【技术实现步骤摘要】
图像处理方法、装置、存储介质及电子设备
本申请属于图像
，尤其涉及一种图像处理方法、装置、存储介质及电子设备。
技术介绍
图像分割是计算机视觉领域的一个基础课题。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。然而，相关技术中，电子设备对图像进行分割的精度较低。
技术实现思路
本申请实施例提供一种图像处理方法、装置、存储介质及电子设备，可以提高电子设备对图像进行分割的精度。第一方面，本申请实施例提供一种图像处理方法，所述方法包括：获取第一图像；获取预训练图像分割模型，所述预训练图像分割模型用于输出图像的分割掩模，所述预训练图像分割模型至少包括分割模块，所述分割模块包括多个卷积网络块与至少一个卷积层，所述多个卷积网络块依次连接后再与所述至少一个卷积层连接，每一所述卷积网络块包括卷积层、批归一化层及非线性激活层；将所述第一图像输入至所述预训练图像分割模型，由所述预训练图像分割模型输出所述第一图像对应的...
【技术保护点】
1.一种图像处理方法，其特征在于，所述方法包括：/n获取第一图像；/n获取预训练图像分割模型，所述预训练图像分割模型用于输出图像的分割掩模，所述预训练图像分割模型至少包括分割模块，所述分割模块包括多个卷积网络块与至少一个卷积层，所述多个卷积网络块依次连接后再与所述至少一个卷积层连接，每一所述卷积网络块包括卷积层、批归一化层及非线性激活层；/n将所述第一图像输入至所述预训练图像分割模型，由所述预训练图像分割模型输出所述第一图像对应的分割掩模；/n根据所述第一图像对应的分割掩模从所述第一图像中分割出第二图像。/n
【技术特征摘要】
1.一种图像处理方法，其特征在于，所述方法包括：
获取第一图像；
获取预训练图像分割模型，所述预训练图像分割模型用于输出图像的分割掩模，所述预训练图像分割模型至少包括分割模块，所述分割模块包括多个卷积网络块与至少一个卷积层，所述多个卷积网络块依次连接后再与所述至少一个卷积层连接，每一所述卷积网络块包括卷积层、批归一化层及非线性激活层；
将所述第一图像输入至所述预训练图像分割模型，由所述预训练图像分割模型输出所述第一图像对应的分割掩模；
根据所述第一图像对应的分割掩模从所述第一图像中分割出第二图像。
2.根据权利要求1所述的图像处理方法，其特征在于，所述预训练图像分割模型还包括多尺度编码器模块、特征金字塔模块、多尺度解码器模块，所述多尺度编码器模块、特征金字塔模块、多尺度解码器模块、分割模块依次连接。
3.根据权利要求2所述的图像处理方法，其特征在于，在进行模型训练时，用于得到所述预训练图像分割模型的训练模型还包括深层特征监督模块，所述深层特征监督模块与所述特征金字塔模块连接，所述深层特征监督模块用于从多个尺度对深层特征进行监督；
在模型训练时，训练模型中的多尺度解码器输出与训练样本对应的第一初步分割掩模，训练模型中的深层特征监督模块输出与所述训练样本对应的N个深监督预测掩模，N为特征金字塔的层数；
获取所述训练样本中用作标注的第一标注分割掩模；
分别计算所述N个深监督预测掩模中的每一个掩模与所述第一标注分割掩模的交叉熵损失，以及计算所述第一初步分割掩模与所述第一标注分割掩模的交叉熵损失；
根据计算得到的多个交叉熵损失，对训练模型执行反向传播算法，更新模型参数；
在多个训练周期内重复模型训练过程直至包括多尺度编码器模块、特征金字塔模块、多尺度解码器模块、深层特征监督模块的模型的损失函数完全收敛，保存模型且不冻结模型的参数。
4.根据权利要求3所述的图像处理方法，其特征在于，训练模型还包括边缘梯度模块，所述边缘梯度模块用于提供边缘梯度损失函数作为模型训练时的其中一个损失函数。
5.根据权利要求4所述的图像处理方法，其特征在于，所述边缘梯度模块用于计算训练样本中的输入图像对应的边缘梯度图；
将训练样本中的输入图像输入至训练模型中，依次经过多尺度编码器模块、特征金字塔模块、多尺度解码器模块的处理得到第二初步分割掩模；
将所述第二初步分割掩模和所述输入图像输入至分割模块，由分割模块输出精细分割掩模；
所述边缘梯度模块用于计算所述精细分割掩模对应的边缘概率预测图；
所述边缘梯度模块提供的边缘梯度损失函数用于计算所述边缘梯度图和所述边缘概率预测图之间的边缘梯度损失。
6.根据权利要求5所述的图像处理方法，其特征在于，将保存的包括多尺度编码器模块、特征金字塔模块、多尺度解码器模块、深层特征监督模块的模型中的所述深层特征监督模块移除，并加入分割模块和边缘梯度模块；
基于包括多尺度编码器模块、特征金...
【专利技术属性】
技术研发人员：刘钰安，
申请(专利权)人：OPPO广东移动通信有限公司，
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。