基于候选区域和邻域分类器的弱监督图像语义分割方法技术

本发明专利技术涉及计算机视觉领域，一种基于候选区域和邻域分类器的弱监督图像语义分割方法，以候选区域为基本处理单元，将邻域分类器应用到图像语义分割，得到精度高、不易受噪声标签干扰的弱监督图像语义分割。本发明专利技术方法作为当前计算机视觉领域需要迫切解决的关键技术，可以实现测试图像中每一个像素的标签预测，能够获得比较高的弱监督图像语义分割精度。

【技术实现步骤摘要】
基于候选区域和邻域分类器的弱监督图像语义分割方法
本专利技术涉及计算机视觉领域，具体涉及一种基于高精度候选区域和邻域分类器的弱监督图像语义分割方法。
技术介绍
图像语义分割在自动驾驶、视频监控、增强现实、无人机应用和医学影像分析等领域的应用和需求越来越广泛和迫切。虽然全监督的图像语义分割借助于深度卷积神经网络在图像分类和目标识别领域的应用取得了巨大的进步。但是，全监督的图像语义分割是一个数据饥渴的任务，其需要大量的精确到像素级标注的训练数据。与此同时，标注大量的像素水平的数据是非常费时费力的。然而，图像级的弱监督标注不仅可以从实际的多媒体分享网站中大量的获得，而且还可以快速和高效的实现训练图像的标注。因此，基于图像级标签的高效和高精度图像语义分割成为当前图像语义分割领域的重要技术。目前，基于图像级标注的图像语义分割方法可以分为基于候选区域的方法和基于分类网络的方法。在基于候选区域的方法中，大都以超像素作为基本处理单元进行语义标签的推断，然后结合各种分类模型对已推断的标签进行学习。基于候选区域的方法的动机在于具有相同语义标签的多个图像对应的超像素具有外观的相似性。然而，基于候选区域的方本文档来自技高网...

【技术保护点】
1.一种基于候选区域和邻域分类器的弱监督图像语义分割方法，按照如下的步骤进行步骤一、首先对训练图像进行线性谱聚类超像素分割获得期望的超像素，然后基于视觉特征进行超像素合并，直到合并后的超像素数等于该训练图像的图像级标签包含的标签数的倍数，获得由候选区域组成的训练图像的集合；步骤二、计算待推断语义标签的相异度，由最大相异度的语义标签开始推断，计算最大相异度的语义标签内每一个候选区域的邻域粒，由最相似邻域粒包含的候选区域组成该语义标签的推断，迭代直到所有的语义标签推断完成；步骤三、以步骤二中的方法构建候选区域集合的特征作为条件属性，语义标签的类别作为决策属性，构建决策表，通过属性约简获得具有判别力...

【技术特征摘要】
1.一种基于候选区域和邻域分类器的弱监督图像语义分割方法，按照如下的步骤进行步骤一、首先对训练图像进行线性谱聚类超像素分割获得期望的超像素，然后基于视觉特征进行超像素合并，直到合并后的超像素数等于该训练图像的图像级标签包含的标签数的倍数，获得由候选区域组成的训练图像的集合；步骤二、计算待推断语义标签的相异度，由最大相异度的语义标签开始推断，计算最大相异度的语义标签内每一个候选区域的邻域粒，由最相似邻域粒包含的候选区域组成该语义标签的推断，迭代直到所有的语义标签推断完成；步骤三、以步骤二中的方法构建候选区域集合的特征作为条件属性，语义标签的类别作为决策属性，构建决策表，通过属性约简获得具有判别力的特征，并基于有判别力的特征进行邻域分类器的学习；步骤四、对测试图像进行超像素分割和超像素合并，获得由候选区域组成的测试图像集合，并以候选区域为基本单元输入到邻域分类器进行预测，输出每一个像素的预测标签。2.根据权利要求1所述的一种基于候选区域和邻域分类器的弱监督图像语义分割方法，其特征在于：步骤一中基于视觉特征进行超像素合并包括以下步骤1)定义小超像素为基于颜色和空间距离合并图像中的小超像素到与其空间距离最小的超像素内，其中，N(S(t'))指超像素包含的像素数，N指图像包含的总像素数，a＝10，tr指迭代过程中的超像素数，t’指第t’个超像素，1代表是小超像素，0代表不是小超像素；2)基于LAB颜色空间和HSV颜色空间的颜色特征提取，基于Gabor滤波器组的纹理特征提取，迭代合并超像素，直到剩余的超像素数等于图像级标签包含的标签数的倍数终止，获得由候选区域组成的训练图像的集合。3.根据权利要求1所述的一种基于候选区域和邻域分类器的弱监督图像语义分割方法，其特征在于：步骤二包括以下步骤1)构建待推断的语义标签集L＝[l1,l2,...,ln]和语义标签对应的图像集I＝{I(t),t＝1,2,...,n}，n指语义标签的总数，...

【专利技术属性】
技术研发人员：谢刚，谢新林，赵文晶，郭磊，王银，
申请(专利权)人：太原科技大学，
类型：发明
国别省市：山西,14