图像分割方法、装置、电子设备和可读介质制造方法及图纸

本公开提供一种图像分割方法、装置、电子设备和可读介质，其中，图像分割方法包括：对待分割图像进行分块处理，以得到分块图像；根据目标图像占分块图像的比例对所述分块图像进行分类标注；将分类标注后的分块图像输入至训练后的卷积神经网络，以得到分割图像；通过先验知识指导机器学习算法对所述卷积神经网络输出的图像进行边缘修正，以获得修正后的分割图像。通过本公开实施例，提高了获得分割图像的准确度、可靠性和图像处理速度。可靠性和图像处理速度。可靠性和图像处理速度。

【技术实现步骤摘要】
图像分割方法、装置、电子设备和可读介质


[0001]本公开涉及图像处理
，具体而言，涉及一种图像分割方法、装置、电子设备和可读介质。

技术介绍

[0002]目前，对医疗影像中的病灶分析，器官轮廓检测等，都需要对目标图像进行精准分割，便于医生进行精准判断。
[0003]在相关技术中，机器视觉被广泛应用于医疗影像的处理场景中，通过机器视觉产品将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号。
[0004]但是，由于大多数的医疗影像中，目标区域与背景区域之间的颜色毕竟解决，且经常存在边缘不清晰、不连贯和缺失等问题，因此，医学影像的图像分割的可靠性差、准确性低且速度慢。
[0005]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0006]本公开的目的在于提供一种图像分割方法、装置、电子设备和可读介质，用于至少在一定程度上克服由于相关技术的限制和缺陷而导致的图像分割准确性差的问题。
[0007]根据本公开实施例的第一方面，提供一种图像分割方法，包括：对待分割图像进行分块处理，以得到分块图像；根据目标图像占分块图像的比例对所述分块图像进行分类标注；将分类标注后的分块图像输入至训练后的卷积神经网络，以得到分割图像；通过先验知识指导机器学习算法对所述卷积神经网络输出的图像进行边缘修正，以获得修正后的分割图像。
[0008]在本公开的一种示例性实施例中，所述卷积神经网络包括依次连接的特征提取层和反卷积层，所述特征提取层包括依次连接的一个初始卷积层、一个最大池化层和多个卷积层，所述特征提取层用于提取所述分块图像的特征向量，所述反卷积层用于对所述特征向量进行上采样处理，以得到所述分块图像的特征矩阵。
[0009]在本公开的一种示例性实施例中，所述初始卷积层的卷积核大小为7
×
7，所述初始卷积层的采样间隔为2，所述初始卷积层的通道数为64。
[0010]在本公开的一种示例性实施例中，所述最大池化层的采样间隔为2。
[0011]在本公开的一种示例性实施例中，所述特征提取层包括最大池化层、第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层，所述最大池化层的输出结果输入至所述第一卷积层，所述第一卷积层包括两个bottleneck层，所述第一卷积层的卷积核大小为3
×
3，所述第一卷积层的采样间隔为1，所述第一卷积层的通道数为64，所述第一卷积层的输出结果输入至所述第二卷积层，所述第二卷积层包括两个bottleneck层，所述第二卷积层
的卷积核大小为3
×
3，所述第二卷积层的采样间隔为2，所述第二卷积层的通道数为128，所述第二卷积层的输出结果输入至所述第三卷积层，所述第三卷积层包括两个bottleneck层，所述第三卷积层的卷积核大小为3
×
3，所述第三卷积层的采样间隔为1，所述第三卷积层的通道数为256，所述第三卷积层的输出结果输入至所述第四卷积层，所述第四卷积层包括两个bottleneck层，所述第四卷积层的卷积核大小为3
×
3，所述第四卷积层的采样间隔为2，所述第四卷积层的通道数为512。
[0012]在本公开的一种示例性实施例中，所述反卷积层包括第一反卷积层、第二反卷积层、第三反卷积层、第四反卷积层和第五卷积层，所述特征提取层的输出结果输入至所述第一反卷积层，所述第一反卷积层包括两个bottleneck层，所述第一反卷积层的卷积核大小为3
×
3，所述第一反卷积层的采样间隔为2，所述第一反卷积层的通道数为256，所述第一反卷积层的输出结果输入至所述第二反卷积层，所述第二反卷积层包括两个bottleneck层，所述第二反卷积层的卷积核大小为3
×
3，所述第二反卷积层的采样间隔为2，所述第二反卷积层的通道数为128，所述第二反卷积层的输出结果输入至所述第三反卷积层，所述第三反卷积层包括两个bottleneck层，所述第三反卷积层的卷积核大小为3
×
3，所述第三反卷积层的采样间隔为2，所述第三反卷积层的通道数为64，所述第三反卷积层的输出结果输入至所述第四反卷积层，所述第四反卷积层包括两个bottleneck层，所述第四反卷积层的卷积核大小为3
×
3，所述第四反卷积层的采样间隔为2，所述第三反卷积层的通道数为64，所述第四反卷积层的输出结果输入至所述第五反卷积层，所述第五反卷积层包括两个bottleneck层，所述第五反卷积层的卷积核大小为3
×
3，所述第五反卷积层的采样间隔为2，所述第五反卷积层的通道数为1。
