(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211258948.8 (22)申请日 2022.10.14 (71)申请人 西安交通大 学 地址 710049 陕西省西安市碑林区咸宁西 路28号 (72)发明人 杨旸　余越　龚煜　张茜　郑芸辉　 (74)专利代理 机构 西安智大知识产权代理事务 所 61215 专利代理师 何会侠 (51)Int.Cl. G06T 7/12(2017.01) G06T 7/13(2017.01) G06V 10/40(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01)G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种基于边缘感知的快速图像过分割方法 (57)摘要 一种基于边缘 感知的快速图像过分割方法， 第一步随机初始化基于卷积神经网络的特征提 取器； 第二步将处于RGBXY空间的图像输入特征 提取器， 输出重建图像和高维空间特征图， 并将 高维空间特征图与输入图像拼接， 形成新特征 图； 第三步， 将新特征图输入一个可微分的基于 k‑means的聚类算法， 得到像素点与其周围超像 素的概率分配矩阵； 第四步计算目标函数， 并通 过链式求导法则更新特征提取器的参数； 重复第 二步至第四步至指定次数使得特征提取器的参 数收敛， 最终使用分配矩阵对图像进行过分割； 本发明提出一种限制搜索域的聚类方法， 并结合 卷积神经网络实现了快速的图像过分割方法。 权利要求书2页 说明书6页 附图2页 CN 115457062 A 2022.12.09 CN 115457062 A 1.一种基于边 缘感知的快速图像过分割方法， 其特 征在于： 包括如下步骤： 第一步： 随机初始化基于卷积神经网络的特 征提取器； 第二步： 将处于RGBXY空间的图像输入特征提取器， 输出重建图像和高维空间特征图， 并将高维空间特 征图与输入图像拼接， 形成新特 征图； 第三步： 将新特征图输入一个可微分的基于k ‑means的Soft ‑SLIC算法， 得到像素点与 其周围超像素的概 率分配矩阵； 第四步： 计算目标函数， 并通过链式求 导法则更新特 征提取器的参数； 第五步： 重复第二步至第 四步至指定次数使得特征提取器的参数收敛， 最终使用分配 矩阵对图像进行 过分割。 2.根据权利要求1所述的一种基于边缘感知的快速图像过分割方法， 其特征在于： 第 一 步所述的随机初始 化基于卷积神经网络的特征提取器， 具体方法为： 设计一个具有3个卷积 层的特征提取器， 每一层分别包含32、 64和128个卷积核， 大小均为3 ×3， 并对卷积核参数进 行初始化使其成正态分布。 3.根据权利要求1所述的一种基于边缘感知的快速图像过分割方法， 其特征在于： 第 二 步所述的将处于RGBXY空间的图像输入 特征提取器， 输出重 建图像和高维空间特征图， 并将 高维空间特征图与输入图像拼接， 形成新特征图， 具体方法为： 将处于RGB空间的图像与每 个像素点的空间坐标相拼接， 形成5维的处于RGBXY空间的图像并对其进行实例归一化操 作， 接着输入到特征提取器中， 输出3维的重建图像和15维的特征图， 并将15维的特征图与 输入图像拼接， 形成20维的新特 征图。 4.根据权利要求3所述的一种基于边缘感知的快速图像过分割方法， 其特征在于： 第 三 步所述的将新特征图输入一个可微分的基于k ‑means的Soft ‑SLIC算法， 得到像素点与其周 围超像素的概率分配矩阵， 具体方法为： 设得到的20维新特征图为 设需生成的超像素数 量为k， 像素点数量为HW， 则超像素平均大小 对于其中某一像素点， 需要计 算其与周围3S ×3S范围内的9个超像素的距离， 并通过softmax函数将距离转换为像素点属 于9个超像素的概率； 对20维的新特征图中所有像素点进 行操作后得到9维像素点与超像素 的概率分配矩阵P＝(ph， w， n)H×W×9， 即 5.根据权利要求4所述的一种基于边缘感知的快速图像过分割方法， 其特征在于： 第四 步所述的计算目标函数， 并通过链式求导法则更新特征提取器的参数， 具体方法为： 设定目 标函数L由以下聚类项Lcluster、 边缘感知项Ledge、 平滑项Lsmooth和重建项Lreconstruct组成： L＝Lcluster+α Ledge+β Lsmooth+γLreconstruct    (1) 其中 Lcluster是基于互信息的限制搜索域的聚类项， 其中Cn是第n个超像素 的大小， 计算方式 为所有像素点属于第n个超 像素的概率的和； ph， w， n代表像素级别图像中处于(h， w)的像素点 属于第n个超像素的概 率；权　利　要　求　书 1/2 页 2 CN 115457062 A 2其中 代表归一化至[0， 2]的图像梯度， 代表分配矩阵的梯度； 其中σ 代表平滑项的范围； 其中I只取3个颜色通道； 在通过重建图像 原始图像I和分配矩阵P＝(ph， w， n)H×W×9计算 出目标函数L的值后， 则通过Heb b学习规则对特 征提取器的参数θ进行链式更新： 6.根据权利要求5所述的一种基于边缘感知的快速图像过分割方法， 其特征在于： 第五 步所述的使用分配矩阵对图像进行过分割， 具体方法为： 在迭代第二步至第四步至指定迭 代次数后会生成最终的分配矩阵P， 则图像过分割后形成的超像素级别的图像中第n个元 素， 即第n个超像素中心的特 征为 其中ph， w， n代表像素级别图像中处于(h， w)的像素点属于第n个超像素的概 率。权　利　要　求　书 2/2 页 3 CN 115457062 A 3