一种快速自动语义图像分割模型方法
【专利摘要】为了进行快速自动语义图像分割，在深入研究视觉注意模型中的相位谱四元数傅里叶变换模型(Phase Spectrum of Quaternion Fourier Transform，PQFT)和PCNN模型的基础上，本发明提出改进PQFT与简化PCNN整合模型，以在保证实时自动语义图像分割的同时，取得较好的语义图像分割效果。本发明提供一种快速自动语义图像分割模型方法，其包括如下步骤：S1、对原相位谱四元数图像傅里叶变换模型PQFT进行改进；S2、对改进后的PQFT模型与脉冲耦合神经网络PCNN整合进行语义图像分割；S3、自动输出语义图像分割结果。
【专利说明】一种快速自动语义图像分割模型方法
【技术领域】
[0001] 本发明涉及图像处理【技术领域】，涉及一种快速自动语义图像分割模型方法。
【背景技术】
[0002] 语义图像分割是指符合人类视觉特点的基于显著目标对象的图像分割。其宗旨是 把图像分割为一个或几个感兴趣区域，以便进行深入的图像分析与理解。而人们在观察一 幅图像时，会选择性地将注视焦点放在自己感兴趣的区域，这与语义图像分割的目的不谋 而合。视觉注意模型是为模拟人类视觉系统的注意机制而提出的模型，从而可应用于图像 分割。但其图像分割结果常受注视焦点这一形式的影响，而呈现出分散性与不规则性。
[0003] 为了克服视觉注意模型语义图像分割的上述缺点，本发明提出利用脉中耦合神经 网络（PulseCoupledNeuralNetwork，PCNN)来提高和改善视觉注意模型语义图像分割结 果的光滑一致性和形状特性。PCNN作为第3代人工神经网络的主要代表，在图像处理尤其 图像分割方面有着良好的性能。
【发明内容】
[0004] 为了进行快速语义图像分割，在深入研宄视觉注意模型中的相位谱四元数傅里叶 变换模型（PhaseSpectrumofQuaternionFourierTransform，PQFT)和PCNN模型的基 础上，本发明提出改进PQFT与简化PCNN整合模型，以在保证实时语义图像分割的同时，取 得较好的自动语义图像分割效果。
[0005] 为实现快速自动语义图像分割模型，本发明的方案包括：
[0006] 一种快速自动语义图像分割模型方法，其包括如下步骤：
[0007] S1、对原相位谱四元数图像傅里叶变换模型PQFT进行改进；
[0008]S2、对改进后的PQFT模型与脉冲耦合神经网络PCNN整合进行语义图像分割；
[0009] S3、自动输出语义图像分割结果。
[0010] 在本发明所述的快速自动语义图像分割模型方法中，所述步骤Si包括如下子步 骤：
[0011] S11、将原四元数图像的RGB颜色空间转换为CIELab颜色空间；
[0012] S12、改进四元数图像的虚部；
[0013] S13、确定四元数图像像素的周围区域。
[0014] 在本发明所述的快速自动语义图像分割模型方法中，所述步骤S12中改进四元数 图像的虚部包括：
[0015] 选择去掉冗余低频信息的L、a和b这三个通道作为四元数图像的虚部系数，具体 计算方法为：
[0016]X1=L-L!
