一种基于度量关系图学习的图像分割方法及装置与流程

本发明涉及图像处理技术领域，具体的说是一种基于度量关系图学习的图像分割方法及装置。

背景技术：

图像分割旨在将图像中感兴趣的目标提取出来，是图像处理、计算机视觉等学习的基础。利用统计学习方法将图像分割问题转化为像素二分类问题已成为图像分割的一种趋势。利用像素的关联性信息是提高图像分割精度的一种思路。现有的方法大多利用传统的欧式距离计算两个像素点之间的相似度，从而作为两两像素之间的关系。然而，并不是所有任务中的像素都符合欧式空间。因此，如何更有效地获取像素之间的关系信息具有重要的研究意义和应用价值。

技术实现要素：

本发明针对目前技术发展的需求和不足之处，提供一种基于度量关系图学习的图像分割方法及装置。

首先，本发明保护一种基于度量关系图学习的图像分割方法，解决上述技术问题采用的技术方案如下：

一种基于度量关系图学习的图像分割方法，包括如下步骤：

(一)训练部分：

步骤一、采集图像，所采集图像作为样本图像；

步骤二、利用邻域灰度分布对图像的噪声进行平滑校正；

步骤三、针对去噪后图像，基于像素的灰度、空间特征，引入最大区间近邻度量学习方法，获取像素之间的相关性关系，从而构建度量关系图；

步骤四、将度量关系图输入图卷积神经网络进行处理，获得分割结果；

步骤五、循环执行步骤一至步骤四，学习同一张图像的度量关系图和分割结果，在图卷积神经网络的基础上训练并构建图卷积神经网络模型；

(二)分割部分：

步骤一、采集图像，所采集图像作为待分割图像；

步骤二、利用邻域灰度分布对图像的噪声进行平滑校正；

步骤三、针对去噪后图像，基于像素的灰度、空间特征，引入最大区间近邻度量学习方法，获取像素之间的相关性关系，从而构建度量关系图；

步骤四、将度量关系图输入图卷积神经网络模型，获得分割结果。

具体的，利用邻域灰度分布对图像的噪声进行平滑校正的具体步骤包括：

1)针对图像每个像素点，选取其m*m邻域；

2)基于m*m邻域，计算该邻域中心像素的灰度值s、周围像素的平均灰度值k、该邻域所有像素点的灰度差平均值l；

3)设定噪声阈值q，计算|s-m|/l；

4)在|s-m|/l的计算结果大于噪声阈值q时，则认为该像素是噪声，对该像素进行均匀化处理，即将该像素的灰度值改为k。

具体的，构建度量关系图的具体过程包括：

1)针对去噪后图像，将图像的每个像素作为图的节点，构造图的节点；

2)提取每个像素点的灰度、空间及邻域平均灰度信息作为每个像素点的特征。；

3)基于最大间隔近邻度量学习方法，学习一个马氏度量空间，该空间是基于现有数据学习出来的最优相似度度量空间；

4)学习马氏度量空间后，可以获取像素之间的相关性信息；

5)马氏度量空间计算出来的距离即为两两像素之间的相似度，基于像素之间的相似度和设定阈值，构建图中任意两个节点的边，从而完成度量关系图的构建。

具体的，所涉及图卷积神经网络模型包含1*1的卷积层。

其次，本发明还保护一种基于度量关系图学习的图像分割装置，其结构包括：

采集模块，用于采集图像并作为样本图像；

平滑校正模块，用于利用邻域灰度分布对图像的噪声进行平滑校正；

引入构建模块，用于基于去噪后图像的像素灰度、空间特征引入最大区间近邻度量学习方法，并通过获取像素之间的相关性关系构建度量关系图；

