【技术实现步骤摘要】
编解码端边缘信息增强和注意引导的图像分割方法及系统
[0001]本专利技术属于计算机视觉与图像处理
，具体涉及一种编解码端边缘信息增强和注意引导的图像分割方法及系统。
技术介绍
[0002]医学图像分割是将医学图像中的器官、病灶等区域与其背景区域区分开来的过程，是像素级别上的分类。医学图像分割对于辅助医生进行疾病的分析和诊断具有十分重要的意义。
[0003]早期的传统医学图像分割主要基于图像的灰度、纹理等浅层特征信息对医学图像进行分割，这类分割都需要手动设计图像特征提取算子，其性能和泛化能力相对较差，现有的实验结果表明，传统的医学图像分割方法已越来越无法满足临床医学图像分割的要求，无法获得令人满意的分割效果。
[0004]随着深度学习的发展，其在图像处理领域也得到了广泛的应用。全卷积网络的提出很大程度上提高了医学图像分割的准确率和分割效果，此后基于全卷积网络的分割算法也获得了极大地发展和改进。
[0005]但受成像设备影响，医学图像不可避免出现噪声和边缘模糊现象。由于边界区域像素的特征表示通常具...
【技术保护点】
【技术特征摘要】
1.编解码端边缘信息增强和注意引导的图像分割方法，其特征在于，包括以下步骤：S1、采用真实图像集，语义分割真值图和边缘分割真值图构成数据集F，并将数据集F分为训练集、验证集和测试集；S2、构建编解码端边缘信息增强和注意引导的图像分割网络N，图像分割网络N中设置有特征提取器和解码器，特征提取器使用堆叠残差卷积块的编码器，编码器引入边缘信息增强模块用于对各层特征图进行边缘信息增强，解码器引入边缘注意引导模块；S3、利用步骤S1获得的训练集和验证集对步骤S2构建的图像分割网络N进行训练，得到训练好的图像分割模型M，将步骤S1获得的测试集数据输入训练好的图像分割模型M中，得到图像分割结果。2.根据权利要求1所述的编解码端边缘信息增强和注意引导的图像分割方法，其特征在于，步骤S1中，训练集占数据集F的60％，验证集占数据集F的20％，测试集占数据集F的20％。3.根据权利要求1所述的编解码端边缘信息增强和注意引导的图像分割方法，其特征在于，步骤S1中，对图像数据集中真实图像集对应的语义分割真值图上运用canny边缘检测算子，得到边缘分割真值图作为边缘分割分支上的真实分割图，具体为：对原始图像进行灰度化，然后对灰度化后的图像进行高斯滤波，计算灰度化后图像的梯度幅值和方向，确定非极大值抑制，得到一个二值图像，采用双阈值算法检测二值图像，低阈值产生的边缘用于辅助高阈值产生的边缘构成轮廓，在高阈值图像中把高阈值产生的边缘连接成轮廓，当到达轮廓的断点时，在断点的8邻域中寻找满足低阈值的点，再根据此点收集新的边缘，直到整个图像边缘闭合，将闭合后得到的原始图像作为对应的真实分割图。4.根据权利要求3所述的编解码端边缘信息增强和注意引导的图像分割方法，其特征在于，计算灰度化图像的梯度幅值和方向具体为：灰度化后图像在X方向的梯度幅值P[i，j]、Y方向梯度幅值Q[i，j]以及梯度方向θ[i，j]为：P[i，j]＝(f[i+1，j]
‑
f[i，j]+f[i+1，j+1]
‑
f[i，j+1])/2Q[i，j]＝(f[i+1，j]
‑
f[i，j+1]+f[i+1，j]
‑
f[i+1，j+1])/2θ[i，j]＝tan
‑1(Q[i，j]/P[i，j])其中，f为图像灰度值，i，j分别为像素的x，y方向坐标值。5.根据权利要求1所述的编解码端边缘信息增强和注意引导的图像分割方法，其特征在于，步骤S2中，边缘信息增强模块对各层特征图进行边缘信息增强具体操作为：第i层经过边缘强化模块后的特征图H
i
为：H
i
＝f
scale
(M
F
)
×
P
i
+P
i
其中，f
canny
(*)是canny边缘检测算子的处理过程，M
F
为数据集F经过处理过程后得到的边缘注意图，f
scale
(*)为放缩操作，i为层数，P
i
为第i层的输入特征图。6.根据权利要求5所述的编解码端边缘信息增强和注意引导的图像分割方法，其特征在于，数据集F经过处理过程后得到的边缘注意图M
F
为：M
F
＝f
canny
(F)其中，f
canny
(*)是canny边缘检测算子的处理过程。
7.根据权利要求1所述的编解码端边缘信息增强和注意引导的图像分割方法，其特征在于，编码器中，每个残差卷积块有两次卷积操作，两次卷积后的结果与输入特征相加作为残差块的输出，通过叠加的下采样操作获得不同感受野下的特征图，原始特征图经过一次残差卷积块后的输出H为：H＝Co...
【专利技术属性】
技术研发人员：孙景通，惠维，白改瑞，赵鲲，余凡，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：
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。