图像分割模型的训练方法、装置、设备及可读存储介质制造方法及图纸

本申请公开一种图像分割模型的训练方法、装置、设备及可读存储介质，属于图像处理领域。所述方法包括：先获取包括多幅样本图像的训练数据，再确定训练数据的正负样本平衡系数，根据训练数据和正负样本平衡系数对待训练图像分割模型进行训练，得到目标图像分割模型。其中，正负样本平衡系数用于指示多幅样本图像中正像素的数量和负像素的数量之间的差异程度。如此，在图像分割模型的训练过程中，可以通过正负样本平衡系数平衡训练数据包括的多幅样本图像中正像素和负像素之间的数量差异，避免训练时侧重对正像素和负像素中某一类像素的训练而忽视另一类像素的问题，提高训练的图像分割模型的图像分割精度。分割模型的图像分割精度。分割模型的图像分割精度。

【技术实现步骤摘要】
图像分割模型的训练方法、装置、设备及可读存储介质


[0001]本申请涉及图像处理领域，特别涉及一种图像分割模型的训练方法、装置、设备及可读存储介质。

技术介绍

[0002]图像分割是一种从图像中分割出感兴趣目标的图像处理方法，可以应用于医学图像处理、遥感图像处理等领域。随着硬件计算能力的进步和人工智能理论的发展，基于深度学习的图像分割模型逐渐成为主流的图像分割方法。
[0003]现有技术中，基于深度学习的图像分割模型，可以根据已标注的训练数据和交叉熵损失函数，对待训练图像分割模型进行训练后得到。其中，训练数据包括多幅样本图像和每幅样本图像中各个像素的标签值，标签值用于指示对应像素是否为样本图像中的目标物体(感兴趣目标)所在像素。图像分割模型用于确定图像中各个像素的预测值，根据各个像素的预测值对各个像素进行分类，根据各个像素的分类结果从图像中分割出目标物体，预测值用于指示对应像素为目标物体所在像素的概率。交叉熵损失函数用于根据待训练图像分割模型确定的多幅样本图像中各个像素的预测值和标签值之间的差异，确定待训练图像分割模型的预测误差，确定的预测误差用于在模型训练过程中对待训练图像分割模型的模型参数进行更新。
[0004]但是，现有技术在图像分割模型的训练过程中所使用的训练数据可能存在正负样本不均衡的问题，使得训练时侧重对训练数据中正像素和负像素中某一类像素的训练而忽视另一类像素，导致训练的图像分割模型的图像分割精度较低。其中，正负样本不均衡是指训练数据包括的多幅样本图像中目标物体所在像素的数量(正像素的数量)和背景所在像素的数量(负像素的数量)之间相差较大。

