【技术实现步骤摘要】
本申请涉及通信，尤其涉及一种图像分割方法、装置、设备及存储介质。
技术介绍
1、图像分割技术可以将目标图像分割成多个具有独特性质的区域图像，并提取感兴趣的目标区域图像。现有技术通常使用全监督的学习方式训练语义分割模型，并利用训练好的语义分割模型进行图像分割。
2、但是，语义分割网络模型鲁棒性和泛化能力较差，同时，全监督依赖于大量的像素级标签，而像素级标签需要人工进行标注，耗时耗力。
技术实现思路
1、本申请提供一种图像分割方法、装置、设备及存储介质，以至少解决现有技术中语义分割网络模型鲁棒性和泛化能力较差，同时，依赖于大量的像素级标签，耗时耗力的技术问题。
2、第一方面，提供一种图像分割方法，该方法包括：将目标图像输入第一预设模型，得到多个超像素。目标图像包括多个第一像素。多个第一像素的数量小于目标图像的总像素的数量。第一像素为配置有类别标签的像素。根据多个超像素、多个第一像素以及每个第一像素的类别标签，确定多个超像素中每个超像素的类别标签。根据每个超像素、每个超像素的类别标签和第二预设模型，确定每个超像素对应的图像特征，以得到多个超像素一一对应的多个图像特征。根据多个图像特征和预先训练好的图卷积网络(graphconvolutional network，gcn)，确定目标图像的分割图像。预先训练好的图卷积网络为基于预设正则化因子训练得到的。
3、在一种可能的实施方式中，上述根据多个超像素、多个第一像素以及每个第一像素的类别标签，确定多个超像素中
4、在一种可能的实施方式中，上述根据多个图像特征和预先训练好的图卷积网络，确定目标图像的分割图像，包括：根据多个图像特征，确定多个图像特征中任意两个图像特征的相似度。根据任意两个图像特征的相似度，构建第一邻接矩阵。根据第一邻接矩阵，确定第一归一化矩阵。根据多个图像特征、第一归一化矩阵和预先训练好的图卷积网络，确定分割图像。
5、在一种可能的实施方式中，上述方法还包括：根据多个训练特征，确定多个训练特征中任意两个训练特征的相似度。训练特征为预设数据集中的数据特征。根据任意两个训练特征的相似度，构建第二邻接矩阵，并根据第二邻接矩阵，确定第二归一化矩阵。根据第二邻接矩阵和预设正则化因子，确定损失函数。根据多个训练特征、第二归一化矩阵和损失函数，对初始的图卷积网络进行训练，得到预先训练好的图卷积网络。
6、在一种可能的实施方式中，上述第一预设模型包括：简单线性迭代聚类模型、分水岭模型、k均值(k-means)聚类模型、区域生长模型中的任意一项。第二预设模型包括：视觉几何群网络模型、卷积神经网络模型和循环神经网络模型中的任意一项。
7、第二方面，提供一种图像分割装置，该图像分割装置包括：处理单元和确定单元。处理单元，用于将目标图像输入第一预设模型，得到多个超像素。目标图像包括多个第一像素。多个第一像素的数量小于目标图像的总像素的数量。第一像素为配置有类别标签的像素。确定单元，用于根据多个超像素、多个第一像素以及每个第一像素的类别标签，确定多个超像素中每个超像素的类别标签。确定单元，还用于根据每个超像素、每个超像素的类别标签和第二预设模型，确定每个超像素对应的图像特征，以得到多个超像素一一对应的多个图像特征。确定单元，还用于根据多个图像特征和预先训练好的图卷积网络，确定目标图像的分割图像。预先训练好的图卷积网络为基于预设正则化因子训练得到的。
8、在一种可能的实施方式中，上述确定单元，具体用于：针对每个超像素，在超像素包括第一像素的情况下，确定多个数量。不同的数量用于表示不同的类别标签对应的第一像素的数量。将多个数量中的最大数量对应的类别标签，确定为超像素的类别标签。在超像素不包括第一像素的情况下，将超像素的类别标签确定为预设类别标签。
9、在一种可能的实施方式中，上述确定单元，具体用于：根据多个图像特征，确定多个图像特征中任意两个图像特征的相似度。根据任意两个图像特征的相似度，构建第一邻接矩阵。根据第一邻接矩阵，确定第一归一化矩阵。根据多个图像特征、第一归一化矩阵和预先训练好的图卷积网络，确定分割图像。
10、在一种可能的实施方式中，上述确定单元，还用于根据多个训练特征，确定多个训练特征中任意两个训练特征的相似度。训练特征为预设数据集中的数据特征。处理单元，还用于根据任意两个训练特征的相似度，构建第二邻接矩阵，并根据第二邻接矩阵，确定第二归一化矩阵。确定单元，还用于根据第二邻接矩阵和预设正则化因子，确定损失函数。处理单元，还用于根据多个训练特征、第二归一化矩阵和损失函数，对初始的图卷积网络进行训练，得到预先训练好的图卷积网络。
11、在一种可能的实施方式中，第一预设模型包括：简单线性迭代聚类模型、分水岭模型、k均值聚类模型、区域生长模型中的任意一项。第二预设模型包括：视觉几何群网络模型、卷积神经网络模型和循环神经网络模型中的任意一项。
12、第三方面，提供一种电子设备，包括：处理器。用于存储处理器可执行指令的存储器。其中，处理器被配置为执行指令，以实现上述第一方面及其任一种可能的实施方式的方法。
13、第四方面，提供一种计算机可读存储介质，当计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述第一方面中及其任一种可能的实施方式的方法。
14、第五方面，提供一种计算机程序产品，计算机程序产品包括计算机指令，当计算机指令在电子设备上运行时，使得电子设备执行上述第一方面及其任一种可能的实施方式的方法。
15、本申请提供的第一方面的技术方案至少带来以下有益效果：现有技术中深度卷积神经网络模型鲁棒性和泛化能力较差，而采用具有像素集标签的数据集训练得到的语义分割模型耗时耗力。本申请将目标图像输入第一预设模型，得到多个超像素。其中，目标图像包括多个第一像素。多个第一像素的数量小于目标图像的总像素的数量。第一像素为配置有类别标签的像素。这样，可以将对目标图像进行图像分割转化为对超像素进行分类。之后，根据多个超像素、多个第一像素以及每个第一像素的类别标签，确定多个超像素中，每个超像素的类别标签。这样，可以通过少量具有类别标签的像素为超像素配置类别标签。
16、接着，根据每个超像素、每个超像素的类别标签和第二预设模型，确定每个超像素对应的图像特征，以得到多个超像素一一对应的多个图像特征。这样，可以充分提取每个超像素的深层特征。进一步的，根据多个图像特征和预先训练好的图卷积网络，确定目标图像的分割图像。这样，可以充分提取多个图像特征中的空间结构信息和多重非线性关系，使得到的分割图像更加准确。由于预先训练好的图卷积网络本文档来自技高网...
【技术保护点】
1.一种图像分割方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述多个超像素、所述多个第一像素以及每个第一像素的类别标签，确定所述多个超像素中每个超像素的类别标签，包括：
3.根据权利要求1所述的方法，其特征在于，所述根据所述多个图像特征和预先训练好的图卷积网络，确定所述目标图像的分割图像，包括：
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述第一预设模型包括：简单线性迭代聚类模型、分水岭模型、k均值聚类模型、区域生长模型中的任意一项；所述第二预设模型包括：视觉几何群网络模型、卷积神经网络模型和循环神经网络模型中的任意一项。
6.一种图像分割装置，其特征在于，包括处理单元和确定单元；
7.根据权利要求6所述的装置，其特征在于，所述确定单元，具体用于：
8.根据权利要求6所述的装置，其特征在于，所述确定单元，具体用于：
9.根据权利要求6-8中任一项所述的装置，其特征在于，所述确定单元，
10.根据权利要求9所述的装置，其特征在于，所述第一预设模型包括：简单线性迭代聚类模型、分水岭模型、k均值聚类模型、区域生长模型中的任意一项；所述第二预设模型包括：视觉几何群网络模型、卷积神经网络模型和循环神经网络模型中的任意一项。
11.一种电子设备，其特征在于，包括：
12.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中存储的计算机执行指令由电子设备的处理器执行时，所述电子设备能够执行如权利要求1-5中任一项所述的方法。
...【技术特征摘要】
1.一种图像分割方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述多个超像素、所述多个第一像素以及每个第一像素的类别标签，确定所述多个超像素中每个超像素的类别标签，包括：
3.根据权利要求1所述的方法，其特征在于，所述根据所述多个图像特征和预先训练好的图卷积网络，确定所述目标图像的分割图像，包括：
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述第一预设模型包括：简单线性迭代聚类模型、分水岭模型、k均值聚类模型、区域生长模型中的任意一项；所述第二预设模型包括：视觉几何群网络模型、卷积神经网络模型和循环神经网络模型中的任意一项。
6.一种图像分割装置，其特征在于，包括处理单元和...
【专利技术属性】
技术研发人员：燕永标，张清华，胡晓伟，王翠，张文龙，王元杰，王立本，
申请(专利权)人：中国联合网络通信集团有限公司，
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。