[发明专利]一种基于边缘感知的快速图像过分割方法

权利要求书

1.一种基于边缘感知的快速图像过分割方法，其特征在于：包括如下步骤：

第一步：随机初始化基于卷积神经网络的特征提取器；

第二步：将处于RGBXY空间的图像输入特征提取器，输出重建图像和高维空间特征图，并将高维空间特征图与输入图像拼接，形成新特征图；

第三步：将新特征图输入一个可微分的基于k-means的Soft-SLIC算法，得到像素点与其周围超像素的概率分配矩阵；

第四步：计算目标函数，并通过链式求导法则更新特征提取器的参数；

第五步：重复第二步至第四步至指定次数使得特征提取器的参数收敛，最终使用分配矩阵对图像进行过分割。

2.根据权利要求1所述的一种基于边缘感知的快速图像过分割方法，其特征在于：第一步所述的随机初始化基于卷积神经网络的特征提取器，具体方法为：设计一个具有3个卷积层的特征提取器，每一层分别包含32、64和128个卷积核，大小均为3×3，并对卷积核参数进行初始化使其成正态分布。

3.根据权利要求1所述的一种基于边缘感知的快速图像过分割方法，其特征在于：第二步所述的将处于RGBXY空间的图像输入特征提取器，输出重建图像和高维空间特征图，并将高维空间特征图与输入图像拼接，形成新特征图，具体方法为：将处于RGB空间的图像与每个像素点的空间坐标相拼接，形成5维的处于RGBXY空间的图像并对其进行实例归一化操作，接着输入到特征提取器中，输出3维的重建图像和15维的特征图，并将15维的特征图与输入图像拼接，形成20维的新特征图。

4.根据权利要求3所述的一种基于边缘感知的快速图像过分割方法，其特征在于：第三步所述的将新特征图输入一个可微分的基于k-means的Soft-SLIC算法，得到像素点与其周围超像素的概率分配矩阵，具体方法为：设得到的20维新特征图为设需生成的超像素数量为k，像素点数量为HW，则超像素平均大小对于其中某一像素点，需要计算其与周围3S×3S范围内的9个超像素的距离，并通过softmax函数将距离转换为像素点属于9个超像素的概率；对20维的新特征图中所有像素点进行操作后得到9维像素点与超像素的概率分配矩阵P＝(p_h，w，n)_H×W×9，即

5.根据权利要求4所述的一种基于边缘感知的快速图像过分割方法，其特征在于：第四步所述的计算目标函数，并通过链式求导法则更新特征提取器的参数，具体方法为：设定目标函数L由以下聚类项L_cluster、边缘感知项L_edge、平滑项L_smooth和重建项L_reconstruct组成：

L＝L_cluster+αL_edge+βL_smooth+γL_reconstruct (1)

其中

L_cluster是基于互信息的限制搜索域的聚类项，其中C_n是第n个超像素的大小，计算方式为所有像素点属于第n个超像素的概率的和；p_h，w，n代表像素级别图像中处于(h，w)的像素点属于第n个超像素的概率；

其中代表归一化至[0，2]的图像梯度，代表分配矩阵的梯度；

其中σ代表平滑项的范围；

其中I只取3个颜色通道；在通过重建图像原始图像I和分配矩阵P＝(p_h，w，n)_H×W×9计算出目标函数L的值后，则通过Hebb学习规则对特征提取器的参数θ进行链式更新：

6.根据权利要求5所述的一种基于边缘感知的快速图像过分割方法，其特征在于：第五步所述的使用分配矩阵对图像进行过分割，具体方法为：在迭代第二步至第四步至指定迭代次数后会生成最终的分配矩阵P，则图像过分割后形成的超像素级别的图像中第n个元素，即第n个超像素中心的特征为

其中p_h，w，n代表像素级别图像中处于(h，w)的像素点属于第n个超像素的概率。