本申请公开了一种图像分割方法、装置、设备及可读存储介质，涉及图像处理技术领域。所述图像分割方法包括以下步骤：获取待分割标注图像，对所述待分割标注图像进行图像扩增，得到对应的增广图像，其中，所述图像扩增包括对抗样本生成、小波变换、边缘提取；将所述待分割标注图像和所述增广图像输入图像分割模型，得到所述待分割标注图像对应的图像分割结果，其中，所述图像分割模型是基于带标注图像训练集对初始分割模型进行多形态对比训练得到。本申请有效地提高了图像分割的精确度。请有效地提高了图像分割的精确度。请有效地提高了图像分割的精确度。
【技术实现步骤摘要】
图像分割方法、装置、设备及可读存储介质
[0001]本申请涉及图像处理
，尤其涉及一种图像分割方法、装置、设备及可读存储介质。
技术介绍
[0002]在图像分割领域，标注数据往往是比较难获得的，不仅制作成本高，局限性也非常大，这使得利用少量标注样本与大量无标注样本进行训练以学习高性能的分割模型成为一个迫切需要解决的问题，这就是半监督学习方法。
[0003]目前在半监督学习方法中对标注数据进行数据增广的形式主要来源于对原图像进行如随机裁剪、随机噪声、颜色变换等，一定程度影响了分割网络从不同角度学习并捕获重要的特征，使得无法将更多的有效特征利用起来，从而导致对有限的标注数据的利用率和有效性较低，进而导致图像分割的精度偏低。
技术实现思路
[0004]本申请的主要目的在于提供一种图像分割方法，旨在解决在半监督学习方法下，图像分割的精度偏低的技术问题。
[0005]为实现上述目的，本申请提供一种图像分割方法，所述图像分割方法包括以下步骤：
[0006]获取待分割标注图像，对所述待分割标注图像进行图像扩增，得到对应的增广图像，其中，所述图像扩增包括对抗样本生成、小波变换、边缘提取；
[0007]将所述待分割标注图像和所述增广图像输入图像分割模型，得到所述待分割标注图像对应的图像分割结果，其中，所述图像分割模型是基于带标注图像训练集对初始分割模型进行多形态对比训练得到。
[0008]可选地，所述对所述待分割标注图像进行图像扩增，得到对应的增广图像的步骤包括：
[0009]对所述待分割标注图像进行对抗样本生成，获得对应的对抗样本图像；
[0010]对所述待分割标注图像进行小波变换，获得对应的小波变换图像；
[0011]对所述待分割标注图像进行边缘提取，获得对应的边缘图像；
[0012]将所述对抗样本图像、所述小波变换图像和所述边缘图像共同作为所述增广图像。
[0013]可选地，在所述获取待分割标注图像的步骤之前，所述图像分割方法包括：
[0014]获取初始分割模型在当前迭代次数下的模型参数、带标注图像训练集以及与所述带标注图像训练集对应的增广图像训练集；
[0015]基于所述模型参数，将所述带标注图像训练集和对应的增广图像训练集输入所述初始分割模型，输出所述初始分割模型的监督损失值和多形态对比损失；
[0016]依据所述监督损失值和所述多形态对比损失，计算得到所述初始分割模型的总损
失；
[0017]根据所述总损失，更新所述初始分割模型的模型参数，直至所述初始分割模型收敛，获得所述图像分割模型。
[0018]可选地，所述带标注图像训练集包括带标注图像训练样本和所述带标注图像训练样本对应的标注标签，所述增广图像训练集包括带标注图像训练样本对应的增广图像样本；
[0019]所述将所述带标注图像训练集和对应的增广图像训练集输入所述初始分割模型，输出所述初始分割模型的监督损失值和多形态对比损失的步骤包括：
[0020]将所述带标注图像训练样本和对应的增广图像样本输入所述初始分割模型，获得预测标签；
[0021]基于预设监督损失函数、所述预测标签和所述标注标签，计算得到初始分割模型在当前迭代次数下的相似度损失值和交叉熵损失值的损失和，并将所述损失和作为所述监督损失值。
[0022]可选地，在所述并将所述损失和作为所述监督损失值的步骤之后，还包括：
[0023]将所述带标注图像训练样本和对应的增广图像训练样本输入所述初始分割模型中的解码器，获得对应的多形态特征图；
[0024]通过将所述多形态特征图进行多形态对比，以获得所述初始分割模型的多形态对比损失。
[0025]可选地，所述通过将所述多形态特征图进行多形态对比，以获得所述初始分割模型的多形态对比损失的步骤包括：
[0026]基于所述多形态特征图，确定所述带标注图像训练样本中的正样本对和负样本对；
[0027]获取预设温度超参数，根据所述正样本对、所述负样本对和所述预设温度超参数，计算得到所述多形态对比损失。
[0028]可选地，在所述根据所述总损失，更新所述初始分割模型的模型参数，直至所述初始分割模型收敛，获得所述图像分割模型的步骤之后，还包括：
[0029]检测预设数据库中存储的各所述多形态特征图是否超过预设存储阈值；
