本申请公开了一种图像实例分割方法和系统，在分割网络训练阶段，根据类别标注、傅里叶级数标注、类别置信度、傅里叶级数和损失函数，得到网络损失，通过网络损失迭代训练网络直至网络收敛，得到训练好的实例分割网络，在推理阶段，将待分割图像输入训练好的实例分割网络，通过训练好的实例分割网络，先得到目标类别置信度和目标轮廓的傅里叶级数表示，然后再对傅里叶级数表示进行傅里叶反变换，在图像空间域重建目标轮廓，输出得到目标类别和目标轮廓，通过这种傅里叶级数对目标轮廓进行建模，极大地降低了分割网络训练中的显存消耗，使得分割网络能够高效地处理包含大量目标的图像，有效地提高了分割精度。有效地提高了分割精度。有效地提高了分割精度。
【技术实现步骤摘要】
一种图像实例分割方法、系统、装置及存储介质
[0001]本申请涉及图像处理
，特别是涉及一种图像实例分割方法、系统、装置及存储介质。
技术介绍
[0002]近年来，随着互联网和人工智能技术的发展，作为图像处理技术一新兴分支的实例分割技术受到广泛关注，实例分割指的是从图像中预测目标的二值化模板，是物体检测与语义分割的结合，实例分割既需要对图像的所有目标对象进行正确的识别，又需要对每个目标对象进行精确地二值化分割。
[0003]目前，存在一些实例分割的方法，但这些实例分割方法在处理大量目标的图像时，存在显存占用急剧增加的问题。
技术实现思路
[0004]有鉴于此，本申请提供了一种图像实例分割方法及系统，本申请提供的图像实例分割方法及系统，通过傅里叶级数对目标轮廓进行建模，极大地降低了分割网络训练中的显存消耗，使得分割网络能够高效地处理包含大量目标的图像，有效地提高了分割精度。
[0005]本申请提供一种图像实例分割方法，包括：
[0006]一种图像实例分割方法，包括：
[0007]S1、获取原始图像，以及所述原始图像中目标对象的类别标注和目标轮廓标注；
[0008]S2、对所述原始图像和所述目标轮廓标注进行预处理，得到预处理后的图像和预处理后的目标轮廓标注；
[0009]S3、根据所述预处理后的目标轮廓标注，得到傅里叶级数标注；
[0010]S4、将所述预处理后的图像输入实例分割网络，得到类别置信度和傅里叶级数；
[0011]S5、根据所述类别标注、所述傅里叶级数标注、所述类别置信度、所述傅里叶级数和损失函数，得到网络损失；
[0012]S6、根据所述网络损失判断所述实例分割网络是否收敛；
[0013]S7、若否，则调整所述实例分割网络的网络参数，并返回步骤S1；
[0014]S8、若是，则确定当前实例分割网络为训练好的实例分割网络；
[0015]S9、将待分割图像输入所述训练好的实例分割网络，得到目标类别和目标轮廓。
[0016]优选地，所述对所述原始图像和所述目标轮廓标注进行预处理，得到预处理后的图像和预处理后的目标轮廓标注，包括：
[0017]对所述原始图像进行切割，得到切割后的图像；
[0018]对所述切割后的图像和所述目标轮廓标注进行扩充，得到预处理后的图像和预处理后的目标轮廓标注。
[0019]优选地，所述根据所述预处理后的目标轮廓标注，得到傅里叶级数标注，包括：
[0020]对所述预处理后的目标轮廓标注进行重采样，得到重采样点序列；
[0021]对所述重采样点序列进行离散傅里叶变换，得到傅里叶级数标注。
[0022]优选地，所述实例分割网络包括特征提取网络、特征融合网络和检测头，所述将所述预处理后的图像输入实例分割网络，得到类别置信度和傅里叶级数，包括：
[0023]将所述预处理后的图像输入所述特征提取网络，得到多尺度特征图；
[0024]将所述多尺度特征图输入所述特征融合网络，得到融合特征图；
[0025]将所述融合特征图输入所述检测头，得到类别置信度和傅里叶级数。
[0026]优选地，所述检测头包括分类分支和回归分支，所述将所述融合特征图输入所述检测头，得到类别置信度和傅里叶级数，包括：
[0027]将所述融合特征图输入所述分类分支，得到类别置信度；
[0028]将所述融合特征图输入所述回归分支，得到傅里叶级数。
[0029]优选地，所述损失函数包括类别损失函数和回归损失函数，所述根据所述类别标注、所述傅里叶级数标注、所述类别置信度、所述傅里叶级数和损失函数，得到网络损失，包括：
[0030]将所述傅里叶级数标注和所述傅里叶级数进行傅里叶反变换，得到反变换后的轮廓标注和反变换后的轮廓；
[0031]根据所述类别标注、所述类别置信度和类别损失函数，得到类别损失；
[0032]根据所述反变换后的轮廓标注、所述反变换后的轮廓和回归损失函数，得到回归损失；
[0033]根据所述类别损失和所述回归损失，得到网络损失。
[0034]优选地，所述根据所述类别标注、所述傅里叶级数标注、所述类别置信度、所述傅里叶级数和损失函数，得到网络损失，包括：
[0035]使用标签分配策略分配所述预处理后的图像为正样本或负样本；
[0036]结合所述正样本或负样本以及所述类别标注、所述傅里叶级数标注、所述类别置信度、所述傅里叶级数和损失函数，得到网络损失。
[0037]优选地，所述将待分割图像输入所述训练好的实例分割网络，得到目标类别和目标轮廓，包括：
