申请/专利权人：南通大学

申请日：2020-05-22

公开（公告）日：2024-03-22

公开（公告）号：CN111738295B

主分类号：G06V10/26

分类号：G06V10/26;G06V10/82;G06V10/77;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2020.10.30#实质审查的生效;2020.10.02#公开

摘要：本发明提供一种图像的分割方法及存储介质，所述图像的分割方法包括获取步骤、训练步骤、优化步骤以及测试步骤。本发明通过使用特征区域的边缘来表示目标，即先得到目标的边缘图像，将目标的边缘图像映射到新的距离空间，在该距离空间中用零距离表示目标区域的边缘，然后在新的距离空间中计算全局损失函数，并在深度学习模型框架下，进行不断的迭代使损失函数的值最小，直至模型收敛。可以提高分割结果的鲁棒性，提升算法的分割性能。

主权项：1.一种图像的分割方法，其特征在于，包括：获取步骤，获取图片样本以及训练标签，所述训练标签为所述图片样本的二值化图像，所述二值化图像具有第一区域以及第二区域，所述第一区域与所述第二区域的灰度值不同，所述第一区域为标签区域，并将所述图片样本随机划分为训练样本集以及测试样本集；训练步骤，输入训练样本以及相应的训练标签至深度学习网络进行训练，并通过深度学习网络的前向传播得到分割图像；所述深度学习网络包括全卷积网络；所述深度学习网络还包括一ResNet网络，用以接受全卷积网络的输出，并和输入拼接后经过卷积再次输入至所述全卷积网络用于进一步训练深度学习网络；其中，输出按照a％的概率和输入拼接，并输入到所述全卷积网络中；所述ResNet网络包括至少两个卷积模块，且每个卷积模块的激活函数为Relu函数；优化步骤，将所述分割图像和对应的标签图像映射到距离空间，分别得到第一距离图像和第二距离图像，并计算第一距离图像和第二距离图像的差异，在所述深度学习网络中向后传播并调整所述深度学习网络的每一层权重，用以使所述差异最小，一直到迭代次数达到上限值；其中，所述第一距离图像上每个像素的值为所述分割图像上每个像素点到特征区域边界的最近距离，所述第二距离图像上每个像素的值为所述标签图像上每个点到标签区域边界的最近距离；图像分割步骤，加载应用程序，采集一个图像，并输入至已经训练好的分割模型中，最后输出分割结果；所述优化步骤具体包括：第一图像腐蚀步骤，对分割图像S进行腐蚀运算，得到一第一腐蚀图像DS，所述特征区域包含于所述第一腐蚀图像DS；图像差分步骤，通过对分割图像和对应的腐蚀图像差分得到所述特征区域的边缘图像BS,其中，BS＝S-DS；第一距离计算步骤，计算第一距离图像中的每个像素点的值SDi，计算公式为SDi＝fDpi,BS,i＝1,…,n，其中，代表两个像素点间的欧式距离，pi分别表示分割图像S上的第i个像素点，Bs为所述特征区域边缘像素点的集合，函数f在[0，∞]的区间上是一个单调上升函数；第二图像腐蚀步骤，对所述训练样本对应的训练标签图像G进行腐蚀运算，得到一第二腐蚀图像DG，所述特征区域包含于所述第二腐蚀图像DG；标签差分步骤，通过对训练标签差分得到所述标签区域的边缘图像BG,其中，BG＝G-DG；第二距离计算步骤，计算第二距离图像中的每个像素点的值GDi，计算公式为GDi＝fDqi，BG，i＝1，...，n，其中，dq，b代表两个像素点间的欧式距离，qi分别表示训练标签图像G上的第i个像素点，BG为所述标签区域边缘像素点的集合；函数f在[0，∞的区间上是一个单调上升函数；损失函数计算步骤，计算第一距离图像和第二距离图像的图像距离作为损失函数的值L；更新步骤，向后传播并调整所述深度学习网络每一层的权重，用以使所述图像距离最小；测试步骤，输入测试样本至训练好的深度学习网络模型，通过所述深度学习网络模型的前向传播得到测试样本的分割图像，所述测试样本的分割图像包括至少一个特征区域。

全文数据：

权利要求：

百度查询： 南通大学 图像的分割方法及存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD