[發(fā)明專利]一種圖像分割方法及裝置

有效

• 申請?zhí)枺?/td>: 201910844438.0
• 申請日: 2019-09-06
• 公開（公告）號: CN110717913B
• 公開（公告）日: 2022-04-22
• 發(fā)明（設計）人: 王立;郭振華;趙雅倩
• 申請（專利權(quán)）人: 浪潮電子信息產(chǎn)業(yè)股份有限公司
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06N3/04
• 代理公司: 北京集佳知識產(chǎn)權(quán)代理有限公司 11227
• 代理人: 張博

本發(fā)明提供一種圖像分割方法及裝置，利用預設的3D卷積神經(jīng)網(wǎng)絡模型確定獲取的待分割圖像進行參數(shù)調(diào)整后的每個目標物的分割圖像，利用3D卷積神經(jīng)網(wǎng)絡模型中的提取模塊提取待分割圖像的至少一個目標物的第一特征圖矩陣，像素級顯著性增強模塊對每個目標物的第一特征圖矩陣的參數(shù)進行調(diào)整，確定每個目標物的像素級的加權(quán)矩陣，根據(jù)通道級顯著性增強模塊增強每個目標物的第一特征圖矩陣的矩陣通道，確定每個目標物的通道級的加權(quán)矩陣，3D殘差反卷積模塊對增大每個目標物的像素級的加權(quán)矩陣和通道級的加權(quán)矩陣的和得到目標物的目標矩陣的尺寸進行還原處理，確定進行參數(shù)調(diào)整后的每個目標物的分割圖像。基于本發(fā)明，能夠得到高精度的分割圖像。

技術(shù)領域

本發(fā)明涉及計算機視覺技術(shù)領域，尤其涉及一種圖像分割方法及裝置。

背景技術(shù)

隨著社會的快速發(fā)展，計算機視覺技術(shù)的發(fā)展也越來越快，尤其是計算機視覺技術(shù)中的圖像分割技術(shù)。其中，圖像分割是指將圖像分成若干具有相似性質(zhì)的區(qū)域的過程。

現(xiàn)有的圖像分割技術(shù)是通過將圖像輸入傳統(tǒng)的2D卷積神經(jīng)網(wǎng)絡中，通過卷積操作提取圖像的特征圖，再對提取到的特征圖進行還原得到分割結(jié)果，即分割圖像。但是，基于傳統(tǒng)的2D卷積神經(jīng)網(wǎng)絡對圖像進行分割得到的分割圖像的精度低。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于提供一種圖像分割方法及裝置，以提高分割圖像的精度。

為了實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

本發(fā)明實施例第一方面公開了一種圖像分割方法，該方法包括：

獲取待分割圖像；

利用預設的3D卷積神經(jīng)網(wǎng)絡模型確定所述待分割圖像中進行參數(shù)調(diào)整后的每個目標物的分割圖像，所述3D卷積神經(jīng)網(wǎng)絡模型基于圖像樣本數(shù)據(jù)預先訓練得到，所述3D卷積神經(jīng)網(wǎng)絡模型包括：提取模塊、像素級顯著性增強模塊、通道級顯著性增強模塊和3D殘差反卷積模塊；具體的利用所述預設的3D卷積神經(jīng)網(wǎng)絡模型確定所述待分割圖像中進行參數(shù)調(diào)整后的每個目標物的分割圖像的過程包括：

利用所述提取模塊，提取所述待分割圖像的至少一個目標物的第一特征圖矩陣；

利用所述像素級顯著性增強模塊，對每個所述目標物的第一特征圖矩陣中的參數(shù)進行調(diào)整，確定每個所述目標物的像素級的加權(quán)矩陣，其中，所述每個所述目標物的第一特征圖矩陣中的參數(shù)為所述目標物的像素；

根據(jù)所述通道級顯著性增強模塊，增強每個所述目標物的第一特征圖矩陣中的矩陣通道，確定每個所述目標物的通道級的加權(quán)矩陣；

利用所述3D殘差反卷積模塊，針對于每個目標物，計算該目標物的像素級的加權(quán)矩陣和通道級的加權(quán)矩陣的和，得到所述目標物的目標矩陣，增大每個所述目標物的目標矩陣的尺寸，并對每個目標物的進行尺寸增大后的目標矩陣還原處理，確定所述待分割圖像中進行參數(shù)調(diào)整后的每個所述目標物的分割圖像。

可選的，所述利用所述像素級顯著性增強模塊，對每個所述目標物的第一特征圖矩陣中的參數(shù)進行調(diào)整，確定每個所述目標物的像素級的加權(quán)矩陣，包括：

針對于每一個目標物，利用所述像素級顯著性增強模塊對所述目標物的特征圖矩陣進行維度變換、維度調(diào)整以及非線性處理，得到所述目標物的第二特征圖矩陣；

將每一個目標物的第一特征圖矩陣與所述目標物的第二特征圖矩陣進行加權(quán)相加，得到每個所述目標物的像素級的加權(quán)矩陣。

可選的，所述根據(jù)所述通道級顯著性增強模塊，增強每個所述目標物的第一特征圖矩陣中的矩陣通道，確定每個所述目標物的通道級的加權(quán)矩陣，包括：

針對與每一個目標物，利用所述通道級顯著性增強模塊對所述目標物的第一特征圖矩陣進行維度變換、維度調(diào)整以及非線性處理，得到每個目標物的第三特征圖矩陣；