[发明专利]一种基于缺陷协同训练和特征融合的水下图像分割算法

说明书

本发明公开了一种基于缺陷协同训练和特征融合的水下图像分割算法，属于图像处理和深度学习技术领域。一种基于缺陷协同训练和特征融合的水下图像分割算法，首先从主分割网络中获得前景和背景的预测，然后从两个分支中提取错误检测区域的引导特征并将其与主分割网络特征融合，引导主分割器完善分割结果，协同训练模型以提高主分割网络分割性能；本发明能够提取图像中的目标，为后续处理做好准备，对整个图像处理的结果意义深远。

技术领域

本发明涉及图像处理和深度学习技术领域，尤其涉及一种基于缺陷协同训练和特征融合的水下图像分割算法。

背景技术

近年来，水下机器人被广泛应用于海洋资源探索等方面，水下图像是认识和分析水下环境的关键工具。海洋环境复杂度多样，多重不利因素如光在水中传输时会受到水的吸收、反射和散射等影响而发生严重的衰减,采集到的水下图像难免会出现可见范围有限、模糊不清、低对比度、非均匀光照、色彩不协调以及噪声等问题。这些特征导致水下图像处理和识别的难度增加。

图像分割是一种基本的计算机视觉技术，是图像识别等高层次视觉技术前的重要步骤，目的是提取图像中的目标，为后续处理做好准备，对整个图像处理的结果意义深远，鉴于此，我们提出了一种基于缺陷协同训练和特征融合的水下图像分割算法。

发明内容

本发明的目的在于提供一种基于缺陷协同训练和特征融合的水下图像分割算法，能够提取图像中的目标，为后续处理做好准备，对整个图像处理的结果意义深远。

为了实现上述目的，本发明采用了如下技术方案：

一种基于缺陷协同训练和特征融合的水下图像分割算法，包括以下步骤：

S1、提出的模型和学习：

S1.1、将粗略的分割结果通过带有矩阵融合的误差网络来完善，直到获得一个满意的分割结果；

S1.2、模型训练：

S1.2.1、取x∈X，分割网络预测同等大小为H×W×O的前景S_F(x)和背景S_B(x),其中O的值由具体任务定义；

S1.2.2、x和S(x)连接，输入到缺陷检测网络E中，输出同等大小为H×W×1的前景缺陷概率图E_F(x，S_F(x)和背景缺陷概率图E_B(x，S_B(x)；

S1.2.3、根据GAN的思想分两步迭代训练模型；

S1.3、固定缺陷检测网络F，训练主分割器，对于有标签的数据，预测的前景S_F(x)和背景S_B(x)被Y_F和Y_B监督为：

其中，R(-，-)是一个特定任务的约束，(h，w，o)是一个像素索引；

S1.4、通过关注缺陷区域，融合整个图像和错误分割信息，引导主分割器完善结果，提高分割性能；

S2、损失函数：

S2.1、缺陷损失函数L_E：

通过平均平方差(MES)对缺陷检测网络E进行训练，其公式为：

式中，|S_F(x)-Y_F|是缺陷检测网络E的金标准；

S2.2、缺陷修正损失函数L_X：