[发明专利]基于卷积神经网络的图像分割质量评价方法

摘要

本发明公开了一种新的基于卷积神经网络的图像分割结果评价方法。分割结果评价具有十分重要的作用，有助于分割方法性能的提升以及分割结果的修复。分割结果评价通常被看作回归问题，而卷积神经网络在回归问题上具有非常好的性能，我们采用卷积神经网络来实现分割评价方法。然而，现有的分割评价方法缺乏一个全面有效的分割结果数据库，并且，适合于分割评价的卷积神经网络还有待研究。基于此，本发明充分挖掘了分割目标前景和背景的特征信息，设计了一种全新的分割质量评价卷积神经网络，通过验证，我们的方法表现出了优异的性能。此外，针对数据库的不足，我们构建了一个新的分割数据库，该数据库具有涵盖多种类型的分割结果及其客观评价指标。

主权项

1.基于卷积神经网络的图像分割质量评价方法,其特征在于包括以下步骤：步骤1、构建分割结果数据库：1.1、首先选取图像数据集中图片作为分割结果的原始图像，然后采取候选框生成方法生成大量的对象候选框，并对每个候选框中的对象进行分割，得到最终的分割结果；1.2、计算分割结果的客观评价分数，作为参考基准，即label，利用图像分割结果以及数据库自带的分割参考标准计算其IOU值,IOU值表示交并比；1.3、根据IOU值进一步筛选分割结果，使得分割数据均匀分布，防止网络学习过程偏向某一类结果；步骤2、对分割结果数据库进行预处理，划分训练集和测试集；步骤3、预训练卷积神经网络模型；使用通用卷积神经网络模型对所有训练集中的分割结果进行训练，得到预训练模型；使用VGG‑16对所有训练集中的分割结果进行训练，把Softmax层改为Sigmoid层，采用欧式距离损失作为损失函数；基于Caffe深度学习框架进行训练，得到预训练模型；步骤4、分割质量评价网络训练：4.1、将训练数据中分割结果及其对应原始图片对应输入两个网络分支进行训练；4.2、采用两个相同的全卷积结构对分割结果以及对应原始图像提取特征谱，得到分割特征谱和原始图片特征谱；4.3、使用特征级联层将分割特征谱和原始图片特征谱进行简单地级联；4.4、得到级联特征之后，添加一个卷积层对它们之间对应位置的局部特征进行描述，得到一个局部区域的融合特征谱；4.5、用三个全连接层对前面融合的特征谱进行全局计算，得到一维特征；4.6、用一个sigmoid层将全连接层得到的一维特征映射0‑1之间，得到分割结果的打分值；4.7、使用Euclideanloss将网络的输出的结果跟label进行比较，计算得到误差，然后误差进行后向传播给前面的层，并计算可学习参数的误差，之后进行可学习参数的更新；4.8、当误差函数达到最优时，停止参数更新，保存训练模型；步骤5、分割质量评价网络测试：5.1、将测试集输入分割质量评价网络；5.2、使用步骤4中训练好的模型进行计算，得到测试集中所有分割结果的质量评价分数。