图像分割方法、装置、电子设备及计算机存储介质制造方法及图纸

本申请涉及图像处理技术领域，提供一种图像分割方法、装置、电子设备及计算机存储介质。包括：根据基于注意力的残差结构对待分割图像进行特征提取，得到初始特征图；基于所述初始特征图进行基于多头自注意力的特征图重建，得到中间特征图；根据所述中间特征图进行基于注意力增强的上采样处理，得到分割图像。本申请可以缓解梯度消失的问题并提高对细粒度特征的提取能力，快速有效地得到初始特征图，同时可以加强初始特征图上每个特征点的语义表征，提高对不同类别间像素的精细化分割，并且可以增强对目标的识别能力，加强对不同尺度目标的区分以及细化不同类别目标间的特征，因此可以有效提高图像分割的精确度。有效提高图像分割的精确度。有效提高图像分割的精确度。

【技术实现步骤摘要】
图像分割方法、装置、电子设备及计算机存储介质


[0001]本申请涉及图像处理
，具体涉及一种图像分割方法、装置、电子设备及计算机存储介质。

技术介绍

[0002]近年来，随着计算机技术和人工智能的发展，图像分割任务逐渐成为计算机视觉领域中的重要内容。其中，遥感图像的语义分割是图像分割任务中的热门分支，遥感图像中的地理空间对象分割作为一种特殊的语义分割任务，可广泛应用于海陆分割、旧城改造、建筑测绘、道路提取、植被覆盖评估等典型任务场景。图像的语义分割是对图像中的每个像素都划分出对应的类别，即实现像素级别的分类，其与运动估计、图像分类、目标检测、目标跟踪等典型任务一同构成了计算机视觉领域的基础问题。但是，让机器学会分割遥感图像中的目标仍是一个艰巨的任务，随着技术的进步和研究者们的创新，逐渐诞生了一系列的经典方法。传统的图像分割方法根据灰度、颜色、纹理和形状等特征将图像进行划分区域，让区域间显差异性，区域内呈相似性，以此分割图像区域，但是通过该方法得到的分割结果精确度较低，导致当前的图像分割精确度低。

