[发明专利]基于语义分割的异常区域检测方法、系统及相关组件

说明书

本发明公开了一种基于语义分割的异常区域检测方法，包括：获取样本图像，并提取出每一张样本图像的显著性图；将各个训练样本依次输入进预设的用于语义分割的卷积神经网络模型中，对卷积神经网络模型进行训练；其中，每个训练样本中包括一张添加了标签的样本图像以及该样本图像的显著性图；将待测图像以及待测图像的显著性图输入至经过训练的卷积神经网络模型中，获取卷积神经网络模型的输出结果，并根据输出结果中的标签确定出待测图像中的异常区域。应用本申请的方案，可以避免只能检测有限种类的异常区域的情况，即降低了漏检概率。本申请还提供了一种基于语义分割的异常区域检测系统及相关组件，具有相应技术效果。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种基于语义分割的异常区域检测方法、系统及相关组件。

背景技术

图像的语义分割，表示的是利用计算机根据图像的语义来进行分割。例如，输入的图片中存在房屋，树木，道路，通过语义分割，输出结果中将房屋，树木，道路用不同颜色进行标注，即划分出各自的轮廓。语义分割在地理信息系统，无人车驾驶，医疗影像分析等领域均有广泛的应用，并且作为计算机视觉的核心问题之一，重要性也越来越突出。

在利用语义分割技术进行轮廓的分割时，需要预先为不同的事物设置不同的标签，例如在训练神经网络时分别为房屋，树木，道路设置不同的标签，使得训练后的神经网络能够识别并分割出待测图像中的房屋，树木和道路。而如果需要利用语义分割技术将异常区域分割出，自然需要为异常区域添加标签并进行训练，但是，由于实际应用中，发生的异常情况的种类非常多，如果某一种异常情况没有设置标签进行训练，便无法将该种异常情况发生时的异常区域分割出，也即增大了漏检率，此外，标签过多在一定程度上也不利于准确识别。因此，目前的语义分割通常是针对具有已知的固定特征的事物进行的分割。

而传统方案中进行遥感图像的异常检测时，相关研究较少，主要是通过提取目标光谱，再根据数据库中的先验信息进行检测，检测的标准性、速度、实用性等都远不及采用机器学习的语义分割技术。

综上所述，如何在利用语义分割技术进行异常区域的检测时，避免只能检测有限种类的异常区域的情况，降低漏检概率，是目前本领域技术人员急需解决的技术问题。

发明内容

本发明的目的是提供一种基于语义分割的异常区域检测方法、系统及相关组件，以避免只能检测有限种类的异常区域的情况，降低漏检概率。

为解决上述技术问题，本发明提供如下技术方案：

一种基于语义分割的异常区域检测方法，包括：

获取样本图像，并提取出每一张所述样本图像的显著性图；

将各个训练样本依次输入进预设的用于语义分割的卷积神经网络模型中，对所述卷积神经网络模型进行训练；其中，每个所述训练样本中包括一张添加了标签的样本图像以及该样本图像的显著性图；

将待测图像以及所述待测图像的显著性图输入至经过训练的所述卷积神经网络模型中，获取所述卷积神经网络模型的输出结果，并根据所述输出结果中的标签确定出所述待测图像中的异常区域。

优选的，所述提取出每一张所述样本图像的显著性图，包括：

通过RC算法提取出每一张所述样本图像的显著性图。

优选的，所述通过RC算法提取出每一张所述样本图像的显著性图，包括：

针对每一张样本图像，将该样本图像分割成多个区域，并为每个区域建立颜色直方图；

通过计算每个区域的显著值，得出该样本图像的显著性图；