一种基于卷积神经的海洋船舶图像分割方法技术

本发明专利技术公开了一种基于卷积神经的海洋船舶图像分割方法，属于深度学习图像分割技术领域；所述方法将空洞卷积、压缩激励网络和U‑net进行结合构建编码‑解码网络，将海洋船舶图像预处理后输入所述编码‑解码网络进行分割处理；分割处理过程中由于解码层结合上采样的各层信息和上采样的输入信息来还原细节信息，并且逐步还原图像精度，大大减少了图片在训练过程中细节信息的损失，而且压缩激励网络将注意力集中在显著特征上，抑制了输入图像的不相关区域，使通道间具有更多的非线性，可以更好地拟合通道间的复杂的相关性极大的减少了参数量和计算量，提高了分割效率和分割准确率，更利于对海洋上船舶进行定位。

【技术实现步骤摘要】
一种基于卷积神经的海洋船舶图像分割方法
本专利技术涉及一种基于卷积神经的海洋船舶图像分割方法，属于深度学习图像分割

技术介绍
船舶在海洋上是重要的目标，准确检测船舶在海洋上的位置在民用和军事应用中都有着重要的意义。在对海洋上船舶进行定位的方法中，基于雷达和红外技术的定位技术往往比较复杂、价格昂贵，人力和物力消耗大，且易受天气影响。近些年，深度学习得到了较快的发展，以卷积神经网络为代表的深度学习方法在图像分类、图像分割以及目标检测等领域都取得到了较好的研究成果。与传统的机器学习相比，卷积神经可以学习到更加丰富的语义信息和高层次的图像信息，能够更准确描述不同目标之间的差异。另外，卷积神经是端到端的网络，只需关注网络的输入和输出，不需要感知中间层的结果，可以大大减少复杂的特征表征等人工操作。因此，研究人员将基于深度学习进行图像分割的方法应用到了对海洋上船舶进行定位的技术中来。目前应用到海洋船舶图像分割中的深度学习方法多数集中在分水岭算法、轮廓波算法、灰度统计、阈值分割和边缘检测等。其中，阈值分割是计算图像的灰度级别，将计算出的灰度级别与设定的阈值进行比较，但是阈值的设定没有统一标准，所以会出现图像边缘信息严重丢失的问题。边缘检测采用边缘算子提取图像边界像素以实现分割，基于阈值分割存在的问题，当海上场景或者天气很复杂时，干扰因素过多，也容易出现分割错误。因此，上述方法在进行海洋船舶图像分割时，除了容易出现分割误差、图像边缘信息丢失严重和出现过分割或欠分割的结果之外，还需要大量的训练图像和参数，并且这些方法都只适用于简单、平静的海面，应用场景单一。如果海上场景或者天气很复杂(如光照强度不一致，陆地、海面颜色不一致等)很容易受到影响。此外海洋上的船舶数据集大多数是俯拍，船舶的面积很小，背景和目标高度不平衡，都会给船舶的定位造成一定困难。2015年，Ronneberger等人提出了U-net的编码解码结构的深度卷积网络，使其能够使用很少的训练图像和较少的参数就能得到比上述方法更加精确的分割结果。但是由于解码过程中会损失一部分图像特征，因此其分割结果的精度还有待于提高，尤其应用于海洋船舶定位中。
技术实现思路
为了解决海洋船舶定位技术中目标和背景的类别不平衡导致的图像分割不准确的问题，本专利技术提供了一种基于卷积神经的海洋船舶图像分割方法，所述方法将空洞卷积、压缩激励网络和U-net进行结合构建编码-解码网络，将海洋船舶图像预处理后输入所述编码-解码网络进行分割处理；所述编码-解码网络包括依次连接的编码层、压缩激励模块和解码层，其中编码层和解码层之间添加跳跃连接；分割处理过程中将海洋船舶图像输入至编码-解码网络的编码层，得到编码层对应的特征图，将编码层对应的特征图输入至压缩激励模块得到概率图，将概率图输入解码块得到解码块对应的特征图；最后将编码层对应的特征图与概率图同时与解码块对应的特征图进行拼接得到分割结果图。可选的，所述编码-解码网络中，编码层中的每个编码块包含三个或四个由卷积层+归一化层+修正线性单元层+空洞卷积层构成的单元；各单元之间设有池化层。可选的，若每个编码块包含三个由卷积层+归一化层+修正线性单元层+空洞卷积层构成的单元，各单元中的空洞卷积层的空洞率分别为1、2和4。可选的，若每个编码块包含四个由卷积层+归一化层+修正线性单元层+空洞卷积层构成的单元，各单元中的空洞卷积层的空洞率分别为1、2、4和8。可选的，所述编码-解码网络中，压缩激励模块包含有一个全局池化层、两个全连接层和一个sigmoid层；全局池化层用于将压缩操作变成1×1结构，两个全连接层中一个用于降维，降维后经过修正线性单元激活后再通过另一个全连接层进行升维；压缩激励模块在编码块对应的特征图的RGB通道中添加三个通道之间的关联信息得到概率图。可选的，用于降维的全连接层在进行降维时，将编码块对应的特征图的特征维度降至输入的1/16；用于升维的全连接层再将其升至原来的维度。可选的，所述编码-解码网络中，解码层中的每个解码块包含三个或四个由卷积层+归一化层+修正线性单元层构成的单元；各单元之间设有上采样模块。可选的，所述上采样模块包含上采样层、卷积层、归一化层和修正线性单元层；采样层的采样因子为2，采样层卷积核大小为2×2，卷积层的核大小为3×3。可选的，所述解码层中由卷积层+归一化层+修正线性单元层构成的单元的个数与编码层中由卷积层+归一化层+修正线性单元层+空洞卷积层构成的单元的个数相同。本申请的第二个目的在于提供一种用于海洋船舶图像分割的编码-解码网络，所述编码-解码网络包括依次连接的编码层、压缩激励模块和解码层，其中编码层和解码层之间添加跳跃连接；所述编码层中的每个编码块包含三个或四个由卷积层+归一化层+修正线性单元层+空洞卷积层构成的单元；各单元之间设有池化层；所述压缩激励模块包含有一个全局池化层、两个全连接层和一个sigmoid层；所述解码层中的每个解码块包含三个或四个由卷积层+归一化层+修正线性单元层构成的单元；各单元之间设有上采样模块。本专利技术有益效果是：通过将空洞卷积、压缩激励网络和U-net进行结合构建编码-解码网络，将海洋船舶图像预处理后输入所述编码-解码网络进行分割处理；分割处理过程中由于解码层结合上采样的各层信息和上采样的输入信息来还原细节信息，并且逐步还原图像精度，大大减少了图片在训练过程中细节信息的损失，而且压缩激励网络将注意力集中在显著特征上，抑制了输入图像的不相关区域，使通道间具有更多的非线性，可以更好地拟合通道间的复杂的相关性极大的减少了参数量和计算量，提高了分割效率和分割准确率，更利于对海洋上船舶进行定位。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术一个实施例中卷积神经网络的结构图。图2是本专利技术一个实施例中卷积神经网络的内部模块结构图。图3是本专利技术一个实施例中仿真实验结果图。图4是本专利技术与传统算法的分割结果比较图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地详细描述。实施例一：本实施例提供一种用于海洋船舶图像分割的编码-解码网络，所述编码-解码网络包括依次连接的编码层、压缩激励模块和解码层，其中编码层和解码层之间添加跳跃连接；所述编码层中的每个编码块包含三个或四个由卷积层+归一化层+修正线性单元层+空洞卷积层构成的单元；各单元之间设有池化层；所述压缩激励模块包含有一个全局池化层、两个全连接层和一个sigmoid层；所述解码层中的每个解码块包含三个或四个由卷积层+归一化层+修正线性单元层构成的单元；各单元本文档来自技高网...

