[發明專利]基于貝葉斯深度學習的超參數圖像分割方法

有效

• 申請號: 202010501892.9
• 申請日: 2020-06-04
• 公開（公告）號: CN111652317B
• 公開（公告）日: 2023-08-25
• 發明（設計）人: 齊仁龍;張慶輝;楊緒華;朱小會;李大海
• 申請（專利權）人: 鄭州科技學院
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06V10/44;G06V10/772;G06V10/776;G06N3/047;G06N3/0985
• 代理公司: 鄭州盈派知識產權代理事務所(普通合伙) 41196
• 代理人: 張曉輝;樊羿

1.一種基于貝葉斯深度學習的超參數圖像分割方法，其特征在于，包括：

步驟1：數據預處理，將圖像中的數據元素正則化處理，生成圖像分割類數據集；

步驟2：對圖像利用高斯掩碼提取目標邊緣特征；

步驟3：利用貝葉斯估計，通過所述目標邊緣特征提取圖像的邊界框和目標掩膜；

步驟4：將邊界框及目標掩膜放入特征字典中進行對比，即可獲得圖像中各目標的類別；

在步驟2中，提取目標邊緣特征的具體步驟為：

第一步：設圖像像素f(x,y)邊緣概率滿足高斯分布，則其二維高斯函數為：

第二步：對上述圖像的x,y方向求梯度函數：

第三步：對圖像數據集進行卷積：

第四步：計算圖像目標邊緣概率密度分布，即目標邊緣特征：

在步驟3獲取目標的類別標簽前，需要計算目標出現的先驗概率：

其中，C_i為C類目標集(C₁、C₂、C₃...C_n)中的任一元素，N_i代表目標出現的次數，N代表目標集的總量，

在步驟3獲取目標的類別標簽過程中，計算目標出現的條件概率：

其中，x_a代表目標點橫坐標，y_a代表目標點縱坐標坐標，P(x_a)、P(y_a)代表目標邊緣特征概率，

在步驟3中，提取圖像的邊界框和目標掩膜的具體步驟為：

(1)通過學習提取到的目標邊界特征，得到圖像的目標區域以及區域中每個像素的分類權重；

(2)得到圖像的目標區域以后，將每個目標區域的內部和外部特征圖組合成兩張完整的特征圖，然后同步進行圖像分割和圖像分類兩個分支數據集D1，D2；

(3)在圖像分割中，使用貝葉斯分類器對所述目標區域的內部和外部特征圖進行分類，以區分圖像中的前景和背景并生成掩膜；

(4)在圖像分類中，在兩類特征圖中按像素概率分布取最大值，得到一張新的特征圖，再使用最大似然估計分類器得到目標區內物體的類別；

在步驟4中，所述特征字典的構建方法如下：

(1)建立圖像的訓練集和測試集；

(2)對所述訓練集中的每個圖像進行上述步驟1-3中的操作，獲取其邊界框和目標掩膜；

(3)匯集(2)中所述的邊界框和目標掩膜，即可得到由其組成的特征字典；

(4)將測試集輸入(3)中所述的特征字典，查看得到的特征字典的準確率，如果準確率不符合要求，則調整模型的參數重新訓練，直至特征字典的準確率達到要求。

2.根據權利要求1所述的基于貝葉斯深度學習的超參數圖像分割方法，其特征在于，在步驟1中，圖像分割類數據集包含N個目標分割類屬性和每個目標類的M個數據屬性，當N個類屬性概率與M個數據屬性概率最大時，采用貝葉斯分類匹配器，選中目標并對圖像進行分割。

3.根據權利要求1所述的基于貝葉斯深度學習的超參數圖像分割方法，其特征在于，在步驟4中，將邊界框及目標掩膜和所述特征字典進行對比的方法為：首先用L2正則算子計算邊界框和目標掩膜各自和所述特征字典的相似度權重，然后所述相似度高斯過程，提取目標邊緣特征數據集，經過貝葉斯分類匹配，即可得到語義分割結果。

4.根據權利要求3所述的基于貝葉斯深度學習的超參數圖像分割方法，其特征在于，在語義分割結果輸出之前，先計算邊高斯超參數函數，然后根據分值大小，計算目標匹配度，超參數集越優，得到語義分割的精準度分值就越高。