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: 2025109627825
申请人: 湖南大学
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:

1.一种非结构化环境显著性语义分割方法,其特征在于,包括如下步骤:步骤S1,获取待分割的非结构化环境图像,利用ghost卷积生成非结构化环境图像的原始特征图;

步骤S2,采用亲和关系空间注意力和亲和关系通道注意力分别学习原始特征图中不同位置及不同通道的重要性,生成考虑亲和关系注意力的特征图;

步骤S3,将考虑亲和关系注意力的特征图映射到类别空间,生成每个像素的类别概率分布,得到分割结果;

步骤S4,将分割结果依次经过傅里叶变换、带通滤波和傅里叶逆变换进行去噪,引入差异扩大化映射关系函数扩大分割结果中的图像灰度差;

差异扩大化映射关系函数,表示为:

,

式中,表示中间参数;表示差异扩大化映射关系函数;表示放大因子;表示图像灰度像素值的最大值,取值为255;表示傅里叶逆变换算子;表示傅里叶变换算子;表示上取整函数;表示带通滤波中频率点到频率中心点的欧几里得距离;表示频带带宽。

2.根据权利要求1所述的非结构化环境显著性语义分割方法,其特征在于,原始特征图的生成过程具体包括如下步骤:步骤S11:对非结构化环境图像进行卷积运算提取特征,生成尺寸为的特征图,式中,、、分别表示特征图的通道数、高度和宽度;

步骤S12,对特征图进行ghost卷积,生成特征图;

步骤S13,对特征图执行一次卷积运算,生成特征图;

步骤S14,将特征图与特征图沿通道维度拼接得到尺寸为原始特征图;

步骤S15,将原始特征图进理行批归一化并采用hardswish函数激活。

3.根据权利要求2所述的非结构化环境显著性语义分割方法,其特征在于,亲和关系空间注意力的处理过程具体包括如下步骤:步骤S211,将原始特征图分别在通道维度上进行全局最大池化与全局平均池化,得到两个尺寸为的空间注意力向量、;

步骤S212,将原始特征图划分为个特征单元,并平铺重塑为特征图;其中,,表示实数集;

步骤S213,将特征图分别经过两个不同的转换函数和进行转换,生成特征图和,其中,转换函数和均由卷积核为1的卷积层、批归一化和ReLU激活函数组成;

步骤S214,将特征图和特征图做矩阵乘法,得到亲和关系矩阵;

步骤S215,将亲和关系矩阵分别按行和列元素重塑形状为的两个关系特征图和;

步骤S216,将通道注意力向量、以及关系特征图和在通道方向上进行拼接得到特征图;

步骤S217,将特征图分别通过两个转换函数和提取全局信息,生成尺寸为的亲和关系空间注意力权值矩阵,其中,由卷积核为1的卷积层、批归一化层和ReLU激活函数组成,由卷积核为1的卷积层、批归一化层和Sigmoid激活函数组成。

4.根据权利要求3所述的非结构化环境显著性语义分割方法,其特征在于,亲和关系通道注意的处理过程具体包括如下步骤:步骤S221,将原始特征图分别在空间维度上进行全局最大池化与全局平均池化,即可得到两个尺寸为通道注意力向量、;

步骤S222,将特征图按通道方向划分为C个特征单元,并平铺重塑为特征图;

步骤S223,将特征图分别经过两个不同的转换函数和转换为特征图和,转换函数和均由卷积核为1的卷积层、批归一化和ReLU激活函数组成;

步骤S224,将特征图和做矩阵乘法,得到亲和关系矩阵;

步骤S225,将亲和关系矩阵分别按行和列元素重塑形状为的两个关系特征图和;

步骤S226,将通道注意力向量、和关系特征图和在通道方向上进行拼接得到新的特征图;

步骤S227,将特征图通过转换函数和提取全局信息,生成尺寸为的亲和关系通道注意力权值矩阵。

5.根据权利要求4所述的非结构化环境显著性语义分割方法,其特征在于,考虑亲和关系注意力的特征图生成过程具体包括如下步骤:步骤S231,将原始特征图与亲和关系空间注意力权值矩阵沿通道方向逐元素相乘得到特征图;

步骤S232,再将特征图与亲和关系通道注意力权重矩阵沿空间位置按元素相乘,得到特征图;

步骤S233,最后将原始特征图与特征图按元素相加得到考虑亲和关系注意力的特征图。

6.根据权利要求5所述的非结构化环境显著性语义分割方法,其特征在于,步骤S3具体包括如下过程:使用1×1卷积调整特征图的通道数,使其等于类别数,然后使用Sigmoid 函数,将每个像素的输出值压缩到 [0,1],表示属于灰尘或者雾霾的概率。

7.根据权利要求6所述的非结构化环境显著性语义分割方法,其特征在于,傅里叶变换的过程如下:式中,表示在频率点处的复数值傅里叶系数,表示频率域的垂直空间频率分量索引,表示频率域中的水平空间频率分量索引;表示空间域坐标处像素的强度,表示空间域中像素的行索引,表示空间域中像素的列索引;表示虚数单位;

带通滤波器表示为:

式中,表示带通滤波器在频率点处的响应值;表示中心频率;

傅里叶逆变换表示为:

。

8.一种用于执行权利要求1-7中任一项所述的非结构化环境显著性语义分割方法的系统,其特征在于,包括:语义分割网络,所述语义分割网络以ghost亲和关系注意力模块取代传统Unet网络中的特征提取模块得到,所述ghost亲和关系注意力模块包括依次连接的ghost卷积层、亲和关系注意力层以及输出层,其中:所述ghost卷积层用于获取待分割的非结构化环境图像,利用ghost卷积生成非结构化环境图像的原始特征图;

所述亲和关系注意力层用于采用亲和关系空间注意力和亲和关系通道注意力分别学习原始特征图中不同位置及不同通道的重要性,生成考虑亲和关系注意力的特征图;

所述输出层用于将考虑亲和关系注意力的特征图映射到类别空间,生成每个像素的类别概率分布,得到分割结果;

差异扩大化模块,用于将分割结果依次经过傅里叶变换、带通滤波和傅里叶逆变换进行去噪,引入差异扩大化映射关系函数扩大分割结果中的图像灰度差。

9.根据权利要求8所述的系统,其特征在于,所述语义分割网络包括6层编码器和5层解码器,每层编码器和解码器均以所述ghost亲和关系注意力模块作为特征提取的基本模块,编码器层通过下采样提取输入图像的抽象特征,解码器通过上采样重建图像的细节,输出一个显著性图,该显著性图以预测的概率值作为灰尘浓度值,用于反映灰尘的浓度差异;编码器与解码器之间跳跃连接,将编码器的局部特征直接传递到解码器,弥补下采样中的空间信息丢失;所述语义分割网络的每个解码器输出一个分割结果,将所有解码器的输出结果进行加权求和得到最终的分割结果图。