【技术实现步骤摘要】
本公开涉及图像分割，具体地，涉及一种基于模糊聚类算法的图像分割方法及系统。
技术介绍
1、图像分割是计算机视觉中一项基本任务，其目的是将图像分解为具有不同语义含义的区域，以便更好地理解图像中所包含的对象语义。例如，在建筑图像分割任务中，可以用于提取建筑图像中所包含的建筑物、道路和植被等语义区域，从而为建筑工程的规划以及策略制定提供参考依据。传统的图像分割方法通常基于硬聚类算法，该算法是将图像中的每个像素分配给一个明确的类别。然而，在现实中目标图像中的边界通常是模糊的，比如在建筑物图像中，建筑物、道路和植被等对象的边界通常是模糊和不确定的，这使得硬聚类算法难以进行处理，也难以满足实际应用需求。
2、因此，期望一种基于模糊聚类算法的图像分割方案。
技术实现思路
1、提供该
技术实现思路
部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该
技术实现思路
部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
2、第一方面，本公开提供了一种基于模糊聚类算法的图像分割方法，所述方法包括：
3、获取待处理目标图像；
4、通过图像特征提取器对所述待处理目标图像进行分析和目标图像不同层次的特征提取以得到目标图像浅层特征图和目标图像语义特征图；
5、将所述目标图像浅层特征图通过多尺度泛空间注意力模块以得到空间显著化目标图像浅层特征图；
6、对所述空间显著化目标图
7、；
8、；
9、；
10、其中，和分别为所述空间显著化目标图像浅层特征图和所述目标图像语义特征图，为拼接操作，为卷积操作，为批量归一化处理，为激活函数，为融合表征特征图，为全局均值池化处理，为激活函数，为权重向量，为利用所述权重向量对特征图像进行加权操作，为所述目标图像多尺度注意力强化融合特征图；
11、使用模糊聚类算法对所述目标图像多尺度注意力强化融合特征图进行处理以得到目标图像的语义分割结果。
12、可选地，通过图像特征提取器对所述待处理目标图像进行分析和目标图像不同层次的特征提取以得到目标图像浅层特征图和目标图像语义特征图，包括：将所述待处理目标图像通过基于金字塔网络的图像特征提取器以得到所述目标图像浅层特征图和所述目标图像语义特征图。
13、可选地，将所述目标图像浅层特征图通过多尺度泛空间注意力模块以得到空间显著化目标图像浅层特征图，包括：将所述目标图像浅层特征图通过所述多尺度泛空间注意力模块以如下空间显化公式进行处理以得到所述空间显著化目标图像浅层特征图；其中，所述空间显化公式为：
14、；
15、；
16、其中，为所述目标图像浅层特征图，表示卷积核大小，、、分别表示对所述目标图像浅层特征图的多个通道进行全局均值池化、全局最大值池化和全局随机池化处理得到的均值池化特征矩阵、最大值池化特征矩阵和随机池化特征矩阵，为 sigmoid激活函数，为所述目标图像浅层特征图的注意力权重矩阵，表示哈达玛积，为所述空间显著化目标图像浅层特征图。
17、可选地，使用模糊聚类算法对所述目标图像多尺度注意力强化融合特征图进行处理以得到目标图像的语义分割结果，包括:计算所述目标图像多尺度注意力强化融合特征图的沿通道维度的各个特征矩阵的全局均值以得到初始聚类中心；将所述目标图像多尺度注意力强化融合特征图中各个像素位置的通道特征向量作为初始像素点特征的集合；以及，使用模糊聚类算法对所述初始像素点特征的集合和所述初始聚类中心进行处理以得到所述目标图像的语义分割结果。
18、可选地，使用模糊聚类算法对所述初始像素点特征的集合和所述初始聚类中心进行处理以得到所述目标图像的语义分割结果，包括：计算所述初始像素点特征的集合中各个初始像素点特征与所述初始聚类中心之间的隶属度以得到隶属度矩阵；基于所述隶属度矩阵，生成所述目标图像的语义分割结果。
19、可选地，还包括训练步骤：用于对所述基于金字塔网络的图像特征提取器、所述多尺度泛空间注意力模块和所述语义信息指导多通道特征融合模块进行训练。
20、可选地，所述训练步骤，包括：获取训练待处理目标图像；通过所述图像特征提取器对所述训练待处理目标图像进行分析和目标图像不同层次的特征提取以得到训练目标图像浅层特征图和训练目标图像语义特征图；将所述训练目标图像浅层特征图通过所述多尺度泛空间注意力模块以得到训练空间显著化目标图像浅层特征图；对所述训练空间显著化目标图像浅层特征图和所述训练目标图像语义特征图进行基于语义信息指导的多通道特征融合处理以得到训练目标图像多尺度注意力强化融合特征图；使用模糊聚类算法对所述训练目标图像多尺度注意力强化融合特征图进行处理以得到目标图像的特定损失函数值；基于所述特定损失函数值对所述基于金字塔网络的图像特征提取器、所述多尺度泛空间注意力模块和所述语义信息指导多通道特征融合模块进行训练，在每一次迭代中，对于所述训练目标图像多尺度注意力强化融合特征图进行优化。
