一种基于全局语义特征融合的低对比度图像语义分割方法技术

本发明专利技术涉及一种基于全局语义特征融合的低对比度图像语义分割方法，包括以下步骤：获取包含多张样本图像的数据集，对数据集中的样本图像进行标注，以为图像中的每个像素分配像素所属类别；对标注后的样本图像进行预处理，得到预处理后的数据集；将预处理后的数据集输入构建的图像语义分割模型，以进行模型训练，得到训练好的图像语义分割模型；对待分割的低对比度图像进行标准化处理；将标准化处理后的待分割的低对比度图像输入训练好的图像语义分割模型，输出得到对应的分割结果。与现有技术相比，本发明专利技术有效解决了图像语义分割中低对比度目标分割的问题，能够对低对比度图像进行准确地语义分割。准确地语义分割。准确地语义分割。

【技术实现步骤摘要】
一种基于全局语义特征融合的低对比度图像语义分割方法


[0001]本专利技术涉及图像语义分割
，尤其是涉及一种基于全局语义特征融合的低对比度图像语义分割方法。

技术介绍

[0002]随着近些年深度学习在人工智能领域的大规模应用，深度学习中的语义分割技术被广泛用于各种图像处理任务，比如无人驾驶、航拍图像分析和医学图像分析等任务。然而现有的图像语义分割技术不能解决低对比度分割目标的图像分割问题。由于分割目标的颜色，纹理与背景比较相似，轮廓比较模糊，所以模型对目标分割难度较大。传统的图像语义分割算法一般采用基于阈值、基于区域或基于聚类等算法模型，但是这些算法模型的鲁棒性较低，在现实场景应用中，由于图像获取环境变换较大，比如不同的拍摄角度，不同的光照条件和同一目标的不同形态等原因，导致传统图像语义分割模型很难应用在低对比度目标分割任务中。
[0003]目前基于的深度学习的图像语义分割技术，在解决低对比度目标分割时的难点主要是模型受卷积网络中卷积算子固有性质的影响，模型只能基于卷积算子提取局部特征对图像中的像素进行分类，但由于模型提取的特征缺少全局信息，使得低对比度目标分割任务的性能更加容易受噪声影响。另外由于现有的模型为了减少由于模型在对图像进行下采样过程中丢失的细节特征的影响，模型使用了跳连将编码器输出的特征与解码器输出的特征进行拼接，但是跳连忽略了低级语义特征中存在大量冗余信息，这会降低模型输出结果的准确率。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于全局语义特征融合的低对比度图像语义分割方法，以能够对低对比度图像进行准确地语义分割。
[0005]本专利技术的目的可以通过以下技术方案来实现：一种基于全局语义特征融合的低对比度图像语义分割方法，包括以下步骤：
[0006]S1、获取包含多张样本图像的数据集，对数据集中的样本图像进行标注，以为图像中的每个像素分配像素所属类别；
[0007]S2、对标注后的样本图像进行预处理，得到预处理后的数据集；
[0008]S3、将预处理后的数据集输入构建的图像语义分割模型，以进行模型训练，得到训练好的图像语义分割模型；
[0009]S4、对待分割的低对比度图像进行标准化处理；
[0010]S5、将标准化处理后的待分割的低对比度图像输入训练好的图像语义分割模型，输出得到对应的分割结果。
[0011]进一步地，所述步骤S2具体包括以下步骤：
[0012]S21、对标注后的样本图像进行数据数值标准化处理；
[0013]S22、以设定的概率值，对标准化处理后的样本图像进行旋转、翻转、尺度缩放以及随机遮盖处理；
[0014]S23、得到预处理后的数据集。
[0015]进一步地，所述图像语义分割模型包括编码器层、全局信息提取模块、高级语义指导模块、解码器层和预测层，所述编码器层中的编码器用于获取图像的不同语义级别的图像特征；
[0016]所述全局信息提取模块用于获取编码器以及解码器输出特征的全局信息，以及对数据集样本图像之间的潜在关系进行挖掘；
[0017]所述高级语义指导模块用于从解码器输出以及编码器输出特征中获取空间注意力矩阵；
[0018]所述解码器层中的解码器用于对上一层输入特征进行解码；
[0019]所述预测层用于对解码器层输出特征进行分割预测。
[0020]进一步地，所述编码器层中编码器的数量与解码器层中解码器的数量一致。
[0021]进一步地，所述编码器和解码器分别与全局信息提取模块连接，所述全局信息提取模块连接至高级语义指导模块。
[0022]进一步地，所述编码器的输出与高级语义指导模块的输出相乘、再与解码器的输出求和之后输入下一层编码器。
[0023]进一步地，所述步骤S3具体包括以下步骤：
[0024]S31、将预处理后的数据集中的样本图像输入编码器层，由编码器获取图像的不同语义级别的图像特征；
[0025]S32、通过全局信息提取模块获取关于编码器输出的特征的全局信息，并利用全局信息提取模块的记忆能力对数据集中样本图像之间的潜在关系进行挖掘；
[0026]S35、通过解码器对上一层输入特征进行解码；
