CN110135428B - 图像分割处理方法和装置 - Google Patents
图像分割处理方法和装置 Download PDFInfo
- Publication number
- CN110135428B CN110135428B CN201910303671.8A CN201910303671A CN110135428B CN 110135428 B CN110135428 B CN 110135428B CN 201910303671 A CN201910303671 A CN 201910303671A CN 110135428 B CN110135428 B CN 110135428B
- Authority
- CN
- China
- Prior art keywords
- component
- segmentation
- image
- division
- processing
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Abstract
本申请提供一种图像分割处理方法和装置,方法包括:获取图像,图像中包括待处理的分割对象;对所述分割对象进行组件分割处理,得到所述分割对象的第一分割结果;根据所述第一分割结果和所述分割对象的组件属性信息,确定组件分割次序;根据所述组件分割次序,对所述第一分割结果和所述图像进行特征融合处理,得到融合特征;根据所述融合特征,确定所述分割对象的第二分割结果;对所述第二分割结果进行合并处理,得到所述分割对象的最终分割结果。充分考虑了构成分割对象的各组件的组件属性信息对组件分割结果的影响,同时利用第一分割结果中各组件对应的分割精度,来指导对分割对象进行的组件分割处理,组件分割过程具有自适应性,分割精度高。
Description
技术领域
本申请涉及图像处理领域,尤其涉及一种图像分割处理方法和装置。
背景技术
随着图像处理技术的迅速发展,图像分割在不同视觉任务中有着越来越广泛的应用。一幅图像通常由多个对象构成,每一个对象包括多个组件,针对组件进行的图像分割,得到的是图像中指定对象或全部对象的组件分割结果,常用于细粒度动作检测、细微差异图像分类等,图像分割的精度是影响图像分割功能的重要因素之一。
现有技术中,针对组件进行的图像分割,通常包括步骤:提取图像特征;根据获取的图像特征,利用分类器或其他模型获得每个像素点属于各个类别的组件的概率分布;根据获得的概率分布,确定每个像素点的语义信息,进而得到图像的组件分割结果。
然而现有技术中,在对图像进行针对组件的图像分割时,图像的分割结果受多种因素影响,同一图像的不同类别的组件的分割精度可能不同,利用获得的每个像素点属于各个类别的组件的概率分布,直接确定出每个像素点的语义信息,存在分割精度低、分割结果不准确的问题。
发明内容
本申请提供一种图像分割处理方法、装置、设备和存储介质,用以解决针对组件进行的图像分割处理存在的分割精度低的问题。
第一方面,本申请提供一种图像分割处理方法,包括:
获取图像,所述图像中包括待处理的分割对象;
对所述分割对象进行组件分割处理,得到所述分割对象的第一分割结果;
根据所述第一分割结果和所述分割对象的组件属性信息,确定组件分割次序;
根据所述组件分割次序,对所述第一分割结果和所述图像进行特征融合处理,得到融合特征;
根据所述融合特征,确定所述分割对象的第二分割结果;
对所述第二分割结果进行合并处理,得到所述分割对象的最终分割结果。
进一步地,对所述分割对象进行组件分割处理,得到所述分割对象的第一分割结果,包括:
获取所述图像的图像特征;
利用预设的分类器对所述图像特征进行解析处理,得到所述第一分割结果;
其中,所述图像特征包括构成所述分割对象的所有类别的所述组件的图像特征,所述分类器的个数与所述组件的类别数相同,不同分类器用于解析不同类别的所述组件的图像特征,所述第一分割结果包括所有类别的所述组件的分割结果。
进一步地,所述组件属性信息包括所述分割对象中的每一个组件的组件像素占比值和组件稳定值,根据所述第一分割结果和所述分割对象的组件属性信息,确定组件分割次序,包括:
根据所述第一分割结果,确定所述分割对象中的每一个组件的分割精度;
根据所述组件属性信息和所述每一个组件的分割精度,确定所述分割对象的组件分割权重矩阵;
根据所述组件之间的距离,确定所述分割对象的组件距离关系矩阵;
根据所述组件分割权重矩阵和所述组件距离关系矩阵,确定所述组件分割次序。
进一步地,根据所述组件属性信息和所述每一个组件的分割精度,确定所述分割对象的组件分割权重矩阵,包括:
根据所述每一个组件的组件像素占比值、组件稳定值和分割精度,得到所述每一个组件的属性值;
根据不同类别组件的属性值,确定所述组件分割权重矩阵,其中,所述组件分割权重矩阵中包括多个分割权重。
进一步地,所述分割权重为Ei,j,u(i),u(j)=∑f∈{s,a,e}([f(i)-f(j)]+)*ind[u(i)>u(j)];
其中,i、j为组件序号,u(i)、u(j)为组件i、j的预设分割次序,s,a,e分别为组件的像素占比值、稳定值和分割精度,ind(·)为示性函数;当(·)条件成立时,ind(·)为1,否则为0;[·]+=max(·,0)。
进一步地,根据所述组件分割权重矩阵和所述组件距离关系矩阵,确定所述组件分割次序,包括:
根据所述组件分割权重矩阵和所述组件距离关系矩阵,确定次序处理函数F(Y)=vec(Y)(E+μC)vec(Y′),其中,矩阵Y为所述组件分割次序,矩阵Y的组成元素yi,u=1时,表示在第u次组件分割中选择对组件i进行分割处理;vec(Y)为矩阵Y的向量形式,E为所述组件分割权重矩阵,C为所述组件距离关系矩阵,μ为预设的权重值;
确定所述次序处理函数F(Y)取值最小时,最小取值的次序处理函数F(Y)所对应的矩阵Y为所述组件分割次序。
进一步地,根据所述组件分割次序,对所述第一分割结果和所述图像进行特征融合处理,得到融合特征,包括:
根据所述组件分割次序,确定待分割的每一个目标组件和所述每一个目标组件对应的相关组件,其中,所述每一个目标组件对应的相关组件为分割次序位于所述目标组件之前的所有组件;
获取所述每一个目标组件的第一分割结果的第一先验特征和所述相关组件的第一分割结果的第二先验特征;
获取所述图像的图像特征;
对所述每一个目标组件的第一先验特征、所述每一个目标组件对应的相关组件的第二先验特征、以及所述图像特征进行融合处理,得到所述融合特征。
进一步地,获取所述每一个目标组件的第一分割结果的第一先验特征和所述相关组件的第一分割结果的第二先验特征,包括:
利用预设的先验网络模型获取所述第一先验特征和所述第二先验特征,其中,所述先验网络模型包括卷积层、池化层和残差网络单元。
第二方面,本申请提供了一种图像分割处理装置,包括:
