[发明专利]一种结合深度学习形状先验的MRF图像分割方法

摘要

本公开揭示了一种结合深度学习形状先验的MRF图像分割方法，所述方法图像分割问题以能量函数的形式表示，当其最小时对应的则是最优分割结果，且易于以新能量项形式添加其他约束信息。但在基于MRF模型的图像分割研究中，由于自然图像存在阴影、杂乱背景等各种干扰因素，不仅增加了分割的难度，而且分割的效果往往也不好。本方法通过深度学习模型组合底层的特征形成高层的数据抽象特征，引入对目标形状的约束信息和先验信息以更好地解决图像分割问题。对于形状表示，本方法采用研究较多的水平集中的方式，将先验形状表示成符号距离函数，然后经过变换将其以形状能量项添加到分割能量函数中。

主权项

一种结合深度学习形状先验的MRF图像分割方法，其特征在于，所述方法包括下述步骤：S100、图像粗分割：输入图像I，基于MRF，计算所述图像I的外观能量项EA(f|I)，对外观能量项EA(f|I)进行最小化，得到图像I的粗分割结果f1；S200、训练由RBM、DBN、DBM形状模型组成的深度学习模型：对和图像I属于同一视频序列的多帧图像进行归一化，得到一批形状图像，将这批形状图像作为训练数据输入深度学习模型中，分别训练RBM、DBN、DBM形状模型，得到深度学习模型的参数；S300、采样得到形状先验：按照步骤S100中的方法对和图像I属于同一视频序列的多帧图像Ii进行粗分割，得到多帧图像Ii的粗分割结果fi1，将粗分割结果fi1归一化至步骤S200中形状图像的大小，并将归一化后的fi1分别作为步骤S200中已得到参数的深度学习模型的输入，经过采样得到形状先验S，然后将形状先验S缩放到输入图像I大小；S400、利用约束项进行图像分割：基于MRF，计算得到由步骤S300得到形状先验S的能量项ES(f|I)，得：其中，表示形状模板在像素点p处的值，P表示图像中像素的集合，fp表示给像素p分配的一个标记，与步骤S100中的外观能量项EA(f|I)结合得到总能量约束项E(f|I)，求解E(f|I)的最小值，进而得到最终的分割结果f。