[发明专利]一种基于多支路特征融合的图像分割方法及系统

权利要求书

1.一种基于多支路特征融合的图像分割方法，其特征在于，包括以下步骤：

S1、建立一个基于Xception的轻量化子网络Subnet_1，按照建好的子网络Subnet_1结构建立相同结构的子网络Subnet_2和子网络Subnet_3，将子网络Subnet_1的特征提取模块Stage1_1的输出连接到子网络Subnet_2的特征提取模块Stage2_1的输入上，将特征提取模块Stage1_2的输出并联到特征提取模块Stage2_2的输入上，将特征提取模块Stage2_3的输出并联到特征提取模块Stage3_3的输入上，对三个子网络的输出进行通道缩减操作和4倍双线性上采样，得到三个子网络的高级特征输出Output_1、Output_2和Output_3，然后将高级特征输出Output_1和Output_2分别并联到特征提取模块Stage2_1和Stage3_1上，构造完成图像分割模型的编码器；

S2、将特征提取模块Stage1_1、Stage2_1和Stage3_1的输出分别进行通道缩减操作，得到三个子网络tput_4、Output_5和Output_6，构造完成图像分割模型的解码器；使用两个尺寸不同的预测图像构造损失函数L；使用随机梯度下降优化器对损失函数L进行优化训练，获得训练好的图像分割模型，使用训练好的图像分割模型完成图像的分割任务。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，基于Xception的轻量化子网络Subnet_1的内部网络结构为：输入图像→通道扩展操作→特征提取模块Stage1_1→特征提取模块Stage1_2→特征提取模块Stage1_3→注意力模块FC_attention→输出层。

3.根据权利要求2所述的方法，其特征在于，通道扩展操作包含1个卷积层Conv→1个批标准化BN→1个线性整流函数ReLU，卷积层的卷积核均为3x3、步长为1；特征提取子模块Substage包含3个深度可分离卷积模块；深度可分离卷积模块包含1个线性整流函数ReLU→1个深度可分离卷积层SeparableConv→1个批标准化BN；深度可分离卷积的卷积核均为3x3，除每个特征提取模块中第一个深度可分离卷积层外，所有深度可分离卷积层的步长为1，第一个深度可分离卷积层的步长为2；注意力模块FC_attention包含1个全连接层FC和→1个卷积层，全连接层长度为192，卷积层中的卷积核为1x1。

4.根据权利要求1所述的方法，其特征在于，步骤S1中，图像分割模型的编码器的第一个子网络Subnet_1的输入为8通道，通过第一个特征提取模块Stage1_1后，通道增数增加到48、特征图尺寸变为输入图像的1/4；第二个特征提取模块Stage2_1输出的通道数为96、特征图尺寸变为1/8；第三个特征提取模块Stage2_3输出的通道数为192、特征图尺寸变为1/16；经过注意集中模块和通道缩减后，输出的通道数减少为32，特征图尺寸维持1/16；第二个子网络Subnet_2的输入尺寸为第一个子网络Subnet_1输入尺寸的1/2，通道数为80；第三个子网络Subnet_3的输入尺寸为第一个子网络Subnet_1输入尺寸的1/4，通道数为88。

5.根据权利要求1所述的方法，其特征在于，步骤S1中，对三个子网络的输出进行通道缩减操作具体为：

通道缩减操作包含1个卷积层Conv→1个批标准化BN→1个线性整流函数ReLU，卷积层的卷积核均为3x3、步长为1。

6.根据权利要求1所述的方法，其特征在于，步骤S2中，图像分割模型的解码器结构具体为：

将特征输出Output_3与特征输出Output_6相加→2倍双线性上采样→与特征输出Output_2与Output_5再相加→2倍双线性上采样→与特征输出Output_1与Output_4再相加→4倍双线性上采样→1个卷积层→输出图像。

7.根据权利要求6所述的方法，其特征在于，特征输出Output_3与特征输出Output_6相加后的特征经过1个卷积层然后输出尺寸为最终预测图像1/16的小尺寸预测图像。