[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

说明书

本发明提出了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及系统，其中，该方法包括以下步骤：读取目标图像，并通过高斯核滤波使目标图像平滑，以获取平滑图像的显著度；根据平滑图像的显著度建立显著度增强公式，并根据显著度增强公式对目标图像进行显著度增强；将显著度增强后的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。该方法得到的图像显著度增强视觉效果更加醒目，对于图像处理分析效果也有很大提高，分割区域边缘清晰，从而有效地区分出了图像中的不同物体。

技术领域

本发明涉及图像处理和计算机视觉技术领域，特别涉及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及系统。

背景技术

图像分割是图像识别和计算机视觉领域中至关重要的部分，进行分割的依据包括图像中像素的亮度及颜色，由计算机自动处理分割时，将会遇到各种困难，例如，光照不均匀、噪声的影响、图像中存在不清晰部分，以及阴影等，这些困难常常造成分割错误。因此图像分割是需要不断研究的技术之一。人们希望引入一些人为的知识导向和人工智能的方法，用于纠正某些分割中的错误，这是很有前途的方法，但是同时又增加了解决问题的复杂性。

图像显著性是图像中重要的视觉特征，体现了人眼对图像的某些区域的重视程度，近年来产生了大量的显著性映射方法，图像显著性也广泛应用于图像压缩、编码、图像边缘和区域加强、显著性目标分割和提取等任务。对于一幅图像来说，用户只对图像中的部分区域感兴趣，这部分感兴趣的区域代表了用户的查询意图，而多数剩余的不感兴趣区域则与用户查询意图无关。显著区域是图像中最能引起用户兴趣、最能表现图像内容的区域。

图像分割，是通过一定手段对原图像不同物体进行区分。然而，由于使用神经网络对图像分割经常受噪声等不同因素的影响，且消耗时间较多，因此利用神经网络来对图像分割是一个病态问题，为此，分割前对图像进行显著度增强是一种很好的预处理方法的。传统的显著度增强要么通过傅里叶变换计算得到，要么通过拉普拉斯变换计算获得。但是，这些方法得到的显著度增强很容易受到噪声的干扰，且只能对简单图像进行显著度增强，一旦面对复杂图像就会出现大规模失真，对图像分割的结果影响极大。同其他的显著度增强方法相比，频率调谐全局显著度增强方法有一个明显的优势，就是可以在增强图像的同时，使其尽可能保存原图像的实际情况，进而获得更好的图像分割结果。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出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，该方法最终得到的图像显著度增强视觉效果更加醒目，对于图像处理分析效果也有很大提高，分割区域边缘清晰，从而有效地区分出了图像中的不同物体。

本发明的另一个目的在于提出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。

为达到上述目的，本发明一方面提出了基于频率调谐全局显著度和深度学习的图像分割方法，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；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；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。

本发明实施例的基于频率调谐全局显著度和深度学习的图像分割方法，通过根据计算的显著度，设计显著度增强准则，对图像进行显著度增强，有效克服了传统显著度增强方法易受噪声影响及图像容易失真等问题，具有更好的增强效果，有效地保持了图像的纹理细节信息，也使得增强图像在分割时可以得到更好的结果。

另外，根据本发明上述实施例的基于频率调谐全局显著度和深度学习的图像分割方法还可以具有以下附加的技术特征：