[發明專利]改進的全卷積神經網絡的陶瓷材質件序列圖像分割方法

有效

• 申請號: 201710141353.7
• 申請日: 2017-03-09
• 公開（公告）號: CN106920243B
• 公開（公告）日: 2019-12-17
• 發明（設計）人: 溫佩芝;苗淵淵;邵其林;張文新;黃文明;鄧珍榮
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/194
• 代理公司: 45112 桂林市華杰專利商標事務所有限責任公司
• 代理人: 劉梅芳

本發明提出了一種改進的全卷積神經網絡的陶瓷材質件序列圖像分割方法，包括步驟：S10：對采集的原始圖像進行手工標注，將目標和背景用不同的類別區分，得到訓練標簽，采用索引模式來表示訓練樣本的標簽圖；S20：構建改進的基于全卷積神經網絡的網絡模型，進行訓練；S30：依據梯度下降算法計算損失函數和反向傳播計算損失函數，對網絡進行訓練學習，學習速率在驗證準確率停止增加時減小為原來的十分之一。全卷積神經網絡是基于卷積神經網絡的改進結構，在保持CNN良好的分類性能的基礎上，更好的保持了像素矩陣之間的空間位置關系，更有利于全局的特征提取，能全面學習物體的視覺特征，抗干擾性好，可自動將目標物體從背景中分割開，實現智能分割。

技術領域

本發明涉及計算機圖形處理技術領域，尤其涉及陶瓷材質三維重建中序列圖像分割方法，具體為改進的全卷積神經網絡的陶瓷材質序列圖像分割方法。

背景技術

近年來，隨著電商平臺以及數字博物館的興起，使得對三維重建的需求程度越來越高。通過三維重建技術，將現實存在的物體以三維立體的方式完全呈現于網絡平臺上。

在基于圖像序列的三維重建過程中，對序列圖像的分割是整個重建過程中至關重要的一步，分割的精度直接影響了最終三維模型的品質和紋理的準確性。然而在自然環境中進行多角度圖像系列采集時，由于圖像數量多、環境復雜、物體材質各異、顏色多變等因素導致采集到的圖像質量參差不齊。目前，對圖像的分割多采用傳統的分割方法借助一些工具進行，由于圖像復雜多變等因素，傳統的分割方法很難識別一些人工視覺特征，特別是處理視覺模糊邊緣，以及反光物體和透明材質的分割時，需要投入大量的時間和人力，而且分割精確度不高。

現有技術的不足:

1)對灰度圖像的取閾值分割就是先確定一個處于圖像灰度取值范圍之中的灰度閾值，然后將圖像中各個像素的灰度值與之相比較，灰度值大于閾值的像素為一類，灰度值小于閾值的像素為另一類。這兩類像素一般分屬圖像的兩類區域，從而達到分割的目的。對陶瓷工藝品來說，這種方法只考慮像素本身的灰度值，不考慮空間特征，因而對噪聲很敏感，因此達不到需求的分割效果。

2)圖像最基本的特征是邊緣,它是圖像局部特性不連續(或突變)的結果?；谶吔绲姆指罘椒ㄊ抢貌煌瑓^域間像素灰度不連續的特點檢測出區域間的邊緣，從而實現圖像分割。邊緣檢測是所有基于邊界分割方法的第一步?；谶吘壍姆指罘椒ㄆ潆y點就在于邊緣檢測時抗噪性和檢測精度之間的矛盾。對于外表光滑拍攝時帶有反光邊緣的物體來說，提高檢測精度，則噪聲產生的偽邊緣會導致不合理的輪廓；若提高抗噪性，則會產生輪廓漏檢和位置偏差。

3)區域分割的實質就是把具有某種相似性質的像索連通，從而構成最終的分割區域。它利用了圖像的局部空間信息，可有效地克服其他方法存在的圖像分割空間小連續的缺點。在此類方法中，如果從全圖出發，按區域屬性特征一致的準則決定每個像元的區域歸屬，形成區域圖常稱之為區域生長的分割方法。如果從像元出發，按區域屬性特征一致的準則，將屬性接近的連通像元聚集為區域，則是區域增長的分割方法。若綜合利用上述兩種方法，就是分裂合并的方法。基于區域的分割方法往往會造成圖像的過度分割，而單純的基于邊緣檢測方法有時不能提供較好的區域結構。

深度學習作為機器學習發展的一個分支，其動機在于建立模擬人腦進行分析學習的神經網絡，通過組合底層也正形成更加抽象的高層特征，模仿人腦的機制來解釋數據，尤其在圖像方面表現優異。而其中的卷積神經網絡(Convolutional neural network,CNN)是人工神經網絡的一種，由于它的權值共享結構和生物神經網絡更類似，可以減少權值的數量，從而降低網絡模型的復雜度，現已成為深度學習中的一個研究熱點。目前CNN已經成功應用到視頻中的人體工作識別信號重構，人臉等目標檢測識別，圖像分類，分割等各個領域。

發明內容