[发明专利]一种基于迭代分割的图像语义分割方法

说明书

本发明公开一种基于迭代分割的图像语义分割方法，包括：图像预处理，通过图像增强模型对输入的样本图像进行增强，得到增强样本图像，然后对所述增强样本图像进行若干次分割，如此反复得到最终的卷积神经网络，根据最终的卷积神经网络对图像进行语义分割，输出语义分割结果；本发明后续的样本图像是由最初的增强样本图像分割而成的，由于其经过多次分割，数量会逐渐庞大，并且先训练后验证，再训练再验证，如此反复得到最终的卷积神经网络，训练数据和验证数据之间相当于存在母体和子体关系，既不会产生因训练数据差异较大导致的精度降低问题，而且还由于训练数据之间的漂移较小，有助于提升精度。

技术领域

本发明涉及一种基于迭代分割的图像语义分割方法，应用于静态2D图像、视频甚至3D数据、体数据的图像语义分割，属于图像处理技术领域。

背景技术

图像语义分割是从像素水平上，理解、识别图片的内容，其目的是建立每个像素和语义类别之间的一一映射关系，根据语义信息进行分割，其被广泛应用于场景理解、自动驾驶、医学影像分析、机器人视觉等领域。图像语义分割是图像理解的基石，其分割结果的好坏将直接影响对后续图像内容的处理，因此，对图像语义分割技术的研究具有非常重要的现实意义。

现有技术中，利用卷积神经网络进行语义分割是常用的技术手段，而卷积神经网络的建立在整个过程中非常重要。语义分割(应用于静态2D图像、视频甚至3D数据、体数据)是计算机视觉的关键问题之一。在宏观意义上来说，语义分割是为场景理解铺平了道路的一种高层任务。作为计算机视觉的核心问题，场景理解的重要性越来越突出，因为现实中越来越多的应用场景需要从影像中推理出相关的知识或语义(即由具体到抽象的过程)。这些应用包括自动驾驶，人机交互，计算摄影学，图像搜索引擎，增强现实等。应用各种传统的计算机视觉和机器学习技术，这些问题已经得到了解决。虽然这些方法很流行，但深度学习革命让相关领域发生了翻天覆地的变化，因此，包括语义分割在内的许多计算机视觉问题都开始使用深度架构来解决，通常是卷积神经网络CNN，而CNN在准确率甚至效率上都远远超过了传统方法。

但是现有技术训练卷积神经网络的进行图像语义分割的手段较为单一，由于图像样本数据之间关联性不强，漂移量大，导致最终的卷积神经网络进行图像语义分割的精度不高，误差较大。

发明内容

发明目的：针对现有技术中存在的问题与不足，本发明提供一种基于迭代分割的图像语义分割方法。

技术方案：一种基于迭代分割的图像语义分割方法，包括如下内容：

图像预处理，通过图像增强模型对输入的样本图像进行增强，得到增强样本图像，然后对所述增强样本图像进行若干次分割，每次分割后的数量均为前一次分割的倍数，以N₁、N₂，…，N_i表示，其中，N_i代表经过第i-1次分割后的增强样本图像数量；

卷积神经网络的训练，以分割后数量为N₁的增强样本图像作为初始训练样本训练卷积神经网络，以N₂为初始验证样本对卷积神经网络进行验证，对卷积神经网络的参数进行更新，再以N₃对卷积神经网络进行再次训练，以N₄对卷积神经网络进行验证，对卷积神经网络的参数进行更新，如此反复得到最终的卷积神经网络；

根据最终的卷积神经网络对图像进行语义分割，输出语义分割结果。

对样本图像的图像预处理包括图像尺寸变换、图像质量检测和图像颜色校正，其中，所述图像尺寸变换用于改变图像尺寸，将样本图像修改成设定尺寸；所述图像质量检测用于判定图像质量是否满足训练需求，且在图像质量不满足训练需求时重新更换样本图像；所述图像颜色校正用于还原样本图像在标准光源下的真实色彩。

图像质量是否满足训练需求，指的是图像的像素、边缘轮廓模糊等是否满足训练需求。例如在图像的像素较低时，需要重新更换样本图像。