图像处理方法、装置、存储介质和计算机设备制造方法及图纸

本发明专利技术涉及一种图像处理方法、装置、存储介质和计算机设备，图像处理方法包括：获取待处理图像；确定所述待处理图像所属的模态类别；通过所述模态类别相应的机器学习模型，将所述待处理图像编码为语义分割特征矩阵；解码所述语义分割特征矩阵得到语义分割图像；所述语义分割图像中的像素点，具有表示所属分类类别的像素值，且与所述待处理图像中的像素点对应；根据属于目标分类类别的像素点确定目标图像区域。本申请提供的方案提高了图像处理准确率。

Image processing method, device, storage medium and computer equipment

The present invention relates to an image processing method, device, storage medium and computer equipment. The image processing method includes: acquiring the image to be processed; determining the modal category to which the image to be processed belongs; and encoding the image to be processed as a semantic segmentation feature matrix through the machine learning model corresponding to the modal category. A semantically segmented image is obtained by decoding the semantically segmented feature matrix; the pixels in the semantically segmented image have a pixel value representing the category to which they belong and correspond to the pixels in the image to be processed; and the target image region is determined according to the pixels belonging to the category of the target classification. The scheme provided by this application improves the accuracy of image processing.

【技术实现步骤摘要】
图像处理方法、装置、存储介质和计算机设备
本专利技术涉及计算机
，特别是涉及一种图像处理方法、装置、存储介质和计算机设备。
技术介绍
随着计算机技术的发展，人们越来越多地通过图像来传递信息，而图像中承载的内容也越来越丰富多样。目前，人们已不止于对图像本身进行分类，而更多的是对图像中的内容进行语义分割，找出对图像中感兴趣的区域。然而，目前对于图像进行语义分割找出图像中的感兴趣区域时，一般是人们根据经验人为的从图像中查找出感兴趣区域，这种人为查找具有很强的主观性，从而导致图像处理的准确性比较低。
技术实现思路
基于此，有必要针对目前图像处理的准确性比较低的问题，提供一种图像处理方法、装置、存储介质和计算机设备。一种图像处理方法，包括：获取待处理图像；确定所述待处理图像所属的模态类别；通过所述模态类别相应的机器学习模型，将所述待处理图像编码为语义分割特征矩阵；解码所述语义分割特征矩阵得到语义分割图像；所述语义分割图像中的像素点，具有表示所属分类类别的像素值，且与所述待处理图像中的像素点对应；根据属于目标分类类别的像素点确定目标图像区域。一种图像处理装置，包括：获取模块，用于获取待处理图像；确定模块，用于确定所述待处理图像所属的模态类别；编码模块，用于通过所述模态类别相应的机器学习模型，将所述待处理图像编码为语义分割特征矩阵；解码模块，用于解码所述语义分割特征矩阵得到语义分割图像；所述语义分割图像中的像素点，具有表示所属分类类别的像素值，且与所述待处理图像中的像素点对应；分割模块，用于根据属于目标分类类别的像素点确定目标图像区域。一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：获取待处理图像；确定所述待处理图像所属的模态类别；通过所述模态类别相应的机器学习模型，将所述待处理图像编码为语义分割特征矩阵；解码所述语义分割特征矩阵得到语义分割图像；所述语义分割图像中的像素点，具有表示所属分类类别的像素值，且与所述待处理图像中的像素点对应；根据属于目标分类类别的像素点确定目标图像区域。