【技術實現步驟摘要】
本專利技術屬于人工智能，涉及圖像分割，尤其涉及一種基于稀疏優化算法啟發神經網絡的圖像分割方法。
技術介紹
1、隨著深度學習的發展，神經網絡已經廣泛地運用到了圖像分割領域。使用神經網絡將目標區域從完整的圖像中分割出來的過程，由計算機全自動地面向數據學習，消除了對于傳統分割方法中的人工依賴。基于該背景，許多諸如u-net的復雜的神經網絡紛紛問世，廣泛地解決圖像分割問題。然而，此類神經網絡在處理特定場景下的問題時面臨一定的挑戰，如對于分割具備稀疏特征的圖像，即待分割的目標稀疏地分布在各處的圖像。通用性的神經網絡框架無法利用問題特有的稀疏性特征，不僅是對已知信息的浪費，而且還會導致分割效果欠佳。
2、許多學者試圖借助最優化方法輔助神經網絡完成特定任務。他們通過建立一個描述問題特征的數學模型，并在求解模型的優化算法的啟發下設計神經網絡結構，大大改善了神經網絡的應用效果。起初，這類方法對壓縮感知領域產生了不小的影響。在該領域內，學者們對迭代軟閾值算法(iterative?shrinkage?thresholding?algorithm,ista)啟發出的神經網絡進行了循序漸進的探索。這些方法取長補短，既利用了壓縮感知當中信號的稀疏性特征進行數學建模，又使用依賴大數據學習的神經網絡替代固定的迭代算法進行求解，充分融合了二者的優點。
3、通用性神經網絡對于稀疏特征圖像的分割效果欠佳往往是由于圖像細節處分割精度不足。因此，采用優化算法啟發的思想，將稀疏性約束引入數學建模與網絡設計過程，可以改善神經網絡對于稀疏的圖像細節的處
技術實現思路
1、本專利技術所要解決的技術問題是針對
技術介紹
中所涉及到的缺陷，提供一種基于稀疏優化算法啟發神經網絡的圖像分割方法，將求解稀疏優化問題的近似點算法(proximalpoint?algorithm,ppa)與神經網絡u-net結合，不僅可以降低u-net模型的參數量，而且在分割具有稀疏特征的圖像時可以表現出更好的效果。
2、本專利技術為解決上述技術問題采用以下技術方案：
3、一種基于稀疏優化算法啟發神經網絡的圖像分割方法，包含如下步驟：
4、步驟1)，針對具有稀疏特征的圖像分割問題建模，構建l1范數最小化的數學優化模型；
5、步驟2)，采用ppa求解數學優化模型，在ppa迭代格式指導下搭建n個神經網絡模塊，即n個ppa模塊，n為奇數；
6、步驟3)，使用ppa模塊搭建利用稀疏特征解決圖像分割問題的u字型神經網絡；
7、步驟4)，隨機劃分訓練集，設計損失函數并訓練u字型神經網絡，得到訓練好的u字型神經網絡；
8、步驟5)，將待分割的圖像輸入至訓練好的u字型神經網絡進行分割，得到其分割概率圖，然后將分割概率圖進行圖像二值化處理，得到最終的分割結果。
9、作為本專利技術一種基于稀疏優化算法啟發神經網絡的圖像分割方法進一步的優化方案，所述步驟1)的詳細步驟如下：
10、對輸入的具備稀疏性的圖像x的分割問題建模，得到如下的數學優化模型：
11、
12、其中，f(x)表示對圖像x施加一個可學習的非線性變換f(·)；||f(x)||1表示f(x)的l1范數，要求變換后的圖像f(x)具備稀疏性。
13、作為本專利技術一種基于稀疏優化算法啟發神經網絡的圖像分割方法進一步的優化方案，所述步驟2)的詳細步驟如下：
14、步驟2.1)，對于數學優化模型，使用ppa對其迭代求解；
15、步驟2.1.1)，通過次梯度下降算法構造迭代公式求解，第k步迭代的過程隱式地表達為如下優化問題的求解過程：
16、
17、其中，xk表示第k步迭代的輸入，xk+1表示第k步迭代的輸出；y是優化問題中的自變量，λ為預設的的權重參數；
18、步驟2.1.2)，根據數據統計分析進一步等價轉換，得到包含最小化問題的隱式迭代表達式，如下：
19、
20、其中，θ為預設的權重參數；
