[發明專利]一種基于骨架感知的損失函數加權方法及裝置

有效

• 申請號: 202010429250.2
• 申請日: 2020-05-20
• 公開（公告）號: CN111696117B
• 公開（公告）日: 2023-06-06
• 發明（設計）人: 班曉娟;馬博淵;黃海友;王浩;薛維華
• 申請（專利權）人: 北京科技大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/70;G06N20/00
• 代理公司: 北京市廣友專利事務所有限責任公司 11237
• 代理人: 張仲波

本發明提供一種基于骨架感知的損失函數加權方法及裝置，能夠降低分割錯誤率。所述方法包括：根據圖像的標注圖，將圖像前景分離成多個獨立目標區域；提取各獨立目標區域和圖像背景的骨架，確定各獨立目標區域內每個像素點至相應的獨立目標區域骨架中最近骨架點的距離、各獨立目標區域中每個骨架像素點至相應的獨立目標區域邊緣的最近距離、背景骨架上每個像素點至背景邊緣的最近距離、背景內每個像素點至各獨立目標區域邊緣的最近距離；根據得到的距離，對所述前景中各獨立目標區域內及背景中的每個像素點計算其權重值，形成基于骨架感知的權重圖；將所述權重圖與損失函數結合，優化基于機器學習方法的圖像分割模型的參數。

技術領域

本發明涉及圖像處理技術領域，特別是指一種基于骨架感知的損失函數加權方法及裝置。

背景技術

在材料和醫學顯微圖像分割任務中，如多晶材料晶粒顯微圖像或動物神經元顯微圖像分割任務，需采用二值分割算法提取前景目標區域和背景邊界區域，以識別并分離各個前景獨立目標區域。目前，通常采用基于深度卷積神經網絡的圖像分割方法學習圖像中的顯著特征并對圖像中每個像素進行分類，最終實現整體圖像的分割，該種方法屬于類別不平衡的圖像分割問題，即前景目標區域的像素數目遠高于背景邊界區域的像素數目。該問題會導致深度卷積神經網絡在訓練過程中被數量較多的類別所主導，難以充分學習小數量類別的特征，當類別數量差別過大時，會嚴重影響網絡的性能。并且前景中各獨立目標區域具有相似的外觀和復雜多變的形狀，引導深度卷積神經網絡在學習過程中關注前景目標區域的形狀特征有利于降低分割錯誤率。

目前針對該問題，Long等提出了一種類別平衡的加權方法，[Long?J,ShelhamerE,Darrell?T,et?al.Fully?convolutional?networks?for?semantic?segmentation[C].computer?vision?and?pattern?recognition,2015:3431-3440.]，通過類別數目計算權重為圖像中屬于不同類別的像素賦予不同的權值，這樣的方法引導網絡學習數目少的類別信息，但該方法僅根據像素類別賦予權值并未考慮前景各獨立目標區域的形狀特性，難以獲得正確的分割結果。Ronneberger等提出一種基于距離計算的損失函數加權方法，[Ronneberger?O,Fischer?P,Brox?T.U-net:Convolutional?networks?for?biomedicalimage?segmentation[C]//International?Conference?on?Medical?image?computingand?computer-assisted?intervention.Springer,Cham,2015:234-241.]，通過為背景邊界區域增加權重以獲得較優的分割結果，該方法在背景邊界越細的情況下權值越高，引導網絡正確識別邊緣。但是該方法僅對背景邊界進行加權，并未對前景目標區域進行加權，同時該方法存在兩個超參數，難以直接推廣到其他數據集中。Boyuan提出一種基于背景邊界的自適應加權方法，[Ma?Boyuan,Liu?Chuni?et?al.WPU-Net:Boundary?learning?byusing?weighted?propagation?in?convolution?network[J].arXiv:1905.09226,2019.]，該方法利用距離變換函數獲得前背景的權重圖，但是該方法并未考慮前景目標區域出現復雜形變的情況，也具有兩個超參數，泛用性較低。

發明內容

本發明要解決的技術問題是提供一種基于骨架感知的損失函數加權方法及裝置，以解決現有技術所存在的圖像分割模型難以保護前景目標區域的形狀特征且分割錯誤率高的問題。

為解決上述技術問題，本發明實施例提供一種基于骨架感知的損失函數加權方法，包括：

根據圖像的標注圖，將圖像前景分離成多個獨立目標區域；