【技术实现步骤摘要】
一种高分辨率图像的小目标语义分割方法及系统
[0001]本专利技术涉及图像处理
，尤其涉及一种高分辨率图像的小目标语义分割方法及系统。
技术介绍
[0002]近年来，随着计算机信息技术的发展，深度学习被大量应用于计算机视觉中，比如应用于目标检测任务中，使得目标检测完成了从手动提取人工设计的特征到应用卷积神经网络让计算机自动提取特征的转变，极大的提高了速度和准确度，从而使得基于深度学习的计算机视觉成为图像处理领域的主流。
[0003]在图像处理领域中，在一些应用场景下，比如检测图像中的缺陷等小目标时，需要先对图像中的一些目标内容进行语义分割，图像的语义分割是对图像在像素级别上的分类，通过语义分割模型将图像中的属于同类的目标内容分为一类，目标内容可以是特定的人物、物体或文字等，将目标内容在图像确定像素级别的边界并进行分割。例如图像中的存在一车辆，判断属于该车辆的像素并将全部属于该车辆的像素分割出来，确定该车辆在像素级别的边界分割框。
[0004]目前，现有的语义分割技术均存在一些不同程度的不足，比如采用FC...
【技术保护点】
【技术特征摘要】
1.一种高分辨率图像的小目标语义分割方法，其特征在于，所述方法包括：获取待分割的高分辨率图像；采用训练好的ThunderNet网络对所述高分辨率图像的小目标进行粗定位，确定目标区域；采用训练好的DeepLabv3+网络对所述目标区域进行像素级分类，得到像素级分类结果。2.根据权利要求1所述的高分辨率图像的小目标语义分割方法，其特征在于，在所述获取待分割的高分辨率图像的步骤之前，所述方法还包括：构建所述ThunderNet网络和所述DeepLabv3+网络；获取训练样本数据集；对所述训练样本数据集进行数据增强，以扩充所述训练样本数据集；将扩充后的所述训练样本数据集输入到所述ThunderNet网络中，以训练所述ThunderNet网络对所述训练样本数据集中的小目标进行粗定位；将所述训练样本数据集中的粗定位区域进行裁剪，得到包含小目标的区域图像；将所述区域图像输入到所述DeepLabv3+网络中，以训练所述DeepLabv3+网络对所述区域图像进行像素级分类。3.根据权利要求2所述的高分辨率图像的小目标语义分割方法，其特征在于，所述对所述训练样本数据集进行数据增强，以扩充所述训练样本数据集的步骤包括：对所述训练样本数据集中的图像进行灰度化、二值化、取反和连通域标记操作；计算每个所述连通域的质心坐标；将所述质心坐标的x坐标随机在x∈[0，width]中取一个数，其中width代表图像的宽，以及将所述质心坐标的y坐标随机在y∈[0，height]中取一个数，其中height代表图像的高；将所述质心坐标在水平方向上左右平移量tr_x，tr_x的取值范围为[0，width]，并在该范围内随机取一个值，垂直方向平移上左右平移量tr_y，tr_y的取值范围为[0，height]，并在该范围内随机取一个值，增加判断若平移后的坐标只要有一个超出该图像的范围，则重新取一个随机值；以平移后的所述质心坐标进行裁剪，再缩放到统一大小。4.根据权利要求2所述的高分辨率图像的小目标语义分割方法，其特征在于，所述将扩充后的所述训练样本数据集输入到所述ThunderNet网络中，以训练所述ThunderNet网络对所述训练样本数据集中的小目标进行粗定位的步骤包括：对扩充后的所述训练样本数据集中的小目标进行标记：将标记好的所述训练样本数据集输入到所述ThunderNet网络中，以训练所述ThunderNet网络对所述小目标进行粗定位。5.根据权利要求2所述的高分辨率图像的小目标语义分割方法，其特征在于，所述将所述区域图像输入到所述DeepLabv3+网络中，以训练所述DeepLabv3+网络对所述区域图像进行像素级分类的步骤包括：将所述区域图像输入到所述DeepLabv3+网络中；通过所述DeepLabv3+网络中的浅层卷积层提取所述区域图像的低级特征，并通过使用
编码器和解码器迭代出高级特征；将所述低级特征和高级特征进行融合，以训练所述DeepLabv3+网络对所述区域图像进行像素级分类。6.一种高分辨率图像的小目标语义分割系统，其特征在于，所述系统包括：图像获取...
【专利技术属性】
技术研发人员：田桂，
申请(专利权)人：广东奥普特科技股份有限公司，
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。