获取单元,用于获取图像,所述图像中包括待处理的分割对象;
第一处理单元,用于对所述分割对象进行组件分割处理,得到所述分割对象的第一分割结果;
第二处理单元,用于根据所述第一分割结果和所述分割对象的组件属性信息,确定组件分割次序;
第三处理单元,用于根据所述组件分割次序,对所述第一分割结果和所述图像进行特征融合处理,得到融合特征;
第四处理单元,用于根据所述融合特征,确定所述分割对象的第二分割结果;
第五处理单元,用于对所述第二分割结果进行合并处理,得到所述分割对象的最终分割结果。
进一步地,第一处理单元,包括:
获取子单元,用于获取所述图像的图像特征;
处理子单元,用于利用预设的分类器对所述图像特征进行解析处理,得到所述第一分割结果;
其中,所述图像特征包括构成所述分割对象的所有类别的所述组件的图像特征,所述分类器的个数与所述组件的类别数相同,不同分类器用于解析不同类别的所述组件的图像特征,所述第一分割结果包括所有类别的所述组件的分割结果。
进一步地,所述组件属性信息包括所述分割对象中的每一个组件的组件像素占比值和组件稳定值,第二处理单元,包括:
第一处理子单元,用于根据所述第一分割结果,确定所述分割对象中的每一个组件的分割精度;
第二处理子单元,用于根据所述组件属性信息和所述每一个组件的分割精度,确定所述分割对象的组件分割权重矩阵;
第三处理子单元,用于根据所述组件之间的距离,确定所述分割对象的组件距离关系矩阵;
第四处理子单元,用于根据所述组件分割权重矩阵和所述组件距离关系矩阵,确定所述组件分割次序。
进一步地,第二处理子单元,包括:
第一处理模块,用于根据所述每一个组件的组件像素占比值、组件稳定值和分割精度,得到所述每一个组件的属性值;
第二处理模块,用于根据不同类别组件的属性值,确定所述组件分割权重矩阵,其中,所述组件分割权重矩阵中包括多个分割权重。
进一步地,所述分割权重为Ei,j,u(i),u(j)=∑f∈{s,a,e}([f(i)-f(j)]+)*ind[u(i)>u(j)];
其中,i、j为组件序号,u(i)、u(j)为组件i、j的预设分割次序,s,a,e分别为组件的像素占比值、稳定值和分割精度,ind(·)为示性函数;当(·)条件成立时,ind(·)为1,否则为0;[·]+=max(·,0)。
进一步地,第四处理子单元,包括:
第一处理模块,用于根据所述组件分割权重矩阵和所述组件距离关系矩阵,确定次序处理函数F(Y)=vec(Y)(E+μC)vec(Y′),其中,矩阵Y为所述组件分割次序,矩阵Y的组成元素yi,u=1时,表示在第u次组件分割中选择对组件i进行分割处理;vec(Y)为矩阵Y的向量形式,E为所述组件分割权重矩阵,C为所述组件距离关系矩阵,μ为预设的权重值;
确定所述次序处理函数F(Y)取值最小时,最小取值的次序处理函数F(Y)所对应的矩阵Y为所述组件分割次序。
进一步地,第三处理单元,包括:
第一处理子单元,用于根据所述组件分割次序,确定待分割的每一个目标组件和所述每一个目标组件对应的相关组件,其中,所述每一个目标组件对应的相关组件为分割次序位于所述目标组件之前的所有组件;
第一获取子单元,用于获取所述每一个目标组件的第一分割结果的第一先验特征,获取所述相关组件的第一分割结果的第二先验特征;
第二获取子单元,用于获取所述图像的图像特征;
第二处理子单元,用于对所述每一个目标组件的第一先验特征、所述每一个目标组件对应的相关组件的第二先验特征、以及所述图像特征进行融合处理,得到所述融合特征。
第三方面,本申请提供一种图像分割处理设备,包括:处理器、存储器以及计算机程序;
其中,计算机程序存储在存储器中,并被配置为由处理器执行以实现如上任一项的方法。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行以实现如上任一项的方法。
本申请提供的行为树的差异可视化方法、装置、设备和存储介质,通过获取图像,图像中包括待处理的分割对象;对分割对象进行组件分割处理,得到分割对象的第一分割结果;根据第一分割结果和分割对象的组件属性信息,确定组件分割次序;根据组件分割次序,对第一分割结果和图像进行特征融合处理,得到融合特征;根据融合特征,确定分割对象的第二分割结果;对第二分割结果进行合并处理,得到分割对象的最终分割结果。通过利用构成分割对象的各组件的组件属性信息,结合第一分割结果中各组件对应的分割精度信息,来生成组件分割次序,根据组件分割次序,对分割对象再次进行组件分割处理,充分考虑了构成分割对象的各组件的组件属性信息对组件分割结果的影响,同时利用第一分割结果中各组件对应的分割精度,来指导对分割对象进行的二次分割处理,组件分割处理过程不需要依赖额外的辅助信息,分割精度高。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1为本申请实施例提供的一种图像分割处理方法的流程示意图;
图2为本申请实施例提供的又一种图像分割处理方法的流程示意图;
图3为本申请实施例提供的一种图像分割处理装置的结构示意图;
图4为本申请实施例提供的又一种图像分割处理装置的结构示意图;
图5为本申请实施例提供的一种图像分割处理设备的结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本申请具体的应用场景为:现有技术中,针对组件进行的图像分割,利用分类器或其他模型对图像特征进行解析处理,获得每个像素点属于各个类别的组件的概率分布,进而确定出每个像素点的语义信息。然而,在对图像进行针对组件的图像分割时,图像的分割结果受多种因素影响,同一图像的不同类别的组件的分割精度可能不同,利用获得的每个像素点属于各个类别的组件的概率分布,直接确定出每个像素点的语义信息,存在分割精度低、分割结果不准确的问题。
本申请提供的图像分割处理方法、装置、设备和存储介质,旨在解决现有技术中的如上技术问题。
首先对本申请所涉及的名词进行解释:
图像分割: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。
图像特征提取:使用计算机提取图像信息,用于决定每个像素点是否属于某个图像特征,进而把图像上的像素点划分为不同的子集。
灰度共生矩阵:通过研究灰度的空间相关特性来描述纹理的方法。
感知哈希算法:比较哈希算法的一类,主要用于相似图片的搜索工作。
图1为本申请实施例提供的一种图像分割处理方法的流程示意图,如图1所示,该方法包括:
步骤101、获取图像,图像中包括待处理的分割对象。
在本实施例中,具体的,本实施例的执行主体为终端、或者控制器、或者其他可以执行本实施例的装置或设备。本实施例以执行主体为终端进行说明,可以在终端中设置应用软件,然后,终端控制应用软件执行本实施例提供的方法。
