[发明专利]一种基于深度学习的土家织锦图案图元的分割方法

说明书

本发明提供了一种基于深度学习的土家织锦图案图元的分割方法，包括：首先建立用于织锦类图像识别与分割任务的训练数据集；然后设计一个基于卷积神经网络的土家织锦图案分割系统，采用训练数据集对系统进行训练；最后实现对土家织锦图像的图元进行自动识别与分割。本发明的有益效果是：本发明所采用的技术方案可以对原始土家织锦图片进行快速的批量自动分割，且可以在分割的基础上对图像进行理解，从而实现自动分类存储。

技术领域

本发明涉及纺织工业领域，尤其涉及一种基于深度学习的土家织锦图案图元的分割方法。

背景技术

织锦图案纹理特征提取技术起源于上世纪八十年代中期。织锦图案纹理特征提取一般使用图像分割方法。图像分割(Image Segmentation)是将图像划分为多个具有相似特征的、互相没有重叠的同质区域，并提取感兴趣部分的技术与过程。图像分割的结果是图像中的子区域集合，按照某种分量每个子区域内的像素是非常相似的，不同区域之间显示不相似。

在2012年之前的传统图像分割算法大致包括阈值分割法、边缘检测分割法、区域生长及分裂合并分割法、基于图的分割法和活动轮廓模型分割法等。这几种分割法根据各自的优点和缺陷，所应用的图像范围有所不同。从物体图像中得到目标物体的外形轮廓即为轮廓提取，轮廓提取的基本方法是边缘检测，然后根据目标物体的轮廓特点去除杂散的冗余边缘并进行边缘的修补。

随着研究的深入和技术的发展，出现各种新的轮廓提取方法。如先验知识法，数学形态学方法，活动轮廓模型法，神经动力学方法等。

从2006年来，随着大量的关于深度学习的论文被发表，深度学习也在各个领域崭露头角。从传统的DNN(Deep Neural-Network)引申到图像中的CNN(ConvolutionalNeural-Network)及语音领域的RNN(Recursive Neural-Network)，都取得了突破性的进展。

深度学习在物体识别中最重要的进展体现在ImageNet挑战赛(ILSVRC)中的图像分类任务。传统计算机视觉方法在这个测试集上最低的top5错误率是26.172％。深度学习技术在ILSVRC2014比赛中获胜，获胜者GoogLeNet将top5错误率降到6.656％。深度学习技术也对图像中的物体检测带来了巨大提升。物体检测是比物体识别更难的任务。一幅图像中可能包含属于不同类别的多个物体，物体检测需要确定每个物体的位置和类别。ILSVRC2013的比赛中赢得物体检测任务的方法使用的依然是手动设计的特征，平均物体检测率，即meanAveraged Precision(mAP)，只有22.581％。而深度学习技术在ImageNet挑战赛(ILSVRC2014)中将mAP大幅提高到43.933％。在图像语义分割中，特征的提取将对最后的结果产生直接的影响，而CNN网络中卷积层对于图像特征的提取具有非常好的效果。R.Girshick和J.Donahue基于这样的考虑，提出一种基于深度卷积神经网络AlexNet作为区域特征提取的一种图像语义分割算法R-CNN。该算法将PASCAL VOC 2007图像识别中所有不同类别识别准确率的均值从35.1％提高到了58.5％。

深度学习取得成功的条件之一是大规模训练数据集的支撑。比较著名的图像数据集有CIFAR-10&CIFAR-100、ImageNet、COCO、PASCAL VOC等开源数据集，这些数据集大多是针对图像分类、定位、检测等研究工作的。深度学习模型采用大数据集进行训练可以提高识别的精度，避免数据处理的过拟合。但是这些数据集中都没有专门针对织锦类图像进行分割的训练数据，而采用通用数据集训练出的图像分割模型对织锦图像分割的效果非常差，所以如何建立足够多的带标注训练数据集是研究的关键性问题之一。

发明内容

为了解决上述问题，本发明提供了一种基于深度学习的土家织锦图案图元的分割方法；一种基于深度学习的土家织锦图案图元的分割方法，包括以下步骤：