CN109858487A - 基于分水岭算法和图像类别标签的弱监督语义分割方法 - Google Patents
基于分水岭算法和图像类别标签的弱监督语义分割方法 Download PDFInfo
- Publication number
- CN109858487A CN109858487A CN201811268396.2A CN201811268396A CN109858487A CN 109858487 A CN109858487 A CN 109858487A CN 201811268396 A CN201811268396 A CN 201811268396A CN 109858487 A CN109858487 A CN 109858487A
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- label
- convolutional layer
- layers
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 33
- 230000004044 response Effects 0.000 claims description 57
- 230000004927 fusion Effects 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000003706 image smoothing Methods 0.000 claims description 5
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 8
- 238000003475 lamination Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
Abstract
本发明提供一种基于分水岭算法和图像类别标签的弱监督语义分割方法，首先构建弱监督卷积神经网络，利用图像的类别标签对原始RGB图像进行训练后图像二值化为二值图像，获得目标在二值图像中的大致位置和形状，再利用分水岭算法预分割原始RGB图像成掩膜，并通过掩膜对二值图像中的目标的形状和位置进一步细化；接着，构建全监督卷积神网络，以弱监督卷积神经网络细化的图像为首次标签进行训练后，继续以所得掩膜细化；然后，再以上次全监督卷积神网络细化结果作为本次全监督卷积神网络的标签继续相同的迭代，直至迭代运算完成，即实现对图像的语义分割。实施本发明，极大程度降低标签制作的复杂度，节省大量人工标注时间和精力。
Description
技术领域
本发明涉及计算机图像处理技术领域，尤其涉及一种基于分水岭算法和图像类别标签的弱监督语义分割方法。
背景技术
近几年来，深度卷积神经网络在语义分割方面有了巨大进步。随着各种基于深度卷积神经网络的语义分割模型的提出，语义分割的精度也在不断增加。虽然语义分割的模型不断在更新和改进，但是对应的像素级标签一直是语义分割发展道路上的巨大障碍。
然而，深度学习的训练依靠大量的数据，在面对一个包含几万张甚至更多的图像数据集来说，这个标注任务是极其困难的。因此，亟需一种极大程度降低标签制作的复杂度，节省大量人工标注时间和精力的语义分割方法。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于分水岭算法和图像类别标签的弱监督语义分割方法，不仅能实现像素级别的语义分割效果，还极大程度降低标签制作的复杂度，节省大量人工标注时间和精力。
为了解决上述技术问题，本发明实施例提供了一种基于分水岭算法和图像类别标签的弱监督语义分割方法，所述方法包括以下步骤：
步骤S1、构建一个基于图像类别标签的弱监督卷积神经网络；
步骤S2、将原始RGB图像导入所述弱监督卷积神经网络中以图像的类别作为标签进行训练后，采用图像二值法处理成二值图像，并还将原始RGB图像平滑处理后，采用分水岭算法预分割成掩膜图像，且进一步以所述掩膜图像为所述二值图像的掩膜，对所述二值图像进行融合处理，得到初始目标细化图像；
步骤S3、构建一个以图像为标签的全监督卷积神经网络；
步骤S4、设置迭代次数以及设置所得到的初始目标细化图像为当前待再次分割细化图像；
步骤S5、在所述全监督卷积神经网络中以当前待再次分割细化图像为标签进行训练，得到新二值图像，并继续以所述分水岭算法预分割成的掩膜图像为所述新二值图像的掩膜，对所述新二值图像进行融合处理，得到新目标细化图像；
步骤S6、将所述迭代次数减一后对所述迭代次数进行更新，并判断更新后的迭代次数是否大于0；
