【技术实现步骤摘要】
本专利技术涉及图像处理，具体而言，涉及一种目标物体分割方法及系统。
技术介绍
1、在图像处理
，对于目标物体的分割，特别是针对轮廓不明显的目标物体的分割比较困难，例如医学领域中对息肉影像的分割，由于息肉的边界不明显且对比度低，导致息肉的识别更加困难，因此，通常采用注意力机制来对目标物体的轮廓进行分割。
2、在现有技术中，通过注意力机制对目标物体轮廓进行分割，通常对于边缘清晰的物体分割效果较好，例如对比度较高的中晚期息肉，但对于边缘对比度较低的物体则效果不佳，例如早期的息肉。而对于polyp-pvt，通常由于一些物体的边界存在较高的模糊性，导致难以有效地将高级语义信息与浅层边界信息进行融合，例如小尺寸的息肉，因此导致对物体轮廓分割的效果不佳。
技术实现思路
1、本专利技术解决的问题是如何提高对目标物体轮廓分割的准确性。
2、为解决上述问题，本专利技术提供一种目标物体分割方法及系统。
3、第一方面，本专利技术提供的目标物体分割方法，包括：
4、获取包含目标物体的检测图像，并对所述检测图像进行特征提取得到底层特征和上采样特征；
5、通过级联聚合模块将所述底层特征和所述上采样特征进行融合得到级联特征图；
6、通过边界提取模块将所述底层特征转化为边界特征图，并对所述边界特征图和所述级联特征图分别进行边界扩展和语义扩展，得到边界最终特征图和级联最终特征图；
7、根据所述边界最终特征图和所述级联最终特征图对
8、可选地，所述对所述检测图像进行特征提取得到底层特征和上采样特征，包括：
9、通过金字塔视觉变换器的编码器网络对所述检测图像进行深度特征提取，得到底层特征图和深层特征图；
10、通过所述编码器网络的上采样模块，将所述深层特征图进行上采样操作，得到与原始检测图像分辨率相同的上采样特征图；
11、将所述底层特征图与上采样特征图结合，得到所述底层特征和对应的所述上采样特征。
12、可选地，所述通过级联聚合模块将所述底层特征和所述上采样特征进行融合得到级联特征图，包括：
13、通过所述级联聚合模块的轻量注意力机制，将所述底层特征和所述上采样特征进行融合，得到注意力加权特征图；
14、通过所述级联聚合模块的通道空间注意力模块，从通道维度和空间维度上对所述底层特征进行加权，得到通道注意力特征图和空间注意力特征图；
15、根据所述注意力加权特征图、所述通道注意力特征图和所述空间注意力特征图，得到所述级联特征图。
16、可选地，所述通过所述级联聚合模块的轻量注意力机制，将所述底层特征和所述上采样进行融合，得到注意力加权特征图，包括：
17、根据所述检测图像的所述上采样特征和所述底层特征进行卷积运算，得到所述上采样特征和所述底层特征分别对应的卷积运算结果；
18、根据所述上采样特征和所述底层特征分别对应的所述卷积运算结果进行归一化处理；
19、并依次通过relu层激活函数和sigmoid激活函数，将归一化处理后的所述卷积运算结果进行轻量注意力分配，得到注意力加权特征图。
20、可选地，所述通过所述级联聚合模块的通道空间注意力模块，从通道维度和空间维度上对所述底层特征进行加权，得到通道注意力特征图和空间注意力特征图，包括：
21、通过所述通道空间注意力模块，利用自适应最大池化函数和自适应平均池化函数对所述底层特征进行池化操作；
22、通过sigmoid激活函数和hadamard积根据池化操作后的所述底层特征，确定所述通道注意力特征图。
23、可选地，所述通过所述级联聚合模块的通道空间注意力模块，从通道维度和空间维度上对所述底层特征进行加权，得到通道注意力特征图和空间注意力特征图，包括：
24、通过所述通道空间注意力模块，根据所述底层特征沿通道维度获得的最大值和平均值进行通道连接；
25、通过所述sigmoid激活函数和所述hadamard积根据通道连接后的所述底层特征，确定所述空间注意力特征图。
26、可选地，所述通过边界提取模块将所述底层特征转化为边界特征图，包括：
27、将所述底层特征输入所述边界提取模块的预设卷积层，通过减小通道大小，得到两个相邻的特征级联；
28、将所述特征级联输入双流网络得到多个边界特征，其中，所述双流网络中的每个流使用不同的卷积核；
29、通过元素乘法运算将所述边界特征进行组合，得到所述边界特征图。
30、可选地，所述对所述边界特征图和所述级联特征图分别进行边界扩展和语义扩展，得到边界最终特征图和级联最终特征图，包括：
31、通过形态学算子，从所述级联特征图中分离得到所述目标物体的边界区域和物体内部区域；
