【技术实现步骤摘要】
一种图像分割方法及装置
本专利技术涉及计算机视觉
，尤其涉及一种图像分割方法及装置。
技术介绍
随着社会的快速发展，计算机视觉技术的发展也越来越快，尤其是计算机视觉技术中的图像分割技术。其中，图像分割是指将图像分成若干具有相似性质的区域的过程。现有的图像分割技术是通过将图像输入传统的2D卷积神经网络中，通过卷积操作提取图像的特征图，再对提取到的特征图进行还原得到分割结果，即分割图像。但是，基于传统的2D卷积神经网络对图像进行分割得到的分割图像的精度低。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种图像分割方法及装置，以提高分割图像的精度。为了实现上述目的，本专利技术提供如下技术方案：本专利技术实施例第一方面公开了一种图像分割方法，该方法包括：获取待分割图像；利用预设的3D卷积神经网络模型确定所述待分割图像中进行参数调整后的每个目标物的分割图像，所述3D卷积神经网络模型基于图像样本数据预先训练得到，所述3D卷积神经网络模型包括：提取模块、像素级显著性增强...
【技术保护点】
1.一种图像分割方法，其特征在于，该方法包括：/n获取待分割图像；/n利用预设的3D卷积神经网络模型确定所述待分割图像中进行参数调整后的每个目标物的分割图像，所述3D卷积神经网络模型基于图像样本数据预先训练得到，所述3D卷积神经网络模型包括：提取模块、像素级显著性增强模块、通道级显著性增强模块和3D残差反卷积模块；具体的利用所述预设的3D卷积神经网络模型确定所述待分割图像中进行参数调整后的每个目标物的分割图像的过程包括：/n利用所述提取模块，提取所述待分割图像的至少一个目标物的第一特征图矩阵；/n利用所述像素级显著性增强模块，对每个所述目标物的第一特征图矩阵中的参数进行调整...
【技术特征摘要】
1.一种图像分割方法，其特征在于，该方法包括：
获取待分割图像；
利用预设的3D卷积神经网络模型确定所述待分割图像中进行参数调整后的每个目标物的分割图像，所述3D卷积神经网络模型基于图像样本数据预先训练得到，所述3D卷积神经网络模型包括：提取模块、像素级显著性增强模块、通道级显著性增强模块和3D残差反卷积模块；具体的利用所述预设的3D卷积神经网络模型确定所述待分割图像中进行参数调整后的每个目标物的分割图像的过程包括：
利用所述提取模块，提取所述待分割图像的至少一个目标物的第一特征图矩阵；
利用所述像素级显著性增强模块，对每个所述目标物的第一特征图矩阵中的参数进行调整，确定每个所述目标物的像素级的加权矩阵，其中，所述每个所述目标物的第一特征图矩阵中的参数为所述目标物的像素；
根据所述通道级显著性增强模块，增强每个所述目标物的第一特征图矩阵中的矩阵通道，确定每个所述目标物的通道级的加权矩阵；
利用所述3D残差反卷积模块，针对于每个目标物，计算该目标物的像素级的加权矩阵和通道级的加权矩阵的和，得到所述目标物的目标矩阵，增大每个所述目标物的目标矩阵的尺寸，并对每个目标物的进行尺寸增大后的目标矩阵还原处理，确定所述待分割图像中进行参数调整后的每个所述目标物的分割图像。
2.根据权利要求1所述方法，其特征在于，所述利用所述像素级显著性增强模块，对每个所述目标物的第一特征图矩阵中的参数进行调整，确定每个所述目标物的像素级的加权矩阵，包括：
针对于每一个目标物，利用所述像素级显著性增强模块对所述目标物的特征图矩阵进行维度变换、维度调整以及非线性处理，得到所述目标物的第二特征图矩阵；
将每一个目标物的第一特征图矩阵与所述目标物的第二特征图矩阵进行加权相加，得到每个所述目标物的像素级的加权矩阵。
3.根据权利要求1所述的方法，其特征在于，所述根据所述通道级显著性增强模块，增强每个所述目标物的第一特征图矩阵中的矩阵通道，确定每个所述目标物的通道级的加权矩阵，包括：
针对与每一个目标物，利用所述通道级显著性增强模块对所述目标物的第一特征图矩阵进行维度变换、维度调整以及非线性处理，得到每个目标物的第三特征图矩阵；
将每一个所述目标物的第一特征图矩阵和所述目标物的第三特征图矩阵进行加权相加，得到每个所述目标物的通道级的加权矩阵。
4.根据权利要求1所述的方法，其特征在于，所述提取模块包括卷积模块、3D残差卷积模块，所述利用所述提取模块，提取所述待分割图像的至少一个目标物的第一特征图矩阵，包括：
利用所述卷积模块，提取所述待识别图像的至少一个目标物的特征图矩...
【专利技术属性】
技术研发人员：王立，郭振华，赵雅倩，
申请(专利权)人：浪潮电子信息产业股份有限公司，
类型：发明
国别省市：山东;37
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。