[发明专利]基于深度稠密网络与边缘距离图加权的图像协同分割方法

权利要求书

1.基于深度稠密网络与边缘距离图加权的图像协同分割方法，其特征在于，包括以下步骤：

步骤1：获取含有共同前景目标的原图及其对应的标记图，并进行数据预处理；

步骤2：对步骤1得到的每一张标记图，计算其对应的真实距离图；

步骤3：搭建一个U形深度稠密连接孪生网络，该深度网络包括编码器和解码器两部分；

其中，在解码器中的反卷积层之间添加稠密连接，解码器中各卷积块的输出经过反卷积放大分辨率、批归一化和激活操作后，传递给其后的网络层；

步骤4：根据步骤1中得到的原图，输入U形深度网络，经过编码器得到对应的特征图；

步骤5：根据步骤4得到的特征图，通过U形深度网络的解码器部分，得到网络预测输出的prediction距离图；

步骤6：将步骤5获得的prediction距离图与步骤2得到的真实距离图求交并比，用1减去该交并比，得到损失项loss_iou，该损失项为距离加权损失函数；

步骤7：根据步骤5得到的prediction距离图和步骤1中的原始标记图，将两图通过一个拟合阶跃函数转换成掩码图，对转换得到的掩码图求均方误差损失loss_mse；

其中，拟合阶跃函数F(x)的计算公式为：

其中，e为自然对数；

均方误差损失为：

loss_mse＝||F(Y_output)-F(Y_label)||² (2)

其中，Y_output和Y_label分别为prediction距离图和真实标记图。

步骤8：对步骤6和步骤7得到的两个损失项加权求和，得最终的损失函数：

loss＝loss_iou+λ*loss_mse (3)

其中，λ为平衡两个损失项大小的调节参数；

步骤9：使用步骤8得到的损失函数，对网络进行更新学习；

步骤10：将待分割的原图输入步骤9中学习完成的网络，得到预测结果图，对预测结果图的每个像素点进行分类，得到最终的掩码图，从而完成前景抠取过程。

2.如权利要求1所述的基于深度稠密网络与边缘距离图加权的图像协同分割方法，其特征在于，步骤1预处理，包括对原图和标记图进行统一大小裁剪和灰度归一化。

3.如权利要求1所述的基于深度稠密网络与边缘距离图加权的图像协同分割方法，其特征在于，步骤2计算真实距离图的方法如下：

对步骤1得到的每一张标记图x，计算其对应的真实距离图M(x)，计算公式如下：

其中，d(x,b)为像素点x到像素点b之间的欧几里得距离，background和foreground分别为图像的前景区域和背景区域，原始图像、原始图像的标记图以及根据标记图求得的距离图，一同构成最终的数据。

4.如权利要求1所述的基于深度稠密网络与边缘距离图加权的图像协同分割方法，其特征在于，步骤6采用以下方法实现：

首先，记p_i、g_i分别为prediction距离图与真实距离图中的前景像素点，u_j、v_j分别为其背景像素点，N和M分别为前景和背景像素点个数。计算两个距离图的三维交并比，将二者中相对小的数视为交集，相对大的数视为并集，之后用1减去该交并比，得到初始loss_iou：

其中，i表示对应的第i个前景像素点，j表示对应的第j个背景像素点；

然后，利用真实距离图对各像素点的重要性进行加权，得到最后的loss_iou：