[发明专利]一种基于深度学习的图像分割方法、系统及电子设备

权利要求书

1.一种基于深度学习的图像分割方法，其特征在于，包括以下步骤：

步骤a：对原始图像进行归一化处理；

步骤b：将所述归一化后的图像输入ResUNet网络模型，所述ResUNet网络模型提取输入图像中包含全局语义信息的特征图，并对所述特征图进行上采样及特征图堆叠处理，得到最终的特征图；

步骤c：对所述上采样及堆叠处理后的特征图进行逐像素分类，并输出图像分割结果。

2.根据权利要求1所述的基于深度学习的图像分割方法，其特征在于，在所述步骤a中，所述对原始图像进行归一化处理具体为：采用深度学习归一化方式GN对原始图像进行归一化处理。

3.根据权利要求2所述的基于深度学习的图像分割方法，其特征在于，在所述步骤b中，所述ResUNet网络模型为采用ResNet和U-Net结合的网络模型，包括2N+1个Resblock、N个平均池化层、N个上采样层以及2(N+1)个卷积层，所述ResUNet网络模型为全卷积网络，提取的特征图为大→小→大的变化过程。

4.根据权利要求3所述的基于深度学习的图像分割方法，其特征在于，所述ResUNet网络模型包括自底向上的下采样模块和自顶向下的上采样模块，所述下采样模块在下采样过程中，提取的特征图由大变小，获得所述输入图像的全局语义信息；所述上采样模块利用上采样使所述特征图由小变大，并在每次上采样之后进行特征图堆叠，得到既拥有高分辨又有抽象低分辨率的特征图。

5.一种基于深度学习的图像分割系统，其特征在于，包括：

归一化模块：用于对原始图像进行归一化处理；

特征图提取模块：用于将所述归一化后的图像输入ResUNet网络模型，所述ResUNet网络模型提取输入图像中包含全局语义信息的特征图，并对所述特征图进行上采样及特征图堆叠处理，得到最终的特征图；

结果输出模块：用于对所述上采样及堆叠处理后的特征图进行逐像素分类，并输出图像分割结果。

6.根据权利要求5所述的基于深度学习的图像分割系统，其特征在于，所述归一化模块对原始图像进行归一化处理具体为：采用深度学习归一化方式GN对原始图像进行归一化处理。

7.根据权利要求6所述的基于深度学习的图像分割系统，其特征在于，所述ResUNet网络模型为采用ResNet和U-Net结合的网络模型，包括2N+1个Resblock、N个平均池化层、N个上采样层以及2(N+1)个卷积层，所述ResUNet网络模型为全卷积网络，提取的特征图为大→小→大的变化过程。

8.根据权利要求7所述的基于深度学习的图像分割系统，其特征在于，所述ResUNet网络模型包括自底向上的下采样模块和自顶向下的上采样模块，所述下采样模块在下采样过程中，提取的特征图由大变小，获得所述输入图像的全局语义信息；所述上采样模块利用上采样使所述特征图由小变大，并在每次上采样之后进行特征图堆叠，得到既拥有高分辨又有抽象低分辨率的特征图。

9.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述1至4任一项所述的基于深度学习的图像分割方法的以下操作：

步骤a：对原始图像进行归一化处理；

步骤b：将所述归一化后的图像输入ResUNet网络模型，所述ResUNet网络模型提取输入图像中包含全局语义信息的特征图，并对所述特征图进行上采样及特征图堆叠处理，得到最终的特征图；

步骤c：对所述上采样及堆叠处理后的特征图进行逐像素分类，并输出图像分割结果。