CN111402264A - 图像区域分割方法、装置及其模型训练方法及计算机设备 - Google Patents
图像区域分割方法、装置及其模型训练方法及计算机设备 Download PDFInfo
- Publication number
- CN111402264A CN111402264A CN202010168560.3A CN202010168560A CN111402264A CN 111402264 A CN111402264 A CN 111402264A CN 202010168560 A CN202010168560 A CN 202010168560A CN 111402264 A CN111402264 A CN 111402264A
- Authority
- CN
- China
- Prior art keywords
- image
- contour
- feature
- region segmentation
- image region
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 230000011218 segmentation Effects 0.000 title claims abstract description 83
- 238000012549 training Methods 0.000 title claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000003708 edge detection Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims 1
- 238000003709 image segmentation Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种图像区域分割方法、装置及其模型训练方法及计算机设备，涉及图像处理技术领域，解决了图像区域分割结果的分割区域精度较低的技术问题。该方法包括：获取原始图像；利用深度可分离卷积和门控卷积神经网络对所述原始图像的区域轮廓进行特征提取，得到第一轮廓特征图像和语义特征图像；通过多级边缘检测算法对所述原始图像的区域轮廓进行特征提取，得到第二轮廓特征图像；将所述第一轮廓特征图像与所述第二轮廓特征图像进行特征融合，得到第三轮廓特征图像；基于所述第三轮廓特征图像和所述语义特征图像进行像素分类，得到图像区域分割结果。
Description
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区域分割方法、装置及其模型训练方法及计算机设备。
背景技术
图像区域分割是一种图像处理技术，图像区域分割的目的是从图像中划分出某个物体的区域，即找出那些对应于物体或物体表面的像元集合，它们表现为二维的团块状，这是区域基本形状特点之一。
目前，关于图像分割的过程，直接在图像中划分出不同类别的区域，以实现图像分割。但是，如果在图像中出现手指、纸张等遮挡目标物体的情况，对该目标物体的图像分割过程很容易受到影响，使得到的图像区域分割结果的分割区域精度较低。
发明内容
本发明的目的在于提供一种图像区域分割方法、装置及其模型训练方法及计算机设备，以解决图像区域分割结果的分割区域精度较低的技术问题。
第一方面，本申请实施例提供了一种图像区域分割方法，所述方法包括：
获取原始图像；
利用深度可分离卷积和门控卷积神经网络对所述原始图像的区域轮廓进行特征提取，得到第一轮廓特征图像和语义特征图像；
通过多级边缘检测算法对所述原始图像的区域轮廓进行特征提取，得到第二轮廓特征图像；
将所述第一轮廓特征图像与所述第二轮廓特征图像进行特征融合，得到第三轮廓特征图像；
基于所述第三轮廓特征图像和所述语义特征图像进行像素分类，得到图像区域分割结果。
在一个可能的实现中，基于所述第三轮廓特征图像和所述语义特征图像进行像素分类，得到图像区域分割结果的步骤，包括：
利用基于空洞卷积的空间金字塔池化(Atrous Spatial Pyramid Pooling，ASPP)提取所述第三轮廓特征图像和所述语义特征图像中不同尺度的特征；
基于所述不同尺度的特征进行像素分类，得到图像区域分割结果。
在一个可能的实现中，所述多级边缘检测算法包括下述至少一种图像处理算法：
灰度化、高斯滤波、直方图均衡化、Canny边缘检测算子。
第二方面，提供了一种图像区域分割模型的训练方法，所述图像区域分割模型用于执行上述第一方面所述的图像区域分割方法；所述训练方法包括：
获取带标注数据的图像样本，其中，所述标注数据包括所述图像样本的分割区域轮廓信息；
利用所述带标注数据的图像样本，对初始卷积神经网络模型进行训练，得到多分支的门控卷积神经网络模型；