一种计算机设备，包括存储器和处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：获取待处理图像；确定所述待处理图像所属的模态类别；通过所述模态类别相应的机器学习模型，将所述待处理图像编码为语义分割特征矩阵；解码所述语义分割特征矩阵得到语义分割图像；所述语义分割图像中的像素点，具有表示所属分类类别的像素值，且与所述待处理图像中的像素点对应；根据属于目标分类类别的像素点确定目标图像区域。上述图像处理方法、装置、存储介质和计算机设备，在获取到待处理图像后，即自动确定待处理图像所属的模态类别，继而通过该模态类别相应的机器学习模型，将待处理图像编码为语义分割特征矩阵，再解码该语义分割特征矩阵即可得到语义分割图像。其中，语义分割图像中的像素点，具有表示所属分类类别的像素值，且与待处理图像中的像素点对应。这样即可自动根据属于目标分类类别的像素点来确定目标图像区域，相较于人为确定目标图像区域更加准确。附图说明图1为一个实施例中图像处理方法的流程示意图；图2为一个实施例中语义分割图像与待处理图像的像素点的对应关系图；图3为一个实施例中对称卷积神经网络的架构图；图4为一个实施例中目标图像区域的示意图；图5为一个实施例中图像处理方法的原理示意图；图6为一个实施例中模型训练步骤的流程示意图；图7为另一个实施例中图像处理方法的流程示意图；图8为一个实施例中图像处理装置的模块结构图；图9为另一个实施例中图像处理装置的模块结构图；图10为一个实施例中计算机设备的内部结构图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。图1为一个实施例中图像处理方法的流程示意图。本实施例主要以该方法应用于计算机设备来举例说明。参照图1，该图像处理方法具体包括如下步骤：S102，获取待处理图像。其中，待处理图像是待进行图像语义分割的图像。图像语义分割是将图像分割为若干个互不重叠的、具有一定语义的区域，同时对这些区域进行语义标注。本质上，图像语义分割实现的是图像像素级的分类，通过对每个像素点进行分类，实现整幅图像的语义标注。待处理图像比如地图图像、风景图像或者人物图像等。具体地，计算机设备可获取在本机上生成的图像，将该图像作为待处理图像。计算机设备也可从网络上爬取图像，将该图像作为待处理图像。计算机设备还可以获取其他计算机设备传递的图像，将该图像作为待处理图像。在一个实施例中，待处理图像具体可以是医学图像。其中，医学图像可包括利用超声声束扫描人体，通过对反射信号的接收和处理获得的超声图象、通过电子计算机断层扫描(ComputedTomography，CT)得到的CT图像或者通过磁共振(MagneticResonance,MR)成像得到的MR图像。具体地，计算机设备可获取通过医学图像成像设备生成的、且传递至本机的医学图像。可以理解，在医学图像成像的过程中，不可避免的会受到外部因素或者学图像成像设备本身运行中产生的噪声的影响，这样生成的医学图像中可能含有噪声，而包含噪声的医学图像会降低对图像处理的准确度。在本实施例中，计算机设备还可以对医学图像成像设备生成的医学图像进行去噪处理。在一个实施例中，待处理图像可以是具有视觉形态的图像文件。比如JPEG格式的图像文件。待处理图像也可以是不具有视觉形态的图像数据。比如用数值表示的各像素(pixel)的像素值的集合。S104，确定待处理图像所属的模态类别。其中，模态类别用于反映图像成像所通过的成像方式。成像方式比如伽马射线成像、紫外波段成像、微波波段成像或者无线电波段成像等。通过伽马射线成像的图像比如人体辐射图，通过微波波段成像的图像比如雷达图像等。可以理解，由于不同成像方式的成像原理和成像特点不同，因此在对图像进行处理时，需先确定图像的成像方式，也就是图像所述的模态类别，再根据确定的模态类别进行后续处理。在一个实施例中，S104包括：获取待处理图像所对应的图像成像信息；根据图像成像信息，确定待处理图像所对应的模态；将模态所属的模态类别作为待处理图像所属的模态类别。其中，图像成像信息是记载了图像成像相关内容的数据。图像成像信息可包括成像参数。模态用于反映图像成像所通过的成像方式的成像参数。一种模态类别可包括多个模态。可以理解，对应不同模态但属于相同模态类别的图像的成像方式相同，但具体的成像参数不同。比如，磁共振T1图像和磁共振T2图像，这两种图像都是通过磁共振成像得到，但具体的成像参数不一样。图像成像信息可以直接封装于图像中。比如，将图像成像信息写入图像文件的头部。举例说明，医学图像在生成后可直接存储为DCM文件，并将图像成像信息写入DCM文件头部，这样计算机设备在获取到DCM格式的待处理图像后，即可直接从待处理图像的头部提取图像成像信息。其中，DCM文件是遵循DICOM(DigitalImagingandCommunicationsinMedicine，医疗数位影像传输协定)标准的一本文档来自技高网...

