多尺度增强UNet被动式太赫兹图像固定背景扣除方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113838083A(43)申请公布日2021.12.24(21)申请号202011117258.1G06K9/32(2006.01)(22)申请日2020.10.19G06K9/34(2006.01)G06N3/04(2006.01)(71)申请人南京航空航天大学G06N3/08(2006.01)地址210016江苏省南京市御道街29号申请人海华电子企业（中国）有限公司(72)发明人徐帆商智高吴启晖陈朝晖宋明黄旭阳(74)专利代理机构南京经纬专利商标代理有限公司32200代理人阚梦诗(51)Int.Cl.G06T7/194(2017.01)G06T5/50(2006.01)G06T5/00(2006.01)G06T3/40(2006.01)权利要求书2页说明书7页附图5页(54)发明名称多尺度增强UNet被动式太赫兹图像固定背景扣除方法(57)摘要本发明公开了一种多尺度增强UNet被动式太赫兹图像固定背景扣除方法，其技术要点是：采集被动式太赫兹图像数据，并进行去噪处理，包括多尺度双边滤波；对去噪后的被动式太赫兹图像数据进行背景带标记并构建数据增强训练集；设计用于数据分割的UNet卷积神经网络模型，包括编码层和解码层；使用所述数据增强训练集的图像数据对所述UNet卷积神经网络模型进行训练，生成已训练UNet卷积神经网络模型；使用所述已训练UNet卷积神经网络模型对被动式太赫兹图像进行语义分割。通过UNet进行语义分割，可高效提升被动式太赫兹图像的对比度与清晰度，有效去除背景带划分感兴趣区域，更好地应用到后续的太赫兹图像目标识别。CN113838083ACN113838083A权利要求书1/2页1.一种多尺度增强UNet被动式太赫兹图像固定背景扣除方法，其特征在于，包括以下步骤：S1:采集被动式太赫兹图像数据，对被动式太赫兹图像数据进行去噪处理，所述去噪处理包括多尺度双边滤波；S2:使用去噪后的所述被动式太赫兹图像数据，并进行背景带标记，构建数据增强训练集；S3：设计用于图像语义分割的UNet卷积神经网络模型，所述UNet卷积神经网络模型包括编码层和解码层；S4：使用所述数据增强训练集的图像数据对所述UNet卷积神经网络模型进行训练，生成已训练UNet卷积神经网络模型；S5：使用所述已训练UNet卷积神经网络模型对去噪后待测的被动式太赫兹图像数据进行语义分割、去除固定背景带。2.根据权利要求1所述的多尺度增强UNet被动式太赫兹图像固定背景扣除方法，其特征在于：S1中，所述多尺度双边滤波包括：对被动式太赫兹图像数据I进行双边滤波，输出经双边滤波的被动式太赫兹图像I′＝I·weight，其中weight为权重阵列，表示为其中Gs＝exp2222(‑Δd/(2·σs))，Gr＝exp(‑ΔI/(2·σr))，Δd为图像I的每个像素点与中心像素点[ic,jc]的欧式距离，即ΔI是每个像素与中心像素的强度差，即ΔI＝|I(ic,jc)‑I(i,j)|，σs和σr分别是空间域和值域的滤波平滑参数；选取σs和σr的不同组合Φ＝{[σs,1,σr,1],[σs,2,σr,2],…,[σs,m,σr,m]}，分别进行尺度为1,2,…,m的多尺度去噪，获得多尺度去噪集Itotal＝{I2，1,I2,2,…,I2,m}。3.根据权利要求2所述的多尺度增强UNet被动式太赫兹图像固定背景扣除方法，其特征在于，所述S2具体包括，对所述多尺度去噪样本Itotal的图像数据进行背景带标记，生成标签数据label，将标签数据label和多尺度去噪样本label一一对应，生成{Itotal,label}作为学习网络模型的数据增强训练集。4.根据权利要求3所述的多尺度增强UNet被动式太赫兹图像固定背景扣除方法，其特征在于：所述S3具体包括，所述编码层和解码层分别设为5层；每层编码层包括卷积操作层和池化层，所述卷积操作层包括卷积核大小3×3的卷积层和激活函数，所述激活函数采用ReLU函数，重复n次，所述池化层使用的是最大池化函数；每层解码层包括卷积操作层和上采样层，解码层中卷积操作层将图像数据的通道数变为该层卷积核个数，解码层中上采样层将图像数据的大小加倍，将解码层的结果与编码层保存的图像大小相同的特征图拼接融合，之后再进行3×3的卷积，重复n次，最后一层的卷积核大小为1×1。其中4层解码层输出的结果分别与4层编码层保存的特征图进行拼接融合。5.根据权利要求4所述的多尺度增强UNet被动式太赫兹图像固定背景扣除方法，其特征在于：所述S4包括，保存已训练UNet卷积神经网络模型与参数权重；2CN113838083A权利要求书2/2页训练交叉熵损失函数其中x为当前像素，Ω为所有类别标签，a