技术特征：
1.一种基于全尺度融合和流场注意力的图像分割方法，其特征在于，包括如下步骤：获取图像数据集，对数据图像进行预处理；以u-net为骨干网络，构建图像分割模型；将数据集中的训练图像输入至图像分割模型中进行训练；通过选择合适的参数和损失函数调整模型至最优效果并进行保存；将数据集中的验证图像输入到训练好的图像分割模型中，得到分割预测结果。2.如权利要求1所述的基于全尺度融合和流场注意力的图像分割方法，其特征在于，所述图形分割模型包括依次连接的特征编码器、全尺度特征融合模块以及特征解码器。3.如权利要求2所述的基于全尺度融合和流场注意力的图像分割方法，其特征在于，所述图像分割模型数据处理包括如下步骤：所述特征编码器提取图像的层次特征信息和全局特征信息；所述全尺度特征融合模块将所述特征编码器提取的各层次特征信息以及全局特征信息进行交互融合；所述特征解码器细化各尺度特征映射，得到分割结果。4.如权利要求2所述的基于全尺度融合和流场注意力的图像分割方法，其特征在于，所述特征编码器包括依次连接的u-net骨干网络以及卷积mlp模块。5.如权利要求2所述的基于全尺度融合和流场注意力的图像分割方法，其特征在于，所述u-net骨干网络用于获取输入图像5层不同尺度的特征映射所述卷积mlp模块用于提取输入图像的全局特征信息并将其与底层特征映射f1级联得到融合特征t1。6.如权利要求2所述的基于全尺度融合和流场注意力的图像分割方法，其特征在于，所述全尺度特征融合模块沿着特征高度、宽度和通道维度进行特征融合，生成各支路融合特征其中生成第层的融合特征公式为：其中表示第i层卷积操作用来调整特征映射的通道数，dc和uc分别表示卷积下采样和卷积上采样，cat表示通道叠加操作。7.如权利要求2所述的基于全尺度融合和流场注意力的图像分割方法，其特征在于，所述特征解码器将所述特征编码器的输出t1和全尺度特征融合模块的输出逐级输入，输出逐级精细的特征图8.如权利要求1所述的基于全尺度融合和流场注意力的图像分割方法，其特征在于，所述特征解码器处理流程包括如下步骤：将特征图p
i-1
上采样至的相同尺寸的融合特征t
i
，两者级联后通过卷积运算得到特征流场来指导特征图p
i-1
进行形变；将形变后的特征图p
i-1
与t
i
级联并输入并输入到特征解码器，输出特征p
i
；将特征图p5的通道数映射为分割的类别数，得到最终的分割结果。9.如权利要求1所述的基于全尺度融合和流场注意力的图像分割方法，其特征在于，所述损失函数为gdl损失函数和交叉熵损失函数进行融合构建，所述损失函数为：l＝l
ce
+1.1l
gdl
；
其中，l
ce
为交叉熵损失函数；l
gdl
为gdl损失函数。10.如权利要求9所述的基于全尺度融合和流场注意力的图像分割方法，其特征在于，所述gdl损失函数以及交叉熵损失函数分别为：所述gdl损失函数以及交叉熵损失函数分别为：其中：表示在m个类别中第m个类别的权重，g
mn
表示类别m在第n和位置像素的真值，而p
mn
表示相应的预测值。
技术总结
本发明揭示了一种基于全尺度融合和流场注意力的图像分割方法，包括如下步骤：获取图像数据集，对数据图像进行预处理；以U-Net为骨干网络，构建图像分割模型；将数据集中的训练图像输入至图像分割模型中进行训练；通过选择合适的参数和损失函数调整模型至最优效果并进行保存；将数据集中的验证图像输入到训练好的图像分割模型中，得到分割预测结果。本发明通过结合特定功能的网络结构以及对网络结构的改进，提高了本方法对于不同分割任务的适应性以及图像分割精度，另外，减小了各尺度特征间的语义差异，突出图像的关键特征信息，使得网络的性能与鲁棒性均显著提高。网络的性能与鲁棒性均显著提高。网络的性能与鲁棒性均显著提高。
技术研发人员：文颖 李凯 王雯 李占领
受保护的技术使用者：华平信息技术股份有限公司
技术研发日：2022.10.08
技术公布日：2023/1/12