无监督图像超像素快速准确生成算法研究

作     者：孙银隆 

作者单位：山东财经大学 

学位级别：硕士

导师姓名：张永霞

授予年度：2024年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：超像素分割 无监督 深度学习 引导滤波 注意力机制 

摘      要：图像超像素分割,通过将具有相似特征的像素聚集在一起,旨在用少数量级的超像素代替像素表示图像,作为下游图像处理任务的预处理步骤,降低其计算复杂度。受益于神经网络强大的特征提取能力,基于深度学习的图像超像素分割已取得显著进展。然而已有模型多为有监督方法,其性能与训练数据数量正相关,而图像超像素作为一种过分割,尚未有准确的标记数据;随着科技的进步,采集图像的分辨率日益增加,其对超像素生成网络也提出了挑战;同时,图像超像素分割的准确性和效率仍然是其两个关键问题。围绕上述问题,本文提出了两种无监督、保持准确性的图像超像素快速生成方法,具体如下:(1)提出融合引导滤波的无监督超像素快速生成网络(AGF)。通过利用复杂度低的采样过程将输入图像下采样为低分辨率图像,再进行超像素分割,最后上采样回原始分辨率的过程,实现图像超像素分割的快速生成。具体地,采用空间空洞卷积池化金字塔与多尺度注意力机制结合,充分挖掘图像信息;采用非迭代聚类的方式优化聚类中心,降低模型的计算复杂度;同时采用梯度重缩放模块避免模型训练过拟合;并设计鲁棒的损失函数,提高超像素生成的准确性,实现无监督的图像超像素生成方法;最后采用顺序训练策略减少模型对大量训练数据的依赖。在公开数据集BSDS500与DRIVE上的实验结果表明,所提方法的边界召回率和可达分割准确性指标较已有无监督方法分别提高约1%和2%,且速度提高约50%,并拥有与有监督方法可比的表现。(2)在保证超像素生成准确性的前提下,为了进一步提高模型推理速度,降低模型参数量,通过网络直接生成像素与邻域超像素的关联映射,提出一种高效的无监督邻域分类超像素快速生成网络(NCS)。具体地,设计多尺度金字塔注意力机制,在不同尺度上对特征进行加权和融合,进一步提高模型的特征表达能力;采用深度可分离卷积替代普通卷积组成的轻型U-Net模块,以降低模型参数量,从而加速模型的推理速度;同时采用边缘损失函数,充分考虑图像的边缘信息,通过比较原始图像边缘与重构图像、超像素之间的分布差异,促进模型生成的超像素更加准确,尤其在边缘贴合性上有显著提升。在公开数据集BSDS500与NYUv2上的实验结果表明,所提方法的边界召回率和可达分割准确性指标较AGF均有提高,且效率方面提升明显。