基于深度学习语义分割的复杂背景图像抠像方法技术

本发明专利技术属于图像处理技术领域，特别涉及基于深度学习语义分割的复杂背景图像抠像方法，其使用Tensorflow深度学习框架，对输入图像进行语义分割，精准识别出图像中表示人像的所有像素点，从而获取人像边缘轮廓。对原图进行Canny算子边缘检测，查找人像轮廓，依据轮廓点到人像边缘轮廓的最小距离、人脸特征点的距离，判定该轮廓点是否属于未知区域点。最后通过未知区域邻域采样前背景点α

【技术实现步骤摘要】
基于深度学习语义分割的复杂背景图像抠像方法
本专利技术属于图像处理
，特别涉及基于深度学习语义分割的复杂背景图像抠像方法。
技术介绍
抠像就是要计算图像中每个像素点的透明度。传统视觉领域抠像算法中，一般采用图像阈值分割、聚类分割、区域分割等算法。将人像分割后，结合图像Matting算法，完成抠像操作。传统视觉分割抠像，对图像背景色彩较为严格，要求背景必须为纯色，对于光照不均匀、杂色背景，无法精准的分割出人像。尤其在用户使用手机拍摄的情况下，传统视觉分割无法精准的分割出人像区域。
技术实现思路
为解决上述技术问题，本专利技术提供一种基于深度学习语义分割的复杂背景图像抠像方法。本专利技术通过以下技术方案实现：一种基于深度学习语义分割的复杂背景图像抠像方法，包括步骤：A、基于Tensorflow深度学习框架，对输入图像进行语义分割，精准识别出图像中表示人像的所有像素点，从而获取人像边缘轮廓；B、对所述输入图像进行Canny算子边缘检测，查找人像轮廓，依据轮廓点到人像边缘轮廓的最小距离、本文档来自技高网...

【技术保护点】
1.一种基于深度学习语义分割的复杂背景图像抠像方法，其特征在于，包括步骤：/nA、基于Tensorflow深度学习框架，对输入图像进行语义分割，精准识别出图像中表示人像的所有像素点，从而获取人像边缘轮廓；/nB、对所述输入图像进行Canny算子边缘检测，查找人像轮廓，依据轮廓点到人像边缘轮廓的最小距离、人脸特征点的距离，判定该轮廓点是否属于未知区域点；/nC、通过未知区域邻域采样前背景点α

【技术特征摘要】
1.一种基于深度学习语义分割的复杂背景图像抠像方法，其特征在于，包括步骤：
A、基于Tensorflow深度学习框架，对输入图像进行语义分割，精准识别出图像中表示人像的所有像素点，从而获取人像边缘轮廓；
B、对所述输入图像进行Canny算子边缘检测，查找人像轮廓，依据轮廓点到人像边缘轮廓的最小距离、人脸特征点的距离，判定该轮廓点是否属于未知区域点；
C、通过未知区域邻域采样前背景点αp估算算法，计算出未知区域的透明度αp；基于透明度αp替换原背景，输出最终图像。


2.根据权利要求1所述的基于深度学习语义分割的复杂背景图像抠像方法，其特征在于，在步骤A中，具体包括步骤：
S1、基于Tensorflow对输入图像进行语义分割，获取图像的已知区域，即人像区域和背景区域，输出二值图像；
S2、对所述二值图像进行图像腐蚀形态学操作，输出腐蚀图；
S3、对所述腐蚀图进行轮廓查找，获取所有人像边缘轮廓点，将所有轮廓点保存至链表，并将所有轮廓点标定为未知区域，填充所述轮廓点，输出第一图像。


3.根据权利要求2所述的基于深度学习语义分割的复杂背景图像抠像方法，其特征在于，在步骤S1中，基于Tensorflow框架，采用deeplabv3模型进行分割，可以精准的分割出人像像素点。


4.根据权利要求2所述的基于深度学习语义分割的复杂背景图像抠像方法，其特征在于，在步骤S2中，所述腐蚀形态学操作使用3x3卷积核对二值图像进行逐行扫描，对卷积核中的所有像素点进行“或”操作，若计算结果为0，则该点值为0，否则为1。


5.根据权利要求2所述的基于深度学习语义分割的复杂背景图像抠像方法，其特征在于，在步骤B中，具体包括步骤：
S4、对所述输入图像使用Canny算子进行边缘检测，并设定其低阈值和高阈值分别为50，80，输出第二图像；
S5、对所述输入图像进行人脸检测，确定人脸矩形区域，提取人脸特征点；
S6、查找第二图像所有轮廓点，遍历轮廓点，计算其每个点到所述链表中的轮廓点的最小欧式距离，当该距离的值小于设置阈值时，则判定该点为未知区域点，需要重新计算期透明度，否则为人像点；同时计算其每个点到所述人脸特征点中左右脸颊的最小欧式距离，其值越小，表示越接近人像，未知区域标定范围则越小，输出第三图像。


6.根据权利要求5所述的基于深度学习...

【专利技术属性】
技术研发人员：曹婉玉，张新锋，
申请(专利权)人：广州卓腾科技有限公司，
类型：发明
国别省市：广东;44