终端获取的图像可能包括多个对象,每个对象由多个组件构成。举例来说,获取的图像包括人、车、树3个对象,其中车由车轮、车窗、车门、车身四个组件构成,选定车为待处理的分割对象,即需要对车进行组件分割,以获得车轮、车窗、车门、车身四个组件的分割结果。
步骤102、对分割对象进行组件分割处理,得到分割对象的第一分割结果。
在本实施例中,具体的,对选定的分割对象,进行组件层次的分割处理,将获得的各组件的分割结果作为分割对象的第一分割结果。举例来说,对图像中的车进行分割处理,将获得的车轮、车窗、车门、车身四个组件的分割结果作为车的第一分割结果。
步骤103、根据第一分割结果和分割对象的组件属性信息,确定组件分割次序。
在本实施例中,具体的,构成分割对象的各组件相互区别,又各有关联,利用各组件的属性值,以及各组件之间的相关关系,同时结合第一分割结果中各组件对应的分割精度,来生成组件分割次序,用于指导对分割对象再次进行组件分割处理。举例来说,根据第一分割结果中车轮、车窗、车门、车身四个组件对应的分割精度,以及车轮、车窗、车门、车身四个组件的组件属性信息,具体包括车轮、车窗、车门、车身四个组件的属性值和各个组件之间的相关关系,来生成组件分割次序,用于指导对车这一分割对象再次进行组件分割处理。
步骤104、根据组件分割次序,对第一分割结果和图像进行特征融合处理,得到融合特征。
在本实施例中,具体的,提取第一分割结果中各组件分割结果的先验特征,提取图像的图像特征,由于组件分割次序描述了对分割对象再次进行组件分割处理时各组件的分割次序,根据组件分割次序,将获取的各组件的分割结果的先验特征,与图像的图像特征进行特征融合处理,得到融合特征。
举例来说,第一分割结果中包括车轮、车窗、车门、车身四个组件的分割结果,分别提取车轮、车窗、车门、车身四个组件的第一分割结果的先验特征,同时提取图像的图像特征,根据组件分割次序,将车轮、车窗、车门、车身四个组件的第一分割结果的先验特征,与图像的图像特征进行特征融合处理,得到融合特征。
步骤105、根据融合特征,确定分割对象的第二分割结果。
在本实施例中,具体的,对步骤104确定的融合特征进行解析处理,以得到各个组件的第二分割结果,各个组件的第二分割结果构成分割对象的第二分割结果。
步骤106、对第二分割结果进行合并处理,得到分割对象的最终分割结果。
在本实施例中,具体的,第二分割结果包含分割对象各组件的二次分割结果,将各个组件的二次分割结果进行合并处理,以得到分割对象完整的的最终分割结果。举例来说,第二分割结果包含车轮、车窗、车门、车身四个组件的二次分割结果,将车轮、车窗、车门、车身四个组件的二次分割结果进行合并处理,以得到车这一分割对象完整的最终分割结果。
本实施例通过获取图像,图像中包括待处理的分割对象;对分割对象进行组件分割处理,得到分割对象的第一分割结果;根据第一分割结果和分割对象的组件属性信息,确定组件分割次序;根据组件分割次序,对第一分割结果和图像进行特征融合处理,得到融合特征;根据融合特征,确定分割对象的第二分割结果;对第二分割结果进行合并处理,得到分割对象的最终分割结果。通过利用构成分割对象的各组件的组件属性信息,结合第一分割结果中各组件对应的分割精度信息,来生成组件分割次序,根据组件分割次序,对分割对象再次进行组件分割处理,充分考虑了构成分割对象的各组件的组件属性信息对组件分割结果的影响,同时利用第一分割结果中各组件对应的分割精度,来指导对分割对象进行的二次分割处理,组件分割处理过程不需要依赖额外的辅助信息,分割精度高。
图2为本申请实施例提供的又一种图像分割处理方法的流程示意图,如图2所示,该方法包括:
步骤201、获取图像,图像中包括待处理的分割对象。
在本实施例中,具体的,本步骤可以参见图1的步骤101,不再赘述。
步骤202、对分割对象进行组件分割处理,得到分割对象的第一分割结果。
可选的,步骤202具体包括:获取图像的图像特征;利用预设的分类器对图像特征进行解析处理,得到第一分割结果,其中,图像特征包括构成分割对象的所有类别的组件的图像特征,分类器的个数与组件的类别数相同,不同分类器用于解析不同类别的组件的图像特征,第一分割结果包括所有类别的组件的分割结果。
在本实施例中,具体的,利用分割网络模型,获取图像的图像特征,图像特征中对图像的各像素点进行了标记,标记结果描述了各像素点的语义标签。获取图像特征后,利用预设的分类器对图像特征进行解析处理,分类器的个数与构成分割对象的组件的类别数相同,不同分类器用于解析不同类别的组件的图像特征。
举例来说,选用Resnet101网络作为分割网络模型,用于提取图像的图像特征,提取的图像特征为分割对象的各像素点进行标记了的二值化图。获得图像特征后,对图像特征进行空洞金字塔池化(ASPP)操作和卷积操作,得到分割对象的各像素点的语义类别标签的概率图,然后对概率图进行双线性插值和softmax操作,得到分割对象的第一分割结果。优化的,将空洞金字塔池化(ASPP)操作和卷积操作分为N个网络,作为N个分类器,其中,N为构成分割对象的组件的类别数,N个分类器用于对图像特征进行解析处理,得到不同类别的组件的N个分割结果。
步骤203、根据第一分割结果,确定分割对象中的每一个组件的分割精度。
在本实施例中,具体的,第一分割结果包括构成分割对象的所有组件的分割结果,假设某个组件的分割面积为s1,该组件的真实面积为s2,则s1与s2的交并比即为该组件对应的分割精度。
步骤204、根据组件属性信息和每一个组件的分割精度,确定分割对象的组件分割权重矩阵。
优选的,步骤204包括:根据每一个组件的组件像素占比值、组件稳定值和分割精度,得到每一个组件的属性值;根据不同类别组件的属性值,确定组件分割权重矩阵,其中,组件分割权重矩阵中包括多个分割权重。
在本实施例中,具体的,组件像素占比值为某组件所占像素数与图像总像素数的百分比;组件稳定值包括内部稳定值和类间稳定值,内部稳定值的计算方法包括:确定某组件的灰度共生成矩阵;确定灰度共生成矩阵在45度、90度、135度、180度方向上的矩阵作为特征矩阵;计算特征矩阵的对比度和熵值,并把计算得到的对比度与熵值的和作为内部稳定值;类间稳定值的计算方法包括:将图像的某个组件区域缩小至指定大小,得到处理后图像;使用感知哈希算法,计算处理后图像与原图像之间的汉明距离,作为该组件的类间稳定值。将计算得到的每一个组件的组件像素占比值、组件稳定值和分割精度分别进行归一化处理,归一化处理后的组件像素占比值、组件稳定值和分割精度构成该组件的属性值。
在本实施例中,具体的,根据分割对象的每一个组件的组件属性信息和每一个组件对应的分割精度,来确定某个组件在某个分割次序中的分割权重,所有分割权重构成了组件分割权重矩阵。其中,分割权重为Ei,j,u(i),u(j)=∑f∈{s,a,e}([f(i)-f(j)]+)*ind[u(i)>u(j)],i、j为组件序号,u(i)、u(j)为组件i、j的预设分割次序,s,a,e分别为组件的像素占比值、稳定值和分割精度,ind(·)为示性函数;当(·)条件成立时,ind(·)为1,否则为0;[·]+=max(·,0)。