技术实现思路

[0003]本申请实施例提供一种图像分割方法、装置、电子设备及计算机存储介质，用以解决因采用传统图像分割方法得到的分割结果精确度较低导致当前的图像分割精确度低的技术问题。
[0004]第一方面，本申请实施例提供一种图像分割方法，包括：
[0005]根据基于注意力的残差结构对待分割图像进行特征提取，得到初始特征图；
[0006]基于所述初始特征图进行基于多头自注意力的特征图重建，得到中间特征图；
[0007]根据所述中间特征图进行基于注意力增强的上采样处理，得到分割图像。
[0008]在一个实施例中，所述根据基于注意力的残差结构对待分割图像进行特征提取，得到初始特征图的步骤包括：
[0009]对待分割图像进行卷积、批标准化与神经激活处理，得到第一特征图；
[0010]对所述第一特征图进行卷积与基于无参数注意力机制的特征提取，得到第二特征图；
[0011]将所述待分割图像与所述第二特征图进行图像叠加，得到第三特征图；
[0012]基于所述第三特征图确定初始特征图。
[0013]在一个实施例中，所述对所述第一特征图进行卷积与基于无参数注意力机制的特征提取，得到第二特征图的步骤包括：
[0014]对所述第一特征图进行卷积处理，得到卷积特征图；
[0015]根据所述卷积特征图确定能量分布函数；
[0016]根据所述能量分布函数与所述卷积特征图生成第二特征图。
[0017]在一个实施例中，所述根据所述卷积特征图确定能量分布函数的步骤包括：
[0018]根据所述卷积特征图确定特征空间均值；
[0019]根据所述特征空间均值计算所述卷积特征图的宽、高在其通道方向的方差；
[0020]根据所述特征空间均值、所述方差与能量系数，确定所述卷积特征图的能量分布函数。
[0021]在一个实施例中，所述基于所述初始特征图进行基于多头自注意力的特征图重建，得到中间特征图的步骤包括：
[0022]对所述初始特征图进行层标准化处理，得到层标准化特征图；
[0023]分别确定所述层标准化特征图中各向量的查询向量、键向量与值向量；
[0024]根据各所述向量的查询向量、键向量与值向量对所述层标准化特征图进行特征图重建，得到中间特征图。
[0025]在一个实施例中，所述根据各所述向量的查询向量、键向量与值向量对所述层标准化特征图进行特征图重建，得到中间特征图的步骤包括：
[0026]分别确定各所述向量的查询向量与对应键向量的点积结果；
[0027]分别对各所述点积结果进行归一化，得到多个归一化结果；
[0028]将各所述归一化结果分别进行加权并与相应向量的值向量进行加和，得到加和结果；
[0029]对各所述加和结果进行求和，得到中间特征图。
[0030]在一个实施例中，所述根据所述中间特征图进行基于注意力增强的上采样处理，得到分割图像的步骤包括：
[0031]对所述中间特征图进行卷积、批标准化与神经激活处理，得到第四特征图；
[0032]对所述第四特征图进行转置卷积、批标准化与神经激活处理，得到第五特征图；
[0033]通过空间注意力和/或通道注意力结合所述第五特征图进行上采样处理，得到分割图像。
[0034]第二方面，本申请实施例提供一种图像分割装置，包括：
[0035]提取模块，用于根据基于注意力的残差结构对待分割图像进行特征提取，得到初始特征图；
[0036]重建模块，用于基于所述初始特征图进行基于多头自注意力的特征图重建，得到中间特征图；
[0037]上采样模块，用于根据所述中间特征图进行基于注意力增强的上采样处理，得到分割图像。
[0038]第三方面，本申请实施例提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面或第二方面所述的图像分割方法的步骤。
[0039]第四方面，本申请实施例提供一种计算机存储介质，所述计算机存储介质为计算机可读存储介质，包括计算机程序，所述计算机程序被处理器执行时实现第一方面或第二方面所述的图像分割方法的步骤。
[0040]本申请实施例提供的图像分割方法、装置、电子设备及计算机存储介质，通过基于注意力的残差结构对待分割图像进行特征提取，可以缓解梯度消失的问题并提高对细粒度
特征的提取能力，可以快速有效地得到初始特征图；基于得到的初始特征图进行基于多头自注意力的特征图重建，可以加强初始特征图上每个特征点的语义表征，提高对不同类别间像素的精细化分割，得到分割准确度较高的中间特征图；进一步根据中间特征图进行基于注意力增强的上采样处理，可以增强对目标的识别能力，加强对不同尺度目标的区分，同时细化不同类别目标间的特征，得到具有高精确度的分割图像，因此可以有效提高图像分割的精确度。
附图说明
[0041]为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0042]图1是本申请实施例提供的图像分割方法的流程示意图之一；
[0043]图2是本申请实施例提供的图像分割方法的流程示意图之二；
[0044]图3是本申请实施例提供的图像分割方法的流程示意图之三；
[0045]图4是本申请实施例提供的图像分割方法的流程示意图之四；
[0046]图5是本申请图像分割装置实施例的功能模块示意图；
[0047]图6是本申请实施例提供的电子设备的结构示意图。
具体实施方式
[0048]为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请本文档来自技高网...

【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：根据基于注意力的残差结构对待分割图像进行特征提取，得到初始特征图；基于所述初始特征图进行基于多头自注意力的特征图重建，得到中间特征图；根据所述中间特征图进行基于注意力增强的上采样处理，得到分割图像。2.根据权利要求1所述的图像分割方法，其特征在于，所述根据基于注意力的残差结构对待分割图像进行特征提取，得到初始特征图的步骤包括：对待分割图像进行卷积、批标准化与神经激活处理，得到第一特征图；对所述第一特征图进行卷积与基于无参数注意力机制的特征提取，得到第二特征图；将所述待分割图像与所述第二特征图进行图像叠加，得到第三特征图；基于所述第三特征图确定初始特征图。3.根据权利要求2所述的图像分割方法，其特征在于，所述对所述第一特征图进行卷积与基于无参数注意力机制的特征提取，得到第二特征图的步骤包括：对所述第一特征图进行卷积处理，得到卷积特征图；根据所述卷积特征图确定能量分布函数；根据所述能量分布函数与所述卷积特征图生成第二特征图。4.根据权利要求3所述的图像分割方法，其特征在于，所述根据所述卷积特征图确定能量分布函数的步骤包括：根据所述卷积特征图确定特征空间均值；根据所述特征空间均值计算所述卷积特征图的宽、高在其通道方向的方差；根据所述特征空间均值、所述方差与能量系数，确定所述卷积特征图的能量分布函数。5.根据权利要求1所述的图像分割方法，其特征在于，所述基于所述初始特征图进行基于多头自注意力的特征图重建，得到中间特征图的步骤包括：对所述初始特征图进行层标准化处理，得到层标准化特征图；分别确定所述层标准化特征图中各向量的查询向量、键向量与值向量；根据各所述向量的查询...

【专利技术属性】
技术研发人员：高阳特，孙宇，毕福昆，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：