[0038]将待分割图像输入所述训练好的实例分割网络，得到初步分割结果；
[0039]对所述初步分割结果进行非极大值抑制处理，去除重复预测的目标类别和重复预测的目标轮廓，得到目标类别和目标轮廓。
[0040]本申请还提供一种图像实例分割系统，包括：
[0041]获取模块，用于获取原始图像，以及所述原始图像中目标对象的类别标注和目标轮廓标注；
[0042]第一处理模块，用于对所述原始图像和所述目标轮廓标注进行预处理，得到预处理后的图像和预处理后的目标轮廓标注；
[0043]第二处理模块，用于根据所述预处理后的目标轮廓标注，得到傅里叶级数标注；
[0044]第三处理模块，用于将所述预处理后的图像输入实例分割网络，得到类别置信度和傅里叶级数；
[0045]计算模块，用于根据所述类别标注、所述傅里叶级数标注、所述类别置信度、所述傅里叶级数和损失函数，得到网络损失；
[0046]判断模块，用于根据所述网络损失判断所述实例分割网络是否收敛；
[0047]调整模块，在所述实例分割网络未收敛时，则调整所述分割网络的网络参数，并获取原始图像，以及所述原始图像中目标对象的类别标注和目标轮廓标注；
[0048]确定模块，用于在所述实例分割网络收敛时，确定当前实例分割网络为训练好的实例分割网络；
[0049]分割模块，用于将待分割图像输入所述训练好的实例分割网络，得到目标类别和目标轮廓。
[0050]本申请还提供一种图像实例分割装置，包括处理器、存储器和通信总线；
[0051]所述通信总线，用于实现所述处理器和所述存储器之间的连接通信；
[0052]所述处理器用于执行所述存储器中存储的图像实例分割处理程序，以实现上述任一项所述图像实例分割方法的步骤。
[0053]本申请还提供一种可读存储介质，所述可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现上述任一项所述图像实例分割方法的步骤。
[0054]与现有技术相比，本申请提供的一种图像实例分割方法和系统，在分割网络训练阶段，根据预处理后的目标轮廓标注，得到傅里叶级数标注，将预处理后的图像输入实例分割网络，得到类别置信度和傅里叶级数，再根本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像实例分割方法，其特征在于，包括：S1、获取原始图像，以及所述原始图像中目标对象的类别标注和目标轮廓标注；S2、对所述原始图像和所述目标轮廓标注进行预处理，得到预处理后的图像和预处理后的目标轮廓标注；S3、根据所述预处理后的目标轮廓标注，得到傅里叶级数标注；S4、将所述预处理后的图像输入实例分割网络，得到类别置信度和傅里叶级数；S5、根据所述类别标注、所述傅里叶级数标注、所述类别置信度、所述傅里叶级数和损失函数，得到网络损失；S6、根据所述网络损失判断所述实例分割网络是否收敛；S7、若否，则调整所述实例分割网络的网络参数，并返回步骤S1；S8、若是，则确定当前实例分割网络为训练好的实例分割网络；S9、将待分割图像输入所述训练好的实例分割网络，得到目标类别和目标轮廓。2.根据权利要求1所述的图像实例分割方法，其特征在于，所述对所述原始图像和所述目标轮廓标注进行预处理，得到预处理后的图像和预处理后的目标轮廓标注，包括：对所述原始图像进行切割，得到切割后的图像；对所述切割后的图像和所述目标轮廓标注进行扩充，得到预处理后的图像和预处理后的目标轮廓标注。3.根据权利要求1所述的图像实例分割方法，其特征在于，所述根据所述预处理后的目标轮廓标注，得到傅里叶级数标注，包括：对所述预处理后的目标轮廓标注进行重采样，得到重采样点序列；对所述重采样点序列进行离散傅里叶变换，得到傅里叶级数标注。4.根据权利要求1至3任一项所述的图像实例分割方法，其特征在于，所述实例分割网络包括特征提取网络、特征融合网络和检测头，所述将所述预处理后的图像输入实例分割网络，得到类别置信度和傅里叶级数，包括：将所述预处理后的图像输入所述特征提取网络，得到多尺度特征图；将所述多尺度特征图输入所述特征融合网络，得到融合特征图；将所述融合特征图输入所述检测头，得到类别置信度和傅里叶级数。5.根据权利要求4所述的图像实例分割方法，其特征在于，所述检测头包括分类分支和回归分支，所述将所述融合特征图输入所述检测头，得到类别置信度和傅里叶级数，包括：将所述融合特征图输入所述分类分支，得到类别置信度；将所述融合特征图输入所述回归分支，得到傅里叶级数。6.根据权利要求1所述的图像实例分割方法，其特征在于，所述损失函数包括类别损失函数和回归损失函数，所述根据所述类别标注、所述傅里叶级数标注、所述类别置信度、所述傅里叶级数和损失函数，得到网络损失，包括：将所述傅里叶级数标注和所述傅里叶级数进行傅里叶反变换，得到反变换后的轮廓标注和反变换后的轮廓；根据...
【专利技术属性】
技术研发人员：滕书华，张锋，韩幸，谭志国，高峰，
申请(专利权)人：湖南第一师范学院，
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。