步骤205、根据组件之间的距离,确定分割对象的组件距离关系矩阵。
在本实施例中,具体的,组件距离关系矩阵
C=-Λ-1/2DΛ-1/2
其中,D∈RNT×NT为一个稀疏的成对的距离矩阵,d(i,j)为组件i与组件j的欧式距离,N为分割对象中所有组件的类别数,Λ为矩阵D行元素和的对角矩阵,用于对D矩阵进行归一化操作。可利用现有方法计算组件之间的欧式距离,在此本申请不做赘述。
步骤206、根据组件分割权重矩阵和组件距离关系矩阵,确定组件分割次序。
在本实施例中,具体的,根据组件分割权重矩阵和组件距离关系矩阵,确定次序处理函数F(Y)=vec(Y)(E+μC)vec(Y′),其中,矩阵Y为组件分割次序,矩阵Y是一个二值化矩阵,描述了对分割对象的组件进行二次分割处理的次序,其中i为组件的序号,u为分割次序,u为不大于N的正整数,N为构成待处理分割对象的组件的类别数,u的最大取值等于N。矩阵Y的组成元素yi,u=1时,表示在第u次组件分割中选择对组件i进行分割处理;vec(Y)为矩阵Y的向量形式,E为组件分割权重矩阵,C为组件距离关系矩阵,μ为预设的权重值;确定次序处理函数F(Y)取值最小时,最小取值的次序处理函数F(Y)所对应的矩阵Y为组件分割次序。
步骤206、根据组件分割次序,对第一分割结果和图像进行特征融合处理,得到融合特征。
优选的,步骤206包括:根据组件分割次序,确定待分割的每一个目标组件和每一个目标组件对应的相关组件,其中,每一个目标组件对应的相关组件为分割次序位于目标组件之前的所有组件;获取每一个目标组件的第一分割结果的第一先验特征和相关组件的第一分割结果的第二先验特征;获取图像的图像特征;对每一个目标组件的第一先验特征、每一个目标组件对应的相关组件的第二先验特征、以及图像特征进行融合处理,得到融合特征。
在本实施例中,具体的,组件分割次序描述了对分割对象的所有组件进行二次分割处理的次序,根据组件分割次序,确定当前分割次序中是对哪一组件进行分割处理,选定该组件为目标组件。同时根据组件分割次序,确定分割次序位于目标组件之前的其他组件作为相关组件。利用预设的先验网络模型分别提取目标组件的第一分割结果的先验特征,提取相关组件中的所有组件的第一分割结果的先验特征,先验网络模型包括卷积层、池化层和残差网络单元。同时,利用分割网络模型提取原始图像的图像特征,并将提取到的图像特征与先验特征进行融合处理,得到融合特征。
当目标组件的分割次序为1时,不存在其他组件的分割次序位于目标组件之前,则相关组件为空,此时只利用预设的先验网络模型提取目标组件的第一分割结果的先验特征。
举例来说,组件分割次序描述了在第1、2、3、4次分割次序中分别对车身、车门、车窗、车轮进行分割处理。根据组件分割次序,确定第3次分割次序中需要对车窗进行分割处理,选定车窗为目标组件。同时,根据组件分割次序,确定车身、车门的分割次序位于车窗的分割次序之前,选定车身、车门为相关组件。利用预设的先验网络模型提取目标组件车窗的第一分割结果的先验特征,提取车身、车门的第一分割结果的先验特征,其中先验网络模型由一个7x7的卷积层,一个池化层,8个残差网络单元构成。同时,利用分割网络模型提取原图像的图像特征,将提取到的车身、车门、车窗的第一分割结果的先验特征,与原图像的图像特征进行特征融合处理,得到融合特征。当目标组件为车身时,相关组件为空,此时只利用预设的先验网络模型提取车身的第一分割结果的先验特征。
步骤207、根据融合特征,确定分割对象的第二分割结果。
在本实施例中,具体的,利用分类器对融合特征进行解析处理,得到分割对象每个组件的第二分割结果,每个组件的第二分割结果构成分割对象的第二分割结果。
举例来说,利用分类器对步骤206举例中的融合特征进行解析处理,得到车窗这一组件的第二分割结果,利用步骤206、207方法还可得到车身、车门、车门的第二分割结果,车身、车门、车窗、车轮的第二分割结果构成分割对象车的第二分割结果。
步骤208、对第二分割结果进行合并处理,得到分割对象的最终分割结果。
在本实施例中,具体的,利用条件随机场对获得的每一个组件的第二分割结果进行处理,推理出混淆区域的组件的语义类别,对各组件的第二分割结果进行合并处理,得到分割对象的最终分割结果。
本实施例通过获取图像,图像中包括待处理的分割对象;对分割对象进行组件分割处理,得到分割对象的第一分割结果;根据第一分割结果和分割对象的组件属性信息,确定组件分割次序;根据组件分割次序,对第一分割结果和图像进行特征融合处理,得到融合特征;根据融合特征,确定分割对象的第二分割结果;对第二分割结果进行合并处理,得到分割对象的最终分割结果。根据分割对象的每一个组件的第一分割结果的分割精度,和每一个组件的属性信息来确定组件分割权重矩阵,结合组件距离关系矩阵,来确定最优的组件分割次序,实现了利用分割对象的第一分割结果,来指导对分割对象进行的第二次分割处理,同时利用分割对象中每一组件的自身属性,以及不同组件之间的距离,来指导对分割对象进行的第二次分割处理,对分割对象进行的分割处理依赖于构成分割对象的组件的特性,不需要依赖于额外的辅助信息,组件分割过程具有自适应性,组件分割精度高,适用于细粒度动作检测和细微图像差别分类等,有利于较好地实现图像分割功能。
图3为本申请实施例提供的一种图像分割处理装置的结构示意图,如图3所示,该装置包括:
获取单元1,用于获取图像,图像中包括待处理的分割对象;
第一处理单元2,用于对分割对象进行组件分割处理,得到分割对象的第一分割结果;
第二处理单元3,用于根据第一分割结果和分割对象的组件属性信息,确定组件分割次序;
第三处理单元4,用于根据组件分割次序,对第一分割结果和图像进行特征融合处理,得到融合特征;
第四处理单元5,用于根据融合特征,确定分割对象的第二分割结果;
第五处理单元6,用于对第二分割结果进行合并处理,得到分割对象的最终分割结果。
本实施例的图像分割处理装置可以实施本发明实施例提供的图像分割处理方法,其实现原理类似,本处不再赘述。
本实施例通过获取图像,图像中包括待处理的分割对象;对分割对象进行组件分割处理,得到分割对象的第一分割结果;根据第一分割结果和分割对象的组件属性信息,确定组件分割次序;根据组件分割次序,对第一分割结果和图像进行特征融合处理,得到融合特征;根据融合特征,确定分割对象的第二分割结果;对第二分割结果进行合并处理,得到分割对象的最终分割结果。通过利用构成分割对象的各组件的组件属性信息,结合第一分割结果中各组件对应的分割精度信息,来生成组件分割次序,根据组件分割次序,对分割对象再次进行组件分割处理,充分考虑了构成分割对象的各组件的组件属性信息对组件分割结果的影响,同时利用第一分割结果中各组件对应的分割精度,来指导对分割对象进行的二次分割处理,组件分割处理过程不需要依赖额外的辅助信息,分割精度高。
