CN108711161A - 一种图像分割方法、图像分割装置及电子设备 - Google Patents
一种图像分割方法、图像分割装置及电子设备 Download PDFInfo
- Publication number
- CN108711161A CN108711161A CN201810585389.9A CN201810585389A CN108711161A CN 108711161 A CN108711161 A CN 108711161A CN 201810585389 A CN201810585389 A CN 201810585389A CN 108711161 A CN108711161 A CN 108711161A
- Authority
- CN
- China
- Prior art keywords
- image
- mentioned
- result
- trained
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种图像分割方法、图像分割装置、电子设备及计算机可读存储介质,其中,该图像分割方法包括:获取待处理图像;对待处理图像进行场景识别;基于所述场景识别的结果,获取所述待处理图像的场景标签;将所述待处理图像输入至训练好的图像分割网络中;根据所述场景标签输出分割结果。本申请方案可以减少出现图像分割错误的情况,一定程度提升图像分割的准确度。
Description
技术领域
本申请属于多媒体处理技术领域,尤其涉及一种图像分割方法、图像分割装置、电子设备及计算机可读存储介质。
背景技术
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤,没有正确的分割就无法正确对图像进行分析。但是,进行图像分割仅有的依据是图像中像素的亮度及颜色,当前,在由计算机自动处理分割时,将会遇到各种困难,例如,光照不均匀、噪声的影响、图像中存在不清晰的部分,以及阴影等,这可能导致图像分割发生分割错误。
发明内容
有鉴于此,本申请提供了一种图像分割方法、图像分割装置、电子设备及计算机可读存储介质,可以减少出现图像分割错误的情况,一定程度提升图像分割的准确度。
本申请的第一方面提供了一种图像分割方法,包括:
获取待处理图像;
对待处理图像进行场景识别;
基于上述场景识别的结果,获取上述待处理图像的场景标签;
将上述待处理图像输入至训练好的图像分割网络中;
根据上述场景标签输出分割结果。
本申请的第二方面提供了一种图像分割装置,包括:
图像获取单元,用于获取待处理图像;
场景识别单元,用于对待处理图像进行场景识别;
标签获取单元,用于基于上述场景识别的结果,获取上述待处理图像的场景标签;
图像输入单元,用于将上述待处理图像输入至训练好的图像分割网络中;
结果输出单元,用于根据上述场景标签输出分割结果。
本申请的第三方面提供了一种电子设备,上述电子设备包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序,上述处理器执行上述计算机程序时实现如上第一方面的方法的步骤。
本申请的第四方面提供了一种计算机可读存储介质,上述计算机可读存储介质存储有计算机程序,上述计算机程序被处理器执行时实现如上第一方面的方法的步骤。
本申请的第五方面提供了一种计算机程序产品,上述计算机程序产品包括计算机程序,上述计算机程序被一个或多个处理器执行时实现如上述第一方面的方法的步骤。
由上可见,通过本申请方案,首先获取待处理图像,并对待处理图像进行场景识别,然后基于上述场景识别的结果,获取上述待处理图像的场景标签,随后将上述待处理图像输入至训练好的图像分割网络中,最后根据上述场景标签输出分割结果。本申请方案可对处于不同场景下的图像进行有针对性的分割操作,提升了图像分割的准确率,能够减少出现图像分割错误的情况。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的图像分割方法的一种实现流程示意图;
图2是本申请实施例提供的图像分割方法的另一种实现流程示意图;
图3是本申请实施例提供的图像分割方法中,图像分割网络的训练流程示意图;
图4是本申请实施例提供的图像分割装置的结构框图;
图5是本申请实施例提供的电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了说明本申请上述的技术方案,下面通过具体实施例来进行说明。
实施例一
下面对本申请实施例提供的一种图像分割方法进行描述,请参阅图1,本申请实施例中的图像分割方法包括:
在步骤101中,获取待处理图像;
