基于贝叶斯框架边缘先验的多层分割网络的图像分割方法技术

本发明专利技术涉及一种基于贝叶斯框架边缘先验的多层分割网络的图像分割方法，S1采用全卷积网络对输入数据进行粗分类，输出为与输入大小相等的各类别得分图，同时从全卷积神经网络的内部特征层中提取出隐式边缘图；S2采用边缘检测网络对输入数据提取出显示边缘图；S3利用域转换和条件随机场对S2得到的类别得分图作第一次约束，得到初步的分割图；S4将S2中得到的显示边缘图转换为边缘距离图；S5将边缘距离图输入到限定型域转换，对S3得到的初步的分割图进行第二次边缘约束，得到最终的分割结果。本发明专利技术通过外部边缘网络提取出了边缘信息，利用边缘信息对粗分割结果进行边缘区域的分割过滤，从而提高SAR图像分割的准确率。

【技术实现步骤摘要】
基于贝叶斯框架边缘先验的多层分割网络的图像分割方法
本专利技术属于遥感图像处理
，特别涉及一种基于贝叶斯框架边缘先验的多层分割网络的图像分割方法。
技术介绍
SAR图像分割是将拥有相近属性的相连区域融合成一块，以在图像上形成多个区块，通过不同颜色标记，得到区域的分割图，如划分成田地，水域，建筑区，道路等，可广泛用于军事或民用的信息利用。SAR图像特殊的成像机理使得光学图像分割方法的简单引入具有一定困难。如极化特性的表达，相干斑现象的抑制，乘性非高斯噪声的建模等。人们对于SAR图像提出了各种统计特性对同一类别的图像建模。针对极化图像基于极化分解对同一类别图像建模。通过进行Pauli等分解获得极化信息，在一定程度上提取SAR信息，屏蔽SAR特殊的成像机理，从而可以利用光学图像分割的策略和成果。传统分割方法分三个步骤：超像素块的分割，块特征的提取，以及特征分类器。meanshift或分水岭方法常用于超像素块的提取，分类器多采用SVM或BP等，之后也引入了MRF(MarkovRandomField,马尔可夫随机场)和CRF(ConditionalRandomField，条件随机场)进一步考虑周围超像素块的分类类别，从而进一步提高了正确率。鉴于卷积神经网络在图像分类上取得了令人瞩目的效果，FCN(全卷积网络)通过去掉CNN的全连接层，加上反卷积层，跳跃层来融合不同层次的预测结果成功的将卷积神经网络应用到了语义分割。为了解决FCN中模糊输出而产生分类误差的问题，一般上将CRF作为后置的处理加在FCN的结果上来改善分割的结果，Deeplab是此种方式的典范。FCN分割结果中的边缘不规则，边缘附近区域的正确率较低。导致该问题的两个可能原因是：第一，FCN中的层次化计算使得底层的像素点类别与其周围的像素点值相关，边缘临近点类别变化差异大，使得边缘受其周围点的类别影响，产生较大偏差。第二，反卷积层相当于一个基于高斯滤波的8倍超分辨率重建，会严重影响边缘区域的类别分布。DT(DomainTransform，域转换)算法在处理单图较少类别或是边缘简单的图像时有一定效果，但是对于复杂边缘多类别的图像处理能力有限。主要原因是：仅考虑了边缘强度作为扩散依据，缺乏其他扩散依据。同时四方向扩散中存在着不合适的扩散方向，会使误差扩散，以及隐式得到的边缘不够准确。因此，有必要探索能够得到较高边缘准确率的分割新框架和新方法。
技术实现思路
本专利技术的目的在于针对基于神经网络的模型处理复杂图像时仍存在边缘区域分割误差大的问题，提出了一种基于贝叶斯框架的多层并行的网络架构，以及提出了限定型域转换(DirectedDomainTransform,DDT)。该框架引入了边缘先验信息，通过利用边缘信息对粗分割结果进行约束能够很好改善边缘区域的分割效果。本专利技术的技术方案为一种基于贝叶斯框架边缘先验的多层分割网络的图像分割方法，包括以下步骤：步骤1，采用全卷积网络对输入数据进行粗分类，输出为与输入大小相等的各类别得分图，同时从全卷积神经网络的内部特征层中提取出隐式边缘图；步骤2，采用边缘检测网络对输入数据提取出显示边缘图；步骤3，利用域转换和条件随机场对步骤2得到的类别得分图作第一次约束，得到初步的分割图，包括以下子步骤，步骤3.1，融合隐式边缘图和显示边缘图作为边缘强度输入到域转换中；步骤3.2，对域转换的结果后接一个全连接条件随机场，根据类别得分图中周围像素点类别情况对中间像素点的分类作第一次约束，得到初步的分割图；步骤4，将步骤2中得到的显示边缘图转换为边缘距离图；步骤5，将边缘距离图输入到限定型域转换，对步骤3得到的初步的分割图进行第二次边缘约束，得到最终的分割结果，所述限定型域转换在传统域转换的基础上优化获得，包括以下子步骤，步骤5.1，在传统域转换的基础上，通过边缘距离图中的扩散势得到扩散方向，并对扩散的条件进行限定；步骤5.2，反向传播误差，采用梯度下降法计算得到限定型域转换的扩散系数，并对初步的分割图的第二次边缘约束，得到最终的分割结果。