[发明专利]基于分水岭算法和图像类别标签的弱监督语义分割方法

说明书

本发明提供一种基于分水岭算法和图像类别标签的弱监督语义分割方法，首先构建弱监督卷积神经网络，利用图像的类别标签对原始RGB图像进行训练后图像二值化为二值图像，获得目标在二值图像中的大致位置和形状，再利用分水岭算法预分割原始RGB图像成掩膜，并通过掩膜对二值图像中的目标的形状和位置进一步细化；接着，构建全监督卷积神网络，以弱监督卷积神经网络细化的图像为首次标签进行训练后，继续以所得掩膜细化；然后，再以上次全监督卷积神网络细化结果作为本次全监督卷积神网络的标签继续相同的迭代，直至迭代运算完成，即实现对图像的语义分割。实施本发明，极大程度降低标签制作的复杂度，节省大量人工标注时间和精力。

技术领域

本发明涉及计算机图像处理技术领域，尤其涉及一种基于分水岭算法和图像类别标签的弱监督语义分割方法。

背景技术

近几年来，深度卷积神经网络在语义分割方面有了巨大进步。随着各种基于深度卷积神经网络的语义分割模型的提出，语义分割的精度也在不断增加。虽然语义分割的模型不断在更新和改进，但是对应的像素级标签一直是语义分割发展道路上的巨大障碍。

然而，深度学习的训练依靠大量的数据，在面对一个包含几万张甚至更多的图像数据集来说，这个标注任务是极其困难的。因此，亟需一种极大程度降低标签制作的复杂度，节省大量人工标注时间和精力的语义分割方法。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于分水岭算法和图像类别标签的弱监督语义分割方法，不仅能实现像素级别的语义分割效果，还极大程度降低标签制作的复杂度，节省大量人工标注时间和精力。

为了解决上述技术问题，本发明实施例提供了一种基于分水岭算法和图像类别标签的弱监督语义分割方法，所述方法包括以下步骤：

步骤S1、构建一个基于图像类别标签的弱监督卷积神经网络；

步骤S2、将原始RGB图像导入所述弱监督卷积神经网络中以图像的类别作为标签进行训练后，采用图像二值法处理成二值图像，并还将原始RGB图像平滑处理后，采用分水岭算法预分割成掩膜图像，且进一步以所述掩膜图像为所述二值图像的掩膜，对所述二值图像进行融合处理，得到初始目标细化图像；

步骤S3、构建一个以图像为标签的全监督卷积神经网络；

步骤S4、设置迭代次数以及设置所得到的初始目标细化图像为当前待再次分割细化图像；

步骤S5、在所述全监督卷积神经网络中以当前待再次分割细化图像为标签进行训练，得到新二值图像，并继续以所述分水岭算法预分割成的掩膜图像为所述新二值图像的掩膜，对所述新二值图像进行融合处理，得到新目标细化图像；

步骤S6、将所述迭代次数减一后对所述迭代次数进行更新，并判断更新后的迭代次数是否大于0；

步骤S7、如果是，则所得到的新目标细化图像更新为当前待再次分割图像后，返回步骤S5；

步骤S8、如果否，则迭代运算结束，并将最后一次迭代得到的新目标细化图像作为最终目标细化图像输出。

其中，在所述步骤S1中，所述弱监督卷积神经网络的具体结构如下：

1.输入层

2.＝1卷积层1_1(3x3x64)

3.＝2非线性响应Relu层

4.＝3卷积层1_2(3x3x64)

5.＝4非线性响应Relu层

6.＝5池化层(2x2/2)

7.＝6卷积层2_1(3x3x128)

8.＝7非线性响应Relu层