[发明专利]一种基于双路相关性学习网络的图像分割方法及系统

权利要求书

1.一种基于双路相关性学习网络的图像分割方法，其特征在于,其实现过程包括：

引入半监督分割框架，构建结构相同的上路网络和下路网络；

基于像素之间的相关性，在上路网络中构建关系图；

基于关系图，将有标记的图像输入上路网络进行训练，得到训练完成的上路网络；

将未标记的图像输入下路网络，对下路网络的可调参数进行赋值，使下路网络的分割结果与训练所得上路网络的分割结果一致，此时，得到训练完成的下路网络；

将待分割的未标记图像输入训练完成的上路网络和下路网络，训练完成的上路网络和下路网络输出一致的分割结果。

2.根据权利要求1所述的一种基于双路相关性学习网络的图像分割方法，其特征在于，在上路网络中构建关系图之前，需要首先使用全卷积神经网络提取图像中每个像素的特征，将每个像素属于某一类的概率作为像素的特征，该类特征能够获取像素与每类特点的相关性，具有较好的鲁棒性。

3.根据权利要求3所述的一种基于双路相关性学习网络的图像分割方法，其特征在于，在上路网络中构建关系图，具体操作包括：

采用图论技术构建关系图；

构建关系图时，将每个像素看作图像中的节点，像素之间的相似性看作图像的边，引入度量学习框架中的最大间隔最近邻法学习两个节点之间的相似度，完成结构图的构建。

4.根据权利要求1或2或3所述的一种基于双路相关性学习网络的图像分割方法，其特征在于，构建未标记图像分割一致项，使用标记图像的数据拟合项，构建分割损失函数，并引入初始下路网络，随后通过改变下路网络的可调参数，使下路网络的分割结果与训练所得上路网络的分割结果一致。

5.根据权利要求1或2或3所述的一种基于双路相关性学习网络的图像分割方法，其特征在于，所述半监督分割框架为CNN框架。

6.一种基于双路相关性学习网络的图像分割系统，其特征在于，其包括：

构建模块，用于通过半监督分割框架构建结构相同的上路网络模型和下路网络模型；

像素特征提取模块，用于提取图像中每个像素的特征，并根据像素特征获取像素之间的相关性；

构建模块一，用于根据像素特征提取模块的获取结果构建关系图并存储在上路网络模型中；

训练模块一，用于将有标记的图像输入上路网络模型进行训练，得到训练完成的上路网络模型；

调整模块，用于调整下路网络模型的可调参数；

训练模块二，用于将未标记的图像输入下路网络模型；

对比判断模块，用于对比下路网络模型的分割结果与训练所得上路网络模型的分割结果是否一致，并在结果一致时输出完成训练的下路模块模型，在结果不一致时返回调整模块；

将待分割的未标记图像输入训练完成的上路网络模型和下路网络模型，训练完成的上路网络模型和下路网络模型输出一致的分割结果。

7.根据权利要求6所述的一种基于双路相关性学习网络的图像分割系统，其特征在于，所述像素特征提取模块使用全卷积神经网络提取图像中每个像素的特征，将每个像素属于某一类的概率作为像素的特征，该类特征能够获取像素与每类特点的相关性。

8.根据权利要求7所述的一种基于双路相关性学习网络的图像分割系统，其特征在于，所述构建模块一采用图论技术构建关系图；

所述构建模块一构建关系图时，将每个像素看作图像中的节点，像素之间的相似性看作图像的边，引入度量学习框架中的最大间隔最近邻法学习两个节点之间的相似度，完成结构图的构建。

9.根据权利要求6所述的一种基于双路相关性学习网络的图像分割系统，其特征在于，所述构建模块构建下路网络模型的过程中，所述构建模块还构建未标记图像分割一致项，随后使用标记图像的数据拟合项构建分割损失函数，并引入初始下路网络模型，所述调整参数改变分割损失函数的可调参数，使下路网络模型的分割结果与训练所得上路网络模型的分割结果一致。

10.根据权利要求6所述的一种基于双路相关性学习网络的图像分割系统，其特征在于，所述半监督分割框架为CNN框架。