买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：惠州学院

摘要：本发明提出了一种针对建筑行业中钢筋图像分割的快速精确方法。该技术通过图像金字塔分解成捆钢筋图像，创建多尺度图像序列，并在最低分辨率层初始化决策向量。在每个层级，选择关键像素对并构建基于高斯过程回归的代理模型来近似评估函数，随后通过优化算法寻找最优解。实施代理模型共享策略，以减少重复计算，加速优化过程。通过上采样技术将优化结果传播至高分辨率层，确保信息一致性并提升分割质量。最终，计算最高层级的分割结果，生成精确的钢筋端面图像。此方法大幅提高了分割速度和精度，适用于建筑施工监控和质量检测等时间敏感场景，具有显著的实用价值和市场潜力。

主权项：1.一种基于图像金字塔和代理模型的成捆钢筋端面图像分割方法，其特征在于，该方法包括以下步骤：a.构建图像金字塔：采用图像金字塔分解技术对输入的成捆钢筋图像进行多尺度分解，形成一系列分辨率递减的图像层级，每层图像都与其对应的trimap包含已知前景、背景和未知区域的掩膜配对；b.初始化决策向量：在最底层图像中，针对未知区域的每个像素对，随机初始化决策向量，该向量决定了像素对的前景和背景候选像素索引；c.选择像素对优化子问题集合：在每个金字塔层级，根据图像内容分析和特定选择策略，选择一组能够代表钢筋端面特征的像素对优化子问题；d.构建代理模型：对于每个子问题，采用高斯过程回归等代理模型方法来近似像素对评估函数，该函数基于图像的颜色和空间信息设计，用于评估前景和背景候选像素对未知像素的适应度；首先，针对每个子问题，本发明采用高斯过程回归作为代理模型来近似像素对评估函数。该评估函数是专门设计的，它综合了图像的颜色和空间信息，目的是评估前景与背景候选像素对未知像素的适应度。接着，收集相关像素对的特征数据，包括颜色、纹理、位置等信息，以及它们的适应度评分，作为训练数据。然后，使用这些训练数据来训练高斯过程回归模型。在这一过程中，需要精心选择和调整高斯过程的核函数参数，例如径向基函数的参数，以确保模型能够准确地捕捉到像素对评估函数的特性。训练完成后，利用训练好的高斯过程回归模型来预测未知像素对的适应度，这一步为优化算法提供了必要的输入，帮助它在搜索最优解的过程中做出准确的决策。为了提高计算效率，本发明还实施了代理模型共享策略。这意味着在相邻的像素对优化子问题之间共享和重用已训练好的代理模型，通过调整模型参数来适应新问题，从而避免了重复的训练过程，显著减少了计算量。e.优化子问题：利用优化算法，如梯度下降、粒子群优化等，对每个子问题的代理模型进行优化，得到最优解；优化子问题是通过构建和利用代理模型来解决的。具体步骤如下:选择子问题：在每个金字塔层级λi上，选择一组像素对优化子问题集合这些子问题集合定义了需要进一步求解的未知区域像素。构建代理模型：对于每个像素对优化子问题P，在集合中，构建一个代理模型这个代理模型采用高斯过程回归GPR，用于近似像素对评估函数gx。初始化代理模型：使用选定的像素对初始化代理模型。这可能涉及到选择已知前景和背景区域内的像素对，并使用它们来训练代理模型。优化算法:采用优化算法对代理模型进行优化。这可能包括梯度下降法或其他高效的优化算法，目的是最小化代理模型的目标函数，从而找到最优解。代理模型共亨策略:如果停止条件尚未达到,对于当前子问题的相邻像素对优化子问题kP，使用已优化的代理模型来近似新的子问题，避免重复计算。迭代优化：在代理模型的帮助下，迭代优化每个子问题，直到满足停止条件或达到预定的迭代次数。更新和传播：将优化后的决策向量xbest更新到当前层级的像素对优化问题集合中，并准备将结果传播到下一个更高层次的金字塔层级。停止条件：检查是否满足停止条件，这可能基于计算时间、迭代次数或目标函数的改进程度。结果估计:在最高层级，根据优化得到的决策向量计算未知区域每个像素的alpha值，生成最终的alphamatte。f.实施代理模型共享策略：将已优化的代理模型作为相邻子问题的初始代理模型，减少计算量，并根据相邻子问题的特征分布差异调整代理模型参数以适应新问题；g.优化结果传播与分割结果估计：使用双线性插值、最近邻插值或其他上采样技术将低层级的优化决策向量上采样到高层级，并在最高层级根据优化后的决策向量和图像颜色计算未知区域每个像素的分割值，生成成捆钢筋端面的分割图像。优化结果的传播和分割结果的估计是通过以下详细步骤实现的：上采样Upsampling：在每个金字塔层级优化完成后，需要将决策向量从低分辨率层级上采样到高分辨率层级。这一步骤通常采用双线性插值或最近邻插值等上采样技术。双线性插值提供了一种平滑的上采样方式，而最近邻插值则提供了一种更快速但可能不够平滑的方式。决策向量传播：上采样后的决策向量用于在金字塔的更高层级初始化像素对优化子问题。这意味着在低层级找到的解决方案将直接影响高层级的优化起点，从而保持了不同层级间的信息一致性。分割结果估计：在最高层级的优化完成后，将使用优化后的决策向量来估计未知区域每个像素的分割值。这是通过计算每个未知像素的前景和背景颜色的加权平均值来实现的，其中权重由优化得到的alpha值决定。AlphaMatte生成：根据优化后的决策向量和图像颜色，计算未知区域每个像素的alpha值，生成成捆钢筋端面的分割图像。Alpha值代表了像素的透明度，从而清晰地区分前景和背景。迭代优化：在某些情况下，可能需要在最高层级进行迭代优化，以细化分割结果并提高分割质量。结果融合：最终的分割结果需要与原始图像融合，以确保分割图像的准确性和视觉效果。质量评估：分割结果的质量可以通过不同的指标进行评估，例如均方误差MSE或结构相似性指数SSIM，并与原始图像或地面真实数据进行比较。

全文数据：

权利要求：

百度查询： 惠州学院 一种基于图像金字塔和代理模型的成捆钢筋端面图像分割方法