[发明专利]基于频率调谐全局显著度和深度学习的图像分割方法及系统

权利要求书

1.一种基于频率调谐全局显著度和深度学习的图像分割方法，其特征在于，包括以下步骤：

读取目标图像，并通过高斯核滤波使所述目标图像平滑，以获取平滑图像的显著度，其中，所述获取平滑图像的显著度，进一步包括：

获取所述平滑图像的全局像素点均值；

获取所述全局像素点均值与各个像素点的像素值之间的差值，以得到所述平滑图像的显著度；

根据所述平滑图像的显著度建立显著度增强公式，并根据所述显著度增强公式对所述目标图像进行显著度增强，其中，所述显著度增强公式为：如果某像素点像素值大于等于全局像素平均值的1.4倍，则将其像素值扩大为原来的1.5倍；如果像素值介于全局像素平均值的1.3倍到1.4倍之间，则将其像素值扩大为原来的1.2倍；如果像素值介于全局像素平均值的1.1倍到1.3倍之间，则令其像素值不变；如果像素值介于全局像素平均值的0.8倍到1.1倍之间，则将其像素值减少0.2倍的全局像素平均值；如果像素值介于全局像素平均值的0.5倍到0.8倍之间，则将其像素值减少0.25倍的全局像素平均值；如果像素值介于全局像素平均值的0.3倍到0.5倍之间，则将其像素值减少0.15倍的全局像素平均值；如果像素值小于全局像素平均值的0.3倍，则令其像素值不变；以及

将显著度增强后的所述目标图像进行数据扩展，并通过宽残差金字塔式池化网络深度学习方法分割增强后的图像，以获取分割结果。

2.根据权利要求1所述的基于频率调谐全局显著度和深度学习的图像分割方法，其特征在于，所述宽残差金字塔式池化网络包括：宽残差网络模块、分层结构的金字塔池化模块和尺寸恢复模块。

3.根据权利要求2所述的基于频率调谐全局显著度和深度学习的图像分割方法，其特征在于，所述宽残差网络模块中，残差网络由残差块堆叠组成，所述残差网络使用残差函数，公式如下：

x_l+1＝x_l+F(x_l,W_l)

其中，x_l表示网络第l个残差块的输入，x_l+1表示网络第l个残差块的输出，F(·)表示残差函数，W_l表示残差块的参数。

4.根据权利要求2所述的基于频率调谐全局显著度和深度学习的图像分割方法，其特征在于，所述分层结构的金字塔池化模块包括第一至第三池化核，且所述第一至第三池化核的大小各不相同，所述第一至第三池化核分别构成第一至第三池化通路，以将所述第一至第三池化通路获得的不同尺度全局上下文先验信息与池化模块的输入特征图相融合。

5.一种基于频率调谐全局显著度和深度学习的图像分割系统，其特征在于，包括：

获取模块，用于读取目标图像，并通过高斯核滤波使所述目标图像平滑，以获取平滑图像的显著度，其中，所述获取平滑图像的显著度，进一步包括：

第一获取单元，用于获取所述平滑图像的全局像素点均值；

第二获取单元，用于获取所述全局像素点均值与各个像素点的像素值之间的差值，以得到所述平滑图像的显著度；

增强模块，用于根据所述平滑图像的显著度建立显著度增强公式，并根据所述显著度增强公式对所述目标图像进行显著度增强，其中，所述显著度增强公式为：如果某像素点像素值大于等于全局像素平均值的1.4倍，则将其像素值扩大为原来的1.5倍；如果像素值介于全局像素平均值的1.3倍到1.4倍之间，则将其像素值扩大为原来的1.2倍；如果像素值介于全局像素平均值的1.1倍到1.3倍之间，则令其像素值不变；如果像素值介于全局像素平均值的0.8倍到1.1倍之间，则将其像素值减少0.2倍的全局像素平均值；如果像素值介于全局像素平均值的0.5倍到0.8倍之间，则将其像素值减少0.25倍的全局像素平均值；如果像素值介于全局像素平均值的0.3倍到0.5倍之间，则将其像素值减少0.15倍的全局像素平均值；如果像素值小于全局像素平均值的0.3倍，则令其像素值不变；以及

分割模块，用于将显著度增强后的所述目标图像进行数据扩展，并通过宽残差金字塔式池化网络深度学习方法分割增强后的图像，以获取分割结果。