步骤S7、如果是，则所得到的新目标细化图像更新为当前待再次分割图像后，返回步骤S5；
步骤S8、如果否，则迭代运算结束，并将最后一次迭代得到的新目标细化图像作为最终目标细化图像输出。
其中，在所述步骤S1中，所述弱监督卷积神经网络的具体结构如下：
1.输入层
2.<＝1卷积层1_1(3x3x64)
3.<＝2非线性响应Relu层
4.<＝3卷积层1_2(3x3x64)
5.<＝4非线性响应Relu层
6.<＝5池化层(2x2/2)
7.<＝6卷积层2_1(3x3x128)
8.<＝7非线性响应Relu层
9.<＝8卷积层2_2(3x3x128)
10.<＝9非线性响应Relu层
11.<＝10池化层(2x2/2)
12.<＝11卷积层3_1(3x3x256)
13.<＝12非线性响应Relu层
14.<＝13卷积层3_2(3x3x256)
15.<＝14非线性响应Relu层
16.<＝15卷积层3_3(3x3x256)
17.<＝16非线性响应Relu层
18.<＝17池化层(2x2/2)
19.<＝18卷积层4_1(3x3x512)
20.<＝19非线性响应Relu层
21.<＝20卷积层4_2(3x3x512)
22.<＝21非线性响应Relu层
23.<＝22卷积层4_3(3x3x512)
24.<＝23非线性响应Relu层
25.<＝24池化层(2x2/2)
26.<＝25卷积层5_1(3x3x512)
27.<＝26非线性响应Relu层
28.<＝27卷积层5_2(3x3x512)
29.<＝28非线性响应Relu层
30.<＝29卷积层5_3(3x3x512)
31.<＝30非线响应Relu层
32.<＝31卷积层5_4(7x7x512)
33.<＝32全局平均池化层
34.<＝33全连接层(512xN)
其中，符号“.<＝”前面的数字为当前层数，符号“.<＝”后面的数字为输入层数；卷积层后面括号内为卷积层参数，其中该卷积层参数前面的两个乘数的积为卷积核大小，该卷积层参数后面的乘数为通道数；池化层后面括号内为池化层参数，其中该池化层参数前面的两个乘数的积为池化核大小，该池化层参数后面的乘数为步长；全连接层后面括号内为全连接层参数，N表示输出的类别；非线响应层由一个非线性的激活函数Relu构成。
其中，所述步骤S2中的原始RGB图像平滑处理采用滤波器通过双边滤波进行平滑和降噪处理；其中，所述滤波器的核函数如下：
其中，σd和σr分别是距离平滑参数和颜色平滑参数，I(i，j)和I(k，l)分别指图I中(i，j)和(k，l)位置的像素值；I为原始RGB图像。
其中，所述迭代次数为3。
实施本发明实施例，具有如下有益效果：
本发明摆脱了像素级标签制作的困难，，使用图像级标签的监督策略和分水岭算法细化的方法，便可以实现像素级别的语义分割效果，并与传统的全监督的语义分割方法相对比，极大程度降低了标签制作的复杂度，节省了大量的人工标注时间和精力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的基于分水岭算法和图像类别标签的弱监督语义分割方法的流程图；
图2为本发明实施例提供的基于分水岭算法和图像类别标签的弱监督语义分割方法中弱监督卷积神经网络的拓扑结构图；
图3为本发明实施例提供的基于分水岭算法和图像类别标签的弱监督语义分割方法中步骤S2的应用场景图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例中，提出的一种基于分水岭算法和图像类别标签的弱监督语义分割方法，所述方法包括以下步骤：
步骤S1、构建一个基于图像类别标签的弱监督卷积神经网络；
具体过程为，弱监督卷积神经网络的具体结构如下：
1.输入层
2.<＝1卷积层1_1(3x3x64)
3.<＝2非线性响应Relu层
4.<＝3卷积层1_2(3x3x64)
5.<＝4非线性响应Relu层
6.<＝5池化层(2x2/2)
7.<＝6卷积层2_1(3x3x128)
8.<＝7非线性响应Relu层
9.<＝8卷积层2_2(3x3x128)
10.<＝9非线性响应Relu层
11.<＝10池化层(2x2/2)
12.<＝11卷积层3_1(3x3x256)
13.<＝12非线性响应Relu层
14.<＝13卷积层3_2(3x3x256)
15.<＝14非线性响应Relu层
16.<＝15卷积层3_3(3x3x256)
17.<＝16非线性响应Relu层
18.<＝17池化层(2x2/2)
19.<＝18卷积层4_1(3x3x512)
20.<＝19非线性响应Relu层
21.<＝20卷积层4_2(3x3x512)
22.<＝21非线性响应Relu层
23.<＝22卷积层4_3(3x3x512)
