一种基于边缘概率图的深度分水岭网络分割方法

本发明属于图像分割，具体涉及一种基于边缘概率图的深度分水岭网络分割方法。

背景技术：

1、在集料机器视觉表征中，集料颗粒分割是整个系统中最重要的环节，其分割精度和质量会直接影响到后续特征的提取和分析。现有集料颗粒图像分割技术中，基于颗粒边缘信息的分水岭算法是用于二维图像及三维深度图像分割的一类常用方法。然而，该类方法的分割效果受颗粒边缘提取质量的影响，容易出现过分割或欠分割。另一方面，近年来，基于卷积神经网络的图像分割算法发展非常迅速，和传统分割方法相比，该类算法不管在精度上还是分割质量上都得到了大幅的提升。然而，由于点云数据的无序性和非结构化，和基于深度学习的二维图像网络相比，点云深度学习模型的分割精度和分割性能都较低。此外，在二维分割网络中，尽管mask rcnn被证明在堆叠颗粒分割方面非常有效，但由于其所生成的掩膜图像的分辨率较低（通常为28×28），这无疑会影响到分割颗粒的质量。因此，只要能有效识别颗粒边缘图像，分水岭算法仍然是非常有竞争力的一种算法。

2、为了解决分水岭算法中的过分割问题，bai等基于深度神经网络提出了一种能量图生成模型，该算法可以很好地解决分水岭算法中的过分割问题，并且在cityscapes实例分割数据集中取得了良好的效果。该模型首先基于语义分割模型定位语义分类对象，然后使用方向网络和分水岭转换网络两个网络级联训练以生成能量图。很明显，这种方法并不能直接应用于集料颗粒图像分割。

技术实现思路

1、为了解决现有技术中存在的上述问题，本发明提供了一种基于边缘概率图的深度分水岭网络分割方法。

2、本发明的一个实施例提供了一种基于边缘概率图的深度分水岭网络分割方法，包括以下步骤：

3、基于边缘检测模型生成边缘概率图，将边缘概率图像作为后续分水岭分割中的能量图；

4、生成标记图像。为了产生数量稳定的标记图像，首先将边缘概率图进行非极大值抑制，然后对其细化，并对细化后的边缘进行棋盘距离变换。最后使用阈值法提取标记图像。标记图像生成示意图中的对背景也生成了标记，这样的话部分背景区域也被作为目标被分割，这类型无效区域可以在后期通过结合深度图像中的高度值进行去除。

5、对边缘概率图和标记图像实施标记分水岭分割。首先使用强制最小值技术使得能量图像在标记位置处有局部最小值，然后再使用分水岭分割技术对颗粒进行分割。后续也可以通过掩膜对应位置在深度图中的高度值对其进行去除。

6、数据测试模块，用于将待分档集料颗粒输入至所述最终的基于高斯过程的集料分档模型得到分档结果。

7、与现有技术相比，本发明的有益效果：

8、本发明提供的基于边缘概率图的深度分水岭网络分割方法，基于边缘概率图的深度分水岭方法中的边缘概率图提取可看成为一种二分类问题，即基于集料颗粒图像识别出其边缘像素，因此和多分类问题相比，绝大多数语义分割模型和边缘识别模型都可得到较好的结果。此方法的另一个好处是边缘识别网络对颗粒的大小不是特别敏感，只要边缘信息不是特别弱，其边缘像素就可以被提取。

9、以下将结合附图及实施例对本发明做进一步详细说明。

1.一种基于分水岭算法对能量图像实施分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于分水岭算法对能量图像实施分割方法，其特征在于一种基于边缘概率图的深度分水岭网络分割方法。在边缘模型所生成的边缘概率图中，边缘点处的概率最大，离边缘点越远的点的概率越小，因此，可以将边缘概率图作为分水岭算法中的能量图。

3.根据权利要求1所述的基于分水岭算法对能量图像实施分割方法，其特征在于，一个自建的集料颗粒边缘识别和分割数据库，命名为aggregate500。本数据库中的图像文件来源于激光三角法设备所采集的三维集料图像，通过提取三维数据中的高度图，将其滤波后转化为灰度图像并保存至rgb图像的三个通道以形成数据集图像。

4.根据权利要求1所述的基于分水岭算法对能量图像实施分割方法，选择了hed的改进版本rcf(richer convolutional features)模型作为边缘识别网络。

5.根据权利要求4所述的分水岭算法对能量图像实施分割方法，其特征在于，基于多尺度信息融合的边缘识别模型，使用边缘识别模型并结合分水岭算法对颗粒进行分割。基于边缘检测模型生成边缘概率图。将网络所预测的边缘图转化为灰度图，并将此灰度图作为后续分水岭算法中所需的能量图，并生成标记图像。如前所述，标记图像可以选择分水岭算法中注水的区域，其对分割的精度和有效性有很大的影响。在本发明中，为了产生数量稳定的标记图像，首先将边缘概率图进行非极大值抑制，然后对其细化，并对细化后的边缘进行棋盘距离变换。最后使用阈值法提取标记图像。对边缘概率图和标记图像实施标记分水岭分割。首先使用强制最小值技术使得能量图像在标记位置处有局部最小值，然后再使用分水岭分割技术对颗粒进行分割。