[发明专利]一种基于残差膨胀空间金字塔网络算法的图像分割方法

说明书

本发明公开了一种基于残差膨胀空间金字塔网络算法的图像分割方法，涉及图像分割技术领域，具体步骤为：获取待处理图像；对待处理的图像进行特征提取，获得原始特征图；将原始特征图输入残差空洞空间金字塔模型中，提取全局特征图；将全局特征图与原始特征图聚合，获得特征映射图；对特征映射图进行分割处理；利用注意力模块和条件随机场对分割后的特征映射图做精细化处理；本申请利用不同采样速率的空洞卷积，提取通用特征不同尺度上的信息，同时采用残差块来进一步的提取更高维度的图像信息的同时，避免出现梯度爆炸或者梯度消失；使得得到的特征包含了不同尺度的图像信息以及更深层次的语义信息，便于对图像区域边界进行更为精细的分割。

技术领域

本发明涉及图像分割技术领域，更具体的说是涉及一种基于残差膨胀空间金字塔网络算法的图像分割方法。

背景技术

图像分割是图像分析的第一步，传统的图像分割方法主要有阈值分割法、边缘检测法、区域分割法和直方图法。随着深度学习的不断兴起发展，越来越多的基于深度学习的分割方法被提了出来，虽然这些分割方法取得一定的进展，但是他们只能使用边界框来标注检测到的形状，并不能有效的确定息肉的边界轮廓。如在医学领域中的息肉切除手术中，会导致医生不能准确的切除掉息肉组织。为了解决这个问题，提出来一种基于预训练模型的FCN网络来识别和分割息肉。后来Akbari等人又提出一种基于FCN的改进网络来进一步的提高息肉分割的准确性。自从2015年U-Net网络被提出来之后，其就被广泛的应用于医学图像分割领域。许多新的卷积神经网络设计方法仍然沿用了U-Net的核心设计思想，增加新的模块或者是融入其他的设计概念来提升其在医学图像分割上的表现性能。U-Net++和ResUNet++在息肉分割任务中取得了良好的效果，这些方法侧重于对息肉的整体轮廓进行分割，但是忽略了息肉区域边界的约束，导致息肉分割的边缘并不是很精细。因此研发一种能够精确的确定图像区域边界的方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于残差膨胀空间金字塔网络算法的图像分割方法，克服了上述缺点。

为了实现上述目的，本发明提供如下技术方案：

一种基于残差膨胀空间金字塔网络算法的图像分割方法，具体步骤为：

获取待处理图像；

对待处理的图像进行特征提取，获得原始特征图；

将原始特征图输入残差空洞空间金字塔模型中，提取全局特征图；

将全局特征图与原始特征图聚合，获得特征映射图；

对特征映射图进行分割处理；

利用注意力模块和条件随机场对分割后的特征映射图做精细化处理。

可选的，原始特征图由基于ResNet50的主干网中提取固定分辨率的通用特征构成。

可选的，残差空洞空间金字塔模型包括全局特征提取模块和语义信息提取模块；全局特征提取模块与语义信息提取模块采用并行结构，全局特征提取模块用于在原始特征图中提取多尺度的图像信息；语义信息提取模块基于原始特征图提取深层次的语义信息。

可选的，全局特征提取模块包括多组不同采样速率的空洞卷积层；采样速率按倍数递增。

可选的，语义信息提取模块包括挤压激励层、空洞卷积层、批归一化以及Relu激活函数；挤压激励层与空洞卷积层连接；空洞卷积层与归一化以及Relu激活函数交错叠加。

可选的，语义信息提取模块采用残差结构，通过跳跃连接与输出端连接。

可选的，全局特征图包括全局特征信息和深层语义信息。