24.<＝23非线性响应Relu层
25.<＝24池化层(2x2/2)
26.<＝25卷积层5_1(3x3x512)
27.<＝26非线性响应Relu层
28.<＝27卷积层5_2(3x3x512)
29.<＝28非线性响应Relu层
30.<＝29卷积层5_3(3x3x512)
31.<＝30非线响应Relu层
32.<＝31卷积层5_4(7x7x512)
33.<＝32全局平均池化层
34.<＝33全连接层(512xN)
其中，符号“.<＝”前面的数字为当前层数，符号“.<＝”后面的数字为输入层数；例如，2.<＝1表示当前层为第二层，输入为第一层；
卷积层后面括号内为卷积层参数，其中该卷积层参数前面的两个乘数的积为卷积核大小，该卷积层参数后面的乘数为通道数；例如，3x3x64,表明卷积核大小为3x3，通道数为64；
池化层后面括号内为池化层参数，其中该池化层参数前面的两个乘数的积为池化核大小，该池化层参数后面的乘数为步长；例如，2x2/2,表明池化核大小为2x2，步长为2；
全连接层后面括号内为全连接层参数，N表示输出的类别；非线响应层由一个非线性的激活函数Relu构成。
步骤S2、将原始RGB图像导入所述弱监督卷积神经网络中以图像的类别作为标签进行训练后，采用图像二值法处理成二值图像，并还将原始RGB图像平滑处理后，采用分水岭算法预分割成掩膜图像，且进一步以所述掩膜图像为所述二值图像的掩膜，对所述二值图像进行融合处理，得到初始目标细化图像；
具体过程为，首先，利用步骤S1中构建的卷积神经网络，通过输入正常的原始RGB图像，以图像的类别作为标签，进行训练。利用训练好的网络来获得目标在原图中的ClassActivation Map(CAM)，如：
其中，I指输入的原始RGB图像，σ为卷积神经网络的权值，F代表提取特征的卷积网络，Wij是全连接层中第i个类别对应的第j个激活分数之间的权重，如图2所示。Mapi即需要的CAM。
其次，为了进一步分割图像，利用大津法阈值对CAM进行粗分割得到二值图像，即图像二值化，该二值图像能反映出目标在二值图像中的大致位置和形状。
接着，由于图像二值化形成的粗分割的结果会丢失目标的大部分形状和细节信息，因此需要采取分水岭算法对原始RGB图像进行预分割，通过预分割的图进一步细化二值图像中粗分割的结果。
但在原始RGB图像中，由于噪声点或者其它干扰因素的存在，直接使用分水岭算法常常存在过度分割的现象，这是因为很多很小的局部极值点的存在。因此，对于原始RGB图像需要降噪平滑之后，才能应用分水岭算法。在本步骤中采用滤波器通过双边滤波进行平滑和降噪处理，该滤波器的核函数如下：
其中，σd和σr分别是距离平滑参数和颜色平滑参数，I(i，j)和I(k，l)分别指原始RGB图像I中(i，j)和(k，l)位置得像素值。该核函数是由空间域核和像素域核共同构成，不仅可以进行高斯模糊，还可以保持原始RGB图像中的边缘信息。
然后，利用canny算子在滤波后的图像上计算出主要边缘，并利用该边缘作为分水岭的种子点，得到掩膜图像。
最后，由于掩膜图像被分为大小不一的不规则块，每一块都看可以看作一个小的整体，这个整体要么属于目标，要么属于背景，即掩膜图像对比二值图像，该掩膜图像会一部分覆盖了二值图像中白色目标区域，一部分覆盖了二值图像中黑色背景区域。由于定义了块作为一个整体的属性，因此可以通过覆盖的面积比值，来判定这些同时覆盖了黑白区域的块的属性，如：
目标块：背景块：
其中，分别为目标块面积和背景块面积，如果二者的比值大于1，则认为该块是目标块，反之是背景块。根据此规则，对二值图像进行融合处理，得到初始目标细化图像。
在一个实施例中，如图3所示，对步骤S2的应用场景做进一步说明：
首先，原始RGB图像a经过弱监督卷积神经网络中以图像的类别作为标签进行训练后，并利用大津法阈值进行粗分割得到二值图像c；
其次，由于二值图像c粗分割的结果丢失了目标的大部分形状和细节信息，需要采取分水岭算法对原始RGB图像a进行预分割，通过预分割的图进一步细化二值图像c中粗分割的结果。如果不经过平滑处理的原始RGB图像a直接采用分水岭算法进行预分割后，因噪声点或者其它干扰因素的存在，造成很多很小的局部极值点的存在，从而得到图像d的分割结果。因此，需对原始RGB图像a经过平滑处理，该原始RGB图像a平滑处理后，得到灰色图像b，然后利用canny算子在滤波后的灰色图像b上计算出主要边缘，并利用该边缘作为分水岭的种子点，得到分水岭的预分割结果为图像e；
在图像e中可以看见，原图被分为大小不一的不规则块，每一块都看可以看作一个小的整体，这个整体要么属于目标，要么属于背景。将预分割的结果作为二值图像c的掩模，则图像e中有一些块，一部分覆盖了二值图像c中白色目标区域，一部分覆盖了二值图像c中黑色背景区域。通过覆盖的面积比值，来判定这些同时覆盖了黑白区域的块的属性，利用预分割的结果进一步细化了二值图像c中粗分割的结果，得到图像f为初始目标细化图像。
