申请/专利权人：浙江工业大学

申请日：2021-08-29

公开（公告）日：2024-03-05

公开（公告）号：CN113592893B

主分类号：G06T7/194

分类号：G06T7/194;G06T7/12;G06T7/90;G06V10/80;G06V10/46;G06N3/0464;G06V10/762

优先权：

专利状态码：有效-授权

法律状态：2024.03.05#授权;2021.11.19#实质审查的生效;2021.11.02#公开

摘要：本发明公开了一种确定主体和精准化边缘相结合的图像前景分割方法，将用于定位显著性区域的确定主体过程和精准分割目标的边缘精准化过程相结合，首先确定主体部分设计了上下文感知金字塔特征提取模块得丰富的上下文特征，结合上下文感知金字塔特征提取模块特征映射后的通道注意机制CA模块和低层次特征映射后的空间注意机制SA模块，用一种使用交叉熵损失来监督显著边界定位信息的生成从而得到定位信息；然后精准化边缘过程，以光谱消光技术为基础获取图像中非局部颜色特征，用ResNet‑101深度残差网络获取高级语义特征，用拉普拉斯矩阵结合两者以对图像中的像素点进行分类，达到目标精准分割的效果；最后，在将两个过程的结果相融合。

主权项：1.一种确定主体和精准化边缘相结合的图像前景分割方法，其特征在于，包括如下步骤：1确定主体；1.1输入图像，采用上下文感知金字塔特征提取模块CPFE用于多尺度高层次特征映射，以获得丰富的上下文特征；CPFE将VGG-16网络架构中的Conv3-3、Conv4-3和Conv5-3作为基本的高层特征；1.2在上下文感知金字塔特征提取后，添加并使用通道注意力机制CA模型，通过使用CA对上下文感知金字塔特征进行加权，输出的新的高层特征；1.3获取自然图像的低层特征，将VGG-16网络架构中的Conv1-2和Conv2-2作为基本的低层特征作为输入；采用空间注意力机制SA模型关注显著性物体和背景之间的边界，助于生成用于包含边界信息的有效低层特征；1.4将通过通道注意机制CA加权后的高层特征和通过空间注意机制SA加权后的低层特征输出融合在一起，使用交叉熵损失来监督显著边界定位信息的生成；根据定位信息，输出图像前景轮廓的灰度图；2边缘精准化；2.1首先是输入图像后，进行收集图像信息特征；图像的信息特征主要来自两个方面：一是基于光谱消光，从谱分析的角度，得到来自输入图像的非局部的颜色关系信息；二是使用用于场景分析的卷积神经网络，生成的高级语义关系信息；2.2随后将图像的非局部的颜色关系信息和高级语义关系信息相结合，建立图像层，在拉普拉斯矩阵L的特征向量中揭示语义对象以及语义对象之间的软过渡关系；2.3接着提取L矩阵的100个最小特征值对应的特征向量，再使用k-means聚类处理特征向量；边缘精准化处理过程完毕，将输出由拉普拉斯矩阵构成的图像图层；3确定主体结果与边缘精准化结果的融合；3.1首先，处理确定主体部分的结果：通过步骤1.4的输出结果所得到灰度图进行二值化处理，保留主体轮廓以及明显的主体白色区域；3.2接着，处理边缘精准化部分的结果：遍历整个矩阵集合，找到每个像素点所属的最大透明度的类所在的矩阵，认为是其属于的类，除了该类外其他矩阵中的透明度均设置为0；3.3最后，将3.2步骤中输出的拉普拉斯矩阵集合分别和显著性检测结果的灰度图进行点乘，再确定所需保留以及保留类之间交集部分，将所有保留记录的部分结合起来就是最终所需前景主体部分；3.4确定主体结果与边缘精准化结果的融合过程处理完毕，输出图像的前景部分。

全文数据：

权利要求：

百度查询： 浙江工业大学 一种确定主体和精准化边缘相结合的图像前景分割方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD