【技术实现步骤摘要】
一种基于卷积神经网络的纺织材料CT图像分割方法和装置
本申请涉及图像分割
，尤其涉及一种基于卷积神经网络的纺织材料CT图像分割方法和装置。
技术介绍
图像处理是分析工业CT图像的重要步骤，可以使得图像更加直观、清晰，有助于提高检测效率和准确率。图像分割是图像处理的重要环节，CT图像的分割主要涉及3个相关问题：变化的噪声、像素灰度分类的不确定性以及灰度的非均衡性。纺织材料CT图像普遍存在灰度不均匀，边缘模糊不清的特点，对图像分割带来了很大的挑战。现有的纺织材料CT图像分割方法主要采用人工手动分割，人工手动分割虽然精度高，但是存在分割难度大，分割过程繁琐，费时费力，分割结果很大程度上取决于操作人员的经验和知识，分割结果难以重现。
技术实现思路
本申请提供了一种基于卷积神经网络的纺织材料CT图像分割方法和装置，用于解决现有的纺织材料CT图像分割方法采用人工手动分割存在的分割难度大，分割过程繁琐，费时费力，分割结果很大程度上取决于操作人员的经验和知识，分割结果难以重现的技术问题。有鉴于此，本申请第一...
【技术保护点】
1.一种基于卷积神经网络的纺织材料CT图像分割方法，其特征在于，包括：/n构建分割模型，所述分割模型包括编码器和解码器，所述编码器和所述解码器的多个层级之间存在横向连接，所述解码器的中间层级和深层级之间存在连接；/n获取待分割纺织材料CT图像，将所述待分割纺织材料CT图像输入至训练好的所述分割模型，使得所述编码器的多个层级串行对所述待分割纺织材料CT图像进行特征提取得到编码特征图，所述编码器将多个层级的编码特征图输入所述解码器的相应层级进行特征融合得到第一融合特征图，所述解码器对所述第一融合特征图进行解码处理得到解码特征图，所述解码器融合中间层级的所述解码特征图和深层级的所...
【技术特征摘要】
1.一种基于卷积神经网络的纺织材料CT图像分割方法，其特征在于，包括：
构建分割模型，所述分割模型包括编码器和解码器，所述编码器和所述解码器的多个层级之间存在横向连接，所述解码器的中间层级和深层级之间存在连接；
获取待分割纺织材料CT图像，将所述待分割纺织材料CT图像输入至训练好的所述分割模型，使得所述编码器的多个层级串行对所述待分割纺织材料CT图像进行特征提取得到编码特征图，所述编码器将多个层级的编码特征图输入所述解码器的相应层级进行特征融合得到第一融合特征图，所述解码器对所述第一融合特征图进行解码处理得到解码特征图，所述解码器融合中间层级的所述解码特征图和深层级的所述解码特征图得到第二融合特征图，所述解码器对所述第二融合特征图进行卷积操作，得到所述待分割纺织材料CT图像的分割结果。
2.根据权利要求1所述的基于卷积神经网络的纺织材料CT图像分割方法，其特征在于，所述分割模型的训练过程包括：
获取待训练纺织材料CT图像，所述待训练纺织材料CT图像标注有分割标注结果；
将所述待训练纺织材料CT图像输入到构建的所述分割模型，输出所述待训练纺织材料CT图像的分割预测结果；
基于预置损失函数计算所述待训练纺织材料CT图像的分割预测结果与分割标注结果的损失值；
根据所述损失值，对所述分割模型的待训练参数进行更新，直至所述分割模型达到收敛条件，得到训练好的所述分割模型。
3.根据权利要求2所述的基于卷积神经网络的纺织材料CT图像分割方法，其特征在于，所述预置损失函数的公式为：
其中，y为分割预测结果，为分割标注结果，wn为常数，ε为常数。
4.根据权利要求2所述的基于卷积神经网络的纺织材料CT图像分割方法，其特征在于，所述将所述待训练纺织材料CT图像输入到构建的所述分割模型之前，还包括：
对所述待训练纺织材料CT图像进行归一化处理。
5.根据权利要求4所述的基于卷积神经网络的纺织材料CT图像分割方法，其特征在于，所述对所述待训练纺织材料CT图像进行归一化处理之后，所述将所述待训练纺织材料CT图像输入到构建的所述分割模型之前，还包括：
对归一化后的所述...
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。