一种目标边缘提取方法、图像分割方法及系统技术方案

本发明专利技术属于图像处理技术领域，具体涉及一种目标边缘提取方法、图像分割方法及系统。所述目标边缘提取方法通过构建基于边缘查找的无监督粗略分割方法模拟视觉的工作记忆原理，进行场景的整体认知，获取大面积目标的准确边缘。所述图像分割方法是基于目标提取方法和分割神经网络，模拟视觉注意对场景进行细致观察，得到小面积的细节；最后根据视觉表现出的推理能力，结合粗略分割中的准确边缘生成分割结果。本发明专利技术在模拟视觉推理分别认知地面场景整体与细节的基础上，进行整体信息与细节信息的相互补充与相互修正，实施噪声去除、错误修复，从而有效提高图像分割的精度。从而有效提高图像分割的精度。从而有效提高图像分割的精度。

【技术实现步骤摘要】
一种目标边缘提取方法、图像分割方法及系统


[0001]本专利技术属于图像处理
，具体涉及一种基于视觉推理结合无监督聚类与深度学习的分割方法。

技术介绍

[0002]图像分割目前作为多种应用的基石，能够根据各类目标的光谱、纹理、形状等特征，对图像进行类别划分，获取场景中的类别信息。但随着当前图像分辨率的不断提高，不仅带来了更加丰富和精细的场景信息，同时也致使影像信息高度细节化，且同类目标光谱可能不一致，不同目标的光谱可能相互重叠，使目标的类内方差增大、类间方差减少，为当前的图像分割带来了新的挑战。
[0003]而当前深度学习神经网络的出现为图像分割提供了一种非常优秀的新思路。基于深度学习的图像分割技术，在借助神经网络强大认知优势的基础上，展现出超过以往方法的认知能力，能够对图像中的各种复杂信息进行全面、完善的分析与解读，是目前最为流行与广受好评的方法。
[0004]然而，由于受不同成像光照条件、目标大小不一致的干扰，当前的分割方法难以在分析场景时，难以合理权衡认知粒度，可能既无法保护大面积目标的准确边缘，又容易丢失小面积细节。

