[发明专利]一种基于多阈值的图像语义分割方法及系统

说明书

本发明公开了一种基于多阈值的图像语义分割方法及系统，包括：根据目标对象在图像多尺度特征图谱中提取感兴趣区域特征；对复原后的感兴趣区域特征依次经多级阈值进行分割，以此训练预设的图像语义分割模型；以训练后的图像语义分割模型对待分割图像进行处理，得到语义分割结果。采用非极大抑制方法提取感兴趣区域特征，避免重复建议区域的问题；对分割分支设置多级阈值，采用DenseCRF优化分割结果，提高分割精度。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种基于多阈值的图像语义分割方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

在机器视觉领域中，图像分割是指将图像分成若干互不重叠的子区域，使得同一个子区域内的特征具有一定相似性，不同子区域的特征呈现较为明显的差异。在实际问题中，有许多的应用场景需要同时处理大量的图像数据，并且图像类型复杂，传统的图像分割算法，比如基于阈值的分割算法、分水岭算法等已经无法满足现在的需求；随着深度学习发展迅速，越来越多的深度学习解决方案应用于机器视觉领域，其中图像分割依赖于深度学习的发展而进步。

目前有很多基于深度学习的图像分割算法，例如VGGNet、ResNet网络依然在特征提取领域具备优势。Long J等人在2015年发表在CVPR上提出FCN网络，大多数的图像分割方法或多或少都会利用到FCN或者其中的一部分。Pinheiro等人提出一种深度掩模分割模型，该模型通过输入图像中出现的实例输出预测候选掩模分割每个实例对象，但边界分割的精度较低。He等人提出Mask R-CNN框架，该算法是现有分割算法中实例分割结果较好的算法。Huang等人针对Mask R-CNN分类框与预测mask共享评价函数对分割结果有所干扰的问题，提出Mask Scoring R-CNN，优化前者的信息传递，提高生成预测mask的质量，同时在未经大批量数据训练的情况下，其分割任务具备较大优势。

但是发明人发现，目前为止，现在的算法依然存在一些不足，比如模型过于复杂、精度不高、需要大量的标注数据训练等；大多情况下不能同时协调处理上述问题，从而必须做出取舍；另外，Mask Scoring R-CNN算法的提出被用于图像实例分割，Mask Scoring R-CNN算法为了得到更好的mask预测结果，阈值的设置是一个很重要的影响因子，一般来说，阈值越高预测结果越精确，但是过高的阈值会导致正样本数量急剧减少，进而引发模型过拟合现象；如果阈值过低，样本中会包含更多的冗余结果，导致检测器难以区分正负样本，影响训练效果，而Mask Scoring R-CNN的阈值是固定的，过低或过高的阈值都会造成训练模型不能达到最优；所以该网络在一些场景中，对于一些图像的分割边缘比较粗糙，不够精细，会出现分割边缘超出或者不到预期位置的问题，以及阈值设定固定不变，调整参数对于图像边缘的分割提升不大的问题。

发明内容

为了解决上述问题，本发明提出了一种基于多阈值的图像语义分割方法及系统，采用非极大抑制方法提取感兴趣区域特征，避免重复建议区域的问题；对分割分支设置多级阈值，采用DenseCRF优化分割结果，提高分割精度。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种基于多阈值的图像语义分割方法，包括：

根据目标对象在图像多尺度特征图谱中提取感兴趣区域特征；

对复原后的感兴趣区域特征依次经多级阈值进行分割，以此训练预设的图像语义分割模型；

以训练后的图像语义分割模型对待分割图像进行处理，得到语义分割结果。

第二方面，本发明提供一种基于多阈值的图像语义分割系统，包括：

特征提取模块，用于根据目标对象在图像多尺度特征图谱中提取感兴趣区域特征；