步骤S3、构建一个以图像为标签的全监督卷积神经网络；
具体过程为，以初始目标细化图像为标签，构建全监督卷积神经网络的结构如下：
1.输入层
2.<＝1卷积层1_1(3x3x64)
3.<＝2非线性响应Relu层
4.<＝3卷积层1_2(3x3x64)
5.<＝4非线性响应Relu层
6.<＝5池化层(2x2/2)
7.<＝6卷积层2_1(3x3x128)
8.<＝7非线性响应Relu层
9.<＝8卷积层2_2(3x3x128)
10.<＝9非线性响应Relu层
11.<＝10池化层(2x2/2)
12.<＝11卷积层3_1(3x3x256)
13.<＝12非线性响应Relu层
14.<＝13卷积层3_2(3x3x256)
15.<＝14非线性响应Relu层
16.<＝15卷积层3_3(3x3x256)
17.<＝16非线性响应Relu层
18.<＝17池化层(2x2/2)
19.<＝18卷积层4_1(3x3x512)
20.<＝19非线性响应Relu层
21.<＝20卷积层4_2(3x3x512)
22.<＝21非线性响应Relu层
23.<＝22卷积层4_3(3x3x512)
24.<＝23非线性响应Relu层
25.<＝24池化层(2x2/2)
26.<＝25卷积层5_1(3x3x512)
27.<＝26非线性响应Relu层
28.<＝27卷积层5_2(3x3x512)
29.<＝28非线性响应Relu层
30.<＝29卷积层5_3(3x3x512)
31.<＝30非线响应Relu层
32.<＝31池化层(2x2/2)
33.<＝32卷积层fc_4(7x7x1024)
34.<＝33非线响应Relu层
35.<＝34卷积层fc_4(1x1x2048)
36.<＝35非线响应Relu层
37.<＝36卷积层score_fr(1x1xN)
38.<＝37反卷积层upscore2(4x4xN)
39.<＝25卷积层score_pool4(1x1xN)
40.<＝39+38叠加层
41.<＝40反卷积层upscore_pool4(4x4xN)
42.<＝18卷积层score_pool3(1x1xN)
43.<＝41+42叠加层
44.<＝43反卷积层upscore_pool4(16x16xN)
其中，符号“+”前后的数字为对应层数，例如，39+38表示将对应层的特征图对应相加；反卷积层后面括号内为卷积层参数，例如，4x4xN表明卷积核大小为4x4，通道数为N，N为需要分割的类别数。
应当说明的是，弱监督卷积神经网络以图像类别为标签，而全监督卷积神经网络以步骤S2中所得到的初始目标细化图像以及后续迭代处理的结果图像为标签。
步骤S4、设置迭代次数以及设置所得到的初始目标细化图像为当前待再次分割细化图像；
具体过程为，设置迭代运算，例如迭代次数为3；并还将弱监督卷积神经网络得到的初始目标细化图像作为全监督卷积神经网络的标签来训练一个全监督的语义分割网络。
步骤S5、在所述全监督卷积神经网络中以当前待再次分割细化图像为标签进行训练，得到新二值图像，并继续以所述分水岭算法预分割成的掩膜图像为所述新二值图像的掩膜，对所述新二值图像进行融合处理，得到新目标细化图像；
具体过程为，以当前待再次分割细化图像为标签，在全监督卷积神经网络中训练得到新二值图像，继续以步骤S2中分水岭算法预分割成的掩膜图像为新二值图像的掩膜，对该新二值图像进行融合处理，得到新目标细化图像。
应当说明的是，新二值图像的融合处理与步骤S2中二值图像的融合处理采用相同的方法，具体请参见步骤S2中的相关内容，在此不再一一赘述。
步骤S6、将所述迭代次数减一后对所述迭代次数进行更新，并判断更新后的迭代次数是否大于0；如果是，则执行下一步骤S7；如果否，则跳转至步骤S8；
具体过程为，此时迭代运算的次数减少一次，更新迭代次数并判断迭代运算是否结束。
步骤S7、所得到的新目标细化图像更新为当前待再次分割图像后，返回步骤S5；
具体过程为，此时迭代还没有结束，需要将上一次迭代运算的结果，即上一次得到的新目标细化图像，再次作为全监督卷积神经网络的标签送入步骤S5中，继续进行细化。
步骤S8、迭代运算结束，并将最后一次迭代得到的新目标细化图像作为最终目标细化图像输出。