技术实现思路

[0005]针对现有技术的缺陷或不足，本专利技术提供了一种目标边缘提取方法。
[0006]为此，本专利技术所提供的目标边缘提取方法是在原始图像中提取目标的边缘，方法包括：
[0007]Step1.1，对原始图像建立影像金字塔，得到包含n层信息的图像金字塔；其中任意一层表示为Img
i
，i＝1,2,...,n；n≥2；
[0008]Step1.2，对图像金字塔进行边缘提取得到边缘金字塔，其中任意一层Img
i
的边缘为Ed
i
，i＝1,2,...,n；
[0009]Step1.3，将边缘金字塔中的每一层大小调整为原始图像的大小，调整大小后的任意一层为Ued
i
，i＝1,2,...,n；
[0010]Step1.4，对Step1.3处理后的每一层进行二值化处理，其中任意一层Ued
i
中像素灰度小于阈值Ed_thd
i
的赋值为0，Ued
i
中像素灰度大于等于阈值Ed_thd
i
的赋值为1，得到任意一层Ued
i
的二值化层Bed
i
，其中Ed_thd
i
＝mean(Ued
i
)
‑
std(Ued
i
)，mean(Ued
i
)为Ued
i
中所有像素的均值，std(Ued
i
)为Ued
i
中所有像素的标准差，i＝1,2,...,n；
[0011]Step1.5，对Step1.4得到的所有二值化层进行形态学膨胀，任意二值化层Bed
i
进行i
‑
1次形态学膨胀，得到相应层的膨胀边缘Ded
i
，i＝1,2,...,n；
[0012]Step1.6，将所有层的膨胀边缘进行加和，得到累加结果Sed；
[0013]Step1.7，将累加结果Sed中区域Ned_area1内的像素灰度赋值为0，得到边缘图
Wed，所述区域Ned_area1为Ded1中的像素灰度为0值的像素构成的区域；
[0014]Step1.8，去除边缘图中像素灰度值小于n的像素，得到清晰边缘图Aed，完成对目标边缘的提取。
[0015]可选的，所述Step1.1中采用双线性插值重采样方法对原始图像建立影像金字塔。
[0016]可选的，所述Step1.2中采用高斯拉普拉斯滤波器对图像金字塔进行边缘提取。
[0017]可选的，所述Step1.3中采用最邻近插值重采样方法对边缘金字塔中的每一层大小进行调整。
[0018]本专利技术还提供了一种图像分割方法。为此，本专利技术所提供的图像分割方法包括：
[0019]步骤1，对待分割原始图像Omg进行颜色粗略聚类，包括：执行上述方法得到原始图像Omg的清晰边缘图；之后根据清晰边缘图中的边缘信息和原始图像Omg不同颜色，对原始图像Omg进行颜色聚类得到粗略聚类结果Rsg，粗略聚类结果Rsg中包含清晰边缘图中各目标的边缘信息；
[0020]利用图像分割神经网络对原始图像进行分割，得到分割结果Nsg；
[0021]步骤2，从分割结果Nsg中选择任意目标Ngc，根据任意目标Ngc位置找到粗略聚类结果Rsg中对应的目标Rgc，然后目标Rgc的清晰边缘替换分割结果Nsg中目标Ngc的边缘，完成对目标Ngc的边缘修复分割。
[0022]可选的，所述图像分割神经网络经初始网络训练后得到，所述初始网络为MASK
‑
RCNN网络、洗牌神经网络或改进型的洗牌神经网络，所述改进型的洗牌神经网络是通过对洗牌神经网络中的每个洗牌结构前后分别加入残差连接，得到残差洗牌结构，之后在各残差洗牌结构上连接自注意力模块所得到。
[0023]本专利技术还提供了一种图像分割系统，所提供的图像分割系统包括图像边缘提取模块、图像分割模块和边缘替换模块；
[0024]所述图像边缘提取模块用于对待分割原始图像Omg进行颜色粗略聚类，包括：采用上述方法得到原始图像Omg的清晰边缘图；之后根据清晰边缘图中的边缘信息和原始图像Omg不同颜色，对原始图像Omg进行颜色聚类得到粗略聚类结果Rsg，粗略聚类结果Rsg中包含清晰边缘图中各目标的边缘信息；
[0025]所述图像分割模块利用图像分割神经网络对原始图像进行分割，得到分割结果Nsg；
[0026]所述边缘替换模块用于从分割结果Nsg中选择任意目标Ngc，根据任意目标Ngc位置找到粗略聚类结果Rsg中对应的目标Rgc，然后目标Rgc的清晰边缘替换分割结果Nsg中目标Ngc的边缘，完成对目标Ngc的边缘修复分割。
[0027]本专利技术的目标边缘提取方法是基于视觉工作记忆的边缘提取方法，方法针对大粒度目标，能够在分析图像自身边缘的基础上，区分和保护大面积目标的准确边缘。
[0028]本专利技术的图像分割方法是基于视觉工作记忆、视觉注意与视觉推理的图像注意洗牌优化分割方法，该方法通过参考神经感知理论中重要的视觉工作记忆原理与视觉注意力机制，探讨视觉的推理能力；在模拟视觉推理分别认知地面场景整体与细节的基础上，进行整体信息与细节信息的相互补充与相互修正，实施噪声去除、错误修复，从而有效提高图像分割的精度。
[0029]进一步的方案中，基于视觉注意的注意洗牌神经网络结构，能够以注意结构找出
对分割有重要影响的细节，并结合洗牌结构对小粒度细节进行更加深入、全面的解读。
附图说明
[0030]图1为本专利技术图像分割方法的总体流程图。
[0031]图2为本专利技术改进型洗牌网络的结构图。
[0032]图3为实施例1的处理数据及结果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标边缘提取方法，方法是在原始图像中提取目标的边缘，其特征在于，所述方法包括：Step1.1，对原始图像建立影像金字塔，得到包含n层信息的图像金字塔；其中任意一层表示为Img
i
，i＝1,2,...,n；n≥2；Step1.2，对图像金字塔进行边缘提取得到边缘金字塔，其中任意一层Img
i
的边缘为Ed
i
，i＝1,2,...,n；Step1.3，将边缘金字塔中的每一层大小调整为原始图像的大小，调整大小后的任意一层为Ued
i
，i＝1,2,...,n；Step1.4，对Step1.3处理后的每一层进行二值化处理，任意一层Ued
i
中像素灰度小于阈值Ed_thd
i
的赋值为0，Ued
i
中像素灰度大于等于阈值Ed_thd
i
的赋值为1，得到任意一层Ued
i
的二值化层Bed
i
，其中Ed_thd
i
＝mean(Ued
i
)
‑
std(Ued
i
)，mean(Ued
i
)为Ued
i
中所有像素的均值，std(Ued
i
)为Ued
i
中所有像素的标准差，i＝1,2,...,n；Step1.5，对Step1.4得到的所有二值化层进行形态学膨胀，其中任意二值化层Bed
i
进行i
‑
1次形态学膨胀，得到相应层的膨胀边缘Ded
i
，i＝1,2,...,n；Step1.6，将所有层的膨胀边缘进行加和，得到累加结果Sed；Step1.7，将累加结果Sed中区域Ned_area1内的像素灰度赋值为0，得到边缘图Wed，所述区域Ned_area1为Ded1中的像素灰度为0值的像素构成的区域；Step1.8，去除边缘图中像素灰度值小于n的像素，得到清晰边缘图Aed，完成对目标边缘的提取。2.如权利要求1所述的目标边缘提取方法，其特征在于，所述Step1.1...

【专利技术属性】
技术研发人员：丛铭，韩玲，崔建军，陈斯亮，席江波，顾俊凯，张庆芳，
申请(专利权)人：长安大学，
类型：发明
国别省市：