[0027]S36、将解码器输出的特征输入全局信息提取模块，同时将输出特征与编码器全局语义特征进行拼接，将拼接特征输入下一层解码器获取输出结果；
[0028]S37、将解码器与编码器的包含全局信息的输出特征输入至高级语义指导模块，以获取空间注意力矩阵，将空间注意力矩阵与编码器输出的低级语义特征进行哈达玛积计算、再将计算得到的哈达玛积与解码器输出的高级语义特征进行拼接、之后输入下一层解码器，以减小低级语义特征中冗余信息的影响；
[0029]S38、通过预测层对解码器输出特征进行预测，输出分割预测结果；
[0030]S39、直至数据集每张样本图像均完成步骤S31～S38的过程，则完成一次训练，之后进行迭代训练，直至模型收敛，得到训练好的图像语义分割模型。
[0031]进一步地，所述全局信息提取模块的具体工作过程为：
[0032]输入特征X；
[0033]将输入X按照通道维度进行展平，同时输入至多层感知机；
[0034]将上一步获取的特征X在通道维度进行切分，同时将切分后的特征输入多层感知机中；
[0035]将上一步获取的特征X输入数值归一化层中；
[0036]将上一步获取特征X输入多层感知机中，并将切分的特征进行合并；
[0037]将上一步获取特征X输入多层感知机中。
[0038]进一步地，所述高级语义指导模块的具体工作过程为：
[0039]输入高级语义特征X
h
和低级语义特征X
l
；
[0040]拼接高级语义特征X
h
和低级语义特征X
l
；
[0041]将上级获得的特征X输入注意力层中；
[0042]将上级获得的注意力权重α、1
‑
α与高级语义特征X
h
和低级语义特征X
l
分别相乘求和；
[0043]将上一层获得得特征X进行卷积和归一化。
[0044]进一步地，所述步骤S39中模型收敛的条件具体为损失函数达到收敛。
[0045]与现有技术相比，本专利技术通过在图像语义分割模型中设置全局信息提取模块，以获取不同语义级别特征的全局语义信息以及挖掘数据集中不同样本间潜在关系；通过在图像语义分割模型中设置高级语义指导模块，以将高级全局语义特征与低级全局语义特征融合、进而获取空间注意力矩阵，引导低级语义特征图的跳连，有效降低特征中冗余信息的影响。由此本专利技术解决了图像语义分割中低对比度目标分割的难题，能够对低对比度图像进行准确地分割。
附图说明
[0046]图1为本专利技术的方法流程示意图；
[0047本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全局语义特征融合的低对比度图像语义分割方法，其特征在于，包括以下步骤：S1、获取包含多张样本图像的数据集，对数据集中的样本图像进行标注，以为图像中的每个像素分配像素所属类别；S2、对标注后的样本图像进行预处理，得到预处理后的数据集；S3、将预处理后的数据集输入构建的图像语义分割模型，以进行模型训练，得到训练好的图像语义分割模型；S4、对待分割的低对比度图像进行标准化处理；S5、将标准化处理后的待分割的低对比度图像输入训练好的图像语义分割模型，输出得到对应的分割结果。2.根据权利要求1所述的一种基于全局语义特征融合的低对比度图像语义分割方法，其特征在于，所述步骤S2具体包括以下步骤：S21、对标注后的样本图像进行数据数值标准化处理；S22、以设定的概率值，对标准化处理后的样本图像进行旋转、翻转、尺度缩放以及随机遮盖处理；S23、得到预处理后的数据集。3.根据权利要求1所述的一种基于全局语义特征融合的低对比度图像语义分割方法，其特征在于，所述图像语义分割模型包括编码器层、全局信息提取模块、高级语义指导模块、解码器层和预测层，所述编码器层中的编码器用于获取图像的不同语义级别的图像特征；所述全局信息提取模块用于获取编码器以及解码器输出特征的全局信息，以及对数据集样本图像之间的潜在关系进行挖掘；所述高级语义指导模块用于从解码器输出以及编码器输出特征中获取空间注意力矩阵；所述解码器层中的解码器用于对上一层输入特征进行解码；所述预测层用于对解码器层输出特征进行分割预测。4.根据权利要求3所述的一种基于全局语义特征融合的低对比度图像语义分割方法，其特征在于，所述编码器层中编码器的数量与解码器层中解码器的数量一致。5.根据权利要求3所述的一种基于全局语义特征融合的低对比度图像语义分割方法，其特征在于，所述编码器和解码器分别与全局信息提取模块连接，所述全局信息提取模块连接至高级语义指导模块。6.根据权利要求5所述的一种基于全局语义特征融合的低对比度图像语义分割方法，其特征在于，所述编码器的输出与高级语义指导模块的输出相乘、再与解码器的输出求和之后输入下一层编码器。7.根据权利要求6所述的一种基于全局语义特征融合的低对比度图像语义分割方法，其特征在于，所述步骤S3具体包括以下步骤：S31、将预处理后的数据集中的样本图像输入编码器层，...

【专利技术属性】
技术研发人员：彭俊杰，袁昊晨，张鹿鸣，刘文甫，
申请(专利权)人：上海大学，
类型：发明
国别省市：