[发明专利]一种基于在线学习的渐进式图像分割方法

摘要

本发明公开了一种基于在线学习的渐进式图像分割方法，包括以下步骤对输入图像进行多个层次的分解，得到图像的多层次表示；交互分割过程，基于用户标注，训练及更新分割模型，通过迭代循环，渐进地实现对图像的精确分割。交互分割过程中，由用户标注修正部分分割错误的区域，从用户标注中提取训练样本，并使用样本扩充策略来扩充样本；利用扩充得到的训练样本训练及更新分割模型，对输入图像进行分割预测，并在此基础上利用图割优化方法得到平滑的对象区域划分结果。

主权项

一种基于在线学习的渐进式图像分割方法，其特征在于，包括以下步骤：步骤一：多层次图像分析：在多个层次上对输入图像进行分析，包括多层次图像表示和特征提取；步骤二，图像分割：基于用户标注，训练或更新分割模型，通过迭代循环，渐进地实现对图像的对象级分割；步骤一中所述多层次图像分析包括以下步骤：步骤11，多层次图像表示：获取输入图像细粒度的超像素层次表示和粗粒度的过分割层次表示，结合原图的像素层次表示，组成输入图像的三层表示；步骤12，特征提取：提取图像的像素级的特征，包括：Texton纹理基元、像素位置以及颜色信息，组合成像素级特征向量；在超像素层次上，计算每个超像素内所有像素的特征向量均值，作为超像素的特征向量；步骤二中所述图像分割包括以下步骤：步骤21，分割预测：若分割模型已初始化，则在超像素层次进行分割预测，得到每个超像素样本属于每一个对象类别的置信度{f(xi,k)|1≤i≤N,1≤k≤K}，其中，xi表示第i个超像素样本，N表示超像素总数，K表示对象类别总数，f(xi,k)表示超像素xi属于第k个对象类别的置信度；若分割模型没有初始化，则将所有超像素属于每一类的置信度均设置为1；利用置信度，计算超像素分类概率；步骤22，分割优化：根据步骤21中的超像素分类概率，计算每个像素的分类概率，并将每个像素的分类概率设置为能量函数的数据项；使用图割优化算法最小化能量函数，实现分割优化，得到分割结果，即每个像素的对象类别标签L＝{l1,l2,...,lV}，V表示图像中的像素总数，lj∈[1,K]表示第j个像素的对象类别标签，j取值1～V；分割优化后，由用户交互判断分割结果是否准确，如果准确，则完成对此输入图像的分割，输出分割结果；否则，转步骤23；步骤23，用户标注及超像素样本扩充：用户在输入图像上进行标注，修改分割错误的超像素样本的对象类别标签，基于过分割层次表示，扩充用户标记的对象类别标签，即将用户标注所在过分割区域内所有未标注的超像素样本的对象类别标签设置为用户标记的标签；步骤24，训练或更新在线分割模型：将步骤23中得到的带标签的超像素作为训练样本，若分割模型没有初始化，则训练得到初始的在线分割模型；若分割模型已初始化，则利用训练样本对其进行更新；完成后转步骤21。