【技术实现步骤摘要】
一种图像分割方法、系统、存储介质和电子设备
[0001]本专利技术涉及图像处理
,尤其涉及一种图像分割方法、系统、存储介质和电子设备。
技术介绍
[0002]随着计算机视觉技术的发展和成熟,其被广泛应用于各个领域。其中图像分割是许多视觉理解系统中的关键组件,其主要任务是把图片转化为一些区域或物体。而实例分割在此基础上再进一步,需要将图片中所有感兴趣的物体全部描出。近些年来,随着深度卷积神经网络的学习能力越来越强,实例分割的精度逐渐提高,即使在复杂的大型数据集(如COCO)上,神经网络也可以实现不错的精度。但现有的深度学习模型在面对较为复杂的物体重叠场景时,由于缺乏先验知识,往往产生许多错误分割。例如,物体表面由于没有明显的边缘,成像上与背景较为相似,就容易导致分割结果物体内部出现空洞,甚至将物体分割成不连续的两块连通域。
[0003]因此,亟需提供一种技术方案解决上述问题。
技术实现思路
[0004]为解决上述技术问题,本专利技术提供了一种图像分割方法、系统、存储介质和电子设备。
[0005]本专利技术的一种图像分割方法的技术方案如下:
[0006]S1、对训练图像集中的每个原始训练图像进行标注,得到所有的第一训练图像;
[0007]S2、基于所有的原始训练图像和所有的第一训练图像,对用于图像分割的预设深度学习模型进行训练,得到目标深度学习模型;
[0008]S3、将待测图像输入至所述目标深度学习模型中,得到所述待测图像的图像分割结果。
[0009 ...
【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:S1、对训练图像集中的每个原始训练图像进行标注,得到所有的第一训练图像;S2、基于所有的原始训练图像和所有的第一训练图像,对用于图像分割的预设深度学习模型进行训练,得到目标深度学习模型;S3、将待测图像输入至所述目标深度学习模型中,得到所述待测图像的图像分割结果。2.根据权利要求1所述的图像分割方法,其特征在于,所述S1包括:判断任一原始训练图像中是否存在被遮挡的物体,得到所述任一原始训练图形的判断结果;当所述任一原始训练图像的判断结果为是时,对所述任一原始训练图像中的每个被遮挡物体进行完整标注,并对所述任一原始训练图像中的每个未遮挡物体进行标注,得到所述任一原始训练图像对应的第一训练图像,直至得到每个判断结果为是的原始训练图像对应的第一训练图像;当所述任一原始训练图像的判断结果为否时,对所述任一原始训练图像中的每个物体进行标注,得到所述任一原始训练图像对应的第一训练图像,直至得到每个判断结果为否的原始训练图像对应的第一训练图像。3.根据权利要求1所述的图像分割方法,其特征在于,所述S2包括:S21、将任一原始训练图像输入至所述预设深度学习模型,得到所述任一原始训练图像中的待分割物体的预测掩膜;基于持续同调方法,获取所述任一原始训练图像的预测掩膜对应的预测条形码,并获取所述任一原始训练图像对应的第一训练图像所对应的先验条形码;计算所述预测条形码和所述先验条形码之间的目标距离值,并将所述目标距离值作为所述预设深度学习模型的拓扑损失值,直至得到每个原始训练图像对应的拓扑损失值;S22、将所有的拓扑损失值添加至所述预设深度学习模型的损失函数中进行反向传播,得到并将第一深度学习模型作为所述预设深度学习模型,并返回执行S21进行迭代训练,直至所述预设深度学习模型收敛时,得到所述目标深度学习模型。4.根据权利要求3所述的图像分割方法,其特征在于,所述预设深度学习模型包括:至少两个卷积层和至少两个下采样层,每个卷积层对应连接一个下采样层;所述将任一原始训练图像输入至所述预设深度学习模型,得到所述任一原始训练图像中的待分割物体的预测掩膜的步骤,包括:通过首个卷积层对所述任一原始训练图像进行图像特征提取,得到所述任一原始训练图像对应的第一训练图像特征;通过首个下采样层对所述任一原始训练图像对应的第一训练图像特征进行降维处理,得到第二训练图像特征;依次通过剩余的每个卷积层和下采样层对所述第二训练图像特征进行处理,得到所述任一原始训练图像中的待分割物体的预测掩膜。5.一种图像分割系统,其特征在于,包括:处理模块、训练模块和运行模块;所述处理模块用于:对训练图像集中的每个原始训练图像进行标注,得到所有的第一训练图像;所述训练模块用于:基于所有的原始训练图像和所有的第一训练...
【专利技术属性】
技术研发人员:袁铭康,李叶,许乐乐,徐金中,郭丽丽,马忠松,金山,
申请(专利权)人:中国科学院空间应用工程与技术中心,
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。