[发明专利]图像分割方法及系统

说明书

本发明提供一种图像分割方法及系统，该方法包括：将待分割图像依次经过图像分割模型中的各下采样模块，获取最后一个下采样模块输出的特征图；将最后一个下采样模块输出的特征图依次经过图像分割模型中的各上采样模块，获取最后一个上采样模块输出的特征图；对最后一个上采样模块输出的特征图进行分割，获取最后一个上采样模块输出的特征图的分割结果；其中，任一上采样层的下一层的输入由该上采样层输出的特征图和将该上采样层所属的上采样模块对应的下采样模块输出的特征图输入金字塔池化层后输出的特征图融合获取。本发明实现融合后的特征图包含丰富的浅层特征和深层特征，可以减少特征信息的损失，有效提高图像分割的准确性。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像分割方法及系统。

背景技术

随着科技的发展，计算机硬件的计算能力不断得到提升，深度学习广泛应用于图像语义分割。例如，将深度学习与数字病理切片相结合，可以为医生诊断病情起到良好的辅助作用，降低因人工逐一分析数字病理切片造成的大量的工作量。

目前，采用U-net模型对图像进行分割，尤其是生物医学图像。U-net模型的结构为Encoder-Decoder(编码器-解码器)结构，结构简单但对图像分割很有效。通常，图像中的浅层特征很重要，比如边界信息。所以，U-net模型结构中采用了跳连结构来融合浅层特征与深层特征。

U-net模型在上采样时，为了将经过下采样时丢失的浅层特征在上采样时补充回来，直接将同一维度上的下采样特征图剪切复制后与该上采样特征图进行融合。虽然这种方法对融合浅层特征和深层特征进行了融合，但仅将同一维度上的下采样特征图和上采样特征图直接进行融合，使得补充的浅层特征不够丰富，导致图像分割不准确。

发明内容

本发明提供一种图像分割方法及系统，用以解决现有技术中U-net模型在上采样时，补充的浅层特征不够丰富，导致图像分割不准确的缺陷，实现提取丰富的浅层特征和深层特征，对图像准确分割。

本发明提供一种图像分割方法，包括：

将待分割图像依次经过图像分割模型中的各下采样模块，获取最后一个下采样模块输出的特征图；其中，所述下采样模块包括下采样层；

将所述最后一个下采样模块输出的特征图依次经过所述图像分割模型中的各上采样模块，获取最后一个上采样模块输出的特征图；其中，所述上采样模块包括上采样层；

对所述最后一个上采样模块输出的特征图进行分割，获取所述最后一个上采样模块输出的特征图的分割结果；

其中，任一上采样层的下一层的输入由该上采样层输出的特征图和将该上采样层所属的上采样模块对应的下采样模块输出的特征图输入金字塔池化层后输出的特征图融合获取，所述上采样模块与下采样模块预先一一对应。

根据本发明提供的一种图像分割方法，所述图像分割模型中上采样模块和下采样模块的数量总和为K，K为正整数；

编号为i的上采样模块与编号为K+1-i的下采样模块对应；

所述上采样模块和下采样模块的编号按照所述上采样模块和下采样模块在所述图像分割模型中从前到后的排列顺序依次加1。

根据本发明提供的一种图像分割方法，任一上采样层的下一层的输入由该上采样层输出的特征图和所述金字塔池化层输出的特征图的预处理结果融合获取；

所述预处理结果通过对所述金字塔池化层输出的每个特征图进行的卷积操作后，再进行上采样，将每个特征图的上采样结果进行融合获取；

其中，所述金字塔池化层输出的所有特征图卷积操作后的通道数之和与该上采样层输出的特征图的通道数相等；

每个特征图上采样后的尺寸与该上采样层输出的特征图的尺寸相等。