图4为本申请实施例提供的又一种图像分割处理装置的结构示意图,在图3所示实施例的基础上,如图4所示,
第一处理单元2,包括:
获取子单元21,用于获取图像的图像特征;
处理子单元22,用于利用预设的分类器对图像特征进行解析处理,得到第一分割结果;
其中,图像特征包括构成分割对象的所有类别的组件的图像特征,分类器的个数与组件的类别数相同,不同分类器用于解析不同类别的组件的图像特征,第一分割结果包括所有类别的组件的分割结果。
组件属性信息包括分割对象中的每一个组件的组件像素占比值和组件稳定值,第二处理单元3,包括:
第一处理子单元31,用于根据第一分割结果,确定分割对象中的每一个组件的分割精度;
第二处理子单元32,用于根据组件属性信息和每一个组件的分割精度,确定分割对象的组件分割权重矩阵;
第三处理子单元33,用于根据组件之间的距离,确定分割对象的组件距离关系矩阵;
第四处理子单元34,用于根据组件分割权重矩阵和组件距离关系矩阵,确定组件分割次序。
第二处理子单元32,包括:
第一处理模块321,用于根据每一个组件的组件像素占比值、组件稳定值和分割精度,得到每一个组件的属性值;
第二处理模块322,用于根据不同类别组件的属性值,确定组件分割权重矩阵,其中,组件分割权重矩阵中包括多个分割权重。
其中,分割权重为Ei,j,u(i),u(j)=∑f∈{s,a,e}([f(i)-f(j)]+)*ind[u(i)>u(j)];其中,i、j为组件序号,u(i)、u(j)为组件i、j的预设分割次序,s,a,e分别为组件的像素占比值、稳定值和分割精度,ind(·)为示性函数;当(·)条件成立时,ind(·)为1,否则为0;[·]+=max(·,0)。
第四处理子单元34,包括:
第一处理模块341,用于根据组件分割权重矩阵和组件距离关系矩阵,确定次序处理函数F(Y)=vec(Y)(E+μC)vec(Y′),其中,矩阵Y为组件分割次序,矩阵Y的组成元素yi,u=1时,表示在第u次组件分割中选择对组件i进行分割处理;vec(Y)为矩阵Y的向量形式,E为组件分割权重矩阵,C为组件距离关系矩阵,μ为预设的权重值;
第二处理模块342,用于确定次序处理函数F(Y)取值最小时,最小取值的次序处理函数F(Y)所对应的矩阵Y为组件分割次序。
第三处理单元4,包括:
第一处理子单元41,用于根据组件分割次序,确定待分割的每一个目标组件和每一个目标组件对应的相关组件,其中,每一个目标组件对应的相关组件为分割次序位于目标组件之前的所有组件;
第一获取子单元42,用于获取每一个目标组件的第一分割结果的第一先验特征,获取相关组件的第一分割结果的第二先验特征;
第二获取子单元43,用于获取图像的图像特征;
第二处理子单元44,用于对每一个目标组件的第一先验特征、每一个目标组件对应的相关组件的第二先验特征、以及图像特征进行融合处理,得到融合特征。
本实施例通过获取图像,图像中包括待处理的分割对象;对分割对象进行组件分割处理,得到分割对象的第一分割结果;根据第一分割结果和分割对象的组件属性信息,确定组件分割次序;根据组件分割次序,对第一分割结果和图像进行特征融合处理,得到融合特征;根据融合特征,确定分割对象的第二分割结果;对第二分割结果进行合并处理,得到分割对象的最终分割结果。根据分割对象的每一个组件的第一分割结果的分割精度,和每一个组件的属性信息来确定组件分割权重矩阵,结合组件距离关系矩阵,来确定最优的组件分割次序,实现了利用分割对象的第一分割结果,来指导对分割对象进行的第二次分割处理,同时利用分割对象中每一组件的自身属性,以及不同组件之间的距离,来指导对分割对象进行的第二次分割处理,对分割对象进行的分割处理依赖于构成分割对象的组件的特性,不需要依赖于额外的辅助信息,组件分割过程具有自适应性,组件分割精度高,适用于细粒度动作检测和细微图像差别分类等,有利于较好地实现图像分割功能。
图5为本申请实施例提供的一种图像分割处理设备的结构示意图,如图5所示,本申请实施例提供了一种轨迹预测设备,可以用于执行图1-图2所示实施例中轨迹预测设备动作或步骤,具体包括:处理器501,存储器502和通信接口503。
存储器502,用于存储计算机程序。
处理器501,用于执行存储器502中存储的计算机程序,以实现图1-图4所示实施例中轨迹预测设备的动作,不再赘述。
可选的,轨迹预测设备还可以包括总线504。其中,处理器501、存储器502以及通信接口503可以通过总线504相互连接;总线504可以是外设部件互连标准(PeripheralComponent Interconnect,简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture,简称EISA)总线等。上述总线504可以分为地址总线、数据总线和控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
在本申请实施例中,上述各实施例之间可以相互参考和借鉴,相同或相似的步骤以及名词均不再一一赘述。
或者,以上各个模块的部分或全部也可以通过集成电路的形式内嵌于该轨迹预测设备的某一个芯片上来实现。且它们可以单独实现,也可以集成在一起。即以上这些模块可以被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(Digital Singnal Processor,简称DSP),或,一个或者多个现场可编程门阵列(FieldProgrammable Gate Array,简称FPGA)
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行以实现上述处理方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、轨迹预测设备或数据中心通过有线(例如,同轴电缆、光纤、数字用户线(digitalsubscriber line,DSL))或无线(例如,红外、无线、微波等)方式向另一个网站站点、计算机、轨迹预测设备或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的轨迹预测设备、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如,固态硬盘(solid state disk,SSD))等。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本申请实施例描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种图像分割处理方法,其特征在于,包括:
