[发明专利]基于卷积特征谱的图像可判别区域提取方法

说明书

本发明公开了一种基于卷积特征谱的图像可判别区域提取方法，其包括获取待提取图片，并将其输入VGG16卷积神经网络；计算待提取图片与VGG16卷积神经网络的训练集中所有类别的判别概率；选取待提取图片的所有判别概率中的最大判别概率所在类别作为待提取图片的类别；采用VGG16卷积神经网络中第k个卷积阶段的池化层的输入特征谱计算可判别区域；对k为3时得到的可判别区域和k为5时得到的可判别区域进行双线性插值处理，并将两个可判别区域进行融合形成待提取图片的最终可判别区域。

技术领域

本发明属于图像处理领域，具体涉及一种基于卷积特征谱的图像可判别区域提取方法。

背景技术

可判别区域是指当利用深度卷积神经网络为图像进行分类时，图像中被卷积神经网络认为是分类依据的目标区域。卷积神经网络在应用到图像分类的任务的时候，从图像中提取到不同尺度的特征，并且利用这些特征来进行分类判别。这些作为分类判别的特征，描述着目标物体，提取出这些特征信息，将能够定位到网络“指出”的可判别目标，从而提取出图像的可判别区域。这样的可判别区域谱直观表示出了卷积神经网络提取到的最突出的特征信息，可视化了网络对于不同类别的目标物体的认知。提取图像的可判别区域，有利于深入理解和可视化深度卷积神经网络，对于卷积神经网络的研究有重要作用。同时，图像的可判别区域对于弱监督图像语义分割、目标检测等任务具有重要意义。

目前基于深度卷积神经网络进行图像可判别区域提取的算法，由于卷积神经网络的多层全连接层的结构难以利用从输入全连接层的特征中提取可判别区域，通常选择替换掉卷积神经网络的全连接层，使用一种新的层来实现分类功能，例如全局平均层，这种层的参数在网络训练完成以后可以被利用来从该层的输入特征中提取出可判别区域。这样的方法，存在两点不足：一、替换掉全连接层以后卷积神经网络的分类能力将受到影响，通常准确率降低百分之二到百分之四；二、通常网络输入到分类层的特征尺度都很小，缺乏目标物体的边缘信息，利用这样的特征提取到的可判别区域谱对目标物体的边缘把握不足，使得可判别区域谱十分模糊。

发明内容

针对现有技术中的上述不足，本发明提供的基于卷积特征谱的图像可判别区域提取方法能够提取出图像中具有目标边缘细节信息的可判别区域。

为了达到上述发明目的，本方采用的技术方案为：

提供一种基于卷积特征谱的图像可判别区域提取方法，其包括：

获取待提取图片，并将其输入VGG16卷积神经网络；

计算待提取图片与VGG16卷积神经网络的训练集中所有类别的判别概率；

选取待提取图片的所有判别概率中的最大判别概率所在类别作为待提取图片的类别；

采用VGG16卷积神经网络中第k个卷积阶段的池化层的输入特征谱计算可判别区域：

其中，T^k为第k个卷积阶段的池化层的输入特征谱；c为待提取图片的类别；为在类别c，针对第k个卷积阶段的特征谱构建的特征提取器，和T^k为大小相同的矩阵，k＝3时，和T^k的大小均为56*56*256，k＝5时，和T^k的大小均为14*14*512)；x，y和a分别表示计算结果矩阵的三个维度上的元素下标，D为计算结果矩阵第3维的大小；“*”为矩阵的哈达马乘积；

对k为3时得到的可判别区域和k为5时得到的可判别区域进行双线性插值处理，并将两个可判别区域进行融合形成待提取图片的最终可判别区域：

其中，δ为位于0～1之间的经验参数。

进一步地，经验参数δ为0.6。

进一步地，VGG16卷积神经网络的构建方法包括：