在本申请实施例中,可以先由电子设备获取待处理图像。可选地,若上述电子设备为智能手机、平板电脑等具备拍摄功能的电子设备,则可以对上述电子设备的相机应用程序进行监听,在监听到电子设备通过相机应用程序启动摄像头进行了拍摄操作后,获取拍摄的图片作为待处理图像,其中,上述摄像头可以为前置摄像头,也可以为后置摄像头,此处不作限定;或者,若上述电子设备为具备社交功能的电子设备,则可以对上述电子设备的社交类应用程序进行监听,在监听到上述社交类应用程序中接收到了其它用户发送的图片后,将接收到的图片作为待处理图像;或者,若上述电子设备具备联网功能,则还可以对上述电子设备的浏览器类应用程序进行监听,在监听到用户通过上述浏览器类应用程序下载了图片后,将下载得到的图片作为待处理图像;当然,也可以通过其他方式获取待处理图像,此处不作限定。
在步骤102中,对待处理图像进行场景识别;
在本申请实施例中,在获取到了待处理图像后,可以继续对上述待处理图像进行场景识别,以获取上述待处理图像的所处场景。例如,较为典型的场景有室外场景及室内场景;室内场景可以进一步细分为卧室场景,厨房场景等,室外场景可以进一步细分为森林场景、海边场景、绿地场景等;森林场景还可以进一步细分为积雪森林场景、阴暗森林场景等,实际上,根据不同厂商的设置,可以对场景的类别进行不同的划分,此处不作限定。可以认为,上述场景识别是对上述待处理图像整体基调的把握。
在步骤103中,基于上述场景识别的结果,获取上述待处理图像的场景标签;
在本申请实施例中,可以通过已经训练好的场景识别模型进行场景识别,以得到场景识别的结果,例如,上述场景识别模型可以为单点多盒检测(Single Shot MultiboxDetection,SSD)模型,当然,上述场景识别模型也可以为其它卷积神经网络模型,此处不作限定。在获得了上述场景识别的结果,确定了上述待处理图像所处的场景类型之后,可以将上述场景识别的结果作为上述待处理图像的场景标签。为了使得在上述待处理图像的传播过程中,减少反复进行场景识别操作的可能,节约其它电子设备的系统资源,在本申请实施例中,在获取到上述待处理图像的场景标签后,可以将上述场景标签写入上述待处理图像的属性信息中。
在步骤104中,将上述待处理图像输入至训练好的图像分割网络中;
在本申请实施例中,上述图像分割网络可以是基于DeepLabV2模型的图像分割网络,以上述待处理图像为上述图像分割网络的输入数据,将其输入至该述图像分割网络中,进行图像分割操作。需要注意的是,上述图像分割网络是基于若干个处于不同场景下的训练图像进行训练的。
在步骤105中,根据上述场景标签输出分割结果。
在本申请实施例中,由于上述待处理图像中可以携带场景标签这一数据,因而,可以在上述待处理图像输入至图像分割网络后,由图像分割网络获取该场景标签,并基于该场景标签选择特定的场景对上述待处理图像进行分割操作,在这种应用情景下,上述场景标签可以直接影响到上述图像分割网络的分割过程;或者,也可以是由图像分割网络根据其所能够划分的场景同时对上述待处理图像进行图像分割,在分割完成后,再根据上述场景标签获取对应场景下的分割结果,也即是说,在得到了若干个不同场景下的分割结果之后,在根据场景标签确定需要输出的分割结果,在这种应用场景下,上述场景标签并不影响上述图像分割网络的分割过程,而仅影响上述分割结果的选择。
由上可见,在本申请实施例中,由于事先对分割网络模型基于不同的场景进行了训练,因而,上述分割网络模型可对处于不同场景下的图像进行有针对性的分割操作,提升了图像分割的准确率,能够减少出现图像分割错误的情况。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
实施例二
在上述实施例一的基础上,下面对本申请实施例提供的另一种图像分割方法进行描述,请参阅图2,本申请实施例中的图像分割方法包括:
在步骤201中,获取待处理图像;
在步骤202中,对待处理图像进行场景识别;
在步骤203中,基于上述场景识别的结果,获取上述待处理图像的场景标签;
在本申请实施例中,上述步骤201、202、203与上述步骤101、102、103相同或相似,具体可参见上述步骤101、102、103的相关描述,在此不再赘述。
在步骤204中,对上述待处理图像进行目标识别;
在本申请实施例中,在获取到了待处理图像后,可以先对上述待处理图像进行目标识别。通过图像识别技术可以较为准确的识别出上述待处理图像中有什么物体,并报告出上述物体在待处理图像所表示的场景中的大致位置及方向。在上述目标识别的过程中,可以首先判断上述待处理图像中是否存在目标,如果当前待处理图像中不存在目标,则结束上述目标识别流程;如果当前待处理图像中存在目标,则继续判断上述待处理图像中存在有几个目标,及各个目标分别所处的位置。具体地,在识别待处理图像的目标时,可以基于颜色特征、纹理特征、形状特征和/或空间特征识别出待处理图像中的目标。需要注意的是,上述步骤204与上述步骤202之间并无固定的时间先后关系,二者可以同时执行,也可以根据电子设备的系统利用率依次先后执行,此处不作限定。
在步骤205中,基于目标识别的结果将上述待处理图像输入至训练好的图像分割网络中;
在本申请实施例中,在获取到上述目标识别的结果之后,即,获取到了待处理图像中目标的数量及各个目标分别所在的位置后,可以对上述待处理图像进行进一步提取处理,例如,裁减掉不包含上述目标的区域,仅保留包含上述目标的区域,并将保留的区域输入至上述训练好的图像分割网络中。具体地,上述步骤205可以包括:
