图像分割方法、装置、电子设备及存储介质制造方法及图纸

本公开实施例提供了一种图像分割方法、装置、电子设备及存储介质，该方法包括：获取待分割图像；确定与所述待分割图像对应的初步分割图像和目标法向量图像；将所述初步分割图像与所述目标法向量图像进行图像融合，得到目标分割图像。通过本公开实施例的技术方案，实现了提高图像分割准确率和稳定性的技术效果。提高图像分割准确率和稳定性的技术效果。提高图像分割准确率和稳定性的技术效果。

【技术实现步骤摘要】
图像分割方法、装置、电子设备及存储介质


[0001]本公开实施例涉及图像处理技术，尤其涉及一种图像分割方法、装置、电子设备及存储介质。

技术介绍

[0002]针对图像分割，目前可以通过基于卷积神经网络的深度学习算法来实现，也可以基于边缘检测和平面估计信息的传统算法来实现。
[0003]然而，基于卷积神经网络的深度学习算法可能存在局部漏分割的情况，导致分割效果不佳的问题。基于边缘检测和平面估计信息的传统算法，对分割图像的要求较高，如：分割图像中的分割部分具有平滑性等，因此，对于边缘模糊或边缘不规则的分割图像难以进行合理的分割。

技术实现思路

[0004]本公开提供一种图像分割方法、装置、电子设备及存储介质，以实现提高图像分割准确率和稳定性的技术效果。
[0005]第一方面，本公开实施例提供了一种图像分割方法，该方法包括：
[0006]获取待分割图像；
[0007]确定与所述待分割图像对应的初步分割图像和目标法向量图像；
[0008]将所述初步分割图像与所述目标法向量图像进行图像融合，得到目标分割图像。
[0009]第二方面，本公开实施例还提供了一种图像分割装置，该装置包括：
[0010]获取模块，用于获取待分割图像；
[0011]处理模块，用于确定与所述待分割图像对应的初步分割图像和目标法向量图像；
[0012]融合模块，用于将所述初步分割图像与所述目标法向量图像进行图像融合，得到目标分割图像。
[0013]第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
[0014]一个或多个处理器；
[0015]存储装置，用于存储一个或多个程序，
[0016]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例中任一所述的图像分割方法。
[0017]第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例中任一所述的图像分割方法。
[0018]本公开实施例的技术方案，通过获取待分割图像，确定与待分割图像对应的初步分割图像和目标法向量图像，将初步分割图像与目标法向量图像进行图像融合，得到目标分割图像，解决了图像分割的准确性和稳定性差的问题，实现了提高图像分割准确率和稳定性的技术效果。
附图说明
[0019]结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
[0020]图1为本公开实施例所提供的一种图像分割方法的流程示意图；
[0021]图2为本公开实施例所提供的另一种图像分割方法的流程示意图；
[0022]图3为本公开实施例所提供的另一种图像分割方法的流程示意图；
[0023]图4为本公开实施例所提供的另一种图像分割方法的流程示意图；
[0024]图5为本公开实施例所提供的一种图像分割装置的结构示意图；
[0025]图6为本公开实施例所提供的一种电子设备的结构示意图。
具体实施方式
[0026]下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0027]应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
[0028]本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
[0029]需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0030]需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0031]本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
[0032]可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
[0033]例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
[0034]作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控
件。
[0035]可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
[0036]可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
[0037]图1为本公开实施例所提供的一种图像分割方法的流程示意图，本公开实施例适用于对图像中的预先确定的待分割部分进行图像分割的情形，该方法可以由图像分割装置来执行，该装置可以通过软件和/或硬件的形式实现，可选的，通过电子设备来实现，该电子设备可以是移动终端、PC端或服务器等。
[0038]如图1所示，所述方法包括：
[0039]S110、获取待分割图像。
[0040]其中，待分割图像可以是存在待分割部分的图像，其中待分割部分可以是需要分割出来的部分，例如：待分割部分可以是地面、墙壁、天花板等。
[0041]具体的，可以基于拍摄装置获取待分割图像，还可以通过用户上传或下载等方式获取待分割图像等，具体的获取方式不作具体限定。
[0042]可选地，待分割图像还可以是视频中待分割的视频帧，例如可以是视频中的每一帧或者部分帧。具体的，获取待分割图像可以包括获取目标视频中的目本文档来自技高网...

【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，包括：获取待分割图像；确定与所述待分割图像对应的初步分割图像和目标法向量图像；将所述初步分割图像与所述目标法向量图像进行图像融合，得到目标分割图像。2.根据权利要求1所述的方法，其特征在于，所述确定与所述待分割图像对应的初步分割图像和目标法向量图像，包括：将所述待分割图像输入至预先训练的图像分割模型中，得到与所述待分割图像对应的初步分割图像和目标法向量图像，其中，所述图像分割模型基于样本分割图像、与所述样本分割图像对应的分割标注图像以及与所述样本分割图像对应的样本法向量图像训练得到。3.根据权利要求2所述的方法，其特征在于，在所述将所述待分割图像输入至预先训练的图像分割模型中之前，还包括：将样本分割图像作为预先建立的大模型的输入图像，将与所述样本分割图像对应的分割标注图像和样本法向量图像作为所述大模型的期望输出图像，对所述大模型进行训练，得到教师模型；将所述样本分割图像作为预先建立的小模型的输入图像，将所述教师模型输出的与所述样本分割图像对应的大模型分割图像和大模型法向量图像作为小模型的期望输出，对所述小模型训练，得到图像分割模型。4.根据权利要求3所述的方法，其特征在于，所述将样本分割图像作为预先建立的大模型的输入图像，将与所述样本分割图像对应的分割标注图像和样本法向量图像作为所述大模型的期望输出图像，对所述大模型进行训练，得到教师模型，包括：将样本分割图像输入至预先建立的大模型中，得到大模型分割图像和大模型法向量图像；计算所述大模型分割图像与所述样本分割图像对应的分割标注图像之间的大模型分割损失，并计算大模型法向量图像和与所述样本分割图像对应的样本法向量图像之间的大模型法向量损失；根据所述大模型分割损失和大模型法向量损失对所述大模型的模型参数进行调整，以得到教师模型。5.根据权利要求4所述的方法，其特征在于，所述计算所述大模型分割图像与所述样本分割图像对应的分割标注图像之间的大模型分割损失，包括：根据二分类交叉熵损失函数计算所述大模型分割图像与所述样本分割图像对应的分割标注图像之间的大模型分割损失；或者，根据二分类交叉熵损失函数和区域互信息损失函数计算所述大模型分割图像与所述样本分割图像对应的分割标注图像之间的大模型分割损失。6.根据权利要求4所述的方法，其特征在于，所述计算大模型法向量图像和与所述样本分割图像对应的样本法向量图像之间的大模型法向量损失，包括：根据均方误差损失函数计算大模型法向量图像和与所述样本分割图像对应的样本法向量图像之间的大模型法向量损失。7.根据权利要求3所述的方法，其特征在于，所述将所述样本分割图像作为预先建立的小模型的输入图像，将所述教师模型输出的与所述样本分割图像对应的大模型分割图像和
大模型法向量图像作为小模型的期望输出，对所述小模型训练，包括：将所述样本分割图像输入至预先建立的小模型的输入图像，得到小模型分割图像和小模型法向量图像；根据所述样本分割图像的小模型分割图像、分割标注图像以及所述教师模型输出的大模型分割图像计算小模型分割输出损失；根据所述样本分割图像的小模型法向量图像、样本法向量图像以及所述教师模型输出的大模型法向量图像计算小模型法向量输出损失；根据所述小模型分割输出损失和所述小模型法向量输出损失对所述小模型的模型参数进行调整，以得到图像分割模型。8.根据权利要求7所述的方法，其特征在于，还包括：将所述小模型输出的小模型分割图像输入至预先训练完成的分割图像判别器中，得到分割判别结果，并根据所述分割判别结果和期望判别结果确定分割判别损失，其中，所述分割图像判别器以所述教师模型输出的与所述样本分割图像对应的大模型分割图像作为真样本，以所述小模型输出的小...

【专利技术属性】
技术研发人员：朱渊略，
申请(专利权)人：北京字跳网络技术有限公司，
类型：发明
国别省市：