【技术实现步骤摘要】
本专利技术涉及图像分割，具体为基于特征融合与注意力机制的图像分割方法。
技术介绍
1、目前，图象分割在实际中已得到广泛的应用，在工业自动化，在线产品检验，生产过程控制，文档图象处理，遥感和生物医学图象分析方面，总的来说，在各种图象应中，只要需对图象目标进行提取，测量等都离不开图象分割图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，它是由图像处理到图像分析的关键步骤，现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等，从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程，图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。
2、尽管如此，仍存在车辆在行驶过程中车速过快的情况下抓拍的图像过于模糊不清，使得在图像分割的过程中，照片清晰度过低无法提取出关键的信息，导致影响交通部门日常办公，一些传统的图像特征还原方法，无法做到根据不同层次特征融合，并通过通道注意力机制，给予特征通道不同的权重，无法获得更优的特征表示和提高图像处理的准确率。
技术实现思路
1、本专利技术的目的在于提供基于特征融合与注意力机制的图像分割方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：基于特征融合与注意力机制的图像分割方法，包括以下步骤：
3、s1、获取需要处理的图像：通过移动计算机设备的摄像机实时地记录视频
4、s2、使用算法对图像预处理：通过图像灰度化、图像去噪、图像增强、图像边缘化，图像二值化算法对图像进行预处理；
5、s3、对车牌进行检测：通过hsv颜色模型，对采集到的图像主要车牌区域的多个字符，每行都存在多个灰度跳变，通过这个特征可以确定车牌在两行区域之间，用同样的方法确定区域边界的两列，去确定车牌号的大致区域；
6、s4、对字符进行分割：找到车牌区域后，对车牌上的字符进行分割，在对图像进行颜色处理后，字符从背景中已经分割出来了，通过选择连通域的方法根据字符的宽度将单个字符分别分割出来；
7、s5、特征提取模块：使用基于注意力机制的卷积层作为特征提取模块，用于提取基础特征作为低层特征，利用了深度卷积神经网络模型的多层次特征，将不同层次特征融合，并通过通道注意力机制，给予特征通道不同的权重，获得了更优的特征表示，提高了图像处理的准确率，获取了高质量图像。
8、优选的，步骤s2还包括以下步骤：
9、s201、图像灰度化：在对图像进行识别处理过程中，将彩色图像转变为灰色图像，加快处理速度，根据它的指标给r、g、b等于它们的值加权和平均,其中wr、wg、wb分别为r、g、b的权值，因为考虑到，人眼观看舒适度，当wr＝0.30、wg＝0.59、wb＝0.11时，得到最合理的灰度图像，图像灰度化算法具体为：
10、r＝g＝b＝(wr+wg+wb)/3。
11、优选的，步骤s2还包括以下步骤：
12、s202、图像去噪：通过对真实图像与去噪后图像各个像素值之间的均方差的计算，对摄像机的图像失真程度进行判断，其中：f(i,j)代表去噪处理后的图像在(i,j)处的图像像素值，m×n分别代表原始图像像素值、去噪处理后的图像像素值和图像分辨率,图像去噪算法具体为：
13、
14、优选的，步骤s2还包括以下步骤：
15、s203、图像增强：对不均匀的图像进行处理，增强光照较弱部分的亮度，对图像rgb到hsv转换，因为hsv颜色更符合人眼视觉特效，图像的色调(h)和饱和度(s)保持不变，对亮度v空间进行校正增强，其中：r(x,y)代表校正后的图像，x(x,y)代表输入图像，r代表亮度增强的指数值，s代表输入图像的亮度均值，图像增强算法具体为：
16、
17、
