CN116703934B 基于多尺度轮廓波并行反向注意网络的图像分割方法 （西安电子科技大学）

AUPN727295A0,1996.01.18基于多尺度轮廓波并行反向注意网络的图本发明公开了一种基于多尺度轮廓波并行波并行反向注意网络中的特征聚合模块提取待2使用多尺度轮廓波并行反向注意网络中的特征聚合模块提取所述待分割图像的空域网络模块获取的空域特征和通过所述多尺度轮廓波稀疏表示模块获取的频域特征进行特根据多尺度轮廓波并行反向注意网络中的反向注意力模块，将所述2.根据权利要求1所述的基于多尺度轮廓波并行反向注意网络的图像分割方法，其特3.根据权利要求1所述的基于多尺度轮廓波并行反向注意网络的图像分割方法，其特4.根据权利要求3所述的基于多尺度轮廓波并行反向注意网络的图像分割方法，其特5.根据权利要求4所述的基于多尺度轮廓波并行反向注意网络的图像分割方法，其特6.根据权利要求1所述的基于多尺度轮廓波并行反向注意网络的图像分割方法，其特3对所述频域特征进行形态学膨胀运算，得到所述频域特征的增强信7.根据权利要求1所述的基于多尺度轮廓波并行反向注意网络的图像分割方法，其特4[0008]第一方面，本发明提供一种基于多尺度轮廓波并行反向注意网络的图像分割方5[0010]使用多尺度轮廓波并行反向注意网络中的特征聚合模块提取待分割图像的空域[0013]本发明提供的一种基于多尺度轮廓波并行反向注意网络[0015]图1是本发明实施例提供的基于多尺度轮廓波并行反向注意网络的图像分割方法[0016]图2是本发明实施例提供的基于多尺度轮廓波并行反向注意网络的图像分割方法[0017]图3是本发明实施例提供的方法与现有方法对CVC_ColonDB息肉数据集中部分图[0018]图4是本发明实施例提供的方法与现有方法对CVC_ClinicDB息肉数据集中部分图[0019]图5是本发明实施例提供的方法与现有方法对Kvasir_SEG息肉数据集中部分图像[0020]图6是本发明实施例提供的方法与现有方法对ETIS_Larib息肉数据集中部分图像[0021]图7是本发明实施例提供的方法与现有方法对Massachusetts建筑物数据集部分[0022]图8是本发明实施例提供的方法与现有方法对WHU建筑物数据集部分图像的分割6的图像分割方法的一种流程图，图2是本发明实施例提供的基于多尺度轮廓波并行反向注方向滤波器，轮廓波变换的本质是信号迭代地与拉普拉斯金字塔滤波器(Laplacian尺度和多方向的独立分解。通过多尺度轮廓波稀疏表示模块获取的频域特征Cl的表达式7和[0042]将得到具有高频信息的频域特征Fspe与s组空域特征逐个相乘，得到s组增强的特和8[0053]其中，将待分割图像按照通道进行标准化处理包括将待分割图像进行归一化处征聚合模块中的神经网络模块获取空域特征f；根据特征聚合模块中的多尺度轮廓波稀疏表示模块获取频域特征C；特征聚合模块中的轮廓波知识引导学习模块根据频域特征引导gg集根据反向传播算法训练多尺度轮廓波并行反向注意网络，结合多尺度轮廓波稀疏表示模块和轮廓波知识引导学习模块，包括1个并行部分解码器9[0060]本实施例的仿真试验平台是在操作系统为Ubuntu16.04LTS的HP_Z840高性能图[0061]本实施例的仿真使用的数据是五个具有不同边界特征的息肉数据集和两个遥感[0063]仿真一：请参见图3所示，图3是本发明实施例提供的方法与现有方法对CVC_ColonDB息肉数据集中部分图像的分割结果的示意图，使用本发明提供的方法与现有方法[0065]仿真二：请参见图4所示，图4是本发明实施例提供的方法与现有方法对CVC_[0067]仿真三：请参见图5所示，图5是本发明实施例提供的方法与现有方法对Kvasir_SEG息肉数据集中部分图像的分割结果的示意图，用本发明与现有方法对待息肉分割数据[0069]仿真四：请参见图6所示，图6是本发明实施例提供的方法与现有方法对ETIS_Larib息肉数据集中部分图像的分割结果的示意图，用本发明与现有方法对待息肉分割数Massachusetts建筑物数据集部分图像的分割结果图的示意图，用本发明与现有方法对待数据集部分图像的分割结果图的示意图，用本发明与现有方法对待分割建筑物数据集WHU_____[0097]表4显示了将Kvasir_SEG和CVC_ClinicDB组成的混合数据集作为训练集，CVC_[0101]表5给出了本发明在Kvasir_SEG上的跨数据集表现。其中将Kvasir_SEG作为训练[0104]由表6可见，本发明在Massachusetts数据集的四个评估指标上均获得了最佳性等指示的方位或位置关系为基于附