一种融合深度神经网络与CV模型的污损图像分割方法技术

本发明专利技术公开了一种融合深度神经网络与CV模型的污损图像分割方法，属于图像处理技术领域，解决对于图像分割采用现有的神经网络的训练样本需求量大以及CV模型的无监督性的问题；技术方案为：构建随机污损模型、对污损图像的图像数据进行加载、构建污损图像融合分割模型、提取污损图像特征、利用CV模型的能量函数完成误差反传更新网络参数；通过多轮迭代学习之后，利用污损图像融合分割模型完成对污损图像的分割；本发明专利技术将CV模型的无监督特性融入神经网络中，使得神经网络可在少量训练样本的情况下得到准确的映射关系，应用于对污损图像的分割。

【技术实现步骤摘要】
一种融合深度神经网络与CV模型的污损图像分割方法
本专利技术属于图像处理
，具体涉及一种融合深度神经网络与CV模型的污损图像分割方法。
技术介绍
随着科学技术的不断发展，人们对于图像处理的精确度要求不断提高，对于大样本的高复杂度图像的处理也提出了更高的需求，图像处理领域迎来了新的挑战。图像分割是图像处理中最基本、最关键的步骤之一，它为图像的进一步处理(识别、理解等)提供了基础判别数据，它是联系低层次的图像处理和高层次的图像视觉理解的桥梁。图像分割是后续的目标检测、目标识别、对象追踪等图像理解领域的基础课题，分割中产生的误差会向上传递到高层次的图像分析与理解阶段，因此图像分割的准确与否直接影响着后续图像处理应用层的精确性与有效性。污损图像的分割问题是图像分割领域待突破的难点和热点，在现实生活中，人们获得的图像常常会因为外部拍摄设备、保存、传输等的影响而受到污损，污损图像即图像一部分像素信息丢失或者目标被遮挡。传统的数学方法进行分割主要依靠图像像素级别的信息，在污损图像分割中，由于一部分像素信息丢失，基于水平集方法的CV模型无本文档来自技高网...

【技术保护点】
1.一种融合深度神经网络与CV模型的污损图像分割方法，其特征在于，包括以下具体步骤：/n步骤S1：构建随机污损模型：将图像随机污损，用于建立和扩增训练数据集，形成图像的污损区域的图像数据；/n步骤S2：对污损图像的图像数据进行加载，所属加载包括污损图像的加载、正常图像的分割真值的加载；/n步骤S3：构建污损图像融合分割模型：将CV模型用在神经网络的最后一层，使CV模型融入神经网络框架中，使CV模型升级为有监督方法；/n步骤S4：在污损图像融合分割模型中输入污损图像利用U-Net网络结构进行前向训练，提取污损图像特征；/n步骤S5：利用CV模型的能量函数完成误差反传更新网络参数；/n步骤S6：通...

【技术特征摘要】
1.一种融合深度神经网络与CV模型的污损图像分割方法，其特征在于，包括以下具体步骤：
步骤S1：构建随机污损模型：将图像随机污损，用于建立和扩增训练数据集，形成图像的污损区域的图像数据；
步骤S2：对污损图像的图像数据进行加载，所属加载包括污损图像的加载、正常图像的分割真值的加载；
步骤S3：构建污损图像融合分割模型：将CV模型用在神经网络的最后一层，使CV模型融入神经网络框架中，使CV模型升级为有监督方法；
步骤S4：在污损图像融合分割模型中输入污损图像利用U-Net网络结构进行前向训练，提取污损图像特征；
步骤S5：利用CV模型的能量函数完成误差反传更新网络参数；
步骤S6：通过多轮迭代学习之后，利用污损图像融合分割模型完成对污损图像的分割。


2.根据权利要求1所述的一种融合深度神经网络与CV模型的污损图像分割方法，其特征在于，所述步骤S1包括：
步骤S11：将图像数据转换为数字信息；
步骤S12：随机选取图像中某一像素点作为污损区域顶点；
步骤S13：以所述区域顶点分别向左、向下生成面积小于图像面积的污损区域；
步骤S14：将区域内的像素值随机替换为0～255之间的数值，达到污损的目的。


3.根据权利要求1所述的一种融合深度神经网络与CV模型的污损图像分割方法，其特征在于，所述步骤S4包括：
步骤S41：利用具有端到端操作的U-Net卷积神经网络接受待分割的图像作为输入；
步骤S42：经过图像特征提取降采样与特征图升采样两个阶段，将内容复杂的待分割图像变换为适合水平集方法分割的特征图。


4.根据权利要求1所述的一种融合深度神经网络与CV模型的污损图...

【专利技术属性】
技术研发人员：张玲，李钢，刘剑超，张勇，杨子固，逯新红，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西;14