[0013]在本公开的一种示例性实施例中，在对待分割图像进行分块处理前，还包括：
[0014]将分类标注的分块图像的特征矩阵样本输入至所述卷积神经网络的全连接层，以得到所述卷积神经网络的全连接层输出的特征向量样本；
[0015]根据所述全连接层输出的特征向量样本的类间距离构建三元损失函数。
[0016]在本公开的一种示例性实施例中，在对待分割图像进行分块处理前，还包括：构建各个所述反卷积层的多层感知机，所述多层感知机包括依次连接的输入层、隐藏层和输出层，所述分块图像的特征向量样本输入至所述输入层，所述隐藏层用于完成对所述特征向量样本的深度提取，所述输出层用于执行对所述深度提取后的特征向量样本的分类。
[0017]在本公开的一种示例性实施例中，在对待分割图像进行分块处理前，还包括：对所述反卷积层输出的特征矩阵样本进行平铺操作，以得到二维向量样本；将所述二维向量样本输入至所述多层感知机的输入层，所述多层感知机输出所述二维向量样本的分类结果；通过交叉熵算法确定所述分类结果对应的分类损失函数。
[0018]在本公开的一种示例性实施例中，在对待分割图像进行分块处理前，还包括：将分类标注的分块图像样本输入至卷积神经网络；根据所述卷积神经网络的输出结果样本和所述分块图像样本确定回归损失函数。
[0019]根据本公开实施例的第二方面，提供一种图像分割装置，包括：分块模块，设置为对待分割图像进行分块处理，以得到分块图像；标注模块，设置为根据目标图像占分块图像的比例对所述分块图像进行分类标注；神经网络模块，设置为将分类标注后的分块图像输入至训练后的卷积神经网络，以得到分割图像；修正模块，设置为通过先验知识指导机器学
习算法对所述卷积神经网络输出的图像进行边缘修正，以获得修正后的分割图像。
[0020]根据本公开的第三方面，提供一种电子设备，包括：存储器；以及耦合到所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如上述任意一项所述的方法。
[0021]根据本公开的第四方面，提供一种计算机可读存储介质，其上存储有程序，该程序被本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分割方法，其特征在于，包括：对待分割图像进行分块处理，以得到分块图像；根据目标图像占分块图像的比例对所述分块图像进行分类标注；将分类标注后的分块图像输入至训练后的卷积神经网络，以得到分割图像；通过先验知识指导机器学习算法对所述卷积神经网络输出的图像进行边缘修正，以获得修正后的分割图像。2.如权利要求1所述的图像分割方法，其特征在于，所述卷积神经网络包括依次连接的特征提取层和反卷积层，所述特征提取层包括依次连接的一个初始卷积层、一个最大池化层和多个卷积层，所述特征提取层用于提取所述分块图像的特征向量，所述反卷积层用于对所述特征向量进行上采样处理，以得到所述分块图像的特征矩阵。3.如权利要求2所述的图像分割方法，其特征在于，所述初始卷积层的卷积核大小为7
×
7，所述初始卷积层的采样间隔为2，所述初始卷积层的通道数为64。4.如权利要求2所述的图像分割方法，其特征在于，所述最大池化层的采样间隔为2。5.如权利要求2所述的图像分割方法，其特征在于，所述特征提取层包括最大池化层、第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层，所述最大池化层的输出结果输入至所述第一卷积层，所述第一卷积层包括两个bottleneck层，所述第一卷积层的卷积核大小为3
×
3，所述第一卷积层的采样间隔为1，所述第一卷积层的通道数为64，所述第一卷积层的输出结果输入至所述第二卷积层，所述第二卷积层包括两个bottleneck层，所述第二卷积层的卷积核大小为3
×
3，所述第二卷积层的采样间隔为2，所述第二卷积层的通道数为128，所述第二卷积层的输出结果输入至所述第三卷积层，所述第三卷积层包括两个bottleneck层，所述第三卷积层的卷积核大小为3
×
3，所述第三卷积层的采样间隔为1，所述第三卷积层的通道数为256，所述第三卷积层的输出结果输入至所述第四卷积层，所述第四卷积层包括两个bottleneck层，所述第四卷积层的卷积核大小为3
×
3，所述第四卷积层的采样间隔为2，所述第四卷积层的通道数为512。6.如权利要求2所述的图像分割方法，其特征在于，所述反卷积层包括第一反卷积层、第二反卷积层、第三反卷积层、第四反卷积层和第五卷积层，所述特征提取层的输出结果输入至所述第一反卷积层，所述第一反卷积层包括两个bottleneck层，所述第一反卷积层的卷积核大小为3
×
3，所述第一反卷积层的采样间隔为2，所述第一反卷积层的通道数为256，所述第一反卷积层的输出结果输入至所述第二反卷积层，所述第二反卷积层包括两个bottleneck层，所述第二反卷积层的卷积核大小为3
×
3，所述第二反卷积层的采样间隔为2，所述第二反卷积层的通道数为128，所述第二反卷积层的输出结果输入至所述第三反卷积层，所述第三反卷积层包括两...

【专利技术属性】
技术研发人员：喻庐军，韩森尧，于吉鹏，侯博严，
申请(专利权)人：泰康保险集团股份有限公司，
类型：发明
国别省市：