将所述多分支的门控卷积神经网络模型确定为所述图像区域分割模型。
在一个可能的实现中，所述多分支包括语义特征分支和轮廓特征分支。
在一个可能的实现中，在所述初始卷积神经网络模型的训练过程中，利用所述标注数据中的所述分割区域轮廓信息和轮廓内的语义特征信息进行深度学习的损失计算和模型优化。
在一个可能的实现中，所图像样本的图像内容包括下述任意一项或多项：
机动车登记证、行驶证、身份证。
第三方面，提供了一种图像区域分割装置，包括：
获取模块，用于获取原始图像；
第一提取模块，用于利用深度可分离卷积和门控卷积神经网络对所述原始图像的区域轮廓进行特征提取，得到第一轮廓特征图像和语义特征图像；
第三提取模块，用于通过多级边缘检测算法对所述原始图像的区域轮廓进行特征提取，得到第二轮廓特征图像；
融合模块，用于将所述第一轮廓特征图像与所述第二轮廓特征图像进行特征融合，得到第三轮廓特征图像；
分类模块，用于基于所述第三轮廓特征图像和所述语义特征图像进行像素分类，得到图像区域分割结果。
第四方面，本申请实施例又提供了一种计算机设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的第一方面或第二方面所述方法。
第五方面，本申请实施例又提供了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机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述的第一方面或第二方面所述方法。
本申请实施例带来了以下有益效果：
本申请实施例提供的一种图像区域分割方法、装置及其模型训练方法及计算机设备，能够获取原始图像，然后，利用深度可分离卷积和门控卷积神经网络对所述原始图像的区域轮廓进行特征提取从而得到第一轮廓特征图像和语义特征图像，通过多级边缘检测算法对所述原始图像的区域轮廓进行特征提取从而得到第二轮廓特征图像，之后将所述第一轮廓特征图像与所述第二轮廓特征图像进行特征融合从而得到第三轮廓特征图像，最后，基于所述第三轮廓特征图像和语义特征图像进行像素分类从而得到图像区域分割结果，本方案中，通过分别采用门控卷积神经网络和多级边缘检测算法得到的两种轮廓特征作为分支并将其进行融合，增强了对图像区域轮廓的分割能力，能够有效抵抗图像中部分面积的遮挡干扰，提高图像区域分割结果的分割区域精度。
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为本申请实施例提供的图像区域分割方法的流程图示意图；
图2为本申请实施例提供的图像区域分割方法的另一流程图示意图；
图3为本申请实施例提供的图像区域分割模型的训练方法的流程图示意图；
图4为本申请实施例提供的图像区域分割方法的另一流程图示意图；
图5为本申请实施例提供的对比试验结果示意图；
图6为本申请实施例提供的图像区域分割装置的结构示意图；
图7为示出了本申请实施例所提供的一种计算机设备的结构示意图。
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。
本申请实施例中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
目前，关于图像分割的过程，是收集某一应用场景下的图像并进行人工标注，在图像中划分出不同类别的区域，使用图像和标注数据训练一个神经网络模型，在应用时，对模型输入新的图像，自动地获得图像区域分割的结果。
但是，深度神经网络模型容易受到干扰，在图像中出现手指、纸张等物体遮挡时不能得到理想的图像区域分割结果，而且，人工标注的成本高，标注数据包含大量信息但是没有被充分利用。
基于此，本申请实施例提供了一种图像区域分割方法、装置及其模型训练方法及计算机设备。通过该方法可以解决图像区域分割结果的分割区域精度较低的技术问题。
下面结合附图对本发明实施例进行进一步地介绍。
图1为本申请实施例提供的一种图像区域分割方法的流程示意图。如图1所示，该方法包括：
步骤S110，获取原始图像。
其中，原始图像可以为机动车登记证、行驶证、身份证等内容的图像。
步骤S120，利用深度可分离卷积和门控卷积神经网络对原始图像的区域轮廓进行特征提取，得到第一轮廓特征图像和语义特征图像。
本步骤中，可以采用门控卷积神经网络结构，该结构采用特征提取模块中的各层特征作为输入，得到轮廓初步特征图。而采用深度可分离卷积作为卷积结构，在满足性能的同时也极大减少了计算量、提升了模型性能。
步骤S130，通过多级边缘检测算法对原始图像的区域轮廓进行特征提取，得到第二轮廓特征图像。
本步骤中，可以对输入图像使用多级边缘检测算法计算得到粗糙轮廓特征图。
步骤S140，将第一轮廓特征图像与第二轮廓特征图像进行特征融合，得到第三轮廓特征图像。
如图2所示，上述两个用轮廓特征图可以经过一个轮廓特征融合模块进行特征融合。
步骤S150，基于第三轮廓特征图像和语义特征图像进行像素分类，得到图像区域分割结果。
如图2所示，可以通过像素分类模块进行像素分类。
本申请实施例中，图像区域分割方法可以作为一种基于多分支门控卷积神经网络的图像语义分割方法，采用多分支网络结构，能够融合高分辨率特征和低分辨率特征，捕获图像中的全局宏观信息与微观局部信息。通过采用轮廓特征作为分支，并与传统特征进行融合，增强了对图像区域轮廓的分割能力，能够有效抵抗图像小面积遮挡干扰，提高图像区域分割结果的分割区域精度。
下面对上述步骤进行详细介绍。
在一些实施例中，上述步骤S150可以包括如下步骤：
利用ASPP提取第三轮廓特征图像和语义特征图像中不同尺度的特征；
基于不同尺度的特征进行像素分类，得到图像区域分割结果。
示例性的，如图2所示，模型中的特征提取模块和轮廓融合模块之后，使用基于空洞卷积的空间金字塔池化(Atrous Spatial Pyramid Pooling，ASPP)模块进行特征融合，该模块包含的多尺寸的空洞卷积拥有不同的感受野，可以提取到语义特征图像和轮廓特征图中不同尺度的特征。
在一些实施例中，多级边缘检测算法包括下述至少一种图像处理算法：灰度化、高斯滤波、直方图均衡化、Canny边缘检测算子。
例如，多级边缘检测算法是包括了灰度化、高斯滤波、直方图均衡化、Canny边缘检测算子等在内的一系列图像处理算法。
在实际应用中，可以先对图像进行灰度化、高斯滤波、直方图均衡化等预处理，然后使用Canny算子提取轮廓特征，并与深度学习得到的轮廓特征进行融合，如图2所示，对输入图像使用Canny算子计算得到粗糙轮廓特征图，通过Canny算子可以使计算结果更加精确。
图3为本申请实施例提供的一种图像区域分割模型的训练方法的流程示意图。其中，图像区域分割模型用于执行上述的图像区域分割方法。如图3所示，该训练方法包括：
步骤S310，获取带标注数据的图像样本。
其中，标注数据包括图像样本的分割区域轮廓信息。通过充分利用标注数据中的轮廓信息和轮廓内的语义特征信息，在人力成本不变的基础上提升了模型性能，并且具有较快的计算速度。
步骤S320，利用带标注数据的图像样本，对初始卷积神经网络模型进行训练，得到多分支的门控卷积神经网络模型。
示例性的，如图4所示，使用与处理后的数据对模型进行训练，得到多分支的门控卷积神经网络模型的网络参数。
步骤S330，将多分支的门控卷积神经网络模型确定为图像区域分割模型。
通过本申请实施例提供的一种图像区域分割模型的训练方法，可以使用多分支门控卷积神经网络进行图像区域分割，在图像中分离出有价值的区域。
下面对上述步骤进行详细介绍。
在一些实施例中，多分支包括语义特征分支和轮廓特征分支。
例如，将图像的语义特征与轮廓特征分别作为深度神经网络分支进行学习，单独对轮廓分支进行学习和优化，多种特征最终融合产生结果更加精确的图像分割区域。
在一些实施例中，在初始卷积神经网络模型的训练过程中，利用标注数据中的分割区域轮廓信息和轮廓内的语义特征信息进行深度学习的损失计算和模型优化。
除了人为选定的区域内容，每个区域的轮廓也可以作为图像分割的依据。例如，两个用轮廓特征图经过一个轮廓特征融合模块进行特征融合，以学习标注数据中的分割区域轮廓信息，该部分使用标注数据中提取的轮廓信息进行深度学习的损失计算和优化。
通过充分利用标注数据中的轮廓信息，在人力成本不变的基础上提升了模型性能，并且具有较快的计算速度。
在一些实施例中，所图像样本的图像内容包括下述任意一项或多项：
机动车登记证、行驶证、身份证。
可以基于用户产生的数据，构建针对机动车登记证、行驶证、身份证等细分领域的图像分割数据库，以针对机动车登记证、行驶证、身份证进行更加精确的图像区域分割。
本申请实施例提供的图像区域分割模型的训练方法，与上述实施例提供的图像区域分割方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
本申请实施例中，经过验证，在身份证数据集上，本申请实施例提供的方法相较于不使用门控卷积的深度学习方法，区域分割结果提升了20％的精度。如图5所示，从左到右分别为不使用门控卷积的深度学习方法、本申请实施例提供的方法以及人工标注的图像分割区域，可以看出本申请实施例提供的方法能够更准确地进行图像分割。
图6提供了一种图像区域分割装置的结构示意图。如图6所示，图像区域分割装置600包括：
获取模块601，用于获取原始图像；
第一提取模块602，用于利用深度可分离卷积和门控卷积神经网络对原始图像的区域轮廓进行特征提取，得到第一轮廓特征图像和语义特征图像；
第二提取模块603，用于通过多级边缘检测算法对原始图像的区域轮廓进行特征提取，得到第二轮廓特征图像；
融合模块604，用于将第一轮廓特征图像与第二轮廓特征图像进行特征融合，得到第三轮廓特征图像；
分类模块605，用于基于第三轮廓特征图像和语义特征图像进行像素分类，得到图像区域分割结果。
