[发明专利]一种基于神经网络的轮廓演化分割方法

说明书

本发明实施例公开了一种基于神经网络的轮廓演化以及分割方法。该方法使用神经网络来自主自动地表达轮廓演化方向，将其应用于图像分割任务。本方法将轮廓演化分割过程阐释为一个给定初始化的增量更新过程，并使用神经网络来表达演化方向。相比于传统的主动轮廓分割模型和方法需要人工设定能量函数与演化方向，基于神经网络的轮廓演化可从数据和当前轮廓中自动学习和估计轮廓的演化方向。这种表达方法能够适应不同的初始轮廓，也克服了传统主动轮廓分割模型对于初始化轮廓非常敏感的问题。同时，由于本方法基于神经网络，因此估计演化方向的网络能够根据需要自行拓展以适应不同的分割任务场景。

技术邻域

本发明属于图像分割邻域，特别地涉及一种基于神经网络的轮廓演化以及分割方法。涉及到神经网络的表达能力，与基于轮廓演化的分割策略。

背景技术

图像目标分割与目标识别是计算机视觉与图像处理领域两个基础和重要的任务。变分分割是一种经典的分割方法，其思路是设计一个能量函数，给定一个初始轮廓，然后使用梯度下降方法对能量函数进行优化，使得轮廓进行演化。经过一定时间的迭代，轮廓演化收敛。但是由于能量函数通常是手动设计，需要依赖一定的启发性知识，比如前景区域和背景区域各自内部都是同质的，同颜色、同纹理等。这些手工设计的能量函数限制了区域特征的表达，限定了轮廓演化的方向，因此很多时候这些方法只适用于特定图像和场景。传统变分方法的另一个问题是非常依赖于初始轮廓。如果初始轮廓设置不好，优化问题很可能落入局部最优值。

由于神经网络是个万能逼近模型，所以我们使用神经网络来表达轮廓演化过程，其优点是能够自适应地学习和表达前背景区域的特征，以及轮廓演化过程中的演化方向，并且对初始轮廓不敏感。因此，基于神经网络的轮廓演化分割方法具有更强的鲁棒性和更优的性能。

发明内容

本发明的目的在于提供了一种基于神经网络的轮廓演化分割方法。本方法将轮廓演化分割过程阐释为一个给定初始化的增量更新过程，并方法使用神经网络来学习和表达轮廓演化方向，取代了传统方法中手工设计区域描述函数与演化方向的过程，让轮廓演化能够更加自适应更加鲁棒。

为实现上述目的，本发明的技术方案为：一种基于神经网络的轮廓演化分割方法。该方法为：给定某时刻的演化轮廓，使用神经网络自主自动地学习和表达轮廓的演化方向，并以增量更新的方法完成演化过程：

步骤1：给定RGB图像与对应的分割掩膜真值集合{Iⁱ,mⁱ}_{i＝1,2,…,N}，其中mⁱ∈{0,1}^H×W是二值的，H,W为图像的长宽，i＝1,2,…,N为样本编号，根据数据集规模和任务规模设定用于演化轮廓和估计演化方向的演化方向估计网络f，演化方向估计网络f的输入为演化轮廓φ以及图像I，其输出为当前轮廓的演化方向；

步骤2：对某图像I，设定演化的初始轮廓φ⁰∈(-∞,∞)；

步骤3：将图像数据I和当前轮廓φ^t输入到演化方向估计网络f估计当前的演化方向其中t为当前迭代次数，首次输入时，t＝0，当前轮廓为初始轮廓φ⁰。

步骤4：确定演化步长Δt，更新当前轮廓

步骤5：重复执行步骤3-4，直到达到迭代次数限制，获得最终演化轮廓φ^T；

步骤6：使用合适的映射函数σ(·)，将最终演化轮廓φ^T∈(-∞,∞)映射到[0,1]范围内，得到预测的分割掩膜q＝σ(φ)，最后将q阈值化得到二值分割结果q_out＝q＞τ，其中τ是阈值；

步骤7：训练演化方向估计网络f时，设定预测的分割掩膜q和掩膜真值m的误差损失作为网络f的损失函数并进行训练。