一种图像分割方法和装置制造方法及图纸

本发明专利技术涉一种图像分割方法和装置，通过基于预设预处理算法对待分割图像进行增强得到增强图像；使用训练好的神经网络模型对增强图像进行分割，其中神经网络模型通过上采样获得增强图像的高分辨率信息并进行特征信息的提取，以得到详细的空间边界信息；神经网络模型通过对增强图像的图像信息的编码得到目标区域的位置信息；神经网络模型通过对详细的空间边界信息、目标区域的位置信息和跳跃连接所保留的原空间边界信息进行融合，以得到图像分割结果。单独的上采样链路去提取图像的高分辨率信息，能有效帮助网络对目标区域的边界实现精准预测。在对比度低且目标区域边界模糊这种困难的情况下实现对目标区域的较为准确的分割。难的情况下实现对目标区域的较为准确的分割。难的情况下实现对目标区域的较为准确的分割。

【技术实现步骤摘要】
一种图像分割方法和装置


[0001]本专利技术属于图像处理
，具体涉及一种图像分割方法和装置。

技术介绍

[0002]近些年来随着人工智能的不断发展，图像分割已经成为图像理解领域关注的一个热点，图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。
[0003]随着卷积神经网络的发展，图像分割取得了巨大的进步，这主要是基于跳跃链接的编码器
‑
解码器结构。这种结构类型的网络在编码阶段提取图片的深层信息，在解码阶段结合跳跃连接进行深层信息的上采样还原。这种结构针对目标区域边界清晰，图片对比度强时能取得较好的效果。但由于编码结构会造成图像信息的压缩，因此网络将缺乏高分辨率信息。此外编码和解码上采样阶段一定会造成图像信息的损失，因此针对图像对比度低目标区域边界模糊时就不能取得理想的效果。

