一种结合深度学习特征和社团划分的图像分割方法

摘要：

图像分割方法是一种非常重要的图像分析技术,现有常用图像分割方法都需要依靠人工提取特征来抽取图像的特征.本文提出了一种新的基于深度学习特征和社团划分方法结合的图像分割方法.基于深度学习特征抽取方法,采用卷积神经网络(CNN)模型抽取了图像的深度学习特征.首先,SLIC超像素算法将图像由像素级转化为区域级,划分成超像素区域,针对每个超像素区域,我们提取了深度学习特征.另外在结合超像素区域颜色特征的基础上,构建成了新的超像素区域相似度矩阵.然后我们基于社团划分的思想对相似度矩阵进行了划分.为了能自动识别图像分割的个数,我们使用了模块度Q自动确定最佳的社团个数,实现了图像的自适应分割.为了说明本文提出方法的有效性,我们在BSDS500数据集上进行了实验测试,并与现有的几种著名图像分割方法进行比较.在不同图像上的分割实验结果表明,我们提出的图像分割算法优于其它几种方法.

关键词：卷积神经网络(CNN)、SLIC超像素、谱聚类、模块度Q

所属期刊栏目：39

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金项目61375122,61572239;中国博士后科学基金项目2014M551324;江苏大学高级人才科研基金项目14JDG040

在线出版日期：2018-12-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：2533-2537