[发明专利]对基于深度学习SAR图像目标旋转框检测的数据增强方法

说明书

对基于深度学习SAR图像目标旋转框检测的数据增强方法，首先对单张图像中的每一个目标进行任意角度随机旋转或进行随机翻转，获得数据增强后的单张图像，之后对数据集中的所有图像都执行上述操作，即可获得经过数据增强操作后的数据集，利用数据增强后的数据集对神经网络进行训练，之后利用训练好的神经网络对SAR图像中的目标进行检测，输出最终的检测结果。本发明在样本有限的条件下为同一场景下的样本图像扩充样本的数量，从而让神经网络学习到更多的关于目标的特征，最终提升检测的精确度。

技术领域

本发明属于卫星遥感信息智能处理领域，特别是涉及SAR遥感数据处理，具体涉及对基于深度学习SAR图像目标进行旋转框检测的数据增强方法。

背景技术

目前，当训练一个深度学习模型的时候，神经网络的工作就是通过学习输入数据的特征，之后不断调整网络的参数，不断对网络参数进行优化，从而追求模型损失较低的最佳点。主流的神经网络经过成千上万的图像数据训练后才能获得较好的输出结果，但是当所拥有的数据量有限或者图像数据集过小的时候，直接使用这些有限的数据对网络进行训练的效果往往会造成网络过拟合，或者网络由于无法通过有限的数据学习到充足的特征，这些都会导致网络对于测试数据的输出无法达到理想的效果。

在没有很多原始训练数据的情况下，数据增强就是可以在一定程度上有效解决数据量不足的解决方案，对于计算机的深度学习模型来说，同一张图像经过一些变动后对于计算机而言就是一张新图像，是可以对其中的特征继续进行学习的，数据增强的本质是通过引入先验知识来增加数据，从而提高模型的泛化能力。

专利“基于数据驱动的异源多目标智能检测方法及系统”(CN202110000652.5)，就涉及到了数据增强方法，但是其数据增强方法仅包括了常规的对图像尺度和色彩的变换，如旋转、缩放、平移、对比度调整，这些方法都是对一幅图像在整体层面进行相应变换，图像中的目标并没有在形态方面进行相应变化，图像中的目标分布也没有变化，神经网络在上述数据增强过程中学习的较多的是关于图像整体的相关特征，对目标个体学习到的特征很有限。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提出对基于深度学习SAR图像目标旋转框检测的数据增强方法，充分对SAR图像中的目标在形态分布上进行扩充，丰富神经网络对目标个体学习的特征，为后续进行高精度SAR图像目标检测奠定基础。

本发明解决技术的方案是：

第一方面，本发明提供对基于深度学习SAR图像目标旋转框检测的数据增强方法，该方法的步骤包括：

S1：在原始图像中，获取目标标定框中心点坐标(x,y)及标定框的长度h和宽度w；

S2：将标定框的外接圆范围内的图像取出，记为Cut_circle；

S3：将Cut_circle以圆心为旋转中心，随机旋转任意角度得到图像Cut_{circle_r}；

S4：将Cut_{circle_r}的圆心和(x,y)对齐，将Cut_{circle_r}放置到原标定框的外接圆范围内，得到针对当前目标的增强后的图像；

S5：针对单张原始图像中的每一个目标，重复S1—S4，获得针对每一个目标的数据增强图像；

S6：对原始数据集中的所有图像均执行S5，获得经过数据增强操作后的新数据集；

S7：利用数据增强操作后的数据集对基于深度学习的目标检测模型进行训练，利用训练好的模型对SAR图像中的目标进行检测。

优选的，所述步骤S2中，通过h,w计算标定框所对应的外接圆的半径，结合(x,y)获得外接圆的圆心，进而获得外接圆范围。