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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。