一种图像分割方法和装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113920133A(43)申请公布日2022.01.11(21)申请号202111123890.1G06N3/04(2006.01)(22)申请日2021.09.24G06N3/08(2006.01)(71)申请人电子科技大学地址611731四川省成都市高新区（西区）西源大道2006号(72)发明人田淼王宏秋杨菲菲吴少智田丹刘欣刚李琬祎曹云健(74)专利代理机构成都科海专利事务有限责任公司51202代理人刘业芳(51)Int.Cl.G06T7/11(2017.01)G06T5/00(2006.01)G06T5/40(2006.01)G06T5/50(2006.01)权利要求书1页说明书5页附图2页(54)发明名称一种图像分割方法和装置(57)摘要本发明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。CN113920133ACN113920133A权利要求书1/1页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括：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。6.根据权利要求5所述的图像分割方法，其特征在于，所述卷积模块包括Conv2d函数、Batchnorm2d函数与Relu函数。7.根据权利要求1至6任一项所述的图像分割方法，其特征在于，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：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。8.一种图像分割装置，其特征在于，包括：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；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。2CN113920133A说明书1/5页一种图像分割方法和装置技术领域[0001]本发明属于图像处理技术领域，具体涉及一种图像分割方法和装置。背景技术[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