1.一种基于改进U2‑Net网络的图像分割方法,其特征在于,包括如下步骤:
1)获取数据集,并将数据集分为训练集和测试集,然后将数据集中的所有图像进行预处理,并利用高斯滤波器来降低图像噪声;
2)对步骤1)的图像进行自适应直方图平滑处理,增加多发性畸形区域与其他区域的对比度,以减少无关区域对目标区域分割的影响;
3)数据扩增,将步骤2)的图像进行角度旋转、反转和旋转操作,其中角度旋转操作设置为顺时针、逆时针旋转30°、60°,反转操作设置为水平翻转,旋转操作设置为垂直旋转;
4)训练集中的图像作为模型的输入输送到RSU‑7层的编码器En_1中,RSU‑7层编码器中的卷积块为稠密连接模块1,共有7层卷积块,中间的跳跃连接采用长短连接相结合的连接模式,整合图像特征,以此提取图像特征,将RSU‑7层编码器的结果送入通道注意力模块,记为输出1;
5)将输出1送入RSU‑6层的编码器En_2中,RSU‑6层编码器的卷积块是稠密连接模块2,共有6层卷积块,中间的跳跃连接采用长短连接相结合的连接模式,进一步提取图像特征,缩小空间尺度,将RSU‑6层编码器结果送入通道注意力模块,记为输出2;
6)将输出2送入RSU‑5层的编码器En_3中,RSU‑5层编码器的卷积块是稠密连接模块3,共有5层卷积块,中间的跳跃连接采用长短连接相结合的连接模式,进一步提取图像特征,缩小空间尺度,将RSU‑5层编码器结果送入通道注意力模块,记为输出3;
7)将输出3送入RSU‑4层的编码器En_4中,RSU‑4层编码器的卷积块是稠密连接模块4,共有4层卷积块,中间的跳跃连接采用长短连接相结合的连接模式,进一步提取图像特征,缩小空间尺度,将RSU‑4层编码器结果送入通道注意力模块,记为输出4;
8)将输出4送入RSU‑4F层的编码器En_5中,RSU‑4F层卷积块的跳跃连接保持U2‑Net原网络的设计不变,将RSU‑4F层编码器结果送入通道注意力模块,记为输出5;
9)将输出5送入RSU‑4F层的编码器En_6中,RSU‑4F层卷积块的跳跃连接保持U2‑Net原网络的设计不变,将RSU‑4F层编码器结果送入通道注意力模块,得到输出6,显著概率图6;
10)将输出6送入RSU‑4F层的解码器De_5中,RSU‑4F层卷积块的跳跃连接保持U2‑Net原网络的设计不变,将RSU‑4F层解码器结果送入通道注意力模块,得到输出7,显著概率图5;
11)将输出7送入RSU‑4层的解码器De_4中,RSU‑4层解码器的卷积块是稠密连接模块4,共有4层卷积块,中间的跳跃连接采用长短连接相结合的连接模式,提取图像特征,放大空间尺度,将RSU‑4层解码器结果送入通道注意力模块,得到输出结果8,显著概率图4;
12)将输出8送入RSU‑5层的解码器De_3中,RSU‑5层解码器的卷积块是稠密连接模块3,共有5层卷积块,中间的跳跃连接采用长短连接相结合的连接模式,进一步提取图像特征、放大空间尺度,将RSU‑5层解码器结果送入通道注意力模块,得到输出结果9,显著概率图3;
13)将输出9送入RSU‑6层的解码器De_2中,RSU‑6层解码器的卷积块是稠密连接模块2,共有6层卷积块,中间的跳跃连接采用长短连接相结合的连接模式,进一步提取图像特征、放大空间尺度,将RSU‑6层解码器结果送入通道注意力模块,得到输出结果10,显著概率图
2;
14)将输出10送入RSU‑7层的解码器De_1中,RSU‑7层解码器的卷积块是稠密连接模块
1,共有7层卷积块,中间的跳跃连接采用长短连接相结合的连接模式,进一步提取图像特征、放大空间尺度,得到显著概率图1;
15)将显著概率图1 显著概率图6通过卷积层和Sigmoid激活函数后映射为0到1之间的~像素值,表示每个像素属于前景即物体的概率,得到分割图。