[發明專利]一種基于多支路特征融合的圖像分割方法及系統

有效

• 申請號: 202110432657.5
• 申請日: 2021-04-21
• 公開（公告）號: CN113205519B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 古晶;孫新凱;巨小杰;馮婕;楊淑媛;劉芳;焦李成
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06V10/40;G06V10/80;G06V10/82;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

1.一種基于多支路特征融合的圖像分割方法，其特征在于，包括以下步驟：

S1、建立一個基于Xception的輕量化子網絡Subnet_1，按照建好的子網絡Subnet_1結構建立相同結構的子網絡Subnet_2和子網絡Subnet_3，將子網絡Subnet_1的特征提取模塊Stage1_1的輸出連接到子網絡Subnet_2的特征提取模塊Stage2_1的輸入上，將特征提取模塊Stage1_2的輸出并聯到特征提取模塊Stage2_2的輸入上，將特征提取模塊Stage2_3的輸出并聯到特征提取模塊Stage3_3的輸入上，對三個子網絡的輸出進行通道縮減操作和4倍雙線性上采樣，得到三個子網絡的高級特征輸出Output_1、Output_2和Output_3，然后將高級特征輸出Output_1和Output_2分別并聯到特征提取模塊Stage2_1和Stage3_1上，構造完成圖像分割模型的編碼器；

S2、將特征提取模塊Stage1_1、Stage2_1和Stage3_1的輸出分別進行通道縮減操作，得到三個子網絡tput_4、Output_5和Output_6，構造完成圖像分割模型的解碼器；使用兩個尺寸不同的預測圖像構造損失函數L；使用隨機梯度下降優化器對損失函數L進行優化訓練，獲得訓練好的圖像分割模型，使用訓練好的圖像分割模型完成圖像的分割任務。

2.根據權利要求1所述的方法，其特征在于，步驟S1中，基于Xception的輕量化子網絡Subnet_1的內部網絡結構為：輸入圖像→通道擴展操作→特征提取模塊Stage1_1→特征提取模塊Stage1_2→特征提取模塊Stage1_3→注意力模塊FC_attention→輸出層。

3.根據權利要求2所述的方法，其特征在于，通道擴展操作包含1個卷積層Conv→1個批標準化BN→1個線性整流函數ReLU，卷積層的卷積核均為3x3、步長為1；特征提取子模塊Substage包含3個深度可分離卷積模塊；深度可分離卷積模塊包含1個線性整流函數ReLU→1個深度可分離卷積層SeparableConv→1個批標準化BN；深度可分離卷積的卷積核均為3x3，除每個特征提取模塊中第一個深度可分離卷積層外，所有深度可分離卷積層的步長為1，第一個深度可分離卷積層的步長為2；注意力模塊FC_attention包含1個全連接層FC和→1個卷積層，全連接層長度為192，卷積層中的卷積核為1x1。

4.根據權利要求1所述的方法，其特征在于，步驟S1中，圖像分割模型的編碼器的第一個子網絡Subnet_1的輸入為8通道，通過第一個特征提取模塊Stage1_1后，通道增數增加到48、特征圖尺寸變為輸入圖像的1/4；第二個特征提取模塊Stage2_1輸出的通道數為96、特征圖尺寸變為1/8；第三個特征提取模塊Stage2_3輸出的通道數為192、特征圖尺寸變為1/16；經過注意集中模塊和通道縮減后，輸出的通道數減少為32，特征圖尺寸維持1/16；第二個子網絡Subnet_2的輸入尺寸為第一個子網絡Subnet_1輸入尺寸的1/2，通道數為80；第三個子網絡Subnet_3的輸入尺寸為第一個子網絡Subnet_1輸入尺寸的1/4，通道數為88。

5.根據權利要求1所述的方法，其特征在于，步驟S1中，對三個子網絡的輸出進行通道縮減操作具體為：

通道縮減操作包含1個卷積層Conv→1個批標準化BN→1個線性整流函數ReLU，卷積層的卷積核均為3x3、步長為1。

6.根據權利要求1所述的方法，其特征在于，步驟S2中，圖像分割模型的解碼器結構具體為：

將特征輸出Output_3與特征輸出Output_6相加→2倍雙線性上采樣→與特征輸出Output_2與Output_5再相加→2倍雙線性上采樣→與特征輸出Output_1與Output_4再相加→4倍雙線性上采樣→1個卷積層→輸出圖像。

7.根據權利要求6所述的方法，其特征在于，特征輸出Output_3與特征輸出Output_6相加后的特征經過1個卷積層然后輸出尺寸為最終預測圖像1/16的小尺寸預測圖像。