在一些实施例中，分类模块605具体用于：
利用ASPP提取第三轮廓特征图像和语义特征图像中不同尺度的特征；
基于不同尺度的特征进行像素分类，得到图像区域分割结果。
在一些实施例中，多级边缘检测算法包括下述至少一种图像处理算法：
灰度化、高斯滤波、直方图均衡化、Canny边缘检测算子。
本申请实施例提供的图像区域分割装置，与上述实施例提供的图像区域分割方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
如图7所示，本申请实施例提供的一种计算机设备700，包括：处理器701、存储器702和总线，所述存储器702存储有所述处理器701可执行的机器可读指令，当计算机设备运行时，所述处理器701与所述存储器702之间通过总线通信，所述处理器701执行所述机器可读指令，以执行如上述图像区域分割方法的步骤。
具体地，上述存储器702和处理器701能够为通用的存储器和处理器，这里不做具体限定，当处理器701运行存储器702存储的计算机程序时，能够执行上述图像区域分割方法。
其中，处理器701可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器701中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器701可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器702，处理器701读取存储器702中的信息，结合其硬件完成上述方法的步骤。
对应于上述图像区域分割方法及其模型训练方法，本申请实施例还提供了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机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述图像区域分割方法及其模型训练方法的步骤。
本申请实施例所提供的图像区域分割可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。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，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，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，在本申请提供的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图像区域分割方法及其模型训练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-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也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，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
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以权利要求的保护范围为准。
Claims (10)
1.一种图像区域分割方法，其特征在于，所述方法包括：
获取原始图像；
利用深度可分离卷积和门控卷积神经网络对所述原始图像的区域轮廓进行特征提取，得到第一轮廓特征图像和语义特征图像；
通过多级边缘检测算法对所述原始图像的区域轮廓进行特征提取，得到第二轮廓特征图像；
将所述第一轮廓特征图像与所述第二轮廓特征图像进行特征融合，得到第三轮廓特征图像；
基于所述第三轮廓特征图像和所述语义特征图像进行像素分类，得到图像区域分割结果。
2.根据权利要求1所述的方法，其特征在于，基于所述第三轮廓特征图像和所述语义特征图像进行像素分类，得到图像区域分割结果的步骤，包括：
利用ASPP提取所述第三轮廓特征图像和所述语义特征图像中不同尺度的特征；
基于所述不同尺度的特征进行像素分类，得到图像区域分割结果。
3.根据权利要求1所述的方法，其特征在于，所述多级边缘检测算法包括下述至少一种图像处理算法：
灰度化、高斯滤波、直方图均衡化、Canny边缘检测算子。
4.一种图像区域分割模型的训练方法，其特征在于，所述图像区域分割模型用于执行如权利要求1-3任一项所述的图像区域分割方法；所述训练方法包括：
获取带标注数据的图像样本，其中，所述标注数据包括所述图像样本的分割区域轮廓信息；
利用所述带标注数据的图像样本，对初始卷积神经网络模型进行训练，得到多分支的门控卷积神经网络模型；
将所述多分支的门控卷积神经网络模型确定为所述图像区域分割模型。
5.根据权利要求4所述的训练方法，其特征在于，所述多分支包括语义特征分支和轮廓特征分支。
