结合空频域多尺度特征的植株叶片分割方法

为实现植物表型参数的精准获取，针对自然环境下不同尺度叶片分割的细节损失问题，提出结合空频域多尺度特征的植株叶片分割方法。以U-Net网络架构为基础，设计下采样频域变换模块，在卷积神经网络中引入频域特征表示替换池化层，利用2D-DCT和2D-IDCT的频域变换方法感知植株叶片目标的全局语义特征；构建多尺度特征融合模块，增加6个上采样节点，提取和连接植株叶片图像细粒度的特征信息；改进通道注意力模块学习分支特征，采用联合损失函数优化网络性能。在2017CVPPP公开数据集上开展实验，结果表明，植株叶片分割网络的交叉比、平均交叉比、像素准确率、精准率和F-score分数分别达到了97.07%、98.04%、99.53%、99.68%和99.74%。与FCN-8s、FCN-ResNet、DeepLabV3+、SegNet和U-Net模型相比，网络的交叉比和平均交叉比最高提升23.32%和12.43%,在较小尺度和细节处理上改善了植株叶片的分割精度，可为植物表型方向的应用研究提供一种可借鉴的思路。