获取图像,所述图像中包括待处理的分割对象;
对所述分割对象进行组件分割处理,得到所述分割对象的第一分割结果;
根据所述第一分割结果和所述分割对象的组件属性信息,确定组件分割次序;
根据所述组件分割次序,对所述第一分割结果和所述图像进行特征融合处理,得到融合特征;
根据所述融合特征,确定所述分割对象的第二分割结果;
对所述第二分割结果进行合并处理,得到所述分割对象的最终分割结果;
所述组件属性信息包括所述分割对象中的每一个组件的组件像素占比值和组件稳定值,根据所述第一分割结果和所述分割对象的组件属性信息,确定组件分割次序,包括:
根据所述第一分割结果,确定所述分割对象中的每一个组件的分割精度;
根据所述组件属性信息和所述每一个组件的分割精度,确定所述分割对象的组件分割权重矩阵;
根据所述组件之间的距离,确定所述分割对象的组件距离关系矩阵;
根据所述组件分割权重矩阵和所述组件距离关系矩阵,确定所述组件分割次序。
2.根据权利要求1所述的方法,其特征在于,对所述分割对象进行组件分割处理,得到所述分割对象的第一分割结果,包括:
获取所述图像的图像特征;
利用预设的分类器对所述图像特征进行解析处理,得到所述第一分割结果;
其中,所述图像特征包括构成所述分割对象的所有类别的所述组件的图像特征,所述分类器的个数与所述组件的类别数相同,不同分类器用于解析不同类别的所述组件的图像特征,所述第一分割结果包括所有类别的所述组件的分割结果。
3.根据权利要求1所述的方法,其特征在于,根据所述组件属性信息和所述每一个组件的分割精度,确定所述分割对象的组件分割权重矩阵,包括:
根据所述每一个组件的组件像素占比值、组件稳定值和分割精度,得到所述每一个组件的属性值;
根据不同类别组件的属性值,确定所述组件分割权重矩阵,其中,所述组件分割权重矩阵中包括多个组件分割权重。
4.根据权利要求3所述的方法,其特征在于,所述组件分割权重为Ei,j,u(i),u(j)=∑f∈{s,a,e}([f(i)-f(j)]+)*ind[u(i)>u(j)];
其中,i、j为组件序号,u(i)、u(j)为组件i、j的预设分割次序;s,a,e分别为组件的像素占比值、稳定值和分割精度;ind(·)为示性函数;当(·)条件成立时,ind(·)为1,否则为0;[·]+=max(·,0)。
5.根据权利要求1所述的方法,其特征在于,根据所述组件分割权重矩阵和所述组件距离关系矩阵,确定所述组件分割次序,包括:
根据所述组件分割权重矩阵和所述组件距离关系矩阵,确定次序处理函数F(Y)=vec(Y)(E+μC)vec(Y′),其中,矩阵Y为所述组件分割次序,矩阵Y的组成元素yi,u=1时,表示在第u次组件分割中选择对组件i进行分割处理;vec(Y)为矩阵Y的向量形式,E为所述组件分割权重矩阵,C为所述组件距离关系矩阵,μ为预设的权重值;
确定所述次序处理函数F(Y)取值最小时,最小取值的次序处理函数F(Y)所对应的矩阵Y为所述组件分割次序。
6.根据权利要求1-5任一项所述的方法,其特征在于,根据所述组件分割次序,对所述第一分割结果和所述图像进行特征融合处理,得到融合特征,包括:
根据所述组件分割次序,确定待分割的每一个目标组件和所述每一个目标组件对应的相关组件,其中,所述每一个目标组件对应的相关组件为分割次序位于所述目标组件之前的所有组件;
获取所述每一个目标组件的第一分割结果的第一先验特征和所述相关组件的第一分割结果的第二先验特征;
获取所述图像的图像特征;
对所述每一个目标组件的第一先验特征、所述每一个目标组件对应的相关组件的第二先验特征、以及所述图像特征进行融合处理,得到所述融合特征。
7.根据权利要求6所述的方法,其特征在于,获取所述每一个目标组件的第一分割结果的第一先验特征和所述相关组件的第一分割结果的第二先验特征,包括:
利用预设的先验网络模型获取所述第一先验特征和所述第二先验特征,其中,所述先验网络模型包括卷积层、池化层和残差网络单元。
8.一种图像分割处理装置,其特征在于,包括:
获取单元,用于获取待分割的图像;
第一处理单元,用于根据预设的所述图像的分割对象,对所述分割对象进行组件分割处理,得到第一分割结果;
第二处理单元,用于根据所述第一分割结果和所述组件的属性信息,确定组件分割次序;
第三处理单元,用于根据所述组件分割次序,对所述第一分割结果和所述图像进行特征融合处理,得到融合特征,根据所述融合特征,得到第二分割结果;
第四处理单元,用于对所述第二分割结果进行合并处理,得到所述图像的最终分割结果;
所述组件属性信息包括所述分割对象中的每一个组件的组件像素占比值和组件稳定值,所述第二处理单元,包括:
第一处理子单元,用于根据所述第一分割结果,确定所述分割对象中的每一个组件的分割精度;
第二处理子单元,用于根据所述组件属性信息和所述每一个组件的分割精度,确定所述分割对象的组件分割权重矩阵;
第三处理子单元,用于根据所述组件之间的距离,确定所述分割对象的组件距离关系矩阵;
第四处理子单元,用于根据所述组件分割权重矩阵和所述组件距离关系矩阵,确定所述组件分割次序。
9.一种图像分割处理设备,其特征在于,包括:处理器、存储器以及计算机程序;
其中,计算机程序存储在存储器中,并被配置为由处理器执行以实现如权利要求1-7任一项的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,计算机程序被处理器执行以实现如权利要求1-7任一项的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910303671.8A CN110135428B (zh) | 2019-04-11 | 2019-04-11 | 图像分割处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910303671.8A CN110135428B (zh) | 2019-04-11 | 2019-04-11 | 图像分割处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110135428A CN110135428A (zh) | 2019-08-16 |
CN110135428B true CN110135428B (zh) | 2021-06-04 |
Family
