CN110189341B - 一种图像分割模型训练的方法、图像分割的方法及装置 - Google Patents

Abstract

本申请提供了一种图像分割模型训练的方法、图像分割的方法及装置，该方法首先通过获取样本图像库，利用样本图像库中的每一组样本图像，对图像分割模型进行训练，直至确定图像分割模型训练完成，其中，执行的训练过程包括：调整样本图像库中样本图像的像素点的像素值，得到样本图像对应的第一图像；将第一图像输入至图像分割模型中，输出对第一图像分割后的第二图像；根据第二图像和标记图像，计算图像分割模型训练的损失值；当损失值满足预设条件时，确定图像分割模型训练完成，通过这种方法，提高图像分割的准确率。

Description

一种图像分割模型训练的方法、图像分割的方法及装置

技术领域

本申请涉及图像处理技术领域，尤其是涉及一种图像分割模型训练的方法、图像分割的方法及装置。

背景技术

现有技术中，在对包含物体相互遮挡的图像进行分割时，主要采用人工分割物体间的遮挡区域的方法，实现对遮挡物体区域图像的分割。但是对于包含不同遮挡物体的不同的图像进行分割时，需要重新划分不同的物体间的遮挡区域，效率较低。例如在对胸片图像中的肺野区域进行图像分割时，现有技术是通过人工观察胸片肺野的特征从而进行设计分割方法，若需要对该胸片图像中的锁骨或者心影继续进行图像分割时，需要人工重新划分锁骨、心影和肺野之间相重叠的图像区域后，再进行图像分割，而每个人的胸片图像是不同的，通过人工划分区域对胸片图像分割的效率较低。

在对图像进行分割过程中，由于人工划分物体间的遮挡区域的方法，可能会受到工作人员的主观影响，导致不同工作人员在对同一图像的遮挡区域人工划分后对图像进行分割时，分割结果存有差异，图像分割的准确率较低。

发明内容

有鉴于此，本申请的目的在于提供一种图像分割模型训练的方法、图像分割的方法及装置，以提高图像分割的准确率。

第一方面，本申请实施例提供了一种图像分割模型训练的方法，包括：

获取样本图像库，所述样本图像库包含多组样本图像，其中，每组样本图像中包括样本图像和所述样本图像对应的标记图像，所述样本图像包含不同物体之间相重叠的图像区域，所述标记图像中标记有所述样本图像中不同物体之间的参考边界区域；

利用所述样本图像库中的每一组样本图像，对图像分割模型进行训练，直至确定所述图像分割模型训练完成；其中，执行的训练过程包括：

调整所述样本图像库中样本图像的像素点的像素值，得到所述样本图像对应的第一图像；将所述第一图像输入至所述图像分割模型中，输出对所述第一图像分割后的第二图像，所述第二图像中标记有所述样本图像中不同物体之间的预测边界区域；根据所述第二图像和所述标记图像，计算所述图像分割模型训练的损失值；若所述损失值不满足预设条件，则调整所述图像分割模型的模型参数，并重新执行所述训练过程，直至所述损失值满足所述预设条件，确定所述图像分割模型训练完成。

本申请的一实施例中，所述调整所述样本图像库中样本图像的像素点的像素值，得到所述样本图像对应的第一图像，包括：

针对所述样本图像库中每个样本图像，执行以下处理：

识别该样本图像中每一类像素点的数量，其中，相同像素值的像素点为一类像素点；

将每一类像素点的数量除以该样本图像的像素点总个数，得到每一类像素点的分布密度；

基于每一类像素点对应的分布密度，调整该样本图像中每个像素点的像素值，得到该样本图像对应的第一图像。

本申请的一实施例中，所述基于每一类像素点对应的分布密度，调整该样本图像中每个像素点的像素值，包括：

针对每一类像素点的分布密度，确定小于该类像素点的分布密度的其它类像素点的分布密度，将该类像素点的分布密度与所述其它类像素点的分布密度之和，作为该类像素点的累计分布密度；

