[发明专利]改进的全卷积神经网络的陶瓷材质件序列图像分割方法

说明书

本发明提出了一种改进的全卷积神经网络的陶瓷材质件序列图像分割方法，包括步骤：S10：对采集的原始图像进行手工标注，将目标和背景用不同的类别区分，得到训练标签，采用索引模式来表示训练样本的标签图；S20：构建改进的基于全卷积神经网络的网络模型，进行训练；S30：依据梯度下降算法计算损失函数和反向传播计算损失函数，对网络进行训练学习，学习速率在验证准确率停止增加时减小为原来的十分之一。全卷积神经网络是基于卷积神经网络的改进结构，在保持CNN良好的分类性能的基础上，更好的保持了像素矩阵之间的空间位置关系，更有利于全局的特征提取，能全面学习物体的视觉特征，抗干扰性好，可自动将目标物体从背景中分割开，实现智能分割。

技术领域

本发明涉及计算机图形处理技术领域，尤其涉及陶瓷材质三维重建中序列图像分割方法，具体为改进的全卷积神经网络的陶瓷材质序列图像分割方法。

背景技术

近年来，随着电商平台以及数字博物馆的兴起，使得对三维重建的需求程度越来越高。通过三维重建技术，将现实存在的物体以三维立体的方式完全呈现于网络平台上。

在基于图像序列的三维重建过程中，对序列图像的分割是整个重建过程中至关重要的一步，分割的精度直接影响了最终三维模型的品质和纹理的准确性。然而在自然环境中进行多角度图像系列采集时，由于图像数量多、环境复杂、物体材质各异、颜色多变等因素导致采集到的图像质量参差不齐。目前，对图像的分割多采用传统的分割方法借助一些工具进行，由于图像复杂多变等因素，传统的分割方法很难识别一些人工视觉特征，特别是处理视觉模糊边缘，以及反光物体和透明材质的分割时，需要投入大量的时间和人力，而且分割精确度不高。

现有技术的不足:

1)对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范围之中的灰度阈值，然后将图像中各个像素的灰度值与之相比较，灰度值大于阈值的像素为一类，灰度值小于阈值的像素为另一类。这两类像素一般分属图像的两类区域，从而达到分割的目的。对陶瓷工艺品来说，这种方法只考虑像素本身的灰度值，不考虑空间特征，因而对噪声很敏感，因此达不到需求的分割效果。

2)图像最基本的特征是边缘,它是图像局部特性不连续(或突变)的结果。基于边界的分割方法是利用不同区域间像素灰度不连续的特点检测出区域间的边缘，从而实现图像分割。边缘检测是所有基于边界分割方法的第一步。基于边缘的分割方法其难点就在于边缘检测时抗噪性和检测精度之间的矛盾。对于外表光滑拍摄时带有反光边缘的物体来说，提高检测精度，则噪声产生的伪边缘会导致不合理的轮廓；若提高抗噪性，则会产生轮廓漏检和位置偏差。

3)区域分割的实质就是把具有某种相似性质的像索连通，从而构成最终的分割区域。它利用了图像的局部空间信息，可有效地克服其他方法存在的图像分割空间小连续的缺点。在此类方法中，如果从全图出发，按区域属性特征一致的准则决定每个像元的区域归属，形成区域图常称之为区域生长的分割方法。如果从像元出发，按区域属性特征一致的准则，将属性接近的连通像元聚集为区域，则是区域增长的分割方法。若综合利用上述两种方法，就是分裂合并的方法。基于区域的分割方法往往会造成图像的过度分割，而单纯的基于边缘检测方法有时不能提供较好的区域结构。

深度学习作为机器学习发展的一个分支，其动机在于建立模拟人脑进行分析学习的神经网络，通过组合底层也正形成更加抽象的高层特征，模仿人脑的机制来解释数据，尤其在图像方面表现优异。而其中的卷积神经网络(Convolutional neural network,CNN)是人工神经网络的一种，由于它的权值共享结构和生物神经网络更类似，可以减少权值的数量，从而降低网络模型的复杂度，现已成为深度学习中的一个研究热点。目前CNN已经成功应用到视频中的人体工作识别信号重构，人脸等目标检测识别，图像分类，分割等各个领域。

发明内容