[0030]若是，则根据各所述多形态特征图对应的生成时间，删除优先生成的多形态特征图。
[0031]本申请提供一种图像分割装置，所述图像分割装置包括：
[0032]图像扩增模块，用于获取待分割标注图像，对所述待分割标注图像进行图像扩增，得到对应的增广图像，其中，所述图像扩增包括对抗样本生成、小波变换、边缘提取；
[0033]图像分割模块，用于将所述待分割标注图像和所述增广图像输入图像分割模型，得到所述待分割标注图像对应的图像分割结果，其中，所述图像分割模型是基于带标注图像训练集对初始分割模型进行多形态对比训练得到。
[0034]可选的，所述图像扩增模块还用于：
[0035]对所述待分割标注图像进行对抗样本生成，获得对应的对抗样本图像；
[0036]对所述待分割标注图像进行小波变换，获得对应的小波变换图像；
[0037]对所述待分割标注图像进行边缘提取，获得对应的边缘图像；
[0038]将所述对抗样本图像、所述小波变换图像和所述边缘图像共同作为所述增广图像。
[0039]可选的，所述图像分割装置还用于：
[0040]获取初始分割模型在当前迭代次数下的模型参数、带标注图像训练集以及与所述带标注图像训练集对应的增广图像训练集；
[0041]基于所述模型参数，将所述带标注图像训练集和对应的增广图像训练集输入所述初始分割模型，输出所述初始分割模型的监督损失值和多形态对比损失；
[0042]依据所述监督损失值和所述多形态对比损失，计算得到所述初始分割模型的总损失；
[0043]根据所述总损失，更新所述初始分割模型的模型参数，直至所述初始分割模型收敛，获得所述图像分割模型。
[0044]可选的，所述图像分割装置还用于：
[0045]将所述带标注图像训练样本和对应的增广图像样本输入所述初始分割模型，获得预测标签；
[0046]基于预设监督损失函数、所述预测标签和所述标注标签，计算得到初始分割模型在当前迭代次数下的相似度损失值和交叉熵损失值的损失和，并将所述损失和作为所述监督损失值。
[0047]可选的，所述图像分割装置还用于：
[0048]将所述带标注图像训练样本和对应的增广图像训练样本输入所述初始分割模型中的解码器，获得对应的多形态特征图；
[0049]通过将所述多形态特征图进行多形态对比，以获得所述初始分割模型的多形态对比损失。
[0050]可选的，所述图像分割装置还用于：
[0051]基于所述多形态特征图本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像分割方法，其特征在于，所述图像分割方法包括：获取待分割标注图像，对所述待分割标注图像进行图像扩增，得到对应的增广图像，其中，所述图像扩增包括对抗样本生成、小波变换、边缘提取；将所述待分割标注图像和所述增广图像输入图像分割模型，得到所述待分割标注图像对应的图像分割结果，其中，所述图像分割模型是基于带标注图像训练集对初始分割模型进行多形态对比训练得到。2.如权利要求1所述的图像分割方法，其特征在于，所述对所述待分割标注图像进行图像扩增，得到对应的增广图像的步骤包括：对所述待分割标注图像进行对抗样本生成，获得对应的对抗样本图像；对所述待分割标注图像进行小波变换，获得对应的小波变换图像；对所述待分割标注图像进行边缘提取，获得对应的边缘图像；将所述对抗样本图像、所述小波变换图像和所述边缘图像共同作为所述增广图像。3.如权利要求1所述的图像分割方法，其特征在于，在所述获取待分割标注图像的步骤之前，所述图像分割方法包括：获取初始分割模型在当前迭代次数下的模型参数、带标注图像训练集以及与所述带标注图像训练集对应的增广图像训练集；基于所述模型参数，将所述带标注图像训练集和对应的增广图像训练集输入所述初始分割模型，输出所述初始分割模型的监督损失值和多形态对比损失；依据所述监督损失值和所述多形态对比损失，计算得到所述初始分割模型的总损失；根据所述总损失，更新所述初始分割模型的模型参数，直至所述初始分割模型收敛，获得所述图像分割模型。4.如权利要求3所述的图像分割方法，其特征在于，所述带标注图像训练集包括带标注图像训练样本和所述带标注图像训练样本对应的标注标签，所述增广图像训练集包括带标注图像训练样本对应的增广图像样本；所述将所述带标注图像训练集和对应的增广图像训练集输入所述初始分割模型，输出所述初始分割模型的监督损失值和多形态对比损失的步骤包括：将所述带标注图像训练样本和对应的增广图像样本输入所述初始分割模型，获得预测标签；基于预设监督损失函数、所述预测标签和所述标注标签，计算得到初始分割模型在当前迭代次数下的相似度损失值和交叉熵损失值的损失和，并将所述损失和作为所述监督...
【专利技术属性】
技术研发人员：何志权，邱晶丽，
申请(专利权)人：深圳大学，
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。