本公开涉及一种图像处理方法、装置、电子设备及存储介质，所述方法包括：获取待处理图像的第一图像特征；根据所述第一图像特征及一个或多个预设滤波核分别生成一个或多个滤波器；根据所述第一图像特征及所述一个或多个滤波器，得到所述待处理图像的一个或多个第二图像特征；根据所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息。本公开实施例可提高待处理图像中各像素标签信息识别的准确性。别的准确性。别的准确性。
【技术实现步骤摘要】
图像处理方法、装置、电子设备及存储介质
[0001]本申请是在2019年9月27日提交中国专利局、申请号为201910925581.2、申请名称为“图像处理方法、网络训练方法及装置、和电子设备”的中国专利申请的分案申请。
[0002]本公开涉及计算机
，尤其涉及一种图像处理方法、装置、电子设备及存储介质。
技术介绍
[0003]语义分割是计算机视觉中的一项重要但具有挑战性的任务，其目的在于为图像中的每个像素分配类别标签。但由于物体存在很大尺度的变化，因此通过单个尺度的特征表达预测像素的标签是不合理的，需要通过多个尺度的特征表达来预测像素的标签。
[0004]相关技术中利用不同大小的滤波器来构造多尺度的特征表达，但这些滤波器都是预先训练好的，滤波器的权重是不能调整的，针对不同的图像的适应性并不好。
技术实现思路
[0005]本公开提出了一种图像处理技术方案。
[0006]根据本公开的一方面，提供了一种图像处理方法，包括：
[0007]获取待处理图像的第一图像特征；
[0008]根据所述第一图像特征及一个或多个预设滤波核分别生成一个或多个滤波器；
[0009]根据所述第一图像特征及所述一个或多个滤波器，得到所述待处理图像的一个或多个第二图像特征；
[0010]根据所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息；
[0011]所述根据所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息，包括：
[0012]根据所述第一图像特征及所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息。
[0013]在一种可能的实现方式中，所述滤波器用于构造所述待处理图像对应不同图像尺度的特征表达。
[0014]在一种可能的实现方式中，所述预设滤波核越大，对应生成的所述滤波器构造的待处理图像在越大图像尺度的特征表达。
[0015]在一种可能的实现方式中，所述滤波器的权重根据所述第一图像特征生成。
[0016]在一种可能的实现方式中，所述根据所述第一图像特征及所述一个或多个滤波器，得到所述待处理图像的一个或多个第二图像特征，包括：
[0017]对卷积处理后的所述第一图像特征进行降维处理，得到降维后的第一图像特征；
[0018]将所述降维后的第一图像特征与所述一个或多个滤波器分别进行深度卷积处理，得到一个或多个第三图像特征；
[0019]对所述一个或多个第三图像特征分别进行卷积处理，得到所述待处理图像的一个或多个第二图像特征。
[0020]在一种可能的实现方式中，所述方法通过神经网络实现，所述方法还包括：根据预设的训练集训练所述神经网络，所述训练集包括：至少一个样本图像及所述样本图像中各像素的原始标签信息；
[0021]所述神经网络包括特征提取模块、至少一个动态滤波器生成模块以及融合模块，所述根据预设的训练集训练所述神经网络包括：
[0022]将至少一个样本图像输入至特征提取模块，得到第一图像特征；
[0023]将所述第一图像特征输入至所述至少一个动态滤波器生成模块，得到一个或多个滤波器，并分别根据所述一个或多个所述滤波器及所述第一图像特征，得到所述样本图像的一个或多个第二图像特征；
[0024]将所述一个或多个第二图像特征输入至所述融合模块，确定所述样本图像中各像素的第一标签信息；
[0025]根据所述样本图像中各像素的原始标签信息及各像素的第一标签信息，确定所述神经网络的生成损失；
[0026]根据所述生成损失，训练所述神经网络。
[0027]这样，本公开实施例提供的图像处理方法训练得到的神经网络，通过动态滤波器生成模块根据待处理图像动态的生成适应不同图像尺度的滤波器，该滤波器的权重是根据该待处理图像动态生成的，适应性更好，进而构造的待处理图像在多个图像尺度上的特征表达更为准确。
[0028]在一种可能的实现方式中，所述特征提取模块预先训练得到用于进行图像特征提取的网络，和/或，所述融合模块为预先训练得到的用于识别像素标签的神经网络。
[0029]根据本公开的一方面，提供了一种图像处理装置，包括：