6.根据权利要求4所述的训练方法，其特征在于，在所述初始卷积神经网络模型的训练过程中，利用所述标注数据中的所述分割区域轮廓信息和轮廓内的语义特征信息进行深度学习的损失计算和模型优化。
7.根据权利要求4所述的训练方法，其特征在于，所图像样本的图像内容包括下述任意一项或多项：
机动车登记证、行驶证、身份证。
8.一种图像区域分割装置，其特征在于，包括：
获取模块，用于获取原始图像；
第一提取模块，用于利用深度可分离卷积和门控卷积神经网络对所述原始图像的区域轮廓进行特征提取，得到第一轮廓特征图像和语义特征图像；
第二提取模块，用于通过多级边缘检测算法对所述原始图像的区域轮廓进行特征提取，得到第二轮廓特征图像；
融合模块，用于将所述第一轮廓特征图像与所述第二轮廓特征图像进行特征融合，得到第三轮廓特征图像；
分类模块，用于基于所述第三轮廓特征图像和所述语义特征图像进行像素分类，得到图像区域分割结果。
9.一种计算机设备，包括存储器、处理器，所述存储器中存储有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上述权利要求1至7任一项所述的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行所述权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010168560.3A CN111402264B (zh) | 2020-03-11 | 2020-03-11 | 图像区域分割方法、装置及其模型训练方法及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010168560.3A CN111402264B (zh) | 2020-03-11 | 2020-03-11 | 图像区域分割方法、装置及其模型训练方法及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111402264A true CN111402264A (zh) | 2020-07-10 |
| CN111402264B CN111402264B (zh) | 2024-05-24 |
Family
ID=71430667
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010168560.3A Active CN111402264B (zh) | 2020-03-11 | 2020-03-11 | 图像区域分割方法、装置及其模型训练方法及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111402264B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111860351A (zh) * | 2020-07-23 | 2020-10-30 | 中国石油大学(华东) | 一种基于行列自注意力全卷积神经网络的遥感图像鱼塘提取方法 |
| CN111967467A (zh) * | 2020-07-24 | 2020-11-20 | 北京航空航天大学 | 图像目标检测方法、装置、电子设备和计算机可读介质 |
| CN112036395A (zh) * | 2020-09-04 | 2020-12-04 | 联想(北京)有限公司 | 基于目标检测的文本分类识别方法及装置 |
| CN112614117A (zh) * | 2020-12-28 | 2021-04-06 | 广州绿怡信息科技有限公司 | 设备区域提取模型训练方法、设备区域提取方法及装置 |
| CN112884764A (zh) * | 2021-03-24 | 2021-06-01 | 深圳前海微众银行股份有限公司 | 提取图像中地块的方法、装置、电子设备及存储介质 |
| CN112950652A (zh) * | 2021-02-08 | 2021-06-11 | 深圳市优必选科技股份有限公司 | 机器人及其手部图像分割方法和装置 |
| CN113140291A (zh) * | 2020-12-17 | 2021-07-20 | 慧影医疗科技（北京）有限公司 | 图像分割方法、装置、模型训练方法及电子设备 |
| CN113256499A (zh) * | 2021-07-01 | 2021-08-13 | 北京世纪好未来教育科技有限公司 | 一种图像拼接方法及装置、系统 |
| CN113506310A (zh) * | 2021-07-16 | 2021-10-15 | 首都医科大学附属北京天坛医院 | 医学图像的处理方法、装置、电子设备和存储介质 |
