一种基于迭代分割的图像语义分割方法技术

本发明专利技术公开一种基于迭代分割的图像语义分割方法，包括：图像预处理，通过图像增强模型对输入的样本图像进行增强，得到增强样本图像，然后对所述增强样本图像进行若干次分割，如此反复得到最终的卷积神经网络，根据最终的卷积神经网络对图像进行语义分割，输出语义分割结果；本发明专利技术后续的样本图像是由最初的增强样本图像分割而成的，由于其经过多次分割，数量会逐渐庞大，并且先训练后验证，再训练再验证，如此反复得到最终的卷积神经网络，训练数据和验证数据之间相当于存在母体和子体关系，既不会产生因训练数据差异较大导致的精度降低问题，而且还由于训练数据之间的漂移较小，有助于提升精度。

【技术实现步骤摘要】
一种基于迭代分割的图像语义分割方法
本专利技术涉及一种基于迭代分割的图像语义分割方法，应用于静态2D图像、视频甚至3D数据、体数据的图像语义分割，属于图像处理

技术介绍
图像语义分割是从像素水平上，理解、识别图片的内容，其目的是建立每个像素和语义类别之间的一一映射关系，根据语义信息进行分割，其被广泛应用于场景理解、自动驾驶、医学影像分析、机器人视觉等领域。图像语义分割是图像理解的基石，其分割结果的好坏将直接影响对后续图像内容的处理，因此，对图像语义分割技术的研究具有非常重要的现实意义。现有技术中，利用卷积神经网络进行语义分割是常用的技术手段，而卷积神经网络的建立在整个过程中非常重要。语义分割(应用于静态2D图像、视频甚至3D数据、体数据)是计算机视觉的关键问题之一。在宏观意义上来说，语义分割是为场景理解铺平了道路的一种高层任务。作为计算机视觉的核心问题，场景理解的重要性越来越突出，因为现实中越来越多的应用场景需要从影像中推理出相关的知识或语义(即由具体到抽象的过程)。这些应用包括自动驾驶，人机交互，计算摄影学，图像搜索引擎，增强现实等。应用各种传统的计算机视觉和机器学习技术，这些问题已经得到了解决。虽然这些方法很流行，但深度学习革命让相关领域发生了翻天覆地的变化，因此，包括语义分割在内的许多计算机视觉问题都开始使用深度架构来解决，通常是卷积神经网络CNN，而CNN在准确率甚至效率上都远远超过了传统方法。但是现有技术训练卷积神经网络的进行图像语义分割的手段较为单一，由于图像样本数据之间关联性不强，漂移量大，导致最终的卷积神经网络进行图像语义分割的精度不高，误差较大。
技术实现思路
专利技术目的：针对现有技术中存在的问题与不足，本专利技术提供一种基于迭代分割的图像语义分割方法。技术方案：一种基于迭代分割的图像语义分割方法，包括如下内容：图像预处理，通过图像增强模型对输入的样本图像进行增强，得到增强样本图像，然后对所述增强样本图像进行若干次分割，每次分割后的数量均为前一次分割的倍数，以N1、N2，…，Ni表示，其中，Ni代表经过第i-1次分割后的增强样本图像数量；卷积神经网络的训练，以分割后数量为N1的增强样本图像作为初始训练样本训练卷积神经网络，以N2为初始验证样本对卷积神经网络进行验证，对卷积神经网络的参数进行更新，再以N3对卷积神经网络进行再次训练，以N4对卷积神经网络进行验证，对卷积神经网络的参数进行更新，如此反复得到最终的卷积神经网络；根据最终的卷积神经网络对图像进行语义分割，输出语义分割结果。对样本图像的图像预处理包括图像尺寸变换、图像质量检测和图像颜色校正，其中，所述图像尺寸变换用于改变图像尺寸，将样本图像修改成设定尺寸；所述图像质量检测用于判定图像质量是否满足训练需求，且在图像质量不满足训练需求时重新更换样本图像；所述图像颜色校正用于还原样本图像在标准光源下的真实色彩。图像质量是否满足训练需求，指的是图像的像素、边缘轮廓模糊等是否满足训练需求。例如在图像的像素较低时，需要重新更换样本图像。所述图像预处理中，输入的样本图像为图片或视频。关于增强样本图像分割所得的数量为N1、N2，…的增强样本图像，数量为Ni的增强样本图像中，对仅包含背景的增强样本图像进行剔除。所述卷积神经网络，包括5层卷积层、5层最大池化层和2层全连层。所述卷积神经网络的训练中，选定其中一个增强样本图像，分别输入至以当前增强样本图像训练所得的当前卷积神经网络模型和前一次卷积神经网络模型中，以两者输出的结果确定损失函数，当损失函数的值超出预设阈值时，更新当前卷积神经网络模型的模型参数。卷积神经网络的训练中，当选择的增强样本图像数量为多个时，通过加权的方式来确定最终的损失函数。图像中需要标注特征来进行图像分类和识别时，选择样本数量不足且样本识别效率较低，会选择多个增强样本进行训练。本专利技术还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有实现基于迭代分割的图像语义分割方法的计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于迭代分割的图像语义分割方法的步骤。本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有实现基于迭代分割的基于迭代分割的图像语义分割方法的计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述语义分割方法的步骤。有益效果：与现有技术相比，本专利技术提供的基于迭代分割的图像语义分割方法中，后续的样本图像是由最初的增强样本图像分割而成的，由于其经过多次分割，数量会逐渐庞大，并且先训练后验证，再训练再验证，如此反复得到最终的卷积神经网络，训练数据和验证数据之间相当于存在母体和子体关系，既不会产生因训练数据差异较大导致的精度降低问题，而且还由于训练数据之间的漂移较小，有助于提升精度。附图说明图1是本专利技术实施例方法的流程图；图2是本专利技术实施例方法中卷积神经网络模型的示意图。具体实施方式下面结合具体实施例，进一步阐明本专利技术，应理解这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围，在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价形式的修改均落于本申请所附权利要求所限定的范围。如图1所示，基于迭代分割的图像语义分割方法，包括以下内容：图像预处理，通过图像增强模型对输入的样本图像进行增强，得到增强样本图像，然后对所述增强样本图像进行若干次分割，每次分割后的数量均为前一次分割的倍数，以N1、N2，…，Ni表示，其中，Ni代表经过第i-1次分割后的增强样本图像数量；卷积神经网络的训练，以分割后数量为N1的增强样本图像作为初始训练样本训练卷积神经网络，以N2为初始验证样本对卷积神经网络进行验证，对卷积神经网络的参数进行更新，再以N3对卷积神经网络进行再次训练，以N4对卷积神经网络进行验证，对卷积神经网络的参数进行更新，如此反复得到最终的卷积神经网络；根据最终的卷积神经网络对图像进行语义分割，输出语义分割结果。本实施例中，N1、N2，…，Ni所代表的不同数量的增强样本图像是由最初的增强样本图像分割而成的，由于其经过多次分割，数量会逐渐庞大，卷积神经网络在训练时以N1作为初始训练样本训练卷积神经网络，以N2为初始验证样本对卷积神经网络进行验证，对卷积神经网络的参数进行更新，再以N3对卷积神经网络进行再次训练，以N4对卷积神经网络进行验证，如此反复得到最终的卷积神经网络，N1和N2、N3和N4之间相当于存在母体和子体关系，既不会产生因训练数据差异较大导致的精度降低问题，而且还由于训练数据之间的漂移较小，有助于提升精度。本实施例中，所谓图像增强是指有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。本实施例的一种情况本文档来自技高网...