图卷积神经网络，用于接收度量关系图并获取像素之间的相关性关系，进而输出分割结果；

学习构建模块，用于学习同一张图像的度量关系图和分割结果，在图卷积神经网络的基础上训练并构建图卷积神经网络模型；

图卷积神经网络模型对构建的度量关系图进行分割，获得分割结果。

具体的，所涉及平滑校正模块又包括：

选取子模块，针对图像每个像素点，用于图像的m*m邻域；

计算子模块，基于m*m邻域，用于计算m*m邻域中心像素的灰度值s、周围像素的平均灰度值k、该邻域所有像素点的灰度差平均值l，还用于计算|s-m|/l比值结果；

设定子模块一，用于设定噪声阈值q；

比较判定子模块，用于比较|s-m|/l和噪声阈值q，在|s-m|/l的计算结果大于噪声阈值q时，判定该像素是噪声；

校正子模块，用于均匀化处理判定为噪声的像素点，并将该像素点的灰度值改为k。

具体的，所涉及引入构建模块包括：

构造子模块，针对去噪后图像，用于将图像的每个像素作为图的节点，以构造图的节点；

提取子模块，用于提取每个像素点的灰度、空间及邻域平均灰度信息作为每个像素点的特征；

引入学习子模块，用于引入最大间隔近邻度量学习方法，并学习一个马氏度量空间，该空间是基于现有数据学习出来的最优相似度度量空间；

获取子模块，通过学习马氏度量空间获取像素之间的相关性信息；

设定子模块二，用于设定相似度阈值；

计算构建子模块，用于通过马氏度量空间计算两两像素之间的相似度，并基于相似度和设定的相似度阈值构建图中任意两个节点的边，从而完成度量关系图的构建。

具体的，所涉及图卷积神经网络模型包含1*1的卷积层。

本发明的一种基于度量关系图学习的图像分割方法及装置，与现有技术相比具有的有益效果是：

1)本发明的图像分割方法包括训练部分和分割部分；在训练部分，通过采集图像、平滑校正图像、引入最大区间近邻度量学习方法构建度量关系图、将度量关系图输入图卷积神经网络进行处理后获得分割结果，最终通过学习度量关系图和分割结果构建图卷积神经网络模型；在分割部分，则通过采集图像、平滑校正图像、引入最大区间近邻度量学习方法构建度量关系图、利用图卷积神经网络模型处理度量关系图并得到分割结果，由此实现了图像的高精度分割；

2)本发明的图像分割装置通过采集模块、平滑校正模块、引入构建模块、图卷积神经网络、学习构建模块完成图卷积神经网络模型的构建，又通过采集模块、平滑校正模块、引入构建模块、图卷积神经网络模型完成图像的高精度分割。

附图说明

附图1是本发明实施例一训练部分的流程框图；

附图2是本发明实施例一分割部分的流程框图；

附图3是本发明实施例二的结构连接框图。

附图3中各标号信息表示：

10、采集模块，20、平滑校正模块，30、引入构建模块，

40、图卷积神经网络，50、学习构建模块，60、图卷积神经网络模型，

21、选取子模块，22、计算子模块，23、设定子模块一，

24、比较判定子模块，25、校正子模块；

31、构造子模块，32、引入学习子模块，33、获取子模块，

34、设定子模块二，35、计算构建子模块，36、提取子模块。

具体实施方式

为使本发明的技术方案、解决的技术问题和技术效果更加清楚明白，以下结合具体实施例，对本发明的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下获得的所有实施例,都在本发明的保护范围之内。

