一种全自动自然图像抠图方法技术

本发明专利技术属于计算机视觉技术领域，提供了一种全自动自然图像抠图方法，对于单幅图像的图像抠图来说，主要由高级语义特征和低级结构特征的提取、金字塔特征的过滤、空间结构信息的抽取、利用判别器网络的后期优化四部分构成。本发明专利技术可以在不需要任何辅助信息的情况下生成精准的蒙版遮罩，省去科研人员标注辅助信息的时间和用户使用时的交互时间。

A fully automatic natural image matting method

【技术实现步骤摘要】
一种全自动自然图像抠图方法
本专利技术属于计算机视觉
，涉及深度学习的全自动自然图像抠图的方法。
技术介绍
一个前景物体如何无缝的和另一张图像合成一张新的图像，其最为关键的技术便是图像抠取，随着社会的发展和科技的不断进步，我们身边的图像数量正在呈指数速度增长，同时也伴随着众多对图像的处理技术接踵而来。从最初的图像分类到目标检测，再到图像分割等，其背后无不隐藏着人们对于解放双手、减少劳动力的需求，而这些需求的解决正是通过不同的图像处理技术来解决进而便利我们的生活。图像抠图(ImageMatting)是计算机视觉中较为重要的一个任务，它建立在图像分割的基础上，但又对图像分割做了深层的延伸。图像分割旨在从将图像中的不同区域或感兴趣的区域给分割出来，其本质上是一个非0即1的二分类问题，对于被分割的边缘细节不做过多要求；而图像抠图是不仅仅将前景区域分割出来，其还要求被分割出物较高的精细程度，例如人的头发，动物的毛发、密集度较高的网状体和半透明的物体等都是要被精细的分割并且肉眼可见的。这种高精度的分割结果对于图像合成具有意义非凡的用途，小到可本文档来自技高网...

【技术保护点】
1.一种全自动自然图像抠图方法，在无需任何额外辅助信息的情况下实现了从单张RGB图像中获取精细的前景物体的蒙版遮罩，该方法共由四部分构成，其特征在于，步骤如下：/n(1)层级特征提取阶段/n层级特征提取阶段主要从输入的图像中抽取不同层级的特征表示；选取ResNext作为基础网络，将其划分为五个块，五个块由浅到深，从浅层提取低级空间特征和纹理特征，到深层提取高级语义特征，依次递进；随着网络的深度加深，网络本身学习到的更多是深层语义特征，因此利用第二个块去提取低级空间特征和纹理特征；为了让深层网络获得更大的感受野，先将第五个块的普通卷积操作改为扩张率为2的扩张卷积；为了解决图像中前景物体大小不同的...

【技术特征摘要】
1.一种全自动自然图像抠图方法，在无需任何额外辅助信息的情况下实现了从单张RGB图像中获取精细的前景物体的蒙版遮罩，该方法共由四部分构成，其特征在于，步骤如下：
(1)层级特征提取阶段
层级特征提取阶段主要从输入的图像中抽取不同层级的特征表示；选取ResNext作为基础网络，将其划分为五个块，五个块由浅到深，从浅层提取低级空间特征和纹理特征，到深层提取高级语义特征，依次递进；随着网络的深度加深，网络本身学习到的更多是深层语义特征，因此利用第二个块去提取低级空间特征和纹理特征；为了让深层网络获得更大的感受野，先将第五个块的普通卷积操作改为扩张率为2的扩张卷积；为了解决图像中前景物体大小不同的问题，将第五个块提取出来的高级语义特征送入扩张空间金字塔池化模块，对于带扩张率的扩张卷积，设定扩张率分别是6、12和18；随后将这五个并行操作的结果级联起来经过一个3×3的卷积操作得到高层语义特征表示；
(2)金字塔特征过滤阶段
提出金字塔特征过滤模块将得到的高级语义特征先通过一个最大池化操作，以此将每一层的多个特征值压缩为一个特征值；接着将压缩后的特征值通过一个由三层卷积操作组成的共享多层感知机以进行多个通道间特征值的更新；最后将通过非线性激活函数得到的通道注意力图中每一个通道的元素和上阶段的高级语义特征对应的该通道所有元素进行相乘操作，以此来达到对不同激活区域的选择；数学表达式如下：
Output＝σ(MLP(MaxPool(Input)))×Input(2)
式中，Input表示第一阶段得到的高级语义特征；σ表示非线性激活函数，经过σ之后得到的通道注意力图的大小是1×1×n，n表示通道的数量，而得到的高级语义特征的大小是x×y×n，x和y表示通道的长和宽，二者在执行相乘时会执行广播操作，是通道注意力图的一个元素和高级语义特征中对应通道的全部元素相乘；
(3)空间信息抽取阶段
提出一种空间信息抽取模块将更新后的高级语义特征连同层级特征提取阶段中第二个块抽取出来的空间特征和纹理特征一...

【专利技术属性】
技术研发人员：杨鑫，刘宇豪，魏小鹏，张强，乔羽，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21