基于每一类像素点的累计分布密度和预设像素值，调整每一类像素点的像素值。

本申请的一实施例中，所述根据所述第二图像和所述标记图像，计算所述图像分割模型训练的损失值，包括：

针对分别处于所述第二图像和所述标记图像中同一位置处的两个像素点，计算两个像素点的像素值之间的交叉熵损失值、以及交并比损失值；

基于计算出的交叉熵损失值以及交并比损失值，得到所述图像分割模型训练的损失值。

本申请的一实施例中，所述样本图像为胸片图像，其中胸片图像中包括锁骨、心影和肺野之间相重叠的图像区域，所述胸片图像对应的标记图像为标记有锁骨、心影和肺野之间参考边界区域的胸片图像。

第二方面，本申请实施例还提供一种图像分割的方法，包括：

获取待分割图像，其中，所述待分割图像包含不同物体之间相重叠的图像区域；

将所述待分割图像输入至通过上述第一方面或第一方面的任意一种可能的实施方式所述的图像分割模型训练方法训练得到的图像分割模型，输出对所述待分割图像分割后的分割图像，其中，所述分割图像中标记有所述待分割图像中不同物体之间的预测边界区域。

第三方面，本申请实施例还提供一种图像分割模型训练的装置，包括：

获取模块，用于获取样本图像库，所述样本图像库包含多组样本图像，其中，每组样本图像中包括样本图像和所述样本图像对应的标记图像，所述样本图像包含不同物体之间相重叠的图像区域，所述标记图像中标记有所述样本图像中不同物体之间的参考边界区域；

模型训练模块，用于利用所述样本图像库中的每一组样本图像，对图像分割模型进行训练，直至确定所述图像分割模型训练完成；其中，执行的训练过程包括：

调整所述样本图像库中样本图像的像素点的像素值，得到所述样本图像对应的第一图像；将所述第一图像输入至所述图像分割模型中，输出对所述第一图像分割后的第二图像，所述第二图像中标记有所述样本图像中不同物体之间的预测边界区域；根据所述第二图像和所述标记图像，计算所述图像分割模型训练的损失值；若所述损失值不满足预设条件，则调整所述图像分割模型的模型参数，并重新执行所述训练过程，直至所述损失值满足所述预设条件，确定所述图像分割模型训练完成。

本申请的一实施例中，所述模型训练模块，在调整所述样本图像库中样本图像的像素点的像素值，得到所述样本图像对应的第一图像时，具体用于：

针对所述样本图像库中每个样本图像，执行以下处理：

识别该样本图像中每一类像素点的数量，其中，相同像素值的像素点为一类像素点；

将每一类像素点的数量除以该样本图像的像素点总个数，得到每一类像素点的分布密度；

基于每一类像素点对应的分布密度，调整该样本图像中每个像素点的像素值，得到该样本图像对应的第一图像。

本申请的一实施例中，所述模型训练模块，在基于每一类像素点对应的分布密度，调整该样本图像中每个像素点的像素值时，具体用于：

针对每一类像素点的分布密度，确定小于该类像素点的分布密度的其它类像素点的分布密度，将该类像素点的分布密度与所述其它类像素点的分布密度之和，作为该类像素点的累计分布密度；

基于每一类像素点的累计分布密度和预设像素值，调整每一类像素点的像素值。

本申请的一实施例中，所述模型训练模块，在根据所述第二图像和所述标记图像，计算所述图像分割模型训练的损失值时，具体用于：

针对分别处于所述第二图像和所述标记图像中同一位置处的两个像素点，计算两个像素点的像素值之间的交叉熵损失值、以及交并比损失值；

基于计算出的交叉熵损失值以及交并比损失值，得到所述图像分割模型训练的损失值。

本申请的一实施例中，所述样本图像为胸片图像，其中胸片图像中包括锁骨、心影和肺野之间相重叠的图像区域，所述胸片图像对应的标记图像为标记有锁骨、心影和肺野之间参考边界区域的胸片图像。

