一种图像分割方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种图像分割方法、装置、设备及存储介质。该方法包括：获取原始图片；将原始图片输入图像分割模型，得到原始图片的图像语义分割图，图像分割模型基于超像素分割算法和全卷积神经网络联合训练生成。本发明专利技术实施例通过采用超像素分割算法和全卷积神经网络训练生成的图像分割模型对原始图片进行图像语义分割时，由于识别出了原始图片的底层特征，使得生成的图像语义分割图边缘定位准确且空间一致性好，并且由于超像素分割算法仅参与图像分割模型的训练生成过程，而不参与采用图像分割模型进行图像语义分割图的生成过程，因此，相比于仅基于全卷积神经网络训练生成的图像分割模型而言，实现了在不增加计算开销的基础上，提高了模型的预测精度。

【技术实现步骤摘要】
一种图像分割方法、装置、设备及存储介质
本专利技术实施例涉及计算机视觉技术，尤其涉及一种图像分割方法、装置、设备及存储介质。
技术介绍
近年来，随着计算机硬件性能的提升和大规模图像数据的出现，深度学习在计算机视觉领域得到广泛应用。其中，全卷积神经网络是在计算机视觉领域具有突出成就的一个深度学习的神经网络结构。图像语义分割是计算机视觉中三大核心研究问题之一，也是最具有难度的问题。图像语义分割是将图片中的每个像素分类按照其所属种类进行分类，最后得到包含语义信息的分割图像，即将图片中每个像素分类为预定义的特定类别以及背景类。针对图像语义分割来说，全卷积神经网络也在图像语义分割方面得到广泛应用，即采用基于全卷积神经网络训练生成的图像分割模型进行图像语义分割。在实现本专利技术过程中，专利技术人发现现有技术中至少存在如下问题：其一、无法对图片边缘进行精确定位。所谓图片边缘可以图片中一个属性区域和另一个属性区域的交接处，是属性发生突变的位置，每个属性区域中颜色、亮度、纹理和梯度等底层特征相似。而全卷积神经网络由于缺乏对图片的颜色、亮度、纹理和本文档来自技高网...

【技术保护点】
1.一种图像分割方法，其特征在于，包括：/n获取原始图片；/n将所述原始图片输入图像分割模型，得到原始图片的图像语义分割图，所述图像分割模型基于超像素分割算法和全卷积神经网络联合训练生成。/n

【技术特征摘要】
1.一种图像分割方法，其特征在于，包括：
获取原始图片；
将所述原始图片输入图像分割模型，得到原始图片的图像语义分割图，所述图像分割模型基于超像素分割算法和全卷积神经网络联合训练生成。


2.根据权利要求1所述的方法，其特征在于，所述图像分割模型基于超像素分割算法和全卷积神经网络联合训练生成，包括：
获取训练图片和训练图片中每个像素的原始标注值；
对所述训练图片进行超像素分割，得到所述训练图片的超像素分割图；
将所述训练图片输入全卷积神经网络，得到所述训练图片的图像语义分割图；
根据所述超像素分割图和所述训练图片的图像语义分割图，得到所述全卷积神经网络的第一损失函数，并且根据所述训练图片中每个像素的原始标注值和训练图片的图像语义分割图，得到所述全卷积神经网络的第二损失函数；
根据所述全卷积神经网络的第一损失函数和第二损失函数得到所述全卷积神经网络的损失函数，根据所述损失函数调整所述全卷积神经网络的网络参数，直至所述损失函数的输出值小于等于预设阈值，则将所述全卷积神经网络作为所述图像分割模型。


3.根据权利要求2所述的方法，其特征在于，所述根据所述超像素分割图和所述训练图片的图像语义分割图，得到所述全卷积神经网络的第一损失函数，包括：
对于所述超像素分割图中每个像素块，根据所述训练图片的图像语义分割图中每个像素的预测标注值，得到所述像素块在所述训练图片的图像语义分割图的每个输出通道上的方差函数；
根据各像素块在所述训练图片的图像语义分割图的各输出通道上的方差函数和预设权重系数得到所述全卷积神经网络的第一损失函数。


4.根据权利要求2所述的方法，其特征在于，所述根据所述训练图片中每个像素的原始标注值和所述训练图片的图像语义分割图，得到所述全卷积神经网络的第二损失函数，包括：
根据所述训练图片中每个像素的原始标注值和所述训练图片的图像语义分割图中每个像素的预测标注值，得到最小均方差函数，将所述最小均方差函数作为所述全卷积神经网络的第二损失函数。


5.根据权利要求1所述的方法，其特征在于，所述图像分割模型为全卷积神经网络，所述...

【专利技术属性】
技术研发人员：王俊东，梁柱锦，张壮辉，梁德澎，张树业，
申请(专利权)人：广州市百果园信息技术有限公司，
类型：发明
国别省市：广东;44