多的那个通道作为最佳通道。

4.如权利要求1或2所述的一种通用的深度学习正样本自动均衡方法，其特征在于：所述的步骤S3中，按照训练神经网络需要的小图尺寸，高为H,宽为W，从每张大图的左上角到右下角，先行后列的形式，以高为H，宽为W的窗口，以H/2，W/2为纵向以及横向步长进行滑动，依次切出小图；并计算小图用于分类的属性值；然后按照二叉树的逻辑，将计算得到的小图用于分类的属性值送入平滑直方图分类器进行分类。

5.如权利要求4所述的一种通用的深度学习正样本自动均衡方法，其特征在于：所述的小图用于分类的属性值包括对比度c、平均灰度g、聚合度p、边界熵e；所述分类的属性值的阈值分别为：对比度阈值Tc、平均灰度阈值Tg、聚合度阈值Tp、边界熵阈值Te、暗对比度阈值Tl、亮对比度阈值Th。

6.如权利要求5所述的一种通用的深度学习正样本自动均衡方法，其特征在于：对聚合度低的类具有补聚合步骤，具体步骤为：

将高对比度类中，被分为聚合度低的类，比较其亮区域与暗区域中最小的连通域面积，以面积大的那个连通域的中心为原点，以面积小的那个连通域的中心为终点，作平移向量；当前小图的对应的截图窗口在该向量方向上，以设定距离为步长，以min（W,H）/2为界进行滑动，若滑动过程中聚合度超过设定值，则取当前窗口截取的小图替换原来的小图；若滑动完成没有小图的聚合度超过设定值，则取在本次滑动过程中获得的所有小图中聚合度最大的那一个替换原来的小图。

7.如权利要求1或2所述的一种通用的深度学习正样本自动均衡方法，其特征在于：所述的步骤S6中，按照需求数量对已经分好类的样本小图进行选取，选取方法为：

1）若当前图像上当前类的小图样本数量have_i小于等于该张图像上该类的需求数量need_i,i代表类，i=1.1,1.2,2.1,2.2,3,4；则直接把该张图像上的所有该类小图全部选取，进行保存；

2）若have_ineed_i,则将当前图像上的所有当前类的图像窗口的位置映射会大图上所在的位置，即把这些窗口以矩形的形式组成位于一张大图上的区域，然后将得到的区域做连通域处理。