[發明專利]基于自動上下文和數據增強的超聲圖像智能分割方法

有效

• 申請號: 201810277488.0
• 申請日: 2018-03-31
• 公開（公告）號: CN108460764B
• 公開（公告）日: 2022-02-15
• 發明（設計）人: 韋崗;梁舒;馬碧云;李增
• 申請（專利權）人: 華南理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 何淑珍;江裕強

本發明基于自動上下文和數據增強的超聲圖像智能分割方法。本發明首先對超聲圖像數據集進行一系列圖像預處理，得到預處理后的數據集；接著，對預處理后的數據集進行數據增強，擴大數據集規模，得到擴增數據集；然后將擴增數據集輸入到基于自動上下文的全卷積神經網絡中，以端到端的方式訓練模型，實現擴增數據集的初步分割；最后，對初步分割結果進行精細化后處理。本發明具有分割準確率高、魯棒性和泛化性強、分割邊緣平滑性好等優點，在有限訓練數據集情況下也能獲得理想的分割效果。

技術領域

本方法涉及數字圖像處理、深度學習等技術領域，具體涉及基于自動上下文和數據增強的超聲圖像智能分割方法。

背景技術

隨著現代工業的發展，人們對材料性能和產品質量的關注日益增長，對工業產品的檢測精度和可靠性也提出了更高的要求。工業產品缺陷檢測不但要檢測出固體內部和表面缺陷的位置，還要確定缺陷的大小、種類和形狀。用超聲脈沖回波技術來檢測缺陷不僅檢測周期長、誤檢率高，而且無法定量分析缺陷形態、大小等特性。超聲成像技術的發展使超聲無損檢測實現了圖像化，固體內部和表面的缺陷能夠以超聲圖像的形式直觀、清晰的顯示出來。對被檢固體的超聲圖像進行分割，可以將缺陷區域從復雜的背景區域中提取出來，實現精確的定位和定性定量分析。因此，被檢固體超聲圖像缺陷智能分割對固體缺陷檢測具有非常重要的研究意義。

傳統的超聲圖像分割方法包括：閾值法、區域法、邊緣法和圖論法。

1）閾值法：基于圖像的灰度特征來選取一個或多個灰度閾值，并將圖像中每個像素的灰度值與閾值相比較，將像素點根據比較結果分到合適的類別中。雖然閾值法運算速度很快，但對噪聲敏感，在實際應用中，通常要與其他分割方法結合使用，且對于復雜的超聲圖像難以得到理想的分割效果。

2）區域法：利用了圖像的局部空間信息，將圖像按照相似性準則分成不同的區域，把具有某種相似性質的像素連通，從而構成最終的分割區域，有效的克服其他方法存在的圖像分割空間小連續的缺點。常用的區域法包括：區域生長法、分裂合并法、分水嶺法等。這些方法具有計算速度快、分割精度高、分割邊界連續等優點，但是由于超聲圖像中通常存在噪聲和局部不規則性，可能產生大量的假邊界，出現過度分割的現象。

3）邊緣法：建立在邊緣灰度值會呈現出階躍型或屋頂型變化這一觀測基礎上，利用不同區域間像素不連續的特點檢測出區域的邊緣。邊緣處像素灰度值的不連續可通過求導數來檢測到，因此常用灰度的一階微分算子（Sobel算子、Roberts算子）、二階微分算子（Laplace算子）進行邊緣檢測。邊緣法雖然簡單，計算速度很快，但存在抗噪性能和檢測精度之間的矛盾。若提高檢測精度，則噪聲產生的偽邊緣會導致不合理的分割輪廓；若提高抗噪性能，則會產生輪廓漏檢和位置偏差。

4）圖論法：采用了圖論的思想去分割圖像，把像素點考慮成節點，把相鄰像素點考慮成相連節點，把整幅圖像考慮成一幅很大的圖，然后利用最小生成樹（MinimumSpanningTree,MST）算法對圖進行計算，得到一系列最小生成樹，每一棵最小生成樹即代表一個分割區域。圖論法取得了良好的分割效果，對超聲圖像的高噪聲具有很好的魯棒性，但有兩個決定分割效果的參數k和α需要根據經驗設定，對于一些復雜的超聲圖像，避免不了過分割或者欠分割的發生。

近年來，隨著深度學習的蓬勃發展，基于深度學習的圖像分割方法相比傳統方法在超聲圖像處理領域有更好的表現。卷積神經網絡(ConvolutionalNeuralNetwork,CNN)在圖像前景分類有不錯的效果。但是基于CNN的分割方法一般采取逐像素取塊分類的方法，非常耗時，同時限制于圖像塊的大小，無法利用上下文信息(context),算法的性能有較大瓶頸。而端到端的全卷積神經網絡(FullyConvolutionalNetwork，FCN)利用卷積層代替全連接層，可以對任意尺寸的圖像進行分割，但FCN中采用的上采樣結構會使圖像細節信息丟失，導致分割精度的降低。