A1、基于所述目标识别的结果,确定所述待处理图像中的目标对象;
A2、获取所述待处理图像中的目标区域,其中,所述目标区域包含有所述目标对象;
A3、将所述目标区域输入至训练好的图像分割网络中。
进一步地,上述步骤A2可以包括:
B1、分别检测所述待处理图像中的各个目标对象是否为预设目标对象;
B2、若所述待处理图像中的目标对象为预设目标对象,则基于上述目标识别的结果确定上述预设目标对象在上述待处理图像中的位置;
B3、根据上述预设目标对象在上述待处理图像中的位置,确定目标区域。
在本申请实施例中,可以先判断上述目标识别的结果中,是否存在预设目标对象,即是否有目标对象为预设目标对象。上述预设目标对象可以是系统预先设置的,也可以是用户预先设置的,此处不作限定,并且,用户有权限对上述预设目标对象作出更改。例如,上述预设目标对象被设置为人脸图像,若在对图像pic1进行目标识别后,仅识别出了小猫、小狗等目标对象,而未识别到人脸图像,则确定该pic1中,没有目标对象为预设目标对象;而若在对图像pic2进行目标识别后,不仅识别出了小猫、小狗等目标,而且还识别到了人脸图像,则确定该pic2中,存在目标对象为预设目标对象。在后续确定目标区域时,仅关注pic2中人脸图像这一目标对象所在的局部区域,而可以不用再关注小猫、小狗等其它目标对象。可以是在确定一识别得到的目标对象为预设目标对象后,获取上述预设目标对象在上述待处理图像中的横轴坐标及纵轴坐标,用以确定其中横轴及纵轴的最小坐标及最大坐标,即划定上述预设目标对象在上述待处理图像中的横轴范围及纵轴范围,并基于上述横轴范围及纵轴范围得到一矩形区域,上述矩形区域即可作为上述待处理图像的目标区域。
可选地,本步骤中,还可以基于上述目标识别的结果,确定上述目标对象的类别,并根据所述目标对象的类别将所述目标区域输入至训练好的图像分割网络中。例如,在上述例子中,pic2中存在有人脸图像这一目标对象,该目标对象的类别为人像。在将上述人脸图像所在的目标区域输入至图像分割网络时,可以告知该图像分割网络此时目标区域包含人脸,则图像分割网络可以获知此时是在针对何种类别的目标对象进行分割,其分割结果的准确率能够进一步得到提升。
在步骤206中,根据上述场景标签输出分割结果。
在本申请实施例中,上述步骤206与上述步骤105相同或相似,具体可参见上述步骤105的相关描述,在此不再赘述。
由上可见,在本申请实施例中,由于事先对分割网络模型基于不同的场景进行了训练,因而,上述分割网络模型可对处于不同场景下的图像进行有针对性的分割操作,提升了图像分割的准确率,能够减少出现图像分割错误的情况。并且,在将待处理图像输入至分割网络模型之前,还可以先对该图像进行目标识别,确定目标所在的大致位置,以减小上述分割网络模型的运算压力,并进一步提升图像分割的准确率。
可选地,在上述步骤105及步骤206之后,上述图像分割方法还包括:
基于输出的所述分割结果,对分割后的图像进行图像处理;
将所述图像处理的结果显示在预览界面中。
在本申请实施例中,通过图像分割,往往能够将待处理图像中,用户较为感兴趣的部分分离出来,例如,在用户使用电子设备拍摄了自己的自拍像后,将上述自拍像作为待处理图像,在通过步骤103进行了分割后,可以将上述用户的脸部图像从待处理图像中分割出来,用户即可只针对上述分割结果(即上述脸部图像)进行后续图像处理,例如美颜等,并将进行了图像处理后的上述待处理图像显示在预览界面中,用户可以实时查看到图像处理的效果,并决定是否需要继续进行图像处理。可见,通过上述图像分割的流程,可以减小后续对待处理图像进行图像处理时的处理量;并且,还能够实现对特定的目标进行图像处理,而不影响图像中的其它目标,实现对图像的局部处理操作。
可选地,上述实施例一及实施例二提供的图像分割方法中,还可以包括图像分割网络的训练步骤,下面对上述图像分割网络的训练步骤进行描述,请参阅图2,该图像分割网络的训练步骤包括:
在步骤301中,获取预设场景标签及目标类别下的训练图片;
在本申请实施例中,上述训练图片可以是由开发人员挑选出来的图片,开发人员已经确定了该训练图片所在的场景标签及该训练图片中所包含的目标对象的类别。也即是说,上述训练图片的各项参数均已知。
在步骤302中,将上述训练图片输入至待训练的图像分割网络中;
在步骤303中,得到上述待训练的图像分割网络的训练结果;
在本申请实施例中,上述待训练的图像分割网络在初始化时,有其初始的各项参数,通过将上述训练图片输入至图像分割网络,可以得到该图像分割网络在当前参数下的分割结果,也即训练结果。
在步骤304中,检测上述训练结果与预设的分割结果之间的差异值是否超过了预设的差异值阈值,若是,则执行步骤305,若否,则执行步骤306;
在步骤305中,更改上述图像分割网络的参数,并返回执行步骤302;
