一种端到端的图像分割处理方法及系统技术方案

本发明专利技术涉及图像处理技术领域，公开了一种端到端的图像分割处理方法及系统，所述方法包括：获取用于进行端到端的图像分割处理的测试用图，作为训练的样本图像；建立端到端的图像分割网络，并用样本图像来进行训练学习；根据所得到的图像分割网络模型对目标图像进行分割，实现对所述目标图像的分割并一次性输出整幅目标图像的分割结果。本发明专利技术通过端到端的图像分割处理方法对图像分割的精度更高，无需切割小图，节省计算机存储资源，减少准备图像的时间，可以一次性输出整幅图像的分割结果，提升了分割速度，也使得图像分割的步骤更加简便。

【技术实现步骤摘要】

本专利技术涉及图像处理
，尤其涉及的是一种端到端的图像分割处理方法及系统。
技术介绍
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。在现有的图像分割技术中，基于神经网路的图像（以神经网络图为例，但不限于神经网络图）分割技术，以其模拟人类感知的算法特点，在分割性能上，较其他算法有显著提升。而此类方法普遍采用切割成小图进行训练学习的模式，训练的数据需要将图像切割成小图，以获取大量的训练样本；而相对应的，测试的图像也必须切割成同等大小的小图进行测试。因此在训练环节需要耗费部分时间在切割小图的过程中，而在测试环节则需要耗费大部分时间在切割小图和拼接成整图的过程中。所以现有技术方案普遍存在耗时严重的问题。另外切割后的小图还需要存储起来以进行训练，也会造成计算机存储等资源的浪费。因此，针对上述缺陷，现有技术还有待于改进和发展。
技术实现思路
本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种端到端的图像分割处理方法及系统，旨在通过端到端的图像分割处理方法实现更高精度的图像分割，无需切割小图，节省计算机存储资源，减少准备图像的时间，可以一次性输出整幅图像的分割结果，提升了分割速度，也使得图像分割的步骤更加简便。本专利技术解决技术问题所采用的技术方案如下：一种端到端的图像分割处理方法，其中，包括：步骤A，获取用于进行端到端的图像分割处理的测试用图，作为训练的样本图像；步骤B，建立端到端的图像分割网络，并用样本图像来进行训练学习；步骤C，根据所得到的图像分割网络模型对目标图像进行分割，实现对所述目标图像的分割并一次性输出整幅目标图像的分割结果。所述端到端的图像分割处理方法，其中，所述图像分割网络由特征粗提取子网络和重建子网络构成。所述端到端的图像分割处理方法，其中，所述特征粗提取子网络由图像缩小和特征提取两个环节构成，在特征粗提取子网络中，先对图像进行缩小处理，或者分步缩小，然后提取特征。所述端到端的图像分割处理方法，其中，所述重建子网络由图像放大和分类图重建两个环节构成，在重建子网络中，对图像进行相对应的放大操作和分类图重建。所述端到端的图像分割处理方法，其中，所述步骤C具体包括：C1，在特征粗提取子网络的图像缩小环节，经过第一个卷积层和下采样层后，目标图像缩小为原来的大小的1/2，然后特征粗提取子网络经过若干个卷积层提取到合适的特征，在重建子网络中，目标图像先经过一个反卷积层恢复为原始尺寸，然后与第一个卷积层的卷积结果进行叠加，并通过一个卷积层重建最终分类图；或者在特征粗提取子网络的图像缩小环节，经过若干个卷积层和下采样层进行若干次缩小，然后特征粗提取子网络经过若干个卷积层提取到合适的特征，在重建子网络中，目标图像先经过若干个反卷积层和对应的卷积层进行叠加恢复为原始尺寸，最后与第一个卷积层的卷积结果进行叠加，并通过一个卷积层重建最终分类图。一种端到端的图像分割处理系统，其中，包括：图像获取单模块，用于获取进行端到端的图像分割处理的测试用图，作为训练的样本图像；图像分割网络建立模块，用于建立端到端的图像分割网络，并用样本图像来进行训练学习；图像分割模块，用于根据所得到的图像分割网络模型对目标图像进行分割，实现对所述目标图像的分割并一次性输出整幅目标图像的分割结果。所述端到端的图像分割处理系统，其中，所述图像分割网络建立模块中的图像分割网络由特征粗提取子网络和重建子网络构成。所述端到端的图像分割处理系统，其中，所述图像分割网络建立模块还包括：图像缩小和特征提取单元，所述特征粗提取子网络由图像缩小和特征提取两个环节构成，在特征粗提取子网络中，用于先对图像进行缩小处理，或者分步缩小，然后提取特征。所述端到端的图像分割处理系统，其中，所述图像分割网络建立模块还包括：图像放大和分类图重建单元，所述重建子网络由图像放大和分类图重建两个环节构成，在重建子网络中，用于对图像进行相对应的放大操作和分类图重建。所述端到端的图像分割处理系统，其中，所述图像分割模块具体包括：图像处理单元，用于在特征粗提取子网络的图像缩小环节，经过第一个卷积层和下采样层后，目标图像缩小为原来的大小的1/2，然后特征粗提取子网络经过若干个卷积层提取到合适的特征，在重建子网络中，目标图像先经过一个反卷积层恢复为原始尺寸，然后与第一个卷积层的卷积结果进行叠加，并通过一个卷积层重建最终分类图；或者用于在特征粗提取子网络的图像缩小环节，经过若干个卷积层和下采样层进行若干次缩小，然后特征粗提取子网络经过若干个卷积层提取到合适的特征，在重建子网络中，目标图像先经过若干个反卷积层和对应的卷积层进行叠加恢复为原始尺寸，最后与第一个卷积层的卷积结果进行叠加，并通过一个卷积层重建最终分类图。本专利技术公开了一种端到端的图像分割处理方法及系统，所述方法包括：获取用于进行端到端的图像分割处理的测试用图，作为训练的样本图像；建立端到端的图像分割网络，并用样本图像来进行训练学习；根据所得到的图像分割网络模型对目标图像进行分割，实现对所述目标图像的分割并一次性输出整幅目标图像的分割结果。通过本专利技术能够取得如下有益效果：1.对图像分割的精度更高。因为图像缩小的原因，在使用同等大小的卷积核来预测一个像素点是否为血管的时候，可以从更大范围的邻域来进行估计。理论上在图像无限缩小的情况下，对于一个像素点是否为血管的估计值，可以由整幅图像来支撑。使用更多的信息进行估值判断，可以得到更高的判断精度。2.本专利技术可以一次性输出整幅图像的分割结果，提升了分割速度，也使得图像分割的步骤更加简便。本专利技术提出的是一种端到端的图像分割处理方法，主要是通过图像分割学习网络模型实现对整幅图像的估计输出，因此相较于切割小图方案，可以实现对整幅图像分割结果的一次性输出。而且无需切割小图、拼接成整图的繁琐步骤，使得图像分割速度进一步提高。3.本专利技术无需切割小图，节省计算机存储资源。现有分割技术中普遍需要将图像切割成小图，存储这些由小图构成的训练集，会消耗大量的存储资源。而本专利技术中实现的是端到端的图像分割学习，加以配套的训练数据准备网络，以少量的计算机存储资源，实现图像分割目标。4.本专利技术采用对缩小图像进行特征粗提取的方法，有效降低整个神经网路的宽度，因此本专利技术是一种普通实验室条件可实现的端到端的图像分割方法。一般的端到端的训练方式，由于其图像大小的要求，需要十分庞大的网络来支撑训练，这就需要大量的计算机运行内存，显卡内存等资源，而普通研究机构的计算机性能无法满足这样的要求，这也是目前在图像分割领域，切割成小图的方案盛行的主要原因，因此本专利技术的提出解决了这种困扰。附图说明图1是本专利技术端到端的图像分割处理方法的较佳实施例的流程图。图2是本专利技术端到端的图像分割处理方法中样本图片（神经网络图）示意图。图3是图2中样本图片对应的准确的分类图。图4是本专利技术端到端的图像分割处理方法的第一实施例的流程图。图5是本专利技术端到端的图像分割处理方法的第二实施例的流程图。图6是本专利技术端到端的图像分割处理方法的第二实施例中所述特征粗提取子网络的最终输出的分类图。图7是本专利技术端到端的图像分割处理方法的第二实施例中重建子网络中图像第一次放大输出的分类图（图5中deconv1层的输出）。图8是本专利技术端到本文档来自技高网...

