董高君，许乐乐，马忠松，于 歌

(1. 中国科学院空间应用工程与技术中心太空应用重点实验室， 北京100049； 2. 中国科学院大学， 北京100049)

1 引言

航天器上通常搭载多种类型空间科学载荷设备，以开展多样的空间科学实验。 基于实验产生的海量图像数据，研究人员开展了表型分析相关研究，比如提取图像中实验对象的表型特征，包括形态、尺度、面积、体积、生长曲线等，以及时了解实验对象在太空的状态，保障实验的顺利开展。图像分割技术可以实现对图像中目标的精细识别，为后续研究工作的开展奠定基础，因此成为科学实验表型分析的重要技术手段。 对于空间科学实验中的细胞图像，面对复杂场景，比如光照不均、实验对象互相交叠等问题，传统的基于阈值、颜色等的统计分析方法无法取得较好的分割精度。

近年来，深度学习技术在计算机视觉领域蓬勃发展，为复杂场景下的细胞图像分割引领了新的技术方向。 张文秀等使用经典语义分割网络U-Net实现细胞的分割，并结合残差块和注意力机制，提取更多的细胞细节信息，减缓亮度不均匀、对比度较低的模型干扰；细化网络RefineNet基于U-Net 模型提出了改进的语义分割模型，在编码-解码结构的基础上添加了残差卷积单元以及多分辨率融合模块，使之在细胞分割任务中具有更良好的性能；全卷积网络(Fully Convolutional Networks，FCN)作为常用的语义分割模型，使用反卷积的方法将高维特征图上采样至原始大小。 上述方法主要实现对细胞图像的像素级语义分割，无法区分紧密相邻的细胞实例。……