[发明专利]一种图像实例分割方法

权利要求书

1.一种图像实例分割方法，其特征在于，包括如下步骤：

1)将目标图像输入至构建的初始轮廓提取模型中，得到图像中目标的初始轮廓；并在初始轮廓上采样若干个轮廓点；

2)在每个轮廓点周围提取若干个假设变形点；

3)利用构建的特征提取模型，得到各个轮廓点的特征以及每个轮廓点周围假设变形点的特征；所述特征提取模型为ResNet-FPN模型；利用ResNet-FPN模型得到各个轮廓点的特征以及每个轮廓点周围假设变形点的特征的手段为：先将目标图像输入至ResNet-FPN模型中，得到若干个特征图；利用插值法从各个特征图中得到每个轮廓点和每个假设变形点的特征；

4)将得到的各个轮廓点的特征、以及每个轮廓点周围假设变形点的特征输入至构建的变形轮廓提取模型中，得到每个轮廓点的变形结果，进而得到图像中目标的变形轮廓，判断变形轮廓的质量是否满足要求，若不满足要求，则在变形轮廓上采样若干个轮廓点，并重复步骤2)至步骤4)，直至最终得到的变形轮廓的质量满足要求或者重复迭代的次数达到要求；步骤4)中，所述变形轮廓提取模型为图卷积神经网络模型。

2.根据权利要求1所述的图像实例分割方法，其特征在于，一个轮廓点及其周围提取的若干个假设变形点构成一个假设变形点网，所述假设变形点网的大小为：

S＝[S₀+log₂(wh/WH)]

其中，[]表示取整处理；S为假设变形点网的大小；S₀为面积为W×H的对象所应在的层级；w和h分别为检测框的宽和高；W和H分别为目标图像的宽和高。

3.根据权利要求1所述的图像实例分割方法，其特征在于，得到的特征图PX的个数为3个且为相邻的3个，分别为第一特征图P(K-1)、第二特征图PK、以及第三特征图P(K+1)；其中，X的值越小，表示对应的特征图是利用越低的卷积层进行处理得到；K的取值为：

K＝[K₀+log₂(wh/WH)]

其中，[]表示取整处理；w和h分别为检测框的宽和高；W和H分别为目标图像的宽和高；K₀为面积为W×H的对象所应在的层级。

4.根据权利要求1所述的图像实例分割方法，其特征在于，步骤1)中，所述初始轮廓提取模型为Mask R-CNN模型。

5.根据权利要求1～4任一项所述图像实例分割方法，其特征在于，在对构建的初始轮廓提取模型、特征提取模型、以及变形轮廓提取模型进行训练时，所采用的损失函数L为：

其中，表示损失函数；L_{poi_n}表示对于每一个轮廓点的损失函数，为预测点的坐标，为真实点的坐标；L_{con_n}表示对于整个轮廓的损失函数，N为轮廓点总数，为预测的轮廓点的坐标，x_i为真实轮廓点的坐标；n为迭代次数；L_{Mask_n}是在检测框范围内所有像素的平均二值交叉熵损失。

6.根据权利要求1所述的图像实例分割方法，其特征在于，重复迭代的次数的要求为3次。