[发明专利]一种平衡的实例分割数据合成方法

说明书

本发明公开了一种平衡的实例分割数据合成方法，包括：1)使用原始数据集的图像和标签构建对象实例库；2)读取原始数据集中的一个图像和标签，根据标签对这个图像生成前景背景掩模图，根据这个图像的尺寸均匀生成10×10个候选点；3)设定一个粘贴尺寸列表，根据设定的粘贴尺寸列表，将10×10个候选点为中心的区域与前景背景掩模图进行计算，选取不和前景重叠的区域加入粘贴区域；4)通过类别平衡从对象实例库中选取对象，进行缩放后粘贴对象到粘贴区域，并更新标签。本发明使用图像合成的方法实现数据增强，具有更好的适用性和多样性，可以应用于难度更大的实例分割任务，计算量非常少，运算速度快，基本上不会增加训练网络的时间。

技术领域

本发明涉及图像处理的技术领域，尤其是指一种平衡的实例分割数据合成方法。

背景技术

目标检测和实例分割是深度学习中的重要研究方向，对图像中的对象进行检测和识别。具体来说，目标检测是将图像中的对象用矩形框将其框起来，实例分割则更进一步，实现像素级别的对象分离。不管是目标检测还是实例分割，数据集都是训练网络所需的必要部分，但在实际应用中，数据集总是非常有限，不仅在数量上有限，在质量上也会存在不均衡的问题：尺度不均衡、类别不均衡、分布不均衡。

主流的解决数据集不足的方法是数据增强，目前对于数据增强的研究与实现，主要有颜色变换、几何变换，发展到现在，已经没有更多显著的创新，陷入了一定停滞，而数据合成是数据增强中的一种新兴方法，提出了更多可行的解决方案。

综合以上论述，发明一种平衡的实例分割数据合成方法具有较高的实际应用价值。

发明内容

本发明的目的在于克服现有技术的缺点，提出了一种平衡的实例分割数据合成方法，主要利用原始数据集的图像和标注，构建对象实例库，通过图像处理技术将原始数据集和对象实例库进行合成，合成新的图像和生成新的标注，从而到达数据增强的效果，缓解数据集的不足。

为实现上述目的，本发明所提供的技术方案为：一种平衡的实例分割数据合成方法，包括以下步骤：

1)使用原始数据集的图像和标签构建对象实例库；

2)读取原始数据集中的一个图像和标签，根据标签对这个图像生成前景背景掩模图，根据这个图像的尺寸均匀生成10×10个候选点；

3)设定一个粘贴尺寸列表，根据设定的粘贴尺寸列表，将步骤2)的10×10个候选点为中心的区域与前景背景掩模图进行计算，选取不和前景重叠的区域加入粘贴区域；

4)通过类别平衡从步骤1)中的对象实例库中选取对象，进行缩放后粘贴对象到步骤3)的粘贴区域，并更新标签。

进一步，在步骤1)中，使用原始数据集的图像和标签构建对象实例库，通过解析标签，得到图像中每一个对象对应的掩模，通过这个掩模将对象从原图中分离出来，并将对象按所属类别进行分类。

进一步，在步骤2)中，读取原始数据集中的一个图像和标签，根据标签对这个图像生成前景背景掩模图，根据这个图像的尺寸均匀生成10×10个候选点，包括以下步骤：

2.1)生成前景背景掩模图

获取原图像和对应标签，生成一个原图像长宽尺寸的单通道图像，令每个像素值置为0，即为前景背景掩模图，获取标签中对象的掩模，将前景背景掩模图对应位置的像素值置为1，最终像素值为1的区域为前景，像素值为0的区域为背景；

2.2)生成10×10个候选点

获取原图像的长宽值，将长宽分别均匀地分成11段，也就取到10个等分点，把长宽分别10个等分点进行组合，最终得到10×10个候选点。

进一步，在步骤3)中，设定一个粘贴尺寸列表，根据设定的粘贴尺寸列表，从步骤2)的10×10个候选点为中心的区域选取满足要求的区域加入粘贴区域，包括以下步骤：