[發明專利]一種基于ResNet與UNet模型的圖像分割方法

有效

• 申請號: 201911358532.1
• 申請日: 2019-12-25
• 公開（公告）號: CN111145188B
• 公開（公告）日: 2023-06-06
• 發明（設計）人: 侯彪;焦李成;付勐;馬晶晶;張向榮;馬文萍
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/0464;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 高博

本發明公開了一種基于ResNet與UNet模型的圖像分割方法，將原始的RGB三通道圖像大小進行調整，并對應調整標簽圖像大小；將調整后的RGB圖像作為UNet圖像分割模塊的輸入；將調整后的RGB圖像作為ResNet特征提取模塊的輸入，保留前三層的輸出結果替換UNet第三、四、五層的輸出結果；得到基于ResNet和UNet的圖像分割訓練模型，并對模型進行訓練；將訓練得到的模型參數作為預測模型，進行圖像分割。本發明利用ResNet在特征提取方面的優勢，提高圖像分割的質量，解決單一UNet模型應用于圖像分割易產生的特征提取不夠準確，區域一致性差，邊界模糊的問題。

技術領域

本發明屬于圖像處理技術領域，具體涉及一種基于ResNet與UNet模型的圖像分割方法。

背景技術

圖像分割是把圖像分成若干個特定的、具有獨特性質的區域并提出感興趣目標的技術和過程。圖像分割是從圖像處理到圖像分析的重要步驟，是目標分類和識別的基礎。經典的圖像分割方法有以下四種：

基于閾值的分割方法：閾值分割方法原理是通過設定不同的特征閾值，把圖像像素點分為若干類。首先從原始圖像中的灰度或彩色特征按一定的準則找到特征值，將圖像分為若干部分。這類方法實現簡單、計算量小，但是當原始圖像中包含的信息比較復雜時，得到的結果并不準確。

基于區域的分割方法：主要有區域生長方法和區域分裂與合并方法兩種。區域生長是根據事先定義的標準將像素或者子區域聚合成更大區域的過程，從一個或若干個生長點開始，將與該生長點性質相似的相鄰像素或者區域生長點合并，形成新的生長點，重復此過程直到無法繼續更新為止。生長點和相鄰區域的相似性判據可以是灰度值、紋理或者顏色等信息。區域分裂與合并是將圖像分割為一系列任意且不相交的區域，然后對它們進行合并或者拆分操作以滿足限制條件。通過分裂將不同特征的區域分開，通過合并將相似特征的區域融合。區域生長方法對噪聲敏感，在圖像較大時速度較慢，且需要人為確定生長點。區域分裂合并算法計算量較大，在分裂時可能破壞區域的邊界，影響分割結果。

基于邊緣檢測的分割方法：這種方法首先確定圖像中的邊緣像素，再把這些像素連接在一起構成所需的區域邊界，圖像邊緣可以理解為圖像灰度發生空間突變的像素的集合。基于邊緣檢測的分割受圖像噪聲或圖像中復雜信息影響，經常會在沒有邊界的地方檢測到邊緣或在實際存在邊緣的地方沒有檢測到邊緣。

基于深度學習和卷積神經網絡的圖像分割方法：首先使用深度學習進行了圖像語義分割，提出了全卷積網絡，將全連接網絡替換成為卷積網絡，并且使用反卷積層，使網絡可以接受任意大小的圖片輸出和原圖大小相同的分割圖像，采用全局金字塔池化，將特征圖縮放到幾個不同的的尺寸，使圖像特征具有更好的全局信息和多尺度信息，現有一種與全卷積網絡完全不同的特征融合方式，通過拼接的方法，將圖像特征在每一層進行拼接，將圖像特征用于重建圖像，雖然卷積神經網絡在簡單的圖像分割問題上取得了一些成效，但在復雜的圖像分割問題上效果并不盡如人意，而UNet在面對復雜的圖像時也取得了不錯的效果。圖像的特征提取是圖像分割的一個重要步驟，直接影響到圖像分割的最終結果。UNet在特征的提取方面直接采用卷積網絡，因此在特征提取時的精度會有所下降。

發明內容

本發明所要解決的技術問題在于針對上述現有技術中的不足，提供一種基于ResNet與UNet模型的圖像分割方法，利用ResNet在特征提取方面的優勢，提高圖像分割的質量，解決單一UNet模型應用于圖像分割易產生的特征提取不夠準確，區域一致性差，邊界模糊的問題。

本發明采用以下技術方案：

一種基于ResNet與UNet模型的圖像分割方法，包括以下步驟：

S1、將原始的RGB三通道圖像大小進行調整，并對應調整標簽圖像大小；

S2、將步驟S1調整后的RGB圖像作為UNet圖像分割模塊的輸入；