一种街景图像分割方法及装置制造方法及图纸

本发明专利技术涉及一种街景图像分割方法及装置，包括：利用改进的deeplabv3算法模型对需要进行语义分割的图片进行分割，提取每个分隔物体的初始轮廓点；利用边缘检测算法对需要进行语义分割的图片进行处理，提取图像边界点；对比初始轮廓点与图像边界点，选取更贴近物体轮廓的点作为分割物体的轮廓点。本发明专利技术使用不同的语义分割算法将对街景图像进行分割，提取分割物体的轮廓点，根据既定规则选取最贴近的物体的轮廓点，再进行人工修正，可以提升标注效率，降低人工成本。降低人工成本。降低人工成本。

【技术实现步骤摘要】
一种街景图像分割方法及装置


[0001]本专利技术涉及图像分割
，具体涉及一种街景图像分割方法及装置。

技术介绍

[0002]街景图像存在大量的场景信息和物体信息，使得街景图像的语义分割较为困难。当前街景图像的语义分割标注，主要是纯人工标注和基于深度学习的图像标注。纯人工标注效率低，对标注人员具有较高要求；基于深度学习的街景图像分割精度低，且在街景图像多类别分割中，目标细节信息容易丢失，需要大量的人工进行图像后处理，才能达到标注标准。

