[发明专利]一种基于条带池化的图像语义分割方法

说明书

本发明公开了一种基于条带池化的图像语义分割方法，包括：提取图像分割训练数据集的图像特征；将图像特征输入深度空洞卷积模块，通过紧缩激励模块压缩得到紧密特征图和底层特征图；将紧密特征图进行金字塔编码得到五个特征图，并对其分别解码，并与底层特征图进行融合，拼接为融合特征图；将底层特征图条带池化编码，提取高级特征后，解码得到池化后的特征图；将池化后的特征图和融合特征图进行加法融合，再经降噪解码后得到图像分割输出；输入数据集进行训练保存为SD‑NET模型，将图片输入到SD‑NET模型得到分割结果。本发明利用条带池化提取底层特征，结合紧缩激励层和非局部层进一步去除图像噪声，在图像上采样时进一步融合。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于条带池化的图像语义分割方法。

背景技术

针对语义分割边界不够清晰的问题，研究者们尝试了融合更多的底层特征，以提高单个像素之间的分类差值。但图像分割数据集中的数据内容多样，研究者们在融合底层特征时普遍忽略了输入数据中的条带形状特征，因而，在进行图像分割时，条带形物体的像素分割容易受到周围像素的污染，使分割边界不够清晰。

在图像语义分割方面，近期的研究主要关注于运用模板自适应、添加注意力或弱监督的方法，来增强图像分割效果。如授权专利：CN110390682B。但是这些方法需要大量的数据标注并且都忽略了实际应用场景中条带状物体的分割边界，导致条带状目标在进行分割时分割结果容易受周围目标的污染。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种基于条带池化的图像语义分割方法，利用条带池化提取底层特征，结合紧缩激励层和非局部层进一步去除图像噪声，在图像上采样时进一步融合。

技术方案：本发明提供了一种基于条带池化的图像语义分割方法，包括如下步骤：

步骤1：提取图像分割训练数据集的图像特征；

步骤2：将图像特征输入深度空洞卷积模块，并通过紧缩激励模块压缩无用信息得到紧密特征图和底层特征图；

步骤3：将紧密特征图进行金字塔编码得到五个特征图，然后将这五个特征图分别解码，并与底层特征图进行融合，将融合后的五个特征图拼接为一个融合特征图；

步骤4：将底层特征图条带池化编码，提取高级特征后，解码得到一个池化后的特征图；

步骤5：将池化后的特征图和融合特征图进行加法融合，再经非局部模块降噪，解码后得到图像分割输出；

步骤6：输入数据集进行训练，将结果保存为SD-NET模型，将图片输入到SD-NET模型得到分割结果。

进一步地，所述步骤2中的获取底层特征图具体操作为：对图像特征进行深度卷积，然后使用紧缩激励模块分配各个通道权重，得到输出，并进行进一步最大池化，缩小特征图大小，得到底层特征图，具体公式如下：

其中，w(k,l)为卷积核，h(k,l)为输入的向量，y(k,l)为输出的图像张量，se为紧缩激励层，l为输入的参数，m、n、p均为求和时用到的参数。

进一步地，所述步骤2中的获取紧密特征图的具体操作为：对底层特征图进行多层膨胀卷积提取出网络特征。

进一步地，对底层特征图进行四层膨胀卷积提取出网络特征，所述四层膨胀卷积分别如下设置：

将第一层膨胀卷积层的膨胀系数设置为1，膨胀步长设置为1，残差块数设置为3；

将第二层膨胀卷积层的膨胀系数设置为1，膨胀步长设置为2，残差块数设置为4；

将第三层膨胀卷积层的膨胀系数设置为1，膨胀步长设置为2，残差块数设置为23；