具体过程为，输出最后一次迭代得到的新目标细化图像作为最终目标细化图像。在一个实施例中，设置迭代次数为3，此时图3中的图像f首先作为全监督卷积神经网络的标签进行训练以及分水岭算法后，细化得到第一次迭代的新目标细化图像，迭代次数3减1＝2；再将得到第一次的新目标细化图像重新返回全监督卷积神经网络进行训练以及分水岭算法，得到第二次迭代的新目标细化图像，迭代次数2减1＝1；再将得到第二次的新目标细化图像重新返回全监督卷积神经网络进行训练以及分水岭算法，得到第三次迭代的新目标细化图像，此时迭代次数1减1＝0，即迭代运算完成，最后输出的最终目标细化图像为第三次迭代的新目标细化图像。
实施本发明实施例，具有如下有益效果：
本发明摆脱了像素级标签制作的困难，，使用图像级标签的监督策略和分水岭算法细化的方法，便可以实现像素级别的语义分割效果，并与传统的全监督的语义分割方法相对比，极大程度降低了标签制作的复杂度，节省了大量的人工标注时间和精力。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (4)
1.一种基于分水岭算法和图像类别标签的弱监督语义分割方法，其特征在于，所述方法包括以下步骤：
步骤S1、构建一个基于图像类别标签的弱监督卷积神经网络；
步骤S2、将原始RGB图像导入所述弱监督卷积神经网络中以图像的类别作为标签进行训练后，采用图像二值法处理成二值图像，并还将原始RGB图像平滑处理后，采用分水岭算法预分割成掩膜图像，且进一步以所述掩膜图像为所述二值图像的掩膜，对所述二值图像进行融合处理，得到初始目标细化图像；
步骤S3、构建一个以图像为标签的全监督卷积神经网络；
步骤S4、设置迭代次数以及设置所得到的初始目标细化图像为当前待再次分割细化图像；
步骤S5、在所述全监督卷积神经网络中以当前待再次分割细化图像为标签进行训练，得到新二值图像，并继续以所述分水岭算法预分割成的掩膜图像为所述新二值图像的掩膜，对所述新二值图像进行融合处理，得到新目标细化图像；
步骤S6、将所述迭代次数减一后对所述迭代次数进行更新，并判断更新后的迭代次数是否大于0；
步骤S7、如果是，则所得到的新目标细化图像更新为当前待再次分割图像后，返回步骤S5；
步骤S8、如果否，则迭代运算结束，并将最后一次迭代得到的新目标细化图像作为最终目标细化图像输出。
2.如权利要求1所述的基于分水岭算法和图像类别标签的弱监督语义分割方法，其特征在于，在所述步骤S1中，所述弱监督卷积神经网络的具体结构如下：
1.输入层
2.<＝1卷积层1_1(3x3x64)
3.<＝2非线性响应Relu层
4.<＝3卷积层1_2(3x3x64)
5.<＝4非线性响应Relu层
6.<＝5池化层(2x2/2)
7.<＝6卷积层2_1(3x3x128)
8.<＝7非线性响应Relu层
9.<＝8卷积层2_2(3x3x128)
10.<＝9非线性响应Relu层
11.<＝10池化层(2x2/2)
12.<＝11卷积层3_1(3x3x256)
13.<＝12非线性响应Relu层
14.<＝13卷积层3_2(3x3x256)
15.<＝14非线性响应Relu层
16.<＝15卷积层3_3(3x3x256)
17.<＝16非线性响应Relu层
18.<＝17池化层(2x2/2)
19.<＝18卷积层4_1(3x3x512)
20.<＝19非线性响应Relu层
21.<＝20卷积层4_2(3x3x512)
22.<＝21非线性响应Relu层
23.<＝22卷积层4_3(3x3x512)
24.<＝23非线性响应Relu层
25.<＝24池化层(2x2/2)
26.<＝25卷积层5_1(3x3x512)
27.<＝26非线性响应Relu层
28.<＝27卷积层5_2(3x3x512)
29.<＝28非线性响应Relu层
30.<＝29卷积层5_3(3x3x512)
31.<＝30非线响应Relu层
32.<＝31卷积层5_4(7x7x512)
33.<＝32全局平均池化层
34.<＝33全连接层(512xN)
其中，符号“.<＝”前面的数字为当前层数，符号“.<＝”后面的数字为输入层数；卷积层后面括号内为卷积层参数，其中该卷积层参数前面的两个乘数的积为卷积核大小，该卷积层参数后面的乘数为通道数；池化层后面括号内为池化层参数，其中该池化层参数前面的两个乘数的积为池化核大小，该池化层参数后面的乘数为步长；全连接层后面括号内为全连接层参数，N表示输出的类别；非线响应层由一个非线性的激活函数Relu构成。
3.如权利要求1所述的基于分水岭算法和图像类别标签的弱监督语义分割方法，其特征在于，所述步骤S2中的原始RGB图像平滑处理采用滤波器通过双边滤波进行平滑和降噪处理；其中，所述滤波器的核函数如下：
其中，σd和σr分别是距离平滑参数和颜色平滑参数，I(i，j)和I(k，l)分别指图I中(i，j)和(k，l)位置的像素值；I为原始RGB图像。
