CN114882048B 基于小波散射学习网络的图像分割方法和系统 （重庆理工大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114882048B(45)授权公告日2025.01.10

(21)申请号202210412182.8

(22)申请日2022.04.19

(65)同一申请的已公布的文献号申请公布号CN114882048A

(43)申请公布日2022.08.09

(73)专利权人重庆理工大学

地址400054重庆市巴南区李家沱红光大

道69号

(72)发明人刘瑞华南浩宇欧家杰邹洋杨谢挺浦微高翔

(74)专利代理机构重庆博凯知识产权代理有限公司50212

专利代理师李海华

(51)Int.CI.

GO6T7/10(2017.01)

GO6V10/40(2022.01)

GO6V10/764(2022.01)

(56)对比文件

李建飞等.基于双树复小波变换和频域U一Net的多光谱图像融合算法.《生物医学工程研究》.2020,论文第145-150页.

审查员赵翠翠

权利要求书2页说明书8页附图5页

(54)发明名称

基于小波散射学习网络的图像分割方法和系统

(57)摘要

CN114882048B本发明公开了一种基于小波散射学习网络的图像分割方法和系统，1)构建小波散射网络与全卷积网络相融合的分割网络模型，分割网络模型基于全卷积网络的编码器一解码器结构；对于每一层编码器加入双树复小波散射变换，让特征图的高频特征与低频特征进行有效分离，接着采用卷积算子分别对特征图的低频主体特征和高频边界特征进行特征选择，最后进行融合；2)将已标签的图像数据集预处理后输入分割网络模型以对其进行训练；3)将实际待分割的图像数据预处理后输入训练后的网络模型中，即可实现对图像的分割。本发明能够提高图像边界的特征提

CN114882048B

数据采集模块数据预处理模块3D

数据采集模块

数据预处理模块

3D可视化模块

2D可视化模块

CN114882048B权利要求书1/2页

2

1.基于小波散射学习网络的图像分割方法，其特征在于：步骤如下：

1)构建一种小波散射网络与全卷积网络相融合的学习小波散射分割网络模型，该学习小波散射分割网络模型基于全卷积网络的编码器一解码器结构；对于每一层编码器加入双树复小波散射变换，让特征图的高频特征与低频特征进行有效分离，接着采用卷积算子分别对特征图的低频主体特征和高频边界特征进行特征选择，最后进行融合；

2)将已标签的图像数据集预处理后输入步骤1)构建的学习小波散射分割网络模型以对网络模型进行训练，通过梯度下降算法训练网络模型权重，并保存验证集中最优权重；

3)将实际待分割的图像数据预处理后输入步骤2)训练后的网络模型中，通过训练后的网络模型即可实现对图像的分割；

步骤1)的学习小波散射分割网络模型中，对经双树复小波散射变换得到的特征图低频特征进行2×2平均池化低通滤波处理，即S=Avgpool(y1,2),对得到的特征图高频特征的实部和虚部计算幅值，即U=mag(Re(yh),Im(yh)=√(Re(yh)2+(Im(yh)2,其中yl,yh,Re(·),Im

(·)分别表示低频信息、高频信息、实部及虚部算子，然后将S与U拼接并输出，实现高低频信息的融合。

2.根据权利要求1所述的基于小波散射学习网络的图像分割方法，其特征在于：步骤2)和步骤3)所述预处理具体为，对每一种影像数据通过双线性插值算法缩放至大小为[240,240]矩阵，对非0区域进行Z-score标准化。

3.根据权利要求2所述的基于小波散射学习网络的图像分割方法，其特征在于：所述Z-score标准化按如下公式(1)进行，

(1)

其中x为输入模态数据，μ,0分别为x的均值与方差；其中μ,o数值取1%到99%分位点，防止极值点对图像整体的影响。

4.根据权利要求1所述的基于小波散射学习网络的图像分割方法，其特征在于：步骤2)对网络模型进行训练时，设置学习率为1e-4,优化器选择Adam,损失函数选择二分交叉熵和Dice-Loss加权组合，通过平衡系数为0.5进行加权训练，见公式(2)

lossBraTs=losspice+0.5·lossBC(2)

其中：

(4)

公式(3)-(4)中，y∈{0,1}为分割标准的二分类编码值，;∈[0,1]为预测值；训练结束后保留验证集中Dice指标最优的模型。

5.基于小波散射学习网络的图像分