[发明专利]基于改进DeepLab的二维图像部件分割方法及应用

说明书

本发明涉及一种基于改进DeepLab的二维图像部件分割方法及应用，所述方法通过一改进DeepLab网络对获取的二维图像进行部件分割，所述改进DeepLab网络包括编码器和跳跃式解码器，所述编码器包括多卷积层单元和多尺度自适应形态特征提取单元，所述多尺度自适应形态特征提取单元与多卷积层单元的输出端连接，所述跳跃式解码器同时获取深层特征和浅层特征，所述浅层特征由多卷积层单元的中间层获取。与现有技术相比，本发明具有适应性强、分割结构边缘清晰等优点。

技术领域

本发明涉及一种图像处理，尤其是涉及一种基于改进DeepLab的二维图像部件分割方法及应用。

背景技术

二维图像的部件分割在自动驾驶、医学图像处理、无人机应用、航空航天技术等方面拥有良好的应用前景。与根据图中物体类别进行像素标注的语义分割不同，部件分割是将属于某一物体的像素点进一步分割为该物体的不同组成部件。

在图像语义分割研究中，具有强大特征学习能力的卷积神经网络(ConvolutionalNeural Network,CNN)的出现，极大地推动其发展，实践证明卷积神经网络较传统方法更适合于图像特征的学习与表达。

DeepLab算法是现阶段精度比较高的语义分割算法之一，但直接利用DeepLab网络进行物体部件分割并不能获得很好的分割效果(整体结构如图1所示)，主要原因有以下三点：首先，DeepLab网络结构更注重全局信息的获取(如图1中ASPP模块中带孔卷积的空洞率选择6、12、18、24等比较大的值)，以正确对物体进行分类；而物体部件分割网络需更关注局部细节，以获得更精确的分割边界。其次，DeepLab网络中每层卷积核的形状固定、大小固定、下采样因子固定，所以网络同一层中所有激活单元的感受野形状和大小是固定的，只能提取固定形状(正方形)的特征，限制了网络处理物体或物体部件的形状、姿态、观察视角等发生变化的能力。最后，DeepLab算法直接使用双线性插值在ASPP模块的输出特征图上进行上采样，获得与输入图像同分辨率的输出。解码过程中只利用了最后一层的卷积特征，底层细节特征丢失较多；且双线性插值直接利用目标点周围四个(上下左右)像素值通过固定公式计算，得到待插入的值，不具有学习的能力。

目前，基于卷积神经网络的部件分割算法多数是针对人体分割进行设计的，在语义分割网络的基础上，借助人体姿势信息或部件检测框提升分割精度，但是网络框架复杂，迁移性差。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于改进DeepLab的二维图像部件分割方法及应用。

本发明的目的可以通过以下技术方案来实现：

一种基于改进DeepLab的二维图像部件分割方法，该方法通过一改进DeepLab网络对获取的二维图像进行部件分割，所述改进DeepLab网络包括编码器和跳跃式解码器，所述编码器包括多卷积层单元和多尺度自适应形态特征提取单元，所述多尺度自适应形态特征提取单元与多卷积层单元的输出端连接，所述跳跃式解码器同时获取深层特征和浅层特征，所述浅层特征由多卷积层单元的中间层获取。

进一步地，所述多卷积层单元基于ResNet101分类网络实现，由多个依次连接的标准卷积层组成。

进一步地，所述多卷积层单元中，最后一个卷积模块的输出特征分辨率及输出步长与前一个卷积模块相同。

进一步地，所述多尺度自适应形态特征提取单元包括1×1卷积层、多个可形变卷积层和合并层，所述1×1卷积层和多个可形变卷积层级联，并分别与合并层连接，所述可形变卷积层和合并层后设置有激励函数。

进一步地，所述多个可形变卷积层采用不同空洞率。

进一步地，所述激励函数为ReLU函数。