[发明专利]一种基于形状描述符和孪生神经网络的纹理分割算法

权利要求书

1.一种基于形状描述符和孪生神经网络的纹理分割算法，其特征在于，包括以下步骤：

S1：设定图像由N_r个区域组成，每个区域中具有固定的形状描述符；所述形状描述符被定义为泊松偏微分方程的解；

所述泊松偏微分方程为其中，Ω为图像的域，设定为感兴趣的区域，对于j＝1,...,N_c，/为图像的通道，▽是梯度，Δ是拉普拉斯算子，/是R的边界，N是/向外法线的单位，α_i∈R⁺是尺度，i＝1,...,N_s，所述N_c为通道数量，N_s是尺度的数量；

所述泊松偏微分方程的解由最小化能量公式E＝∫_R(J_j(x)-u_ij(x))²dx+α_i∫_R▽u_ij(x)²dx计算求得，设定/为所有尺度和通道的向量所述u_ij是图像的平滑通道；

S2：将每个形状描述符与孪生神经网络进行结合；

S3：选定感兴趣的区域，根据纹理分割算法求出最优解；

其中，步骤S2的具体操作步骤为：

S21：选用两个不同的形状描述符u(x)和v(y)；

S22：设函数f是以特定像素处u(x)∈Rⁿ作为输入参数，然后返回具有m个分量的描述符，即f:Rⁿ→R^m，所述n＝N_s×N_c；

S23：将u(x)和v(y)分别输入到f，然后输出两个带有m个分量的形状描述符，计算形状描述符差异的加权L²范数；在孪生网络中，对于像素x和y的形状描述符u(x)和v(y)，其度量标准定义为其中，ω_i是权重，ω_i≥0,i＝1,...,m，f(u(x))_i是f(u(x))的第i个分量；

S24：将所述形状描述符差异的加权L²范数利用Sigmoid函数求出结果值，其值为1时表示描述符来自不同的分割区域，为0时表示描述符来自相同的区域；

步骤S3的具体操作为：选定感兴趣的区域，将该区域内的纹理分割设计为一个优化问题，即当区域被选定后，其分割是最优解，这样学习到的形状描述符在该区域内几乎是恒定的；将步骤S1和S2描述的形状描述符和孪生神经网络应用于纹理分割算法中，Sigmoid函数结果为1时，表示相比较的2个像素来自不同的区域；其结果为0，表示相比较的2个像素来自相同的区域，依次类推，逐渐将相同区域的像素进行融合处理，最终可得到分割后的纹理图像；

设uⁱ(x)∈Rⁿ为区域R_i中的基本形状描述符，aⁱ∈R^m为表示区域的形状描述符，区域R_i分割的能量为以最小化aⁱ的方式进行求解，可得/其中R_i表示R_i的面积，即该区域内描述符的平均值；

采用梯度下降法对区域R_i分割的能量进行优化，计算最小化能量，第i项R_i的边界的梯度为其中，k_i是/的有符号曲率，N_i是/的向内法线，tr是迹线，D是导数，A是对角元素大小为n的对角矩阵/J是大小为n的向量/满足偏微分方程

所述最小化能量的具体操作包括：

1)初始化φ_i；

2)设置区域：R_i＝{x∈Ω:i＝argmax_jφ_j(x)}；

3)计算R_i的扩张D(R_i)；

4)在D(R_i)中计算uⁱ，计算

5)计算B_i＝D(R_i)∩D(Ω\R_i)；

6)对于x∈B_i，计算由神经网络对f进行评估；

7)更新像素x∈D(R_i)∩D(R_j)如下

8)将所有其他像素更新为

9)在0和1之间进行裁剪：φ_i＝max{0,min{1,φ_i}}；

10)重复第2)步，直到区域融合。