[发明专利]基于深度学习和引导滤波的装配体图像分割方法及设备

权利要求书

1.基于深度学习和引导滤波的装配体图像分割方法，其特征在于，包括如下步骤：

S1、建立包括若干个装配体图像的数据集；

S2、构建语义分割模型，所述语义分割模型包括特征提取模块、特征融合模块和滤波模块；所述滤波模块包括依次连接的第一卷积层、激活层、第二卷积层和引导滤波器；

S3、利用所述数据集迭代训练所述语义分割模型；

S4、将待分割装配体图像输入至训练好的语义分割模型，得到分割结果：

特征提取模块对待分割装配体图像进行若干次卷积操作、若干次非线性转换和若干次最大池化操作，得到若干个不同尺度的第一特征图；

特征融合模块分别对若干个所述第一特征图进行上采样操作，得到若干个尺度相同的第二特征图；对若干个所述第一特征图进行通道融合，得到第三特征图；对所述若干个第二特征图和第三特征图进行通道融合，得到多尺度特征图；对多尺度特征图进行像素级分类，得到第一分割图；

获取引导图像；滤波模块通过所述第一卷积层、激活层和第二卷积层，对所述引导图像进行优化；滤波模块根据优化后的引导图像，对第一分割图进行线性滤波，得到第二分割图；滤波模块根据引导图像，对所述第一分割图进行线性滤波，得到第二分割图；将第二分割图作为分割结果输出。

2.根据权利要求1所述的基于深度学习和引导滤波的装配体图像分割方法，其特征在于，所述获取引导图像，具体为：

获取所述待分割装配体图像对应的边界图像；对所述待分割装配体图像和边界图像进行通道融合，得到引导图像。

3.根据权利要求1所述的基于深度学习和引导滤波的装配体图像分割方法，其特征在于，所述对若干个第一特征图进行通道融合，得到第三特征图，具体为：

在若干个所述第一特征图中选取n个第一特征图；

对第1个第一特征图进行上采样操作，再将其与第2个第一特征图进行通道融合、卷积操作和非线性转换得到第一结果；

对第i结果(i＝1、2、3、4……n-1)进行上采样操作，再将其与第i+2个第一特征图进行通道融合、卷积操作和非线性转换得到第i+1结果；循环该步骤直至i＝n-1，得到第n-1结果即为第三特征图。

4.基于深度学习和引导滤波的装配体图像分割设备，包括存储器和处理器，所述存储器存储有指令，其特征在于，所述指令适于由处理器加载并执行如下步骤：

S1、建立包括若干个装配体图像的数据集；

S2、构建语义分割模型，所述语义分割模型包括特征提取模块、特征融合模块和滤波模块；所述滤波模块包括依次连接的第一卷积层、激活层、第二卷积层和引导滤波器；

S3、利用数据集迭代训练所述语义分割模型；

S4、将待分割装配体图像输入至训练好的语义分割模型，得到分割结果：

特征提取模块对待分割装配体图像进行若干次卷积操作、若干次非线性转换和若干次最大池化操作，得到若干个不同尺度的第一特征图；

特征融合模块分别对若干个所述第一特征图进行上采样操作，得到若干个尺度相同的第二特征图；对若干个所述第一特征图进行通道融合，得到第三特征图；对所述若干个第二特征图和第三特征图进行通道融合，得到多尺度特征图；对多尺度特征图进行像素级分类，得到第一分割图；

获取引导图像；滤波模块通过所述第一卷积层、激活层和第二卷积层，对所述引导图像进行优化；滤波模块根据优化后的引导图像，对第一分割图进行线性滤波，得到第二分割图；滤波模块根据引导图像，对第一分割图I进行线性滤波，得到第二分割图；将第二分割图作为分割结果输出。