【技术实现步骤摘要】
图像分割方法、背景替换方法、装置、设备及存储介质
本专利技术涉及基于人工智能的图像处理技术,尤其涉及一种图像分割方法、图像背景替换方法、装置、电子设备及存储介质。
技术介绍
人工智能(ArtificialIntelligence,AI)是计算机科学的一个综合技术,通过研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科,涉及领域广泛,例如自然语言处理技术以及机器学习/深度学习等几大方向,随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。在基于人工智能的图像处理技术中,图像分割是一个重要的研究方向,能够从图像中将前景和背景识别出来,以便后续对识别出的前景或者背景进行相应的处理,例如替换处理。但是,相关技术识别出的前景和背景容易出现误差,精准度低。
技术实现思路
本专利技术实施例提供一种图像分割方法、图像背景替换方法、装置、电子设备及存储介质,能够减小识别误差,提高图像分割的精准度。本专利技术实施例的技术方案是这样实现的: ...
【技术保护点】
1.一种图像分割方法,其特征在于,所述方法包括:/n对包括前景和背景的待分割图像进行下采样编码,将得到的下采样特征图进行上采样解码,得到上采样特征图;/n对所述上采样特征图进行分类处理,得到所述上采样特征图中各个像素对应前景和背景的分类概率;/n对所述各个像素对应前景和背景的分类概率的误差进行补偿处理,得到所述上采样特征图的补偿特征图;/n对所述补偿特征图、所述上采样特征图、以及所述下采样特征图进行融合处理,得到融合特征图;/n基于所述融合特征图中各个像素对应前景和背景的分类概率,从所述待分割图像中识别出前景和背景。/n
【技术特征摘要】
1.一种图像分割方法,其特征在于,所述方法包括:
对包括前景和背景的待分割图像进行下采样编码,将得到的下采样特征图进行上采样解码,得到上采样特征图;
对所述上采样特征图进行分类处理,得到所述上采样特征图中各个像素对应前景和背景的分类概率;
对所述各个像素对应前景和背景的分类概率的误差进行补偿处理,得到所述上采样特征图的补偿特征图;
对所述补偿特征图、所述上采样特征图、以及所述下采样特征图进行融合处理,得到融合特征图;
基于所述融合特征图中各个像素对应前景和背景的分类概率,从所述待分割图像中识别出前景和背景。
2.根据权利要求1所述的方法,其特征在于,
用于图像分割的神经网络模型包括编码网络和解码网络;
所述对包括前景和背景的待分割图像进行下采样编码,包括:
通过所述编码网络对包括前景和背景的待分割图像进行下采样编码,得到所述下采样特征图;
所述将得到的下采样特征图进行上采样解码,得到上采样特征图,包括:
通过所述解码网络对所述编码网络输出的下采样特征图进行上采样解码,得到所述上采样特征图。
3.根据权利要求2所述的方法,其特征在于,
所述下采样编码的编码网络中包括多个级联的编码层;
所述通过所述编码网络对包括前景和背景的待分割图像进行下采样编码,得到所述下采样特征图,包括:
通过所述多个级联的编码层的第一个编码层,对所述包括前景和背景的待分割图像进行下采样编码;
将所述第一编码层的编码结果输出到后续级联的编码层,以在后续级联的编码层中继续进行下采样编码和编码结果输出,直至最后一个编码层;
将所述最后一个编码层输出的编码结果作为所述编码网络输出的下采样特征图。
4.根据权利要求2所述的方法,其特征在于,
当所述下采样编码的编码网络中包括多个级联的编码层时,所述上采样解码的解码网络中包括多个级联的解码层,且相同层次的所述解码层与所述编码层之间存在跨层连接;
所述通过所述解码网络对所述编码网络输出的下采样特征图进行上采样解码,得到所述上采样特征图,包括:
通过所述多个级联的解码层中的第一个解码层,对所述下采样特征图进行上采样解码;
将上采样解码的解码结果与所述第一个解码层跨层连接的编码层输出的编码结果进行融合,将融合结果作为所述第一个解码层的最终解码结果输出到后续级联的解码层,以
在后续级联的解码层中继续进行上采样解码、解码结果融合和最终解码结果输出;
将最后一个解码层输出的最终解码结果作为所述解码网络输出的包括前景和背景的特征的上采样特征图。
5.根据权利要求1所述的方法,其特征在于,
用于图像分割的神经网络模型中还包括补偿网络;
所述对所述上采样特征图进行分类处理,得到所述上采样特征图中各个像素对应前景和背景的分类概率,包括:
通过所述补偿网络对所述上采样解码的中间解码结果和/或最终解码结果包括的上采样特征图执行以下处理:
对所述上采样特征图进行卷积处理,并对卷积处理后的所述上采样特征图进行归一化处理,得到所述上采样特征图中各个像素属于前景的概率和属于背景的概率;
将所述各个像素属于前景的概率和属于背景的概率中的最大值、确定为对应所述各个像素的分类概率。
6.根据权利要求1所述的方法,其特征在于,
当上采样解码的解码网络中包括多个级联的解码层时,所述对所述各个像素对应前景和背景的分类概率的误差进行补偿处理,得到所述上采样特征图的补偿特征图,包括:
通过补偿网络对所述至少一个解码层的上采样解码输出包括的上采样特征图执行以下处理:
针对所述上采样特征图中的各个像素执行以下处理:将分类误差阈值与所述像素对应前景和背景的分类概率的差值,确定为所述像素的补偿值;
对所述上采样特征图中各个像素的补偿值进行组合处理,得到所述上采样特征图的补偿特征图。
7.根据权利要求1所述的方法,其特征在于,
当上采样解码的解码网络中包括多个级联的解码层时,所述对所述各个像素对应前景和背景的分类概率的误差进行补偿处理,得到所述上采样特征图的补偿特征图,包括:
通过所述补偿网络对所述至少一个解码层的上采样解码输出包括的上采样特征图执行以下处理:
当所述上采样特征图中任一像素的分类概率小于分类阈值时,将分类误差阈值与所述像素的分类概率的差值,确定为所述像素的补偿值;
当所述像素的分类概率大于或者等于分类阈值时,将所述像素的分类概率确定为所述像素的补偿值;
对所述上采样特征图中各个像素的补偿值进行组合处理,得到所述上采样特征图的补偿特征图。
8...
【专利技术属性】
技术研发人员:涂娟辉,易阳,李峰,
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
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。