ID=67570196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910303671.8A Active CN110135428B (zh) | 2019-04-11 | 2019-04-11 | 图像分割处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135428B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675409A (zh) * | 2019-09-20 | 2020-01-10 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN111652208A (zh) * | 2020-04-17 | 2020-09-11 | 北京三快在线科技有限公司 | 用户界面组件的识别方法、装置、电子设备及存储介质 |
CN115423827B (zh) * | 2022-11-03 | 2023-03-24 | 北京百度网讯科技有限公司 | 图像处理方法、装置、电子设备和存储介质 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0606780A2 (en) * | 1993-01-11 | 1994-07-20 | Canon Kabushiki Kaisha | Image processing method and apparatus |
CN1700238A (zh) * | 2005-06-23 | 2005-11-23 | 复旦大学 | 在彩色数字图像和视频中分割出人体皮肤区域的方法 |
CN101350099A (zh) * | 2008-09-12 | 2009-01-21 | 西安电子科技大学 | 基于小波域隐马尔科夫树模型的图像分割方法 |
CN101447080A (zh) * | 2008-11-19 | 2009-06-03 | 西安电子科技大学 | 基于非下采样Contourlet变换的HMT图像分割方法 |
CN101510310A (zh) * | 2009-02-19 | 2009-08-19 | 上海交通大学 | 基于纹理聚类约束的高分辨率遥感图像分割方法 |
CN101753853A (zh) * | 2009-05-13 | 2010-06-23 | 中国科学院自动化研究所 | 一种视频场景分割的融合方法 |
CN102096816A (zh) * | 2011-01-28 | 2011-06-15 | 武汉大学 | 基于最小生成树的多尺度多层次影像分割方法 |
CN102279929A (zh) * | 2010-06-13 | 2011-12-14 | 中国科学院电子学研究所 | 一种基于对象语义树模型的遥感人造地物目标识别方法 |
CN102621077A (zh) * | 2012-03-30 | 2012-08-01 | 江南大学 | 高光谱反射图像采集系统及基于该系统的玉米种子纯度无损检测方法 |
CN103247050A (zh) * | 2013-05-16 | 2013-08-14 | 北京工业大学 | 一种渐进式图像分割方法 |
CN103426176A (zh) * | 2013-08-27 | 2013-12-04 | 重庆邮电大学 | 基于改进直方图和聚类算法的视频镜头检测方法 |
CN103839250A (zh) * | 2012-11-23 | 2014-06-04 | 诺基亚公司 | 用于面部图像处理的方法和设备 |
CN105279526A (zh) * | 2014-06-13 | 2016-01-27 | 佳能株式会社 | 分割轨迹的方法和装置 |
CN106296649A (zh) * | 2016-07-21 | 2017-01-04 | 北京理工大学 | 一种基于水平集模型的纹理图像分割方法 |
CN108171711A (zh) * | 2018-01-17 | 2018-06-15 | 深圳市唯特视科技有限公司 | 一种基于完全卷积网络的婴幼儿脑部磁共振图像分割方法 |
CN109544559A (zh) * | 2018-10-19 | 2019-03-29 | 深圳大学 | 图像语义分割方法、装置、计算机设备和存储介质 |
CN110276767A (zh) * | 2019-06-28 | 2019-09-24 | Oppo广东移动通信有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2488992A4 (en) * | 2009-10-13 | 2017-04-05 | The Charles Stark Draper Laboratory, Inc. | Mathematical image analysis based cell reprogramming with applications for epigenetic and non-epigenetic base induced pluripotent stem cell derivation |
US8170372B2 (en) * | 2010-08-06 | 2012-05-01 | Kennedy Michael B | System and method to find the precise location of objects of interest in digital images |
US9628528B2 (en) * | 2013-07-19 | 2017-04-18 | Electronics And Telecommunications Research Institute | Apparatus and method for providing content |
CN106529380B (zh) * | 2015-09-15 | 2019-12-10 | 阿里巴巴集团控股有限公司 | 图像的识别方法及装置 |
CN107679250B (zh) * | 2017-11-01 | 2020-12-01 | 浙江工业大学 | 一种基于深度自编码卷积神经网络的多任务分层图像检索方法 |
CN109213886B (zh) * | 2018-08-09 | 2021-01-08 | 山东师范大学 | 基于图像分割和模糊模式识别的图像检索方法及系统 |
CN109325952B (zh) * | 2018-09-17 | 2022-07-08 | 上海宝尊电子商务有限公司 | 基于深度学习的时尚服装图像分割方法 |
-
2019
- 2019-04-11 CN CN201910303671.8A patent/CN110135428B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0606780A2 (en) * | 1993-01-11 | 1994-07-20 | Canon Kabushiki Kaisha | Image processing method and apparatus |
