买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江工业大学

摘要：本发明为一种基于边界框和同现特征预测的图像分割方法，首先，使用FCOS方法、多尺度策略和中心度思想，确定主体的检测框范围；其次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模型模块和低层次特征映射后的空间注意机制模型模块，再使用交叉熵损失来监督显著边界定位信息的生成；对图像的同现特征进行预测，测量同现特征和目标特征的相似性来学习同现特征的概率并加入上下文先验信息以增强复杂场景中的鲁棒性，然后精准化边缘过程，达到目标精准分割的效果。

主权项：1.一种基于边界框和同现特征预测的图像分割方法，其特征在于，包括如下步骤：1引入FCOS方法，使用多尺度策略和中心度方法确定主体：1.1输入图像和真实边界框，基于一阶全卷积目标检测FCOS方法，使用多尺度策略和中心度方法，确定并输出主体目标边界框范围；1.2输入基于主体目标边界框范围的图像，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，VGG-16包含有13个卷积层和三个全连接层；1.3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模型，从而对显着对象表现出高响应的通道分配更大的权重；通过使用通道注意力机制模型对上下文感知金字塔特征进行加权，输出的新的高层特征；1.4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；1.5将通过通道注意机制模型加权后的高层特征和通过空间注意机制模型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同现特征分类：首先给定输入图像，利用预先训练的CNN提取卷积特征图；然后分成三个分支进行：一是利用前馈网络和将特征图转换为目标向量和同现向量的表示，并基于相似度估计同现特征的概率；二是通过聚合同现特征模块ACF使用具有同现概率的Ψ捕获的同现上下文；三是使用平均池化来捕获全局特性；3边缘精准化：3.1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；3.2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；3.3接着提取拉普拉斯矩阵L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；4确定主体结果、同现特征分类结果及边缘精准化结果相融合：4.1首先，处理确定主体部分的结果；通过步骤1.5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；4.2然后，对同现特征的结果进行处理；在同现特征的结果中得到每个类对应的矩阵，将其分别与灰度图进行点乘，目的是确定主体类的类别，对于每个类与灰度图计算得到的结果矩阵，遍历计算其中的交集部分，在所有类中交集最大的即为主体类，保留该类与灰度图的交集记为co_map；4.3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；4.4最后，将步骤4.3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；4.5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 一种基于边界框和同现特征预测的图像分割方法