[发明专利]基于卷积神经网络的图像分割质量评价方法

说明书

本发明公开了一种新的基于卷积神经网络的图像分割结果评价方法。分割结果评价具有十分重要的作用，有助于分割方法性能的提升以及分割结果的修复。分割结果评价通常被看作回归问题，而卷积神经网络在回归问题上具有非常好的性能，我们采用卷积神经网络来实现分割评价方法。然而，现有的分割评价方法缺乏一个全面有效的分割结果数据库，并且，适合于分割评价的卷积神经网络还有待研究。基于此，本发明充分挖掘了分割目标前景和背景的特征信息，设计了一种全新的分割质量评价卷积神经网络，通过验证，我们的方法表现出了优异的性能。此外，针对数据库的不足，我们构建了一个新的分割数据库，该数据库具有涵盖多种类型的分割结果及其客观评价指标。

技术领域

本发明属于图像处理领域，提出了一种基于卷积神经网络的图像分割质量评价方法，构建了一个新的针对分割评价问题的深度卷积神经网络。

背景技术

图像分割是图像处理中一项关键技术，也是计算机视觉领域中至关重要的一部分。图像分割技术在医学影像分析、交通图像分析、遥感气象服务、军事工程等领域有着广泛的应用。图像分割技术是将图像分成若干个具有特殊性质的区域，并将其中人们感兴趣的部分提取出来，这是图像分析的第一步。在得到分割结果之后，我们需要对图像分割结果的进行评定，图像分割结果的质量如何直接决定了接下来任务的完成情况，如特征提取、目标识别的好坏。

随着图像分割在计算机视觉等众多领域中的广泛应用以及图像分割技术的长足发展，作为图像分割过程中的重要部分，分割质量评价方法也显得越来越重要。分割质量评价的主要过程是对于给定的图像分割结果，通过分割质量评价方法进行计算，给出一个评价分数，分数越高代表分割质量越好，反之则分割质量越差。分割质量评价方法可以直观地给出分割结果的分数，对后续改善图像分割结果、提高图像分割方法性能以及对图像分割结果进行修复都有很重要的意义。

以往的图像分割质量评价方法往往都是通过提取分割结果的手工特征，并对这些特征进行进一步计算得到评价结果。常用的方法有：提取基于边缘的特征、提取基于区域的特征以及同时提取这两种特征并将其进行融合计算。然而，这种方法具有一个严重的缺点：手工特征无法有效地描绘分割结果的多样性。图像分割结果多种多样，有的是对象边缘缺失，有的是对象内部缺失，有的是添加了多余的背景，有的是添加了多余的前景，还有的是前四种的任意结合，在这种复杂的情况下，传统的基于手工特征的分割结果质量评价方法不足以描述这些复杂的情况，所以无法很好的完成这样复杂的分割评价任务。

卷积神经网络近年来在很多领域都取得了非常好的效果，比如对象检测、目标分类、语音识别、目标跟踪以及图像分割等等。因为卷积神经网络包含数以百万计的参数，可以自动地学习多种层次以及多种结构的图像特征。与传统方法相比，卷积神经网络抽象地学习特征的能力对对象大小、位置以及方向的变化等具有非常强的鲁棒性。卷积神经网络可以让机器很好地学习输入数据以及输出数据之间的关系，并通过不断地迭代自动选择特征，免去了人工选择特征的过程。因为这些优点，卷积神经网络得到越来越多的重视。

目前，针对分割质量评价特性而设计的卷积神经网络还有待进一步研究，现有的基于卷积神经网络的分割质量评价方法并不能很好的利用分割图像以及其对应原始图像之间的特征关系。除此以外，适用于深度学习的分割结果数据库尚缺乏。现有的分割结果数据库由于依赖人工评判，因而数据量小，不具有广泛适用性。

本发明提出了一个新型基于卷积神经网络的分割质量评价技术，充分地利用了分割图像以及其对应原始图像之间的对应特征关系，构建了一个针对分割评价问题的双网络结构，并且构建了一个新的适用于卷积神经网络训练的分割结果数据库。我们在自建分割结果数据库和公共数据集上进行了训练和测试，测试结果表明本发明构建的卷积神经网络对于分割结果质量评价具有非常好效果同时具有良好的普适性。

发明内容

本发明的目的在于解决以下技术问题：