[发明专利]一种结合深度学习形状先验的MRF图像分割方法

权利要求书

1.一种结合深度学习形状先验的MRF图像分割方法，其特征在于，所述方法包括下述步骤：

S100、图像粗分割：

输入图像I，基于MRF，计算所述图像I的外观能量项E^A(f|I)，对外观能量项E^A(f|I)进行最小化，得到图像I的粗分割结果f¹；

S200、训练由RBM、DBN、DBM形状模型组成的深度学习模型：

对和图像I属于同一视频序列的多帧图像进行归一化，得到一批形状图像，将这批形状图像作为训练数据输入深度学习模型中，分别训练RBM、DBN、DBM形状模型，得到深度学习模型的参数；

S300、采样得到形状先验：

按照步骤S100中的方法对和图像I属于同一视频序列的多帧图像I_i进行粗分割，得到多帧图像I_i的粗分割结果f_i¹，将粗分割结果f_i¹归一化至步骤S200中形状图像的大小，并将归一化后的f_i¹分别作为步骤S200中已得到参数的深度学习模型的输入，经过采样得到形状先验S，然后将形状先验S缩放到输入图像I大小；

S400、利用约束项进行图像分割：

基于MRF，计算得到由步骤S300得到形状先验S的能量项E^S(f|I)，得：其中，表示形状模板在像素点p处的值，P表示图像中像素的集合，f_p表示给像素p分配的一个标记，与步骤S100中的外观能量项E^A(f|I)结合得到总能量约束项E(f|I)，求解E(f|I)的最小值，进而得到最终的分割结果f。

2.根据权利要求1所述的方法，其特征在于，所述的外观能量项E^A(f|I)按下式计算：

EA(f|I)=Σp∈PVpA(fp|I)+Σp∈PΣq∈NpVpqA(fp,fq|I)]]>

VpA(fp|I)=-log P(vp,θfp)]]>

VpqA(fp,fq|I)=δ(p,q|I)if fp≠fq0otherwise]]>

δ(p,q|I)=λexp[-(vp-vq)22σ2]1dist(p,q)]]>

f_p是给像素p分配的一个标记，f_q是给像素q分配的一个标记，P为图像中全部像素的集合，Np为像素p相邻所有像素的集合，v_p是像素点p的特征向量，是概率密度函数的参数向量，v_p、v_q是像素p、q的特征向量，dist(p，q)是像素p和q间的欧氏距离，参数σ是对噪声的估计，权值λ用来衡量二阶势函数的相对重要性。