第四方面，本申请实施例还提供一种图像分割的装置，包括：

获取模块，用于获取待分割图像，其中，所述待分割图像包含不同物体之间相重叠的图像区域；

分割模块，用于将所述待分割图像输入至通过上述第一方面或第一方面的任意一种可能的实施方式所述的图像分割模型训练的装置训练得到的图像分割模型，输出对所述待分割图像分割后的分割图像，其中，所述分割图像中标记有所述待分割图像中不同物体之间的预测边界区域。

第五方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面的任一种可能的实施方式中的步骤，或上述第二方面的实施方式中的步骤。

第六方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面的任一种可能的实施方式中的步骤，或上述第二方面的实施方式中的步骤。

本申请实施例提供的一种图像分割模型训练的方法、图像分割的方法，首先获取样本图像库，利用样本图像库中的每一组样本图像，对图像分割模型进行训练，直至确定图像分割模型训练完成，其中，执行的训练过程包括：调整样本图像库中样本图像的像素点的像素值，得到样本图像对应的第一图像；将第一图像输入至图像分割模型中，输出对第一图像分割后的第二图像；根据第二图像和标记图像，计算图像分割模型训练的损失值；当损失值满足预设条件时，确定图像分割模型训练完成，然后将获取的待分割图像输入训练完成的图像分割模型，得到对待分割图像分割后的分割图像。

利用上述图像分割模型对待分割图像进行分割时，可以实现对待分割图像中不同物体相重叠的图像进行分割，进而识别出每个物体的边界区域，使得分割效果更准确，无需人工划分图像中不同物体相重叠的遮挡区域，提高处理效率且提高图像分割的准确率。

本申请的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本申请实施例所提供的一种图像分割模型训练的方法的流程示意图；

图2示出了本申请实施例所提供的样本图像库中样本图像的处理方法的流程示意图；

图3示出了本申请实施例所提供的一种图像分割的方法的流程示意图；

图4示出了本申请实施例所提供的一种图像分割模型训练的装置400的结构示意图；

图5示出了本申请实施例所提供的一种图像分割的装置500的结构示意图；

图6示出了本申请实施例所提供的一种电子设备600的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

首先，对本申请可适用的应用场景做出介绍。本申请可适用于对物体间具有遮挡区域的图像进行分割的场景下。

现有技术中，主要采用人工分割物体间的遮挡区域的方法，实现对遮挡物体区域图像的分割。但是对于包含不同遮挡物体的不同图像进行分割时，需要人工重新划分不同物体间的遮挡区域，处理效率较低、且划分准确率较低。

本申请所提供的图像分割模型训练的方法、图像分割的方法及装置，通过获取样本图像库，针对样本图像库中的每一组样本图像，经过对每组样本图像的像素调整后，输入至图像分割模型中，对图像分割模型进行训练，直至确定图像分割模型训练完成，然后可以获取利用训练好的图像分割模型，对待分割图像进行分割，得到分割图像，在利用图像分割模型对待分割图像进行分割时，可以实现对待分割图像中不同物体相重叠的图像进行分割，进而识别出每个物体的边界区域，使得分割效果更准确，无需人工划分待分割图像中不同物体间的遮挡区域，可以提升处理效率，且可以提高图像分割的准确率。

为便于对本实施例进行理解，首先对本申请实施例所公开的一种图像分割模型训练方法、图像分割的方法进行详细介绍。

实施例一

参见图1所示，为本申请实施例所提供的一种图像分割模型训练的方法的流程示意图，包括以下步骤：

步骤101、获取样本图像库。

具体的，样本图像库包含多组样本图像，每组样本图像中包括样本图像和样本图像对应的标记图像，样本图像包含不同物体之间相重叠的图像区域，标记图像中标记有样本图像中不同物体之间的参考边界区域。

