[发明专利]一种基于色彩空间的图像无监督分割优化方法

说明书

本发明涉及计算机视觉技术领域，尤其涉及一种基于色彩空间的图像无监督分割优化方法，包括定义颜色参考点、采集色彩空间序列、生成标签数据、样本类别以及批次划分，通过第一、第二神经网络进行优化训练获取最优网络参数；解决了基于颜色域来执行分割具有很强的通用性，但其算法复杂度高、推理速度慢的问题；本发明实现了基于样本批次准确率上升或下降数量动态调节样本批次，使得在促进网络优化的同时，避免网络陷入局部最优解，减少优化过程出现大幅度震荡；相比于现有技术，本发明的网络时间复杂度低，且可进行大批次的网络推理，大大提高了分割效率，减少神经网络的训练时间，节约成本。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种基于色彩空间的图像无监督分割优化方法。

背景技术

随着机器学习的发展，无监督学习方法的精度越来越高，相比于监督学习方法，无监督学习无需标注标签，通常以某些特定规则实施，其中，基于颜色域来执行分割具有很强的通用性，但是，其存在算法复杂度高、推理速度慢的问题。

目前，神经网络训练过程和推断过程对于网络计算的加速都有着较为迫切的需求，且神经网络在隐藏层神经元数目的选择和优化问题上没有一个确定性的理论指导，难以获得速度与准确率兼顾的最佳神经网络拓扑结构。

发明内容

本发明提供一种基于色彩空间的图像无监督分割优化方法，解决的技术问题是，基于颜色域来执行分割具有很强的通用性，但其算法复杂度高、推理速度慢。

为解决以上技术问题，本发明提供了一种基于色彩空间的图像无监督分割优化方法，包括以下步骤：

S1.通过调色板定义颜色参考点，采集色彩空间序列，并利用最近邻搜索生成标签数据；

S2.将属于每个所述颜色参考点的所述色彩空间序列划分为同一类别，并初始化网络参数以及训练周期数；

S3.对于每一类别，动态调整样本批次，划分得到属于同一类别的训练样本数据；

S4.将所述训练样本数据以及所述标签数据输入第一神经网络中训练，得到颜色索引概率，并将所述颜色索引概率进行转换处理，得到训练索引；

S5.根据所述训练索引以及当前的网络参数，获取新的网络参数，具体包括：

S51.根据所述标签数据以及所述训练索引，获取所述训练样本数据的准确率；

S52.统计设定周期内，每个周期当前所述训练样本数据的准确率，并计算所述设定周期内的准确率平均增量；

S53.将所述准确率平均增量与预设的增量阈值对比，若所述准确率平均增量小于所述增量阈值，则根据第一模型获取新的网络参数；

S6.将所述新网络参数用于下一批次的所述训练样本数据的训练，重复所述S4～S6步骤，直至所有类别训练结束；

S7.将所有所述网络参数输入第二神经网络训练，输出对应的预测评价指标，将所述预测评价指标输入第二模型，以获取最优网络参数。

进一步地，在所述步骤S3中，若当前的所述训练样本数据是第一个输入的训练样本，则初始化其样本批次；若否，则动态调整样本批次，具体为：

根据所述准确率，获取在所述设定周期内，当前所述训练样本数据的准确率上升次数以及准确率下降次数；

将所述准确率上升次数、所述准确率下降次数以及当前所述训练样本数据的数量输入样本批次模型中，获取下一批次所述训练样本数据的数量。

进一步地，在所述步骤S43中，若所述准确率平均增量大于所述增量阈值，则冻结此隐藏层的权重，然后对下一隐藏层进行神经元数量寻优，直至所有隐藏层训练结束。

更进一步地，所述第一模型为：