[发明专利]一种图像的自动精细分割方法

权利要求书

1.一种图像的自动精细分割方法，其特征在于，包括以下步骤：

1)通过具有实例分割功能的Mask RCNN算法对输入的原始图像进行初步的分割，得到初始掩膜；

2)通过SLIC超像素分割算法对原始图像进行超像素分割得到超像素块，并结合超像素块对初始掩膜的边缘进行扩展；

所述步骤2)具体为：

2.1)输入原始图像和Mask RCNN分割后的初始掩膜，记为m₁；

2.2)直接将原始图像放在SLIC超像素算法中进行超像素分割，最后得到一张超像素图，该超像素图中分别为每个超像素块设置一个标签，每个超像素块集合中的像素点的标签就是该超像素块聚类中心的标签，标签从0开始排序，超像素图记为s₁；

2.3)将初始掩膜m₁腐蚀一次，得到腐蚀后的掩膜，记为m₂；

2.4)将初始掩膜减去腐蚀后的掩膜，即m₁-m₂，得到初始掩膜的边缘区域，记为m₃；

2.5)将边缘区域m₃与超像素图s₁相乘，得到边缘处每个像素点所对应的标签，对边缘处的标签去重，根据边缘标签在超像素图中找到标签所对应的超像素块，将超像素块与初始掩膜相加，得到扩展之后的掩膜m₄；

3)结合扩展后的掩膜和初始掩膜进行形态学操作得到GrabCut算法分割的初始三元图；

所述步骤3)具体为：

3.1)对初始掩膜m₁进行多次形态学腐蚀操作，将初始掩膜腐蚀到面积只占原掩膜面积的1/3，腐蚀 部分像素点置为1，即确定的前景，记作m₅，周围其他区域都是背景；

3.2)对经过超像素扩展后的掩膜m₄进行多次膨胀，膨胀得到的面积为超像素扩展后掩膜面积的1/3，膨胀 部分像素点置为2，即不确定区域，记作m₆，周围其他区域都是背景；

3.3)计算m₅+m₆，将值为3的像素点置为1，其他的不变，得到GrabCut分割初始掩膜m₇；

4)利用改进的GrabCut算法建立高斯混合模型，并反复迭代高斯混合模型参数，最后利用最大流最小割算法得到最优目标分割结果；

所述步骤4)具体为：

4.1)将分割初始掩膜m₇输入到GrabCut程序中，同时输入原始图像，GrabCut算法通过初始掩膜在分割原图上使用改进的GMM建模，再计算各个分量，最后通过最大流最小割得到最终分割结果，后续再对分割结果进行CRF处理，能够使边缘更加精细；

所述步骤4.1)中改进的GMM建模具体为：

4.1.1)通过得到的MaskRCNN掩膜计算得到掩膜的质心P_c；

4.1.2)遍历待分割区域每一个像素点P，计算得到离质心距离最大的一个点的距离，记为d_m，计算公式如下所示：

d_m＝max(||P-P_c||)

计算每个像素点与质心的距离d，计算公式如下所示：

d＝||P-P_c||

4.1.3)通过d_m、d计算得到位置信息，加入位置信息后特征向量为：

其中，P_r，P_g，P_b分别是图像的三通道分量。

2.根据权利要求1所述的一种图像的自动精细分割方法，其特征在于，所述步骤1)具体为：

1.1)将原始图像输入Mask RCNN程序中，Mask RCNN使用RPN网络来产生候选区域ROI；

1.2)利用ResNet-101残差卷积网络提取出图像的整体特征，从而进一步得到该原始图像的特征图；

1.3)通过RPN网络生成多个ROI候选区域，然后映射到共享卷积特征图上得到每个ROI区域的特征图，对每一个ROI使用ROIAlign进行像素校正，在每个ROI区域的特征图上对每个ROI进行类别以及boundingbox预测；

1.4)最后使用FCN框架预测ROI区域每个像素点所属的类别，最终得到图像实例分割的结果。