技术实现思路

[0005]本申请提供了一种图像分割模型的训练方法、装置、设备及可读存储介质，可以解决在图像分割模型的训练过程中所使用的训练数据的正负样本不均衡，而导致训练的图像分割模型的图像分割精度较低的问题。所述技术方案如下：
[0006]第一方面，提供了一种图像分割模型的训练方法，所述方法包括：
[0007]获取训练数据，所述训练数据包括多幅样本图像；
[0008]确定所述训练数据的正负样本平衡系数，所述正负样本平衡系数用于指示所述多幅样本图像中正像素的数量和负像素的数量之间的差异程度，所述正像素为所述多幅样本图像中目标物体所在像素，所述负像素为所述多幅样本图像中除所述正像素之外的其它像素；
[0009]根据所述训练数据和所述正负样本平衡系数对待训练图像分割模型进行训练，得到目标图像分割模型。
[0010]作为一个示例，所述训练数据还包括所述多幅样本图像包括的每幅样本图像中各
个像素的标签值，所述标签值用于指示对应像素是否为所述目标物体所在像素；
[0011]所述根据所述训练数据和所述正负样本平衡系数对待训练图像分割模型进行训练，得到目标图像分割模型，包括：
[0012]通过所述待训练图像分割模型，确定所述多幅样本图像包括的每幅样本图像中各个像素的预测值，所述预测值用于指示对应像素为所述目标物体所在像素的概率；
[0013]采用预设的损失函数，根据所述正负样本平衡系数、所述多幅样本图像包括的每幅样本图像中各个像素的标签值和预测值，确定所述待训练图像分割模型的预测误差；
[0014]根据所述预测误差，更新所述待训练图像分割模型的模型参数，所述目标图像分割模型为模型参数更新后的待训练图像分割模型。
[0015]作为一个示例，所述根据所述预测误差，更新所述待训练图像分割模型的模型参数，包括：
[0016]根据反向传播算法对所述预测误差进行反向传播，以更新所述待训练图像分割模型的模型参数，所述反向传播算法为随机梯度下降算法、动量优化算法或自适应矩估计算法。
[0017]作为一个示例，所述预设的损失函数通过如下公式表示：
[0018][0019]其中，L为所述预设的损失函数，n为所述多幅样本图像中像素的总数量，i为所述多幅样本图像中的第i个像素，为所述正负样本平衡系数，x
i
为所述第i个像素的像素值，p(x
i
)为所述第i个像素的预测值，且p(x
i
)∈[0，1]，y
i
为所述第i个像素的标签值，y
i
＝1或y
i
＝0。
[0020]作为一个示例，所述获取训练数据之前，所述方法还包括：
[0021]获取多幅原始图像；
[0022]对所述多幅原始图像中的至少一幅第一原始图像进行预处理，得到每幅所述第一原始图像的预处理图像，所述预处理用于增强所述至少一幅第一原始图像中目标所在像素与背景所在像素的对比度；
[0023]根据所述多幅原始图像和每幅所述第一原始图像的预处理图像，获取所述多幅样本图像。
[0024]作为一个示例，所述对所述多幅原始图像中的至少一幅第一原始图像进行预处理，得到每幅所述第一原始图像的预处理图像，包括：
[0025]采用Sigmoid函数，对所述多幅原始图像中的每幅所述第一原始图像中的各个像素的像素值分别进行转换，得到每幅所述第一原始图像的所述预处理图像。
[0026]作为一个示例，所述确定所述训练数据的正负样本平衡系数，包括：
[0027]采用随机抽样方法，从所述多幅样本图像中确定抽样图像；
[0028]根据所述抽样图像中负像素的数量与全部像素的总数量之间的比值，确定所述正负样本平衡系数。
[0029]第二方面，提供了一种图像分割模型的训练装置，所述装置包括：
[0030]第一获取模块，用于获取训练数据，所述训练数据包括多幅样本图像；
[0031]确定模块，用于确定所述训练数据的正负样本平衡系数，所述正负样本平衡系数
用于指示所述多幅样本图像中正像素的数量和负像素的数量之间的差异程度，所述正像素为所述多幅样本图像中目标物体所在像素，所述负像素为所述多幅样本图像中除所述正像素之外的其它像素；
[0032]训练模块，用于根据所述训练数据和所述正负样本平衡系数对待训练图像分割模型进行训练，得到目标图像分割模型。
[0033]作为一个示例，训练数据还包括所述多幅样本图像包括的每幅样本图像中各个像素的标签值，所述标签值用于指示对应像素是否为所述目标物体所在像素；
[0034]所述训练模块，还用于通过所述待训练图像分割模型，确定所述多幅样本图像包括的每幅样本图像中各个像素的预测值，所述预测值用于指示对应像素为所述目标物体所在像素的概率；
[0035]采用预设的损失函数，根据所述正负样本平衡系数、所述多幅样本图像包括的每幅样本图像中各个像素的标签值和预测值，确定所述待训练图像分割模型的预测误差；
[0036]根据所述预测误差，更新所述待训练图像分割模型的模型参数，所述目标图像分割模型为模型参数更新后的待训练图像分割模型。
[0037]作为一个示例，所述图像分割模型的训练装置还包括第二获取模块、预处理模块和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分割模型的训练方法，其特征在于，所述方法包括：获取训练数据，所述训练数据包括多幅样本图像；确定所述训练数据的正负样本平衡系数，所述正负样本平衡系数用于指示所述多幅样本图像中正像素的数量和负像素的数量之间的差异程度，所述正像素为所述多幅样本图像中目标物体所在像素，所述负像素为所述多幅样本图像中除所述正像素之外的其它像素；根据所述训练数据和所述正负样本平衡系数对待训练图像分割模型进行训练，得到目标图像分割模型。2.如权利要求1所述的方法，其特征在于，所述训练数据还包括所述多幅样本图像包括的每幅样本图像中各个像素的标签值，所述标签值用于指示对应像素是否为所述目标物体所在像素；所述根据所述训练数据和所述正负样本平衡系数对待训练图像分割模型进行训练，得到目标图像分割模型，包括：通过所述待训练图像分割模型，确定所述多幅样本图像包括的每幅样本图像中各个像素的预测值，所述预测值用于指示对应像素为所述目标物体所在像素的概率；采用预设的损失函数，根据所述正负样本平衡系数、所述多幅样本图像包括的每幅样本图像中各个像素的标签值和预测值，确定所述待训练图像分割模型的预测误差；根据所述预测误差，更新所述待训练图像分割模型的模型参数，所述目标图像分割模型为模型参数更新后的待训练图像分割模型。3.如权利要求2所述的方法，其特征在于，所述根据所述预测误差，更新所述待训练图像分割模型的模型参数，包括：根据反向传播算法对所述预测误差进行反向传播，以更新所述待训练图像分割模型的模型参数，所述反向传播算法为随机梯度下降算法、动量优化算法或自适应矩估计算法。4.如权利要求2所述的方法，其特征在于，所述预设的损失函数通过如下公式表示：其中，L为所述预设的损失函数，n为所述多幅样本图像中像素的总数量，i为所述多幅样本图像中的第i个像素，为所述正负样本平衡系数，x
i
为所述第i个像素的像素值，p(x
i
)为所述第i个像素的预测值，且p(x
i
)∈[0，1]，y
i
为所述第i个像素的标签值，y

【专利技术属性】
技术研发人员：刘锦涛，刘畅，刘嘉，张攀登，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：