【技术保护点】
1.一种基于卷积神经的海洋船舶图像分割方法，其特征在于，所述方法将空洞卷积、压缩激励网络和U-net进行结合构建编码-解码网络，将海洋船舶图像预处理后输入所述编码-解码网络进行分割处理；所述编码-解码网络包括依次连接的编码层、压缩激励模块和解码层，其中编码层和解码层之间添加跳跃连接；/n分割处理过程中将海洋船舶图像输入至编码-解码网络的编码层，得到编码层对应的特征图，将编码层对应的特征图输入至压缩激励模块得到概率图，将概率图输入解码块得到解码块对应的特征图；最后将编码层对应的特征图与概率图同时与解码块对应的特征图进行拼接得到分割结果图。/n

【技术特征摘要】
1.一种基于卷积神经的海洋船舶图像分割方法，其特征在于，所述方法将空洞卷积、压缩激励网络和U-net进行结合构建编码-解码网络，将海洋船舶图像预处理后输入所述编码-解码网络进行分割处理；所述编码-解码网络包括依次连接的编码层、压缩激励模块和解码层，其中编码层和解码层之间添加跳跃连接；
分割处理过程中将海洋船舶图像输入至编码-解码网络的编码层，得到编码层对应的特征图，将编码层对应的特征图输入至压缩激励模块得到概率图，将概率图输入解码块得到解码块对应的特征图；最后将编码层对应的特征图与概率图同时与解码块对应的特征图进行拼接得到分割结果图。


2.根据权利要求1所述的方法，其特征在于，所述编码-解码网络中，编码层中的每个编码块包含三个或四个由卷积层+归一化层+修正线性单元层+空洞卷积层构成的单元；各单元之间设有池化层。


3.根据权利要求2所述的方法，其特征在于，若每个编码块包含三个由卷积层+归一化层+修正线性单元层+空洞卷积层构成的单元，各单元中的空洞卷积层的空洞率分别为1、2和4。


4.根据权利要求2所述的方法，其特征在于，若每个编码块包含四个由卷积层+归一化层+修正线性单元层+空洞卷积层构成的单元，各单元中的空洞卷积层的空洞率分别为1、2、4和8。


5.根据权利要求1所述的方法，其特征在于，所述编码-解码网络中，压缩激励模块包含有一个全局池化层、两个全连接层和一个sigmoid层；全局池化层用于将压缩操作变成1×1结构，两个全连接层中一个用于降维，降维后经过修正线性单元激活后再通过另一个...

【专利技术属性】
技术研发人员：肖志勇，吉淑滢，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32