[发明专利]一种基于深度学习的高分辨率图像智能化抠图方法

权利要求书

1.一种基于深度学习的高分辨率图像智能化抠图方法，其特征在于，包括以下步骤：

(a)给定至少一个输入图像，构建基于深度学习的分割卷积神经网络对目标主体区域即前景图，进行分割处理；

(b)对分割得到的前景图利用图像处理技术生成包含目标主体区域、非目标主体区域和未知区域的三分图；

(c)构建抠图卷积神经网络，并采用输入图像与得到的三分图作为抠图网络输入，以分析得到图像中目标主体的透明图；

(d)对透明图进一步后处理,以得到目标主体透明图，并结合原始输入图像，实现最终的抠图结果。

2.根据权利要求1所述的智能化抠图方法，其特征在于，在步骤(a)中所述分割卷积神经网络包括分割网络训练阶段和分割网络测试阶段。

3.根据权利要求2所述的智能化抠图方法，其特征在于，在步骤(a)还包括步骤：

(a1)基于高分辨率图像数据集和对应的人工标注的标注数据集，将训练数据送入构建的分割卷积神经网络，以分析分割得到目标主体区域。

4.根据权利要求3所述的智能化抠图方法，其特征在于，还包括步骤：

(a2)分割卷积神经网络训练所采用的目标损失函数是均方误差，具体公式如下：

其中，是分割网络预测的图像在第i个像素点的像素值，是训练数据集中标注的真实图像在第i个像素点的像素值，两者的阈值范围都是在[0,1]之间。

5.根据权利要求1-4任一所述的智能化抠图方法，其特征在于，还包括步骤：

(a3)在所述分割卷积神经网络中，支持任意尺寸的图像输入。

6.根据权利要求1所述的智能化抠图方法，其特征在于，在步骤(c)中所述抠图卷积神经网络包括抠图卷积网络训练阶段和测试阶段。

7.根据权利要求6所述的智能化抠图方法，其特征在于，在步骤(c)中抠图卷积神经网络主要是由一个二分类深度卷积神经网络和一个微调卷积神经网络组成。

8.根据权利要求7所述的智能化抠图方法，其特征在于，在步骤(c)中还包括以下步骤：

(c1)在所述抠图卷积神经网络处理后，预测得到图像的目标主体透明图，计算其和标注的抠图训练数据间的损失函数，并进行优化梯度计算。

9.根据权利要求8所述的智能化抠图方法，其特征在于，在步骤(c)中还包括以下步骤：

(c11)所述损失函数采用二值交叉熵损失函数，公式如下：其中，是抠图卷积神经网络预测的图像在第i个像素点的像素值，是标注的抠图图像数据在第i个像素点的像素值，两者的阈值范围都是在[0,1]区间。

10.根据权利要求1所述的智能化抠图方法，其特征在于，在步骤(d)中还包括以下步骤：

(d1)使用高斯滤波器平滑原始图像，并控制好滤波半径等参数；

(d2)利用原始图像与滤波平滑后图像间差异，形成一个新的高通滤波图像；

(d3)设定裁剪阈值，丢弃一定比例的高通滤波图像；

(d4)再对原始图像添加一定比例的高通滤波图像，得到最终结果。