[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

说明书

本发明公开了一种基于多支路特征融合的图像分割方法及系统，建立三个基于Xception的轻量化子网络，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，然后将第一高级特征输出和第二高级特征输出并联到第二特征提取模块和第三特征提取模块，构造图像分割模型的编码器；将三个特征提取子网络的输出分别进行通道缩减操作得到低级特征和高级特征，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；使用随机梯度下降优化器对损失函数进行优化训练，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。本发明提高了分割准确率；加快图像分割速度；改善分割结果图细节部分。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于多支路特征融合的图像分割方法及系统，可用于分辨便携设备识别图像上所有像素所属类型，并用于地理信息测量、医学影像分析和自动驾驶等问题。

背景技术

随着技术进步和硬件设备不断更新，日常生活中图像的获取难度越来越低、处理需求变得越来越大，因此对图像的快速地理解和处理就变得十分重要。在图像处理领域，图像分割是与图像分类同样重要的问题，所以图像分割一直是学者们关注的焦点之一。

图像分割是计算机视觉领域一个重要的研究课题，在自动驾驶和医学影像分析等大量实际应用场景中，图像分割处理速度成为了一项影响图像分割工作效率的重要指标。近几年，越来越多图像分割方法被提出，分割处理速度和分割准确率都取得了大幅度上升。随着深度神经网络的提出，大量分割性能优秀的图像分割方法被应用于各种实际场景。然而，现有的大部分图像分割方法的网络参数量和计算成本都十分庞大，无法应用于需要快速处理分割问题的情况。这些方法为了提高图像分割准确率，一般会采用较大的编码器-解码器结构和空洞卷积来提高神经网络对图像中特征提取能力，然而这无疑会带来计算成本的急剧提升。

对于高精度带来的高额计算成本需求，大部分实时图像分割方法采用较小输入图像分辨率或减少神经网络中部分通道的方式来改善该问题。但是减小输入图像的分辨率又会带来分割精度下降，因为低分辨率图像中所包含的信息要远小于通常图像中所包含的信息。而减少神经网络中部分通道会来神经网络对图像特征提取能力的下降，导致提取到的特征不足以支持高精度分割任务，最终也会导致分割精度下降。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于多支路特征融合的图像分割方法及系统，提高图像分割速度，达到实际场景应用的处理速度要求。

本发明采用以下技术方案：

一种基于多支路特征融合的图像分割方法，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。