实施例一：

结合附图1、2，本实施例提出一种基于度量关系图学习的图像分割方法，包括如下步骤：

s10、训练部分：

s11、采集图像，所采集图像作为样本图像；

s12、利用邻域灰度分布对图像的噪声进行平滑校正；

s13、针对去噪后图像，基于像素的灰度、空间特征，引入最大区间近邻度量学习方法，获取像素之间的相关性关系，从而构建度量关系图；

s14、将度量关系图输入图卷积神经网络进行处理，获得分割结果；

s15、循环执行步骤s11至步骤s14，学习同一张图像的度量关系图和分割结果，在图卷积神经网络的基础上训练并构建图卷积神经网络模型60；

s20、分割部分：

s21、采集图像，所采集图像作为待分割图像；

s22、利用邻域灰度分布对图像的噪声进行平滑校正；

s23、针对去噪后图像，基于像素的灰度、空间特征，引入最大区间近邻度量学习方法，获取像素之间的相关性关系，从而构建度量关系图；

s24、将度量关系图输入图卷积神经网络模型60，获得分割结果。

在本实施例中，利用邻域灰度分布对图像的噪声进行平滑校正的具体步骤包括：

1)针对图像每个像素点，选取其m*m邻域；

2)基于m*m邻域，计算该邻域中心像素的灰度值s、周围像素的平均灰度值k、该邻域所有像素点的灰度差平均值l；

3)设定噪声阈值q，计算|s-m|/l；

4)在|s-m|/l的计算结果大于噪声阈值q时，则认为该像素是噪声，对该像素进行均匀化处理，即将该像素的灰度值改为k。

在本实施例中，构建度量关系图的具体过程包括：

1)针对去噪后图像，将图像的每个像素作为图的节点，构造图的节点；

2)提取每个像素点的灰度、空间及邻域平均灰度信息作为每个像素点的特征。；

3)基于最大间隔近邻度量学习方法，学习一个马氏度量空间，该空间是基于现有数据学习出来的最优相似度度量空间；

4)学习马氏度量空间后，可以获取像素之间的相关性信息；

5)马氏度量空间计算出来的距离即为两两像素之间的相似度，基于像素之间的相似度和设定阈值，构建图中任意两个节点的边，从而完成度量关系图的构建。

在本实施例中，所涉及图卷积神经网络模型包含1*1的卷积层。

本实施例的图像分割方法包括训练部分和分割部分，在训练部分，旨在将度量关系图输入图卷积神经网络，图卷积神经网络输出分割结果，随后，学习同一张图像的度量关系图和分割结果，在图卷积神经网络的基础上训练并构建图卷积神经网络模型，在分割部分则依次进行如下操作：采集图像、对图像进行平滑校正、基于像素之间的相关性关系构建图像的度量关系图，最后，将度量关系图输入已经构建完成的图卷积神经网络模型，基于该度量关系图，获得该图像的高精度分割结果。

实施例二：

结合附图3，本实施例一种基于度量关系图学习的图像分割装置，其结构包括：

采集模块10，用于采集图像并作为样本图像；

平滑校正模块20，用于利用邻域灰度分布对图像的噪声进行平滑校正；

引入构建模块30，用于基于去噪后图像的像素灰度、空间特征引入最大区间近邻度量学习方法，并通过获取像素之间的相关性关系构建度量关系图；

图卷积神经网络40，用于接收度量关系图并获取像素之间的相关性关系，进而输出分割结果；

学习构建模块50，用于学习同一张图像的度量关系图和分割结果，在图卷积神经网络40的基础上训练并构建图卷积神经网络模型60。

图卷积神经网络模型60对构建的度量关系图进行分割，获得分割结果。

在本实施例中，所构建的图卷积神经网络模型60包含1*1的卷积层。

在本实施例中，结合附图3，所涉及平滑校正模块20又包括：

选取子模块21，针对图像每个像素点，用于图像的m*m邻域；

计算子模块22，基于m*m邻域，用于计算m*m邻域中心像素的灰度值s、周围像素的平均灰度值k、该邻域所有像素点的灰度差平均值l，还用于计算|s-m|/l比值结果；

设定子模块一23，用于设定噪声阈值q；

比较判定子模块24，用于比较|s-m|/l和噪声阈值q，在|s-m|/l的计算结果大于噪声阈值q时，判定该像素是噪声；

校正子模块25，用于均匀化处理判定为噪声的像素点，并将该像素点的灰度值改为k。

在本实施例中，结合附图3，所涉及引入构建模块30包括：

构造子模块31，针对去噪后图像，用于将图像的每个像素作为图的节点，以构造图的节点；

提取子模块36，用于提取每个像素点的灰度、空间及邻域平均灰度信息作为每个像素点的特征；

引入学习子模块32，用于引入最大间隔近邻度量学习方法，并学习一个马氏度量空间，该空间是基于现有数据学习出来的最优相似度度量空间；

获取子模块33，通过学习马氏度量空间获取像素之间的相关性信息；

设定子模块二34，用于设定相似度阈值；

计算构建子模块35，用于通过马氏度量空间计算两两像素之间的相似度，并基于相似度和设定的相似度阈值构建图中任意两个节点的边，从而完成度量关系图的构建。

本实施例的图像分割装置通过采集模块10、平滑校正模块20、引入构建模块30、图卷积神经网络40、学习构建模块50完成图卷积神经网络模型60的构建，又通过采集模块10、平滑校正模块20、引入构建模块30、图卷积神经网络模型60完成图像的高精度分割。

以上应用具体个例对本发明的原理及实施方式进行了详细阐述。基于本发明的上述具体实施例，本技术领域的技术人员在不脱离本发明原理的前提下，对本发明所作出的任何改进和修饰，皆应落入本发明的专利保护范围。