一种基于宽激活卷积神经网络的改进图像分割方法技术

本发明专利技术公开了一种基于宽激活卷积神经网络的改进图像分割方法。本发明专利技术先构建宽激活残差模块和多尺度特征融合模块；将所述的宽激活残差模块和多尺度特征融合模块嵌入到原始卷积神经网络，构建基于宽激活的改进卷积神经网络；对构建的所述基于宽激活的改进卷积神经网络进行训练，得到所需分割网络；本发明专利技术方法结合宽激活残差模块和多尺度特征融合模块，与传统卷积神经网络相比，具有更少的训练时间和更高的分割精度，缓解图像分割不足和误分割问题。

An improved image segmentation method based on wide activation convolution neural network

【技术实现步骤摘要】
一种基于宽激活卷积神经网络的改进图像分割方法
本专利技术涉及一种图像分割方法，尤其涉及一种基于宽激活卷积神经网络的改进图像分割方法，并且应用在了医学领域的彩色眼底视网膜血管分割中。
技术介绍
图像分割方法可分为监督学习的方法和无监督学习的方法。无监督学习的方法往往分割准确率较低，算法性能在不同数据库上有很大的差异。监督学习方法通常先进行特征提取，再训练分类器，其分割准确率也普遍高于无监督学习方法，因此有必要基于监督学习继续研究提高图像分割准确率的方法。作为监督学习的一种，卷积神经网络(CNNs)在图像分割中得到广泛关注，但传统的CNN还存在诸多问题，首先，基于CNN的分割算法往往对硬件要求较高，巨大的参数量导致计算开销增大，同时使得网络训练时间变长；其次，传统卷积操作的感受野较小，对上下文信息的理解不够充分，误分割的概率增大；最后，大多数分割网络通常使用批正则化(BN)，过于依赖mini-batch。为解决传统CNN存在的所述技术问题，可以通过拓宽激活前的通道(2-4倍)，使更多的信息被传递到后面的网络层，同时细化恒等映射路径，减少网络参数；其次，相比于普通卷积，可以叠加使用空洞率成倍增长的空洞卷积增大感受野，保留多尺度信息，减少误分割；最后将神经网络中权值向量再参数化，消除网络对mini-batch中样本的依赖性，而且提高了训练和测试的准确率。
技术实现思路
本专利技术的目的一是降低图像分割中CNN对硬件系统的要求，减少网络参数，缩短训练时间；二是利用空洞卷积获取多尺度信息降低图像分割错误率。按照本专利技术提供的技术方案，提出了一种基于宽激活卷积神经网络的改进图像分割方法，包括以下步骤：步骤1、对彩色图像进行预处理，确定测试集和训练集，并将图像划分为图像块作为输入；步骤2、构建宽激活残差模块；步骤3、构建多尺度特征融合模块；步骤4、将所述的宽激活残差模块和多尺度特征融合模块嵌入到原始卷积神经网络，构建基于宽激活的改进卷积神经网络；步骤5、对构建的所述基于宽激活的改进卷积神经网络进行训练，得到所需分割网络。步骤6、将测试集输入步骤5得到的分割网络，得到分割后的图像。所述的步骤2中，所述宽激活残差模块包括残差分支中依次连接的第一卷积层，ReLU激活层、第二卷积层和捷径分支的恒等映射层，其中，(1)所述第一卷积层的特征通道数C1是输入特征通道的2-4倍，即：C1＝r×Cin(1)其中，r为引入激活前的扩大因子，Cin是输入特征通道数。(2)所述ReLU激活层的数学表达式为：f(x)＝max(0,x)(2)其中，x是第一卷积层的输出。(3)所述第二卷积层特征通道数C2与输入特征通道数相同，即C2＝Cin。(4)所述恒等映射层特征通道数是Cin，根据具体情况可以加一个1×1的卷积层匹配通道数所述的步骤3中，多尺度特征融合模块包括m个由空洞卷积层、权重正则化层和ReLU激活层组成的复合层，其中，(1)所述空洞卷积层的空洞率为2i，i＝0,1,...,m-1(2)所述权重正则化层，假设输出y具有以下形式:y＝w·x+b(3)其中，w是k维权值向量，b是偏差项,x是k维输入特征向量，代指输入的图像块。权重正则化WN以新的参数对权值向量重参数化，使用公式：其中，v是k维向量，g是一个标量，||v||表示v的欧几里德范数。(3)所述m个复合层按公式(5)进行融合：其中，di＝2i表示空洞率，Hl+i(·)表示第l+i层空洞卷积操作，其中Wn(·)表示权重正则化，f(·)表示ReLU激活,yout为m个复合层的输出。所述的步骤4中，构建基于宽激活的改进卷积神经网络步骤包括：步骤4-1：网络起始搭建一个BN层作为输入；步骤4-2：将宽激活残差模块的输出端连接一个最大池化层组成一个块；步骤4-3：连续使用n个步骤4-2所述块，将最终的输出端和多尺度特征融合模块输入端连接；步骤4-4：进行上采样和不带ReLU的卷积，输入相应宽激活残差块；重复执行4-4步骤n次；步骤4-5：将步骤4-3和4-4中特征图大小相同的宽激活残差块合并；步骤4-6：将步骤4-1的输出经过一个全局恒等映射送入1×1×2的卷积层和softmax层。所述的步骤5中，对构建的所述基于宽激活的改进卷积神经网络进行训练步骤包括：步骤5-1：将所选训练集送入基于宽激活的改进卷积神经网络进行训练，训练策略中使用联合损失函数，用于解决样本不平衡问题，其定义为：其中，表示交叉熵，其公式为：而代表基于dice系数的损失函数，定义为：其中：i为分类个数，y为真实数据，为预测数据，k是平滑值，设置为1，以对函数进行修正。损失函数越小，模型的鲁棒性越好。本专利技术与现有技术相比，有益效果如下：利用宽激活残差模块，细化恒等映射路径，减轻整体网络参数，减少计算开销和训练时间；使用多尺度特征融合模块学习融合多尺度特征，比普通卷积保留多尺度的血管信息，缓解图像分割不足和误分割问题。与传统卷积神经网络相比，本专利技术方法具有更少的训练时间和更高的分割精度。附图说明图1为本专利技术的流程图；图2为宽激活残差的结构图(a)和细节图(b)；图3为多尺度特征融合模块示意图；图4(a)为原始神经网络结构示意图图4(b)为基于宽激活的改进卷积神经网络结构图图5为不同网络在视网膜血管图像的分割效果对比图。具体实施方式：下面结合具体实施例对本专利技术作进一步说明。以下描述仅作为示范和解释，并不对本专利技术作任何形式上的限制。如图1所示，本专利技术的实施例实现步骤如下：步骤1、构建宽激活残差模块；具体地，如图2所示，所述宽激活残差模块包括残差分支中依次连接的第一卷积层，ReLU激活层、第二卷积层和捷径分支的恒等映射层，其中，(1)所述第一卷积层的特征通道数C1是输入特征通道的4倍，即：C1＝r×Cin(1)其中，r为引入激活前的扩大因子，取r＝4，Cin是输入特征通道数。(2)所述ReLU激活层的数学表达式为：f(x)＝max(0,x)(2)其中，x是第一卷积层的输出。(3)所述第二卷积层特征通道数C2与输入特征通道数相同，即C2＝Cin。(4)所述恒等映射层特征通道数是Cin，本实施例使用一个1×1的卷积层匹配通道数。步骤2、构建多尺度特征融合模块；具体地，如图3所示，多尺度特征融合模块包括4个由空洞卷积层、权重正则化层和ReLU激活层组成的复合层，其中，(1)所述空洞卷积层的空洞率为2i，i＝0,1,2,3(2)所述权重正则化层，假设输出y具有以下形式:y＝w·x+b(3)其中，w是k维权值向本文档来自技高网...

