[發明專利]基于分水嶺算法和圖像類別標簽的弱監督語義分割方法

有效

• 申請號: 201811268396.2
• 申請日: 2018-10-29
• 公開（公告）號: CN109858487B
• 公開（公告）日: 2023-01-17
• 發明（設計）人: 張祥雷;宋康;周宏明;紀軍豪;徐玲杰
• 申請（專利權）人: 溫州大學
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/30;G06V10/764;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 溫州名創知識產權代理有限公司 33258
• 代理人: 陳加利

本發明提供一種基于分水嶺算法和圖像類別標簽的弱監督語義分割方法，首先構建弱監督卷積神經網絡，利用圖像的類別標簽對原始RGB圖像進行訓練后圖像二值化為二值圖像，獲得目標在二值圖像中的大致位置和形狀，再利用分水嶺算法預分割原始RGB圖像成掩膜，并通過掩膜對二值圖像中的目標的形狀和位置進一步細化；接著，構建全監督卷積神網絡，以弱監督卷積神經網絡細化的圖像為首次標簽進行訓練后，繼續以所得掩膜細化；然后，再以上次全監督卷積神網絡細化結果作為本次全監督卷積神網絡的標簽繼續相同的迭代，直至迭代運算完成，即實現對圖像的語義分割。實施本發明，極大程度降低標簽制作的復雜度，節省大量人工標注時間和精力。

技術領域

本發明涉及計算機圖像處理技術領域，尤其涉及一種基于分水嶺算法和圖像類別標簽的弱監督語義分割方法。

背景技術

近幾年來，深度卷積神經網絡在語義分割方面有了巨大進步。隨著各種基于深度卷積神經網絡的語義分割模型的提出，語義分割的精度也在不斷增加。雖然語義分割的模型不斷在更新和改進，但是對應的像素級標簽一直是語義分割發展道路上的巨大障礙。

然而，深度學習的訓練依靠大量的數據，在面對一個包含幾萬張甚至更多的圖像數據集來說，這個標注任務是極其困難的。因此，亟需一種極大程度降低標簽制作的復雜度，節省大量人工標注時間和精力的語義分割方法。

發明內容

本發明實施例所要解決的技術問題在于，提供一種基于分水嶺算法和圖像類別標簽的弱監督語義分割方法，不僅能實現像素級別的語義分割效果，還極大程度降低標簽制作的復雜度，節省大量人工標注時間和精力。

為了解決上述技術問題，本發明實施例提供了一種基于分水嶺算法和圖像類別標簽的弱監督語義分割方法，所述方法包括以下步驟：

步驟S1、構建一個基于圖像類別標簽的弱監督卷積神經網絡；

步驟S2、將原始RGB圖像導入所述弱監督卷積神經網絡中以圖像的類別作為標簽進行訓練后，采用圖像二值法處理成二值圖像，并還將原始RGB圖像平滑處理后，采用分水嶺算法預分割成掩膜圖像，且進一步以所述掩膜圖像為所述二值圖像的掩膜，對所述二值圖像進行融合處理，得到初始目標細化圖像；

步驟S3、構建一個以圖像為標簽的全監督卷積神經網絡；

步驟S4、設置迭代次數以及設置所得到的初始目標細化圖像為當前待再次分割細化圖像；

步驟S5、在所述全監督卷積神經網絡中以當前待再次分割細化圖像為標簽進行訓練，得到新二值圖像，并繼續以所述分水嶺算法預分割成的掩膜圖像為所述新二值圖像的掩膜，對所述新二值圖像進行融合處理，得到新目標細化圖像；

步驟S6、將所述迭代次數減一后對所述迭代次數進行更新，并判斷更新后的迭代次數是否大于0；

步驟S7、如果是，則所得到的新目標細化圖像更新為當前待再次分割圖像后，返回步驟S5；

步驟S8、如果否，則迭代運算結束，并將最后一次迭代得到的新目標細化圖像作為最終目標細化圖像輸出。

其中，在所述步驟S1中，所述弱監督卷積神經網絡的具體結構如下：

1.輸入層

2.＝1卷積層1_1(3x3x64)

3.＝2非線性響應Relu層

4.＝3卷積層1_2(3x3x64)

5.＝4非線性響應Relu層

6.＝5池化層(2x2/2)

7.＝6卷積層2_1(3x3x128)

8.＝7非線性響應Relu層