基于深度学习的偏振图像分割方法、装置、设备及介质制造方法及图纸

本发明专利技术提供了一种基于深度学习的偏振图像分割方法、装置、设备及介质，其中方法包括：获取多个训练偏振图像，所述训练偏振图像包括分割区域，每一个分割区域被标注有相应语义标签；利用所述多个训练偏振图像对深度学习网络进行训练，得到训练好的语义分割模型；基于所述语义分割模型对待分割偏振图像进行语义分割。本方案，能够提高对偏振图像进行分割的准确性。确性。确性。

【技术实现步骤摘要】
基于深度学习的偏振图像分割方法、装置、设备及介质


[0001]本专利技术实施例涉及图像处理
，特别涉及一种基于深度学习的偏振图像分割方法、装置、设备及介质。

技术介绍

[0002]在图像识别、图像检测等过程中，图像分割是重要的预处理步骤，图像分割能够帮助更好的理解图像中的目标信息。目前的图像分割方法是采用灰度值相似性的方式进行分割，但是对于偏振图像和普通灰度图像存在差异性，二者对图像中目标信息的理解存在相应的局限性，因此对偏振图像采用灰度值相似性方式进行分割，会导致分割结果不准确。

技术实现思路

[0003]本专利技术实施例提供了一种基于深度学习的偏振图像分割方法、装置、设备及介质，能够提高对偏振图像进行分割的准确性。
[0004]第一方面，本专利技术实施例提供了一种基于深度学习的偏振图像分割方法，包括：
[0005]获取多个训练偏振图像，所述训练偏振图像包括分割区域，每一个分割区域被标注有相应语义标签；
[0006]利用所述多个训练偏振图像对深度学习网络进行训练，得到训练好的语义分割模型；
[0007]基于所述语义分割模型对待分割偏振图像进行语义分割。
[0008]在一种可能的实现方式中，其特征在于，每一个训练偏振图像的获取方式包括：
[0009]获取待分割偏振图像，将所述待分割偏振图像中的每一个像素点作为顶点，每一个像素点与相邻像素点均可构成边，边的权值为顶点之间的不相似度，基于所述待分割偏振图像中所有边的权值，将所述待分割偏振图像分割为多个初始分割区域；
[0010]基于两个区域的类间差异和最小分割的类内差异，将多个初始分割区域中的部分初始分割区域进行合并，得到最终的分割结果；
[0011]基于最终的分割结果中的多个分割区域，对所述待分割偏振图像每一个分割区域标注相应的语义标签，得到训练偏振图像。
[0012]在一种可能的实现方式中，所述获取待分割偏振图像，包括：
[0013]获取Stokes参量的S0图像、S1图像和S2图像；
[0014]将S0图像、S1图像和S2图像进行叠放处理，形成所述待分割偏振图像。
[0015]在一种可能的实现方式中，所述基于所述待分割偏振图像中所有边的权值，将所述待分割偏振图像分割为多个初始分割区域，包括：
[0016]在所述待分割偏振图像中未处于初始分割区域内的顶点中确定起始顶点，确定所述待分割偏振图像中未处于初始分割区域内的顶点中该起始顶点的最小生成树MST，并将该最小生成树MST连通的区域作为一个初始分割区域；重复本步骤，直到满足停止条件为止，得到多个初始分割区域。
[0017]在一种可能的实现方式中，将所述待分割偏振图像中未处于初始分割区域内的顶点中最大亮度差异值的顶点确定为起始顶点，且该最大亮度差异值大于设定阈值。
[0018]在一种可能的实现方式中，所述基于两个区域的类间差异和最小分割的类内差异，将多个初始分割区域中的部分初始分割区域进行合并，包括：
[0019]确定多个初始分割区域中是否存在两个初始分割区域的类间差异不大于该两个初始分割区域对应的最小分割的类内差异；若是，则将该两个初始分割区域合并为一个分割区域。
[0020]在一种可能的实现方式中，该两个初始分割区域对应的最小分割的类内差异定义如下：
[0021]min(Int(C1),Int(C2))＝min(Int(C1)+τ(C1)),Int(C2)+τ(C2)))
[0022]其中，min(Int(C1),Int(C2))为初始分割区域C1和初始分割区域C2对应的最小分割的类内差异，Int(C)为初始分割区域C的类内差异，τ(C)为初始分割区域C的阈值函数；
[0023]和/或，
[0024]两个初始分割区域的类间差异为：
[0025][0026]其中，Diff(C1,C2)为初始分割区域C1和初始分割区域C2的类间差异，v
i
为初始分割区域C1中的顶点，v
j
为初始分割区域C2中的顶点，顶点v
i
和顶点v
j
构成边e，w((v
i
,v
j
))为边e的权值。
[0027]第二方面，本专利技术实施例还提供了一种基于深度学习的偏振图像分割装置，包括：
