網絡上的數據集和驗證集每一類都有超過１０００的數據量，但是由于手工截圖的效率較低，以及房屋矢量影像不夠精確，本次學習和驗證的最終數據量太小，容易造成訓練時的過擬合。過擬合是指為了得到一致假設而使假設變得過度嚴格，也就是說當前學習后的模型，只適用于當前的數據，換一套建筑物遙感影像就無法識別。因此為了解決過擬合，從數據的角度需要對當前數據進行增強。常用的數據增強方法有：對顏色的數據增強、尺度變換、水平／垂直翻轉、旋轉／仿射變換以及類別不平衡數據的增廣等。
本次實驗主要對于單幅影像截取的數據集進行使用了顏色增強、旋轉、翻轉。
開始階段主要針對基于phyon進行圖像增強技術，發現對于phyon使用過程中缺少opencv庫，無法進行相關圖像處理，在安裝pip，numpy等后，仍無法進行圖像處理的設置。轉換技術主要通過matlab進行圖像處理。
1.圖像讀取
imread是讀取圖像的函數。pout.tif是matlab內置的圖像，不管在什么程序內都可以直接讀取。
> I = imread(‘F:\deep_learn\data\test_tiff\build05.png’);% 讀取彩色圖
> figure(1); imshow(I) title(‘build05’); %I=rgb2gray(RGB); %imshow(I);
> %title(‘原始灰度圖像’);
注：對于圖片格式具有要求，在個人測試發現.jpeg，.tiff格式的文件無法讀取。
2.圖像銳化處理
在圖像銳化增強中，我們希望找到一種各向同性的邊緣檢測算子，這個算子就是拉普拉斯算子，該算子及其對f(x,y)的作用是

由一維信號的銳化公式可得到二維數字圖像的銳化公式為

（1）
在數字圖像處理中， 和可用差分方程表示為
（2）
（3）
將式（2）和式（3）代入式（1），可得圖像的拉普拉斯銳化表示為

式中，α為銳化強度系數（一般取為正整數），α越大，銳化的程度就越強，對應于圖中的“過沖”就越大。
代碼：

> a=1; > model=[0 -2*a 0;-2*a 1+4*a -2*a;0 -2*a 0]; > [m,n]=size(I); > Ig=I; > for i=2:m-1 > for j=2:n-1 > Ig(i,j)=(1+4*a).*I(i,j)-a.*(I(i+1,j)+I(i-1,j)+I(i,j+1)+I(i,j-1)); > %Ig(i,j)=sum(sum(Ig)); > end > end > %Ig=Ig+I; > %subplot(132); > %imshow(uint8(Ig)); > %title('銳化后的圖像'); > > Ig2=double(I); %將f轉換歸一化的double類圖像，然后進行濾波 > w=fspecial('laplacian',0); > g1=imfilter(I,w,'replicate'); > g=I-g1; > %subplot(133); > imshow(g); > title('matlab自帶函數銳化');

3.圖像存儲

imwrite(g,'F:\\deep_learn\\data\\test_tiff\\build05_sharpen.jpg');

同樣，imwrite也有相對路徑和絕對路徑的存儲，以及連續的存儲方法。同imread
imwrite(I,’pout1.jpg’);
imwrite(I,’image\pout1.jpg’);
imwrite(I,’D:\Matlab\image\pout1.jpg’);
imwrite(I,[’image\’,num2str(i),’.jpg’])；%i是變量，需要定義
這里的.jpg可以改成.bmp等，想要的格式。
需要注明的是，存儲所選擇的文件夾，需要已經建立好。那么怎么去自動建立文件夾呢？
需要用mkdir函數。
mkdir(‘D:\image\1’)%絕對路徑的建立。
mkdir(‘image\1’);%絕對路徑文件夾的建立。創建之后，在Matlab文件夾內。
這樣就能夠節省很多的人力。當文件比較多的情況下，人工去建立的話，還容易出錯。

總結

以上是生活随笔為你收集整理的深度学习——图像锐化的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。