The invention discloses an accurate image segmentation method utilizing gray difference between foreground and background scenes and depth learning network. DeepLab recognition model is used to identify the undetermined image and get the initial segmentation image. The contour points of the object to be measured on the initial segmentation image are extracted and the orientation matrix and the length of the long and short axis are calculated. The contour points are redirected by the orientation matrix, the centroid is calculated, and the foreground gray difference value and background gray difference value of the undetermined point are calculated by the orientation matrix, the length of the long and short axis and the centroid, and then the foreground expansion is calculated. By comparing the reference values of foreground expansion and background expansion with the corresponding threshold values, the attributes of the undetermined points can be determined, and then the precise segmentation can be achieved. The method integrates the distance between the undetermined point and the center of matter to be measured and the gray difference between the undetermined point and the foreground and background to judge the attributes of the equivalents, thus realizing the accurate segmentation of the image.
【技术实现步骤摘要】
利用前后景灰度差和深度学习网络的图像精确分割方法
本专利技术涉及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,具体涉及一种利利用前后景灰度差和深度学习网络的图像精确分割方法。
技术介绍
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。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。近年来,深度学习方法在图像分割中得到了应用。FCN是图像分割最早的经典模型(LONGJ,SHELHAMERE,DARRELLT.Fullyconvolutionalnetworksforsemanticsegmentation;proceedingsoftheProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition,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。MaskRCNN(HEK,GKIOXARIG,DOLLáRP,etal.Maskr-cnn;proceedingsoftheComputerVision(ICCV),2017IEEEInternationalConferenceon,F,2017[C].IEEE.)是在FasterR-CNN(ENS,HEK,GIRSHICKR,etal.FasterR-CNN:towardsreal ...
【技术保护点】
1.一种利用前后景灰度差和深度学习网络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;步骤2:对步骤1获得的所有待测物图像采用DeepLab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;初始分割图上属于待测物的图像区域对应到待定图像上的相同图像区域作为前景,初始分割图上不属于待测物的图像区域对应到待定图像上的相同图像区域作为背景;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:以初始分割图左下点为原点,水平方向为x轴,竖直方向为y轴,建立图像直角坐标系;步骤5:将待测物的初始轮廓L以图像直角坐标系下的坐标表示成轮廓点(xi,yi)保存,i=1,2…N,N表示初始轮廓中轮廓点的序数;步骤6:将待测物看作椭圆形,采用尺寸快速检测方法对待定图像处理得到待测物的定向矩阵R、横径w和纵径h,将定向矩阵R与每个轮廓点(xi,yi)相乘得到各自新的轮廓点(x’i,y’i ...
【技术特征摘要】
1.一种利用前后景灰度差和深度学习网络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;步骤2:对步骤1获得的所有待测物图像采用DeepLab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;初始分割图上属于待测物的图像区域对应到待定图像上的相同图像区域作为前景,初始分割图上不属于待测物的图像区域对应到待定图像上的相同图像区域作为背景;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:以初始分割图左下点为原点,水平方向为x轴,竖直方向为y轴,建立图像直角坐标系;步骤5:将待测物的初始轮廓L以图像直角坐标系下的坐标表示成轮廓点(xi,yi)保存,i=1,2…N,N表示初始轮廓中轮廓点的序数;步骤6:将待测物看作椭圆形,采用尺寸快速检测方法对待定图像处理得到待测物的定向矩阵R、横径w和纵径h,将定向矩阵R与每个轮廓点(xi,yi)相乘得到各自新的轮廓点(x’i,y’i),利用所有新的轮廓点(x’i,y’i)计算待测物在图像直角坐标系下的质心(x’c,y’c);步骤7:将待定图像的背景与待定图像的前景之间的轮廓点坐标Qs(xs,ys)作为待定点组成待定点队列Q;步骤8:将待定点队列中的待定点Qs(xs,ys)与定向矩阵R相乘得到新待定点(x’s,y’s),用下面的公式计算新待定点(x’s,y’s)与质心(x’c,y’c)的距离Dc:式中,w为待测物的长轴长度,h为短轴长度;步骤9:针对待定点Qs(xs,ys)的8邻域中属于前景的像素点作为前景点,计算前景点的灰度差异值Dt:式中,gy,x为待定点Qs(xs,ys)的灰度值,nt为前景点数量,T为待定点S(xs,ys)的8邻域中前景像素点集;步骤10:针对待定点Qs(xs,ys)的8邻域中属于背景的像素点作为背景点,计算背景点的灰度差异值Db:式中,gy,x为待定点Qs(xs,ys)的灰度值,nb为背景点数量,B为待定点S(xs,ys)的8邻域中背景像素点集;步骤11:计算前景扩张参考值...
【专利技术属性】
技术研发人员:饶秀勤,宋晨波,张小敏,高迎旺,应义斌,泮进明,郑荣进,
申请(专利权)人:浙江大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。