一种水域图像分割的方法及其分割模型的训练方法、介质技术

一种水域图像分割模型的训练方法，包括：获取水域样本图像；获取水域样本图像对应的标签图像；获取水域样本图像中各像素点属于各个分类结果的预测概率；获取标签图像中各像素点的分类结果；根据该任一像素点与其对应所述水线位置点之间的距离，得到该像素点的障碍分布权重；根据标签图像中各像素点的分类结果，标签图像的水域中分类结果属于障碍的各像素点的障碍分布权重，以及水域样本图像中各像素点属于各个分类结果的预测概率，得到障碍分布加权损失；至少根据障碍分布加权损失调整所述图像分割模型的参数。由于考虑到障碍的分布规律与水线的关联性，使得提高小障碍或者模糊目标的检测精度。本发明专利技术还提供了一种水域图像分割方法、存储介质。存储介质。存储介质。

【技术实现步骤摘要】
一种水域图像分割的方法及其分割模型的训练方法、介质


[0001]本专利技术涉及图像处理
，具体涉及一种水域图像分割的方法及其分割模型的训练方法、介质。

技术介绍

[0002]水域自主交通是未来的发展趋势，其和无人车在陆地一样，都可以实现自动驾驶。例如在海洋场景的水域自主交通中，可以实现无人船的自动巡航，而海洋场景分割作为其最基础的无人传感技术之一，可以帮助无人船掌握通行区域和障碍信息，保证其安全避障和导航。
[0003]目前的海洋场景分割方法通常是将水域检测和障碍提取分两步实现，首先利用边缘特征或概率图模型提取水域空间，然后在水域约束范围内提取非水的像素作为障碍，但是此类方法易受环境干扰，且无法检测水线上方的障碍物。对此，目前还有一些基于深度学习的海洋场景分割方法，其是利用大量的训练数据和卷积运算学习丰富的特征，使像素级的海洋场景分割成为可能。但是该基于深度学习的海洋场景分割方法难以对海洋场景中远处的小障碍或模糊障碍进行检测，从而影响无人船后续对通行区域的规划。
[0004]因此，对于海洋场景分割方法还有很多改进空间。...

【技术保护点】

【技术特征摘要】
1.一种水域图像分割模型的训练方法，其特征在于，包括：获取水域样本图像；获取所述水域样本图像对应的标签图像，所述标签图像为水域样本图像上每个像素点标注分类结果的图像，所述分类结果至少包括水和障碍；将所述水域样本图像输入图像分割模型中，获取所述水域样本图像中各像素点属于各个分类结果的预测概率；获取所述标签图像中各像素点的分类结果；对于所述标签图像的水域中分类结果属于障碍的任一像素点，获取其对应的水线位置点，根据该任一像素点与其对应所述水线位置点之间的距离，得到该像素点的障碍分布权重；至少根据所述标签图像中各像素点的分类结果，所述标签图像的水域中分类结果属于障碍的各像素点的障碍分布权重，以及所述水域样本图像中各像素点属于各个分类结果的预测概率，得到障碍分布加权损失；至少根据所述障碍分布加权损失调整所述图像分割模型的参数，直到所述图像分割模型收敛，得到训练完成的图像分割模型。2.如权利要求1所述的水域图像分割模型的训练方法，其特征在于，所述对于所述标签图像的水域中分类结果属于障碍的任一像素点，获取其对应的水线位置点，包括：对于所述标签图像的水域中分类结果属于障碍的任一像素点，获取其所在的一列像素；由上至下获取所述一列像素中分类结果不属于水的像素点，直至获取到属于水的像素点，将该属于水的像素点作为该任一像素点对应的水线位置点，且对应所述水线位置点位于该任一像素点的上方。3.如权利要求1所述的水域图像分割模型的训练方法，其特征在于，所述根据该任一像素点与其对应所述水线位置点之间的距离，得到该像素点的障碍分布权重，包括：基于对应所述水线位置点获取对应的概率密度函数；根据该任一像素点与其对应所述水线位置点之间的距离，计算该任一像素点对应概率密度函数的值；根据所述概率密度函数的值得到该任一像素点的所述障碍分布权重。4.如权利要求3所述的水域图像分割模型的训练方法，其特征在于，所述概率密度函数服从高斯分布，在计算该任一像素点对应概率密度函数的值时，通过以下公式得到：服从高斯分布，在计算该任一像素点对应概率密度函数的值时，通过以下公式得到：其中，p
i
(x
i
,y
i
)为标签图像的水域中分类结果属于障碍的任一像素点的坐标，d
i
为该任一像素点p
i
(x
i
,y
...

【专利技术属性】
技术研发人员：汪洋，周润东，高玉龙，
申请(专利权)人：哈尔滨工业大学深圳，
类型：发明
国别省市：