一种基于ResNet与UNet模型的图像分割方法.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CN111145188A(43)申请公布日2020.05.12(21)申请号201911358532.1(22)申请日2019.12.25(71)申请人西安电子科技大学地址710071陕西省西安市碑林区太白南路2号(72)发明人侯彪焦李成付勐马晶晶张向荣马文萍(74)专利代理机构西安通大专利代理有限责任公司61200代理人高博(51)Int.Cl.G06T7/11(2017.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书5页附图3页(54)发明名称一种基于ResNet与UNet模型的图像分割方法(57)摘要本发明公开了一种基于ResNet与UNet模型的图像分割方法，将原始的RGB三通道图像大小进行调整，并对应调整标签图像大小；将调整后的RGB图像作为UNet图像分割模块的输入；将调整后的RGB图像作为ResNet特征提取模块的输入，保留前三层的输出结果替换UNet第三、四、五层的输出结果；得到基于ResNet和UNet的图像分割训练模型，并对模型进行训练；将训练得到的模型参数作为预测模型，进行图像分割。本发明利用ResNet在特征提取方面的优势，提高图像分割的质量，解决单一UNet模型应用于图像分割易产生的特征提取不够准确，区域一致性差，边界模糊的问题。CN111145188ACN111145188A权利要求书1/1页1.一种基于ResNet与UNet模型的图像分割方法，其特征在于，包括以下步骤：S1、将原始的RGB三通道图像大小进行调整，并对应调整标签图像大小；S2、将步骤S1调整后的RGB图像作为UNet图像分割模块的输入；S3、将步骤S1调整后的RGB图像作为ResNet特征提取模块的输入，保留前三层的输出结果替换UNet第三、四、五层的输出结果，得到基于ResNet和UNet的图像分割训练模型，并对模型进行训练；S4、将训练得到的模型参数作为预测模型，进行图像分割。2.根据权利要求1所述的基于ResNet与UNet模型的图像分割方法，其特征在于，步骤S1中，RGB三通道图像大小调整为400×320×3，对应的标签图像大小调整为400×320×1。3.根据权利要求1所述的基于ResNet与UNet模型的图像分割方法，其特征在于，步骤S2具体为：S201、设置卷积核大小为3×3，步长为1的卷积层；S202、设置卷积核大小为2×2的池化层；S203、设置卷积核大小为2×2，步长为2的反卷积层；S204、将调整后的RGB图像作为输入，进行下采样操作后每一层的大小分别为：400×320×64，200×160×128，100×80×256，50×40×512，25×20×1024；S205、进行上采样操作，并将每一层大小相同的输出进行拼接，之后进行卷积操作，S206、对最后一层进行卷积操作，使用sigmoid激活函数得到大小为400×320×1的输出，与标签图像大小一致。4.根据权利要求3所述的基于ResNet与UNet模型的图像分割方法，其特征在于，步骤S205中，上采样操作后每一层的大小分别为：50×40×512，100×80×256，200×160×128，400×320×64。5.根据权利要求1所述的基于ResNet与UNet模型的图像分割方法，其特征在于，步骤S3具体为：S301、设置残差网络，通过残差的方式将输入与输出相加得到新的输出；S302、加载训练好的ResNet模型参数；S303、将调整后的RGB三通道图像作为ResNet网络的输入；S304、将前三层的输出保留，替换UNet中相同大小的输出，分别为UNet第三、四、五层的输出。6.根据权利要求5所述的基于ResNet与UNet模型的图像分割方法，其特征在于，步骤S303中，输入图像大小为：400×320×64，得到前三层的输出大小分别为：100×80×256，50×40×512，25×20×1024。7.根据权利要求1所述的基于ResNet与UNet模型的图像分割方法，其特征在于，步骤S4中，输出结果的大小与标签图像的大小一致。8.根据权利要求1所述的基于ResNet与UNet模型的图像分割方法，其特征在于，步骤S4中，训练次数为100。2CN111145188A说明书1/5页一种基于ResNet与UNet模型的图像分割方法技术领域[0001]本发明属于图像处理技术领域，具体涉及一种基于ResNet与UNet模型的图像分割方法。背景技术[0002]图像分割是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。图像分割是从图像处理到图像分析的重要步骤，是目标分类和识别的基础。经典的图像分割方法有以下四种：[0003]基于