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: 2024115961414
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:

1.一种湖泊图像分割方法,其特征在于,包括:

将待分割湖泊图像输入训练好的改进U-Net网络中,获取待分割湖泊图像的预测图的灰度值,包括:将待分割湖泊图像经编码器、最大池化层处理,提取池化特征;

将池化特征输入至压缩-激励注意力模块,对池化特征依次进行最大平均池化、sigmoid激活、线性变换、ReLU激活与线性变换,输出优化特征;

将优化特征经解码器、预测头处理,输出待分割湖泊图像的预测图的灰度值;

基于待分割湖泊图像的预测图的灰度值,利用阈值-形态学处理方法,获取待分割湖泊图像的预测图的强度值,构建初始水平集函数;

基于待分割湖泊图像的预测图的灰度值,利用Scharr算子进行检测,获取数据驱动项;

利用数据驱动项对初始水平集函数进行迭代更新,直至相邻两次更新后的水平集函数的差值,小于预设阈值,得到目标水平集函数;

利用目标水平集函数作为目标轮廓线,对待分割湖泊图像进行分割;

其中,改进U-Net网络的训练过程,包括:

获取湖泊图像及其对应的真值图像构建数据集,并划分为训练集与测试集;

将湖泊图像输入改进U-Net网络的编码器进行多次卷积,输出卷积特征;对卷积特征进行最大池化,输出池化特征;将池化特征输入压缩-激励注意力模块,依次进行最大平均池化、ReLU激活、线性变换、sigmoid激活与线性变换,输出优化特征;解码器对优化特征进行多次上采样,输出预测图;将预测图输入预测头,输出湖泊图像的预测图的灰度值;

基于解码器输出的预测图与对应的真值图像之间的二值交叉损失,以及预测图的灰度值与真值图像的灰度值,构建联合损失函数;

利用训练集对改进U-Net网络进行训练,直至联合损失函数收敛,获取训练好的改进U-Net网络。

2.根据权利要求1所述的湖泊图像分割方法,其特征在于,所述联合损失函数,表示为:;

其中,表示解码器输出的输入图像的预测图,为输入图像的真值图像;为二值交叉熵损失;为大于零的权重参数;为输入图像的平均灰度值,为真值图像的平均灰度值;为输入图像的灰度值的方差,为真值图像的灰度值的方差,为输入图像和真值图像的灰度值的协方差;和均为大于零的预设参数。

3.根据权利要求1所述的湖泊图像分割方法,其特征在于,所述基于待分割湖泊图像的预测图的灰度值,利用阈值-形态学处理方法,获取待分割湖泊图像的预测图的强度值,构建初始水平集函数,包括:对待分割湖泊图像的预测图的灰度值,进行形态学处理,获取形态学强度值,表示为:;

基于形态学强度值与预设强度值,对待分割湖泊图像的预测图的灰度值,进行阈值处理,获取目标强度值,表示为:;

基于目标强度值,构建待分割湖泊图像的初始水平集函数,表示为:;

其中,待分割湖泊图像的预测图的灰度值表示为,为待分割湖泊图像内的矢量像素点,为预测头;表示腐蚀运算符号,表示膨胀运算符号,表示边长为b的正方形结构元素,表示大于零的预设强度值。

4.根据权利要求3所述的湖泊图像分割方法,其特征在于,所述基于待分割湖泊图像的预测图的灰度值,利用Scharr算子进行检测,获取数据驱动项,包括:利用Scharr算子待分割湖泊图像的预测图的灰度值进行检测,获取边缘计算结果,表示为:;

基于边缘计算结果与softsign函数,计算数据驱动项,表示为:;

其中,表示Scharr算子在水平方向上的卷积核,表示Scharr算子在垂直方向上的卷积核,表示卷积运算符号;表示调整数据驱动项值域的权重参数;表示辅助水平集函数判断演化方向的常数,当初始轮廓线内部的矢量像素点的平均灰度值不大于初始轮廓线外部的矢量像素点的平均灰度值时,的值为1;反之,的值为-1;表示softsign函数,表示softsign函数的计算变量,表示绝对值计算符号。

5.根据权利要求4所述的湖泊图像分割方法,其特征在于,目标水平集函数的获取,包括:利用水平集更新迭代公式,对水平集函数进行迭代更新,获取初始水平集函数经过n次迭代更新后的水平集函数,表示为:;

直至相邻两次更新后的水平集函数的差值的绝对值小于预设阈值,获取当前更新后的水平集函数,作为目标水平集函数;

其中,表示待分割湖泊图像内的矢量像素点,表示初始水平集函数经过第次更新后的水平集函数;表示窗口大小为的均值滤波器,为大于零的常数;为大于零的常数,表示时间步长。

6.根据权利要求1所述的湖泊图像分割方法,其特征在于,所述将待分割湖泊图像经编码器、最大池化层处理,提取池化特征,包括:将待分割湖泊图像输入编码器进行多次卷积,输出卷积特征,表示为:;

对卷积特征进行最大池化,输出池化特征,表示为:;

其中,为经过编码器第4层卷积层提取的输入图像的第四卷积特征,为经过编码器第3层卷积层提取的输入图像的第三卷积特征,为经过编码器第2层卷积层提取的输入图像的第二卷积特征,为经过编码器第1层提取的输入图像的第一卷积特征;为最大池化层;

卷积层表示为:,为膨胀率为的空洞卷积,为激活函数。

7.根据权利要求6所述的湖泊图像分割方法,其特征在于,所述将池化特征输入至压缩-激励注意力模块,对池化特征依次进行最大平均池化、sigmoid激活、线性变换、ReLU激活与线性变换,输出优化特征,表示为:;

其中,表示优化特征;为线性变换函数,为激活函数,为激活函数,为最大平均池化层。

8.根据权利要求7所述的湖泊图像分割方法,其特征在于,所述将优化特征经解码器、预测头处理,输出待分割湖泊图像的预测图的灰度值,包括:将优化特征输入解码器,经过多次上采样,输出预测图,表示为:;

将预测图输入预测头,输出待分割湖泊图像的预测图的灰度值,表示为:;

其中,为优化特征经过上采样操作后得到的特征图,为经过上采样操作后得到的特征图,为经过上采样操作后得到的特征图,为经过上采样操作后得到的特征图,表示解码器输出的输入图像的预测图;为预测头;

上采样操作,表示为:,为卷积操作,为图像拼接操作,为反卷积操作。

9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1至8任一项所述的湖泊图像分割方法中的步骤。