[发明专利]图像分割方法和装置

权利要求书

1.一种图像分割方法，其特征在于，包括：

根据待处理照片得到纹理特征图，所述纹理特征图中像素点的值为所述待处理照片中对应像素点的纹理特征；

根据预设的卷积神经网络模型对所述待处理照片进行特征提取，得到深度特征图，所述深度特征图中像素点的值为所述待处理照片中对应像素点的深度特征；

根据所述纹理特征图和所述深度特征图，得到高维特征图，所述高维特征图中像素点的值为所述待处理照片中对应像素点的高维特征，所述高维特征包括所述纹理特征与所述深度特征；

对所述高维特征图进行分割，得到目标分割图，所述分割图至少包括用于指示所述待处理照片的拍摄目标的目标分割区域；

所述根据待处理照片得到纹理特征图，所述纹理特征图中像素点的值为所述待处理照片中对应像素点的纹理特征，包括：

对待处理照片进行离散小波帧分解，得到第一子图和第二子图，其中，所述第一子图为将所述待处理照片先对行做低通滤波再对列做高通滤波后的子图，所述第二子图为将所述待处理照片先对行做高通滤波再对列做低通滤波后的子图；

对所述第一子图的各像素点进行中值滤波，将中值滤波后第一子图的各像素点的小波系数的平方确定为第一子图的各像素点的能量值，并根据所述第一子图的各像素点的能量值将所述第一子图的像素点分为高能点和低能点；

对所述第二子图的各像素点进行中值滤波，将中值滤波后第二子图的各像素点的小波系数的平方确定为第二子图的各像素点的能量值，并根据所述第二子图的各像素点的能量值将所述第二子图的像素点分为高能点和低能点；

根据所述待处理照片中像素点在所述第一子图中对应为高能点或低能点，以及在所述第二子图中对应为高能点或低能点，确定所述待处理照片中所述像素点的纹理特征；

根据所述待处理照片中所有像素点的纹理特征，得到纹理特征图，所述纹理特征图中像素点的值为所述待处理照片中对应像素点的纹理特征；

所述根据所述待处理照片中像素点在所述第一子图中对应为高能点或低能点，以及在所述第二子图中对应为高能点或低能点，确定所述待处理照片中所述像素点的纹理特征，包括：

若所述待处理照片中的像素点在所述第一子图和所述第二子图中都对应为低能点，则确定所述待处理照片中所述像素点的纹理特征是第一类纹理；

若所述待处理照片中的像素点在所述第一子图中对应为低能点，且在所述第二子图中对应为高能点，则确定所述待处理照片中所述像素点的纹理特征是第二类纹理；

若所述待处理照片中的像素点在所述第一子图中对应为高能点，且在所述第二子图中对应为低能点，则确定所述待处理照片中所述像素点的纹理特征是第三类纹理；

若所述待处理照片中的像素点在所述第一子图和所述第二子图中都对应为高能点，则确定所述待处理照片中所述像素点的纹理特征是第四类纹理；

所述第一类纹理为平滑，所述第二类纹理为垂直，所述第三类纹理为水平，所述第四类纹理为复杂。

2.根据权利要求1所述的方法，其特征在于，所述预设的卷积神经网络模型为已训练好的19层卷积神经网络VGGNet-19模型，其中，所述VGGNet-19模型包括依次连接的5个卷积段，且每2段卷积段之间都通过1个最大池化层相连，最后1个卷积段后依次连接1个最大池化层、3个全连接层和1个输出层；

所述根据预设的卷积神经网络模型对所述待处理照片进行特征提取，得到深度特征图，所述深度特征图中像素点的值为所述待处理照片中对应像素点的深度特征，包括：

以预设的VGGNet-19模型对所述待处理照片进行处理，并从所述5个卷积段分别获得的5个用于指示所述待处理照片的深度特征的中间输出结果，所述中间输出结果为具有多个通道的图；

对每个所述中间输出结果分别进行像素点的所有通道值平均降维处理，得到仅具有一个通道的5个平均结果图；

将所述5个平均结果图的尺寸都转换至与所述待处理照片的尺寸一致，得到5个深度子图，所述深度子图中像素点的值为所述待处理照片中对应像素点的深度分量；

将所述5个深度子图作为5个通道进行组合，得到深度特征图，所述深度特征图中像素点的值为所述待处理照片中对应像素点的深度特征，每个所述深度特征包含所述深度子图中对应像素点的所述深度分量。