[發明專利]圖像分割方法、系統、計算機設備及存儲介質

在審

• 申請號: 202011403860.1
• 申請日: 2020-12-02
• 公開（公告）號: CN112561925A
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 賀嬌瑜
• 申請（專利權）人: 中國聯合網絡通信集團有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京天昊聯合知識產權代理有限公司 11112
• 代理人: 羅建民;杜丹丹

本公開提供一種圖像分割的方法、系統、計算機設備及存儲介質，所述方法包括：對原始圖像中的像素進行聚類分析，以將特征相似的像素聚集為超像素；從經過聚類分析的圖像中選取每個超像素，并以每個超像素的最小外接圓的圓心為中心，分別截取每個超像素對應的多個不同圖像分辨率的圖像塊；針對每個超像素，將截取的多個不同圖像分辨率的圖像塊分別輸入至對應的卷積神經網絡進行提取特征，以得到超像素的多個不同分割結果，再根據超像素的多個不同分割結果得到超像素的最終分割結果；將每個超像素的最終分割結果映射到原始圖像，以得到原始圖像的分割結果。本公開的技術方案可以實現圖像中目標的精準分割，并且提高了圖像分割的時效。

技術領域

本公開屬于圖像分割領域，具體涉及一種圖像分割方法，一種圖像分割系統，一種計算機設備，以及一種計算機可讀存儲介質。

背景技術

隨著人工智能的興起以及卷積神經網絡的不斷發展，計算機視覺的圖像分割技術也越來越受歡迎，尤其是在醫療影像、交通監控、雷達遙感等領域。在實際行業應用場景中由于待分割的圖像多數有目標不斷移動以及圖像背景復雜等特征，導致傳統的閾值處理、圖像淺層特征的提取等圖像分割算法都難以實現圖像精準分割。

而近幾年，隨著人工智能的發展，為實現圖像的精準分割，基于深度學習的圖像分割算法不斷涌現。目前，可以將基于深度學習的圖像分割算法歸類如下：

第一類是基于CNN(Convolutional Neural Networks，卷積神經網絡)的圖像分割算法。圖像中的每一個像素依次輸入CNN，通過深層特征的提取，對每個像素實現分類進而實現圖像的分割。也有研究為了提高分割精度，基于多分辨率CNN實現圖像分割。

第二類是直接基于FCN(Fully Convolutional Networks，全卷積神經網絡)、Segnet(語義分割網絡)等實現圖像的分割。這類網絡模型與CNN的區別在于沒有全連接層，CNN中的全連接層都被取代為卷積層，這一舉措大幅度減少了網絡的參數，提高了圖像分割的速度。但是由于這類網絡模型在反卷積過程中將最后一個卷積層的特征直接上采樣為輸入圖像的尺寸大小，這導致最后輸出的圖像分割結果比較粗糙，分割圖像中目標的邊緣都非常模糊。

第三類是將深度學習算法與傳統算法相結合。有算法提出將分割圖像的目標進行聚類再輸入卷積神經網絡提取深層特征以實現分割，具體操作是從聚類的目標中選取n個像素，通過代表像素的特征分類投票實現圖像分割。

但是，上述圖像分割技術存在以下缺點：

第一類基于CNN的圖像分割算法大大降低了圖像分割的時效，平均每張圖像的分割需耗時幾個小時；

第二類直接基于FCN、Segnet等的圖像分割算法，模型中的上采樣使得圖像分割結果比較粗糙；

第三類深度學習與傳統算法相結合的圖像分割方法，首先聚類預處理分割圖像，然后選取聚類目標中的n個像素，通過n像素的深度特征學習投票實現圖像分割。這在實際的行業應用中不具有普適性，n取不同數值對分割結果的影響比較大。同時，像素的特征學習不能充分表達聚類目標的全局特征。

因此，亟待提出一種能夠克服上述問題的新的圖像分割方案。

發明內容

本公開提供一種圖像分割方法、系統、計算機設備及計算機可讀存儲介質，可以實現圖像中目標的精準分割，并且提高了圖像分割的時效，可適用于多數的實際行業應用。

第一方面，本公開實施例提供一種圖像分割方法，包括：

對原始圖像中的像素進行聚類分析，以將特征相似的像素聚集為超像素；

從經過聚類分析的圖像中選取每個超像素，并以每個超像素的最小外接圓的圓心為中心，分別截取每個超像素對應的多個不同圖像分辨率的圖像塊；