【技術實現步驟摘要】
本專利技術屬于一種圖像處理方法，尤其涉及一種自動動物圖像摳圖方法。
技術介紹
1、動物摳圖
技術介紹
，作為圖像處理中的一個重要領域，指的是從圖片中準確地分離出動物主體，并移除或更換背景。在現代社會中，動物深受人們喜愛，無論是家養的萌寵，還是動物園里的猛禽，都帶給人們實足的意義。同時人們對于動物圖像的編輯需求也越來越大，動物圖像摳圖技術不僅僅是圖像編輯和合成的工具，更在生物學研究、環境保護、文化傳播和人工智能應用等領域具有廣泛的應用前景。特別是在生態學和動物行為研究中，通過對動物圖像的精確摳圖，可以有效進行非侵入式監測，為保護瀕危物種、研究動物行為以及進行生態環境評估提供重要數據支持。
2、然而，由于動物在自然環境中與背景的相似性、形態的多樣性及圖像中的復雜光照、遮擋等問題，傳統的圖像摳圖技術往往面臨較大的挑戰。許多動物的顏色和背景顏色相近，邊緣過渡復雜，導致傳統的基于顏色、邊緣或區域分割的摳圖方法效果不佳。特別是對于具有毛發、羽毛等細節紋理的動物，傳統的算法常常無法準確地提取出細致的邊緣信息。通過對動物圖像摳圖技術的深入研究，例如，深度學習方法，如卷積神經網絡（cnn），已在圖像分割中取得了顯著進展。盡管基于卷積神經網絡（cnn）的方法可以獲得很好的摳圖效果，但前提條件是要有修剪或涂鴉的三分圖，這使得它們不太可能用于自動應用。隨著時代的快速發展，同時出現了自動摳圖模型，然而現有的自動摳圖模型大多都是針對人像摳圖，人像摳圖大都針對于其主要關注頭發、面部、衣物等細節，并且大多數場景中背景與目標的對比度較高更易處理，而對于處
3、因此，對于開發專門針對自動動物圖像的摳圖技術，解決動物在自然環境中與背景的相似性、形態的多樣性提升動物整體識別，以及動物細節紋理如何更加精細的摳圖，提高動物摳圖的精準率，是我們需要進一步解決的問題。
技術實現思路
1、針對上述問題，本專利技術提出了一種自動動物圖像摳圖方法。該方法采用共享編碼多解碼結構，用戶只需要輸入動物圖像便可實現端到端自動動物摳圖。
2、一種自動動物圖像摳圖方法，包括以下步驟：
3、步驟s1：構建動物圖像數據集，動物圖像數據集包括若干動物圖像；
4、步驟s2：構建動物圖像摳圖模型，模型包括移動窗口編碼模塊、全局語義分支模塊，細節特征分支模塊和分支融合模塊；導入步驟s1中的數據集的動物圖像至移動窗口編碼模塊中，獲取不同尺度的編碼特征；其中，編碼特征包括依次提取的第1特征、第2特征、第3特征、第4特征和第5特征；
5、步驟s3：將步驟s2中的第5特征導入全局語義分支模塊，獲取全局語義特征；
6、步驟s4：將步驟s2中的編碼特征中的第2特征、第3特征、第4特征和第5特征導入細節特征分支模塊，獲取細節語義特征；
7、步驟s5：將全局語義特征和細節語義特征導入至分支融合模塊，進行特征融合獲取融合特征，也即預測的動物透明度遮罩圖；
8、步驟s6：構建損失函數并通過最小化損失以優化模型。
9、進一步的，步驟s1具體為：
10、獲取am-2k數據集的圖像作為前景以及獲取bg-20k數據集的圖像作為背景，將前景和背景合成動物圖像以構建動物圖像數據集；表示：
11、；
12、其中，表示動物圖像，r表示像素索引，f表示前景，b表示背景，表示像素屬于前景的概率，范圍為0到1；，，，分別表示像素索引r的合成像素值，前景像素值，背景像素值和前景像素透明度值。
13、進一步的，步驟s2中的移動窗口編碼模塊由swin?transformer網絡構成，包括依次串聯的五個組件，第一組件為圖像塊嵌入模塊，第二、第三、第四和第五組件基礎結構相同，均由至少一組swin?transformer塊和圖像塊合并模塊堆疊而成，將這五個組件依次標注為a1、a2、a3、a4和a5；
14、其中，a2，a3和a5由1個swin?transformer塊和1個圖像塊合并模塊堆疊1次而成，而第四組件a4則由1個swin?transformer塊和1個圖像塊合并模塊堆疊3次而成；
15、步驟s2具體為：
16、步驟s21：對輸入的動物圖像進行統一裁剪獲取固定尺寸的動物圖像，接著對固定尺寸的動物圖像進行數據增強操作，其中數據增強操作包括裁剪和/或翻轉，從而完成動物圖像的預處理；
17、步驟s22：將預處理后的動物圖像輸入到移動窗口編碼模塊的第一組件a1中初步提取動物圖像的第一特征；具體為：