在本申请实施例中,上述预设的分割结果可以作为对上述训练进行分割操作的标准结果,本步骤的作用是验证当前图像分割网络所得到的分割结果与上述标准结果之间的差距;若差距过大,则认为当前图像分割网络的参数仍然未达到最优值,需要继续对其训练,也即需要更改该图像分割网络的参数,重新对训练图片进行分割。上述过程将一直重复,直至上述训练结果与预设的分割结果之间的差异值未超过预设的差异值阈值时,可以确定该图像分割网络所得到的分割结果与上述标准结果已无较大差别,此时,上述图像分割网络基于该训练图片的分割训练结果。需要注意的是,上述训练图片的数量通常来说是复数个,上述训练图片的数量越多,上述训练的训练次数越多,上述图像分割网络的准确率越高。
在步骤306中,确定上述图像分割网络已训练完成。
在本申请实施例中,通过对上述图像分割网络的重复训练操作,不断的优化该图像分割网络,以得到较为准确的图像分割结果,使得该图像分割网络成为上述实施例一及实施例二中基于场景标签进行较为精确图像分割操作的基础。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
实施例三
本申请实施例三提供了一种图像分割装置,上述图像分割装置可集成于电子设备中,如图4所示,本申请实施例中的图像分割装置400包括:
图像获取单元401,用于获取待处理图像;
场景识别单元402,用于对待处理图像进行场景识别;
标签获取单元403,用于基于上述场景识别的结果,获取上述待处理图像的场景标签;
图像输入单元404,用于将上述待处理图像输入至训练好的图像分割网络中;
结果输出单元405,用于根据上述场景标签输出分割结果。
可选地,上述图像分割装置400还包括:
目标识别单元,用于对上述待处理图像进行目标识别;
上述图像输入单元404,具体用于基于目标识别的结果将上述待处理图像输入至训练好的图像分割网络中。
可选地,上述目标识别单元包括:
目标确定子单元,用于基于上述目标识别的结果,确定上述待处理图像中的目标对象;
目标区域获取子单元,用于获取上述待处理图像中的目标区域,其中,上述目标区域包含有上述目标对象;
上述图像输入单元404包括:
目标区域输入子单元,用于将上述目标区域输入至训练好的图像分割网络中。
可选地,上述目标识别单元还包括:
目标类别确定子单元,用于基于上述目标识别的结果,确定上述目标对象的类别;
上述目标区域输入子单元,具体用于根据上述目标对象的类别将上述目标区域输入至训练好的图像分割网络中。
可选地,上述图像分割装置400还包括:
训练图片获取单元,用于获取预设场景标签及目标类别下的训练图片;
训练图片输入单元,用于将上述训练图片输入至待训练的图像分割网络中;
训练结果获取单元,用于得到上述待训练的图像分割网络的训练结果;
训练结果检测单元,用于检测上述训练结果与预设的分割结果之间的差异值;
训练参数调整单元,用于若上述差异值超过了预设的差异值阈值,则更改上述图像分割网络的参数,并再次触发上述训练图片输入单元,直至上述差异值未超过预设的差异值阈值为止。
可选地,上述图像分割装置400还包括:
图像处理单元,用于基于输出的上述分割结果,对分割后的图像进行图像处理;
图像显示单元,用于将上述图像处理的结果显示在预览界面中。
由上可见,在本申请实施例中,由于图像分割装置事先对分割网络模型基于不同的场景进行了训练,因而,上述分割网络模型可对处于不同场景下的图像进行有针对性的分割操作,提升了图像分割的准确率,能够减少出现图像分割错误的情况。并且,在图像分割装置将待处理图像输入至分割网络模型之前,还可以先对该图像进行目标识别,确定目标所在的大致位置,以减小上述分割网络模型的运算压力,并进一步提升图像分割的准确率。
实施例四
本申请实施例四提供了一种电子设备,请参阅图5,本申请实施例中的电子设备包括:存储器501,一个或多个处理器502(图5中仅示出一个)及存储在存储器501上并可在处理器上运行的计算机程序。其中:存储器501用于存储软件程序以及模块,处理器502通过运行存储在存储器501的软件程序以及单元,从而执行各种功能应用以及数据处理,以获取上述预设事件对应的资源。具体地,处理器502通过运行存储在存储器501的上述计算机程序时实现以下步骤:
获取待处理图像;
对待处理图像进行场景识别;
基于上述场景识别的结果,获取上述待处理图像的场景标签;
将上述待处理图像输入至训练好的图像分割网络中;
根据上述场景标签输出分割结果。
假设上述为第一种可能的实施方式,则在第一种可能的实施方式作为基础而提供的第二种可能的实施方式中,在上述将上述待处理图像输入至训练好的图像分割网络中之前,处理器502通过运行存储在存储器501的上述计算机程序时还实现以下步骤:
对上述待处理图像进行目标识别;
相应地,上述将上述待处理图像输入至训练好的图像分割网络中,包括:
基于目标识别的结果将上述待处理图像输入至训练好的图像分割网络中。
在上述第二种可能的实施方式作为基础而提供的第三种可能的实施方式中,上述基于目标识别的结果将上述待处理图像输入至训练好的图像分割网络中,包括:
基于上述目标识别的结果,确定上述待处理图像中的目标对象;
获取上述待处理图像中的目标区域,其中,上述目标区域包含有上述目标对象;
将上述目标区域输入至训练好的图像分割网络中。
