[发明专利]一种基于深度学习的显著区域提取方法及系统

说明书

本发明提供一种基于深度学习的显著区域提取方法及系统，其中方法包括训练步骤和测试步骤，所述训练步骤包括以下子步骤：进行超像素分割；进行超像素集合的筛选；生成训练区域块；提取所述训练区域块的特征；标注所述训练区域块；训练卷积神经网络。本发明提出的一种基于深度学习的显著区域提取方法及系统，对输入深度网络的训练特征增加了筛选环节，筛选后的区域输入到深度网络训练得到的模型具有更强的判别能力。

技术领域

本发明涉及计算机视觉技术领域，具体地说是一种基于深度学习的显著区域提取方法及系统。

背景技术

随着视觉显著性研究的深入，越来越多的研究已经将深度学习网络体系结构应用到显著区域提取中。有的文献通过无监督学习方法得到多个中层的滤波器集合进行局部的显著区域提取，并且和卷积网络得到的中层显著区域提取结果进行融合。有的文献采用卷积神经网络得到图像的多尺度特征，包括局部区域块、它的邻域区域块和整幅图像，进行显著区域的提取。有的文献训练了两个深度卷积网络：一个用于训练得到局部显著图，另一个用于训练得到全局显著图，然后将两种显著图进行融合。有的文献采用全局上下文信息和局部区域信息相融合的方法实现显著区域提取。深度学习除了具有层次结构之外，还能自动学习特征，学习到的特征明显优于手工提取的特征，正因为如此，基于深度学习的显著区域提取工作已经取得了很大的进展。目前基于深度学习的显著区域提取方法为了取得较好的提取效果往往会设计多个深度学习的网络结构，或者设计不同的对比度计算方法对输入深度网络进行特征训练，但是对输入深度网络的训练特征缺少进行筛选的处理，因此会导致学习到的显著特征的判别性不强。

申请号为CN103810503A的发明申请公开一种基于深度学习的自然图像中显著区域的检测方法，在训练阶段，首先在自然图像数据库上选取一定数量的图片提取基本特征，构成训练样本，然后利用深度学习模型对已提取特征进行再学习，从而得到更抽象更有区分能力的增强型高级特征，最后用学习到的特征训练分类器。在测试阶段，对于任意一幅测试图像，首先提取基本特征，然后利用训练好的深度模型，提取增强型高级特征，最后利用分类器进行显著性与否的预测，并把每个像素点的预测值作为这点的显著值。该方法的缺点是缺少对输入网络中的图像区域进行筛选的过程，如果将对比度更强的特征输入到网络中则训练得到的模型判别性更强。

发明内容

为了解决上述的技术问题，本发明提出的一种基于深度学习的显著区域提取方法及系统，对输入深度网络的训练特征增加了筛选环节，以保证提取的显著区域特征具有更强的判别能力。

本发明的第一目的是提供一种基于深度学习的显著区域提取方法，包括训练步骤和测试步骤，还包括以下步骤：

步骤01：进行超像素分割；

步骤02；进行超像素集合的筛选；

步骤03：生成训练区域块；

步骤04：提取所述训练区域块的特征；

步骤05：标注所述训练区域块；

步骤06：训练卷积神经网络。

优选的是，所述步骤01为对训练集的每幅图像采用超像素分割算法进行分割预处理，得到训练集图像的所述超像素集合其中，M为集合R¹中超像素的个数，i表示处理的是第i块超像素区域。

在上述任一方案中优选的是，所述步骤02包括对所述训练集图像的超像素集合R¹中的每一个超像素区域和其邻域进行对比度判断，筛选出满足对比度判别阈值要求的超像素区域，获得满足要求的超像素集合其中，N为集合R²中超像素的个数，1≤a≤N。

在上述任一方案中优选的是，超像素区域对比度判别函数如下：