2
CN 109886271 A
说 明 书
1/4 页
融合深度学习网络和改进边缘检测的图像精确分割方法
技术领域 [0001] 本发明涉及了一种在现有技术分割图像基础上进一步提高图像分割精度的方法， 具体涉及一种融合深度学习网络和改进边缘检测算法的图像精确分割方法。
背景技术 [0002] 图像分割是将图像区分为多个特定区域来代表不同的事物的过程，是目标识别中 重要的步骤。 [0003] 在猪的行为检测中，需要将猪从各种背景中识别出来，实现猪的图像分割，为进一 步的 行为分析打下基础。但由 于猪场内各 种设施的 存在及光照条件的 不断 变化 ，传统的图 像分割方法很容易失效。 [0004] 近年来，深度学习方法在图像分割中得到了应用。 [0005] FCN是图 像分 割最早的经典模型 (LONG J ,SHELHAMER E ,DARRELL T .Fully convolutional networks for semantic segmentation ；proceedings of the Proceedings of the IEEE conference on computer vision and pattern recognition ,F ,2015) ，其主要思想是将图像识别的神经网络模型的最后一层全连接层替 换成全卷积层。使得原来输出单个识别结果的模型可以进行像素级别的图像识别。 [0006] MaskRCNN(HE K ,GKIOXARI G ,DOLLáR P ,et al .Mask r-cnn；proceedings of the Computer Vision(ICCV) ,2017IEEE International Conference on ,F ,2017[C] .IEEE .)是 在Faster R-CNN(EN S ,HE K ,GIRSHICK R ,et al .Faster R-CNN:towards real-time o bje c t d e te c tion wi th reg ion pro posa l ne two rks ；proceed ing s of the International Conference on Neural Information Processing Systems ,F ,2015)基础 上做了另一条类似FCN结构的分支，其在图像分割领域成绩不俗。 [0007] SegNet(KENDALL A ,BADRINARAYANAN V ,CIPOLLA R .Bayesian segnet:Model uncertainty in deep convolutional encoder-decoder architectures for scene understanding[J] .arXiv preprint arXiv:151102680 ,2015。RONNEBERGER O ,FISCHER P , BROX T .U-net:Convolutional networks for biomedical image segmentation ； proceedings of the International Conference on Medical image computing and computer-assisted intervention ,F ,2015[C] .Springer .)的权重比FCN小很多，同时还有 简化版的网络用于道路情况的实时分割，简化版的权重仅有5MB。除了原版的SegNet，作者 还结合了贝叶斯概率原理设计了Bayesian SegNet，它主要利用了Dropout将每次网络的输 出变成了不 确定的 结果 ，单次网络的 前向 传播得出预 测概率是先验概率 ，而通过多次 传播 得到多个输出来确定总体的后验概率，得出置信度。 [0008] CRFasRNN(ZHENG S ,JAYASUMANA S ,ROMERA-PAREDES B ,et al .Conditional random fields as recurrent neural networks；proceedings of the Proceedings of the IEEE international conference on computer vision ,F ,2015[C])使用FCN输出像 素判别为某一类的概率作为CRF能量方程的一元势能 ，并设计了一个标签相性函数、像素特
步骤2 ：对步骤1获得的所有待测物图 像采 用DeepLa b神经网络进行模型 训练 ，得到待测 物识别模型；
步骤3：对待定图像用待测物识别模型进行识别，得到与待定图像大小一致的初始分割 图 ；并且对初始分割图中的待测物进行边缘提取 ，得到初始轮廓L ；
步骤4：采用下面的公式对待定图像进行灰度拉伸，得到灰度拉伸图像：
精确分割方法 ( 57 )摘要
本发明公开了一种融合深度学习网络和改 进边缘检测的图像精确分割方法。采用DeepLab 识别模型并对待定图像识别后得到初始分割图 和初始轮廓 ，对待定图像进行灰度拉伸后采用 Canny算法处理 ，得到边缘 ，用初始轮廓的各点在 边缘上搜索到的距离最小的点组成收敛边缘，利 用收 敛边缘E ，对初始分 割图 进行开运算等处理 后，得到二次分割图 ，再对二次分割图进行闭运 算等处理后得到三次分割图 ，将收敛边缘在三次 分 割图 上的 对应像素点标为0 ，并对三次分 割图 轮廓进行平滑 ，三次分 割图 上为1的区 域代表待 测物。本发明采用深度学习模型建立待测物核心 区域，再利用Canny算法检测边缘的优势，提高检 测精度。
式中，g ′x,y是灰度拉伸图像上像素点(x ,y)的灰度值，gx,y是待定图像上像素点(x ,y)的 灰度值，C表示非零参数，是正数常数；i表示与像素点相邻的像素点的行差序数，j表示与像 素点相邻的像素点的列差序数；
步骤5：对灰度拉伸图像采用Canny算法提取边缘，得到边缘N； 步骤6 ：对初始轮廓L上的 每个轮廓点 ，在边缘N上搜索与轮廓点距离最小的 点 ，组成收 敛边缘E； 步骤7：将收敛边缘E在初始分割图上对应相同位置的像素点灰度值均赋值为0，再利用 半径为2的圆形结构元对赋值后的 初始分 割图 做形态学开运算 ，并 将除 去最大面积连通域 以外的其他连通域均赋值为0 ，得到二次分割图 ； 步骤8 ：将收敛边缘E在二次分割图 上对应相同 位置的 像素点灰度值均赋值为1 ，利用半 径为2的圆 形结构元对赋值 后的 二次分 割图 做形态学闭 运算 ，并填充空 洞 ，得到三次分 割 图； 步骤9：将收敛边缘E在三次分割图上对应相同位置的像素点灰度值均赋值为0，最后利 用均值滤波优化处理三次分割图 ，并将除去最大面积连通域以外的其他连通域均赋值为0 ， 完成操作后获得精确分割图 ，精确分割图上赋值为1的区域代表待测物。 2 .根据权利要求1所述的一种融合深度学习网络和改进边缘检测的图像精确分割方 法，其特征在于：所述的图像为可见光图像。 3 .根据权利要求1所述的一种融合深度学习网络和改进边缘检测的图像精确分割方 法 ，其特征在于 ：所述步骤3的 初始分 割图 上 ，属于待测物的 像素点灰度值被赋值为1 ，不属 于待测物的像素点的灰度值被赋值为0。
( 19 )中华人民 共和国国家知识产权局
( 12 )发明专利申请
(21)申请号 201910059024 .7
(22)申请日 2019 .01 .22
(71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号
(72)发明人 饶秀勤 宋晨波 张小敏 高迎旺 应义斌 泮进明 郑荣进
(74)专利代理机构 杭州求是专利事务所有限公 司 33200
代理人 林超
(51)Int .Cl . G06K 9/34(2006 .01) G06K 9/46(2006 .01)
(10)申请公布号 CN 109886271 A (43)申请公布日 2019.06.14
( 54 )发明 名称 融合深度学习网络和改进边缘检测的图像
权利要求书1页 说明书4页 附图3页
CN 109886271 A
CN 109886271 A
权 利 要 求 书

1/1 页
1 .一种融合深度学习网络和改进边缘检测的图像精确分割方法，其特征在于：包括如 下步骤：
步骤1 ：采集多幅不同 场景、不同时段、不同 拍摄 角度的 待测物图 像 ，对每一幅待测物图 像处理获得待测物初步轮廓，将待测物初步轮廓以外的图像区域变为黑色；