[發明專利]一種基于卷積神經的海洋船舶圖像分割方法

在審

• 申請號: 202010840846.1
• 申請日: 2020-08-20
• 公開（公告）號: CN112037225A
• 公開（公告）日: 2020-12-04
• 發明（設計）人: 肖志勇;吉淑瀅
• 申請（專利權）人: 江南大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06N3/04;G06N3/08
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 彭素琴

本發明公開了一種基于卷積神經的海洋船舶圖像分割方法，屬于深度學習圖像分割技術領域；所述方法將空洞卷積、壓縮激勵網絡和U?net進行結合構建編碼?解碼網絡，將海洋船舶圖像預處理后輸入所述編碼?解碼網絡進行分割處理；分割處理過程中由于解碼層結合上采樣的各層信息和上采樣的輸入信息來還原細節信息，并且逐步還原圖像精度，大大減少了圖片在訓練過程中細節信息的損失，而且壓縮激勵網絡將注意力集中在顯著特征上，抑制了輸入圖像的不相關區域，使通道間具有更多的非線性，可以更好地擬合通道間的復雜的相關性極大的減少了參數量和計算量，提高了分割效率和分割準確率，更利于對海洋上船舶進行定位。

技術領域

本發明涉及一種基于卷積神經的海洋船舶圖像分割方法，屬于深度學習圖像分割技術領域。

背景技術

船舶在海洋上是重要的目標，準確檢測船舶在海洋上的位置在民用和軍事應用中都有著重要的意義。在對海洋上船舶進行定位的方法中，基于雷達和紅外技術的定位技術往往比較復雜、價格昂貴，人力和物力消耗大，且易受天氣影響。

近些年，深度學習得到了較快的發展，以卷積神經網絡為代表的深度學習方法在圖像分類、圖像分割以及目標檢測等領域都取得到了較好的研究成果。與傳統的機器學習相比，卷積神經可以學習到更加豐富的語義信息和高層次的圖像信息，能夠更準確描述不同目標之間的差異。另外，卷積神經是端到端的網絡，只需關注網絡的輸入和輸出，不需要感知中間層的結果，可以大大減少復雜的特征表征等人工操作。因此，研究人員將基于深度學習進行圖像分割的方法應用到了對海洋上船舶進行定位的技術中來。

目前應用到海洋船舶圖像分割中的深度學習方法多數集中在分水嶺算法、輪廓波算法、灰度統計、閾值分割和邊緣檢測等。其中，閾值分割是計算圖像的灰度級別，將計算出的灰度級別與設定的閾值進行比較，但是閾值的設定沒有統一標準，所以會出現圖像邊緣信息嚴重丟失的問題。邊緣檢測采用邊緣算子提取圖像邊界像素以實現分割，基于閾值分割存在的問題，當海上場景或者天氣很復雜時，干擾因素過多，也容易出現分割錯誤。

因此，上述方法在進行海洋船舶圖像分割時，除了容易出現分割誤差、圖像邊緣信息丟失嚴重和出現過分割或欠分割的結果之外，還需要大量的訓練圖像和參數，并且這些方法都只適用于簡單、平靜的海面，應用場景單一。如果海上場景或者天氣很復雜(如光照強度不一致，陸地、海面顏色不一致等)很容易受到影響。此外海洋上的船舶數據集大多數是俯拍，船舶的面積很小，背景和目標高度不平衡，都會給船舶的定位造成一定困難。

2015年，Ronneberger等人提出了U-net的編碼解碼結構的深度卷積網絡，使其能夠使用很少的訓練圖像和較少的參數就能得到比上述方法更加精確的分割結果。但是由于解碼過程中會損失一部分圖像特征，因此其分割結果的精度還有待于提高，尤其應用于海洋船舶定位中。

發明內容

為了解決海洋船舶定位技術中目標和背景的類別不平衡導致的圖像分割不準確的問題，本發明提供了一種基于卷積神經的海洋船舶圖像分割方法，所述方法將空洞卷積、壓縮激勵網絡和U-net進行結合構建編碼-解碼網絡，將海洋船舶圖像預處理后輸入所述編碼-解碼網絡進行分割處理；所述編碼-解碼網絡包括依次連接的編碼層、壓縮激勵模塊和解碼層，其中編碼層和解碼層之間添加跳躍連接；

分割處理過程中將海洋船舶圖像輸入至編碼-解碼網絡的編碼層，得到編碼層對應的特征圖，將編碼層對應的特征圖輸入至壓縮激勵模塊得到概率圖，將概率圖輸入解碼塊得到解碼塊對應的特征圖；最后將編碼層對應的特征圖與概率圖同時與解碼塊對應的特征圖進行拼接得到分割結果圖。

可選的，所述編碼-解碼網絡中，編碼層中的每個編碼塊包含三個或四個由卷積層+歸一化層+修正線性單元層+空洞卷積層構成的單元；各單元之間設有池化層。

可選的，若每個編碼塊包含三個由卷積層+歸一化層+修正線性單元層+空洞卷積層構成的單元，各單元中的空洞卷積層的空洞率分別為1、2和4。