本发明涉及图像处理方法,尤其涉及一种轻量化多尺度unet网络的图像分割方法。
背景技术:
1、图像分割技术是计算机视觉领域中的重要技术之一,它的主要作用是将一幅图像分割成若干个区域或物体,使每个区域或物体在图像中能够被单独识别和处理。这项技术在医学图像处理、图像编辑和合成、图像分析、图像压缩等领域中都具有重要作用。
2、图像分割算法主要分为基于图像处理技术的图像分割算法以及基于深度学习的图像分割算法。基于阈值的分割算法以及基于边缘检测的分割算法作为基于图像处理技术的图像分割算法,存在对于光照不均匀以及边缘不明显的目标识别效果差的问题,并且依赖算法设计人员的经验。因此,基于深度学习的图像分割方法逐渐成为主流,并且取得了很好的效果。
3、long等基于fcn网络完成了图像分割任务,证明深度学习技术应用于图像分割的可行性。vijay等基于fcn网路提出segnet网络使用编码器-解码器的结构,进一步提升了图像分割的精度,ronnwberger等提出的unet网络使用特征拼接的方式将采样前后的特征进行融合,避免了特征传播过程中的损失问题,被广泛应用于图像分割领域。
4、上述的图像分割网络同时也存在着模型体积较大,检测精度欠佳的问题。夏晓华等提出基于deeplabv3+的轻量化路面裂缝检测模型,其采用moblienetv3网络作为模型的主干网络提取特征,使用ghost卷积替换普通卷积,使模型更加轻量化。瞿中等提出基于注意力机制和轻量级空洞卷积的混凝土路面裂缝检测模型,其采用改进的vgg-16作为主干网络,加入空间注意力机制以及采用不同空洞率的深度可分离卷积,增加了模型检测精度,降低了模型参数量。张定军等提出基于ghostnet的轻量级桥梁裂缝图像语义分割算法,其利用ghostnet替换pspnet网络中的rsenet-50作为主干网络,引入支路结构以及嵌入eca注意力机制等,进一步降低了网络参数量。上述网络虽然相较于原网络更加轻量化,但参数量仍不够小,网络的多尺度特征提取能力较差。
5、通过上述分析,目前网络模型的参数量还需进一步降低,多尺度特征提取能力还需加强,因此,亟须一种兼顾多尺度和轻量化的unet网络图像分割方法。
技术实现思路
1、本发明所要解决的技术问题是如何提供一种具有更少的参数的同时具有更高的检测精度的轻量化多尺度unet网络的图像分割方法。
2、为解决上述技术问题,本发明所采取的技术方案是:一种轻量化多尺度unet网络的图像分割方法,包括如下步骤:
3、s1:数据预处理,对数据集进行数据增强和划分;
4、s2:构建多尺度的轻量化unet图像分割网络,所述轻量化unet图像分割网络包括采用变尺度结构的编码器和解码器两部分,两部分之间通过两个3×3的普通卷积连接,使用基于ghost空洞卷积的glbm模块作为网络的基本特征提取模块,并在网络中添加ema注意力机制进一步提升分割目标的关注度;
5、s3:将解码器网络输出的网络特征进行处理,输出每个像素对应的概率,并结合均方误差损失函数(mse),对图像分割网络进行训练;
6、s4:对所述图像分割网络输出的单像素概率进行后处理,生成分割图像。
7、采用上述技术方案所产生的有益效果在于:本发明所述方法提出了一种ghost空洞卷积,其兼具ghost卷积和空洞卷积的优点,可进一步减少网络的参数量和运算量。基于ghost空洞卷积提出一种轻量化的多尺度特征提取模块,该模块通过调整参数n,控制模块提取尺度的大小,可更好适应网络特征图的变化。使用变尺度结构,进一步提升了网络提取多尺度特征的能力,同时减少网络参数量和运算量。通过添加ema注意力模块,提高模型对分割目标的关注度,减少了背景对于模型精度的影响。相较于基准模型,本发明模型参数量减少了60.45%,同时检测精度上涨18.61%。满足对于公路裂缝检测的速度和精度的要求。
1.一种轻量化多尺度unet网络的图像分割方法,其特征在于包括如下步骤:
2.如权利要求1所述的轻量化多尺度unet网络的图像分割方法,其特征在于,所述方法还包括:
3.如权利要求1所述的轻量化多尺度unet网络的图像分割方法,其特征在于,所述步骤s1中对数据集进行数据增强和划分具体包括如下步骤:
4.如权利要求1所述的轻量化多尺度unet网络的图像分割方法,其特征在于,所述步骤s2构建轻量化unet图像分割网络包括如下步骤:
5.如权利要求4所述的轻量化多尺度unet网络的图像分割方法,其特征在于,所述步骤s21中ghost空洞卷积:
6.如权利要求4所述的轻量化多尺度unet网络的图像分割方法,其特征在于,所述步骤s23中构建多尺度特征提取模块glbm包括如下步骤:
7.如权利要求4所述的轻量化多尺度unet网络的图像分割方法,其特征在于,构建所述图像分割网络包括如下步骤:
8.如权利要求1所述的轻量化多尺度unet网络的图像分割方法,其特征在于,所述步骤s3中特征图处理、网络训练包括如下步骤:
9.如权利要求2所述的轻量化多尺度unet网络的图像分割方法,其特征在于:网络采用查准率precision、召回率recall和f1-score对结果进行评估,查准率的计算方法为:
10.如权利要求1所述的轻量化多尺度unet网络的图像分割方法,其特征在于,所述步骤s4中: