[发明专利]在图像中对稀疏分布的对象进行分割的方法和系统

说明书

本发明公开了一种在图像中对稀疏分布的对象进行分割的方法和系统。一种在图像中对稀疏分布的对象进行分割的方法，所述方法利用全卷积神经网络进行分割，以得到表征所述图像的每个像素点属于对象的概率值的概率图像，其特征在于，所述方法包括如下步骤：将所述图像输入到所述第一全卷积网络，以对所述图像内的对象可能区域进行预测；将所述图像中表征所述对象可能区域的子图像用作所述第二全卷积网络的前端输入，以计算子概率图像；以及将计算得到的子概率图像拼接起来以生成所述概率图像。其能够快速、高效且精准地完成图像分割任务。

技术领域

本发明涉及图像分割的方法和系统，更具体地，涉及利用神经网络在图像中进行对象分割的方法和系统。

背景技术

图像分割系统在众多影像分析处理系统中都是不可或缺的一部分。如果将一张图像描述成排列成矩阵的像素点，图像分割系统的作用则是对这些像素点进行分类。可以根据需要来设定类别的数量。例如，进行人脸识别的软件往往需要对人脸进行分割，先将人类区域所属的像素点(前景区域)与非人类区域的像素点(背景区域)区分开来。对自然风景照片进行识别的软件则往往需要将图像分割成天空、山川、河流、动物等不同的区域。

图像分割系统不只在日常生活中有着应用，在许多专业领域中，包括海事、军事、气象、航空航天和医学领域等，也有着重要的应用。以医学领域为例，心血管疾病的诊断系统需要先将血管组织分割出来；而肺病的诊断系统则需要先将肺气管、肺血管、以及潜在的肺结节分割出来。精确的分割有助于进行三维模型重建、可视化以协助医师进行判断，同时也是后续定量分析重要临床参数(如尺寸大小、形状、像素统计结果等)的精确度的根本保证。又例如在航空航天领域，星空影像的分析系统则需要先进行图像分割将恒星、行星、星系所在的区域与背景区域区分开来，而大气卫星遥感图像的分析系统则需要将图像中的云层、土地、水域等区域分割出来。尽管应用各不相同，但这些分割系统的设计过程中，精确度都是重要的指标，而另一个重要的指标则是速度。

为了获取更高的精度，新近开发的分割方法中引入了基于机器学习的数据驱动方法。在这类系统中，开发者会将事先标注好的分割图像与原始图像作为训练样本一同输入到系统之中，通过计算数据之间的统计模型以找寻规律，并基于这一学习得到的规律，完成对测试图像的分割。

在众多机器学习方法中，神经网络(即深度学习，deep learning)方法由于其优异的性能在近几年被应用于越来越多的图像处理算法中。其中，基于卷积的神经网络(简称为“卷积神经网络”)的方法表现尤为突出。神经网络是一种特殊的计算网络结构，其由多层计算单元组成，上一层计算单元的数值被加权叠加并经过一个非线性激活函数传递给下一层。图1(a)示出了拥有三层结构的全连接神经网络；图1(b)示出了卷积神经网络，不同于全连接神经网络，卷积神经网络中的连接相对稀疏，每个计算单元只与上一层中空间相邻的计算单元相连接，且连接的权重(a1、a2、a3、b1、b2、b3)会在不同的计算单元之间共享。卷积神经网络所需要训练的参数相比全连接神经网络明显减少，训练难度会明显降低。同时，这样的结构也符合图像处理的需要。在传统的图像处理方法中，卷积操作往往会被用来提取诸如边缘、平均亮度等特征，如图1(d)所示，采用了特定的卷积核来用于检测边缘。卷积神经网络也采用了类似的原理，如图1(c)所示；不同的是，卷积神经网络的卷积核是通过机器学习训练得到的，并且经过多层卷积操作的叠加，能够描述诸如圆形、多边形、乃至不规则形状等图像特征。

卷积神经网络被广泛应用于图像分类任务。如图1(e)所示，这样的网络大多由两部分构成：在第一部分中，图像经过多层卷积网络和最大值下采样操作以提取特征；在第二部分中，提取的特征则会经过全连接层生成最终的分类结果。落实到图像处理任务，一般的方法会以目标像素点为中心，在它周围区域提取出一张固定大小的图像，然后对该固定大小的图像进行分类。然而这种方法存在显著的缺陷：由于全连接层的存在，输入图像必须为特定大小；对所有的像素点进行单独运算所需要的运算量是极其庞大的，在相邻像素点的周围区域的图像彼此重叠的区域，同样的卷积运算会被重复进行；此外，因为是对固定大小的周围区域进行分类，通常卷积神经网络用于对区域(例如人脸区域)的识别，而不是像素级别的分割。