[发明专利]基于不确定性知识域自适应的半监督图像分割方法及系统

说明书

本申请属于图像分割技术领域，具体涉及一种基于不确定性知识域自适应的半监督图像分割方法及系统，包括以下步骤：获取待分割图像；基于所获取的待分割图像和预设的图像分割模型，进行待分割图像的分割处理；其中，所述图像分割模型采用半监督分割模型，基于所构建的不确定性知识库提取所获取的待分割图像的图像样本特征，基于特征迁移的域自适应将所提取到的图像样本特征迁移到半监督分割模型，完成待分割图像的分割处理。

技术领域

本申请属于图像分割技术领域，具体涉及一种基于不确定性知识域自适应的半监督图像分割方法及系统。

背景技术

本部分的陈述仅仅是提供了与本申请相关的背景技术信息，不必然构成在先技术。

图像分割是计算机视觉的重要研究方向，在图像分析、自动驾驶、疾病诊断等众多任务中具有广泛的应用。近年来，深度卷积神经网络在语义分割方面取得了显著的进展。然而，基于卷积神经网络（Convolutional Neural Networks,简称CNN）的方法的成功得益于大量人工标记的数据。数据标记通常需要昂贵的时间成本，故而全监督语义分割对像素级别的手动标记的需求使得其比目标检测和图像分类等其他视觉任务所花费的成本更为昂贵。半监督分割方法可以利用大量的未标记数据和少量的标记数据学习分割模型，进而解决由于标记数据较少造成的分割精度下降的问题。

据发明人了解，现有的半监督方法虽然可在一定程度上解决标记数据较少的问题，但难以学习异常图像中所包含的不确定性知识（由于设备、外部采集环境等不确定因素造成的异常图像中包含的模糊特征）；例如，设备、外部采集环境等不确定性因素引起光学相干断层扫描仪(Optical Coherence Tomography，简称OCT)图像的异常（例如，噪声，边界模糊等等），影响了分割模型的精度。

发明内容

为了解决上述问题，本申请提出了一种基于不确定性知识域自适应的半监督图像分割方法及系统，引入不确定性知识迁移正则化项，将不确定性知识迁移到图像分割模型中，引入自训练模式，增加有效标记数据的数量，提升半监督分割框架的分割精度，有效地解决标记数据较少和不确定性因素引起的分割精度低问题。

根据一些实施例，本申请的第一方案提供了一种基于不确定性知识域自适应的半监督图像分割方法，采用如下技术方案：

一种基于不确定性知识域自适应的半监督图像分割方法，包括以下步骤：

获取待分割图像；

基于所获取的待分割图像和预设的图像分割模型，进行待分割图像的分割处理；

其中，所述图像分割模型采用半监督分割模型，基于所构建的不确定性知识库提取所获取的待分割图像的图像样本特征，基于特征迁移的域自适应将所提取到的图像样本特征迁移到半监督分割模型，完成待分割图像的分割处理。

作为进一步的技术限定，在构建不确定性知识库之前，对数据集进行数据增强的预处理；所述预处理包括随机裁剪、水平翻转、垂直翻转、随机旋转和添加高斯噪声。

进一步的，对预处理后的数据集进行图像尺寸的归一化处理，保证预处理后的数据集中的所有图片尺寸大小统一。

进一步的，在构建不确定性知识库的过程中，通过数据增强构造包含错分区域特征的图像，基于所构造的包含错分区域特征的图像得到不确定性知识。

进一步对，利用预训练好的U-net网络对输入图像进行分割，得到输入图像的分割掩模图，对标签图像的掩模图与输入图像的分割掩模图作差，得到包含错分区域的掩模图，完成错分区域的提取。