4.如权利要求1所述的基于分水岭算法和图像类别标签的弱监督语义分割方法，其特征在于，所述迭代次数为3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811268396.2A CN109858487B (zh) | 2018-10-29 | 2018-10-29 | 基于分水岭算法和图像类别标签的弱监督语义分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811268396.2A CN109858487B (zh) | 2018-10-29 | 2018-10-29 | 基于分水岭算法和图像类别标签的弱监督语义分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109858487A true CN109858487A (zh) | 2019-06-07 |
| CN109858487B CN109858487B (zh) | 2023-01-17 |
Family
ID=66889789
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811268396.2A Active CN109858487B (zh) | 2018-10-29 | 2018-10-29 | 基于分水岭算法和图像类别标签的弱监督语义分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109858487B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110414320A (zh) * | 2019-06-13 | 2019-11-05 | 温州大学激光与光电智能制造研究院 | 一种安全生产监管的方法及系统 |
| CN111080551A (zh) * | 2019-12-13 | 2020-04-28 | 太原科技大学 | 基于深度卷积特征和语义近邻的多标签图像补全方法 |
| CN111104896A (zh) * | 2019-12-18 | 2020-05-05 | 河南大学 | 一种基于Sentinel-1微波卫星影像的陆表水自动识别方法 |
| CN111539435A (zh) * | 2020-04-15 | 2020-08-14 | 创新奇智(合肥)科技有限公司 | 语义分割模型构建方法及图像分割方法、设备、存储介质 |
| CN112329680A (zh) * | 2020-11-13 | 2021-02-05 | 重庆邮电大学 | 基于类激活图的半监督遥感影像目标检测和分割方法 |
| CN112529914A (zh) * | 2020-12-18 | 2021-03-19 | 北京中科深智科技有限公司 | 一种实时头发分割方法和系统 |
| CN112634257A (zh) * | 2020-12-31 | 2021-04-09 | 常州奥创医疗科技有限公司 | 一种真菌荧光检测方法 |
| CN113111916A (zh) * | 2021-03-15 | 2021-07-13 | 中国科学院计算技术研究所 | 一种基于弱监督的医学图像语义分割方法和系统 |
| CN114332657A (zh) * | 2022-01-11 | 2022-04-12 | 兰州大学 | 一种调控黄帚橐吾种群密度的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102016013372A1 (de) * | 2016-01-13 | 2017-07-13 | Adobe Systems Incorporated | Bildbeschriften mit schwacher Überwachung |
| CN107610141A (zh) * | 2017-09-05 | 2018-01-19 | 华南理工大学 | 一种基于深度学习的遥感图像语义分割方法 |
| CA2948499A1 (en) * | 2016-11-16 | 2018-05-16 | The Governing Council Of The University Of Toronto | System and method for classifying and segmenting microscopy images with deep multiple instance learning |
-
2018
