pytorch+Unet图像分割:将图片中的盐体找出来

什么是图像分割问题呢？简单的来讲就是给一张图像，检测是用框出框出物体，而图像分割分出一个物体的准确轮廓。也这样考虑，给出一张图像 Ｉ，这个问题就是求一个函数，从I映射到Mask。至于怎么求这个函数有多种方法。我们可以看到这个图，左边是给出图像，可以看到人和摩托车，右边是分割结果。

求这个函数有很多方法，但是第一次将深度学习结合起来的是这篇文章全卷积网络(FCN)，利用深度学习求这个函数。在此之前深度学习一般用在分类和检测问题上。由于用到CNN，所以最后提取的特征的尺度是变小的。和我们要求的函数不一样，我们要求的函数是输入多大，输出有多大。为了让CNN提取出来的尺度能到原图大小，FCN网络利用上采样和反卷积到原图像大小。然后做像素级的分类。

可以看图二，输入原图，经过VGG16网络，得到特征map,然后将特征map上采样回去。再将预测结果和ground truth每个像素一一对应分类，做像素级别分类。也就是说将分割问题变成分类问题，而分类问题正好是深度学习的强项。如果只将特征map直接上采样或者反卷积，明显会丢失很多信息。

FCN采取解决方法是将pool4、pool3、和特征map融合起来，由于pool3、pool4、特征map大小尺寸是不一样的，所以融合应该前上采样到同一尺寸。这里的融合是拼接在一起，不是对应元素相加。

FCN是深度学习在图像分割的开山之作，FCN优点是实现端到端分割等，缺点是分割结果细节不够好，可以看到图四，FCN8s是上面讲的pool4、pool3和特征map融合，FCN16s是pool4和特征map融合，FCN32s是只有特征map，得出结果都是细节不够好，具体可以看自行车。由于网络中只有卷积没有全连接，所以这个网络又叫全卷积网络。

本文将先简单介绍Unet的理论基础，然后使用pytorch一步一步地实现Unet图像分割。因为主要目的是提供一个baseline模型给大家，所以代码主要关注在如何构造Unet的网络结构。

Unet

图1: Unet的网络结构

Unet主要用于图像分割问题。图1是Unet论文中的网络结构图。

https://arxiv.org/abs/1505.04597

很多分割网络都是基于FCNs做改进，包括Unet。Unet包括两部分，可以看右图，第一部分，特征提取，VGG类似。第二部分上采样部分。由于网络结构像U型，所以叫Unet网络。

1. 特征提取部分，每经过一个池化层就一个尺度，包括原图尺度一共有5个尺度。
2. 上采样部分，每上采样一次，就和特征提取部分对应的通道数相同尺度融合，但是融合之前要将其crop。这里的融合也是拼接。 个人认为改进FCN之处有：
   1. 多尺度
   2. 适合超大图像分割，适合医学图像分割

可以看出Unet是一个对称的结构，左半边是Encoder，右半边是Decoder。图像会先经过Encoder处理，再经过Decoder处理，最终实现图像分割。它们分别的作用如下：

• Encoder：使得模型理解了图像的内容，但是丢弃了图像的位置信息。
• Decoder：使模型结合Encoder对图像内容的理解，恢复图像的位置信息。

Encoder的部分和传统的网络结构类似，可以选择图中的结构，也可以选择VGG，ResNet等。随着卷积层的加深，特征图的长宽减小，通道增加。虽然Encoder提取了图像的高级特征，但是丢弃了图像的位置信息。所以在图像识别问题中，模型只需要Encoder的部分。因为图像识别不需要位置信息，只需要提取图像的内容信息。

Decoder的部分是Unet的重点。Decoder中涉及upconvolution这个概念。关于upconvolution，这里不做详细介绍，简单来说就是convolution的反向运算。Decoder的每一层都通过upconvolution(图中绿色箭头)，并且和Encoder相对应的初级特征结合（图中的灰色箭头），逐渐恢复图像的位置信息。在Decoder中，随着卷积层的加深，特征图的长宽增大，通道减少。

Ｕnet——输入输出

医学图像是一般相当大，但是分割时候不可能将原图太小输入网络，所以必须切成一张一张的小patch，在切成小patch的时候，Unet由于网络结构原因适合有overlap的切图，可以看图，红框是要分割区域，但是在切图时要包含周围区域，overlap另一个重要原因是周围overlap部分可以为分割区域边缘部分提供文理等信息。可以看黄框的边缘，分割结果并没有受到切成小patch而造成分割情况不好。

本文用到的数据来源于Kaggle盐体分割比赛。这次比赛的问题是一个非常典型的图像分割问题。比赛中的大佬们基本上都用的Unet。

我们的目标就是将图片中的盐体找出来。盐体有一些我不太懂的经济价值，反正是很有意义的。

以下是一些图片样例：

PyTorch实现

代码 以及运行教程 获取：

关注微信公众号 datayx 然后回复 分割 即可获取。

AI项目体验地址 https://loveai.tech

Unet

本文定义的Unet网络结构和论文中的略有不同，但本质都采用的是Encoder和Decoder的结构。主要的不同点是：

• Encoder的backbone基于ResNet18
• 输入和输出图像大小一致

以下是Unet网络结构的pytorch代码，代码后附了详细的解释。

• 这里定义了两个class：Decoder 和 Unet。Unet是整个模型的结构，Decoder则是模型Decoder中的单层。
• 使用pytorch构造模型时，需要基于nn.Module定义类。forward函数定义前向传播的逻辑。
• Decoder中的up运算定义为nn.ConvTranspose2d，也就是upconvolution；conv_relu则定义为nn.Conv2d和nn.ReLU的组合。pytorch中需要用到nn.Sequential将多个运算组合在一起。
• Decoder中forward函数定义了其前向传播的逻辑：1. 对特征图x1做upconvolution。2. 将x1和x2（encoder中对应的特征图）组合（concatenate）。3. 对组合后的特征图做卷积和relu。
• 因为Unet基于resnet18，所以定义运算时从torchvision.models.resnet18取出来就可以。因为resnet18默认的是适用于RGB图片，而比赛中的图片是灰的，只有一个通道，所以layer1中的卷基层需要自己定义。
• layer1到layer5属于encoder，encode4到encode0属于decoder，呈对称结构。
• 下表是经过各层的处理后，特征图的长/宽和通道数：

Dataset

如果你了解keras，那么就会发现pytorch中的Dataset和keras中的DataGenerator类似。不同的是pytorch定义的Dataset只返回1个样本，再通过DataLoader定义batch_size。

Dataset的逻辑很简单，分为以下几步：

• 读取图片
• 预处理（resize, pad, 数据增强等）
• 返回图片和Mask

Pytorch代码如下：

Optimizer

optimizer采用的是SGD，同时用到了余弦退火学习率和快照集成来提升模型效果。

结论

在没有数据增强和TTA等其他手段的情况下，本文的代码能够拿到0.76的成绩，是一个不错的baseline模型。