1.一种基于卷积神经网络的条状皮肤瘢痕图像分割方法,其特征在于:包括:获取带有条状皮肤瘢痕的图像;
将所述图像输入至U型编解码网络,通过所述U型编解码网络实现对条状皮肤瘢痕进行图像分割;
其中,所述U型编解码网络包括SADC模块和GGMC模块,所述SADC模块用于使U型编解码网络聚焦于皮肤瘢痕的条状特征,所述GGMC模块用于增加U型编解码网络对于不同尺度、不同长度的皮肤瘢痕的感知能力;
所述U型编解码网络包括编码器、解码器和头部结构,所述编码器用于提取特征,所述解码器用于对编码器提取的特征进行特征恢复,所述头部结构用于对解码器恢复的特征进行图像分割;
所述头部结构包括依次连接的上采样、3×3卷积和1×1卷积;
所述编码器采用ResNet34,所述ResNet34包括依次连接的卷积层、第一残差编码模块、第二残差编码模块、第三残差编码模块和第四残差编码模块,所述第一残差编码模块、第二残差编码模块、第三残差编码模块和第四残差编码模块均包括依次连接的3×3卷积、ReLu激活和3×3卷积,并且输入特征与自身第二个3×3卷积输出进行相加,得到输出结果;
所述解码器包括依次连接的第三解码模块、第二解码模块、第一解码模块和第零解码模块;
所述第一残差编码模块输出的特征经过CBR模块后输入至第一解码模块;
所述第二残差编码模块输出的特征经过CBR模块后输入至第二解码模块;
所述第三残差编码模块输出的特征经过CBR模块后输入至第三解码模块;
所述第四残差编码模块输出的特征经过CBR模块后输入至第三解码模块;
在所述第一解码模块、第二解码模块和第三解码模块中,上一层级特征经过SADC模块,经残差操作及上采样后与残差编码模块对应层级特征进行相加融合,实现特征重构;
在所述第零解码模块中,上一层级特征经过SADC模块,经残差操作及上采样后得到输出结果;
所述第一解码模块和第二解码模块均经过GGMC模块后与第零解码模块的输出相加,再将相加结果输入至头部结构;
所述CBR模块包括依次连接的3×3卷积、批归一化层和ReLu激活函数层;
所述SADC模块包括:
对于输入特征图X∈R
将所述全局描述子Z输入到由两个全连接层构成的多层感知机中,所述多层感知机输出核分配矩阵K=[k所述将所述核分配矩阵K和卷积核参数θ进行融合后作用于特征图X,最终输出O,公式为:O=DConv(X)=Conv(X,∑k
其中,DConv表示动态卷积操作,Conv表示卷积操作;
所述GGMC模块包括:
对于输入特征图X∈R
将所述特征图X
对所述特征图X
2.根据权利要求1所述的基于卷积神经网络的条状皮肤瘢痕图像分割方法,其特征在于:还包括通过构建图像数据集对所述U型编解码网络进行训练,构建图像数据集的方法包括:获取同一条状皮肤瘢痕的多视角图像,利用SFM算法对所述多视角图像进行三维重建,得到条状皮肤瘢痕的三维模型以及每个视角的相机参数,根据相机参数得到每个视角图像相对三维模型的旋转变换矩阵;
在相邻的旋转变换矩阵之间进行插值,并将插值结果对所述三维模型进行三维投影,生成若干二维伪视图。
3.根据权利要求2所述的基于卷积神经网络的条状皮肤瘢痕图像分割方法,其特征在于:所述根据相机参数得到每个视角图像相对三维模型的旋转变换矩阵,公式为:其中,
4.根据权利要求2所述的基于卷积神经网络的条状皮肤瘢痕图像分割方法,其特征在于:所述在相邻的旋转变换矩阵之间进行插值,公式为:其中,t∈(0,1)表示插值比例参数,
5.一种基于卷积神经网络的条状皮肤瘢痕图像分割系统,其特征在于:包括:获取模块:用于获取带有条状皮肤瘢痕的图像;
图像分割模块:用于将所述图像输入至U型编解码网络,通过所述U型编解码网络实现对条状皮肤瘢痕进行图像分割;
其中,所述U型编解码网络包括SADC模块和GGMC模块,所述SADC模块用于使U型编解码网络聚焦于皮肤瘢痕的条状特征,所述GGMC模块用于增加U型编解码网络对于不同尺度、不同长度的皮肤瘢痕的感知能力;
所述U型编解码网络包括编码器、解码器和头部结构,所述编码器用于提取特征,所述解码器用于对编码器提取的特征进行特征恢复,所述头部结构用于对解码器恢复的特征进行图像分割;
所述头部结构包括依次连接的上采样、3×3卷积和1×1卷积;
所述编码器采用ResNet34,所述ResNet34包括依次连接的卷积层、第一残差编码模块、第二残差编码模块、第三残差编码模块和第四残差编码模块,所述第一残差编码模块、第二残差编码模块、第三残差编码模块和第四残差编码模块均包括依次连接的3×3卷积、ReLu激活和3×3卷积,并且输入特征与自身第二个3×3卷积输出进行相加,得到输出结果;
所述解码器包括依次连接的第三解码模块、第二解码模块、第一解码模块和第零解码模块;
所述第一残差编码模块输出的特征经过CBR模块后输入至第一解码模块;
所述第二残差编码模块输出的特征经过CBR模块后输入至第二解码模块;
所述第三残差编码模块输出的特征经过CBR模块后输入至第三解码模块;
所述第四残差编码模块输出的特征经过CBR模块后输入至第三解码模块;
在所述第一解码模块、第二解码模块和第三解码模块中,上一层级特征经过SADC模块,经残差操作及上采样后与残差编码模块对应层级特征进行相加融合,实现特征重构;
在所述第零解码模块中,上一层级特征经过SADC模块,经残差操作及上采样后得到输出结果;
所述第一解码模块和第二解码模块均经过GGMC模块后与第零解码模块的输出相加,再将相加结果输入至头部结构;
所述CBR模块包括依次连接的3×3卷积、批归一化层和ReLu激活函数层;
所述SADC模块包括:
对于输入特征图X∈R
将所述全局描述子Z输入到由两个全连接层构成的多层感知机中,所述多层感知机输出核分配矩阵K=[k所述将所述核分配矩阵K和卷积核参数θ进行融合后作用于特征图X,最终输出O,公式为:O=DConv(X)=Conv(X,∑k
其中,DConv表示动态卷积操作,Conv表示卷积操作;
所述GGMC模块包括:
对于输入特征图X∈R
将所述特征图X
对所述特征图X