- 2018-10-29 CN CN201811268396.2A patent/CN109858487B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102016013372A1 (de) * | 2016-01-13 | 2017-07-13 | Adobe Systems Incorporated | Bildbeschriften mit schwacher Überwachung |
| CA2948499A1 (en) * | 2016-11-16 | 2018-05-16 | The Governing Council Of The University Of Toronto | System and method for classifying and segmenting microscopy images with deep multiple instance learning |
| CN107610141A (zh) * | 2017-09-05 | 2018-01-19 | 华南理工大学 | 一种基于深度学习的遥感图像语义分割方法 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110414320B (zh) * | 2019-06-13 | 2021-10-22 | 温州大学激光与光电智能制造研究院 | 一种安全生产监管的方法及系统 |
| CN110414320A (zh) * | 2019-06-13 | 2019-11-05 | 温州大学激光与光电智能制造研究院 | 一种安全生产监管的方法及系统 |
| CN111080551A (zh) * | 2019-12-13 | 2020-04-28 | 太原科技大学 | 基于深度卷积特征和语义近邻的多标签图像补全方法 |
| CN111080551B (zh) * | 2019-12-13 | 2023-05-05 | 太原科技大学 | 基于深度卷积特征和语义近邻的多标签图像补全方法 |
| CN111104896A (zh) * | 2019-12-18 | 2020-05-05 | 河南大学 | 一种基于Sentinel-1微波卫星影像的陆表水自动识别方法 |
| CN111539435A (zh) * | 2020-04-15 | 2020-08-14 | 创新奇智(合肥)科技有限公司 | 语义分割模型构建方法及图像分割方法、设备、存储介质 |
| CN112329680B (zh) * | 2020-11-13 | 2022-05-03 | 重庆邮电大学 | 基于类激活图的半监督遥感影像目标检测和分割方法 |
| CN112329680A (zh) * | 2020-11-13 | 2021-02-05 | 重庆邮电大学 | 基于类激活图的半监督遥感影像目标检测和分割方法 |
| CN112529914B (zh) * | 2020-12-18 | 2021-08-13 | 北京中科深智科技有限公司 | 一种实时头发分割方法和系统 |
| CN112529914A (zh) * | 2020-12-18 | 2021-03-19 | 北京中科深智科技有限公司 | 一种实时头发分割方法和系统 |
| CN112634257A (zh) * | 2020-12-31 | 2021-04-09 | 常州奥创医疗科技有限公司 | 一种真菌荧光检测方法 |
| CN112634257B (zh) * | 2020-12-31 | 2023-10-27 | 常州奥创医疗科技有限公司 | 一种真菌荧光检测方法 |
| CN113111916A (zh) * | 2021-03-15 | 2021-07-13 | 中国科学院计算技术研究所 | 一种基于弱监督的医学图像语义分割方法和系统 |
| CN114332657A (zh) * | 2022-01-11 | 2022-04-12 | 兰州大学 | 一种调控黄帚橐吾种群密度的方法 |
| CN114332657B (zh) * | 2022-01-11 | 2022-09-16 | 兰州大学 | 一种调控黄帚橐吾种群密度的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109858487B (zh) | 2023-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109858487A (zh) | 基于分水岭算法和图像类别标签的弱监督语义分割方法 | |
| Li et al. | A closed-form solution to photorealistic image stylization | |
| Fu et al. | Clearing the skies: A deep network architecture for single-image rain removal | |
| CN106157319B (zh) | 基于卷积神经网络的区域和像素级融合的显著性检测方法 | |
| Kumar et al. | Image smog restoration using oblique gradient profile prior and energy minimization | |
| CN108288035A (zh) | 基于深度学习的多通道图像特征融合的人体动作识别方法 | |
| CN111553837B (zh) | 一种基于神经风格迁移的艺术文本图像生成方法 | |
| CN106920243A (zh) | 改进的全卷积神经网络的陶瓷材质件序列图像分割方法 | |
| CN110503613B (zh) | 基于级联空洞卷积神经网络的面向单幅图像去雨方法 | |
| CN108734719A (zh) | 一种基于全卷积神经网络的鳞翅目昆虫图像前背景自动分割方法 | |
| CN109543632A (zh) | 一种基于浅层特征融合引导的深层网络行人检测方法 | |
| CN111179196B (zh) | 一种基于分而治之的多分辨率深度网络图像去高光方法 | |
| Xiao et al. | Single image dehazing based on learning of haze layers | |
| CN105513105A (zh) | 基于显著图的图像背景虚化方法 | |
| CN112712546A (zh) | 一种基于孪生神经网络的目标跟踪方法 | |
| CN110969171A (zh) | 基于改进卷积神经网络的图像分类模型、方法及应用 | |
| CN111476213A (zh) | 一种基于道路影像的遮挡物覆盖区域填充方法和装置 | |
| CN113627472A (zh) | 基于分层深度学习模型的智慧园林食叶害虫识别方法 | |
| Liao et al. | Multi-scale mutual feature convolutional neural network for depth image denoise and enhancement | |
| Su et al. | An edge-refined vectorized deep colorization model for grayscale-to-color images | |
| Zheng et al. | T-net: Deep stacked scale-iteration network for image dehazing | |
| Ali et al. | Boundary-constrained robust regularization for single image dehazing | |
| Goncalves et al. | Guidednet: Single image dehazing using an end-to-end convolutional neural network | |
| CN110796716A (zh) | 一种基于多重残差网络和正则化迁移学习的图像着色方法 | |
| CN116977683A (zh) | 对象识别方法、装置、计算机设备、存储介质和程序产品 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190607 Assignee: Wenzhou Kehong Robot Co.,Ltd. Assignor: Wenzhou University Contract record no.: X2024330000007 Denomination of invention: A weakly supervised semantic segmentation method based on watershed algorithm and image category labels Granted publication date: 20230117 License type: Common License Record date: 20240124 |
|
| EE01 | Entry into force of recordation of patent licensing contract |