[发明专利]一种基于深度学习和聚类的语义图像分割方法及系统

权利要求书

1.一种基于深度学习和聚类的语义图像分割方法，其特征在于，包括以下步骤：

S1：通过卷积神经网络，对原图像进行卷积和池化，得到原图像的线性特征矩阵；

S2：将所述线性特征矩阵，进行子空间聚类，用子空间聚类层替代卷积神经网络的全连接层，得到聚类后的特征数据；

S3：将所述聚类后的特征数据，通过反卷积和上采样，处理至与原图像相同的像素，得到分割后的图像；

其中，所述卷积神经网络包括由低到高的多层网络，每层网络均包括卷积和池化，所述步骤S1包括以下子步骤：

所述卷积神经网络的低层网络，使用M卷积核进行卷积运算，通过池化提取到简单共性特征数据，在所述卷积神经网络的高层网络，使用N卷积核进行卷积运算，通过池化提取到复杂共性特征数据，所述M卷积核的数量少于所述N卷积核的数量；

所述卷积神经网络的每一层网络卷积和池化的对象，为上一层网络所得的共性特征数据，所述卷积神经网络的最低层网络卷积和池化的对象，为原图像；

所述卷积神经网络的最高层网络卷积和池化得到的共性特征数据形成线性矩阵，所述线性矩阵为原图像的线性特征矩阵。

2.根据权利要求1所述的基于深度学习和聚类的语义图像分割方法，其特征在于，所述子空间聚类为稀疏子空间聚类，所述步骤S2包括以下子步骤：将所述线性特征矩阵通过子空间进行稀疏化处理，得到稀疏系数矩阵，根据所述稀疏系数矩阵，计算图像各接点之间的相似度，得到亲和度矩阵，对所述亲和度矩阵进行谱聚类，得到聚类后的特征数据。

3.根据权利要求1所述的基于深度学习和聚类的语义图像分割方法，其特征在于，通过稀疏系数将所述线性特征矩阵分割成不同的子空间。

4.根据权利要求2所述的基于深度学习和聚类的语义图像分割方法，其特征在于，所述谱聚类采用K均值聚类算法。

5.根据权利要求1所述的基于深度学习和聚类的语义图像分割方法，其特征在于，步骤S3所述反卷积的卷积层数与步骤S1所述卷积的卷积层数相同。

6.一种基于深度学习和聚类的语义图像分割系统，其特征在于，包括：

输入单元：用于输入原图像；

编码单元：用于通过卷积神经网络，对原图像进行卷积和池化，得到原图像的线性特征矩阵；

聚类单元：用于将所述线性特征矩阵，进行子空间聚类，用子空间聚类层替代卷积神经网络的全连接层，得到聚类后的特征数据；

解码单元：用于将所述聚类后的特征数据，通过反卷积和上采样，处理至与原图像相同的像素，得到分割后的图像；

输出单元：用于输出所述分割后的图像；

其中，所述编码单元包括由低到高的多层网络，每层网络均包括卷积和池化，包括：

所述编码单元的低层网络，使用M卷积核进行卷积运算，通过池化提取到简单共性特征数据，所述编码单元的高层网络，使用N卷积核进行卷积运算，通过池化提取到复杂共性特征数据，所述M卷积核的数量少于所述N卷积核的数量；

所述编码单元的每一层网络卷积和池化的对象，为上一层网络所得的共性特征数据，所述编码单元的最低层网络卷积和池化的对象，为原图像；

所述编码单元的最高层网络卷积和池化得到的共性特征数据形成线性矩阵，所述线性矩阵为原图像的线性特征矩阵。

7.根据权利要求6所述的基于深度学习和聚类的语义图像分割系统，其特征在于，所述聚类单元为稀疏子空间聚类单元，用于：将所述特征矩阵通过子空间进行稀疏化处理，得到亲和度矩阵，对所述亲和度矩阵进行谱聚类，得到聚类后的特征数据。

8.根据权利要求6所述的基于深度学习和聚类的语义图像分割系统，其特征在于，所述解码单元进行反卷积的卷积层数与所述编码单元进行卷积的卷积层数相同。