[發明專利]基于卷積神經網絡的圖像分割質量評價方法

有效

• 申請號: 201710302338.6
• 申請日: 2017-05-02
• 公開（公告）號: CN107123123B
• 公開（公告）日: 2019-06-25
• 發明（設計）人: 孟凡滿;施雯;李宏亮;吳慶波;許林峰
• 申請（專利權）人: 電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 成都弘毅天承知識產權代理有限公司 51230
• 代理人: 李龍

本發明公開了一種新的基于卷積神經網絡的圖像分割結果評價方法。分割結果評價具有十分重要的作用，有助于分割方法性能的提升以及分割結果的修復。分割結果評價通常被看作回歸問題，而卷積神經網絡在回歸問題上具有非常好的性能，我們采用卷積神經網絡來實現分割評價方法。然而，現有的分割評價方法缺乏一個全面有效的分割結果數據庫，并且，適合于分割評價的卷積神經網絡還有待研究。基于此，本發明充分挖掘了分割目標前景和背景的特征信息，設計了一種全新的分割質量評價卷積神經網絡，通過驗證，我們的方法表現出了優異的性能。此外，針對數據庫的不足，我們構建了一個新的分割數據庫，該數據庫具有涵蓋多種類型的分割結果及其客觀評價指標。

技術領域

本發明屬于圖像處理領域，提出了一種基于卷積神經網絡的圖像分割質量評價方法，構建了一個新的針對分割評價問題的深度卷積神經網絡。

背景技術

圖像分割是圖像處理中一項關鍵技術，也是計算機視覺領域中至關重要的一部分。圖像分割技術在醫學影像分析、交通圖像分析、遙感氣象服務、軍事工程等領域有著廣泛的應用。圖像分割技術是將圖像分成若干個具有特殊性質的區域，并將其中人們感興趣的部分提取出來，這是圖像分析的第一步。在得到分割結果之后，我們需要對圖像分割結果的進行評定，圖像分割結果的質量如何直接決定了接下來任務的完成情況，如特征提取、目標識別的好壞。

隨著圖像分割在計算機視覺等眾多領域中的廣泛應用以及圖像分割技術的長足發展，作為圖像分割過程中的重要部分，分割質量評價方法也顯得越來越重要。分割質量評價的主要過程是對于給定的圖像分割結果，通過分割質量評價方法進行計算，給出一個評價分數，分數越高代表分割質量越好，反之則分割質量越差。分割質量評價方法可以直觀地給出分割結果的分數，對后續改善圖像分割結果、提高圖像分割方法性能以及對圖像分割結果進行修復都有很重要的意義。

以往的圖像分割質量評價方法往往都是通過提取分割結果的手工特征，并對這些特征進行進一步計算得到評價結果。常用的方法有：提取基于邊緣的特征、提取基于區域的特征以及同時提取這兩種特征并將其進行融合計算。然而，這種方法具有一個嚴重的缺點：手工特征無法有效地描繪分割結果的多樣性。圖像分割結果多種多樣，有的是對象邊緣缺失，有的是對象內部缺失，有的是添加了多余的背景，有的是添加了多余的前景，還有的是前四種的任意結合，在這種復雜的情況下，傳統的基于手工特征的分割結果質量評價方法不足以描述這些復雜的情況，所以無法很好的完成這樣復雜的分割評價任務。

卷積神經網絡近年來在很多領域都取得了非常好的效果，比如對象檢測、目標分類、語音識別、目標跟蹤以及圖像分割等等。因為卷積神經網絡包含數以百萬計的參數，可以自動地學習多種層次以及多種結構的圖像特征。與傳統方法相比，卷積神經網絡抽象地學習特征的能力對對象大小、位置以及方向的變化等具有非常強的魯棒性。卷積神經網絡可以讓機器很好地學習輸入數據以及輸出數據之間的關系，并通過不斷地迭代自動選擇特征，免去了人工選擇特征的過程。因為這些優點，卷積神經網絡得到越來越多的重視。

目前，針對分割質量評價特性而設計的卷積神經網絡還有待進一步研究，現有的基于卷積神經網絡的分割質量評價方法并不能很好的利用分割圖像以及其對應原始圖像之間的特征關系。除此以外，適用于深度學習的分割結果數據庫尚缺乏。現有的分割結果數據庫由于依賴人工評判，因而數據量小，不具有廣泛適用性。

本發明提出了一個新型基于卷積神經網絡的分割質量評價技術，充分地利用了分割圖像以及其對應原始圖像之間的對應特征關系，構建了一個針對分割評價問題的雙網絡結構，并且構建了一個新的適用于卷積神經網絡訓練的分割結果數據庫。我們在自建分割結果數據庫和公共數據集上進行了訓練和測試，測試結果表明本發明構建的卷積神經網絡對于分割結果質量評價具有非常好效果同時具有良好的普適性。

發明內容

本發明的目的在于解決以下技術問題：