在上述第三种可能的实施方式作为基础而提供的第四种可能的实施方式中,在上述将上述目标区域输入至训练好的图像分割网络中之前,处理器502通过运行存储在存储器501的上述计算机程序时还实现以下步骤:
基于上述目标识别的结果,确定上述目标对象的类别;
相应地,上述将上述目标区域输入至训练好的图像分割网络中,包括:
根据上述目标对象的类别将上述目标区域输入至训练好的图像分割网络中。
在上述第一种可能的实施方式作为基础,或者上述第二种可能的实施方式作为基础,或者上述第三种可能的实施方式作为基础,或者上述第四种可能的实施方式作为基础而提供的第五种可能的实施方式中,处理器502通过运行存储在存储器501的上述计算机程序时还实现以下步骤:
获取预设场景标签及目标类别下的训练图片;
将上述训练图片输入至待训练的图像分割网络中;
得到上述待训练的图像分割网络的训练结果;
检测上述训练结果与预设的分割结果之间的差异值;
若上述差异值超过了预设的差异值阈值,则更改上述图像分割网络的参数,并返回执行将上述训练图片输入至待训练的图像分割网络中的步骤及后续步骤,直至上述差异值未超过预设的差异值阈值为止。
在上述第一种可能的实施方式作为基础,或者上述第二种可能的实施方式作为基础,或者上述第三种可能的实施方式作为基础,或者上述第四种可能的实施方式作为基础而提供的第六种可能的实施方式中,在上述根据上述场景标签输出分割结果之后,处理器502通过运行存储在存储器501的上述计算机程序时还实现以下步骤:
基于输出的上述分割结果,对分割后的图像进行图像处理;
将上述图像处理的结果显示在预览界面中。
进一步,如图5所示,上述电子设备还可包括:一个或多个输入设备503(图5中仅示出一个)和一个或多个输出设备504(图5中仅示出一个)。存储器501、处理器502、输入设备503和输出设备504通过总线505连接。
应当理解,在本申请实施例中,所称处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备503可以包括键盘、触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出设备504可以包括显示器、扬声器等。
存储器501可以包括只读存储器和随机存取存储器,并向处理器502提供指令和数据。存储器501的一部分或全部还可以包括非易失性随机存取存储器。例如,存储器501还可以存储设备类型的信息。
由上可见,在本申请实施例中,由于电子设备事先对分割网络模型基于不同的场景进行了训练,因而,上述分割网络模型可对处于不同场景下的图像进行有针对性的分割操作,提升了图像分割的准确率,能够减少出现图像分割错误的情况。并且,在电子设备将待处理图像输入至分割网络模型之前,还可以先对该图像进行目标识别,确定目标所在的大致位置,以减小上述分割网络模型的运算压力,并进一步提升图像分割的准确率。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将上述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者外部设备软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,上述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,上述计算机程序包括计算机程序代码,上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读存储介质可以包括:能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机可读存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读存储介质不包括是电载波信号和电信信号。
以上上述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种图像分割方法,其特征在于,包括:
获取待处理图像;
对待处理图像进行场景识别;
基于所述场景识别的结果,获取所述待处理图像的场景标签;
将所述待处理图像输入至训练好的图像分割网络中;
根据所述场景标签输出分割结果。
2.如权利要求1所述的图像分割方法,其特征在于,在所述将所述待处理图像输入至训练好的图像分割网络中之前,还包括:
对所述待处理图像进行目标识别;
相应地,所述将所述待处理图像输入至训练好的图像分割网络中,包括:
基于目标识别的结果将所述待处理图像输入至训练好的图像分割网络中。
3.如权利要求2所述的图像分割方法,其特征在于,所述基于目标识别的结果将所述待处理图像输入至训练好的图像分割网络中,包括:
基于所述目标识别的结果,确定所述待处理图像中的目标对象;
获取所述待处理图像中的目标区域,其中,所述目标区域包含有所述目标对象;
将所述目标区域输入至训练好的图像分割网络中。
4.如权利要求3所述的图像分割方法,其特征在于,在所述将所述目标区域输入至训练好的图像分割网络中之前,还包括:
基于所述目标识别的结果,确定所述目标对象的类别;
