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！

龙图腾网获悉河北大学申请的专利一种基于无监督学习的交互式图像分割方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116109656B 。

龙图腾网通过国家知识产权局官网在2026-02-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310137301.8，技术领域涉及：G06T7/11；该发明授权一种基于无监督学习的交互式图像分割方法是由史青宣;李一行设计研发完成，并于2023-02-20向国家知识产权局提交的专利申请。

本一种基于无监督学习的交互式图像分割方法在说明书摘要公布了：本发明提供了一种基于无监督学习的交互式图像分割方法。该方法包括如下步骤：首先使用经过预训练的神经网络模型作为特征提取器对无标签的图像数据集中的图像进行特征提取，然后对提取的特征进行聚类，根据聚类结果分配标签，再使用超像素投票算法使得这些标签边缘平滑，最后再过滤掉背景像素，得到可用于交互式分割的伪标签；构建一个可以迭代执行的交互式分割网络，把伪标签送入网络训练，以标签的边界框生成外点，再根据初次分割结果与真值对比得到最大错误分割区域的中心模拟迭代的交互点得到可迭代的无监督交互式分割模型。本发明还实现了测试时自适应优化，使得本发明的模型能够适应于不同的应用场景和领域。

本发明授权一种基于无监督学习的交互式图像分割方法在权利要求书中公布了：1.一种基于无监督学习的交互式图像分割方法，其特征是，包括如下步骤： a、使用经过预训练的神经网络模型作为特征提取器对无标签的图像数据集中的图像进行特征提取，然后对提取的特征进行聚类，建立像素之间跨图像的对应关系，根据聚类结果分配标签，再使用超像素投票算法使得这些标签边缘平滑，最后再过滤掉背景像素，得到可用于交互式分割的伪标签； b、构建一个可以迭代执行的交互式分割网络，把步骤a得到的伪标签送入网络训练，以标签的边界框生成外点，再根据初次分割结果与真值对比得到最大错误分割区域的中心模拟迭代的交互点得到可迭代的无监督交互式分割模型； c、将人类交互的点击视为正样本，在测试时对网络参数进行修正，通过构建最小化稀疏的点击损失函数来优化模型，并通过设置改变网络参数的代价函数来避免模型遗忘对图像的初始的良好预测； 步骤a具体如下： a-1、使用经过预训练的神经网络模型作为特征提取器提取特征；该预训练模型是通过图像级别的自监督对比学习方法得到的；具体来说，给定一组未标记的图像定义为X＝{x1，x2，...，xi}，其中xi是该样本集中的第i个样本图像；设fθ·为现有的无监督方法的特征提取器，对该样本集的所有图像样本进行特征提取后，对于图像xi生成的特征图fθxi的每个像素p都会产生特征表示；定义fθxi[p]代表像素级别的特征表示，使用K-means算法对所有图像样本生成特征图的每个像素进行聚类： 其中yip表示第i个图像产生特征图的第p个像素的聚类中心标签,μk是第k个聚类中心；聚类后，对每个图像xi的产生特征图的每个像素p，都能分配给其对应标签yip，将其上采样至原始图像的大小，就得到了图像的标签图； a-2、采用超像素投票算法对得到的标签图的边缘信息进行优化，具体是：通过超像素投票算法得到过分割的超像素，其中，超像素的生成的依据是将原始图像视为一个无向图G＝V,E，其中V表示顶点集合，E表示边的集合，每条边连接两个相邻的像素i,j，边上的权值w表示两个顶点之间RGB值的平方差；初始阶段的每一个像素比较其到八邻域像素的权重，按照从小到大的顺序排列，选出权值最小的边，把他们合并到一个区域里面，形成若干最小生成树；如果连接两个最小生成树的边权重小于等于这两个树中权重最大的边的最小值，则两树合并；按照这个规则不断的更新无向图，直到无满足合并条件的树；这些树的像素点的集合就是超像素；得到过分割的超像素后，将超像素内最多的标签分配给超像素的所有像素，使图像标签的边界和图像的边界对齐； a-3、过滤掉出现最多的类别，将其视为背景，将剩余的标签视为前景标签并加以利用。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人河北大学，其通讯地址为：071002 河北省保定市五四东路180号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。