[0028]获取单元，用于获取多个训练偏振图像，所述训练偏振图像包括分割区域，每一个分割区域被标注有相应语义标签；
[0029]训练单元，用于利用所述多个训练偏振图像对深度学习网络进行训练，得到训练好的语义分割模型；
[0030]分割单元，用于基于所述语义分割模型对待分割偏振图像进行语义分割。
[0031]第三方面，本专利技术实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。
[0032]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
[0033]本专利技术实施例提供了一种基于深度学习的偏振图像分割方法、装置、设备及介质，针对偏振图像中信息理解及解译问题，通过对作为训练的训练偏振图像中不同分割区域标注相应的语义标签，以利用训练偏振图像对深度学习网络进行训练，使得深度学习网络对偏振特征进行深度学习，以区分不同分割区域对应的目标及其语义，进而使得训练好的语义分割模型能够实现自动对偏振图像的语义分割，且语义分割准确性较高。
附图说明
[0034]为了更清楚地说明本专利技术实施例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简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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。
[0035]图1是本专利技术一实施例提供的一种基于深度学习的偏振图像分割方法流程图；
[0036]图2是本专利技术一实施例提供的一种训练偏振图像获取法流程图；
[0037]图3是本专利技术一实施例提供的一种电子设备的硬件架构图；
[0038]图4是本专利技术一实施例提供的一种基于深度学习的偏振图像分割装置结构图。
具体实施方式
[0039]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0040]请参考图1，本专利技术实施例提供了一种基于深度学习的偏振图像分割方法，该方法包括：
[0041]步骤100，获取多个训练偏振图像，所述训练偏振图像包括分割区域，每一个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的偏振图像分割方法，其特征在于，包括：获取多个训练偏振图像，所述训练偏振图像包括分割区域，每一个分割区域被标注有相应语义标签；利用所述多个训练偏振图像对深度学习网络进行训练，得到训练好的语义分割模型；基于所述语义分割模型对待分割偏振图像进行语义分割。2.根据权利要求1所述的方法，其特征在于，其特征在于，每一个训练偏振图像的获取方式包括：获取待分割偏振图像，将所述待分割偏振图像中的每一个像素点作为顶点，每一个像素点与相邻像素点均可构成边，边的权值为顶点之间的不相似度，基于所述待分割偏振图像中所有边的权值，将所述待分割偏振图像分割为多个初始分割区域；基于两个区域的类间差异和最小分割的类内差异，将多个初始分割区域中的部分初始分割区域进行合并，得到最终的分割结果；基于最终的分割结果中的多个分割区域，对所述待分割偏振图像每一个分割区域标注相应的语义标签，得到训练偏振图像。3.根据权利要求2所述的方法，其特征在于，所述获取待分割偏振图像，包括：获取Stokes参量的S0图像、S1图像和S2图像；将S0图像、S1图像和S2图像进行叠放处理，形成所述待分割偏振图像。4.根据权利要求2所述的方法，其特征在于，所述基于所述待分割偏振图像中所有边的权值，将所述待分割偏振图像分割为多个初始分割区域，包括：在所述待分割偏振图像中未处于初始分割区域内的顶点中确定起始顶点，确定所述待分割偏振图像中未处于初始分割区域内的顶点中该起始顶点的最小生成树MST，并将该最小生成树MST连通的区域作为一个初始分割区域；重复本步骤，直到满足停止条件为止，得到多个初始分割区域。5.根据权利要求4所述的方法，其特征在于，将所述待分割偏振图像中未处于初始分割区域内的顶点中最大亮度差异值的顶点确定为起始顶点，且该最大亮度差异值大于设定阈值。6.根据权利要求2所述的方法，其特征在于，所述基于两个区域的类间差异和最小分割的类内差异，将多个初始分割区域中的部...

【专利技术属性】
技术研发人员：陈伟力，王淑华，陈艳，赵梓旭，修鹏，王盼盼，
申请(专利权)人：北京环境特性研究所，
类型：发明
国别省市：