一种基于深度学习和视觉算法的图像区域提取与分割方法与流程

技术特征：

1.一种基于深度学习和视觉算法的图像区域提取与分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于深度学习和视觉算法的图像区域提取与分割方法，其特征在于，所述sa3步骤中模型的输入为h*w*3,输出为h*w*1。

3.根据权利要求1所述的一种基于深度学习和视觉算法的图像区域提取与分割方法，其特征在于，所述模型的网络层层次结构设计包括以下步骤：

4.根据权利要求3所述的一种基于深度学习和视觉算法的图像区域提取与分割方法，其特征在于，所述边缘信息编码包括以下步骤：

5.根据权利要求3所述的一种基于深度学习和视觉算法的图像区域提取与分割方法，其特征在于，所述编码器特征解码包括以下步骤：

6.根据权利要求3所述的一种基于深度学习和视觉算法的图像区域提取与分割方法，其特征在于，所述样本的损失函数计算公式为：

7.根据权利要求3所述的一种基于深度学习和视觉算法的图像区域提取与分割方法，其特征在于，所述网络层层次结构设计的求和公式为：

8.根据权利要求1所述的一种基于深度学习和视觉算法的图像区域提取与分割方法，其特征在于，所述图形区域的分割评估公式为：

技术总结
本发明公开了一种基于深度学习和视觉算法的图像区域提取与分割方法，属于图像处理与分析技术领域，包括以下步骤，SA1、数据采集与数据预处理：收集由用户拍摄的纸张、电脑屏幕以及手机截屏等信息并进行人工排除非上述三类的图片情况，作为原始数据；SA2、构建数据集：通过人工标注多边形前景边缘，然后处理填充为mask作为掩码目标，并联合mask和图片image构建训练集、测试集以及验证集；SA3、建立深度学习模型：构建由边缘提取网络以及深度学习网络组成的深度学习网络DocSegNet，初始化其网络参数；SA4、训练DocSegNet：对整个DocSegNet进行监督训练，取所有测试集与训练集，进行交叉验证的方法进行训练，取其中平均损失最小的网络模型，保存模型。

技术研发人员：张昶,姜博怀
受保护的技术使用者：成都哈瑞特医疗科技有限公司
技术研发日：
技术公布日：2025/3/20