示例性的，样本图像可以是胸片图像，其中胸片图像中包括锁骨、心影和肺野之间相重叠的图像区域，胸片图像对应的标记图像中标记有锁骨、心影和肺野之间参考边界区域的胸片图像，胸片图像对应的标记图像可以是人工划分的参考边界区域。

步骤102、利用样本图像库中的每一组样本图像，对图像分割模型进行训练，直至确定图像分割模型训练完成。

其中，执行的训练过程包括：

步骤1021、调整样本图像库中样本图像的像素点的像素值，得到样本图像对应的第一图像。

其中，通过对样本图像库中样本图像像素点具有相同的像素值进行分类，得到不同类别的像素值，通过对不同类别之间的像素值进行调整，可以使得不同类别像素值之间的差值变大，便于对图像分割模型进行训练，关于调整样本图像库中样本图像的像素点的像素值的方法在下文中进行详细介绍，在此暂不展开说明。

步骤1022、将第一图像输入至图像分割模型中，输出对第一图像分割后的第二图像。

示例性的，样本图像为胸片图像时，胸片图像中包含锁骨、心影和肺野的相重叠的图像区域，并且在对应的标记图像中标记有锁骨、心影和肺野之间的参考边界区域，通过对该胸片图像中的每一个像素点的像素值进行调整后，得到第一图像，将第一图像和标记图像输入至图像分割模型中进行训练，输出对第一图像分割后的第二图像，且第二图像中标记有对胸片图像中锁骨、心影和肺野的预测边界区域。

步骤1023、判断图像分割模型训练的损失值是否满足预设条件。

若判断结果为是，则执行步骤1024，若判断结果为否，则执行步骤1025。

步骤1024、确定图像分割模型训练完成。

步骤1025、调整图像分割模型的模型参数，并返回执行步骤1021。

本申请的一些实施例中，针对分别处于第二图像和标记图像中同一位置处的两个像素点，计算两个像素点的像素值之间的交叉熵损失值、以及交并比损失值；基于计算出的交叉熵损失值以及交并比损失值，得到图像分割模型训练的损失值。

示例性的，若样本图像为胸片图像，上述第二图像为预测的胸片图像，预测的胸片图像中包含对该胸片图像中不同物体之间的预测边界区域，假设预测的胸片图像中包含像素点总数用N表示，预测的胸片图像中像素点的像素值用

表示，人工标记的标记图像中像素点的像素值用y_i表示，其中，i为1至N的正整数，那么通过公式(1)计算交叉熵损失值，其中交叉熵损失值用L表示。

通过对比预测的胸片图像和人工标记的标记图像中相同位置对应的图像区域像素点的像素值，将具有相同像素值的图像区域确定为相同区域，将具有不同像素值的图像区域确定为不同区域，计算相同区域面积，用A表示，计算不同区域面积，用B表示，那么通过公式(2)计算交并比损失值，其中交并比损失值用M表示。

可选地，通过将上述的交叉熵损失值L和上述的交并比损失值M相加，得到图像分割模型训练的损失值。

针对上述步骤1021中调整样本图像库中样本图像的像素点的像素值，可以通过以下方式但不限于此方式得到样本图像对应的第一图像。如图2所示，图2示出了本申请实施例所提供的样本图像库中样本图像的处理方法的流程示意图。针对样本图像库中每个样本图像，包括如下步骤：

步骤201、识别该样本图像中每一类像素点的数量。

示例性的，样本图像中相同像素值的像素点为一类像素点。

假设，样本图像为灰度图像，样本图像中每个像素点的像素值范围是0-255，且样本图像中具有相同像素值的像素点有4类，假设像素尺寸为4*4的图像中各个像素点的像素值如下表所示：

