欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023106820910
申请人: 苏州大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

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