[发明专利]基于PCANet深度学习模型下的自动分割方法

权利要求书

1.一种基于PCANet深度学习模型下的图像自动分割方法，其特征在于，包括以下步骤：

(1)将待分割的图像依次经过预处理、超像素聚类处理、第一PCANet网络的处理、以及第一SVM分类器的处理后得到粗分割后的图像；其中，所述超像素聚类处理是用于对预处理得到的图像进行超像素分割，得到多个超像素块；所述第一PCANet网络的处理用于提取各个超像素块的特征向量，所述第一SVM分类器的处理则用于根据这些特征向量对各个超像素块进行二分类；所述粗分割后的图像即二值化的预分割图像；

(2)将所述步骤(1)得到的所述粗分割后的图像依次经过第二PCANet网络的处理、以及第二SVM分类器的处理后得到精分割后的图像，由此完成图像的自动分割；其中，所述第二PCANet网络的处理基于所述粗分割后的图像上的各个像素点重新选取对应的图像块并进行特征向量的提取，所述第二SVM分类器的处理则用于根据这些特征向量对各个像素点进行二分类；所述精分割后的图像即二值化的最终分割图像。

2.如权利要求1所述基于PCANet深度学习模型下的图像自动分割方法，其特征在于，所述步骤(1)具体包括以下步骤：

(1-1)预处理步骤：

对待分割的图像I，采用高斯降采样金字塔，并利用顶帽变换，获得预处理后的图像I₁；

(1-2)超像素聚类处理：

根据预处理后的图像I₁采用线性迭代聚类的方法，由该预处理后的图像I₁中各点的空间信息与灰度信息，对其进行聚类分割，得到一组含有k个形状不规则的超像素块

(1-3)第一PCANet网络的处理：

根据所述超像素块计算每一个的聚类中心坐标，根据超像素块的面积大小，以聚类中心点为中心重新取一组尺寸为r₁×r₁的图像块取得对应的灰度信息，r₁为预先设定的、且与超像素块面积大小相关的值；将所述图像块输入到第一PCANet网络中，该第一PCANet网络为两级主成分分析网络PCANet，利用该网络中第一级的8～20个滤波器分别与图像块进行卷积运算得到一组所述经过与该网络的第二级的8～20个滤波器分别卷积与哈希编码得到一组再对进行直方图统计得到表征图像块的特征向量

并且，中的l取值由1到该第一PCANet网络中第一级滤波器的总个数，中的l取值由1到该第一PCANet网络中第一级滤波器的总个数；

(1-4)第一SVM分类器的处理：

将所述特征向量输入到第一SVM分类器中，该第一SVM分类器为SVM的二分类器，获得图像块的分类标签值，并反填充至对应的超像素块，获得所述二值化的预分割图像M₁。