[发明专利]一种基于深度学习的水下图像语义分割模型

说明书

本发明公开了一种基于深度学习的水下图像语义分割模型，所述模型包括预处理、编码器模块和解码器模块，其中编码器模块包含五个阶段编码模块，第一阶段、第二阶段、第三阶段和第四阶段包含SENet(通道注意力)子模块，通道注意力模块对特征图进行平均池化、全连接层、激活、全连接层和激活等操作；利用所述分割方法对水下图像训练集进行训练，并将水下图像测试集输入训练好的网络模型，得到分割后的图像；本发明的分割模型对于水下图像中分辨率较低的图像也能做到精确分割，对水下图像中的目标分割精度高，分割效果好。

技术领域

本发明涉及一种基于深度学习的水下图像语义分割模型。

背景技术

随着人类对海洋资源开发,对水下环境探测技术的要求也越来越高。水下图像是认识和分析水下环境的关键工具。由于水介质对光线的散折射及吸收效应、水中杂质及水下照明条件等因素影响，水下图像存在对比度低、信噪比低、颜色分布不均等问题。常用的水下图像语义分割方法有：基于阈值的图像分割方法、基于边缘的图像分割技术、基于区域的图像分割技术和基于特定理论的图像分割技术等。例如：一种注意力图像分割方法、装置及介质(CN112950653A)中公开了利用注意力网络以及融合特征图进行图像分割，然后将分割网络与区域信息加权融合得到的矩阵再次进行分割。现有的方法不能很好的关注到图像中的目标对象，对水下图像分割的精度较差，并不能很好的对物体的边缘轮廓进行分割，同时由于水下图像存在对比度低、信噪比低、颜色分布不均等问题，现有的分割方法对于图像轮廓的分割效果较差。

发明内容

发明目的：本发明的目的是提供一种基于深度学习的水下图像分割模型，解决水下图像分割中目标轮廓的分割效果差，分割平均交并比、平均像素精度和准确率较差的问题。

技术方案：为实现上述目的，本发明采用如下技术方案：

本发明所述的一种基于深度学习的水下图像分割模型，包括以下步骤：

预处理模块对输入图像E1进行预处理，即将图像转化为RGB三通道；然后将图像大小调整为512×512得到E2；

对图像E2进行第一阶段编码，通过卷积提取特征，再通过通道注意力进行细节特征捕获，最后通过最大池化来减小特征图的大小，得到第一阶段的编码结果E9；

对第一阶段的编码结果E10进行第二阶段编码，通过卷积提取特征图的特征，再通过通道注意力进行细节特征捕获，其中通道注意力模块中的第一个激活函数采用PReLU激活函数，最后通过最大池化来减小特征图的大小，得到第二阶段的编码结果E17；

对第二阶段的编码结果E26进行第三阶段编码，通过卷积提取特征图的特征，再通过通道注意力进行细节特征捕获，其中通道注意力模块中的第一个激活函数采用PReLU激活函数，最后通过最大池化来减小特征图的大小，得到第三阶段的编码结果E26；

对第三阶段的编码结果27进行第四阶段编码，通过卷积提取特征图的特征，再通过通道注意力进行细节特征捕获，其中通道注意力模块中的第一个激活函数采用PReLU激活函数，最后通过最大池化来减小特征图的大小，得到第四阶段的编码结果E34；

对第四阶段的编码结果27进行第五阶段编码，将图像转化为高语义特征，得到第五阶段的编码结果E39；

进一步地，对第五阶段的编码结果E3进行上采样操作，恢复特征图的大小和细节信息，然后和第四阶段的输出结果E35进行拼接，得到低语义信息和高语义信息融合后的特征图，并对特征图执行卷积操作来对特征图进行解码，得到解码结果E42。

进一步地，对第一阶段的解码结果E42进行上采样操作，恢复特征图的大小和细节信息，然后和第三阶段的输出结果E26进行拼接，得到低语义信息和高语义信息融合后的特征图，并对特征图执行卷积操作来对特征图进行解码，得到解码结果E47。