分割图像的方法、应用及计算设备技术

本发明专利技术公开了分割图像的方法、应用及计算设备。其中，分割图像的方法包括下述步骤。将每个训练样本中图像、在待优化的卷积神经网络模型中正向传递，以获取该训练样本中目标区域的分割掩码图。基于所获取的每个训练样本中目标区域的分割掩码图和对应的标注掩码图的偏差，利用下降梯度算法对待优化的卷积神经网络模型进行参数优化。将待分割的图像在已优化参数的卷积神经网络模型中正向传递，以获取该待分割的图像中目标区域的分割掩码图。

Method for segmenting image, application and computing device

The invention discloses a method for segmenting an image, an application and a computing device. The method of segmenting an image includes the following steps. The image of each training sample is transmitted forward to the optimized convolutional neural network model to obtain the segmentation mask of the target region in the training sample. Based on the deviation of the segmentation mask graph and the corresponding label mask graph in each training sample, the descent gradient algorithm is used to optimize the parameters of the optimized convolutional neural network model. The image to be segmented is transmitted forward in the convolutional neural network model with optimized parameters to obtain the segmentation mask of the target region in the image to be segmented.

【技术实现步骤摘要】
分割图像的方法、应用及计算设备
本专利技术涉及视频
，尤其涉及分割图像的方法、应用及计算设备。
技术介绍
图像分割是图像处理和编辑中的一项基本操作，精确地从图像中分割出所需要的区域是基于内容的图像处理算法的关键。例如，从图像中分割出头发区域是图像分割技术的一项实际应用。在一些诸如头发换色，头发美化等实际任务中，头发分割是必要的处理步骤，也是整个任务的重点和难点。现有的解决方案多是借鉴通用图像分割的处理方法。常用的图像分割方法包括基于阈值分割，基于边缘分割，基于区域增长分割，基于聚类分割和图割分割方式等。传统的图像分割方法对于简单应用场景(例如头发与背景对面鲜明，头发颜色纹理变化不明显)可以得到较好的分割效果。但对一些复杂的应用场景(比如头发与背景界限模糊，头发颜色变化较大，头发纹理细节缺失等)，很容易出现头发错分的现象。因此，本专利技术提出了一种新的分割图像的技术方案。
技术实现思路
为此，本专利技术提供一种新的分割图像的技术方案，有效的解决了上面至少一个问题。根据本专利技术的一个方面，提供一种分割图像的方法，适于在计算设备中执行。该计算设备存储有多个训练样本。每个训练样本包括一幅图像和该图像中目标区域的标注掩码图。例如，每个训练样本中图像为人脸图像，该样本中图像的目标区域为头发区域。该方法包括下述步骤。将每个训练样本中图像、在待优化的卷积神经网络模型中正向传递，以获取该训练样本中目标区域的分割掩码图。基于所获取的每个训练样本中目标区域的分割掩码图和对应的标注掩码图的偏差，利用下降梯度算法对待优化的卷积神经网络模型进行参数优化。将待分割的图像在已优化参数的卷积神经网络模型中正向传递，以获取该待分割的图像中目标区域的分割掩码图。可选地，在根据本专利技术的分割图像的应用中，待优化的卷积神经网络模型包括卷积层、激活层、池化层、归一化层和输出层。将每个训练样本中图像、在待优化的卷积神经网络模型中正向传递，以获取该训练样本中目标区域的分割掩码图的步骤包括下述操作。将该训练样本中图像输入到卷积层，并在卷积层中对图像进行特征提取以输出包含多个特征图的第一特征图集合。通过激活层中激活函数，对第一特征图集合执行特征映射，以获取第二特征图集合。在池化层中对第二特征图集合进行下采样操作，以获取第三特征图集合。在归一化层对第三特征图集合执行局部归一化操作，以获取第四特征图集合。在输出层中对所述第一、第二、第三和第四特征图集合中至少两个进行特征融合，以获取该训练样本中目标区域的分割掩码图。其中，特征融合的操作具体可以实施为下述方式：对第四特征图集合进行插值运算，以获取第五特征图集合；将第五特征图集合与第二特征图集合进行平均操作，并获取该分割掩码图。可选地，在根据本专利技术的分割图像的应用中，激活函数包括Sigmoid函数和修正线性单元函数中任一种。待优化的卷积神经网络模型还包括损失函数层。基于所获取的每个训练样本中目标区域的分割图像和对应的掩码图的偏差，利用下降梯度算法对待优化的卷积神经网络模型进行参数优化的步骤包括下述操作。在损失函数层，根据下述代价函数，计算所述待优化的卷积神经网络模型中其他每一层的参数调整量：其中，m表示多个训练样本的数量，x(i)表示第i个训练样本中图像，y(i)表示第i个训练样本中掩码图，n表示卷积神经网络的层数，sl表示卷积神经网络中第l层的神经元数目，表示连接第l层第i神经元和第l+1层第j神经元的权重参数，b表示网络模型偏置项，λ表示权重衰减系数，hW,b(x(i))表示第i个样本对应的目标区域的分割图，y(i)表示第i个样本的目标区域的掩码图，J(W,b；x(i),y(i))表示第i个训练样本的代价函数。根据本专利技术的又一个方面，提供一种分割图像的应用，适于驻留在计算设备中。该应用包括存储单元、模型训练单元和图像分割单元。存储单元存储有多个训练样本，每个训练样本包括一幅图像和该图像中目标区域的标注掩码图。模型训练单元适于将每个训练样本中图像、在待优化的卷积神经网络模型中正向传递，以获取该训练样本中目标区域的分割掩码图。基于所获取的每个训练样本中目标区域的分割掩码图和对应的标注掩码图的偏差，模型训练单元利用下降梯度算法对待优化的卷积神经网络模型进行参数优化。图像分割单元适于将待分割的图像在已优化参数的卷积神经网络模型中正向传递，以获取该待分割的图像中目标区域的分割掩码图。根据本专利技术的又一个方面，提供一种计算设备，包括根据本专利技术的分割图像的应用。综上，不同于传统的图像分割方式，本专利技术的分割图像的技术方案，可以利用实际应用场景中采集的训练样本对卷积神经网络模型进行训练。这样，经过迭代训练，本专利技术的分割图像的技术方案可以获取到优化的卷积神经网络模型。在此基础上，本专利技术的分割图像技术方案可以有较高的鲁棒性和分割精度。特别是，本专利技术的分割图像的技术方案在分割头发区域时，能够对人脸图像中头发区域进行高精度分割，极大提高用户体验度。附图说明为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。图1示出了根据本专利技术一些实施例的计算设备100的示意图；图2示出了根据本专利技术一些实施例的分割图像的方法200的流程图；图3A、3B和3C分别示出了根据本专利技术实施例中一个训练样本的图像和标注掩码图；图4示出了根据本专利技术一个实施例中待优化的卷积神经网络模型400的示意图；以及图5示出了根据本专利技术一些实施例的分割图像的应用500的示意图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。图1示出了根据本专利技术一些实施例的计算设备100的框图。在基本的配置102中，计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。取决于期望的配置，处理器104可以是任何类型的处理，包括但不限于：微处理器((μP)、微控制器(μC)、数字信息处理器(DSP)、图形处理器(GPU)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)、图形处理器(GPU)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个应用12本文档来自技高网...

