基于对标注图像学的图像分割方法

摘要

本发明提供的是一种基于对标注图像学的图像分割方法。分为两个过程；过程1首先对标注好的训练样本进行学，包括对训练图像的分割、训练图像的场景分类以及特定场景下的标注字与分割区域的联接建立；过程2利用过程1学到得模型参数确定待分割区域的标注字，并通过区域的标注信息进行信息融合，完成分割。本发明通过对标注图像的学将图像分割和识别过程相融合，将标注字作为图像分割和物体识别的联系纽带，在低级的视觉刺激与代表高级语义信息的标注字之间建立联接，来指导图像分割过程，以提高图像分割结果的认知能力。可以直接应用到自动图像标注、医学图像的计算机辅助诊断、遥感图像的分割和分类以及多媒体信息检索等实际应用领域。

主权项

一种基于对标注图像学习的图像分割方法，其特征是分为两个过程；过程1首先对标注好的训练样本进行学习，包括对训练图像的分割、训练图像的场景分类以及特定场景下的标注字与分割区域的联接建立；过程2利用过程1学习到得模型参数确定待分割区域的标注字，并通过区域的标注信息进行信息融合，完成分割；所述过程1包括如下步骤：步骤1.1，训练图像的过分割，采用改进的模糊K‑均值方法对图像进行过分割；步骤1.2，自动场景语义类别的确定；首先利用视觉特征与标注字之间的相关性，将视觉特征转化为标注字描述方式；将每幅图像的标注向其视觉邻近的图像传播，信息传播量由邻近图像间的视觉相似程度所决定，而接收图像则按照标注字间的相关性进行信息接收；标注字间的相关性利用训练样本中同一图像中出现的标注字进行统计；让标注字信息量在视觉相似图像中累积增长，将视觉特征转化为代表其与标注字相关程度的权值；然后利用概率潜在语义分析模型针对具有权值的标注字提取图像的语义类别；将训练样本分成不同的场景后，每个场景采用高斯混合模型模拟该场景下的视觉分布，利用获得的模型参数在后续步骤中确定待分割图像的场景；步骤1.3，特定场景下过分割区域与标注字的映射学习，采用前馈神经网络在场景约束下的区域视觉特征和标注字之间建立联系，建立的相应场景下的前馈神经网络；所述过程2包括如下步骤：步骤2.1，待分割图像的过分割；步骤2.2，待分割图像的场景确立；将过分割后的待分割图像输入过程1中步骤1.2所建立的不同场景下的视觉混合模型；按照混合模型的后验概率确定待分割图像场景；步骤2.3，过分割图像区域的标注；将待分割图像的视觉特征输入到过程1的步骤1.3中所建立的相应场景下的前馈神经网络，然后通过特定场景所对应的前馈神经网络，在输出端获得每个过分割区域的标注结果，该输出值作为标注的可靠性与分割合理性的判别依据；步骤2.4，过分割标注区域的融合；将每个过分割区域映射到网格结构中，这样每个区域对应网格结构下的一个或多个节点；将每个节点的标注向8连通邻近节点传递，统计出每个节点的标注概率，利用位置约束方法可以排除掉概率较小的标注字，使过分割区域标注结果更加合理；合并标注字趋于一致的过分割区域，实现趋向物体级的语义分割。