买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中南大学

摘要：本公开实施例中提供了一种基于多尺度特征提取与融合的钾盐浮选泡沫图像分割方法，属于图像处理技术领域，具体包括：采集钾盐粗选过程的泡沫图像，标注泡沫图像中各个泡沫边缘的多个像素点获取泡沫所在区域，进而得到语义分割标签图像后，由泡沫图像和语义分割标签图像构建原始数据集，并扩充原始数据集的样本，划分为训练集和测试集；构建浮选泡沫图像分割深度神经网络模型；以训练集作为输入，对浮选泡沫图像分割深度神经网络模型进行训练；获取待分割的浮选泡沫图像并裁剪至指定尺寸，随后输入到训练完成的浮选泡沫图像分割深度神经网络模型，得到分割结果。通过本公开的方案，提高了钾盐浮选泡沫图像的分割精准度。

主权项：1.一种基于多尺度特征提取与融合的钾盐浮选泡沫图像分割方法，其特征在于，包括：步骤1，采集钾盐粗选过程的泡沫图像，标注泡沫图像中各个泡沫边缘的多个像素点获取泡沫所在区域，进而得到语义分割标签图像后，由泡沫图像和语义分割标签图像构建原始数据集，并扩充原始数据集的样本，划分为训练集和测试集；步骤2，构建浮选泡沫图像分割深度神经网络模型，其中，浮选泡沫图像分割深度神经网络模型包括交替堆叠并行多尺度特征提取子模块和基于注意力机制的多尺度特征融合子模块构成的分割网络主干、输入调整模块和输出调整模块；所述步骤2具体包括：步骤2.1，构建带残差连接的双卷积子模块；步骤2.2，构建并行多尺度特征提取子模块，包括多个尺度特征提取分支，每个尺度特征提取分支由堆叠的双卷积子模块构成，单个尺度特征提取分支的输入和输出特征图尺寸、通道数均相同，相邻尺度特征提取分支的输入特征图之间为尺寸减半、通道数加倍的关系；步骤2.3，构建基于注意力机制的多尺度特征融合子模块，以多个尺度图像特征图作为输入，将输入调整为指定尺度后进行加权求和，得到单个指定尺度的输出特征图；步骤2.4，交替堆叠多个并行多尺度特征提取子模块及基于注意力机制的多尺度特征融合子模块；步骤2.5，对原始输入图像做初步调整，输入至分割网络主干中，获取分割网络主干输出；步骤2.6，对步骤2.5的分割网络主干输出进行上采样后，通过双卷积子模块进一步提取特征并通过1×1卷积变换特征图通道数，得到浮选泡沫图像分割深度神经网络模型输出；所述步骤2.1的双卷积子模块通过以下公式进行：Y＝ReLUBNW2ReLUBNW1X+X其中，X、Y分别表示输入、输出特征图，W1、W2分别表示第一个、第二个3×3卷积的卷积核权重，BN表示批量归一化，ReLU表示逐像素执行ReLU激活函数，表达式为所述步骤2.2中，并行多尺度特征提取子模块在图像尺度最大的分支上带有从输入特征图至输出特征图的跳跃连接；所述步骤2.3具体包括：步骤2.3.1，将输入的各个尺度特征图调整至目标尺度，得到调整后的特征图记为X'i,i＝1...K，K为输入的不同尺度特征图数量；步骤2.3.2，在步骤2.3.1调整后的各个尺度特征图上进行通道维度的最大池化和平均池化操作，得到2×H×W维度的特征图，H、W分别为特征图高、宽，后接单个卷积核的膨胀卷积，扩大感受野并进一步融合信息，得到表示单尺度空间信息的1×H×W特征图；步骤2.3.3，对步骤2.3.2所提取的K个单通道特征图在通道维度上进行拼接，随后接1×1卷积，得到多尺度注意力特征图Wi,i＝1...K；步骤2.3.4，将步骤2.3.1调整后的特征图X'i,i＝1...K通过步骤2.3.3所提多尺度注意力特征图Wi,i＝1...K进行加权求和，得到输出特征图Y，公式如下 其中上标j表示特征图的第j个通道，⊙表示哈达玛积，C表示输出特征图通道数；所述步骤2.4具体包括：步骤2.4.1，对于第S次堆叠，该阶段的特征提取子模块中包含S+1个分支，后接S+1个特征融合子模块，每个特征融合子模块接收特征提取子模块全部S+1个分支的输出作为输入，并分别得到与输入相同的S+1个尺度的输出，对于最后一次堆叠，包含1个特征融合子模块，输入为特征提取子模块的全部分支输出，输出尺度为最大的输入特征图尺度；步骤2.4.2，每进行一次堆叠，在下一阶段特征提取子模块中增加一个分支，该分支的输入由当前阶段特征提取子模块的最小尺度分支输出经卷积和下采样获得；所述步骤2.5具体包括：步骤2.5.1，通过双卷积子模块进行初步特征提取；步骤2.5.2，接步长为2的3×3卷积将特征图尺寸减半通道数加倍，减小网络整体参数；步骤2.5.3，将步骤2.5.2的输出特征图接步长为1的3×3卷积，不改变特征图尺寸，将特征图通道数调整至基准通道数Cbase，以及，将步骤2.5.2的输出特征图接步长为2的3×3卷积将特征图尺寸减半，调整通道数至基准通道数的两倍，得到分割网络主干两个分支的输入特征图；步骤2.5.4，将步骤2.5.3调整得到的两个不同尺度特征图输入至分割网络主干，获取分割网络主干输出；步骤3，以训练集作为输入，对浮选泡沫图像分割深度神经网络模型进行训练；步骤4，获取待分割的浮选泡沫图像并裁剪至指定尺寸，随后输入到训练完成的浮选泡沫图像分割深度神经网络模型，得到分割结果。

全文数据：

权利要求：

百度查询： 中南大学 基于多尺度特征提取与融合的钾盐浮选泡沫图像分割方法