[发明专利]基于深度种子的图像多层次分割的目标尺度选择方法

说明书

本发明公开了基于深度种子的图像多层次分割的目标尺度选择方法，包括步骤：利用多层次图像分割算法将输入图像分割成若干层次；构建多层次分割树；以颜色直方图、纹理直方图和区域几何尺寸表示图像特征，对分割区域的质量进行评价得到分割质量分数；找到最优分割树；对输入图像的前景类和背景类进行深度种子定位；利用最优分割树中的图像分割区域，建立一个图，通过求图的最小分割得到分割结果。本发明通过改进VGG‑19网络定位前景种子和显著性检测算法定位背景种子，生成深度种子处理图像多层次分割；设计了一个图模型，基于多层次分割结果中包含的多尺度分割区域，利用深度学习模型提供的语义信息，实现了图像目标的最优尺度选择。

技术领域

本发明涉及图像分割技术领域，具体涉及基于深度种子的图像多层次分割的目标尺度选择方法。

背景技术

图像分割是计算机视觉中的一项重要技术，其目的是根据图像的颜色一致或纹理相似性等特性将图像分割成若干段。尽管在文献中也提出了综合的分割算法，但是有效地分割出物体的有意义的部分来可视化人类的感知仍然是一个开放的挑战。每个人对“有意义”有不同的定义，不同的人在如何正确地分割一个图像上会有所不同。许多人喜欢将图像分割成几个片段，而其他人往往只识别图像内容的几个片段。在这种情况下，一个单独的分割结果只能由一个算法生成，这可能不是解决图像分割问题的有效方法。

最近的许多论文工作都研究了将图像分割成一个单一的多尺度结构，为了在所有尺度上捕捉图像目标。使用分层分割会导致在特定的分层级别上包含整个对象或对象的一部分的可能性更高。分层算法在不稳定性方面也有缺点，其结果是基于空间选择和特征参数的，因为层次是建立在低级特征(边缘、颜色等)上的，为了保持一致，对象的尺度没有被强加。然而，为不同的对象找到合适的分割层次并非易事。分层感知的层次图像分割对齐方法尝试将所有对象的比例与同一比例/级别对齐。基于大量的中低层特征，训练分类器对目标尺度进行重新对齐。但是现有方法需要依赖大量的图像特征，计算复杂度高，人工设计图像特征难度大，且优化选择得到的目标分割尺度在图像全局表达上并不是很好。

发明内容

针对现有层次图像分割目标尺度选择的不足，本发明提供的一种基于深度种子的图像多层次分割的目标尺度选择方法，克服现有图像多层次分割算法在单一分层级别上难以找到正确的目标分割尺度的缺点，通过生成前景类和背景类的深度种子，得到最优分割结果。

为了达到上述发明目的，本发明采用的技术方案为：

基于深度种子的图像多层次分割的目标尺度选择方法，包括：

步骤1：利用多层次图像分割算法，将输入图像I分割成两个以上层次，每个层次是一个分割结果，每个分割结果包含两个以上非重叠分割区域；

步骤2：构建多层次分割树T，包括：

2.1从最低层次分割结果R₁开始，由低到高取k个层次的分割结果，即{R₁,R₂,…,R_k}；低层次分割结果，其分割区域个数大于高一层次分割结果的分割区域个数，即|R₁||R₂|…|R_k|；其中，R₂的每个分割区域，与R₁中的一个分割区域相同，或者与R₁中两个以上相邻分割区域的并集相同；R₃的每个分割区域，与R₂中的一个分割区域相同，或者与R₂中两个以上相邻分割区域的并集相同；以此类推；