一种图像处理方法及装置、计算机可读存储介质制造方法及图纸

本公开提供了一种图像处理方法、装置及计算机可读存储介质；方法包括：通过主图像分割模型对待处理图像进行特征提取，得到待处理图像的特征图；根据特征图，通过目标图像分割模型对分割目标进行图像分割，得到目标分割结果；其中，目标图像分割模型通过与图像编码模型进行对抗训练得到；图像编码模型用于对目标分割结果进行形状约束。通过本公开，能够提高图像分割的准确度。

The invention relates to an image processing method, a device and a computer-readable storage medium

【技术实现步骤摘要】
一种图像处理方法及装置、计算机可读存储介质
本公开涉及图像处理
，尤其涉及一种图像处理方法及装置、计算机可读存储介质。
技术介绍
目前的深度学习分割算法通常只通过图像特征进行像素级别的分割，而忽略的分割结果的形状，这就可能导致分割结果出现离群点。例如，在医学图像中进行危及器官的图像分割时，目前的深度学习分割算法所预测出的器官形状与医学先验知识不同。比如视神经交叉，它的解剖结构为一个X形，但目前大多数使用交叉熵损失函数或Dice损失函数的深度学习网络会将其预测为类似椭圆的平滑形状，导致图像分割结果与先验知识不符，降低了图像分割的准确度。
技术实现思路
本公开实施例期望提供一种图像处理方法及装置和计算机可读存储介质，能够提高图像分割的准确度。本公开的技术方案是这样实现的：本公开实施例提供一种图像处理方法，所述方法包括：通过主图像分割模型对待处理图像进行特征提取，得到所述待处理图像的特征图；根据所述特征图，通过目标图像分割模型对所述分割目标进行图像分割，得到目标分割结果；其中，所述目标图像分割本文档来自技高网...

【技术保护点】
1.一种图像处理方法，其特征在于，包括：/n通过主图像分割模型对待处理图像进行特征提取，得到所述待处理图像的特征图；/n根据所述特征图，通过目标图像分割模型对所述分割目标进行图像分割，得到目标分割结果；其中，所述目标图像分割模型通过与图像编码模型进行对抗训练得到；所述图像编码模型用于对所述目标分割结果进行形状约束。/n

【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：
通过主图像分割模型对待处理图像进行特征提取，得到所述待处理图像的特征图；
根据所述特征图，通过目标图像分割模型对所述分割目标进行图像分割，得到目标分割结果；其中，所述目标图像分割模型通过与图像编码模型进行对抗训练得到；所述图像编码模型用于对所述目标分割结果进行形状约束。


2.根据权利要求1所述的方法，其特征在于，所述根据所述特征图，通过目标图像分割模型对所述分割目标进行图像分割，得到目标分割结果之前，所述方法还包括：
获取训练样本图像集合，所述训练样本图像集合中包含所述分割目标对应的至少一个训练样本图像，所述训练样本图像上带有标注分割目标；
通过初始目标图像分割模型，对每个训练样本图像进行图像分割，得到预测分割图像；
根据所述标注分割目标和所述预测分割图像，结合初始图像编码模型，对所述初始目标图像分割模型进行对抗训练，得到目标图像分割模型。


3.根据权利要求2所述的方法，其特征在于，所述根据所述标注分割目标和所述预测分割图像，结合初始图像编码模型，对所述初始目标图像分割模型进行对抗训练，得到目标图像分割模型，包括：
利用初始图像编码模型，对所述标注分割目标和所述预测分割图像进行编码，得到第一空间形状编码和第二空间形状编码；其中，所述第一空间形状编码为所述标注分割目标的低维流形空间表示；所述第二空间形状编码为所述预测分割图像的低维流形空间表示；
通过预设最小平方误差损失函数，计算所述第一空间形状编码和所述第二空间形状编码之间的编码距离，得到预测误差；
基于所述预测误差的形状约束，对所述初始目标图像分割模型的网络参数进行更新，迭代上述对抗训练过程直至最终的预测误差小于预设分割误差阈值时，结束所述训练过程，得到所述目标图像分割模型。


4.根据权利要求3所述方法，其特征在于，所述初始图像编码模型包括解码子模型，所述通过预设最小平方误差损失函数，对第一空间形状编码和第二空间形状编码进行处理，得到预测误差之后，所述方法还包括：
通过所述解码子模型，对所述第一空间形状编码与所述第二空间形状编码分别进行解码与图形重构，对应得到第一重构图像与第二重构图像；
通过预设重构损失函数，对所述标注分割目标与所述第一重构图像之间的误差，以及所述预测分割图像与所述第二重构图像之间的误差进行组合，得到所述初始图像编码模型的重构误差。


5.根据权利要求4所述的方法，其特征在于，所述基于所述预测误差的形状约束，对所述初始目标图像分割模型的网络参数进行更新，迭代上述对抗训练过程直至最终的预测误差小于预设分割误差阈值时，结束所述训练过程，得到所述目标图像分割模型包括：
在第M次训练过程中，利用所述预测误差，对所述初始目标图像分割模型的网络参数进行更新；其中，M为大于或等于1的整数；
在第M+1次训练中，基于所述重构误差和所述预测误差，得到综合编码误差；
利用所述综合编码误差，对所述初始图像编码模型的网络参数进行更新；
迭代上述对抗训练过程直至最终的预测误差小于预设编码误差阈值时，得到所述目标编码模型与所述目标图像分割模型。


6.根据权利要求3所述的方法，其特征在于，所述初始图像编码模型包括编码子模型，所述编码子模型包括至少一个卷积层与全连接层；
所述利用初始图像编码模型，对所述标注分割目标和所述预测分割图像进行编码，得到第一空间形状编码和第二空间形状编码，包括：
根据所述至少一个卷积层的预设步长，通过所述至少一个卷积层对所述训练样本图像...

【专利技术属性】
技术研发人员：高云河，黄锐，胡志强，李鸿升，
申请(专利权)人：商汤集团有限公司，
类型：发明
国别省市：中国香港;81