一种结合超像素和多尺度分层特征识别的图像分割方法

技术特征：
1.一种结合超像素和多尺度分层特征识别的图像分割方法，其特征在于，包括：将待分割图像输入预先构建的多尺度高斯金字塔中进行提取多尺度分层特征识别，得到多个多尺度图像；将多个多尺度图像输入到预先训练的多尺度卷积神经网络中，生成特征图，并对特征图进行采样，并将相同尺度的图像组合一起，生成多尺度分层特征矩阵；将多尺度分层特征矩阵通过多层感知器对待分割图像实现图像像素类别分布；采用结合lbp纹理特征改进的超像素对图像像素类别分布好的待分割图像进行分割，利用颜色均值对待分割图像合并，实现图像目标的识别与分割。2.根据权利要求1所述的结合超像素和多尺度分层特征识别的图像分割方法，其特征在于，所述多尺度高斯金字塔的构建方法包括：将原图像的第一组第一层，经过高斯卷积之后，作为第一组金字塔的第二层，图像上的像素位置(x，y)对应的二维高斯卷积函数为：其中σ是尺度空间因子(σ＝1.6)，σ值越大，图像越平滑；m，n为高斯矩阵的维数；m，n为二维图像的维数；图像的尺度空间l(x，y，σ)设为一个变化尺度的高斯函数g(x，y，σ)与原图像i(x，y)的卷积，则有：l(x，y，σ)＝g(x，y，σ)*i(x，y)；由此得到每一组第l层的图像，其中每组图像面积为上组图像的1/2，反复执行，得到一共o组，每组l层，共计o*l个的图像，构成了多尺度高斯金字塔sift。3.根据权利要求1所述的结合超像素和多尺度分层特征识别的图像分割方法，其特征在于，所述多尺度卷积神经网络包括：三个相同的cnn结构网络，所述cnn结构网络由三个阶段组成，第一阶段和第二阶段均由滤波器组、非线性激活函数tanh和池化操作构成，第三阶段由滤波器组成。4.根据权利要求3所述的结合超像素和多尺度分层特征识别的图像分割方法，其特征在于，所述第一阶段的滤波器组包含16个卷积核，其中8个与输入图像的y通道相连，8个与u和v通道相连，将原始图像转换成16维特征图；第二阶段的滤波器组与第一阶段的最大池化操作结果相连接，其中滤波器组包含64个卷积核，每个卷积核与任意的8张特征图相连，将上一阶段的16维特征图转换为64维特征图，所述第三阶段的滤波器组与第二阶段的最大池化操作结果相连接，其中滤波器组包含256个卷积核，每个卷积核与任意的32张特征图相连，将上一阶段的64维特征图转换为256维特征图。5.根据权利要求4所述的结合超像素和多尺度分层特征识别的图像分割方法，其特征在于，所述滤波器组的卷积核大小均为7
×
7，池化操作采用的是2
×
2最大池化方法。6.根据权利要求3所述的结合超像素和多尺度分层特征识别的图像分割方法，其特征在于，所述多尺度卷积神经网络设为f
n
，其内部参数为θ
n
，则多尺度卷积神经网络由每一个相应尺度图像的卷积神经网络模型组成，所有模型内的参数都为θ
n
，即θ
n
＝θ0，n∈{1，2，...，n}，式中θ0是模型的初始参数，在尺度为n的卷积神经网络模型下，对于具有s个阶段
的多尺度卷积神经网络f
n
存在，f
n
(x
n
；θ
n
)＝w
s
h
s-1
；式中w
s
是第s个阶段的权值矩阵，h
s-1
为第s-1个阶段的输出，且有h0＝x
n
。7.根据权利要求6所述的结合超像素和多尺度分层特征识别的图像分割方法，其特征在于，所述多尺度分层特征矩阵公式为：f＝[f1，μ(f2)，...，μ(f
n
)]，其中μ是上采样函数。8.根据权利要求1所述的结合超像素和多尺度分层特征识别的图像分割方法，其特征在于，所述图像像素类别分布包括：在多尺度卷积神经网络模型中加入线性分类器对多尺度分层特征进行学习，从而对图像中的每个像素目标产生正确的分类预测；设为线性分类器对于像素i所属类别的标准化预测向量；为了计算损失函数，利用softmax函数计算像素i属于类别α的标准化预测概率分布化预测概率分布式中w是仅用于学习特征的临时权值矩阵，f
i
表示像素i所在位置对应的多尺度分层特征表达向量。9.根据权利要求1所述的结合超像素和多尺度分层特征识别的图像分割方法，其特征在于，所述超像素分割采用基于lbp纹理特征改进方法，该方法算法具体实现如下：初始化种子点，按照设定的超像素个数，在图像内均匀的分配种子点，设图片共有n个像素点，预分割为k个相同尺寸的超像素，每个超像素大小为n/k，相邻种子点的距离，即步长为则计算出种子点中心c
k
＝[l
k
，a
k
，b
k
，x
k
，y
k
]
t
；距离度量，在每个种子点周围的邻域内为每个像素点分配类标签，采用欧式距离度量的方法，搜索的范围为2s
×
2s，则计算出聚类中心的种子点与2s
×
2s范围内每个像素点之间的距离d为间的距离d为间的距离d为其中d
lab
是颜色距离，d
xy
是空间距离，m是调节空间距离的权重系数，s是种子点间的距离，可得，d值越小，则像素之间越相似；继续迭代优化，更新出种子点中心，直到误差收敛；增强连通性，将超像素按照“z”型走向分配给邻近的超像素。10.根据权利要求9所述的结合超像素和多尺度分层特征识别的图像分割方法，其特征在于，所述超像素分割方法包括：采用lbp算法，将其邻域内像素点的灰度值与阈值进行比较，从而得到二进制编码用来表述局部纹理特征，lbp值计算公式为：
其中i
c
是中心像素点灰度值，i
p
是邻域内像素点的灰度值，s是一个符号函数，将lbp纹理特征引入slic算法，在改进的slic算法在初始化种子点时，加入lbp值，即c
k
＝[l
k
，a
k
，b
k
，x
k
，lbp
k
]
t
在距离度量步骤加入纹理距离，即在距离度量步骤加入纹理距离，即其中n为调节纹理距离的权重系数；最后，将相邻颜色特征相似的区域进行合并，实现图像的分割。

技术总结
本发明公开了一种结合超像素和多尺度分层特征识别的图像分割方法，该方法建立在卷积神经网络模型上，以从图像的高斯金字塔中提取多尺度分层特征作为识别依据，再与多层感知器相连接实现图像中各像素的识别，解决现有技术中基于卷积神经网络结构的图像分割方法中需要将数据集归一化，并且不同的尺寸混合在一起难以训练的问题；并且该方法对图像进行超像素分割，结合LBP纹理特征改进的超像素方法对原图像进行分割，使得到的超像素块更贴合目标边缘，再利用颜色均值对原图像进行合并，最终实现图像中各目标的识别，从而解决在前期图像预处理过程中没有人为的对图像中的目标进行划分，导致对于图像处于交叠边缘位置的像素可能出现误判的问题。出现误判的问题。出现误判的问题。


技术研发人员：张登银 倪文晔 金小飞 杜群荐
受保护的技术使用者：南京邮电大学
技术研发日：2022.07.26
技术公布日：2022/10/11