相应地,所述将所述目标区域输入至训练好的图像分割网络中,包括:
根据所述目标对象的类别将所述目标区域输入至训练好的图像分割网络中。
5.如权利要求1至4任一项所述的图像分割方法,其特征在于,所述图像分割方法还包括:
获取预设场景标签及目标类别下的训练图片;
将所述训练图片输入至待训练的图像分割网络中;
得到所述待训练的图像分割网络的训练结果;
检测所述训练结果与预设的分割结果之间的差异值;
若所述差异值超过了预设的差异值阈值,则更改所述图像分割网络的参数,并返回执行将所述训练图片输入至待训练的图像分割网络中的步骤及后续步骤,直至所述差异值未超过预设的差异值阈值为止。
6.如权利要求1至4任一项所述的图像分割方法,其特征在于,在所述根据所述场景标签输出分割结果之后,还包括:
基于输出的所述分割结果,对分割后的图像进行图像处理;
将所述图像处理的结果显示在预览界面中。
7.一种图像分割装置,其特征在于,包括:
图像获取单元,用于获取待处理图像;
场景识别单元,用于对待处理图像进行场景识别;
标签获取单元,用于基于所述场景识别的结果,获取所述待处理图像的场景标签;
图像输入单元,用于将所述待处理图像输入至训练好的图像分割网络中;
结果输出单元,用于根据所述场景标签输出分割结果。
8.如权利要求7所述的图像分割装置,其特征在于,所述图像分割装置还包括:
目标识别单元,用于对所述待处理图像进行目标识别;
所述图像输入单元,具体用于基于目标识别的结果将所述待处理图像输入至训练好的图像分割网络中。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810585389.9A CN108711161A (zh) | 2018-06-08 | 2018-06-08 | 一种图像分割方法、图像分割装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810585389.9A CN108711161A (zh) | 2018-06-08 | 2018-06-08 | 一种图像分割方法、图像分割装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108711161A true CN108711161A (zh) | 2018-10-26 |
Family
ID=63872503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810585389.9A Pending CN108711161A (zh) | 2018-06-08 | 2018-06-08 | 一种图像分割方法、图像分割装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108711161A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635812A (zh) * | 2018-11-29 | 2019-04-16 | 中国科学院空间应用工程与技术中心 | 图像的实例分割方法及装置 |
CN110047082A (zh) * | 2019-03-27 | 2019-07-23 | 深圳大学 | 基于深度学习的胰腺神经内分泌肿瘤自动分割方法及系统 |
CN110070018A (zh) * | 2019-04-12 | 2019-07-30 | 武汉大学 | 一种结合深度学习的地震灾害场景识别方法 |
CN110222582A (zh) * | 2019-05-13 | 2019-09-10 | 青岛小鸟看看科技有限公司 | 一种图像处理方法和相机 |
CN110458047A (zh) * | 2019-07-23 | 2019-11-15 | 北京理工大学 | 一种基于深度学习的越野环境场景识别方法及系统 |
CN110598705A (zh) * | 2019-09-27 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 图像的语义标注方法及装置 |
CN110838131A (zh) * | 2019-11-04 | 2020-02-25 | 网易(杭州)网络有限公司 | 自动抠图的实现方法、装置、电子设备以及介质 |
CN110889816A (zh) * | 2019-11-07 | 2020-03-17 | 北京量健智能科技有限公司 | 一种图像分割方法与装置 |
CN112330634A (zh) * | 2020-11-05 | 2021-02-05 | 恒信东方文化股份有限公司 | 一种针对服装的边缘精细抠图方法及系统 |
CN112700376A (zh) * | 2019-10-23 | 2021-04-23 | Tcl集团股份有限公司 | 图像的摩尔纹去除方法、装置、终端设备及存储介质 |
CN112711983A (zh) * | 2020-12-08 | 2021-04-27 | 湖南自兴智慧医疗科技有限公司 | 核型分析系统、方法、电子设备及可读存储介质 |