进一步的，步骤3.1中融合隐式边缘图和显示边缘图得到边缘强度的实现方式如下，设隐式边缘图为显示边缘图为gi，则融合后的边缘强度gi'为，其中，下标i表示图像一维例中像素点坐标，α为分配权重，取值的范围从0到1。进一步的，步骤4中将步骤2中得到的显示边缘图转换为边缘距离图的实现方式如下，对步骤2中得到的显示边缘图，选择合适的边缘细化次数和阈值二值化，得到新的边缘分布图，采用式(5)计算每个像素点与其最近的边缘的距离，从而得到边缘距离图，D(i,j)＝min(Dist((i,j),(m,n))),forallY(m,n)∈Y+(2)其中，Dist表示距离，i,j和m,n分别表示的像素点坐标，min表示取极小，Y(m,n)表示边缘点，D(i,j)表示最小边缘距离，Y+表示所有边缘点组成的集合，边缘点从新的边缘分布图中得到。进一步的，步骤5.1中在传统域转换的基础上，通过边缘距离图中的扩散势得到扩散方向，并对扩散的条件进行限定的实现方式如下，(a)选定某一扩散方向，判断每一个像素点(i，j)是否满足以下的扩散条件，若满足则对该点进行扩散操作(b)，不满足则该点在该方向上的扩散被禁止，跳过该点对下一个像素点进行扩散条件1)-5)判断，1)限定扩散点必须是边缘附近点但不能是边缘点，满足0<D(i,j)<a；2)统计到该点之前与该点类别相同的点的数目，当数目超过一定数量时，判定该点属于允许扩散的点；3)比较D(i,j-1)和D(i,j+1)的大小，如果D(i,j-1)-D(i,j+1)＞0，即扩散势大于0，而且Y(i,j)和Y(i,j+1)的类别不同，则表明扩散是向着边缘的满足扩散方向条件；4)当满足3)的条件后记录Y(i,j+1)的类别，继续延长j的大小直到遇到第一个边缘点，然后继续延长直到脱离边缘区域后遇到的第一个点设为Y(i,jj)，如果Y(i,j+1)和Y(i,jj)的类别相同，则通过步骤(b)的扩散操作来修正点Y(i,j)；5)如果4)的条件不满足，设定Y(i,j+1)的类别为Y(i,j)的类别后，继续寻找需要扩散的点；(b)确定迭代次数T，每次迭代时对需要扩散的点进行如下扩散操作，如式(4)和(5)，其中，I表示像素点的RGB颜色向量，P表示像素点类别概率分布向量，wi由颜色向量差I(i,j+1)-I(i,j-1)和类别概率向量差P(i,j+1)-P(i,j-1)，及其分别对应的扩散系数θ1,θ2控制，表示上一时间即更新之前像素点i的类别，表示当前即更新之后像素点i的类别，表示的是像素点i-1的类别；(c)该扩散方向上所有点均经过扩散条件判定以后得到第1次迭代后的结果，将当前结果重复步骤(a)(b)之后的操作直到到达T次迭代之后停止；(d)改变扩散方向，重复(a)(b)(c)，直到四个方向均被选择过。进一步的，步骤5.2中反向传播误差，采用梯度下降法计算得到限定型域转换中的扩散系数的实现方式如下，扩散参数θ1和θ2的训练采用梯度下降法，梯度公式如(6)-(9)；首先根据式(6)由n到1进行反向传播计算，对所有的的梯度进行更新，其中，G(i)代表i点是否扩散过，1代表扩散本文档来自技高网...

【技术保护点】
基于贝叶斯框架边缘先验的多层分割网络的图像分割方法，其特征在于，包括如下步骤：步骤1，采用全卷积网络对输入数据进行粗分类，输出为与输入大小相等的各类别得分图，同时从全卷积神经网络的内部特征层中提取出隐式边缘图；步骤2，采用边缘检测网络对输入数据提取出显示边缘图；步骤3，利用域转换和条件随机场对步骤2得到的类别得分图作第一次约束，得到初步的分割图，包括以下子步骤，步骤3.1，融合隐式边缘图和显示边缘图作为边缘强度输入到域转换中；步骤3.2，对域转换的结果后接一个全连接条件随机场，根据类别得分图中周围像素点类别情况对中间像素点的分类作第一次约束，得到初步的分割图；步骤4，将步骤2中得到的显示边缘图转换为边缘距离图；步骤5，将边缘距离图输入到限定型域转换，对步骤3得到的初步的分割图进行第二次边缘约束，得到最终的分割结果，所述限定型域转换在传统域转换的基础上优化获得，包括以下子步骤，步骤5.1，在传统域转换的基础上，通过边缘距离图中的扩散势得到扩散方向，并对扩散的条件进行限定；步骤5.2，反向传播误差，采用梯度下降法计算得到限定型域转换的扩散系数，并对初步的分割图的第二次边缘约束，得到最终的分割结果。...

