[发明专利]一种基于超像素和长短时记忆网络的图像分割方法

权利要求书

1.一种基于超像素和长短时记忆网络的图像分割方法，其特征在于，分为训练和测试两个阶段，包括如下步骤：

步骤a：对图像训练集进行预处理；

步骤b：利用一种超像素分割算法进行预分割，去除作为背景的超像素块，构建超像素图；

步骤c：根据超像素图构建适用于LSTM输入的特征序列训练集和真值集；

步骤d：训练LSTM模型；

步骤e：对待分割的测试图像，重复步骤a-c，将构建的特征序列输入已训练的LSTM模型，得到超像素块分类结果，将分类结果还原得到分割结果；其中：

所述步骤b中构建超像素图包括如下步骤：

步骤b1：对于所有的预处理后的训练图像，利用超像素分割算法进行预分割，得到超像素块的预分割图像；

步骤b2：根据预分割图和超像素块的数量建立邻接矩阵，将每一块超像素区域作为图的节点，空间上相邻的超像素块间用边连接，从而构建超像素图；

所述步骤c中根据超像素图构建适用于LSTM输入的特征序列训练集和真值集包括如下步骤：

步骤c1：对于每一张训练图像的每一个超像素节点，构建的特征序列，作为输入LSTM的训练样本；其中为特征维数，为序列数；

步骤c2：对于每一张训练图像，根据该图的分割真值，构建真值向量；

步骤c3：对于整个训练集，重复步骤c1和c2，构建特征序列训练集和分割真值集；

所述步骤d中训练LSTM模型包括如下步骤：

步骤d1：初始化LSTM网络结构；设置LSTM隐藏单元的数量，分割类别数量，特征维数，最大迭代轮数，批大小，以及选择使用随机梯度下降作为优化算法，选择交叉熵损失作为损失函数；

步骤d2：将c3中所得的特征序列训练集和分割真值集作为LSTM网络的输入，开始训练LSTM模型；训练过程为迭代过程：每一次迭代通过前向传播计算交叉熵损失，最小化目标函数，并反向传播更新模型参数；

所述步骤e具体包括如下步骤：

步骤e1：测试阶段，对于一张待分割的测试图像，重复步骤a-c，从而构建该图的特征序列，将其作为步骤d中训练所得的LSTM模型的输入，得到超像素节点的分类结果；

步骤e2：将超像素块分类结果对应到原图中超像素块所在的区域，用分类所得的类别编号作为该区域像素的值，得到分割结果。

2.如权利要求1所述的基于超像素和长短时记忆网络的图像分割方法，其特征在于，所述步骤a中预处理为对全部训练图像进行灰度拉伸变换。