【技术实现步骤摘要】
一种基于骨架感知的损失函数加权方法及装置
本专利技术涉及图像处理
，特别是指一种基于骨架感知的损失函数加权方法及装置。
技术介绍
在材料和医学显微图像分割任务中，如多晶材料晶粒显微图像或动物神经元显微图像分割任务，需采用二值分割算法提取前景目标区域和背景边界区域，以识别并分离各个前景独立目标区域。目前，通常采用基于深度卷积神经网络的图像分割方法学习图像中的显著特征并对图像中每个像素进行分类，最终实现整体图像的分割，该种方法属于类别不平衡的图像分割问题，即前景目标区域的像素数目远高于背景边界区域的像素数目。该问题会导致深度卷积神经网络在训练过程中被数量较多的类别所主导，难以充分学习小数量类别的特征，当类别数量差别过大时，会严重影响网络的性能。并且前景中各独立目标区域具有相似的外观和复杂多变的形状，引导深度卷积神经网络在学习过程中关注前景目标区域的形状特征有利于降低分割错误率。目前针对该问题，Long等提出了一种类别平衡的加权方法，[LongJ,ShelhamerE,DarrellT,etal.Fullyconvo...
【技术保护点】
1.一种基于骨架感知的损失函数加权方法，其特征在于，包括：/n根据图像的标注图，将图像前景分离成多个独立目标区域；/n提取各独立目标区域和图像背景的骨架，确定各独立目标区域内每个像素点至相应的独立目标区域骨架中最近骨架点的距离、各独立目标区域中每个骨架像素点至相应的独立目标区域边缘的最近距离、背景骨架上每个像素点至背景边缘的最近距离、背景内每个像素点至各独立目标区域边缘的最近距离；/n根据得到的距离，对所述前景中各独立目标区域内及背景中的每个像素点计算其权重值，形成基于骨架感知的权重图；/n将所述权重图与损失函数结合，获得损失值，并根据所述损失值优化基于机器学习方法的图像分割模型的参数。/n
【技术特征摘要】
1.一种基于骨架感知的损失函数加权方法，其特征在于，包括：
根据图像的标注图，将图像前景分离成多个独立目标区域；
提取各独立目标区域和图像背景的骨架，确定各独立目标区域内每个像素点至相应的独立目标区域骨架中最近骨架点的距离、各独立目标区域中每个骨架像素点至相应的独立目标区域边缘的最近距离、背景骨架上每个像素点至背景边缘的最近距离、背景内每个像素点至各独立目标区域边缘的最近距离；
根据得到的距离，对所述前景中各独立目标区域内及背景中的每个像素点计算其权重值，形成基于骨架感知的权重图；
将所述权重图与损失函数结合，获得损失值，并根据所述损失值优化基于机器学习方法的图像分割模型的参数。
2.根据权利要求1所述的基于骨架感知的损失函数加权方法，其特征在于，所述根据图像的标注图，将图像前景分离成多个独立目标区域包括：
根据图像的标注图，采用连通区域方法将图像前景分离成多个独立目标区域。
3.根据权利要求1所述的基于骨架感知的损失函数加权方法，其特征在于，所述前景指像素值为1的各独立目标区域的总称；
所述背景指像素值为0的各独立目标区域之间的边界区域。
4.根据权利要求1所述的基于骨架感知的损失函数加权方法，其特征在于，所述提取各独立目标区域和图像背景的骨架，确定各独立目标区域内每个像素点至相应的独立目标区域骨架中最近骨架点的距离、各独立目标区域中每个骨架像素点至相应的独立目标区域边缘的最近距离、背景骨架上每个像素点至背景边缘的最近距离、背景内每个像素点至各独立目标区域边缘的最近距离包括：
提取所述前景各独立目标区域和图像背景的骨架；
确定所述前景中各独立目标区域内的每个像素点至其相应的独立目标区域骨架中最近骨架点的距离dnsp(x)(x)，其中，x表示像素点，nsp(x)表示像素点x对应的最近骨架点；
确定所述背景中每个像素点至所述前景中所有独立目标区域边缘的最近距离di(x)，其中，i为所述前景中第i个独立目标区域；
针对前景中各独立目标区域和背景的骨架上每个像素点，计算其至相应的独立目标区域边缘和背景边缘的最近距离
5.根据权利要求4所述的基于骨架感知的损失函数加权方法，其特征在于，所述根据得到的距离，对所述前景中各独立目标区域内及背景中的每个像素点计算其权重值，形成基于骨架感知的权重图包括：
确定所述前景中的类别权重背景中的类别权重
根据得到的所述前景中的类别权重针对所述前景中各独立目标区域内的每个像素点，计算其权重值
根据得到的背景中的类别权重针对所述背景中的每个像素点，计算其权重值
根据得到的和形成...
【专利技术属性】
技术研发人员：班晓娟，马博渊，黄海友，王浩，薛维华，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。