[发明专利]一种快速自动语义图像分割模型方法

说明书

技术领域

本发明涉及图像处理技术领域，涉及一种快速自动语义图像分割模型方法。

背景技术

语义图像分割是指符合人类视觉特点的基于显著目标对象的图像分割。其宗旨是把图像分割为一个或几个感兴趣区域，以便进行深入的图像分析与理解。而人们在观察一幅图像时，会选择性地将注视焦点放在自己感兴趣的区域，这与语义图像分割的目的不谋而合。视觉注意模型是为模拟人类视觉系统的注意机制而提出的模型，从而可应用于图像分割。但其图像分割结果常受注视焦点这一形式的影响，而呈现出分散性与不规则性。

为了克服视觉注意模型语义图像分割的上述缺点，本发明提出利用脉中耦合神经网络(Pulse Coupled Neural Network，PCNN)来提高和改善视觉注意模型语义图像分割结果的光滑一致性和形状特性。PCNN作为第3代人工神经网络的主要代表，在图像处理尤其图像分割方面有着良好的性能。

发明内容

为了进行快速语义图像分割，在深入研究视觉注意模型中的相位谱四元数傅里叶变换模型(Phase Spectrum of Quaternion Fourier Transform，PQFT)和PCNN模型的基础上，本发明提出改进PQFT与简化PCNN整合模型，以在保证实时语义图像分割的同时，取得较好的自动语义图像分割效果。

为实现快速自动语义图像分割模型，本发明的方案包括：

一种快速自动语义图像分割模型方法，其包括如下步骤：

S1、对原相位谱四元数图像傅里叶变换模型PQFT进行改进；

S2、对改进后的PQFT模型与脉冲耦合神经网络PCNN整合进行语义图像分割；

S3、自动输出语义图像分割结果。

在本发明所述的快速自动语义图像分割模型方法中，所述步骤S1包括如下子步骤：

S11、将原四元数图像的RGB颜色空间转换为CIE Lab颜色空间；

S12、改进四元数图像的虚部；

S13、确定四元数图像像素的周围区域。

在本发明所述的快速自动语义图像分割模型方法中，所述步骤S12中改进四元数图像的虚部包括：

选择去掉冗余低频信息的L、a和b这三个通道作为四元数图像的虚部系数，具体计算方法为：

X₁＝L-L₁

X₂＝a-a₁

X₃＝b-b₁

上面三个式中，X₁、X₂和X₃分别用来代替PQFT模型中RG(t)、BY(t)以及I(t)；L、a和b是CIE Lab颜色空间三个特征通道；L₁、a₁和b₁是对应特征通道像素点周围区域的均值；若X₁、X₂和X₃为负值，则将其设为0。

在本发明所述的快速自动语义图像分割模型方法中，所述步骤S13中采用简单地利用将图像的宽和高与PCNN链接强度系数β相乘的方法；其中，β值的计算，如式所示式中，STD_ij表示像素点I(i，j)的灰度值与其8-邻域灰度值的标准方差。

在本发明所述的快速自动语义图像分割模型方法中，所述步骤S2包括如下子步骤：

S21、接收输入域：对于给定彩色输入图像，将X₁、X₂和X₃的特征融合图(I_ij)作为PCNN的输入图像，这样不仅可以增强输入图像中的显著对象，而且可以提高PCNN的抗噪能力；

S22、调制链接域：在调制链接域，对被接收进来的主输入和链接输入进行全局调制耦合；

S23、脉冲产生域：对模型产生的显著图，为了增强图像分割的泛化性能，用显著图的统计直方图的峰谷点数来表示给定图像中的显著对象个数，而峰谷之间的像素点数目占的比重作为返回抑制机制选择像素数的依据；

S24、显著区域自动判别算法：根据分割图像尺寸变化情况来自动判断并输出正确的语义图像分割结果。

在本发明所述的快速自动语义图像分割模型方法中，所述步骤S21包括：

PCNN的主输入(F)和链接输入(L)分别用来接收外界刺激和局部刺激，分别如下述两个公式所示：