与深度学习方法相结合的多焦图像中目标分割方法技术

本发明专利技术公开了与深度学习方法相结合的多焦图像中目标分割方法，先对多焦图像进行配准；再基于目标的颜色与轮廓进行粗分割得到一张只包含单个目标的局部图像并基于目标中心所在位置与所属图像形成目标的定位标签；提出两种评价尺度，分别为目标清晰度判断模块与目标需求性判断模块；综合清晰度判断模块与需求性判断模块的分数得到目标的分割价值系数；最后针对具有相同定位标签的目标，比较其分割价值系数，将具有分割价值的目标放入语义细分割模块来获取多焦图像中所有清晰需求的非重复目标，以解决单独使用传统方法中所存在的分割粗糙的问题和单独使用深度学习语义分割方法中存在的效率低下、效果差等问题。这样便兼顾了分割的效果与效率。了分割的效果与效率。了分割的效果与效率。

【技术实现步骤摘要】
与深度学习方法相结合的多焦图像中目标分割方法


[0001]本专利技术涉及基于传统方法与深度学习方法相结合的多焦图像中目标提取方法，属于计算机视觉领域。

技术介绍

[0002]在信息时代图像已经成为人类记录信息的一种主要载体，其应用场景十分广泛，但是在图像捕捉设备获取图像时，会确定一张图像的对焦点，通常来说，焦点附件的目标会更加清晰而距离焦点较远的图像的清晰度较低。而一张图像中所包含的需求清晰目标越多，在实际应用场景中这张图像的应用价值也就越高。假如有一组多焦图像，其捕捉设备、捕捉背景、捕捉目标物等均相同，仅仅是由于捕捉参数导致不同图像中各个目标的清晰度不同；也就意味着实际应用场景中所需要的各个清晰目标物分散在不同图片中。此时如果能采用一种方法识别、分割、提取各个清洗目标，则会对后续的应用带来很大的帮助。
[0003]传统方法在进行目标分割时，主要有如下几种分割方法，一种是基于阈值，每个像素的灰度值与阈值作比较，最后将像素根据比较结果分到合适的类别中。另一种是基于区域的图像分割，直接寻找区域并进行分类，采用区域生长的方法即从单个像素出发逐本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.与深度学习方法相结合的多焦图像中目标分割方法，其特征在于：该方法包括如下步骤，步骤1：图像配准；随机选取图像组中的一张图片为基准，图像组中的其他图像对照基准图像进行特征选取、特征匹配、图像变换操作，最终实现图像组中所有图像的特征一致；步骤2：基于颜色、轮廓特征的粗分割；通过步骤1将图像组中的图像特征调整一致后，以需求目标与无关背景、无关目标之间的颜色差异与需求目标的特有轮廓为出发点，寻找前后景之间的分界边；从而对现有图像进行粗分割获取含有类寻求目标的局部图像；步骤3：目标定位；根据步骤2粗分割后形成的目标轮廓边缘计算目标边缘点的中心距进而求出中心点的坐标，再将目标的中心坐标形成标签与目标图像关联；步骤4：目标图像清晰度评价；将之前经过步骤1、2、3处理过的具有定位信息的粗分割目标输入模型以评价图像清晰度；步骤5：目标图像需求性预测；将之前经过步骤1、2、3处理过的具有定位信息的粗分割目标输入模型以评价图像需求度；此步骤与步骤4为并行步骤；步骤6：目标图像分割价值综合判定；根据步骤4得出的图像清晰度分数与步骤5得出的图像的需求置信度求解图像的分割价值判定；步骤7：根据目标图像的定位信息筛选高分割价值目标图像群中的非重复目标图像；获取目标图像关联的定位标签，与其他目标的定位标签进行比较，划分具有相同定位的图像组，再根据图像在步骤6中得出的分割价值系数设置阈值筛选出高分割价值目标图像群中的非重复目标图像；步骤8：细分割高价值目标图像；采用语义分割模型对步骤7得到的目标图像进行轮廓细分割；步骤8.1训练基于轮廓的语义分割模型；对训练集的目标轮廓进行像素级绘制，用以训练基于轮廓的语义分割模型；步骤8.2绘制目标精细轮廓；将目标图像输入训练好的语义分割模型绘制目标精细轮廓；步骤9：获得多焦图像中的非重复清晰需求目标；将计算的具有高分割价值的非重复图像放入步骤8.1训练的模型进行语义细分割得到轮廓掩模图，再对...

【专利技术属性】
技术研发人员：徐靖翔，李娟，李建强，王全增，赵琳娜，罗锦涛，高正凯，刘朝磊，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：