[發明專利]一種基于在線學習的漸進式圖像分割方法

有效

• 申請號: 201510015226.3
• 申請日: 2015-01-12
• 公開（公告）號: CN104537676B
• 公開（公告）日: 2017-03-22
• 發明（設計）人: 孫正興;胡佳高;王春苗;胡安琦
• 申請（專利權）人: 南京大學
• 主分類號: G06T7/11
• 分類號: G06T7/11
• 代理公司: 江蘇圣典律師事務所32237
• 代理人: 胡建華

1.一種基于在線學習的漸進式圖像分割方法，其特征在于，包括以下步驟：

步驟一：多層次圖像分析：在多個層次上對輸入圖像進行分析，包括多層次圖像表示和特征提取；

步驟二，圖像分割：基于用戶標注，訓練或更新分割模型，通過迭代循環，漸進地實現對圖像的對象級分割。

2.根據權利要求1所述的一種基于在線學習的漸進式圖像分割方法，其特征在于，步驟一中所述多層次圖像分析包括以下步驟：

步驟11，多層次圖像表示：獲取輸入圖像細粒度的超像素層次表示和粗粒度的過分割層次表示，結合原圖的像素層次表示，組成輸入圖像的三層表示；

步驟12，特征提取：提取圖像的像素級的特征，包括：Texton紋理基元、像素位置以及顏色信息，組合成像素級特征向量；在超像素層次上，計算每個超像素內所有像素的特征向量均值，作為超像素的特征向量。

3.根據權利要求2所述的一種基于在線學習的漸進式圖像分割方法，其特征在于，步驟二中所述圖像分割包括以下步驟：

步驟21，分割預測：若分割模型已初始化，則在超像素層次進行分割預測，得到每個超像素樣本屬于每一個對象類別的置信度{f(x_i,k)|1≤i≤N,1≤k≤K}，其中，x_i表示第i個超像素樣本，N表示超像素總數，K表示對象類別總數，f(x_i,k)表示超像素x_i屬于第k個對象類別的置信度；若分割模型沒有初始化，則將所有超像素屬于每一類的置信度均設置為1；利用置信度，計算超像素分類概率；

步驟22，分割優化：根據步驟21中的超像素分類概率，計算每個像素的分類概率，并將每個像素的分類概率設置為能量函數的數據項；使用圖割優化算法最小化能量函數，實現分割優化，得到分割結果，即每個像素的對象類別標簽L＝{l₁,l₂,...,l_V}，V表示圖像中的像素總數，l_j∈[1,K]表示第j個像素的對象類別標簽，j取值1～V；分割優化后，由用戶交互判斷分割結果是否準確，如果準確，則完成對此輸入圖像的分割，輸出分割結果；否則，轉步驟23；

步驟23，用戶標注及超像素樣本擴充：用戶在輸入圖像上進行標注，修改分割錯誤的超像素樣本的對象類別標簽，基于過分割層次表示，擴充用戶標記的對象類別標簽，即將用戶標注所在過分割區域內所有未標注的超像素樣本的對象類別標簽設置為用戶標記的標簽；

步驟24，訓練或更新在線分割模型：將步驟23中得到的帶標簽的超像素作為訓練樣本，若分割模型沒有初始化，則訓練得到初始的在線分割模型；若分割模型已初始化，則利用訓練樣本對其進行更新；完成后轉步驟21。

4.根據權利要求3所述的一種基于在線學習的漸進式圖像分割方法，其特征在于，步驟二中的分割模型為基于在線學習判別的分割模型。

5.根據權利要求4所述的一種基于在線學習的漸進式圖像分割方法，其特征在于，步驟21中利用置信度，計算超像素分類概率公式如下：

SP(xi,t)=f(xi,t)/Σk=1Kf(xi,k),]]>

其中，SP(x_i,t)表示超像素x_i分割為第t個對象類別的概率，1≤t≤K，即，將超像素樣本屬于一類的置信度與所有置信度之和的比值作為屬于該對象類別的概率。