技术实现思路

[0004]为了解决现有技术存在的对边界模糊的图像分割效果不好的问题，本专利技术提供了一种图像分割方法和装置，其具有分割更加准确等特点。
[0005]根据本专利技术的具体实施方式的一种图像分割方法，包括：
[0006]基于预设预处理算法对待分割图像进行增强得到增强图像；
[0007]使用训练好的神经网络模型对增强图像进行分割，其中所述神经网络模型通过上采样获得增强图像的高分辨率信息并进行特征信息的提取，以得到详细的空间边界信息；
[0008]所述神经网络模型通过对增强图像的图像信息的编码得到目标区域的位置信息；
[0009]所述神经网络模型通过对所述详细的空间边界信息、所述目标区域的位置信息和跳跃连接所保留的原空间边界信息进行融合，以得到图像分割结果。
[0010]进一步的，所述基于预设预处理算法对待分割图像进行增强得到增强图像包括：
[0011]基于自适应直方图均衡算法对待分割图像进行增强得到增强图像。
[0012]进一步的，所述使用训练好的神经网络模型对增强图像进行分割包括：
[0013]基于反卷积进行上采样增强图像以获得高分辨率信息。
[0014]进一步的，所述使用训练好的神经网络模型对增强图像进行分割还包括：
[0015]通过扩张卷积对上采样后的图像进行特征信息的提取，以得到详细的空间边界信息。
[0016]进一步的，所述通过对增强图像的图像信息的编码得到目标区域的位置信息包括：
[0017]基于卷积模块和最大池化对增强图像的图像信息进行编码，以得到目标区域的位
置信息。
[0018]进一步的，所述卷积模块包括Conv2d函数、Batchnorm2d函数与Relu函数。
[0019]进一步的，所述神经网络模型通过对所述详细的空间边界信息、所述目标区域的位置信息和跳跃连接所保留的原空间边界信息进行融合，以得到图像分割结果包括：
[0020]基于神经网络模型中的注意力模块通过权重分配对所述详细的空间边界信息、所述目标区域的位置信息和跳跃连接所保留的原空间边界信息进行融合，以得到图像分割结果。
[0021]根据本专利技术具体实施方式提供的一种图像分割装置，包括：
[0022]预处理模块，用于基于预设预处理算法对待分割图像进行增强得到增强图像；以及
[0023]神经网络模块，用于使用训练好的神经网络模型对增强图像进行分割，其中所述神经网络模型通过上采样获得增强图像的高分辨率信息并进行特征信息的提取，以得到详细的空间边界信息；
[0024]所述神经网络模型通过对增强图像的图像信息的编码得到目标区域的位置信息；
[0025]所述神经网络模型通过对所述详细的空间边界信息、所述目标区域的位置信息和跳跃连接所保留的原空间边界信息进行融合，以得到图像分割结果。
[0026]本专利技术的有益效果为：通过基于预设预处理算法对待分割图像进行增强得到增强图像；使用训练好的神经网络模型对增强图像进行分割，其中神经网络模型通过上采样获得增强图像的高分辨率信息并进行特征信息的提取，以得到详细的空间边界信息；神经网络模型通过对增强图像的图像信息的编码得到目标区域的位置信息；神经网络模型通过对详细的空间边界信息、目标区域的位置信息和跳跃连接所保留的原空间边界信息进行融合，以得到图像分割结果。单独的上采样链路去提取图像的高分辨率信息，能有效帮助网络对目标区域的边界实现精准预测。在通过将不同路径的信息融合能针对图像对比度低且目标区域边界模糊这种困难的情况下实现对目标区域的较为准确的分割。
附图说明
[0027]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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。
[0028]图1是根据一示例性实施例提供的图像分割方法的流程图；
[0029]图2是根据一示例性实施例提供的神经网络架构图；
[0030]图3是根据一示例性实施例提供的注意力模块的结构图；
[0031]图4是根据一示例性实施例提供的图像分割装置的原理图。
具体实施方式
[0032]为使本专利技术的目的、技术方案和优点更加清楚，下面将对本专利技术的技术方案进行详细的描述。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有
其它实施方式，都属于本专利技术所保护的范围。
[0033]参照图1所示，本专利技术的实施例提供了一种图像分割方法，具体包括：
[0034]101、基于预设预处理算法对待分割图像进行增强得到增强图像；
[0035]102、使用训练好的神经网络模型对增强图像进行分割，其中神经网络模型通过上采样获得增强图像的高分辨率信息并进行特征信息的提取，以得到详细的空间边界信息；
[0036]神经网络模型通过对增强图像的图像信息的编码得到目标区域的位置信息；
[0037]神经网络模型通过对详细的空间边界信息、目标区域的位置信息和跳跃连接所保留的原空间边界信息进行融合，以得到图像分割结果。
[0038]具体的，在进行分割之前对图像进行预处理是非常必要的，其中自适应直方图均衡化(AHE)的方法是一种常用的加强输入图像的对比度的方法。与HE相比，AHE计算这些指定区域的直方图，通过这些数值，计算机可以重新分配图像亮度，也可以更改图像的对比度。经过这一系列操作得到的图像的局部对比度更佳，图像边缘的清晰度也得以增强。但同时，图像的噪点也被放大了。为了克服HE和AHE算法的缺点，采用自适应直方图均衡(CLAH本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分割方法，其特征在于，包括：基于预设预处理算法对待分割图像进行增强得到增强图像；使用训练好的神经网络模型对增强图像进行分割，其中所述神经网络模型通过上采样获得增强图像的高分辨率信息并进行特征信息的提取，以得到详细的空间边界信息；所述神经网络模型通过对增强图像的图像信息的编码得到目标区域的位置信息；所述神经网络模型通过对所述详细的空间边界信息、所述目标区域的位置信息和跳跃连接所保留的原空间边界信息进行融合，以得到图像分割结果。2.根据权利要求1所述的图像分割方法，其特征在于，所述基于预设预处理算法对待分割图像进行增强得到增强图像包括：基于自适应直方图均衡算法对待分割图像进行增强得到增强图像。3.根据权利要求1所述的图像分割方法，其特征在于，所述使用训练好的神经网络模型对增强图像进行分割包括：基于反卷积进行上采样增强图像以获得高分辨率信息。4.根据权利要求3所述的图像分割方法，其特征在于，所述使用训练好的神经网络模型对增强图像进行分割还包括：通过扩张卷积对上采样后的图像进行特征信息的提取，以得到详细的空间边界信息。5.根据权利要求1所述的图像分割方法，其特征在于，所述通过对增强图像的图像信息的编码得到目标区域的位置信息包...

【专利技术属性】
技术研发人员：田淼，王宏秋，杨菲菲，吴少智，田丹，刘欣刚，李琬祎，曹云健，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：