【技术保护点】
1.一种基于迭代分割的图像语义分割方法，其特征在于，包括如下内容：/n图像预处理，通过图像增强模型对输入的样本图像进行增强，得到增强样本图像，然后对所述增强样本图像进行若干次分割，每次分割后的数量均为前一次分割的倍数，以N

【技术特征摘要】
1.一种基于迭代分割的图像语义分割方法，其特征在于，包括如下内容：
图像预处理，通过图像增强模型对输入的样本图像进行增强，得到增强样本图像，然后对所述增强样本图像进行若干次分割，每次分割后的数量均为前一次分割的倍数，以N1、N2，…，Ni表示，其中，Ni代表经过第i-1次分割后的增强样本图像数量；
卷积神经网络的训练，以分割后数量为N1的增强样本图像作为初始训练样本训练卷积神经网络，以N2为初始验证样本对卷积神经网络进行验证，对卷积神经网络的参数进行更新，再以N3对卷积神经网络进行再次训练，以N4对卷积神经网络进行验证，对卷积神经网络的参数进行更新，如此反复得到最终的卷积神经网络；
根据最终的卷积神经网络对图像进行语义分割，输出语义分割结果。


2.根据权利要求1所述的基于迭代分割的图像语义分割方法，其特征在于，对样本图像的图像预处理包括图像尺寸变换、图像质量检测和图像颜色校正，其中，所述图像尺寸变换用于改变图像尺寸，将样本图像修改成设定尺寸；所述图像质量检测用于判定图像质量是否满足训练需求，且在图像质量不满足训练需求时重新更换样本图像；所述图像颜色校正用于还原样本图像在标准光源下的真实色彩。


3.根据权利要求1所述的基于迭代分割的图像语义分割方法，其特征在于，所述图像预处理中，输入的样本图像为图片或视频。


4.根据权利要求1所述的基于迭代分割的图像语义分割方法，...

【专利技术属性】
技术研发人员：俞扬，詹德川，周志华，陈骏，
申请(专利权)人：南京大学，
类型：发明
国别省市：江苏;32