[发明专利]一种基于卷积神经网络的图像背景分割和识别方法

说明书

本发明公开了一种基于卷积神经网络的图像背景分割和识别方法，该方法利用卷积神经网络学习样本图像，训练得到背景分割模型和识别分类模型，然后依据该模型进行图像的背景分割和识别分类。本发明将卷积神经网络应用于图像识别分类时结合图像背景对识别分类所产生的影响，并且背景分割模型中将卷积神经网络中全连接层替转化为卷积层。本发明提高了图像优化分割效果，并且使得图像背景分割模型有广泛的适用性，最后通过使用卷积神经网络模型来实现图像背景分割后，将图像再用于图像识别分类，以提升识别分类的准确率。

技术领域

本发明属于图像背景分割和识别分类，具体涉及一种基于卷积神经网络的图像背景分割和识别方法。

背景技术

传统的图像分割主要有两种实现方案，一种是阈值法，阈值分割法是简单地用一个或几个阈值将图像的直方图分成几类，图像中灰度值在同一个灰度类内的象素属干同一个类，可以分为全局阈值分割和局部阈值分割。最简单形式的阈值法只能产生二值图像来区分两个不同的类，另外，它只考虑象素本身的值，一般都不考虑图像的空间特性，这样就对噪声很敏感，它也没有考虑图像的纹理信息等有用信息，使分割效果有时不能尽如人意。另一种方案是基于边缘检测的分割方法，边缘检测算法一般有如下四个步骤：

(1)滤波：边缘检测算法主要基于图像强度的一阶和二阶导数，但导数的计算对噪声很敏感，因此必须使用滤波器来改善与噪声有关的边缘检测器性能；

(2)增强：增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将邻域(或局部)强度值有显著变化的点突显出来；

(3)检测：在图像中有许多点的梯度幅值比较大，而这些点在特定的反立用领域中并不都是边缘，所以应该用某种方法来确定哪些点是边缘点。最简单的边缘检测判据是梯度幅值阈值判据；

(4)定位：如果某一应用场合要求确定边缘位置，则边缘的位置可在子像素分辨率上来估计，边缘的方位也可以被估计出来。

基于边缘检测的分割方法中不同的边缘检测算法使用不同的边缘检测算子，算子包括Sobel算子，Prewitt算子，Log算子和Canny算子等，各个算子各有各的特点和应用领域，而每个算子只能反映出边缘算法性能的一个方面，在许多情况下需要综合考虑，做不到广泛的适用性。一方面目前卷积神经网络应用于图像识别分类时，绝大多数模型没有考虑图像背景对识别分类所产生的影响，直接使用原始的图像放入模型进行识别，这会对识别结果产生影响。另一方面现在是信息化时代，也是大数据时代，传统的分割算法难以解决处理如此大的数据量的问题，因此需要大量时间来处理这些数据，以达到图像分割的目的。而且由于不同类型的背景差异都是比较大的，按传统的图分割方法来处理不同类型的图像，大部分图像都达不到令人满意的效果。在图像识别方面，几乎没有人关心背景给图像识别所带来的影响，而这个确实是一个不能忽略的问题，因为有些背景严重影响到了其识别分类的效果。

发明内容

发明目的：针对上述现有技术存在的问题，本发明提出一种基于卷积神经网络的图像背景分割和识别方法，该方法提高优化分割效果和具有精准识别、高效的分割和应用广泛特点。

技术方案：一种基于卷积神经网络的图像背景分割和识别方法，包括如下步骤：

(1)根据待处理图像的内容主体确定学习样本，所述样本标注有图像主体名称信息；

(2)根据样本图像信息，利用背景分割卷积神经网络进行训练，得到背景分割模型；

(3)进行图像背景分割，根据分类卷积神经网络进行训练，得到识别分类模型；

(4)利用背景分割模型对图像数据信息进行处理，根据背景分割后的图像不同内容主体进行保存，利用识别分类模型得到识别结果。