[发明专利]一种基于增强特征表示的图像分割方法

说明书

本发明公开了一种基于增强特征表示的图像分割方法，包括如下步骤：S1、以卷积神经网络作为骨干网络，将待分割图像输入到卷积神经网络以获得初次分割结果，输出特征图；S2、利用全局平均池化捕获所述特征图的类别整体特征；S3、重建像素特征，将其用于分类获得最终的分割图像。本发明通过捕获各类别的整体特征，将其作用于各类别内像素点，进而增强像素特征表示，提高类内像素点的相似度和类间像素点的判别性，从而提高图像分割的准确性。

技术领域

本发明涉及图像分割技术领域，特别涉及一种基于增强特征表示的图像分割方法。

背景技术

场景分割的核心是要将同类别的区域标记为同个标签，因此需要提高同属同一物体内的各像素点的相似度，同时要让不同物体的特征具有很好的区分度，即同时提高类内像素点的相似度和类间像素点的判别性，才有利于分为同一类，从而实现得到更加准确的图像分割结果。现有的方法通常采用注意力机制、最小生成树或分段最小生成树来捕获物体的大致区域以实现分类，但有研究表明注意力机制未能关注同类别区域，其他方法也存在计算量大的缺点。

发明内容

为解决上述问题，本发明提供了一种基于增强特征表示的图像分割方法。

本发明采用以下技术方案：

一种基于增强特征表示的图像分割方法，包括如下步骤：

S1、以卷积神经网络作为骨干网络，将待分割图像输入到卷积神经网络以获得初次分割结果，输出特征图；

S2、利用全局平均池化捕获所述特征图的类别整体特征；

S3、重建像素特征，将其用于分类获得最终的分割图像。

进一步地，所述步骤S2具体为：

S21、使用初步监督将特征图划分成C个区域{R₁,R₂,...,R_c}，其中R_c表示第c类别的区域；

S22、使用各个区域到所述特征图中提取每个类别的整体特征，其公式如下所示：u_c＝GAP(F*p_c)，其中，u_c表示第c类的整体特征，F表示所述卷积神经网络输出的所述特征图，S21中所述区域提议R_c经过自动广播操作后，与F相乘，获得第c类的张量表示，GAP表示全局平均池化，每个类别的全局平均池化的区域是不同的，是R_c的非0区域。

进一步地，所述步骤S3具体为：

S31、每个像素点拥有概率值向量(p₁，p₂，...，p_C)，将向量内概率值均小于等于0.5的像素点形成的集合确定为边界区域，利用放缩函数对所述边界区域的概率进行放缩，拉大最大概率值与其他概率值之间的差距，即：

其中，(p₁,p₂,…,p_C)表示该点判别为各类别的概率，(p_1new,p_2new,…,p_Cnew)表示放缩后的概率；

S32、关注最大概率值所指示的那个类别的特征，利用对各类别特征加权运算的方式建立像素点与类别整体特征融合，增强各像素点的特征表示，即：

其中，(u₁,u₂,…,u_C)表示各类别的整体特征，C表示类别数，ρ表示加权运算后的特征变换函数，上式表示像素点放缩后的概率与类别整体特征融合后获得的增强特征。