[0017]X2 =a~ax
[0018]X3=b~bx
[0019] 上面三个式中，乂1、&和乂3分别用来代替？0?1'模型中1?(〇、8￥(〇以及1(〇山、 a和b是CIELab颜色空间三个特征通道；1^、&1和b1是对应特征通道像素点周围区域的均 值；若Xp&和X3为负值，则将其设为〇。
[0020] 在本发明所述的快速自动语义图像分割模型方法中，所述步骤S13中采用简单地 利用将图像的宽和高与PCNN链接强度系数β相乘的方法；其中，β值的计算，如式所示
【权利要求】
1. 一种快速自动语义图像分割模型方法，其特征在于，其包括如下步骤： 51、 对原相位谱四元数图像傅里叶变换模型PQFT进行改进； 52、 对改进后的PQFT模型与脉冲耦合神经网络PCNN整合进行语义图像分割； 53、 自动输出语义图像分割结果。
2. 如权利要求1所述的快速自动语义图像分割模型方法，其特征在于，所述步骤Sl包 括如下子步骤： 511、 将原四元数图像的RGB颜色空间转换为Lab颜色空间； 512、 改进四元数图像的虚部； 513、 确定四元数图像像素点的周围区域。
3. 如权利要求2所述的快速自动语义图像分割模型方法，其特征在于，所述步骤S12中 改进四元数图像的虚部包括： 选择去掉冗余低频信息的L、a和b这三个通道作为四元数图像的虚部系数，具体计算 方法为： X1 =L-Lx Xg-B-BI X3=b-b1 上面三个式中，XpXjPX3分别用来代替PQFT模型中RG(t)、BY(t)以及I(t) ;L、a和b是CIELab颜色空间三个特征通道；Li、&1和bi是对应特征通道像素点周围区域的均值； 若Xp&和X3为负值，则将其设为0。
4. 如权利要求2所述的快速自动语义图像分割模型方法，其特征在于，所述步骤S13中 采用简单地利用将图像的宽和高与PCNN链接强度系数0相乘的方法；其中，0值的计算，
标准方差。
5. 如权利要求1所述的快速自动语义图像分割模型方法，其特征在于，所述步骤S2包 括如下子步骤： S21接收输入域：对于给定彩色输入图像，将Xn &和X3的特征融合图（Iy作为PCNN的输入图像，这样不仅可以增强输入图像中的显著对象，而且可以提高PCNN的抗噪能力； 522、 调制链接域：在调制链接域，对被接收进来的主输入和链接输入进行全局调制耦 合； 523、 脉冲产生域：对模型产生的显著图，为了增强图像分割的泛化性能，用显著图的统 计直方图的峰谷点数来表示给定图像中的显著对象个数，而峰谷之间的像素点数目占的比 重作为返回抑制机制选择像素数的依据； 524、 显著区域自动判别算法：根据分割图像尺寸变化情况，来判断并自动输出正确的 语义图像分割结果。
6. 如权利要求5所述的快速自动语义图像分割模型方法，其特征在于，所述步骤S21包 括： PCNN的主输入（F)和链接输入（L)分别用来接收外界刺激和局部刺激，分别如下述两 个公式所示： Fij [1] =Iij
以上两式中，[1]表示PCNN只需要迭代1次；N(i，j)表示外界输入刺激（Ij的8-邻 域;W是链接权重矩阵，利用它能把外界刺激的8-邻域（Ikl)像素值按权重大小链接起来， W可根据图像当前像素到其8-邻域边界上像素的距离自动设置，如下式所示： WiJki=l/[(i_k) 2+(j_l)2]。
7. 如权利要求5所述的快速自动语义图像分割模型方法，其特征在于，所述步骤S22包 括： 在调制链接域，对被接收进来的主输入和链接输入进行全局调制耦合，如下式所示：UijIil] =FijIil] {1+|3 ，式中，U表示PCNN的内部活动项；|3代表神经元之间的
元对其中心神经元影响越大，反之越小。
8. 如权利要求5所述的快速自动语义图像分割模型方法，其特征在于，所述步骤S23包 括： 根据上述机制对改进PQFT模型得到的显著图，按照其对应的统计直方图，进行显著像 素点的截取和输出，并进行归一化（N( ?))操作，生成二值图像SM_N; 将U和SM_N进行点乘得到显著目标对象的粗略定位结果，如下式所示：locat_U=UijU].SM_N，式中，locat_U是改进PQFT模型在PCNN内部活动项中对显著 目标对象的粗分割结果； 在粗分割的基础上，显著目标物大面积的复杂背景已分割掉；此时求出l〇cat_U的最 大值max和最小值min，则选择max-(max-min)/3作为阈值，进行精细分割，如下式所示：
值。
9. 如权利要求5所述的快速自动语义图像分割模型方法，其特征在于，所述步骤S24包 括： 首先去除SM_N及其对应Yij的黑色边缘部分，然后判断去掉黑色边缘部分后二者的尺 寸大小是否相等；若相等，则所需输出的正确语义图像分割结果为SM_N-Yy否则，正确语 义图像分割结果为Yij。
【文档编号】G06T7/00GK104504725SQ201510022036
【公开日】2015年4月8日 申请日期:2015年1月16日 优先权日:2015年1月16日
【发明者】刘尚旺, 孙林, 袁培燕, 赵晓焱, 李名 申请人:河南师范大学