[發明專利]基于寬殘差金字塔池化網絡的圖像分割方法及系統

有效

• 申請號: 201711228818.9
• 申請日: 2017-11-29
• 公開（公告）號: CN107945185B
• 公開（公告）日: 2020-02-07
• 發明（設計）人: 王瑜;朱婷;馬澤源
• 申請（專利權）人: 北京工商大學
• 主分類號: G06T7/10
• 分類號: G06T7/10
• 代理公司: 11201 北京清亦華知識產權代理事務所(普通合伙)
• 代理人: 張潤

1.一種基于寬殘差金字塔池化網絡的圖像分割方法，其特征在于，包括以下步驟：

輸入待分割圖像；

對所述待分割圖像進行標準化，以使所述待分割圖像的像素均值為0且方差為1；

獲取WRN-PPNet模型，其中，所述WRN-PPNet模型包括WRN模塊和PPNet模塊，且所述WRN模塊提取的特征與所述PPNet模塊提取的特征相融合，其中，所述PPNet模塊包括第一池化通路、第二池化通路和第三池化通路，所述第一池化通路的池化窗口大小為4*4，所述第二池化通路的池化窗口大小為2*2，所述第三池化通路的池化窗口大小為1*1，且池化方式均為平均池化；所述獲取WRN-PPNet模型，進一步包括：在所述PPNet模塊的池化通路上作反卷積操作，其中，在所述第一池化通路上作兩次反卷積操作，并且在所述第二池化通路上作一次反卷積操作，且每個反卷積層之前均有兩個卷積層，以及在所述第三池化通路上有兩個卷積層，卷積核大小均為3*3；

對訓練圖像進行預處理，以使所述訓練圖像的像素均值為0且方差為1，且使得分割對象的像素標簽為1且其余部分像素標簽為0，并通過數據擴展法增加所述訓練圖像的模式和數量，得到訓練圖像集；

根據所述WRN-PPNet模型和所述訓練圖像集進行模型訓練，以生成WRN-PPNet分割模型；以及

根據標準化后的待分割圖像通過所述WRN-PPNet分割模型得到圖像分割結果。

2.根據權利要求1所述的基于寬殘差金字塔池化網絡的圖像分割方法，其特征在于，所述WRN模塊包括第一寬殘差塊組、第二寬殘差塊組和第三寬殘差塊組，所述第一寬殘差塊組、所述第二寬殘差塊組和所述第三寬殘差塊組均包含四個寬殘差塊，每個寬殘差塊包含兩個卷積層，卷積核大小均為3*3，且在每個卷積層之前均有一個批標準化BN層，且所述第一寬殘差塊組中，每個寬殘差塊輸出的特征圖FMs的尺寸與其輸入的FMs的尺寸相等，第二寬殘差塊組和第三寬殘差塊組中，第一個寬殘差塊輸出的FMs的尺寸是其輸入的FMs尺寸的二分之一，其余寬殘差塊輸出的FMs的尺寸等于其輸入的FMs的尺寸。

3.根據權利要求1所述的基于寬殘差金字塔池化網絡的圖像分割方法，其特征在于，還包括：

在訓練階段，通過串聯的方式，在WRN-PPNet模型做分割之前，第二次將預處理后的訓練圖像引入所述WRN-PPNet模型，使用兩個卷積核為3*3的卷積層，獲得WRN-PPNet模型生成的特征與預處理后的訓練圖像的超本地化特征的優化組合；

在待分割圖像分割階段，通過串聯的方式，在WRN-PPNet分割模型做分割之前，第二次將標準化后的待分割圖像引入所述WRN-PPNet分割模型，使用兩個卷積核為3*3的卷積層，獲得WRN-PPNet分割模型生成的特征與標準化后的待分割圖像的超本地化特征的優化組合。