[发明专利]一种基于互补标签融合监督学习的图像显著性检测方法

说明书

一种基于互补标签融合监督学习的图像显著性检测方法，包括：步骤S1、将标签图像分别得到对应的主体标签图和细节标签图；步骤S2、对训练数据集图像做随机裁剪、随机旋转、归一化、灰度化处理以增强样本的多样性；步骤S3、输入一个尺寸为H×W的图像，使用ResNet50框架预先处理获取到网络的第2至5层输出特征图；步骤S4、对通过ResNet50框架得到的四层输出特征图分别做两次卷积操作，进行编码；步骤S5、分别将主体图编码后的特征和细节图编码后的特征分别传入主体图解码器和细节图解码器进行解码；步骤S6、将两个解码器所得到的主体特征和细节特征进行相加融合，再进行两次卷积和池化操作，得到预测的图像。本发明具有更好的显著目标预测效果。

技术领域

本申请属于图像处理技术领域，具体涉及一种基于互补标签监督学习的图像显著性检测。

背景技术

显著性目标检测旨在从输入图像上识别出最引人注目的物体对象，换而言之也可以说，这些研究希望能够识别出图像的主体。显著性目标检测在人工智能、计算机视觉相关任务中，有时候作为预先处理布置，通过检测识别，得到好的效果后，可以在后续任务中发挥更加好的效果。

显著性目标检测的主要难点如下：确定图像中的显著目标；由于显著性目标的边缘像素分布极不平衡所带来的影响，导致效果不佳，所以需要克服上述问题，降低其带来的影响。

受最近在显著性目标检测的任务中采用的聚集多级功能卷积网络和引入边缘信息作为辅助监督的方法启发。相比较于单一的用边缘信息或者用整体图监督学习方法，采用将标签去耦合化，得到目标的主体图和边缘细节图，使两者共同监督学习训练模型，主要在于它们可以进行互补来降低目标边缘像素分布不平衡所带来的影响，更加有效。

发明内容

本发明要克服现有技术的上述缺点，提供了一种基于互补标签融合监督学习的图像显著性检测方法。

本发明结合了采用resnet50模型提取特征效果的优越性、标签去耦合算法的优点以及本方法设计的特征融合模块的优点，实现了比较好的显著性目标检测特点。

为实现上述目的，本发明所采取的技术方案为：

一种基于互补标签融合监督学习的图像显著性检测方法，包括以下步骤：

步骤S1、将标签图像分别得到对应的主体标签图和细节标签图；

步骤S2、对训练数据集图像做随机裁剪、随机旋转、归一化、灰度化处理以增强样本的多样性；

步骤S3、输入一个尺寸为H×W的图像，使用ResNet50框架预先处理获取到网络的第2至5层输出特征图；

步骤S4、对通过ResNet50框架得到的四层输出特征图分别做两次卷积操作，进行编码；

步骤S5、分别将主体图编码后的特征和细节图编码后的特征分别传入主体图解码器和细节图解码器进行解码。并利用两个解码器获得的主体特征和细节特征发挥双重效果，一方面将二者相加得到预测图，另一方面将二者分别传入各自的图像解码器以丰富特征；

步骤S6、将两个解码器所得到的主体特征和细节特征进行相加融合，再进行两次卷积和池化操作，得到预测的图像。

本发明的一种基于互补标签融合监督学习的图像显著性检测方法，利用图像真实标签图，分解成主体图和细节图，主体图主要包含的是图像的主体信息，而细节图主要包含的是图像的边缘细节信息。利用主体图与细节图共同监督模型的训练，逐渐得到主体图和细节图的优良预测，由于主体图和细节图包含了互补的信息，将二者的特征结合迭代训练，得到更好的显著目标预测效果。

本发明的优点是：由于显著性目标的边缘像素分布不均匀导致检测效果不佳，将图像标签解耦合为两个分别侧重于图像不同区域的互补标签。主体标签和细节标签共同监督迭代训练模型，并将两个标签的特征进行融合，使得显著性目标的主体部分和边缘部分更多信息得到保留，得到更好的效果。