本发明涉及图像处理领域，尤其涉及一种基于深度学习的图像位点精细化分割方法及装置。
背景技术：
1、图像位点精细化分割是指在一个图像中对特定兴趣点或区域（位点）进行精确、细致的划分和识别的过程，图像位点精细化分割能够实现对待分割图像中每个微小细节的精确识别和轮廓描绘，使得分割结果不仅准确划分出图像中的主要对象，还能够精细到边缘细节、纹理结构和内部微小结构，从而为后续的图像分析和理解提供了高精度、高可靠性的基础数据，极大地提升了图像处理的实用性和应用价值。
2、图像位点精细化分割的传统方式通常依赖于手动或半自动化的图像处理技术，如边缘检测、区域生长、分水岭变换等，这些方法往往需要人工参与特征选择和参数调整无法自适应地学习图像特征，导致在复杂或模糊的图像区域中分割效果不佳，难以实现高精度和一致性的位点精细化分割。
技术实现思路
1、本发明提供一种基于深度学习的图像位点精细化分割方法及装置，其主要目的在于提高图像精细化分割的效果。
2、为实现上述目的，本发明提供的一种基于深度学习的图像位点精细化分割方法，包括：
3、获取待分割图像的图像增强训练集，确定所述待分割图像的增强模型架构，并定义所述增强模型架构的重建损失函数和感知损失函数，通过所述增强模型架构、重建损失函数、感知损失函数以及图像增强训练集，构建所述待分割图像的图像增强模型；
4、基于所述图像增强模型对待分割图像进行图像优化，得到增强待分割图像，构建所述增强待分割图像的resnext-50网络结构和resnext-101网络结构，配置所述resnext-50网络结构和resnext-101网络结构的50结构超参数和101结构超参数；
5、根据所述50结构超参数和101结构超参数，对resnext-50网络结构和resnext-101网络结构进行训练，得到resnext-50模型和resnext-101模型；
6、根据所述resnext-50模型和resnext-101模型建立所述增强待分割图像的特征resnext提取模型，并基于所述特征resnext提取模型，对所述增强待分割图像进行特征提取，得到所述增强待分割图像的分割特征图；
7、确定所述增强待分割图像的目标检测框架和mask分支，基于所述目标检测框架和mask分支，建立所述增强待分割图像的mask r-cnn模型，计算所述mask r-cnn模型的交并比，当所述交并比符合预设的交并比阈值时，根据所述分割特征图，利用所述mask r-cnn模型对增强待分割图像进行分割，得到增强待分割图像的精细化分割结果。
8、可选地，所述通过所述增强模型架构、重建损失函数、感知损失函数以及图像增强训练集，构建所述待分割图像的图像增强模型，包括：
9、计算所述图像增强训练集的图像有效系数；
10、根据所述图像有效系数，提取所述图像增强训练集的目标增强训练图像；
11、对所述增强模型架构进行初始化，得到初始增强模型；
12、确定所述初始增强模型的adam优化器，并定义所述adam优化器的优化器参数；
13、利用所述初始增强模型输出目标增强训练图像的重建图像；
14、利用所述重建损失函数计算重建图像的重建损失；
15、通过所述感知损失函数计算重建图像的感知损失；
16、根据所述重建损失和感知损失，利用所述adam优化器和优化器参数对初始增强模型进行优化，得到所述待分割图像的图像增强模型。
17、可选地，所述通过所述感知损失函数计算重建图像的感知损失，包括：
18、构建所述感知损失函数的特征提取器，并定义所述特征提取器的图像特征层；
19、基于所述图像特征层，确定所述图像特征层的特征向量；
20、根据所述特征提取器、图像特征层以及特征向量，利用下述公式计算所述重建图像的感知损失：
21、
22、其中，表示重建图像的感知损失，表示重建图像的图像特征层数量，表示特征提取器，表示重建图像第个图像特征层的特征向量，表示重建图像对应目标增强训练图像第个图像特征层的特征向量，表示重建图像第个图像特征层的特征向量和重建图像对应目标增强训练图像第个图像特征层的特征向量的l1范数。
23、可选地，所述根据所述重建损失和感知损失，利用所述adam优化器和优化器参数对初始增强模型进行优化，得到所述待分割图像的图像增强模型，包括：
24、提取所述初始增强模型的初始增强模型参数；
25、根据所述重建损失和感知损失，计算所述待分割图像的图像总损失；
26、计算所述图像总损失关于初始增强模型参数的损失梯度；
27、基于所述损失梯度和优化器参数，利用下述函数计算所述adam优化器的一阶矩估计和二阶矩估计：
28、
29、
30、其中，表示adam优化器第次迭代的一阶矩估计，表示adam优化器第次迭代的二阶矩估计，表示优化器参数对应一阶矩估计的指数衰减率，表示优化器参数对应二阶矩估计的指数衰减率，表示adam优化器第次迭代的一阶矩估计，表示adam优化器第次迭代的二阶矩估计，表示损失梯度；
31、根据所述一阶矩估计和二阶矩估计，对所述对初始增强模型进行优化，得到所述待分割图像的图像增强模型。
32、可选地，所述根据所述一阶矩估计和二阶矩估计，对所述对初始增强模型进行优化，得到所述待分割图像的图像增强模型，包括：
33、计算所述一阶矩估计和二阶矩估计的矫正一阶矩估计和矫正二阶矩估计；