【技术保护点】
1.一种图像处理方法，包括：获取待处理图像；确定所述待处理图像所属的模态类别；通过所述模态类别相应的机器学习模型，将所述待处理图像编码为语义分割特征矩阵；解码所述语义分割特征矩阵得到语义分割图像；所述语义分割图像中的像素点，具有表示所属分类类别的像素值，且与所述待处理图像中的像素点对应；根据属于目标分类类别的像素点确定目标图像区域。

【技术特征摘要】
1.一种图像处理方法，包括：获取待处理图像；确定所述待处理图像所属的模态类别；通过所述模态类别相应的机器学习模型，将所述待处理图像编码为语义分割特征矩阵；解码所述语义分割特征矩阵得到语义分割图像；所述语义分割图像中的像素点，具有表示所属分类类别的像素值，且与所述待处理图像中的像素点对应；根据属于目标分类类别的像素点确定目标图像区域。2.根据权利要求1所述的方法，其特征在于，所述确定所述待处理图像所属的模态类别，包括：获取所述待处理图像所对应的图像成像信息；根据所述图像成像信息，确定所述待处理图像所对应的模态；将所述模态所属的模态类别作为所述待处理图像所属的模态类别。3.根据权利要求1所述的方法，其特征在于，所述待处理图像的数量多于一个；各所述待处理图像根据同一成像目标成像得到；所述通过所述模态类别相应的机器学习模型，将所述待处理图像编码为语义分割特征矩阵，包括：将属于相同模态类别的待处理图像的图像尺寸调整至统一的图像尺寸；分别通过各模态类别相应的机器学习模型，将属于相应模态类别、且经过图像尺寸调整的待处理图像，共同编码为语义分割特征矩阵；其中，各所述语义分割特征矩阵解码后得到的语义分割图像，具有表示所属分类类别的像素值，且与编码自的各待处理图像中的像素点按像素位置对应。4.根据权利要求3所述的方法，其特征在于，所述将属于相同模态类别的待处理图像的图像尺寸调整至统一的图像尺寸，包括：查询各模态类别相应的机器学习模型各自关联的参考图像尺寸；对各所述待处理图像进行像素点采样，以将各待处理图像的图像尺寸调整至所属模态类别相应的机器学习模型所关联的参考图像尺寸。5.根据权利要求3所述的方法，其特征在于，所述根据属于目标分类类别的像素点确定目标图像区域，包括：根据各所述语义分割图像中属于目标分类类别的像素点，相应确定各所述语义分割图像中的目标图像区域；或者根据各所述语义分割图像中像素点与编码自的各待处理图像中的像素点的对应关系，确定各待处理图像中的各像素点各自对应的分类类别；根据各所述待处理图像中属于目标分类类别的像素点，相应确定各所述语义分割图像中的目标图像区域。6.根据权利要求3所述的方法，其特征在于，所述各模态类别相应的机器学习模型的生成步骤包括：收集属于各模态类别的图像样本；为各模态类别相应的机器学习模型关联参考图像尺寸；分别将属于各模态类别的图像样本的图像尺寸，调整至所属模态类别相应的机器学习模型所关联的参考图像尺寸；确定各所述图像样本中各像素点所对应的分类类别；根据各所述图像样本和各所述图像样本中各像素点所对应的分类类别，训练所属模态类别相应的机器学习模型。7.根据权利要求1至6中任一项所述的方法，其特征在于，所述待处理图像为医学图像；所述机器学习模型为对称卷积神经网络模型。8.一种图像处理装置，包括：获取模块，用于获取待...

【专利技术属性】
技术研发人员：王睿，孙星，郭晓威，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44