1.基于上下文正则化循环深度学习的图像分割方法，其特征在于，包括以下步骤：步骤1：对输入图片 在VGG19‑FCN网络中进行卷积操作，其中，VGG19‑FCN网络由18个卷积层、5个池化层和3个反卷积层构成；具体包括以下步骤：步骤1.1：卷积层操作，采用以下方法：假设 是第l层卷积层的第i层特征映射，定义特征映射 为输入量， 为输出量，即二值掩膜图，卷积操作如公式(1‑1)所示：其中， 是第l层卷积层的第i层卷积层的卷积核， 是第l层卷积层的第i层卷积层的偏差参数；n是 在中特征映射的数量，*表示为卷积操作，f(·)为激活函数；

步骤1.2：池化层最大池化操作，采用以下公式(1‑3)表示：其中，Ω(m,n)表示特征向量 的空间向量的位置(m,n)，△代表 在本算法框架的第

7层中；

步骤1.3：反卷积层操作，采用以下方法：将第一层卷积层的第5层的输出量反卷积到原图大小，再将第一层卷积层的第4层的输出和第3层的输出量也依次反卷积，得到 反卷积操作用公式(1‑4)表示：其中 是第l层卷积层的第i层卷积层的卷积核， 表示为反卷积操作；

步骤1.4：调整学习率，采用以下方法：学习率的调整如公式(1‑5)所示：其中，Rt为学习率，t为变化计数，t＝0，1，2，3；α为衰减指数；ρ＝0.90；

步骤2：对卷积层输出的二值掩膜图 上下文正则化操作，具体包括以下步骤：g g

步骤2.1：定义 为 在位置(m，n)的像素，X 是灰度图，则X 在位置(m，n)的像素I(m，n)为：

其中，η是最原始的误差，η为：其中， 为最小化误差参数η， 表示Frobenius范数操作；

步骤2.2：定义约束函数：

其中， 是像素 周围8个方向的像素；

步骤2.3：定义权重函数W(m，n)：当w(m，n)＝0时，m和n之间的相应上下文约束将被取消；

步骤2.4：基于两个相邻像素的向量之间的平方差的方法，构造权重函数W(m，n)：g

其中，σ为规定参数，σ＝0.5，I(m+Δm，n+Δn)为X的输入像素周围8个方向的像素；

步骤2.5：在图像域中加入加权上下文约束，改写公式(1‑9)为：其中，ω代表8个所在位置的像素的不同方向；

步骤2.6：定义高阶滤波器DΔm，Δn，使DΔm，Δn在每一个位置(Δm，Δn)的值都满足：即使DΔm，Δn在每一个位置(Δm，Δn)的值都满足其中，ω表示指标集，为像素的乘法算子， 为卷积算子，DΔm，Δn表示一个一阶微分算子，WΔm，Δn表示像素在(Δm，Δn)的一个加权矩阵，||·||1表示曼哈顿距离的评估；

步骤2.7：定义并最小化下面的目标函数，目标函数(1‑14)由公式(1‑7)和公式(1‑13)得：

其中，ξ是平衡两个条件的正则化参数；对于 符合以下公式：步骤2.8：定义辅助变量 重写公式(1‑15)：2

其中，β为预定义的比例因子， β的初始值β0为1，最大值βmax为2 ，通过比例因子2

反复增加β，使其从最小值0到最大值2；

步骤2.9：首先，固定 优化因此，可以直接在位置(m，n)中最优化其中，sign(·)是信号函数；

其次，固定 优化

因为公式(1‑19)是 的二次方程，因此可以重写公式(1‑19)：步骤2.10：使用二维傅里叶变换和假设循环边界条件优化 计算出最优解Y*：‑1

其中，τ是傅里叶变化，τ(·) 是反傅里叶变化；

步骤3：循环迭代操作，包括以下步骤：步骤3.1：在经过上下文正则化计算之后，将得出的最优解Y*与输入的RGB图片 做像素值的相乘，得到一张相乘后的图片Y；

步骤3.2：将步骤3.1中的Y作为输入，重复进行步骤1、步骤2和步骤3.1，基于Y的熵值，

2 2

设置熵值临界值6.9，使迭代从0到6.9进行，直至预测出与真相最为接近的二值掩膜图。

2.根据权利要求1所述的基于上下文正则化循环深度学习的图像分割方法，其特征在于：步骤1.1中，所述的激活函数使用的是修正线性单元，如公式(1‑2)所示：f(x)＝max(0，x)；(1‑2)其中x是激活函数的输入值。

3.根据权利要求1所述的基于上下文正则化循环深度学习的图像分割方法，其特征在‑4

于：步骤1.4中，所述的学习率Rt的初始值R0设为10 。

4.根据权利要求1所述的基于上下文正则化循环深度学习的图像分割方法，其特征在于：步骤3.2中，判断图片Y是否为与真相最为接近的二值掩膜图的方法为：通过查准率、召回率、F1_measure和相似度这4个评价指标判断。