步骤202、将每一类像素点的数量除以该样本图像的像素点总个数，得到每一类像素点的分布密度。

示例性的，对上述图像分析后得到像素值为50的一类像素点个数是4个，对应的分类密度值是0.25，像素值为128的一类像素点个数是3个，对应的分类密度值是0.1875，像素值为200的一类像素点个数是5个，对应的分类密度值是0.3125，像素值为255的一类像素点个数是4个，对应的分类密度值是0.25。

步骤203、针对每一类像素点的分布密度，确定小于该类像素点的分布密度的其它类像素点的分布密度，将该类像素点的分布密度与所述其它类像素点的分布密度之和，作为该类像素点的累计分布密度。

示例性的，针对上述图像的不同分类密度值，得到像素值为50的一类像素点的累计分布密度值是0.25，像素值为128的一类像素点的累计分布密度值是0.4375，像素值为200的一类像素点的累计分布密度值是0.75，像素值为255的一类像素点的累计分布密度值是1。

步骤204、基于每一类像素点累计分布密度和预设像素值，调整每一类像素点的像素值，得到该样本图像对应的第一图像。

示例性的，针对上述图像，预设像素值可以是该样本图像中像素点的最大像素值，取预设像素值为255，那么通过上述4类像素点的累计分布密度和预设像素值的乘积，并取整数得到该样本图像对应的第一图像，其中第一图像中每一个像素点的像素值如下表中所示。

255	112	191	64
				64	191	255	64
255	191	112	112
				191	191	255	64

本申请实施例还提供了一种图像分割的方法，参见图3所示，为本申请实施例所提供的一种图像分割的方法的流程示意图，包括以下步骤：

步骤301、获取待分割图像，其中待分割图像包含不同物体之间相重叠的图像区域。

示例性的，待分割图像包含不同物体之间相重叠的图像区域，可以是胸片图像，其中胸片图像中包括锁骨、心影和肺野之间相重叠的图像区域。

示例性的，若待分割图像可以是彩色图像，也可以是灰度图像，若为彩色图像，则在执行步骤302之前，先将待分割图像进行灰度化处理。

步骤302、将待分割图像输入至图像分割模型中，得到对待分割图像分割后的分割图像，其中分割图像中标记有待分割图像中不同物体之间的预测边界区域。

示例性的，对待分割图像分割后的分割图像中标记有待分割图像中不同物体之间的预测边界区域，当待分割图像是胸片图像时，对胸片图像分割后的分割图像中标记有锁骨、心影和肺野之间相重叠的图像区域的预测边界区域。

通过本申请所提供的方法，利用图像分割模型对待分割图像进行分割时，可以实现对待分割图像中不同物体相重叠的图像进行分割，进而识别出每个物体的边界区域，使得分割效果更准确，无需人工划分图像中不同物体相重叠的遮挡区域，提高处理效率且提高图像分割的准确率。

实施例二

本实施例提供了一种图像分割模型训练的装置，如图4所示，为本申请实施例提供的一种图像分割模型训练的装置400的结构示意图；该装置包括：获取模块401、模型训练模块402，具体的：

获取模块401，用于获取样本图像库，所述样本图像库包含多组样本图像，其中，每组样本图像中包括样本图像和所述样本图像对应的标记图像，所述样本图像包含不同物体之间相重叠的图像区域，所述标记图像中标记有所述样本图像中不同物体之间的参考边界区域；

模型训练模块402，用于利用所述样本图像库中的每一组样本图像，对图像分割模型进行训练，直至确定所述图像分割模型训练完成；其中，执行的训练过程包括：

调整所述样本图像库中样本图像的像素点的像素值，得到所述样本图像对应的第一图像；将所述第一图像输入至所述图像分割模型中，输出对所述第一图像分割后的第二图像，所述第二图像中标记有所述样本图像中不同物体之间的预测边界区域；根据所述第二图像和所述标记图像，计算所述图像分割模型训练的损失值；若所述损失值不满足预设条件，则调整所述图像分割模型的模型参数，并重新执行所述训练过程，直至所述损失值满足所述预设条件，确定所述图像分割模型训练完成。

