System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像处理,具体的说,是涉及一种基于unet改进特征提取和损失函数的图像道路提取方法。
技术介绍
1、道路提取是领域的一项基础性任务,也是一直以来的一个研究热点。道路信息在多个领域起着基础性作用,包括应急响应、自动危机响应,路线图更新,城市规划,地理信息更新,汽车导航等。然而,由于图像中的噪声、遮挡和道路结构的复杂性,这是一项具有挑战性的任务。
2、尽管在过去的几年里,图像的道路分割已经得到了广泛的研究,但由于该任务的一些特殊性,仍然是一项具有挑战性的任务。首先,输入的图像是高分辨率的,所以这个任务的网络应该有很大的感受野,可以覆盖整个图像。其次,图像中的道路往往细长、复杂,且只占整个图像的小部分。在这种情况下,保留详细的空间信息非常重要。最后,道路具有天然的连通性和大跨度。考虑到道路的这些自然属性是必要的。
3、目标分割的问题在于特征提取和算损失度量的时候,目标区域特征信息少,损失变化难以引起网络的关注。所以需要从两个方面来解决,一个是增强目标区域的特征提取能力,另外一个就是设计合适的损失去放大目标区域的损失变化。
技术实现思路
1、针对上述现有技术中的不足,本专利技术提供一种基于unet改进特征提取和损失函数的图像道路提取方法,在unet的基础上进行改进,不再对特征图进行裁剪操作,并且改进了原网络中跳层连接部分的特征提取网络,使它允许每个神经元根据输入信息的多尺度自适应地调整其感受野的大小,可以更好地捕捉复杂图像空间的多尺度特征,更充分地提取
2、为实现上述目的,本专利技术所采取的技术方案是:
3、基于unet改进特征提取和损失函数的图像道路提取方法,包括以下步骤:
4、步骤1、图像预处理:从道路图像数据集中获取并处理图像以及掩码图mask,按比例划分好训练集、验证集和测试集;
5、步骤2、编码器组成:由一个3×3,填充为1的卷积层和2×2的池化层组成一个下采样模块;
6、步骤3、跳层连接:通过4个不同大小卷积核组成的选择卷积注意力机制生成新的特征地图,并对解码器和上采样的特征进行拼接;
7、步骤4、解码器组成:由一个3×3,填充为1的卷积层,跳层连接特征拼接和双线性插值上采样组成一个上采样模块;
8、步骤5、模型的建立:导入数据集,设置好神经网络的超参数,进行训练得到模型;
9、步骤6、使用训练得到的模型推理训练集外的道路数据,验证模型效果。
10、具体的,步骤1中所述图像预处理的过程如下:
11、步骤11、从图像库获取道路图像以及其掩码图像mask,将获取的掩码图像先转化为灰度图,再对0~255色域的灰度图进行二值化操作,以待进行网络分类学习;
12、步骤12、利用pyhton中random库将所有的数据集随机分配为训练集、验证集和测试集。其中训练集数据不低于总数据量的六成,训练集和测试集一般不低于总数据量的一成。
13、具体的,步骤2中所述编码器编码过程如下:
14、步骤21、在编码器的第一层,输入图像先调整至512×512×3的特征图,通过两次卷积层计算得到512×512×64特征图,最后通过池化层输出256×256×64特征图至下一层;
15、步骤22、在编码器的第二层中,通过两次卷积层计算得到256×256×128特征图,在通过池化层输出128×128×128特征图至下一层;
16、步骤23、在编码器的第三层中,通过两次卷积层计算得到128×128×256特征图,在通过池化层输出64×64×256特征图至下一层;
17、步骤24、在编码器的第四层中,通过两次卷积层计算得到64×64×256特征图,在通过池化层输出32×32×512特征图至下一层;
18、步骤25、在编码器的第二层中,通过两次卷积层计算得到32×32×1024特征图。
19、具体的,步骤3所述跳层连接过程如下:
20、步骤31、在编码器第一层的最后512×512×64特征图采用选择卷积核注意力机制进行计算,输出512×512×64特征图;
21、步骤32、在编码器第二层的最后256×256×128特征图采用选择卷积核注意力机制进行计算,输出256×256×128特征图;
22、步骤33、在编码器第三层的最后128×128×256特征图采用选择卷积核注意力机制进行计算,输出128×128×256特征图;
23、步骤34、在编码器第四层的最后64×64×512特征图采用选择卷积核注意力机制进行计算,输出64×64×512特征图。
