[發明專利]一種基于形狀描述符和孿生神經網絡的紋理分割算法

有效

• 申請號: 201910949663.0
• 申請日: 2019-10-08
• 公開（公告）號: CN110796666B
• 公開（公告）日: 2023-03-31
• 發明（設計）人: 李衛平;武海燕
• 申請（專利權）人: 鐵道警察學院
• 主分類號: G06T7/11
• 分類號: G06T7/11
• 代理公司: 西安研創天下知識產權代理事務所(普通合伙) 61239
• 代理人: 郭璐

1.一種基于形狀描述符和孿生神經網絡的紋理分割算法，其特征在于，包括以下步驟：

S1：設定圖像由N_r個區域組成，每個區域中具有固定的形狀描述符；所述形狀描述符被定義為泊松偏微分方程的解；

所述泊松偏微分方程為其中，Ω為圖像的域，設定為感興趣的區域，對于j＝1,...,N_c，/為圖像的通道，▽是梯度，Δ是拉普拉斯算子，/是R的邊界，N是/向外法線的單位，α_i∈R⁺是尺度，i＝1,...,N_s，所述N_c為通道數量，N_s是尺度的數量；

所述泊松偏微分方程的解由最小化能量公式E＝∫_R(J_j(x)-u_ij(x))²dx+α_i∫_R▽u_ij(x)²dx計算求得，設定/為所有尺度和通道的向量所述u_ij是圖像的平滑通道；

S2：將每個形狀描述符與孿生神經網絡進行結合；

S3：選定感興趣的區域，根據紋理分割算法求出最優解；

其中，步驟S2的具體操作步驟為：

S21：選用兩個不同的形狀描述符u(x)和v(y)；

S22：設函數f是以特定像素處u(x)∈Rⁿ作為輸入參數，然后返回具有m個分量的描述符，即f:Rⁿ→R^m，所述n＝N_s×N_c；

S23：將u(x)和v(y)分別輸入到f，然后輸出兩個帶有m個分量的形狀描述符，計算形狀描述符差異的加權L²范數；在孿生網絡中，對于像素x和y的形狀描述符u(x)和v(y)，其度量標準定義為其中，ω_i是權重，ω_i≥0,i＝1,...,m，f(u(x))_i是f(u(x))的第i個分量；

S24：將所述形狀描述符差異的加權L²范數利用Sigmoid函數求出結果值，其值為1時表示描述符來自不同的分割區域，為0時表示描述符來自相同的區域；

步驟S3的具體操作為：選定感興趣的區域，將該區域內的紋理分割設計為一個優化問題，即當區域被選定后，其分割是最優解，這樣學習到的形狀描述符在該區域內幾乎是恒定的；將步驟S1和S2描述的形狀描述符和孿生神經網絡應用于紋理分割算法中，Sigmoid函數結果為1時，表示相比較的2個像素來自不同的區域；其結果為0，表示相比較的2個像素來自相同的區域，依次類推，逐漸將相同區域的像素進行融合處理，最終可得到分割后的紋理圖像；

設uⁱ(x)∈Rⁿ為區域R_i中的基本形狀描述符，aⁱ∈R^m為表示區域的形狀描述符，區域R_i分割的能量為以最小化aⁱ的方式進行求解，可得/其中R_i表示R_i的面積，即該區域內描述符的平均值；

采用梯度下降法對區域R_i分割的能量進行優化，計算最小化能量，第i項R_i的邊界的梯度為其中，k_i是/的有符號曲率，N_i是/的向內法線，tr是跡線，D是導數，A是對角元素大小為n的對角矩陣/J是大小為n的向量/滿足偏微分方程

所述最小化能量的具體操作包括：

1)初始化φ_i；

2)設置區域：R_i＝{x∈Ω:i＝argmax_jφ_j(x)}；

3)計算R_i的擴張D(R_i)；

4)在D(R_i)中計算uⁱ，計算

5)計算B_i＝D(R_i)∩D(Ω\R_i)；

6)對于x∈B_i，計算由神經網絡對f進行評估；

7)更新像素x∈D(R_i)∩D(R_j)如下

8)將所有其他像素更新為

9)在0和1之間進行裁剪：φ_i＝max{0,min{1,φ_i}}；

10)重復第2)步，直到區域融合。