[发明专利]一种基于边缘增强的语义图像分割方法及系统

权利要求书

1.一种基于边缘增强的语义图像分割方法，其特征在于，包括以下步骤：

步骤1，对输入图像进行预处理，建立边缘增强网络模型；所述边缘增强网络模型包括轻量级边缘网络和深度语义网络；

步骤2，分批次将步骤1所得预处理后图像输入轻量级边缘网络，所述轻量级边缘网络由三个卷积块和一个空间注意力模块组成，利用空间注意力模块自适应地关注图像的局部边缘信息，输出图像的边缘特征；

步骤3，分批次将步骤1所得预处理后图像输入深度语义网络，所述深度语义网络包括一个卷积池化层和四个残差块Res-1,Res-2,Res-3,Res-4，残差块Res-1,Res-2,Res-3,Res-4分别表示四个不同层次的语义信息，在Res-3和Res-4的输出部分加上了通道注意力模块进行细节优化；利用通道注意力模块进一步优化深度语义网络不同阶段的输出，得到图像的全局语义特征；

步骤4，将所得的边缘特征和全局语义特征进行级联，利用卷积操作对级联结果进行降维，融合不同层次的特征信息，然后利用通道注意力模块优化融合结果；

步骤5，对融合结果进行归一化，得到边缘增强网络模型预测的图像分割结果；

步骤6，计算边缘增强网络模型预测的分割图和给定的标准分割图的交叉熵损失和焦点损失，以分别监督轻量级边缘网络和深度语义网络的输出，使用随机梯度下降法更新边缘增强网络的模型参数，实现对输入图像的精确分割；

深度语义网络的交叉熵损失loss不仅包括最终融合输出和标准分割图的交叉熵损失，还有第3、4层级的特征输出和标准分割图的交叉熵损失，计算如下：

其中SL()表示交叉熵损失函数，FL()表示焦点损失函数，O表示网络的最终输出，t_s表示第s层级的特征输出，α和λ表示两个辅助损失的权重，w表示交叉熵损失计算中的参数，v表示焦点损失计算中的参数；

焦点损失用于解决正负样本严重失衡的问题，从而放大类间的区分度，加强对类别边界的拟合，表达如下：

FL＝-(1-p_k)^γlog p_k

其中，p_k是类别k的估计概率，k∈[1,2,…,K]，K为总类别数，γ是一个待调整的参数，以使该网络得到最好的分割效果。

2.根据权利要求1所述的基于边缘增强的语义图像分割方法，其特征在于：步骤1中预处理的实现方式为，归一化输入的图像块，并进行水平方向或者竖直方向的翻转，然后从原图像和翻转后的图像做随机裁剪，得到具有相同分辨率的图像块，实现对训练数据的扩充。

3.根据权利要求1所述的基于边缘增强的语义图像分割方法，其特征在于：步骤2中的每个卷积块由三个内核大小为3的卷积层、Batch Normalization层和Relu层组成，前两个卷积块为标准卷积，第三个卷积块为空洞卷积，以增大感受野，保留图像细节信息，更好地拟合目标边界。

4.根据权利要求1所述的基于边缘增强的语义图像分割方法，其特征在于：步骤2中的空间注意力模块对输出的通道特征图执行归一化，经过基于特征张量在通道域上平均值的激活函数，得到仅与空间信息有关的掩膜，自适应地关注图像的局部边缘信息，得到图像的边缘特征。

5.根据权利要求4所述的基于边缘增强的语义图像分割方法，其特征在于：所述空间注意力模块对边缘特征的优化如下，

s_i＝x_i*(1+f(x_i)),

其中，设X表示卷积操作后提取的初步特征，S表示优化后的边缘特征，f()表示掩膜生成的激活函数，S＝{s₁,s₂,...,s_i,...,s_N},X＝{x₁,x₂,...,x_i,...,x_N}，x_i表示第i个通道的初步特征图，s_i表示第i个通道的边缘特征图，N表示当前卷积层的总通道数。