一种图像分割方法及存储介质技术

本发明专利技术公开了一种图像分割方法，图像分割方法基于多层递归连接式卷积神经网络的基础上进行，具体包括以下步骤：构建多层递归连接式卷积神经网络；对原始图像进行预处理；利用多层递归连接式卷积神经网络对预处理之后的原始图像进行图像语义分割处理；得到已分割好的图像；其中，所构建的多层递归连接式卷积神经网络由多个重复的递归连接网络单元逐一连接形成。本发明专利技术能有效减轻特征消失和梯度弥散的问题，提高了图像语义分割的精度。

【技术实现步骤摘要】
一种图像分割方法及存储介质
本专利技术涉及卷积神经网络领域，尤其涉及一种图像分割方法及存储介质。
技术介绍
随着卷积神经网络在公开数据集上分类错误率的不断下降，业内技术人员开始关注卷积神经网络在图像像素级的分割的应用，即图像语义分割。图像语义分割是计算机视觉里除了图像分类和目标监测外，另一个非常重要的研究领域。图像语义分割是要对图像中每一个像素点进行分类，相对于图像分类和目标监测来说，图像语义分割的难度更大。目前，基于深度学习的图像语义分割方法，其所采用的卷积神经网络结构通常是将传统的卷积神经网络中的全连接层修改为卷积层，得到全卷积神经网络，从而实现图像语义分割。但是，现有的用于图像语义分割的全卷积神经网络都存在特征在正向传播中的消失以及梯度在反向传播中的弥散的问题，从而导致图像语义分割的精度较差。
技术实现思路
为了克服现有技术的不足，本专利技术的目的之一在于提供一种基于多层递归连接式卷积神经网络的图像分割方法，其能有效减轻特征消失和梯度弥散的问题，提高了图像语义分割的精度。本专利技术的目的之二在于提供一种计算机可读存储介质，其能有效减轻特征消失和梯度弥散的问题，提高了图像语义分割的精度。本专利技术的目的之一采用如下技术方案实现：一种图像分割方法，该图像分割方法基于多层递归连接式卷积神经网络的基础上进行，具体包括以下步骤：构建多层递归连接式卷积神经网络；对原始图像进行预处理；利用所述多层递归连接式卷积神经网络对预处理之后的所述原始图像进行图像语义分割处理；得到已分割好的图像；其中，所构建的多层递归连接式卷积神经网络由多个重复的递归连接网络单元逐一连接形成。进一步地，所述递归连接网络单元包含收缩模块和扩张模块；所述收缩模块由多个递归连接块逐一递进连接而构成；所述扩张模块由多个重复的反卷积层组成，所述收缩模块中的最后一个递归连接块与所述扩张模块中的第一个反卷积层连接，每一个反卷积层的输出结果与所述收缩模块中对应步骤的递归连接块的经过残差块之后的输出结果进行叠加之后再输入到下一个反卷积层中，最后一个反卷积层的输出端为该递归连接单元的输出端。进一步地，所述收缩模块具有四个所述递归连接块，所述扩张模块具有四个所述反卷积层。进一步地，所述递归连接块具有第一通道和第二通道，所述第一通道由多个卷积层和最大池化层组成，各个卷积层逐一递进连接且每个卷积层的输入为位于该卷积层前面的所有卷积层的输出结果的叠加，最后一个卷积层的输出端连接至所述最大池化层；所述第二通道由下采样层和多个卷积层组成，所述下采样层的输出端连接至第一个卷积层的输入端，各个卷积层逐一递进连接且每个卷积层的输入为位于该卷积层前面的所有卷积层的输出结果的叠加，所述第一通道的输出结果与所述第二通道的输出结果进行叠加后输出；其中，卷积层包括二维卷积、批量正则化和修正线性单元三个连续操作。进一步地，所述第一通道和所述第二通道均含有四个卷积层。本专利技术的目的之二采用如下技术方案实现：一种计算机可读存储介质，所述计算机可读存储介质存储有可执行计算机程序，所述计算机程序运行时实现上述的基于多层递归连接式卷积神经网络的图像分割方法。相比现有技术，本专利技术的有益效果在于：构建多层递归连接式卷积神经网络模型，采用多个重复递归连接网络单元的反复学习，提高对图像像素点的分类的准确性，以达到更高精度的图像分割效果；而且，递归连接单元中引入了残差块，递归连接块的输出经过残差块的处理之后的输出结果再与对应的反卷积层的输出结果进行叠加，通过这种方式增强特征的复用从而进一步提高图像分割精度；此外，递归连接块采取迭代连接的方式，进一步增强特征的复用，减轻梯度弥散。采用该多层递归连接式卷积神经网络进行图像语义分割时，平均精度可达92％，优于传统的U-Net网络和DenseNet网络。附图说明图1为本专利技术提供的一种基于多层递归连接式卷积神经网络的图像分割方法的流程图；图2为本专利技术提供的一种多层递归连接式卷积神经网络的结构图；图3为本专利技术提供的一种递归连接网络单元的结构图；图4为本专利技术提供的一种递归连接块的结构图；图5为本专利技术提供的多层递归连接式卷积神经网络与其他卷积神经网络的图像分割效果对比图。具体实施方式下面，结合附图以及具体实施方式，对本专利技术做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。请参阅图1至图4，一种基于多层递归连接式卷积神经网络的图像分割方法，图像分割方法具体包括以下步骤：S1、构建多层递归连接式卷积神经网络；S2、对原始图像进行预处理；S3、利用多层递归连接式卷积神经网络对预处理之后的原始图像进行图像语义分割处理；S4、得到已分割好的图像；其中，步骤S1中所构建的多层递归连接式卷积神经网络由多个重复的递归连接网络单元(RecursiveConnectedNetwork，简写为RCN)逐一连接构成。作为一种优选的实施方式，所述递归连接网络单元包含收缩模块和扩张模块；所述收缩模块由多个递归连接块(RecursiveConnectedBlock，简写为RCB)逐一递进连接而构成；所述扩张模块由多个重复的反卷积层组成，所述收缩模块中的最后一个递归连接块与所述扩张模块中的第一个反卷积层连接，每一个反卷积层的输出结果与所述收缩模块中对应步骤的递归连接块的经过残差块之后的输出结果进行叠加(叠加指“Concatenation”操作)之后再输入到下一个反卷积层中，最后一个反卷积层的输出端为该递归连接单元的输出端。使用上述的多层递归连接式卷积神经网络进行图像语义分割，输入原始图像，原始图像经过该多层递归连接式卷积神经网络的深度学习之后，即可将原始图像中的所有像素点进行分类，标注出图像中每一个像素点的语义类别信息，进而实现对图像的语义分割操作。作为一种优选的实施方式，收缩模块具有四个递归连接块，扩张模块具有四个反卷积层。作为一种优选的实施方式，递归连接块具有第一通道和第二通道，第一通道由多个卷积层和最大池化层组成，各个卷积层逐一递进连接且每个卷积层的输入为位于该卷积层前面的所有卷积层的输出结果的叠加，最后一个卷积层的输出端连接至最大池化层；第二通道由下采样层和多个卷积层组成，下采样层的输出端连接至第一个卷积层的输入端，各个卷积层逐一递进连接且每个卷积层的输入为位于该卷积层前面的所有卷积层的输出结果的叠加，第一通道的输出结果与第二通道的输出结果进行叠加后输出；其中，卷积层包括二维卷积(Convolution)、批量正则化(BatchNormalization)和修正线性单元(ReLU)三个连续操作。作为一种优选的实施方式，第一通道和所述第二通道均含有四个卷积层。本专利技术的多层递归连接式卷积神经网络采用多个重复递归连接网络单元的反复学习，提高对图像像素点的分类的准确性，以达到更高精度的图像分割效果；而且，递归连接单元中引入了残差块，递归连接块的输出经过残差块的处理之后的输出结果再与对应的反卷积层的输出结果进行叠加，通过这种方式增强特征的复用从而进一步提高图像分割精度；此外，递归连接块采取迭代连接的方式，进一步增强特征的复用，减轻梯度弥散。采用该多层递归连接式卷积神经网络进行图像语义分割时，平均精度AP(AveragePrecision，平均精度为领本文档来自技高网...

