[發明專利]一種基于深度學習的圖像分割方法及系統

在審

• 申請號: 202011168588.3
• 申請日: 2020-10-27
• 公開（公告）號: CN112348839A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 文靜;茍俠君;王翊;寧民權
• 申請（專利權）人: 重慶大學
• 主分類號: G06T7/136
• 分類號: G06T7/136;G06T7/11;G06T5/20;G06T3/40;G06N3/08;G06N3/04;G16H30/40
• 代理公司: 重慶雙馬智翔專利代理事務所(普通合伙) 50241
• 代理人: 顧曉玲;陳香蘭

1.一種基于深度學習的圖像分割方法，其特征在于，包括：將待分割圖像輸入圖像分割模型，獲得圖像分割結果；

所述圖像分割模型的建立過程包括：

步驟S1，獲取多個樣本圖像并設置標簽圖，構建訓練集和測試集；

步驟S2，構建圖像分割卷積網絡；

所述圖像分割卷積網絡包括下采樣鏈路、上采樣鏈路、以及N個聯接鏈路，在所述下采樣鏈路中沿圖像數據傳輸方向依次設有第一下采樣處理塊、第二下采樣處理塊、....、第N－1上采樣處理塊和第N下采樣處理塊，在所述上采樣鏈路中沿圖像數據傳輸方向依次設有第N上采樣處理塊、第N－1上采樣處理塊、....、第二上采樣處理塊和第一上采樣處理塊；

所述第N下采樣處理塊與第N上采樣處理塊通過第N聯接鏈路連接；

第n下采樣處理塊與第n上采樣處理塊通過第n聯接鏈路連接，在所述第n聯接鏈路上設有k個卷積塊，所述n∈[1,N-1]，k為正整數，N為大于1的正整數；

步驟S3，利用訓練集對圖像分割卷積網絡進行訓練，利用測試集對訓練后的圖像分割卷積網絡進行驗證：若驗證通過，保存圖像分割卷積網絡的模型參數，獲得圖像分割模型；若驗證不通過，繼續利用訓練集對當前訓練后的圖像分割卷積網絡進行訓練。

2.如權利要求1所述的基于深度學習的圖像分割方法，其特征在于，所述第一下采樣處理塊內依次設有2個卷積層和最大池化層，圖像數據通過2個卷積層后分別進入第一聯接鏈路和最大池化層，所述最大池化層與第二下采樣處理塊連接；

所述第二下采樣處理塊內依次設有1個卷積殘差塊和3個恒等殘差塊，圖像數據通過3個恒等殘差塊后分別進入第二聯接鏈路和再通過1個卷積殘差塊后進入第三下采樣處理塊；

所述第n'下采樣處理塊內設有3個恒等殘差塊，圖像數據通過3個恒等殘差塊后分別進入第n'三聯接鏈路和再通過1個卷積殘差塊后進入第n'+1下采樣處理塊，所述n'∈[3,N-1]；

所述第N下采樣處理塊內設有3個恒等殘差塊，圖像數據通過3個恒等殘差塊后通過第N聯接鏈路傳送至第N上采樣處理塊。

3.如權利要求2所述的基于深度學習的圖像分割方法，其特征在于，所述卷積殘差塊由卷積主路徑的三重卷積和與所述卷積主路徑并聯的卷積Shoutcut路徑的單卷積層構成；

卷積主路徑第一層卷積使用與上一層卷積相同數目的濾波器，卷積核的大小為1×1，卷積步長為2；

卷積主路徑第二層卷積使用和第一層卷積相同數目的濾波器，卷積核的大小為3×3；

卷積主路徑第三層卷積的濾波器數量為第二層卷積的兩倍，卷積核的大小為1×1，卷積步長為1；

卷積Shortcut路徑中的卷積層的濾波器數目與主路徑第三層卷積的濾波器數目一致，卷積核大小為1×1，步長為2。

4.如權利要求2所述的基于深度學習的圖像分割方法，其特征在于，所述恒等殘差塊由恒等主路徑的三重卷積和與所述恒等主路徑并聯的恒等Shoutcut路徑構成；

恒等主路徑第一層卷積的過濾器數目為輸入所述恒等殘差塊的圖像的通道數的一半，卷積核的大小為1×1，步長為1；

恒等主路徑第二層卷積的過濾器數目與恒等主路徑第一層卷積的過濾器數目一致，卷積核的大小為3×3，步長為1；

恒等主路徑第三層卷積的濾波器數目為恒等主路徑第二層卷積的過濾器數目的兩倍，卷積核的大小為1×1，步長為1；

恒等Shortcut路徑不包含額外操作，只提供連接作用。

5.如權利要求1所述的基于深度學習的圖像分割方法，其特征在于，所述第N上采樣處理塊包括反卷積層，圖像數據通過反卷積層進入第N－1上采樣處理塊；

所述第n”上采樣處理塊依次包括拼接層、2個卷積層和1個反卷積層，拼接層將第n”聯接鏈路輸出的圖像與第n”－1上采樣處理塊輸出的圖像拼接，拼接后的圖像經過第n”上采樣處理塊的2個卷積層和1個反卷積層處理后進入第n”上采樣處理塊，所述n”∈[2,N-1]；

所述第一上采樣處理塊包括拼接層、2個卷積層和全連接層，拼接層將第一聯接鏈路輸出的圖像與第二上采樣處理塊輸出的圖像拼接，拼接后的圖像經過第一上采樣處理塊的2個卷積層和全連接層處理后輸出。