[发明专利]一种基于卷积神经网络的同类前景图像集分割方法

说明书

本发明公开了一种基于卷积神经网络的同类前景图像集分割方法，包括了以下步骤：步骤1，生成样本分割掩码；步骤2，构建训练数据集；步骤3，学习分割网络模型；步骤4，基于分割网络模型分割同类图像集中的其余图像；步骤5，再分割。通过上述方式，本发明能够利用待分割图像集所包含的图像之间强相关性，仅需要少量交互就可以将同类图像集中的前景分割出来。

技术领域

本发明涉及计算机视觉的图像处理方法，特别是涉及一种能够利用少量交互就可以将同类图像集中的前景分割出来的图像分割方法。

背景技术

就分割单幅或少量图像而言，交互式分割算法所要求的用户操作相对简单且易于取得令用户满意的分割结果，常用的交互式分割方法有贝叶斯抠图、图切割、懒人抠图(Lazy Snapping)和Grabcut等。因此可以说交互式分割算法是目前为止单幅或少量图像前背景分割的首选。尽管如此，当用户需处理大量的待分割图像时，大量的重复交互操作成为必须，这势必引起用户的操作疲劳并降低用户操作的积极性和交互的质量进而影响分割的效果。而从前背景分割任务所涉及的应用来看，待分割图像集所包含的图像之间往往会呈现很强的相关性。典型的生活应用场景如用户要对一家人外出旅游时所拍摄的图片进行分割和处理，此时该图像集所包含的图像前景可能是为数不多的几个家人，而背景则是家人参观时拍照的个别景点。又如用户要对几个运动员参加某个比赛的一组照片又或动物园里面参观拍摄的一些小动物的照片进行分割和处理。这些应用场景所包含的前景和背景虽不单一但都具有很强的相关性。如能在设计图像集分割算法时充分考虑并利用这种相关性，势必可以在很大程度上减少用户交互所需的工作量，节约用户的时间和精力，增强软件的可用性，提高分割结果的质量。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提出了一种基于卷积神经网络的同类前景图像集分割方法

为了解决上述问题，本发明采用的一个技术方案是：提供了一种基于卷积神经网络的同类前景图像集分割方法，该方法的特征在于将同类图像集分成两部分，少量图像用于训练，其他的用于分割网络模型测试。训练时，从同类图像集中随机选取少量样本，并进行用交互式分割方法进行手动分割，得到分割掩码图，然后将分割掩码图进行几何变换作为卷积神经网络输入的第4个通道，这样，网络的输入扩展到RGB+掩码通道(4通道)，额外的通道旨在模拟前景物体的各种姿态变换。训练完毕得到的分割网络模型就会具有几何变换的能力，测试时，选取训练图像的分割掩码作为测试图像的第四个通道，预测分割掩码。通过计算机对图像做如下步骤的处理：

以下内容为对权书的重复，对照修改即可，谢谢

步骤1，向计算机输入同类图像集同类图像集。由计算机从同类图像集中读取一张，生成样本分割掩码。所述的同类图像集是指这组图像集里的图像的前景都是同一种物体，比如说有一组图像，图像中都有泰迪犬，那么我们就称这组数据是同类图像集。样本分割掩码是指由黑白两色组成的二值图像，和读取的那张图像相对应，前景图像一般用白色填充，背景图像用黑色填充，是待分割图像的真实分割掩码。

步骤2，构建训练数据集。。

步骤3，学习分割网络模型。

步骤4，基于分割网络模型分割同类图像集中的其余图像。

步骤5，进行是否需要再分割的判断。循环的条件是是否所有图像都已取得满意的分割结果。

如果所有图像均已获得满意的分割结果，则分割结束。

反之，选择分割效果较差的图像作为新的分割样本，并返回步骤1训练新的分割网络模型，实现对其余分割欠佳图像的分割优化。