本申请的一实施例中，所述模型训练模块402，在调整所述样本图像库中样本图像的像素点的像素值，得到所述样本图像对应的第一图像时，具体用于：

针对所述样本图像库中每个样本图像，执行以下处理：

识别该样本图像中每一类像素点的数量，其中，相同像素值的像素点为一类像素点；

将每一类像素点的数量除以该样本图像的像素点总个数，得到每一类像素点的分布密度；

基于每一类像素点对应的分布密度，调整该样本图像中每个像素点的像素值，得到该样本图像对应的第一图像。

本申请的一实施例中，所述模型训练模块402，在基于每一类像素点对应的分布密度，调整该样本图像中每个像素点的像素值时，具体用于：

针对每一类像素点的分布密度，确定小于该类像素点的分布密度的其它类像素点的分布密度，将该类像素点的分布密度与所述其它类像素点的分布密度之和，作为该类像素点的累计分布密度；

基于每一类像素点的累计分布密度和预设像素值，调整每一类像素点的像素值。

本申请的一实施例中，所述模型训练模块402，在根据所述第二图像和所述标记图像，计算所述图像分割模型训练的损失值时，具体用于：

针对分别处于所述第二图像和所述标记图像中同一位置处的两个像素点，计算两个像素点的像素值之间的交叉熵损失值、以及交并比损失值；

基于计算出的交叉熵损失值以及交并比损失值，得到所述图像分割模型训练的损失值。

本申请的一实施例中，所述样本图像为胸片图像，其中胸片图像中包括锁骨、心影和肺野之间相重叠的图像区域，所述胸片图像对应的标记图像为标记有锁骨、心影和肺野之间参考边界区域的胸片图像。

本申请实施例还提供一种图像分割的装置，参见图5所示，为本申请实施例所提供的一种图像分割的装置500的结构示意图，该装置包括：获取模块501、分割模块502，具体的：

获取模块501，用于获取待分割图像，其中，所述待分割图像包含不同物体之间相重叠的图像区域；

分割模块502，用于将所述待分割图像输入至通过实施例一所述的图像分割模型训练的装置训练得到的图像分割模型，输出对所述待分割图像分割后的分割图像，其中，所述分割图像中标记有所述待分割图像中不同物体之间的预测边界区域。

实施例三

基于同一技术构思，本申请实施例还提供了一种电子设备。参照图6所示，为本申请实施例提供的电子设备600的结构示意图，包括处理器601、存储器602、和总线603。其中，存储器602用于存储执行指令，包括内存6021和外部存储器6022；这里的内存6021也称内存储器，用于暂时存放处理器601中的运算数据，以及与硬盘等外部存储器6022交换的数据，处理器601通过内存6021与外部存储器6022进行数据交换，当电子设备600运行时，处理器601与存储器602之间通过总线603通信，使得处理器601在执行以下指令：

获取样本图像库，所述样本图像库包含多组样本图像，其中，每组样本图像中包括样本图像和所述样本图像对应的标记图像，所述样本图像包含不同物体之间相重叠的图像区域，所述标记图像中标记有所述样本图像中不同物体之间的参考边界区域；

利用所述样本图像库中的每一组样本图像，对图像分割模型进行训练，直至确定所述图像分割模型训练完成；其中，执行的训练过程包括：

调整所述样本图像库中样本图像的像素点的像素值，得到所述样本图像对应的第一图像；将所述第一图像输入至所述图像分割模型中，输出对所述第一图像分割后的第二图像，所述第二图像中标记有所述样本图像中不同物体之间的预测边界区域；根据所述第二图像和所述标记图像，计算所述图像分割模型训练的损失值；若所述损失值不满足预设条件，则调整所述图像分割模型的模型参数，并重新执行所述训练过程，直至所述损失值满足所述预设条件，确定所述图像分割模型训练完成。