【技术特征摘要】
1.基于贝叶斯框架边缘先验的多层分割网络的图像分割方法，其特征在于，包括如下步骤：步骤1，采用全卷积网络对输入数据进行粗分类，输出为与输入大小相等的各类别得分图，同时从全卷积神经网络的内部特征层中提取出隐式边缘图；步骤2，采用边缘检测网络对输入数据提取出显示边缘图；步骤3，利用域转换和条件随机场对步骤2得到的类别得分图作第一次约束，得到初步的分割图，包括以下子步骤，步骤3.1，融合隐式边缘图和显示边缘图作为边缘强度输入到域转换中；步骤3.2，对域转换的结果后接一个全连接条件随机场，根据类别得分图中周围像素点类别情况对中间像素点的分类作第一次约束，得到初步的分割图；步骤4，将步骤2中得到的显示边缘图转换为边缘距离图；步骤5，将边缘距离图输入到限定型域转换，对步骤3得到的初步的分割图进行第二次边缘约束，得到最终的分割结果，所述限定型域转换在传统域转换的基础上优化获得，包括以下子步骤，步骤5.1，在传统域转换的基础上，通过边缘距离图中的扩散势得到扩散方向，并对扩散的条件进行限定；步骤5.2，反向传播误差，采用梯度下降法计算得到限定型域转换的扩散系数，并对初步的分割图的第二次边缘约束，得到最终的分割结果。2.如权利要求1所述的基于贝叶斯框架边缘先验的多层分割网络的图像分割方法，其特征在于：步骤3.1中融合隐式边缘图和显示边缘图得到边缘强度的实现方式如下，设隐式边缘图为显示边缘图为gi，则融合后的边缘强度gi'为，其中，下标i表示图像一维例中像素点坐标，α为分配权重，取值的范围从0到1。3.如权利要求2所述的基于贝叶斯框架边缘先验的多层分割网络的图像分割方法，其特征在于：步骤4中将步骤2中得到的显示边缘图转换为边缘距离图的实现方式如下，对步骤2中得到的显示边缘图，选择合适的边缘细化次数和阈值二值化，得到新的边缘分布图，采用式(5)计算每个像素点与其最近的边缘的距离，从而得到边缘距离图，D(i,j)＝min(Dist((i,j),(m,n))),forallY(m,n)∈Y+(2)其中，Dist表示距离，i,j和m,n分别表示的像素点坐标，min表示取极小，Y(m,n)表示边缘点，D(i,j)表示最小边缘距离，Y+表示所有边缘点组成的集合，边缘点从新的边缘分布图中得到。4.如权利要求3所述的基于贝叶斯框架边缘先验的多层分割网络的图像分割方法，其特征在于：步骤5.1中在传统域转换的基础上，通过边缘距离图中的扩散势得到扩散方向，并对扩散的条件进行限定的实现方式如下，(a)选定某一扩散方向，判断每一个像素点(i，j)是否满足以下的扩散条件，若满足则对该点进行扩散操作(b)，不满足则该点在该方向上的扩散被禁止，跳过该点对下一个像素点进行扩散条件1)-5)判断，1)限定扩散点必须是边缘附近点但不能是边缘点，满足0<D(i,j)<a；2)统计到该点之前与该点类别相同的点的数目，当数目超过一定数量时，判定该点属于允许扩散的点；3)比较D(i,j-1)和D(i,j+1)的大小，如果D(i,j-1)-D(i,j+1)＞0，即扩散势大于0，而且Y(i,j)和Y(i,j+1)的类别不同，则表明扩散是向着边缘的满足扩散方向条件；4)当满足3)的条件后记录Y(i,j+1)的类别，继续延长j的大小直到遇到第一个边缘点，然后继续延长直到脱离边缘区域后遇到的第一个点设为Y(i,jj)，如果Y(i,j+1)和Y(i,jj)的类别相同，则通过步骤(b)的扩散操作来修正点Y(i,j)；5)如果4)的条件不满足，设定Y(i,j+1)的类别为Y(i,j)的类...

【专利技术属性】
技术研发人员：何楚，张芷，郭闯创，熊德辉，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42