【技术保护点】
1.一种图像分割方法，其特征在于，所述图像分割方法基于多层递归连接式卷积神经网络的基础上进行，具体包括以下步骤：构建多层递归连接式卷积神经网络；对原始图像进行预处理；利用所述多层递归连接式卷积神经网络对预处理之后的所述原始图像进行图像语义分割处理；得到已分割好的图像；其中，所构建的多层递归连接式卷积神经网络由多个重复的递归连接网络单元逐一连接形成。

【技术特征摘要】
1.一种图像分割方法，其特征在于，所述图像分割方法基于多层递归连接式卷积神经网络的基础上进行，具体包括以下步骤：构建多层递归连接式卷积神经网络；对原始图像进行预处理；利用所述多层递归连接式卷积神经网络对预处理之后的所述原始图像进行图像语义分割处理；得到已分割好的图像；其中，所构建的多层递归连接式卷积神经网络由多个重复的递归连接网络单元逐一连接形成。2.如权利要求1所述的图像分割方法，其特征在于，所述递归连接网络单元包含收缩模块和扩张模块；所述收缩模块由多个递归连接块逐一递进连接而构成；所述扩张模块由多个重复的反卷积层组成，所述收缩模块中的最后一个递归连接块与所述扩张模块中的第一个反卷积层连接，每一个反卷积层的输出结果与所述收缩模块中对应步骤的递归连接块的经过残差块之后的输出结果进行叠加之后再输入到下一个反卷积层中，最后一个反卷积层的输出端为该递归连接单元的输出端。3.如权利要求2所述的图像分割方法，其特征在于，所述收缩模块具有四个所述递归连接...

【专利技术属性】
技术研发人员：林永飞，谭峻东，
申请(专利权)人：广州多维魔镜高新科技有限公司，
类型：发明
国别省市：广东,44