[发明专利]一种轻量化多路径网状图像分割方法、系统和电子设备

说明书

本发明公开了一种轻量化多路径网状图像分割方法、系统和电子设备。其中轻量化多路径网状图像分割方法包括训练阶段和推理阶段，训练阶段分割模型的构建如下所示：首先将处理后的数据送入多路径编码器，使用轻量化多路径特征挖掘单元进行特征挖掘，然后进行下采样操作，该系列操作重复进行多次；然后，将数据送入多路径解码器，对数据进行上采样操作，上采样后的数据送入轻量化多路径特征挖掘单元进行特征挖掘，该系列操作重复进行多次；接着，将多个轻量化多路径特征挖掘单元的输出数据送入特征阶梯单元，输出分割结果；最后，使用软剪枝操作对网络模型进行剪枝操作，进一步降低模型所需的计算和存储资源。实验证明与传统的深度学习模型相比，本发明提出的方法优于传统方法，分割精度有明显提升且需要的计算和存储资源要远远少于传统深度学习模型。

技术领域

本发明涉及图像处理领域，特别涉及一种轻量化多路径网状图像分割方法、系统和电子设备。

背景技术

随着计算机技术的进步，以及数据量的上升，计算机视觉技术得到了快速的发展。在计算机视觉技术中，最重要的一个基本问题就是对图像进行语义分割，其实质是对图像的每个像素点进行分类。图像语义分割方法分为传统的图像分割方法和基于深度学习的分割方法。

传统的分割方法主要包括区域生长法、模糊C均值聚类方法、主动轮廓模型分割方法、水平集方法、分水岭算法、基于图谱匹配的分割方法、多谱磁共振影像分割方法和基于异常检测的分割方法等。但是，这些传统的分割方法还需要人为干预，并没有实现完全的自动分割，鲁棒性较差，分割结果仍然存在较大的误差。

基于深度学习的分割方法克服了传统分割方法的缺点，不需要人为干预，可以实现全自动分割，鲁棒性较好，并且在分割精度上也获得了极大的提升，其主要包括VGG、FCN和U-Net等分割模型。

深度学习中的卷积神经网络依靠卷积操作来提取特征，具有不同卷积核的卷积操作提取的特征也会有所区别，具有小卷积核的卷积操作能够拥有的感受野较小，更加注重图像的局部信息，具有大卷积核的卷积操作拥有的感受野更大，更加注重图像的全局信息，若能同时使用具有不同卷积核的卷积操作提取特征，则无疑会使提取的特征更加丰富，此外，若能使分割网络自动选择具有不同卷积核的组合卷积操作，则网络提取的特征无疑会更加适合要完成的任务。

虽然基于深度学习的分割方法分割精度取得了极大提升，但是仍然存在模型的尺寸过大，在执行分割任务的时候会消耗大量资源等问题，如果能够设计出一种轻量化的分割网络模型，且该模型能够自动选择具有不同卷积核的组合卷积操作来进行特征提取，无疑会减少深度学习分割方法所需要的计算和存储资源，同时能够提升深度学习分割方法的性能。

发明内容

深度学习分割方法在执行分割任务的时候会消耗大量的资源，且严重依赖深度神经网络提取的图像特征，如果能够设计一种轻量化的深度神经网络，并且网络能够自动选择具有不同卷积核的组合卷积操作来进行特征提取，那么无疑会减少深度学习分割方法所需要的计算和存储资源，同时能够提升深度学习分割方法的性能。针对这一问题，本发明提出了一种轻量化多路径网状图像分割方法、系统和电子设备。

本发明采用的技术方案如下所示：

一种轻量化多路径网状图像分割方法，能够减少深度学习分割方法所需要的计算和存储资源，同时能够使用自动化的组合卷积操作提升深度学习分割方法的性能，所述方法包括训练阶段和推理阶段：

(一)训练阶段包括：

(1)图像预处理：对图像进行归一化处理，将多模态数据拼接成多通道数据，对数据进行清洗，去除无效数据，同时为了强化训练效果，对数据集使用旋转方法进行了数据增强；

(2)构建分割模型，具体步骤包括：