CN113160177B 一种基于超像素和图卷积网络的平面分割方法 （杭州电子科技大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN113160177B(45)授权公告日2025.01.10

(21)申请号202110441623.2

(22)申请日2021.04.23

(65)同一申请的已公布的文献号申请公布号CN113160177A

(43)申请公布日2021.07.23

(73)专利权人杭州电子科技大学

地址310018浙江省杭州市下沙高教园区2

号大街

(72)发明人颜成钢徐浙峰朱尊杰孙垚棋张继勇李宗鹏张勇东

(74)专利代理机构杭州君度专利代理事务所(特殊普通合伙)33240

专利代理师朱月芬

(51)Int.CI.

GO6T7/00(2017.01)

GO6T7/12(2017.01)

G06T7/13(2017.01)

GO6N3/0464(2023.01)

GO6N3/09(2023.01)

(56)对比文件

CN107424159A,2017.12.01

CN110443883A,2019.11.12审查员邱德洁

权利要求书3页说明书4页附图1页

(54)发明名称

一种基于超像素和图卷积网络的平面分割

方法

(57)摘要

CN113160177B本发明公开了一种基于超像素和图卷积网络的平面分割方法；首对输入的彩色图像进行预处理，获得预处理后的图像；然后根据图像分辨率，将预处理后的图像分割为合适数量的超像素，并转化为无向图结构；构造图卷积网络，并使用数据集对其进行训练；最后使用训练好的图卷积网络对超像素构成的图进行预测，给每一个超像素进行平面分类，从而完成平面分割。本发明将图像分割为超像素，可以很好地保留原始图像中的边缘信息，并减轻后续图神经网络的学习负担，防止分割出的平面边缘与实际情况差距过大；利用现有数据集，通过特定算法提取特定标签，作为后续监督神经网络学习的训练集，解决

CN113160177B

图像预处理超像素分割

图像预处理超像素分割

直方图均衡化

图卷积网络

数据集

输入

单张彩色图片

输出

平面实例

分辨率调整

转为无向图

SLIC

算法

边缘增强

CN113160177B权利要求书1/3页

2

1.一种基于超像素和图卷积网络的平面分割方法，其特征在于，包括以下步骤：

步骤(1)、对输入的彩色图像进行预处理，获得预处理后的图像；

步骤(2)、根据图像分辨率，将预处理后的图像分割为合适数量的超像素，并转化为无向图结构；

步骤(3)、构造图卷积网络，并使用数据集对其进行训练；

步骤(4)、使用训练好的图卷积网络对超像素构成的图进行预测，给每一个超像素进行平面分类，从而完成平面分割；

步骤(3)具体操作如下：

3-1、图卷积网络采用UNet++结构，由三个不同大小的子网络嵌套而成；每个子网络都为UNet的结构，只是每个子网络的深度不同，子网络之间通过下采样与跳跃连接相连；每个子网络包括编码器和解码器两大部分；编码器用于将无向图编码，其包含卷积操作和下采样操作；解码器用于提取抽象的编码信息，最终还原成每个超像素的平面实例分类，其包含卷积操作和上采样操作；

3-2、卷积操作：假设输入的无向图G.={V。,E},其中Vc={v?,v2,…vDn.}表示无向图

中的n.个节点，Ec={e?,e2,….em.}表示无向图中的m条无向边；首先构造G。的邻接矩阵A。,A.为n阶实对称矩阵，其中每个元素a;;(i,j=0,1,…,n-1)表示第i个节点和第j个节点的连接关系，值为无向边的权重；然后构造矩阵A的度矩阵D,D同为n阶实对称矩阵，且除主对角线以外的所有元素值为0,主对角元素取值为;再利用输入无向图G。的特征矩阵X。,计算得到卷积操作输出的特征矩阵X′:

(1)

其中σ为ReLU激活函数，W为训练过程中可学习的权重矩阵；

3-3、下采样操作用于减少无向图中节点；假设输入的无向图G={V,E},其中Vs={v?,v?,…DVN}表示N个节点；G的邻接矩阵为A,特征矩阵为X,X的维度为S*N*

3;E表示无向图中的无向边，首先使用一个在训练中可学习的投影矩阵M从无向图G的特征矩阵X中提取信息Y:

(2)

其中，1·|表示取模长