21、步驟2.1.3)，對隱式迭代表達式當中的最小化問題直接使用ppa求解，得到如下的迭代表達式：
22、f(xk+1)＝prox(f(xk))＝sgn(f(xk))·max(|f(xk)|-θ,0)
23、其中，prox(·)表示近似點算子；sgn(·)表示符號函數，|·|是取絕對值運算，max(·,·)為取最大值運算；
24、步驟2.1.4)，對結果f(xk+1)求逆，得到其中，是f(·)的逆運算；
25、步驟2.2)，根據公式構造n個神經網絡模塊，即n個ppa模塊，單個ppa模塊的構造步驟如下：
26、步驟2.2.1)，將3*3的卷積層、批標準化處理、修正線性單元、3*3的卷積層依次排列，構成f(·)；
27、步驟2.2.2)，構建逆運算其結構和f(·)相同；
28、步驟2.2.3)，嚴格按照數學表達式prox(f(xk))＝sgn(f(xk))·max(|f(xk)|-θ,0)構建近似點算子prox(·)，f(xk)是該運算的輸入；
29、步驟2.2.4)，將f(·)、prox(·)、按照先后順序依次排列，形成ppa模塊，該先后順序與公式當中的各運算優先級的高低保持一致；各運算的優先級從xk開始，由近向遠依次降低。
30、作為本專利技術一種基于稀疏優化算法啟發神經網絡的圖像分割方法進一步的優化方案，所述步驟3)的詳細步驟如下：
31、步驟3.1)，在每個ppa模塊之前，添加一個帶有批標準化處理與修正線性單元的3*3的卷積運算，記為f(·)；
32、步驟3.2)，使用添加f(·)運算后的n個ppa模塊，按照u-net當中的u字形架構排列成神經網絡；
33、步驟3.2.1)，將n個ppa模塊對半分開，分別取中位數之前與之后的兩組ppa模塊構建u字形網絡中的收縮通路與擴張通路；收縮通路中，圖像每經過一次ppa模塊需要進行最大池化；擴張通路中，圖像每經過一次ppa模塊需要進行上采樣；
34、步驟3.2.2)，將位于中位數的ppa模塊排列在收縮通路與擴張通路之間，該ppa模塊以收縮通路的輸出結果作為輸入，并運算結果經過上采樣后輸出至擴張通路中；
35、步驟3.2.3)，在每一對關于中位數對稱的ppa模塊之間引入跳躍連接；
36、步驟3.3)，將輸出結果整理為概率圖表示；
37、在神經網絡擴張通路的末尾，添加卷積核大小為1*1的卷積層；該卷積層將擴張通路輸出的多通道特征圖整理為兩張單通道特征圖，之后用softmax層進一步轉化為兩張概率圖，所述概率圖中每個像素點處的數值均在[0,1]之間，表示該像素點屬于分割目標或者圖像背景的概率。
38、作為本專利技術一種基于稀疏優化算法啟本文檔來自技高網...
【技術保護點】
1.一種基于稀疏優化算法啟發神經網絡的圖像分割方法，其特征在于，包含如下步驟：
2.根據權利要求1所述的基于稀疏優化算法啟發神經網絡的圖像分割方法，其特征在于，所述步驟1)的詳細步驟如下：
3.根據權利要求2所述的基于稀疏優化算法啟發神經網絡的圖像分割方法，其特征在于，所述步驟2)的詳細步驟如下：
4.根據權利要求3所述的基于稀疏優化算法啟發神經網絡的圖像分割方法，其特征在于，所述步驟3)的詳細步驟如下：
5.根據權利要求4所述的基于稀疏優化算法啟發神經網絡的圖像分割方法，其特征在于，所述步驟4)的詳細步驟如下：
【技術特征摘要】
1.一種基于稀疏優化算法啟發神經網絡的圖像分割方法，其特征在于，包含如下步驟：
2.根據權利要求1所述的基于稀疏優化算法啟發神經網絡的圖像分割方法，其特征在于，所述步驟1)的詳細步驟如下：
3.根據權利要求2所述的基于稀疏優化算法啟發神經網絡的圖像分割方法，其...
【專利技術屬性】
技術研發人員：王麗平，胡志杰，宋俊賢，畢輝，
申請(專利權)人：南京航空航天大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。