[發明專利]一種基于色彩空間的圖像無監督分割優化方法

有效

• 申請號: 202011196798.3
• 申請日: 2020-10-31
• 公開（公告）號: CN112215849B
• 公開（公告）日: 2023-07-07
• 發明（設計）人: 王艷沛;程利芳
• 申請（專利權）人: 鄭州航空工業管理學院
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06T7/90;G06F16/51;G06N3/04;G06N3/096
• 代理公司: 鄭州芝麻知識產權代理事務所(普通合伙) 41173
• 代理人: 朱亞飛

1.一種基于色彩空間的圖像無監督分割優化方法，其特征在于，包括以下步驟：

S1.通過調色板定義顏色參考點，采集色彩空間序列，并利用最近鄰搜索生成標簽數據；

S2.將屬于每個所述顏色參考點的所述色彩空間序列劃分為同一類別，并初始化網絡參數以及訓練周期數；

S3.對于每一類別，動態調整樣本批次，劃分得到屬于同一類別的訓練樣本數據；

S4.將所述訓練樣本數據以及所述標簽數據輸入第一神經網絡中訓練，得到顏色索引概率，并將所述顏色索引概率進行轉換處理，得到訓練索引；

S5.根據所述訓練索引以及當前的網絡參數，獲取新的網絡參數，具體包括：

S51.根據所述標簽數據以及所述訓練索引，獲取所述訓練樣本數據的準確率；

S52.統計設定周期內，每個周期當前所述訓練樣本數據的準確率，并計算所述設定周期內的準確率平均增量；

S53.將所述準確率平均增量與預設的增量閾值對比，若所述準確率平均增量小于所述增量閾值，則根據第一模型獲取新的網絡參數；

S6.將所述新網絡參數用于下一批次的所述訓練樣本數據的訓練，并重復所述S4、S5步驟，直至所有類別訓練結束；

S7.將所有所述網絡參數輸入第二神經網絡訓練，輸出對應的預測評價指標，將所述預測評價指標輸入第二模型，以獲取最優網絡參數；

所述第一模型為：

O＝S+round(Z)+b

式中，O表示新的網絡參數，S表示當前的網絡參數，round表示取整函數，Z表示所述準確率平均增量，b為常數項；

在所述步驟S5中，選取第二模型輸出的最大的參數評價值，將其對應的所述網絡參數作為最優網絡參數；

所述網絡參數為所述第一神經網絡的隱藏層神經元數量序列；

所述第二模型為：

式中，V為參數評價值，θ、μ表示調整因子，Pacc表示預測評價指標，E表示計算量；

對于一張RGB樣本圖像，先進行所述樣本圖像的色彩增強；然后，對處理后的所述樣本圖像進行重塑Reshape操作；接著，通過網絡返回顏色索引概率，再經過Argmax轉換操作得到具體的索引；最終，通過重塑Reshape及渲染操作將其轉為與樣本圖像大小相等的RGB分割圖像。

2.如權利要求1所述的一種基于色彩空間的圖像無監督分割優化方法，其特征在于：在所述步驟S3中，若當前的所述訓練樣本數據是第一個輸入的訓練樣本，則初始化其樣本批次；若否，則動態調整樣本批次，具體為：

根據所述準確率，獲取在所述設定周期內，當前所述訓練樣本數據的準確率上升次數以及準確率下降次數；

將所述準確率上升次數、所述準確率下降次數以及當前所述訓練樣本數據的數量輸入樣本批次模型中，獲取下一批次所述訓練樣本數據的數量。

3.如權利要求1所述的一種基于色彩空間的圖像無監督分割優化方法，其特征在于：在所述步驟S53中，若所述準確率平均增量大于所述增量閾值，則凍結此隱藏層的權重，然后對下一隱藏層進行神經元數量尋優，直至所有隱藏層訓練結束。

4.如權利要求1所述的一種基于色彩空間的圖像無監督分割優化方法，其特征在于：所述樣本批次為所述訓練樣本數據一次輸入所述第一神經網絡訓練的數量。

5.如權利要求1所述的一種基于色彩空間的圖像無監督分割優化方法，其特征在于：所述第一神經網絡、所述第二神經網絡均采用全連接網絡基礎架構。