[发明专利]一种基于纵横子片的深度神经网络分割方法

权利要求书

1.一种基于纵横子片的深度神经网络分割方法，其特征在于，具体步骤包括如下：

步骤一：从待分割图像中提取像素的纵向子片和横向子片；

步骤二：建立横向子模型和纵向子模型，并不断更新所述横向子模型和所述纵向子模型；

步骤三：将所述步骤一中的提取的所述纵向子片通过所述步骤二更新的所述纵向子模型进行训练；将所述步骤一中的提取的所述横向子片通过所述步骤二更新的所述横向子模型进行训练；

步骤四：每个子模型输出一个分割结果，最终结果由所有子模型结果的多数投票产生。

2.根据权利要求1所述的一种基于横纵子片的深度神经网络分割方法，其特征在于，所述步骤二中，建立所述横向子模型和所述纵向子模型的具体步骤包括：

步骤21：建立所述横向子模型和所述纵向子模型；

步骤22：在步骤21中建立的所述横向子模型和所述纵向子模型的基础上不断更新，每更新一轮便获取新的横向子模型和纵向子模型；

步骤23：直到达到最大训练轮次或每轮的训练误差收敛。

3.根据权利要求2所述的一种基于横纵子片的深度神经网络分割方法，其特征在于，所述步骤21中，所述横向子模型和所述纵向子模型的层数、核大小和特征映射的数量通过内交叉验证实验确定的。

4.根据权利要求2所述的一种基于横纵子片的深度神经网络分割方法，其特征在于，所述步骤22中，具体步骤包括:

步骤221：使用基础采样策略抽取纵向子片和横向子片,分别记为和

步骤222：利用和训练纵向子模型V^i-1和横向子模型H^i-1并不断更新；具体的：在第i轮更新中(i>1)将输入横向子模型H^i-1，用横向子模型H^i-1为每个横向子片的中心像素分类；并记录所有被误分的像素，将横向子片的集合记为统称为误分区域；

步骤223：同时在误分区域执行重采样和基础采样，获取新的纵向子片；在执行基础采样时采样间隔要与以前的轮次不重复；

步骤224：用新获得的纵向子片重新训练纵向子模型V^i-1以获得新的纵向子模型Hⁱ。

步骤225：以同样的方式重新训练H^i-1以获得Hⁱ。

5.根据权利要求4所述的一种基于横纵子片的深度神经网络分割方法，其特征在于，所述基础采样策略为：首先在分割目标内部均匀采样像素点作为正例子片的中心点，不同的训练轮次采样间隔不同；在分割目标外部选负例子片中心像素点分割目标越近的选得越密集，越远的选得越稀疏；在以分割目标中心为圆心、直径为χ_i的一系列圆上以不同的间隔选点，其中χ_i＝(1-α_i)r+α_iR；

r是分割目标的内接圆直径，R是分割目标的外切圆直径的1.5倍.α_i是参数，有

其中，i＝0,1,…floor(r/2),β是常量,其值由具体的数据集和实验结果决定；最终，除去被分割目标覆盖的部分外，在这些圆的其余部分每隔一定的点采一个；在选好正例的情况下调整负例的个数，使两种类标的数目相等。

6.根据权利要求4所述的一种基于横纵子片的深度神经网络分割方法，其特征在于，所述重采样根据横向子模型中被错误分类的中心像素的位置，通过完全覆盖误分割区域来提取纵向子片：分别在横向子片的中心和左右两侧上采纵向子片的中心点。