34、基于所述矫正一阶矩估计和矫正二阶矩估计，利用下述公式分析所述初始增强模型的模型更新参数：
35、
36、其中，表示初始增强模型第次迭代的模型更新参数，表示初始增强模型第次迭代的模型更新参数，表示数值稳定性常数，表示初始增强模型的学习率，表示矫正二阶矩估计，表示矫正一阶矩估计，表示第次迭代的矫正二阶矩估计对应二阶矩估计的指数衰减率；
37、根据所述模型更新参数对初始增强模型进行优化，得到所述待分割图像的图像增强模型。
38、可选地，所述根据所述50结构超参数和101结构超参数，对resnext-50网络结构和resnext-101网络结构进行训练，得到训练resnext-50模型和训练resnext-101模型，包括：
39、构建所述resnext-50网络结构和resnext-101网络结构的元学习算法；
40、分析所述resnext-50网络结构对应增强待分割图像的图像类别；
41、获取所述图像类别的单一示例训练集和未见示例测试集；
42、根据所述单一示例训练集、50结构超参数、101结构超参数，利用所述元学习算法对resnext-50网络结构和resnext-101网络结构进行训练，得到训练resnext-50模型和训练resnext-101模型；
43、利用所述未见示例测试集，计算所述训练resnext-50模型和训练resnext-101模型的50模型测试结果和101模型测试结果；
44、通过所述50模型测试结果和101模型测试结果，构建所述resnext-50模型的50模型准确率曲线和101模型准确率曲线；
45、基于所述50模型准确率曲线和101模型准确率曲线，分析所述训练resnext-50模型和训练resnext-101模型的50模型性能和101模型性能；
46、当所述50模型性能和101模型性能符合预设的50模型性能阈值和101模型性能阈值时，将所述训练resnext-50模型和训练resnext-101模型作为增强待分割图像的resnext-50模型和训练resnext-101模型。
47、可选地，所述基于所述特征resnext提取模型，对所述增强待分割图像进行特征提取，得到所述增强待分割图像的分割特征图，包括：
48、基于所述特征resnext提取模型，提取所述增强待分割图像的50模型特征图和101模型特征图；
49、计算所述50模型特征图和101模型特征图的尺寸差；
50、根据所述尺寸差，计算所述50模型特征图和101模型特征图的池化层参数；
51、根据所述池化层参数，对所述50模型特征图和101模型特征图进行池化，得到池化50模型特征图和池化101模型特征图；
52、识别所述池化50模型特征图和池化101模型特征图的50模型特征图通道和101模型特征图通道；
53、基于所述50模型特征图通道和101模型特征图通道，对所述池化50模型特征图和池化101模型特征图进行逐元素相乘，得到所述增强待分割图像的分割特征图。
54、可选地，所述计算所述mask r-cnn模型的交并比，包括：
55、采集所述mask r-cnn模型的测试特征图，并定义所述测试特征图的真实掩码；
56、构建所述测试特征图的上采样层，并基于所述上采样层对测试特征图进行上采样，得到上采样特征图；
57、添加所述上采样特征图的分类层，并基于所述分类层预测上采样特征图的像素类别；
58、利用sigmoid函数计算所述像素类别的类别分数；
59、根据所述类别分数和上采样特征图，确定所述增强待分割图像的预测掩码；
60、根据所述预测掩码和真实掩码，计算所述mask r-cnn模型的交并比。
61、可选地，所述根据所述预测掩码和真实掩码，计算所述mask r-cnn模型的交并比，包括：
62、对所述预测掩码和真实掩码进行尺寸统一，得到同尺寸预测掩码和同尺寸真实掩码；
63、利用下述公式计算所述同尺寸预测掩码和同尺寸真实掩码的掩码交集值：
64、
65、其中，表示同尺寸预测掩码和同尺寸真实掩码的掩码交集值，表示同尺寸预测掩码的高度，表示同尺寸预测掩码的宽度，表示同尺寸预测掩码和同尺寸真实掩码的掩码交集函数，表示同尺寸预测掩码在位置的值，表示同尺寸预测掩码在位置对应同尺寸真实掩码的值；
66、利用下述公式计算所述同尺寸预测掩码和同尺寸真实掩码的掩码并集值：
67、
68、其中，表示同尺寸预测掩码和同尺寸真实掩码的掩码并集值，表示同尺寸预测掩码的高度，表示同尺寸预测掩码的宽度，表示同尺寸预测掩码和同尺寸真实掩码的掩码并集函数，表示同尺寸预测掩码在位置的值，表示同尺寸预测掩码在位置对应同尺寸真实掩码的值；
69、基于所述掩码交集值和掩码并集值，计算所述mask r-cnn模型的交并比。
70、为实现上述目的，本发明还提供一种基于深度学习的图像位点精细化分割装置，包括：
71、图像增强模型构建模块，用于获取待分割图像的图像增强训练集，确定所述待分割图像的增强模型架构，并定义所述增强模型架构的重建损失函数和感知损失函数，通过所述增强模型架构、重建损失函数、感知损失函数以及图像增强训练集，构建所述待分割图像的图像增强模型；