一种可能的设计中，处理器601执行的处理中，所述调整所述样本图像库中样本图像的像素点的像素值，得到所述样本图像对应的第一图像，包括：

针对所述样本图像库中每个样本图像，执行以下处理：

识别该样本图像中每一类像素点的数量，其中，相同像素值的像素点为一类像素点；

将每一类像素点的数量除以该样本图像的像素点总个数，得到每一类像素点的分布密度；

基于每一类像素点对应的分布密度，调整该样本图像中每个像素点的像素值，得到该样本图像对应的第一图像。

一种可能的设计中，处理器601执行的处理中，所述基于每一类像素点对应的分布密度，调整该样本图像中每个像素点的像素值，包括：

针对每一类像素点的分布密度，确定小于该类像素点的分布密度的其它类像素点的分布密度，将该类像素点的分布密度与所述其它类像素点的分布密度之和，作为该类像素点的累计分布密度；

基于每一类像素点的累计分布密度和预设像素值，调整每一类像素点的像素值。

一种可能的设计中，处理器601执行的处理中，所述基于每一类像素点对应的分布密度，调整该样本图像中每个像素点的像素值，包括：

针对每一类像素点的分布密度，确定小于该类像素点的分布密度的其它类像素点的分布密度，将该类像素点的分布密度与所述其它类像素点的分布密度之和，作为该类像素点的累计分布密度；

基于每一类像素点的累计分布密度和预设像素值，调整每一类像素点的像素值。

一种可能的设计中，处理器601执行的处理中，所述根据所述第二图像和所述标记图像，计算所述图像分割模型训练的损失值，包括：

针对分别处于所述第二图像和所述标记图像中同一位置处的两个像素点，计算两个像素点的像素值之间的交叉熵损失值、以及交并比损失值；

基于计算出的交叉熵损失值以及交并比损失值，得到所述图像分割模型训练的损失值。

一种可能的设计中，处理器601执行的处理中，所述样本图像为胸片图像，其中胸片图像中包括锁骨、心影和肺野之间相重叠的图像区域，所述胸片图像对应的标记图像为标记有锁骨、心影和肺野之间参考边界区域的胸片图像。

另外，处理器601还可以执行以下指令：

获取待分割图像，其中，所述待分割图像包含不同物体之间相重叠的图像区域；

将所述待分割图像输入至通过上述实施例一所述的图像分割模型训练方法训练得到的图像分割模型，输出对所述待分割图像分割后的分割图像，其中，所述分割图像中标记有所述待分割图像中不同物体之间的预测边界区域。

实施例四

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述图像分割模型训练的方法、图像分割的方法的步骤。

具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述图像分割模型训练的方法、图像分割的方法的步骤，从而提高了对图像分割的效率。

本申请实施例所提供的图像分割模型训练的方法、图像分割的方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，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信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所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。

另外，在本申请各个实施例中的各功能单元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。

所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (9)

1.一种图像分割模型训练的方法，其特征在于，包括：

获取样本图像库，所述样本图像库包含多组样本图像，其中，每组样本图像中包括样本图像和所述样本图像对应的标记图像，所述样本图像包含不同物体之间相重叠的图像区域，所述标记图像中标记有所述样本图像中不同物体之间的参考边界区域；

利用所述样本图像库中的每一组样本图像，对图像分割模型进行训练，直至确定所述图像分割模型训练完成；其中，执行的训练过程包括：

调整所述样本图像库中样本图像的像素点的像素值，得到所述样本图像对应的第一图像；将所述第一图像输入至所述图像分割模型中，输出对所述第一图像分割后的第二图像，所述第二图像中标记有所述样本图像中不同物体之间的预测边界区域；根据所述第二图像和所述标记图像，计算所述图像分割模型训练的损失值；若所述损失值不满足预设条件，则调整所述图像分割模型的模型参数，并重新执行所述训练过程，直至所述损失值满足所述预设条件，确定所述图像分割模型训练完成。

