【技术实现步骤摘要】
图像分割方法及装置、电子设备和存储介质
[0001]本公开涉及图像处理领域，尤其涉及一种图像分割方法及装置、电子设备和存储介质。
技术介绍
[0002]随着图像处理技术的发展，图像数据的分类、分割技术可以被应用到很多场景。通常，应用的方式为：利用深度学习模型进行图像数据分类、分割。
[0003]某些场景对于图像数据的分类、分割结果的准确性、可靠性、时效性的要求极高。然而，深度学习模型经过训练后，单凭数据统计得出的分类、分割结果，不能很好地满足这些场景对分类、分割结果的准确性、可靠性的要求。
[0004]若将深度学习模型输出的分类、分割结果进行再处理，以提高分类、分割结果的准确性，则又很难满足对于时效性的要求。
[0005]所以，在一般情况下，很难兼顾所获得的分类、分割结果的准确性和时效性。
技术实现思路
[0006]有鉴于此，本公开提出了一种图像分割方案。通过本公开可以既准确又高效地获得的目标分割结果。
[0007]根据本公开的一方面，提供了一种图像分割方法，包括：
[...
【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：根据第一高光谱图像，获得待测物质的第一组织参数图，所述第一组织参数图包含所述待测物质的组成成分的含量信息；基于所述第一组织参数图，对所述第一高光谱图像进行分割处理，获得所述待测物质的目标分割结果。2.根据权利要求1所述的方法，其特征在于，所述基于所述第一组织参数图，对所述第一高光谱图像进行分割处理，获得所述待测物质的目标分割结果，包括：根据所述第一高光谱图像中，同一位置的图像特征以及组成成分的含量，对所述第一高光谱图像进行分割处理，获得所述待测物质的目标分割结果。3.根据权利要求1所述的方法，其特征在于，所述根据第一高光谱图像，获得待测物质的第一组织参数图，包括：将所述第一高光谱图像输入逆向模型，生成待测物质的第一组织参数图；所述逆向模型的训练过程包括：将第一高光谱图像样本输入逆向模型，生成第二组织参数图；将所述第二组织参数图输入前向模型，生成第二高光谱图像；根据所述第二高光谱图像与所述第一高光谱图像样本的差异，训练所述逆向模型。4.根据权利要求3所述的方法，其特征在于，所述将所述第二组织参数图输入前向模型，生成第二高光谱图像，包括：根据所述第二组织参数图，确定第一高光谱图像样本中待测物质的第一吸收参数；确定第一高光谱图像样本中待测物质的第一散射参数；根据所述第一吸收参数、第一散射参数，生成所述第二高光谱图像。5.根据权利要求4所述的方法，其特征在于，所述根据所述第二组织参数图，确定第一高光谱图像样本中待测物质的第一吸收参数，包括：获取所述第一高光谱图像样本中待测物质的各组成成分的第二吸收参数；根据所述第二组织参数图，确定所述第一高光谱图像样本...
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。