【技术保护点】
一种分割图像的方法，适于在计算设备中执行，该计算设备存储有多个训练样本，每个训练样本包括一幅图像和该图像中目标区域的标注掩码图，该方法包括：将每个训练样本中图像、在待优化的卷积神经网络模型中正向传递，以获取该训练样本中目标区域的分割掩码图；基于所获取的每个训练样本中目标区域的分割掩码图和对应的标注掩码图的偏差，利用下降梯度算法对待优化的卷积神经网络模型进行参数优化；以及将待分割的图像在已优化参数的卷积神经网络模型中正向传递，以获取该待分割的图像中目标区域的分割掩码图。

【技术特征摘要】
1.一种分割图像的方法，适于在计算设备中执行，该计算设备存储有多个训练样本，每个训练样本包括一幅图像和该图像中目标区域的标注掩码图，该方法包括：将每个训练样本中图像、在待优化的卷积神经网络模型中正向传递，以获取该训练样本中目标区域的分割掩码图；基于所获取的每个训练样本中目标区域的分割掩码图和对应的标注掩码图的偏差，利用下降梯度算法对待优化的卷积神经网络模型进行参数优化；以及将待分割的图像在已优化参数的卷积神经网络模型中正向传递，以获取该待分割的图像中目标区域的分割掩码图。2.如权利要求1所述的方法，其中，所述待优化的卷积神经网络模型包括卷积层、激活层、池化层、归一化层和输出层；所述将每个训练样本中图像、在待优化的卷积神经网络模型中正向传递，以获取该训练样本中目标区域的分割掩码图的步骤包括：将该训练样本中图像输入到卷积层，并在卷积层中对图像进行特征提取以输出包含多个特征图的第一特征图集合；通过激活层中激活函数，对第一特征图集合执行特征映射，以获取第二特征图集合；在池化层中对第二特征图集合进行下采样操作，以获取第三特征图集合；在归一化层对第三特征图集合执行局部归一化操作，以获取第四特征图集合；在输出层中对所述第一、第二、第三和第四特征图集合中至少两个进行特征融合，以获取该训练样本中目标区域的分割掩码图。3.如权利要求2所述的方法，其中，所述在输出层中对所述第一、第二、第三和第四特征图集合中至少两个进行特征融合，以获取该训练样本中目标区域的分割掩码图的步骤包括：对第四特征图集合进行插值运算，以获取第五特征图集合；将第五特征图集合与第二特征图集合进行平均操作，并获取该分割掩码图。4.如权利要求2或3所述的方法，其中，所述激活函数包括Sigmoid函数和修正线性单元函数中任一种。5.如权利要求1-4中任一项所述的方法，其中，所述待优化的卷积神经网络模型还包括损失函数层；所述基于所获取的每个训练样本中目标区域的分割图像和对应的掩码图的偏差，利用下降梯度算法对待优化的卷积神经网络模型进行参数优化的步骤包括：在损失函数层，根据下述代价函数，计算所述待优化的卷积神经网络模型中其他每一层的参数调整量：

【专利技术属性】
技术研发人员：刘挺，万鹏飞，张伟，傅松林，
申请(专利权)人：厦门美图之家科技有限公司，
类型：发明
国别省市：福建,35