[0030]获取模块，用于获取待处理图像的第一图像特征；
[0031]生成模块，用于根据所述第一图像特征及一个或多个预设滤波核分别生成一个或多个滤波器；
[0032]处理模块，用于根据所述第一图像特征及所述一个或多个滤波器，得到所述待处理图像的一个或多个第二图像特征；
[0033]确定模块，用于根据所述第一图像特征及所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息。
[0034]在一种可能的实现方式中，所述滤波器用于构造所述待处理图像对应不同图像尺度的特征表达。
[0035]在一种可能的实现方式中，所述预设滤波核越大，对应生成的所述滤波器构造的待处理图像在越大图像尺度的特征表达。
[0036]在一种可能的实现方式中，所述滤波器的权重根据所述第一图像特征生成。
[0037]在一种可能的实现方式中，所述处理模块，还用于：
[0038]对卷积处理后的所述第一图像特征进行降维处理，得到降维后的第一图像特征；
[0039]将所述降维后的第一图像特征与所述一个或多个滤波器分别进行深度卷积处理，得到一个或多个第三图像特征；
[0040]对所述一个或多个第三图像特征分别进行卷积处理，得到所述待处理图像的一个或多个第二图像特征。
[0041]在一种可能的实现方式中，所述装置包括神经网络训练模块，
[0042]所述神经网络训练模块，用于：
[0043]根据预设的训练集训练所述神经网络，所述训练集包括：至少一个样本图像及所述样本图像中各像素的原始标签信息；
[0044]所述神经网络包括特征提取模块、至少一个动态滤波器生成模块以及融合模块，所述神经网络训练模块，用于：
[0045]将至少一个样本图像输入至特征提取模块，得到第一图像特征；
[0046]将所述第一图像特征输入至所述至少一个动态滤波器生成模块，得到一个或多个滤波器，并分别根据所述一个或多个所述滤波器及所述第一图像特征，得到所述样本图像的一个或多个第二图像特征；
[0047]将所述一个或多个第二图像特征输入至所述融合模块，确定所述样本图像中各像素的第一标签信息；
[0048]根据所述样本图像中各像素的原始标签信息及各像素的第一标签信息，确定所述神经网络的生成损失；
[0049]根据所述生成损失，训练所述神经网络。
[0050]在一种可能的实现方式中，所述特征提取模块预先训练得到用于进行图像特征提取的网络，和/或，所述融合模块为预先训练得到的用于识别像素标签的神经网络。
[0051]根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：获取待处理图像的第一图像特征；根据所述第一图像特征及一个或多个预设滤波核分别生成一个或多个滤波器；根据所述第一图像特征及所述一个或多个滤波器，得到所述待处理图像的一个或多个第二图像特征；根据所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息；所述根据所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息，包括：根据所述第一图像特征及所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息。2.根据权利要求1所述的方法，其特征在于，所述滤波器用于构造所述待处理图像对应不同图像尺度的特征表达。3.根据权利要求2所述的方法，其特征在于，所述预设滤波核越大，对应生成的所述滤波器构造的待处理图像在越大图像尺度的特征表达。4.根据权利要求1所述的方法，其特征在于，所述滤波器的权重根据所述第一图像特征生成。5.根据权利要求1所述的方法，其特征在于，所述根据所述第一图像特征及所述一个或多个滤波器，得到所述待处理图像的一个或多个第二图像特征，包括：对卷积处理后的所述第一图像特征进行降维处理，得到降维后的第一图像特征；将所述降维后的第一图像特征与所述一个或多个滤波器分别进行深度卷积处理，得到一个或多个第三图像特征；对所述一个或多个第三图像特征分别进行卷积处理，得到所述待处理图像的一个或多个第二图像特征。6.根据权利要求1
‑
5任一所述的方法，其特征在于，所述方法通过神经网络实现，所述方法还包括：根据预设的训练集训练所述神经网络，所述训练集包括：至少一个样本图像及所述样本图像中各像素的原始标签信息；所述神经网络包...
【专利技术属性】
技术研发人员：乔宇，何军军，王亚立，邓重英，
申请(专利权)人：深圳市商汤科技有限公司，
类型：发明
国别省市：
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。