CN114419070A (zh) * | 2022-01-21 | 2022-04-29 | 北京字跳网络技术有限公司 | 一种图像场景分割方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625762A (zh) * | 2009-06-19 | 2010-01-13 | 深圳市中瀛鑫科技发展有限公司 | 目标分割方法及装置 |
CN102436583A (zh) * | 2011-09-26 | 2012-05-02 | 哈尔滨工程大学 | 基于对标注图像学习的图像分割方法 |
CN105447846A (zh) * | 2014-08-25 | 2016-03-30 | 联想(北京)有限公司 | 一种图像处理方法及电子设备 |
US20160154999A1 (en) * | 2014-12-02 | 2016-06-02 | Nokia Technologies Oy | Objection recognition in a 3d scene |
CN106384355A (zh) * | 2016-09-21 | 2017-02-08 | 安徽慧视金瞳科技有限公司 | 一种投影交互系统中的自动标定方法 |
CN107403183A (zh) * | 2017-07-21 | 2017-11-28 | 桂林电子科技大学 | 整合目标检测和图像分割为一体的智能分割方法 |
CN107563357A (zh) * | 2017-09-29 | 2018-01-09 | 北京奇虎科技有限公司 | 基于场景分割的直播服饰装扮推荐方法、装置及计算设备 |
CN107563123A (zh) * | 2017-09-27 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 用于标注医学图像的方法和装置 |
-
2018
- 2018-06-08 CN CN201810585389.9A patent/CN108711161A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625762A (zh) * | 2009-06-19 | 2010-01-13 | 深圳市中瀛鑫科技发展有限公司 | 目标分割方法及装置 |
CN102436583A (zh) * | 2011-09-26 | 2012-05-02 | 哈尔滨工程大学 | 基于对标注图像学习的图像分割方法 |
CN105447846A (zh) * | 2014-08-25 | 2016-03-30 | 联想(北京)有限公司 | 一种图像处理方法及电子设备 |
US20160154999A1 (en) * | 2014-12-02 | 2016-06-02 | Nokia Technologies Oy | Objection recognition in a 3d scene |
CN106384355A (zh) * | 2016-09-21 | 2017-02-08 | 安徽慧视金瞳科技有限公司 | 一种投影交互系统中的自动标定方法 |
CN107403183A (zh) * | 2017-07-21 | 2017-11-28 | 桂林电子科技大学 | 整合目标检测和图像分割为一体的智能分割方法 |
CN107563123A (zh) * | 2017-09-27 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 用于标注医学图像的方法和装置 |
CN107563357A (zh) * | 2017-09-29 | 2018-01-09 | 北京奇虎科技有限公司 | 基于场景分割的直播服饰装扮推荐方法、装置及计算设备 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635812B (zh) * | 2018-11-29 | 2019-11-08 | 中国科学院空间应用工程与技术中心 | 图像的实例分割方法及装置 |
CN109635812A (zh) * | 2018-11-29 | 2019-04-16 | 中国科学院空间应用工程与技术中心 | 图像的实例分割方法及装置 |
CN110047082A (zh) * | 2019-03-27 | 2019-07-23 | 深圳大学 | 基于深度学习的胰腺神经内分泌肿瘤自动分割方法及系统 |
CN110070018A (zh) * | 2019-04-12 | 2019-07-30 | 武汉大学 | 一种结合深度学习的地震灾害场景识别方法 |
CN110222582A (zh) * | 2019-05-13 | 2019-09-10 | 青岛小鸟看看科技有限公司 | 一种图像处理方法和相机 |
CN110458047A (zh) * | 2019-07-23 | 2019-11-15 | 北京理工大学 | 一种基于深度学习的越野环境场景识别方法及系统 |
