[发明专利]基于深度学习的纹理图像方向场估计方法

摘要

本发明基于深度学习的纹理图像方向场估计方法，包括以下步骤：步骤1：样本采集：采集将进行方向场评价的纹理图像；步骤2：样本处理与标注，将纹理方向离散为N个方向，分别为各个方向采集纹理子图像，作为训练样本：步骤3：建立深度学习网络；步骤4：准备输入样本并编码标签，同时设置训练参数进行训练；步骤5：给出方向场估计。本发明方法将纹理的方向场估计问题转化为纹路图像的识别问题，利用深度学习算法对图像的纹理特征进行学习和归纳，得到高分类精度的深度网络，通过对输入局部图像的块进行方向预测，最终得到整个纹理图像的方向场。

主权项

1.基于深度学习的纹理图像方向场估计方法，其特征在于，包括以下步骤：步骤1：样本采集：采集将进行方向场评价的纹理图像，包括待分析处理的目标纹理区域前景和非目标纹理区域的背景；步骤2：样本处理与标注：通过下面两种方法的任一种方法进行，方法一：将纹理方向离散为N个方向，分别为各个方向采集m×m尺寸的纹理子图像p_n例，作为训练样本；方法二，将纹理方向场离散为N个方向，建立与纹理图像具有相同尺寸的方向图，方向图以N个不同的值表示N个不同的离散方向，其中m为取样样本的像素尺寸：步骤3：建立深度学习网络：根据步骤2所选方法分别按照下面两种方法进行，方法‑：对于步骤2中利用方法一得到的标注样本，建立N分类深度学习网络；方法二：对于步骤2中利用方法二得到的标注样本，建立端到端分类器，实现像素的方向等级预测；步骤4：为两种深度学习网络编码相应样本并作为网络输入，设置网络的每一层属性和参数，及训练停止条件等，开始训练；步骤5：给出方向场估计：利用学习到的深度网络对待处理纹理图像块进行预测分类，对于步骤3选用方法二得到的网络，可以直接输出得到其方向场等级预测图像；对于对于步骤3选用方法一得到的二分类器网络，还需要经过步骤5.1‑5.4的处理；步骤5.1：初始化方向场图；步骤5.2：从纹理图像左上角开始，设定取样窗口为m×m像素，每次平移[m/a]，依次取图像块作为分类器输入，其中a是平移系数，控制取样窗口每次移动的像素大小；步骤5.3：分类每一图像块，方法是：将m×m图像块输入深度分类网络，若预测结果为类别k，则赋值方向标注图相应区域的中心[m/a]×[m/a]区域为k。步骤5.4：最终将方向标注图转化为相应的方向图。