【技术保护点】
1.一种基于宽激活卷积神经网络的改进图像分割方法，其特征在于包括如下步骤：/n步骤1、对彩色图像进行预处理，确定测试集和训练集，并将图像划分为图像块作为输入；/n步骤2、构建宽激活残差模块；/n步骤3、构建多尺度特征融合模块；/n所述的多尺度特征融合模块包括m个由空洞卷积层、权重正则化层和ReLU激活层组成的复合层，其中，/n(1)所述空洞卷积层的空洞率为2

【技术特征摘要】
1.一种基于宽激活卷积神经网络的改进图像分割方法，其特征在于包括如下步骤：
步骤1、对彩色图像进行预处理，确定测试集和训练集，并将图像划分为图像块作为输入；
步骤2、构建宽激活残差模块；
步骤3、构建多尺度特征融合模块；
所述的多尺度特征融合模块包括m个由空洞卷积层、权重正则化层和ReLU激活层组成的复合层，其中，
(1)所述空洞卷积层的空洞率为2i，i＝0,1,...,m-1
(2)所述权重正则化层，假设输出y具有以下形式:
y＝w·x+b(1)
其中，w是k维权值向量，b是偏差项,x是k维输入特征向量，代指输入的图像块；权重正则化WN以新的参数对权值向量重参数化，使用公式：



其中，v是k维向量，g是一个标量，||v||表示v的欧几里德范数；
(3)所述m个复合层按公式(3)进行融合：



其中，di＝2i表示空洞率，Hl+i(·)表示第l+i层空洞卷积操作，其中Wn(·)表示权重正则化，f(·)表示ReLU激活,yout为m个复合层的输出；
步骤4、将所述的宽激活残差模块和多尺度特征融合模块嵌入到原始卷积神经网络，构建基于宽激活的改进卷积神经网络；
步骤5、对构建的所述基于宽激活的改进卷积神经网络进行训练，得到所需分割网络；
步骤6、将测试集输入步骤5得到的分割网络，得到分割后的图像。


2...

【专利技术属性】
技术研发人员：李雪，马玉良，段晓鹏，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33