CN1700238A (zh) * | 2005-06-23 | 2005-11-23 | 复旦大学 | 在彩色数字图像和视频中分割出人体皮肤区域的方法 |
CN101350099A (zh) * | 2008-09-12 | 2009-01-21 | 西安电子科技大学 | 基于小波域隐马尔科夫树模型的图像分割方法 |
CN101447080A (zh) * | 2008-11-19 | 2009-06-03 | 西安电子科技大学 | 基于非下采样Contourlet变换的HMT图像分割方法 |
CN101510310A (zh) * | 2009-02-19 | 2009-08-19 | 上海交通大学 | 基于纹理聚类约束的高分辨率遥感图像分割方法 |
CN101753853A (zh) * | 2009-05-13 | 2010-06-23 | 中国科学院自动化研究所 | 一种视频场景分割的融合方法 |
CN102279929A (zh) * | 2010-06-13 | 2011-12-14 | 中国科学院电子学研究所 | 一种基于对象语义树模型的遥感人造地物目标识别方法 |
CN102096816A (zh) * | 2011-01-28 | 2011-06-15 | 武汉大学 | 基于最小生成树的多尺度多层次影像分割方法 |
CN102621077A (zh) * | 2012-03-30 | 2012-08-01 | 江南大学 | 高光谱反射图像采集系统及基于该系统的玉米种子纯度无损检测方法 |
CN103839250A (zh) * | 2012-11-23 | 2014-06-04 | 诺基亚公司 | 用于面部图像处理的方法和设备 |
CN103247050A (zh) * | 2013-05-16 | 2013-08-14 | 北京工业大学 | 一种渐进式图像分割方法 |
CN103426176A (zh) * | 2013-08-27 | 2013-12-04 | 重庆邮电大学 | 基于改进直方图和聚类算法的视频镜头检测方法 |
CN105279526A (zh) * | 2014-06-13 | 2016-01-27 | 佳能株式会社 | 分割轨迹的方法和装置 |
CN106296649A (zh) * | 2016-07-21 | 2017-01-04 | 北京理工大学 | 一种基于水平集模型的纹理图像分割方法 |
CN108171711A (zh) * | 2018-01-17 | 2018-06-15 | 深圳市唯特视科技有限公司 | 一种基于完全卷积网络的婴幼儿脑部磁共振图像分割方法 |
CN109544559A (zh) * | 2018-10-19 | 2019-03-29 | 深圳大学 | 图像语义分割方法、装置、计算机设备和存储介质 |
CN110276767A (zh) * | 2019-06-28 | 2019-09-24 | Oppo广东移动通信有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
On Attribute Thresholding and Data Mapping Functions in a Supervised Connected Component Segmentation Framework;Arko Lucieer等;《Remote Sensing》;20150603;第7350-7359页 * |
基于语义分析与融合的图像分类与标注研究;王晓茹;《中国博士学位论文全文数据库 信息科技辑》;20150815(第8期);第I138-25页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110135428A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11244435B2 (en) | Method and apparatus for generating vehicle damage information | |
CN108229419B (zh) | 用于聚类图像的方法和装置 | |
CN108280477B (zh) | 用于聚类图像的方法和装置 | |
CN108960211B (zh) | 一种多目标人体姿态检测方法以及系统 | |
CN109118504B (zh) | 一种基于神经网络的图像边缘检测方法、装置及其设备 | |
CN110135428B (zh) | 图像分割处理方法和装置 | |
CN110245714B (zh) | 图像识别方法、装置及电子设备 | |
CN109977832B (zh) | 一种图像处理方法、装置及存储介质 | |
CN110705489B (zh) | 目标识别网络的训练方法、装置、计算机设备和存储介质 | |
CN111753863A (zh) | 一种图像分类方法、装置、电子设备及存储介质 | |
CN111914911B (zh) | 一种基于改进深度相对距离学习模型的车辆再识别方法 | |
CN112949767A (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
CN111723852A (zh) | 针对目标检测网络的鲁棒训练方法 | |
CN111783812A (zh) | 违禁图像识别方法、装置和计算机可读存储介质 | |
CN113255752A (zh) | 基于特征聚类的固体材料一致性分选方法 | |
CN112818946A (zh) | 年龄识别模型的训练、年龄识别方法、装置及电子设备 | |
CN115984786A (zh) | 车辆损伤检测方法及装置、终端、存储介质 | |
CN112750124B (zh) | 模型生成、图像分割方法、装置、电子设备及存储介质 | |
CN112257726B (zh) | 目标检测训练方法、系统、电子设备及计算机可读存储介质 | |
CN113947154A (zh) | 一种目标检测方法、系统、电子设备及存储介质 | |
CN112214639A (zh) | 视频筛选方法、视频筛选装置及终端设备 | |
CN113569887B (zh) | 图片识别模型训练和图片识别方法、装置和存储介质 | |
CN117197592B (zh) | 一种目标检测模型训练方法、装置、电子设备及介质 | |
CN113139617A (zh) | 一种输电线路自主定位方法、装置及终端设备 | |
CN114299369A (zh) | 目标识别模型的训练方法、目标识别方法及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |