【技术实现步骤摘要】
本申请实施例涉及图像处理，尤其涉及一种图像分割方法、设备、存储介质及程序产品。
技术介绍
1、图像分割是计算机视觉领域中的一个核心任务，它的目的是将数字图像划分成多个具有语义信息的区域或对象。
2、相关技术中，可以采用u-net网络训练得到的神经网络模型，进行图像分割。
3、然而，实现本申请过程中，专利技术人发现现有技术中至少存在如下问题：现有的方式图像分割的准确性较低。
技术实现思路
1、本申请实施例提供一种图像分割方法、设备、存储介质及程序产品，以提高图像分割的准确性。
2、第一方面，本申请实施例提供一种图像分割方法，包括：
3、获取待处理图像；
4、将所述待处理图像输入图像分割模型中进行图像分割，获得图像分割结果；所述图像分割模型包括编码部分和解码部分；所述编码部分和所述解码部分包括多个层级；每个层级包括第一跳跃连接和第二跳跃连接；所述第一跳跃连接用于将编码部分中对应层级中的最后一次卷积输出的特征图和解码部分中上一层级进行层级间解码得到的特征图进行融合，以将融合得到的第一特征图输入解码部分中对应层级的第一个卷积层；所述第二跳跃连接用于将编码部分中对应层级中的最后一个卷积层输出的特征图和解码部分中对应层级中的第一个卷积层输出的特征图进行融合，将融合得到的第二特征图输入至所述第一个卷积层的下一处理层。
5、在一种可能的设计中，所述将编码部分中对应层级中的最后一个卷积层输出的特征图和解码部分中对应层级中的第一个
6、将编码部分中对应层级中的最后一个卷积层输出的特征图和解码部分中对应层级中的第一个卷积层输出的特征图进行拼接，将拼接得到的第二特征图输入至与所述第一个卷阶层相邻的第二个卷积层。
7、在一种可能的设计中，所述解码部分中每个层级包括层级内的编解码器，所述层级内的编解码器包括依次连接的池化层、卷积层和反卷积层；
8、所述池化层用于对输入的特征图进行层级内编码，将编码后的特征图输入至所述卷积层；
9、所述卷积层用于对所述编码后的特征图进行卷积，将卷积后的特征图输入至所述反卷积层；
10、所述反卷积层用于对所述卷积后的特征图进行层级内解码，获得解码后的特征图，以将所述解码后的特征图进行层级间解码后输出给下一层级的第一个卷积层。
11、在一种可能的设计中，所述将编码部分中对应层级中的最后一个卷积层输出的特征图和解码部分中对应层级中的第一个卷积层输出的特征图进行融合，将融合得到的第二特征图输入至所述第一个卷积层的下一处理层，包括：
12、将编码部分中对应层级中的最后一个卷积层输出的特征图和解码部分中对应层级中的第一个卷积层输出的特征图进行拼接，将拼接得到的第二特征图输入至与所述第一个卷阶层相邻的层级内的编解码器。
13、在一种可能的设计中，所述将所述待处理图像输入图像分割模型中，获得图像分割结果之前，还包括：
14、根据训练集对神经网络模型进行训练，获得所述图像分割模型；所述神经网络模型包括编码部分和解码部分；所述编码部分和所述解码部分包括多个层级；其中，在每次迭代训练周期中，针对每个层级，将所述层级输出的特征图进行尺寸还原，获得所述层级对应的还原特征图，计算所述还原特征图与二值化掩膜图之间的损失值；根据多个所述层级的损失值确定最终损失值，根据所述最终损失值调整所述神经网络模型的参数。
15、在一种可能的设计中，所述根据各层级的损失值确定最终损失值，包括：
16、根据所述还原特征图和所述二值掩膜图，确定预测边界框和真实边界框的交集面积iou；
17、根据多个所述层级的iou，确定多个所述层级的损失值所对应的权重；
18、根据多个所述层级的损失值所对应的权重，将多个所述层级的损失值进行加权求和，获得最终损失值。
19、在一种可能的设计中，所述根据训练集对神经网络模型进行训练，获得所述图像分割模型之前，还包括：
20、获取多个历史图像；
21、针对每个历史图像，对所述历史图像的顶点和边界中心点进行标注，获得标注后的历史图像；
22、针对每个标注后的历史图像进行图像增强，获得新增图像；
23、根据多个所述标注后的历史图像和多个所述新增图像构建训练集。
24、第二方面，本申请实施例提供一种图像分割设备，包括：
25、取模块，用于获取待处理图像；
26、分割模块，用于将所述待处理图像输入图像分割模型中进行图像分割，获得图像分割结果；所述图像分割模型包括编码部分和解码部分；所述编码部分和所述解码部分包括多个层级；每个层级包括第一跳跃连接和第二跳跃连接；所述第一跳跃连接用于将编码部分中对应层级中的最后一次卷积输出的特征图和解码部分中上一层级进行层级间解码得到的特征图进行融合，以将融合得到的第一特征图输入解码部分中对应层级的第一个卷积层；所述第二跳跃连接用于将编码部分中对应层级中的最后一个卷积层输出的特征图和解码部分中对应层级中的第一个卷积层输出的特征图进行融合，将融合得到的第二特征图输入至所述第一个卷积层的下一处理层。
27、第三方面，本申请实施例提供一种图像分割设备，包括：至少一个处理器和存储器；
28、所述存储器存储计算机执行指令；
29、所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的方法。
30、第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能的设计所述的方法。
31、第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现如上第一方面以及第一方面各种可能的设计所述的方法。
32、本实施例提供的图像分割方法、设备、存储介质及程序产品，该方法包括获取待处理图像，将待处理图像输入图像分割模型中进行图像分割，获得图像分割结果，图像分割模型包括编码部分和解码部分，编码部分和解码部分包括多个层级，每个层级包括第一跳跃连接和第二跳跃连接，第一跳跃连接用于将编码部分中对应层级中的最后一次卷积输出的特征图和解码部分中上一层级进行层级间解码得到的特征图进行融合，以将融合得到的第一特征图输入解码部分中对应层级的第一个卷积层，第二跳跃连接用于将编码部分中对应层级中的最后一个卷积层输出的特征图和解码部分中对应层级中的第一个卷积层输出的特征图进行融合，将融合得到的第二特征图输入至第一个卷积层的下一处理层。本实施例提供的方法，通过在每个层级中在编码部分和解码部分之间设置两个跳跃连接，极大地丰富了模型对于图像信息的表达能力，不仅提供了更多高分辨本文档来自技高网...
【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，所述将编码部分中对应层级中的最后一个卷积层输出的特征图和解码部分中对应层级中的第一个卷积层输出的特征图进行融合，将融合得到的第二特征图输入至所述第一个卷积层的下一处理层，包括：
3.根据权利要求1所述的方法，其特征在于，所述解码部分中每个层级包括层级内的编解码器，所述层级内的编解码器包括依次连接的池化层、卷积层和反卷积层；
4.根据权利要求3所述的方法，其特征在于，所述将编码部分中对应层级中的最后一个卷积层输出的特征图和解码部分中对应层级中的第一个卷积层输出的特征图进行融合，将融合得到的第二特征图输入至所述第一个卷积层的下一处理层，包括：
5.根据权利要求1-4任一项所述的方法，其特征在于，所述将所述待处理图像输入图像分割模型中，获得图像分割结果之前，还包括：
6.根据权利要求5所述的方法，其特征在于，所述根据各层级的损失值确定最终损失值，包括：
7.根据权利要求5所述的方法，其特征在于，所述根据训练集对神经网络模型进行训练，
8.一种图像分割设备，其特征在于，包括：
9.一种图像分割设备，其特征在于，包括：至少一个处理器和存储器；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至7任一项所述的图像分割方法。
11.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的图像分割方法。
...【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，所述将编码部分中对应层级中的最后一个卷积层输出的特征图和解码部分中对应层级中的第一个卷积层输出的特征图进行融合，将融合得到的第二特征图输入至所述第一个卷积层的下一处理层，包括：
3.根据权利要求1所述的方法，其特征在于，所述解码部分中每个层级包括层级内的编解码器，所述层级内的编解码器包括依次连接的池化层、卷积层和反卷积层；
4.根据权利要求3所述的方法，其特征在于，所述将编码部分中对应层级中的最后一个卷积层输出的特征图和解码部分中对应层级中的第一个卷积层输出的特征图进行融合，将融合得到的第二特征图输入至所述第一个卷积层的下一处理层，包括：
5.根据权利要求1-4任一项所述的方法，其特征在于，所述将所述待...
【专利技术属性】
技术研发人员：高思航，
申请(专利权)人：人保信息科技有限公司，
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。