一种基于超像素和长短时记忆网络的图像分割方法技术

本发明专利技术公开了一种基于超像素和长短时记忆网络（Long Short‑Term Memory,LSTM）的图像分割方法，包括训练和测试两个阶段，训练阶段：对图像训练集进行预处理；利用一种超像素分割算法进行预分割；建立超像素图；根据超像素图构建适用于LSTM输入的特征序列训练集和真值集；训练LSTM模型。测试阶段：对待分割图像进行预处理、超像素分割、构建超像素图并构建特征序列；将特征序列输入已训练的LSTM模型，根据分类结果还原分割后的图像。本发明专利技术基于超像素分割，通过训练神经网络对超像素块进行分类获得分割结果，解决了传统分割网络对于空间边缘分割精度不足的问题，同时利用LSTM对于序列特征数据分类的特点，融合了超像素块的邻域信息，进一步提高了分割精度和时间性能。

【技术实现步骤摘要】
一种基于超像素和长短时记忆网络的图像分割方法
本专利技术属于图像分割
，是一种基于超像素和长短时记忆网络(LongShort-TermMemory，LSTM)的图像分割方法。
技术介绍
图像分割是由图像处理进到图像分析的关键步骤，也是一种基本的计算机视觉技术。图像分割就是把图像分成各具特性的区域并提取出感兴趣目标区域的技术和过程。现有的图像分割主要分为下面几类：基于阈值的分割方法，基于区域的分割方法，基于边缘的分割方法以及基于聚类的分割方法。随着近年来深度学习的发展，越来越多基于深度神经网络的方法也逐渐应用于图像分割领域。JonathanLong等人在2015年提出了全卷积神经网络(FullyConvolutionalNetworks，FCN)，通过构建端到端、像素到像素训练的卷积网络来提取图像语义信息，成功应用于图像分割领域。此外，循环神经网络(RecurrentNeuralNetwork,RNN)由于能够接受序列结构输入，更好地考虑输入特征向量之间相关性，近年来也有研究将其应用于图像分割，尤其是医学图像分割领域。传统基于聚类方法的图像分割算法，如K-Means、FCM、SO本文档来自技高网...

【技术保护点】
1.一种基于超像素和长短时记忆网络的图像分割方法，其特征在于，分为训练和测试两个阶段，包括如下步骤：步骤a：对图像训练集进行预处理；步骤b：利用一种超像素分割算法进行预分割，去除作为背景的超像素块，构建超像素图；步骤c：根据超像素图构建适用于LSTM输入的特征序列训练集和真值集；步骤d：训练LSTM模型；步骤e：对待分割的测试图像，重复步骤a‑c，将构建的特征序列输入已训练的LSTM模型，得到超像素块分类结果，将分类结果还原得到分割结果。

【技术特征摘要】
1.一种基于超像素和长短时记忆网络的图像分割方法，其特征在于，分为训练和测试两个阶段，包括如下步骤：步骤a：对图像训练集进行预处理；步骤b：利用一种超像素分割算法进行预分割，去除作为背景的超像素块，构建超像素图；步骤c：根据超像素图构建适用于LSTM输入的特征序列训练集和真值集；步骤d：训练LSTM模型；步骤e：对待分割的测试图像，重复步骤a-c，将构建的特征序列输入已训练的LSTM模型，得到超像素块分类结果，将分类结果还原得到分割结果。2.如权利要求1所述的基于超像素和长短时记忆网络的图像分割方法，其特征在于，所述步骤a中预处理为对全部训练图像进行灰度拉伸变换。3.如权利要求1所述的基于超像素和长短时记忆网络的图像分割方法，其特征在于，所述步骤b中构建超像素图包括如下步骤：步骤b1：对于所有的预处理后的训练图像，利用超像素分割算法进行预分割，得到超像素块的预分割图像；步骤b2：根据预分割图和超像素块的数量建立邻接矩阵，将每一块超像素区域作为图的节点，空间上相邻的超像素块间用边连接，从而构建超像素图。4.如权利要求1所述的基于超像素和长短时记忆网络的图像分割方法，其特征在于，所述步骤c中根据超像素图构建适用于LSTM输入的特征序列训练集和真值集包括如下步骤：步骤c1：对于每一张训练图像的每一个超像素节点，构建D×Q的特征序列，作为输入LSTM...

【专利技术属性】
技术研发人员：文颖，谢恺，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：上海,31