18、使用三個連續的3×3卷積層和relu激活函數，增加通道數，逐步提取復雜的特征，然后使用兩層最大池化層以降低空間分辨率，減少計算量，同時保留全局特性，最后通過layernorm操作對特征進行層歸一化，確保后續處理的穩定性，最終得到第一特征；具體公式為：
19、；
20、；
21、其中，表示預處理后的動物圖像，為多層卷積的集合，也即三個連續的3×3卷積，表示卷積層數，為多層卷積的偏置的集合，為多層卷積的偏置的層數，為二維卷積操作，為非線性激活函數，為最大池化操作，為層歸一化操作；
22、步驟s23：將第一特征輸入至第二組件a2中，第二組件a2輸出第二特征，然后第二組件a2的輸出作為第三組件a3的輸入，依次類推提取特征；
23、swin?transformer塊和圖像塊合并模塊處理輸入特征的過程具體為：
24、輸入的第i特征后首先經過swin?transformer塊，在swin?transformer塊中對輸入特征進行層歸一化，接著進行窗口劃分獲取窗口特征，而后經過窗口多頭自注意力獲取注意力特征，之后通過殘差連接將注意力特征與輸入的第i特征相加并通過多層感知機進行層歸一化，將多層感知機的輸出與層歸一化的結果相加，獲取結果特征，最后通過圖像塊合并模塊對結果特征進行降采樣，最終獲得第i+1特征，具體公式為：
25、；
26、；
27、；
28、；
29、；
30、其中，，為第i特征，b為批量大小，h為特征圖的高度，w為特征圖的寬度，c為通道數，表示實數集，p為窗口特征，表示注意力特征，表示結果特征；表示查詢向量，表示鍵向量的轉置，表示維度，b表示偏置項，表示圖像分割操作，表示歸一化函數，表示窗口多頭注意力機制，為自注意力，表示層歸一化，表示多層感知機，表示降采樣操作，表示第i+1特征，、、、和共同構成編碼特征。
31、進一步的，步驟s3中的全局語義分支模塊包括若干串聯的全局語義解碼塊，具體地，全局語義解碼塊包含四個依次串聯的語義多卷積解碼塊t1,t2,t3,t4和語義單解碼塊t5，其中，在語義多卷積解碼塊后串聯有多維注本文檔來自技高網...
【技術保護點】
1.一種自動動物圖像摳圖方法，其特征在于，包括以下步驟：
2.如權利要求1所述的一種自動動物圖像摳圖方法，其特征在于，步驟S1具體為：
3.如權利要求2所述的一種自動動物圖像摳圖方法，其特征在于，
4.如權利要求3所述的一種自動動物圖像摳圖方法，其特征在于，步驟S3中的全局語義分支模塊包括若干串聯的全局語義解碼塊，具體地，全局語義解碼塊包含四個依次串聯的語義多卷積解碼塊T1,T2,T3,T4和語義單解碼塊T5，其中，在語義多卷積解碼塊后串聯有多維注意力增強模塊；語義多卷積解碼塊由依次串聯的3個3×3卷積層、3個歸一化層，?三個ReLU層和一個上采樣層組成；多維注意力增強模塊由兩個分支組成，第一個分支包括依次串聯的一個卷積塊和通道注意力塊，第二個分支包括串聯的特征分割塊和空間注意力塊；語義單解碼塊T5由串聯的1個3×3卷積層和一個上采樣層組成；
5.如權利要求4所述的一種自動動物圖像摳圖方法，其特征在于，步驟S5中的細節特征分支模塊包括自適應特征融合模塊和細節特征解碼塊，細節特征解碼塊包含四個依次串聯的細節多卷積解碼塊F5，F4，F3
6.如權利要求4所述的一種自動動物圖像摳圖方法，其特征在于，
...【技術特征摘要】
1.一種自動動物圖像摳圖方法，其特征在于，包括以下步驟：
2.如權利要求1所述的一種自動動物圖像摳圖方法，其特征在于，步驟s1具體為：
3.如權利要求2所述的一種自動動物圖像摳圖方法，其特征在于，
4.如權利要求3所述的一種自動動物圖像摳圖方法，其特征在于，步驟s3中的全局語義分支模塊包括若干串聯的全局語義解碼塊，具體地，全局語義解碼塊包含四個依次串聯的語義多卷積解碼塊t1,t2,t3,t4和語義單解碼塊t5，其中，在語義多卷積解碼塊后串聯有多維注意力增強模塊；語義多卷積解碼塊由依次串聯的3個3×3卷積層、3個歸一化層，?三個relu層和一個上采樣層組成；多維注意力增強模塊由兩個分支組成，第一個分支包括依次串聯的一個卷積塊和通道注意力塊，第二...
【專利技術屬性】
技術研發人員：曾紀國，劉云駿，王賀，劉春揚，郭凡，楊波，
申請(專利權)人：江西師范大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。