18、优选的，步骤s3还包括以下步骤：
19、s301、检测定位车牌的位置：通过每行的多个灰度跳变这个特征去确定车牌号字符的大致位置。
20、优选的，步骤s4还包括以下步骤：
21、s401、对图像背景色分割：找到车牌区域后，对车牌上的字符进行分割，在对图像进行颜色处理后，字符从背景中分割出来。
22、优选的，步骤s4还包括以下步骤：
23、s402、对图像中字符单个分割：对字符的分割是根据车牌字符排列位置特征:车牌有七个字符，第一个为汉字，第二个为字母，其余五个为数字和字母，第二个字符和第三个字符之间有一个点算半个字符，所以依据字符的宽度将单个字符分别分割出来通过选择连通域的方法根据字符的宽度将单个字符分别分割出来。
24、优选的，步骤s5还包括以下步骤：
25、s501、使用注意力机制的卷积层对图像特征进行提取：对图像处理增加准确率在输入端对低照度图像进行处理，输出四通道车牌特征图，使用基于注意力机制的卷积层作为特征提取模块，用于提取基础特征作为低层特征，将低层特征与相应的高层特征和卷积层最深层次的特征融合，经过反卷积层后，获得最终车牌特征图，输出映射将最终的车牌特征图还原成rgb图片，获取了高质量图像。
26、优选的，步骤s5还包括以下步骤：
27、s502、利用深度卷积神经网络模型的多层次特征进行特征融合：利用了深度卷积神经网络模型的多层次特征，将不同层次特征融合，并通过通道注意力机制，给予特征通道不同的权重，获得了更优的特征表示，提高了图像处理的准确率。
28、与现有技术相比，本专利技术的有益效果是：
29、本专利技术通过注意力机制的卷积层作为特征提取模块，对在车辆在行驶过程中车速过快的情况下抓拍模糊不清的图像，使得在图像分割的过程中，提高照片的清晰度方便提取出关键的信息，提高交通部门日常办公效率，利用深度卷积神经网络模型的多层次特征，根据不同层次特征融合，并通过通道注意力机制，给予特征通道不同的权重，获得更优的特征表示和提高图像处理的准确率。
本文档来自技高网...【技术保护点】
1.基于特征融合与注意力机制的图像分割方法，其特征在于,包括以下步骤：
2.根据权利要求1所述的基于特征融合与注意力机制的图像分割方法，其特征在于：所述步骤S2还包括以下步骤：
3.根据权利要求1所述的基于特征融合与注意力机制的图像分割方法，其特征在于：所述步骤S2还包括以下步骤：
4.根据权利要求1所述的基于特征融合与注意力机制的图像分割方法，其特征在于：所述步骤S2还包括以下步骤：
5.根据权利要求1所述的基于特征融合与注意力机制的图像分割方法，其特征在于：所述步骤S3还包括以下步骤：
6.根据权利要求1所述的基于特征融合与注意力机制的图像分割方法，其特征在于：所述步骤S4还包括以下步骤：
7.根据权利要求1所述的基于特征融合与注意力机制的图像分割方法，其特征在于：所述步骤S4还包括以下步骤：
8.根据权利要求1所述的基于特征融合与注意力机制的图像分割方法，其特征在于：所述步骤S5还包括以下步骤：
9.根据权利要求1所述的基于特征融合与注意力机制的图像分割方法，其特征在于：所述步骤
...【技术特征摘要】
1.基于特征融合与注意力机制的图像分割方法，其特征在于,包括以下步骤：
2.根据权利要求1所述的基于特征融合与注意力机制的图像分割方法，其特征在于：所述步骤s2还包括以下步骤：
3.根据权利要求1所述的基于特征融合与注意力机制的图像分割方法，其特征在于：所述步骤s2还包括以下步骤：
4.根据权利要求1所述的基于特征融合与注意力机制的图像分割方法，其特征在于：所述步骤s2还包括以下步骤：
5.根据权利要求1所述的基于特征融合与注意力机制的图像分割方法，其特征...
【专利技术属性】
技术研发人员：罗韬，许杰，刘家兴，王日凤，
申请(专利权)人：广西科技师范学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。