24、具体的,步骤4所述解码器解码过程如下:
25、步骤41、在编码器第五层最后一个32×32×1024特征图采用双线性插值法进行上采样得到64×64×512,并与跳层连接的特征进行拼接得到64×64×1024,再通过两次卷积层计算得到64×64×512;
26、步骤42、在解码器第四层最后一个64×64×512特征图采用双线性插值法进行上采样得到128×128×256,并与跳层连接的特征进行拼接得到128×128×512,再通过两次卷积层计算得到128×128×256;
27、步骤43、在解码器第三层最后一个128×128×256特征图采用双线性插值法进行上采样得到256×256×128,并与跳层连接的特征进行拼接得到256×256×256,再通过两次卷积层计算得到256×256×128;
28、步骤44、在解码器第二层最后一个256×256×128特征图采用双线性插值法进行上采样得到512×512×64,并与跳层连接的特征进行拼接得到512×512×128,再通过两次卷积层计算得到512×512×64;
29、步骤45、在解码器第一层最后一个512×512×64特征图采用卷积计算得到512×512×2特征图,输出二分类结果。
30、具体的步骤5所述模型的建立过程如下:
31、步骤51、初始化和设置神经网络的损失函数、学习率、优化器和批量大小,导入数据进行训练,所述学习率初始为2e-4,批量大小为2,优化器为adam,所述损失函数为改进后的损失函数loss′;
32、步骤52、读取训练集和验证集,每次模型迭代一次都读取批量大小张数的图像进行训练,训练中对图像的特征提取过程可参考步骤2~4;
33、步骤53、对最后的特征图进行softmax函数计算,输出最大概率的类别,利用损失函数与数据中的mask标签值计算得到最终的损失,神经网络反向传播更新模型中的权重。
34、步骤54、重复步骤52、53本文档来自技高网...
【技术保护点】
1.基于Unet改进特征提取和损失函数的图像道路提取方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于Unet改进特征提取和损失函数的图像道路提取方法,其特征在于,步骤1中所述图像预处理的具体过程如下:
3.根据权利要求1所述的基于Unet改进特征提取和损失函数的图像道路提取方法,其特征在于,步骤2中所述编码器编码过程如下:
4.根据权利要求1所述的基于Unet改进特征提取和损失函数的图像道路提取方法,其特征在于,步骤3所述跳层连接过程如下:
5.根据权利要求1所述的基于Unet改进特征提取和损失函数的图像道路提取方法,其特征在于,步骤4所述解码器解码过程如下:
6.根据权利要求1所述的基于Unet改进特征提取和损失函数的图像道路提取方法,其特征在于,步骤5所述模型的建立过程如下:
7.根据权利要求2所述的基于Unet改进特征提取和损失函数的图像道路提取方法,其特征在于,所述改进后的损失函数Loss'为:
8.根据权利要求1所述的基于Unet改进特征提取和损失函数的图像道路提取方法,其
9.根据权利要求1所述的基于Unet改进特征提取和损失函数的图像道路提取方法,其特征在于,步骤3中所述通过4个不同大小卷积核组成的选择卷积注意力机制生成新的特征地图,具体过程如下:
...【技术特征摘要】
1.基于unet改进特征提取和损失函数的图像道路提取方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于unet改进特征提取和损失函数的图像道路提取方法,其特征在于,步骤1中所述图像预处理的具体过程如下:
3.根据权利要求1所述的基于unet改进特征提取和损失函数的图像道路提取方法,其特征在于,步骤2中所述编码器编码过程如下:
4.根据权利要求1所述的基于unet改进特征提取和损失函数的图像道路提取方法,其特征在于,步骤3所述跳层连接过程如下:
5.根据权利要求1所述的基于unet改进特征提取和损失函数的图像道路提取方法,其特征在于,步骤4所述解码器解码过程如下:
...【专利技术属性】
技术研发人员:熊剑,涂章洋,郭杭,熊鹏文,黄玉水,衷卫声,刘旭,
申请(专利权)人:南昌大学,
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。