72、结构超参数确定模块，用于基于所述图像增强模型对待分割图像进行图像优化，得到增强待分割图像，构建所述增强待分割图像的resnext-50网络结构和resnext-101网络结构，配置所述resnext-50网络结构和resnext-101网络结构的50结构超参数和101结构超参数；
73、resnext模型构建模块，用于根据所述50结构超参数和101结构超参数，对resnext-50网络结构和resnext-101网络结构进行训练，得到resnext-50模型和resnext-101模型；
74、分割特征图获取模块，用于根据所述resnext-50模型和resnext-101模型建立所述增强待分割图像的特征resnext提取模型，并基于所述特征resnext提取模型，对所述增强待分割图像进行特征提取，得到所述增强待分割图像的分割特征图；
75、精细化分割模块，用于确定所述增强待分割图像的目标检测框架和mask分支，基于所述目标检测框架和mask分支，建立所述增强待分割图像的mask r-cnn模型，计算所述mask r-cnn模型的交并比，当所述交并比符合预设的交并比阈值时，根据所述分割特征图，利用所述mask r-cnn模型对增强待分割图像进行分割，得到增强待分割图像的精细化分割结果。
76、为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
77、存储器，存储至少一个指令；
78、处理器，执行所述存储器中存储的指令以实现上述所述的基于深度学习的图像位点精细化分割方法。
79、为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于深度学习的图像位点精细化分割方法。
80、本发明通过定义所述提取的高层特征来衡量重建图像与原始图像之间的差异增强模型架构的重建损失函数和感知损失函数可以使得模型在训练过程中同时优化重建图像的质量和感知特性；本发明通过所述增强模型架构、重建损失函数、感知损失函数以及图像增强训练集，构建所述待分割图像的图像增强模型可以通过重建损失和感知损失的优化，提高图像的质量和清晰度，改善特征提取过程，提高分割的精度和鲁棒性；进一步地，本发明根据所述50结构超参数和101结构超参数，对resnext-50网络结构和resnext-101网络结构进行训练，得到训练resnext-50模型和训练resnext-101模型可以提高模型对新任务的适应能力，从而在实际应用中表现更好，进一步地，本发明根据所述resnext-50模型和resnext-101模型建立所述增强待分割图像的特征resnext提取模型可以充分利用两种模型在不同层次上的特征表示，有助于模型在精细化分割任务中更准确地识别和定位图像中的不同对象和结构，进一步地，本发明基于所述目标检测框架和mask分支，建立所述增强待分割图像的mask r-cnn模型集成了目标检测和分割的能力，可以同时定位特征resnext提取模型输出特征图中的对象并生成精确的分割掩膜，这种一体化处理提高了分割的准确性和效率，最后，本发明当所述iou符合预设的iou阈值时，根据所述分割特征图，利用所述mask r-cnn模型对增强待分割图像进行精细化分割，得到增强待分割图像的精细化分割结果可以实现图像的精细化分割。因此，本发明可提高图像精细化分割的效果。
1.一种基于深度学习的图像位点精细化分割方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于深度学习的图像位点精细化分割方法，其特征在于，所述通过所述增强模型架构、重建损失函数、感知损失函数以及图像增强训练集，构建所述待分割图像的图像增强模型，包括：
3.如权利要求2所述的基于深度学习的图像位点精细化分割方法，其特征在于，所述通过所述感知损失函数计算重建图像的感知损失，包括：
4.如权利要求3所述的基于深度学习的图像位点精细化分割方法，其特征在于，所述根据所述重建损失和感知损失，利用所述adam优化器和优化器参数对初始增强模型进行优化，得到所述待分割图像的图像增强模型，包括：
5.如权利要求4所述的基于深度学习的图像位点精细化分割方法，其特征在于，所述根据所述一阶矩估计和二阶矩估计，对所述对初始增强模型进行优化，得到所述待分割图像的图像增强模型，包括：
6.如权利要求5所述的基于深度学习的图像位点精细化分割方法，其特征在于，所述根据所述50结构超参数和101结构超参数，对resnext-50网络结构和resnext-101网络结构进行训练，得到训练resnext-50模型和训练resnext-101模型，包括：
7.如权利要求6所述的基于深度学习的图像位点精细化分割方法，其特征在于，所述基于所述特征resnext提取模型，对所述增强待分割图像进行特征提取，得到所述增强待分割图像的分割特征图，包括：
8.如权利要求7所述的基于深度学习的图像位点精细化分割方法，其特征在于，所述计算所述mask r-cnn模型的交并比，包括：
9.如权利要求8所述的基于深度学习的图像位点精细化分割方法，其特征在于，所述根据所述预测掩码和真实掩码，计算所述mask r-cnn模型的交并比，包括：
10.一种基于深度学习的图像位点精细化分割装置，其特征在于，所述系统包括：