CN110598705A (zh) * | 2019-09-27 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 图像的语义标注方法及装置 |
CN112700376A (zh) * | 2019-10-23 | 2021-04-23 | Tcl集团股份有限公司 | 图像的摩尔纹去除方法、装置、终端设备及存储介质 |
CN110838131A (zh) * | 2019-11-04 | 2020-02-25 | 网易(杭州)网络有限公司 | 自动抠图的实现方法、装置、电子设备以及介质 |
CN110838131B (zh) * | 2019-11-04 | 2022-05-17 | 网易(杭州)网络有限公司 | 自动抠图的实现方法、装置、电子设备以及介质 |
CN110889816A (zh) * | 2019-11-07 | 2020-03-17 | 北京量健智能科技有限公司 | 一种图像分割方法与装置 |
CN110889816B (zh) * | 2019-11-07 | 2022-12-16 | 拜耳股份有限公司 | 一种图像分割方法与装置 |
CN112330634A (zh) * | 2020-11-05 | 2021-02-05 | 恒信东方文化股份有限公司 | 一种针对服装的边缘精细抠图方法及系统 |
CN112711983A (zh) * | 2020-12-08 | 2021-04-27 | 湖南自兴智慧医疗科技有限公司 | 核型分析系统、方法、电子设备及可读存储介质 |
CN114419070A (zh) * | 2022-01-21 | 2022-04-29 | 北京字跳网络技术有限公司 | 一种图像场景分割方法、装置、设备及存储介质 |
WO2023138558A1 (zh) * | 2022-01-21 | 2023-07-27 | 北京字跳网络技术有限公司 | 一种图像场景分割方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108711161A (zh) | 一种图像分割方法、图像分割装置及电子设备 | |
CN109948497B (zh) | 一种物体检测方法、装置及电子设备 | |
CN110009556A (zh) | 图像背景虚化方法、装置、存储介质及电子设备 | |
KR101678377B1 (ko) | 시각적 이벤트 결과를 제공하는 영상 보안 시스템 및 방법 | |
CN107688824A (zh) | 图片匹配方法及终端设备 | |
CN108460346B (zh) | 指纹识别方法及装置 | |
CN108021863B (zh) | 电子装置、基于图像的年龄分类方法及存储介质 | |
CN110796016A (zh) | 工程图纸识别方法、电子设备及相关产品 | |
CN110796135A (zh) | 目标的定位方法及装置、计算机设备、计算机存储介质 | |
CN108038491B (zh) | 一种图像分类方法及装置 | |
CN108596079B (zh) | 手势识别方法、装置及电子设备 | |
CN114662602A (zh) | 一种离群点检测方法、装置、电子设备及存储介质 | |
CN108182444A (zh) | 基于场景分类的视频质量诊断的方法及装置 | |
CN112069338A (zh) | 图片处理方法、装置、电子设备及存储介质 | |
CN106484614A (zh) | 一种核对图片处理效果的方法、装置及移动终端 | |
CN108052864A (zh) | 人脸识别方法、应用服务器及计算机可读存储介质 | |
CN111126457A (zh) | 信息的获取方法和装置、存储介质和电子装置 | |
CN113869230A (zh) | 足球进球类型识别方法、装置、系统及存储介质 | |
CN112835682B (zh) | 一种数据处理方法、装置、计算机设备和可读存储介质 | |
CN113470013A (zh) | 一种搬移物品的检测方法及装置 | |
CN105302715B (zh) | 应用程序用户界面的获取方法和装置 | |
CN113032524A (zh) | 商标侵权识别方法、终端设备及存储介质 | |
CN108805883A (zh) | 一种图像分割方法、图像分割装置及电子设备 | |
CN116366603A (zh) | 一种活跃IPv6地址的确定方法及装置 | |
US20210064219A1 (en) | Method and Device for Displaying Icon |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181026 |
|
RJ01 | Rejection of invention patent application after publication |