[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

说明书

本发明公开了一种基于形状描述符和孪生神经网络的纹理分割算法，假设图像由个区域组成，每个区域中具有固定的形状描述符；将每个形状描述符与孪生神经网络进行结合；然后将纹理分割设计成一个优化问题，当选定感兴趣的区域，其分割是一个最优解，这样学习到的形状描述符在该区域内几乎是恒定的，根据最小化能量的方法求出最优解。本发明中的纹理分割算法在轮廓指标和区域指标上均优于其他算法，并且能够对复杂几何变换或复杂滋扰图像取得较好的分割效果。

技术领域

本发明涉及纹理分割算法，尤其涉及一种基于形状描述符和孪生神经网络的纹理分割算法。

背景技术

图像纹理可以定性地用强度、密度、方向等物理量来进行描述。对图像进行纹理分割是计算机视觉领域的基本问题，并且其分割质量对诸如在对象分类、提取等图像后处理任务中起关键作用。目前，图像纹理分割已逐渐成为图像分析领域的一个重要研究方向。

纹理分割的常用方法大致可分为两类，即基于边缘的方法和基于区域的方法。其中，基于边缘的方法尝试将边缘定位为对滤波器组的响应，然后将这些响应后处理到填充间隙，并生成分割。虽然基于边缘的方法取得了较好的成果，但它仍然存在从边缘生成分割的困难，这需要依赖于手工制作的方法并且此问题仍未完全解决。对于基于区域的方法，其主要思想是将图像划分为根据全局强度分布的区域。由于空间关系丢失，此类方法试图通过像素的邻域分布来结合空间关系。例如，Gabor滤波器在不同尺度和方向上的输出了较大的邻域，并将其分组为纹理分割的其他方法。

然而，基于区域的方法会受到以下问题的影响：由于跨越分割边界聚合统计的邻域难以分组，因此在不知道或不具有分割估计的情况下描述邻域易于出错。

自然分割纹理的方法是在每个像素处构造描述符，这些描述符对纹理内文本的变化是不变的，并且对不同纹理中的文本是有区别的，因此可对这些描述符进行分组，最终形成分割。现有的分割方法将描述符的估计和分割作为一个联合问题，其对简单几何图形的图像分割效果较好。然而，由于其构建的描述符是手工制作的，因此不会对复杂的图像场景表现出不变性。局部不变描述符是在每个像素处的图像统计，其以对几何和光度扰乱不变的方式描述邻域。通常情况下，描述符是通过聚合像素邻域内的平滑定向梯度来计算。这些描述符在表征局部纹理属性方面起着重要作用。这是因为纹理由小标记组成，它可能因小的几何和光度误差而变化，但在其他方面是静止的。仔细构建这些描述符至关重要，因为它们在低级分割中起着关键作用，而低级分割又在诸如对象检测和分割等更高级别的任务中起作用。

现有的形状描述符聚合预定义像素邻域中的定向梯度，可以包含来自不同纹理区域的图像数据，尤其是在纹理边界附近。然而，这导致分组描述符的模糊性，特别是对于附近的描述符边界。如果将描述符分组以形成分割，则这可能导致分割错误，并且当图像中的纹理几何较大时，此问题会更加突出。

发明内容

针对上述存在的问题，本发明旨在提供一种能够对复杂几何变换或复杂滋扰图像取得较好分割效果的纹理分割算法，即基于形状描述符和孪生神经网络的纹理分割算法。

为了实现上述目的，本发明所采用的技术方案如下：

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；

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。