一种基于尺度和边缘信息的小目标图像分割方法技术

一种基于尺度和边缘信息的小目标图像分割方法涉及计算机视觉及图像处理技术领域。本发明专利技术是基于编码器解码器结构的分割模型进行改进，编码器解码器结构可以利用图像的尺度信息，在此基础上增加了一个边缘编码模块，该模块以编码器部分卷积块的最后一层卷积层为输入，由注意力模块和门控模块交替连接构成。注意力模块通过引入全局注意力增大图像的感受野，使其不至于忽略小目标区域的边缘信息；门控模块对输入图像标签的梯度图进行加权，增加了边缘的宽度，减少了边缘在计算过程中的损失。将边缘编码模块的输出与上采样后的特征图逐层点乘进行融合，通过softmax逐像素分类得到最终结果。该方法使得包含小目标区域的图像实现更精确的分割。

【技术实现步骤摘要】
一种基于尺度和边缘信息的小目标图像分割方法
本专利技术涉及计算机视觉及图像处理
，具体是通过利用图像的尺度和边缘信息实现对小目标图像更为精确的分割。
技术介绍
语义分割是计算机视觉中的基本任务，对图像进行逐像素的分类，通过不同的颜色表示不同的类别，同一个类别的像素被分为一类。语义分割在自动驾驶，3D重建，图像生成，医学检测等领域有很多的研究，随着深度学习的发展，卷积神经网络可以提供比传统分类算法更强大的分类器并且能够自学习得到深层特征，有效的提高了图像语义分割的准确性。虽然语义分割的准确性较以前已经有了很大的提高，但是依然存在一些问题，小目标图像的语义分割便是其中之一。小目标图像的语义分割一直是语义分割中的难点，小目标在图像中所占的面积往往很小，携带的信息量较少，而有时又往往很重要，需要分割这些部分。同时由于图像可能存在分辨率低，图像模糊等原因，导致特征表达能力弱，即在特征提取的过程中，能提取到的特征非常少，这些因素都不利于对小目标的分割。全卷积神经网络(FullyConvolutionalNetworks，FCN)将卷积本文档来自技高网...

【技术保护点】
1.一种基于尺度和边缘信息的小目标图像分割方法，其特征在于，包括以下步骤：/nS1、对待分割的包含小目标的图像进行预处理，得到训练集、验证集和测试集数据；/nS2、构建基于尺度和边缘信息的小目标图像分割模型，包括编码器部分、边缘编码模块和解码器部分，其中，编码器部分通过多层的卷积池化利用图像的尺度信息，边缘编码模块通过全局注意力和增加图像边缘的权重提取图像的边缘信息，解码器部分对编码器和边缘编码模块的输出进行融合，并通过上采样恢复图像尺寸，通过softmax逐像素预测图像分割后的掩膜；/nS3、将训练集和验证集数据输入上述分割模型进行训练，得到学习后的语义分割模型；/nS4、将测试集数据输入步...

【技术特征摘要】
1.一种基于尺度和边缘信息的小目标图像分割方法，其特征在于，包括以下步骤：
S1、对待分割的包含小目标的图像进行预处理，得到训练集、验证集和测试集数据；
S2、构建基于尺度和边缘信息的小目标图像分割模型，包括编码器部分、边缘编码模块和解码器部分，其中，编码器部分通过多层的卷积池化利用图像的尺度信息，边缘编码模块通过全局注意力和增加图像边缘的权重提取图像的边缘信息，解码器部分对编码器和边缘编码模块的输出进行融合，并通过上采样恢复图像尺寸，通过softmax逐像素预测图像分割后的掩膜；
S3、将训练集和验证集数据输入上述分割模型进行训练，得到学习后的语义分割模型；
S4、将测试集数据输入步骤S3所得学习后的语义分割模型，进行图像分割，得到分割后的图像。


2.如权利要求1所述的基于尺度和边缘信息的小目标图像分割方法，其特征在于：步骤S2中，编码器部分包含五个卷积块，分别为block1、block2、block3、block4和block5，选取block1、block3和block4的最后一层卷积层作为边缘编码模块的输入，通过1×1卷积将三个多维特征图降维成一维。


3.如权利要求1所述的基于尺度和边缘信息的小目标图像分割方法，其特征在于：步骤S2中，边缘编码模块包含注意力模块和门控模块两个部分，注意力模块通过全局注意力生成注意力图，对于前后相邻的两个特征图St和St+1，St中任一像素点位置表示为mi，St+1中任一像素点位置表示为nj，则对于St+1中任一像素点，计算其与St中像素点的相似关系为
fj(mi...

【专利技术属性】
技术研发人员：李建强，刘冠杰，谢海华，徐宏民，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11