【技术保护点】
一种端到端的图像分割处理方法，其特征在于，包括：步骤A，获取用于进行端到端的图像分割处理的测试用图，作为训练的样本图像；步骤B，建立端到端的图像分割网络，并用样本图像来进行训练学习；步骤C，根据所得到的图像分割网络模型对目标图像进行分割，实现对所述目标图像的分割并一次性输出整幅目标图像的分割结果。

【技术特征摘要】
1.一种端到端的图像分割处理方法，其特征在于，包括：步骤A，获取用于进行端到端的图像分割处理的测试用图，作为训练的样本图像；步骤B，建立端到端的图像分割网络，并用样本图像来进行训练学习；步骤C，根据所得到的图像分割网络模型对目标图像进行分割，实现对所述目标图像的分割并一次性输出整幅目标图像的分割结果。2.根据权利要求1所述端到端的图像分割处理方法，其特征在于，所述图像分割网络由特征粗提取子网络和重建子网络构成。3.根据权利要求2所述端到端的图像分割处理方法，其特征在于，所述特征粗提取子网络由图像缩小和特征提取两个环节构成，在特征粗提取子网络中，先对图像进行缩小处理，或者分步缩小，然后提取特征。4.根据权利要求2所述端到端的图像分割处理方法，其特征在于，所述重建子网络由图像放大和分类图重建两个环节构成，在重建子网络中，对图像进行相对应的放大操作和分类图重建。5.根据权利要求2所述端到端的图像分割处理方法，其特征在于，所述步骤C具体包括：C1，在特征粗提取子网络的图像缩小环节，经过第一个卷积层和下采样层后，目标图像缩小为原来的大小的1/2，然后特征粗提取子网络经过若干个卷积层提取到合适的特征，在重建子网络中，目标图像先经过一个反卷积层恢复为原始尺寸，然后与第一个卷积层的卷积结果进行叠加，并通过一个卷积层重建最终分类图；或者在特征粗提取子网络的图像缩小环节，经过若干个卷积层和下采样层进行若干次缩小，然后特征粗提取子网络经过若干个卷积层提取到合适的特征，在重建子网络中，目标图像先经过若干个反卷积层和对应的卷积层进行叠加恢复为原始尺寸，最后与第一个卷积层的卷积结果进行叠加，并通过一个卷积层重建最终分类图。6.一种端到端的图像分割处理系统，其特征在于，包括：图像获取模块，用于获取进行端到端的图像分割处理的测...

【专利技术属性】
技术研发人员：李乔亮，谢林培，陈哲玮，钟金亮，许育祯，吴亚杰，张会生，齐素文，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东;44