2.根据权利要求1所述的方法，其特征在于，所述调整所述样本图像库中样本图像的像素点的像素值，得到所述样本图像对应的第一图像，包括：

针对所述样本图像库中每个样本图像，执行以下处理：

识别该样本图像中每一类像素点的数量，其中，相同像素值的像素点为一类像素点；

将每一类像素点的数量除以该样本图像的像素点总个数，得到每一类像素点的分布密度；

针对每一类像素点的分布密度，确定小于该类像素点的分布密度的其它类像素点的分布密度，将该类像素点的分布密度与所述其它类像素点的分布密度之和，作为该类像素点的累计分布密度；

基于每一类像素点的累计分布密度和预设像素值，调整每一类像素点的像素值。

3.根据权利要求1所述的方法，其特征在于，所述根据所述第二图像和所述标记图像，计算所述图像分割模型训练的损失值，包括：

针对分别处于所述第二图像和所述标记图像中同一位置处的两个像素点，计算两个像素点的像素值之间的交叉熵损失值、以及交并比损失值；

基于计算出的交叉熵损失值以及交并比损失值，得到所述图像分割模型训练的损失值。

4.根据权利要求1至3任一所述的方法，其特征在于，所述样本图像为胸片图像，其中胸片图像中包括锁骨、心影和肺野之间相重叠的图像区域，所述胸片图像对应的标记图像为标记有锁骨、心影和肺野之间参考边界区域的胸片图像。

5.一种图像分割的方法，其特征在于，包括：

获取待分割图像，其中，所述待分割图像包含不同物体之间相重叠的图像区域；

将所述待分割图像输入至通过上述权利要求1-4任一所述的图像分割模型训练的方法训练得到的图像分割模型，输出对所述待分割图像分割后的分割图像，其中，所述分割图像中标记有所述待分割图像中不同物体之间的预测边界区域。

6.一种图像分割模型训练的装置，其特征在于，包括：

获取模块，用于获取样本图像库，所述样本图像库包含多组样本图像，其中，每组样本图像中包括样本图像和所述样本图像对应的标记图像，所述样本图像包含不同物体之间相重叠的图像区域，所述标记图像中标记有所述样本图像中不同物体之间的参考边界区域；

模型训练模块，用于利用所述样本图像库中的每一组样本图像，对图像分割模型进行训练，直至确定所述图像分割模型训练完成；其中，执行的训练过程包括：

调整所述样本图像库中样本图像的像素点的像素值，得到所述样本图像对应的第一图像；将所述第一图像输入至所述图像分割模型中，输出对所述第一图像分割后的第二图像，所述第二图像中标记有所述样本图像中不同物体之间的预测边界区域；根据所述第二图像和所述标记图像，计算所述图像分割模型训练的损失值；若所述损失值不满足预设条件，则调整所述图像分割模型的模型参数，并重新执行所述训练过程，直至所述损失值满足所述预设条件，确定所述图像分割模型训练完成。

7.一种图像分割的装置，其特征在于，包括：

获取模块，用于获取待分割图像，其中，所述待分割图像包含不同物体之间相重叠的图像区域；

分割模块，用于将所述待分割图像输入至通过上述权利要求6所述的图像分割模型训练的装置训练得到的图像分割模型，输出对所述待分割图像分割后的分割图像，其中，所述分割图像中标记有所述待分割图像中不同物体之间的预测边界区域。

8.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至4任一所述的图像分割模型训练的方法的步骤，或者，执行如权利要求5所述的图像分割的方法的步骤。

9.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至4任一所述的图像分割模型训练的方法的步骤，或者，执行如权利要求5所述的图像分割的方法的步骤。

Images