21、第二方面，本公开提供了一种基于模糊聚类算法的图像分割系统，所述系统包括：
22、待处理目标图像获取模块，用于获取待处理目标图像；
23、特征提取模块，用于通过图像特征提取器对所述待处理目标图像进行分析和目标图像不同层次的特征提取以得到目标图像浅层特征图和目标图像语义特征图；
24、多尺度泛空间注意力模块，用于将所述目标图像浅层特征图通过多尺度泛空间注意力模块以得到空间显著化目标图像浅层特征图；
25、多通道特征融合处理模块，用于对所述空间显著化目标图像浅层特征图和所述目标图像语义特征图进行基于语义信息指导的多通道特征融合处理以得到目标图像多尺度注意力强化融合特征图；
26、模糊聚类算法处理模块，用于使用模糊聚类算法对所述目标图像多尺度注意力强化融合特征图进行处理以得到目标图像的语义分割结果。
27、可选地，所述特征提取模块，用于：将所述待处理目标图像通过基于金字塔网络的图像特征提取器以得到所述目标图像浅层特征图和所述目标图像语义特征图。
28、采用上述技术方案，通过图像特征提取器对获取的待处理目标图像进行分析和目标图像不同层次的特征提取；然后对空间显著化目标图像浅层特征图和目标图像语义特征图进行基于语义信息指导的多通道特征融合处理以得到目标图像多尺度注意力强化融合特征图；使用模糊聚类算法对目标图像多尺度注意力强化本文档来自技高网...
【技术保护点】
1.一种基于模糊聚类算法的图像分割方法，其特征在于，包括：
2.根据权利要求1所述的基于模糊聚类算法的图像分割方法，其特征在于，通过图像特征提取器对所述待处理目标图像进行分析和目标图像不同层次的特征提取以得到目标图像浅层特征图和目标图像语义特征图，包括：将所述待处理目标图像通过基于金字塔网络的图像特征提取器以得到所述目标图像浅层特征图和所述目标图像语义特征图。
3.根据权利要求2所述的基于模糊聚类算法的图像分割方法，其特征在于，将所述目标图像浅层特征图通过多尺度泛空间注意力模块以得到空间显著化目标图像浅层特征图，包括：将所述目标图像浅层特征图通过所述多尺度泛空间注意力模块以如下空间显化公式进行处理以得到所述空间显著化目标图像浅层特征图；
4.根据权利要求3所述的基于模糊聚类算法的图像分割方法，其特征在于，使用模糊聚类算法对所述目标图像多尺度注意力强化融合特征图进行处理以得到目标图像的语义分割结果，包括：
5.根据权利要求4所述的基于模糊聚类算法的图像分割方法，其特征在于，使用模糊聚类算法对所述初始像素点特征的集合和所述初始聚类中心进
6.根据权利要求5所述的基于模糊聚类算法的图像分割方法，其特征在于，还包括训练步骤：用于对所述基于金字塔网络的图像特征提取器、所述多尺度泛空间注意力模块和所述语义信息指导多通道特征融合模块进行训练。
7.根据权利要求6所述的基于模糊聚类算法的图像分割方法，其特征在于，所述训练步骤，包括：
8.一种基于模糊聚类算法的图像分割系统，其特征在于，包括：
9.根据权利要求8所述的基于模糊聚类算法的图像分割系统，其特征在于，所述特征提取模块，用于：将所述待处理目标图像通过基于金字塔网络的图像特征提取器以得到所述目标图像浅层特征图和所述目标图像语义特征图。
...【技术特征摘要】
1.一种基于模糊聚类算法的图像分割方法，其特征在于，包括：
2.根据权利要求1所述的基于模糊聚类算法的图像分割方法，其特征在于，通过图像特征提取器对所述待处理目标图像进行分析和目标图像不同层次的特征提取以得到目标图像浅层特征图和目标图像语义特征图，包括：将所述待处理目标图像通过基于金字塔网络的图像特征提取器以得到所述目标图像浅层特征图和所述目标图像语义特征图。
3.根据权利要求2所述的基于模糊聚类算法的图像分割方法，其特征在于，将所述目标图像浅层特征图通过多尺度泛空间注意力模块以得到空间显著化目标图像浅层特征图，包括：将所述目标图像浅层特征图通过所述多尺度泛空间注意力模块以如下空间显化公式进行处理以得到所述空间显著化目标图像浅层特征图；
4.根据权利要求3所述的基于模糊聚类算法的图像分割方法，其特征在于，使用模糊聚类算法对所述目标图像多尺度注意力强化融合特征图进行处理以得到...
【专利技术属性】
技术研发人员：刘璐，吴成茂，刘凯，韩丹，
申请(专利权)人：西安交通工程学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。