[发明专利]基于卷积神经网络的图像分割质量评价方法

权利要求书

1.基于卷积神经网络的图像分割质量评价方法,其特征在于包括以下步骤：

步骤1、构建分割结果数据库：

1.1、首先选取图像数据集中图片作为分割结果的原始图像，然后采取候选框生成方法生成大量的对象候选框，并对每个候选框中的对象进行分割，得到最终的分割结果；

1.2、计算分割结果的客观评价分数，作为参考基准，即label，利用图像分割结果以及数据库自带的分割参考标准计算其IOU值,IOU值表示交并比；

1.3、根据IOU值进一步筛选分割结果，使得分割数据均匀分布，防止网络学习过程偏向某一类结果；

步骤2、对分割结果数据库进行预处理，划分训练集和测试集；

步骤3、预训练卷积神经网络模型；

使用通用卷积神经网络模型对所有训练集中的分割结果进行训练，得到预训练模型；

使用VGG-16对所有训练集中的分割结果进行训练，把Softmax层改为Sigmoid层，采用欧式距离损失作为损失函数；基于Caffe深度学习框架进行训练，得到预训练模型；

步骤4、分割质量评价网络训练：

4.1、将训练数据中分割结果及其对应原始图片对应输入两个网络分支进行训练；

4.2、采用两个相同的全卷积结构对分割结果以及对应原始图像提取特征谱，得到分割特征谱和原始图片特征谱；

4.3、使用特征级联层将分割特征谱和原始图片特征谱进行简单地级联；

4.4、得到级联特征之后，添加一个卷积层对它们之间对应位置的局部特征进行描述，得到一个局部区域的融合特征谱；

4.5、用三个全连接层对前面融合的特征谱进行全局计算，得到一维特征；

4.6、用一个sigmoid层将全连接层得到的一维特征映射0-1之间，得到分割结果的打分值；

4.7、使用Euclideanloss将网络的输出的结果跟label进行比较，计算得到误差，然后误差进行后向传播给前面的层，并计算可学习参数的误差，之后进行可学习参数的更新；

4.8、当误差函数达到最优时，停止参数更新，保存训练模型；

步骤5、分割质量评价网络测试：

5.1、将测试集输入分割质量评价网络；

5.2、使用步骤4中训练好的模型进行计算，得到测试集中所有分割结果的质量评价分数。

2.根据权利要求1所述的基于卷积神经网络的图像分割质量评价方法,其特征在于，步骤2具体包括以下步骤：

2.1、对分割结果中前景部分进行裁剪，并用相同大小矩形框对该分割结果对应的原始图像在相同位置进行裁剪；

2.2、将所有裁剪的图像大小归一化为224*224；

2.3、对所有原始图像的三个通道分别计算均值，并将所有分割结果以及原始图像的三个通道进行减均值操作；

2.4、将2.3处理的结果划分为训练集和测试集。

3.根据权利要求1所述的基于卷积神经网络的图像分割质量评价方法,其特征在于，IOU值计算公式如下：

其中GT_i表示第i个分割结果对应的分割参考标准，R_i表示第i个分割结果。