簡述一種基于高斯模糊的圖像樣本庫增強方法

鄭忠明

摘 要 利用高斯模糊和差分金字塔生成圖像的方法增強數(shù)據(jù)，同等數(shù)量原始樣本條件下，提升了識別效率。采用異構(gòu)計算支持FPGA板卡，對上述方法進行實現(xiàn)，進而形成了一套深度學習訓練樣本集生成系統(tǒng)。

關(guān)鍵詞 電力線巡檢;圖像識別;樣本增強

1背景

電力線巡檢應(yīng)用中，采用直升機或者依托無人機攜帶光學攝像設(shè)備進行巡視已經(jīng)得到普遍應(yīng)用。在巡線過程中，檢測內(nèi)容的尺度變化較大。例如，塔基完好程度是一個大尺度問題，而導線斷股等問題又是一個小尺度圖像的問題，如何在巡線中準確識別這些問題也是一個挑戰(zhàn)。另外，存在故障的節(jié)點畢竟是少數(shù)，很難得到大量圖片供深度學習訓練使用，采用數(shù)據(jù)增強豐富訓練集就成了一個必要的補充手段。所謂的數(shù)據(jù)增強（ Data Augmentation ）方法是指利用平移 、縮放、顏色等變躁，人工增大訓練集樣本的個數(shù)，從而獲得充足的訓練數(shù)據(jù)[1]，使模型訓練的效果更好。典型的數(shù)據(jù)增強方法有翻轉(zhuǎn)（Flip），旋轉(zhuǎn)（Rotat ），縮放（Scale），隨機裁剪或補零（Random Crop or Pad），色彩抖動（Color jittering），加噪聲（Noise）等等。

2技術(shù)方案

2.1 基本思路

基于高斯金字塔和拉普拉斯金字塔進行數(shù)據(jù)增強的方法流程如下：

2.2 實現(xiàn)方法

以一個1024×1024的圖像為例，構(gòu)建高斯金字塔。原則上，本方案設(shè)定128×128為最小輸入圖像。在電力巡線應(yīng)用中，過小的圖像沒有工程意義。

第一組的第一層為原圖像，然后將圖像做一次高斯模糊，高斯平滑里有一個參數(shù)δ，δ值為1.6 。然后將δ乘一個比例系數(shù)k（k=1.2）作為新的平滑因子來平滑第一組第二層得到第三層，重復若干次，得到L層（L為6）他們分別對應(yīng)的平滑參數(shù)為：0，δ，kδ，k2δ，k3δ， k4δ。

然后將最后一幅圖像做比例因子為2的降采樣得到第二組的第一層，然后對第二組的第一層做參數(shù)是δ的高斯平滑，對第二層做kδ的平滑得到第三層……這里一定注意：每組對應(yīng)的平滑因子δ是一樣的。這樣反復形成了4組L層的高斯金字塔。

高斯金字塔構(gòu)建成功后，將每一組相鄰的兩層相減就可以得到拉普拉斯金字塔。

3工程設(shè)計

在工程中，利用FPGA完整實現(xiàn)了上述基于高斯金字塔和拉普拉斯金字塔的數(shù)據(jù)增強算法。然后將FPGA與服務(wù)器集成，形成深度學習訓練集生成一體化設(shè)備。

通過使用PCI-E交換技術(shù)，主要計算放在各專用板卡上，數(shù)據(jù)在板卡間直接傳輸，減少對CPU的依賴。實現(xiàn)數(shù)據(jù)流的加速，而不是以CPU為核心的集中計算，減少通訊擁堵。

4結(jié)束語

在巡線過程中，檢測內(nèi)容的尺度變化較大。例如，塔基完好程度是一個大尺度問題，而導線斷股等問題又是一個小尺度圖像的問題，如何在巡線中準確識別這些問題也是一個挑戰(zhàn)。高斯金字塔和拉普拉斯金字塔本身具有尺度特性，又對各種仿射變換適應(yīng)能力強，可以明顯提升圖像興趣點識別的準確度。普適性的數(shù)據(jù)增強算法帶來的效果沒有本文方案的效果明顯。

參考文獻

[1] 周美麗，白宗文.基于Matlab的高斯模糊圖像去噪方法研究[J].電子設(shè)計工程，2014（19）：167-168.