32、对所述边界区域和所述物体内部区域进行融合，得到所述边界最终特征图；
33、从所述级联特征图中提取高级语义特征；
34、通过交叉非局部网络，根据所述高级语义特征对所述级联特征图进行扩展，得到所述级联最终特征图。
35、可选地，所述根据所述边界最终特征图和所述级联最终特征图对所述目标物体进行预测，得到所述目标物体的分割结果，包括：
36、将所述边界最终特征图和所述级联最终特征图输入预设卷积层，通过所述预设卷积层对所述目标物体进行预测，得到所述边界最终特征图和所述级联最终特征图分别对应的预测结果；
37、将所述边界最终特征图和所述级联最终特征图分别对应的预测结果进行求和，得到所述目标物体的所述分割结果。
38、第二方面，本专利技术还提供一种目标物体分割系统，包括：
39、获取单元，用于获取包含目标物体的检测图像，并对所述检测图像进行特征提取得到底层特征和上采样特征；
40、融合单元，用于通过级联聚合模块将所述底层特征和所述上采样特征进行融合得到级联特征图；
41、扩展单元，用于通过边界提取模块将所述底层特征转化为边界特征图并对所述边界特征图和所述级联特征图分别进行边界扩展和语义扩展，得到边界最终特征图和级联最终特征图；
42、预测单元，用于根据所述边界最终特征图和所述级联最终特征图对所述目标物体进行预测，得到所述目标物体的分割结果。
43、本专利技术的目标物体分割方法及系统，通过获取包含目标物体的检测图像，并从中提取底层特征和上采样特征，这些特征包含了目标物体的形状、纹理和上下文信息。接着，利用级联聚合模块将底层特征与上采样特征融合，生成包含丰富细节和语义信息的级联特征图。同时，边界提取模块将底层特征转化为边界特征图，专注于目标物体的边缘信息。然后，通过对边界特征图和级联特征图分别进行边界扩展和语义扩展，进一步强化了特征图中的边界信息和高级语义信息，进一步提升了特征图的本文档来自技高网...
【技术保护点】
1.一种目标物体分割方法，其特征在于，包括：
2.根据权利要求1所述的目标物体分割方法，其特征在于，所述对所述检测图像进行特征提取得到底层特征和上采样特征，包括：
3.根据权利要求2所述的目标物体分割方法，其特征在于，所述通过级联聚合模块将所述底层特征和所述上采样特征进行融合得到级联特征图，包括：
4.根据权利要求3所述的目标物体分割方法，其特征在于，所述通过所述级联聚合模块的轻量注意力机制，将所述底层特征和所述上采样进行融合，得到注意力加权特征图，包括：
5.根据权利要求3所述的目标物体分割方法，其特征在于，所述通过所述级联聚合模块的通道空间注意力模块，从通道维度和空间维度上对所述底层特征进行加权，得到通道注意力特征图和空间注意力特征图，包括：
6.根据权利要求3所述的目标物体分割方法，其特征在于，所述通过所述级联聚合模块的通道空间注意力模块，从通道维度和空间维度上对所述底层特征进行加权，得到通道注意力特征图和空间注意力特征图，包括：
7.根据权利要求1所述的目标物体分割方法，其特征在于，所述通过边界提取模
8.根据权利要求1所述的目标物体分割方法，其特征在于，所述对所述边界特征图和所述级联特征图分别进行边界扩展和语义扩展，得到边界最终特征图和级联最终特征图，包括：
9.根据权利要求1所述的目标物体分割方法，其特征在于，所述根据所述边界最终特征图和所述级联最终特征图对所述目标物体进行预测，得到所述目标物体的分割结果，包括：
10.一种目标物体分割系统，其特征在于，包括：
...【技术特征摘要】
1.一种目标物体分割方法，其特征在于，包括：
2.根据权利要求1所述的目标物体分割方法，其特征在于，所述对所述检测图像进行特征提取得到底层特征和上采样特征，包括：
3.根据权利要求2所述的目标物体分割方法，其特征在于，所述通过级联聚合模块将所述底层特征和所述上采样特征进行融合得到级联特征图，包括：
4.根据权利要求3所述的目标物体分割方法，其特征在于，所述通过所述级联聚合模块的轻量注意力机制，将所述底层特征和所述上采样进行融合，得到注意力加权特征图，包括：
5.根据权利要求3所述的目标物体分割方法，其特征在于，所述通过所述级联聚合模块的通道空间注意力模块，从通道维度和空间维度上对所述底层特征进行加权，得到通道注意力特征图和空间注意力特征图，包括：
6....
【专利技术属性】
技术研发人员：唐厂，符人予，李显巨，孙琨，刘袁缘，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。