技术实现思路

[0003]本专利技术针对现有技术中存在的技术问题，提供一种街景图像分割方法及装置，使用不同的语义分割算法将对街景图像进行分割，提取分割物体的轮廓点，根据既定规则选取最贴近的物体的轮廓点，再进行人工修正，可以提升标注效率，降低人工成本。
[0004]本专利技术解决上述技术问题的技术方案如下：
[0005]第一方面，本专利技术提供一种街景图像分割方法，包括：
[0006]利用改进的deeplabv3算法模型对需要进行语义分割的图片进行分割，提取每个分隔物体的初始轮廓点；
[0007]利用边缘检测算法对需要进行语义分割的图片进行处理，提取图像边界点；
[0008]对比初始轮廓点与图像边界点，选取更贴近物体轮廓的点作为分割物体的轮廓点。
[0009]进一步的，所述的改进的deeplabv3算法模型采用交叉熵损失与区域损失交叉迭代的方式作为其损失函数，并将自注意力机制引入deeplabv3算法的网络基本模型。<br/>[0010]进一步的，利用边缘检测算法对需要进行语义分割的图片进行处理，提取图像边界点，包括：
[0011]基于边缘特征、梯度强度、梯度方向计算图片中每一像素的cost值；
[0012]利用最短路径算法，基于每一像素的cost值，搜索并提取图片中的图像边界点。
[0013]进一步的，对比初始轮廓点与图像边界点，选取更贴近物体轮廓的点作为分割物体的轮廓点，包括：
[0014]对比初始轮廓点与图像边界点，根据邻近原则、同方向连续性原则及像素值限定原则，选取更贴近物体轮廓的点作为分割物体的轮廓点；
[0015]所述邻近原则是指寻找离语义分割轮廓点最近的图像边界点；
[0016]所述同方向连续性原则是指匹配的图像边界点具有连续性，且连续性的图像边界点的方向与语义分割轮廓点的方向同向；
[0017]所述像素值限定原则是指在初始轮廓点周围预设像素距离范围内，若无图像边界点则将初始轮廓点作为分割物体的轮廓点。
[0018]进一步的，该方法还包括，
[0019]根据需要采集国内街景图片并进行语义分割标注，得到训练数据集；
[0020]利用所述训练数据集对改进的deeplabv3算法模型进行训练，得到针对国内街景分割的模型权重文件；
[0021]利用改进的deeplabv3算法模型及模型权重文件对需要进行语义分割的图片进行分割。
[0022]进一步的，在选取更贴近物体轮廓的点作为分割物体的轮廓点后，还包括，对选取的轮廓点进行人工筛选与修正。
[0023]第二方面，本专利技术提供一种街景图像分割装置，包括：
[0024]语义分割模块，用于利用改进的deeplabv3算法模型对需要进行语义分割的图片进行分割，提取每个分隔物体的初始轮廓点；
[0025]边缘检测模块，用于利用边缘检测算法对需要进行语义分割的图片进行处理，提取图像边界点；
[0026]对比筛选模块，用于对比初始轮廓点与图像边界点，选取更贴近物体轮廓的点作为分割物体的轮廓点。
[0027]第三方面，本专利技术提供一种电子设备，包括：
[0028]存储器，用于存储计算机软件程序；
[0029]处理器，用于读取并执行所述计算机软件程序，进而实现本专利技术第一方面所述的一种街景图像分割方法。
[0030]第四方面，本专利技术提供一种非暂态计算机可读存储介质，所述存储介质中存储有用于实现本专利技术第一方面所述的一种街景图像分割方法的计算机软件程序。
[0031]本专利技术的有益效果是：采用改进deeplabv3算法和边缘检测算法结合，自动化程度高，对标注员的要求低，同时提高了分割的精度，减少了标注员图像后处理的工作量，提升了标注效率，节约了时间和人工成本，更适合大规模的使用。
附图说明
[0032]图1为本专利技术实施例提供的一种街景图像分割方法流程示意图；
[0033]图2为本专利技术实施例提供的一种街景图像分割装置结构示意图；
[0034]图3为本专利技术实施例提供的电子设备的实施例示意图；
[0035]图4为本专利技术实施例提供的一种计算机可读存储介质的实施例示意图。
具体实施方式
[0036]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0037]如图1所示，本专利技术实施例提供的一种街景图像分割方法，具体包括以下步骤：
[0038]S1，根据需要采集国内街景图片并进行语义分割标注，得到训练数据集。
[0039]S2，利用所述训练数据集对改进的deeplabv3算法模型进行训练，得到针对国内街景分割的模型权重文件。改进的deeplabv3算法模型采用交叉熵损失与区域损失交叉迭代的方式作为其损失函数，并将自注意力机制引入deeplabv3网络基本模型中。
[0040]S3，输入需要进行语义分割的街景图片。
[0041]S4，利用改进的deeplabv3算法模型及模型权重文件对需要进行语义分割的图片进行分割，提取每个分隔物体的初始轮廓点。
[0042]S5，利用边缘检测算法对需要进行语义分割的图片进行处理，提取图像边界点。
[0043]基于边缘特征、梯度强度、梯度方向计算图片中每一像素的cost值；
[0044]利用最短路径算法，基于每一像素的cost值，搜索并提取图片中的图像边界点。
[0045]S6，对比初始轮廓点与图像边界点，选取更贴近物体轮廓的点作为分割物体的轮廓点。
[0046]对比初始轮廓点与图像边界点，根据邻近原则、同方向连续性原则及像素值限定原则，选取更贴近物体轮廓的点作为分割物体的轮廓点；
[0047]所述邻近原则是指寻找离语义分割轮廓点最近的图像边界点；
[0048]所述同方向连续性原则是指由于边界检索点中有部分噪点以及物体轮廓具有连续性，因此匹配的图像边界点需要具有连续性，且连续性的图像边界点的方向与语义分割轮廓点的方向同向；
[0049]所述像素值限定原则是指在初始轮廓点周围预设像素距离范围内，若无图像边界点则将初始轮廓点作为分割物体的轮廓点。
[0050]S7，对选取的轮廓点进行人工筛选与修正。
[0051]S8，输出分割结果。
[0052]采用改进deeplabv3算法和边缘检测算法结合，自动化程度高，对标注员的要求低，同时提高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种街景图像分割方法，其特征在于，包括：利用改进的deeplabv3算法模型对需要进行语义分割的图片进行分割，提取每个分隔物体的初始轮廓点；利用边缘检测算法对需要进行语义分割的图片进行处理，提取图像边界点；对比初始轮廓点与图像边界点，选取更贴近物体轮廓的点作为分割物体的轮廓点。2.根据权利要求1所述的方法，其特征在于，所述的改进的deeplabv3算法模型采用交叉熵损失与区域损失交叉迭代的方式作为其损失函数，并将自注意力机制引入deeplabv3算法的网络基本模型。3.根据权利要求1所述的方法，其特征在于，利用边缘检测算法对需要进行语义分割的图片进行处理，提取图像边界点，包括：基于边缘特征、梯度强度、梯度方向计算图片中每一像素的cost值；利用最短路径算法，基于每一像素的cost值，搜索并提取图片中的图像边界点。4.根据权利要求1所述的方法，其特征在于，对比初始轮廓点与图像边界点，选取更贴近物体轮廓的点作为分割物体的轮廓点，包括：对比初始轮廓点与图像边界点，根据邻近原则、同方向连续性原则及像素值限定原则，选取更贴近物体轮廓的点作为分割物体的轮廓点；所述邻近原则是指寻找离语义分割轮廓点最近的图像边界点；所述同方向连续性原则是指匹配的图像边界点具有连续性，且连续性的图像边界点的方向与语义分割轮廓点的方向同向；所述像素值限定原则是指在初始轮廓点周围预设像素距离范围内，若无图...

【专利技术属性】
技术研发人员：朱敦尧，李章洪，胡文冲，陈治，
申请(专利权)人：武汉光庭信息技术股份有限公司，
类型：发明
国别省市：