| CN113674300A (zh) * | 2021-08-24 | 2021-11-19 | 苏州天准软件有限公司 | 用于cnc自动测量的模型训练方法、测量方法及系统、设备、介质 |
| CN113822901A (zh) * | 2021-07-21 | 2021-12-21 | 南京旭锐软件科技有限公司 | 图像分割方法、装置、存储介质及电子设备 |
| CN113888567A (zh) * | 2021-10-21 | 2022-01-04 | 中国科学院上海微系统与信息技术研究所 | 一种图像分割模型的训练方法、图像分割方法及装置 |
| CN114419081A (zh) * | 2022-03-28 | 2022-04-29 | 南昌工程学院 | 一种图像语义分割方法、系统及可读存储介质 |
| CN114638818A (zh) * | 2022-03-29 | 2022-06-17 | 广东利元亨智能装备股份有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN114882098A (zh) * | 2021-09-26 | 2022-08-09 | 上海交通大学医学院附属第九人民医院 | 生物体的特定区域的面积测量方法、系统和可读存储介质 |
| CN115222755A (zh) * | 2022-09-15 | 2022-10-21 | 湖南中聚内窥镜有限公司 | 一种基于医疗成像设备的医疗图像目标分割方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101699511A (zh) * | 2009-10-30 | 2010-04-28 | 深圳创维数字技术股份有限公司 | 彩色图像分割方法及系统 |
| US20170270664A1 (en) * | 2016-03-21 | 2017-09-21 | The Board Of Trustees Of The Leland Stanford Junior University | Methods for characterizing features of interest in digital images and systems for practicing same |
| CN109325534A (zh) * | 2018-09-22 | 2019-02-12 | 天津大学 | 一种基于双向多尺度金字塔的语义分割方法 |
| CN109886271A (zh) * | 2019-01-22 | 2019-06-14 | 浙江大学 | 融合深度学习网络和改进边缘检测的图像精确分割方法 |
| CN110738637A (zh) * | 2019-09-19 | 2020-01-31 | 华中科技大学 | 一种乳腺癌病理切片的自动分类方法及系统 |
-
2020
- 2020-03-11 CN CN202010168560.3A patent/CN111402264B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101699511A (zh) * | 2009-10-30 | 2010-04-28 | 深圳创维数字技术股份有限公司 | 彩色图像分割方法及系统 |
| US20170270664A1 (en) * | 2016-03-21 | 2017-09-21 | The Board Of Trustees Of The Leland Stanford Junior University | Methods for characterizing features of interest in digital images and systems for practicing same |
| CN109325534A (zh) * | 2018-09-22 | 2019-02-12 | 天津大学 | 一种基于双向多尺度金字塔的语义分割方法 |
| CN109886271A (zh) * | 2019-01-22 | 2019-06-14 | 浙江大学 | 融合深度学习网络和改进边缘检测的图像精确分割方法 |
| CN110738637A (zh) * | 2019-09-19 | 2020-01-31 | 华中科技大学 | 一种乳腺癌病理切片的自动分类方法及系统 |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111860351A (zh) * | 2020-07-23 | 2020-10-30 | 中国石油大学(华东) | 一种基于行列自注意力全卷积神经网络的遥感图像鱼塘提取方法 |
| CN111967467A (zh) * | 2020-07-24 | 2020-11-20 | 北京航空航天大学 | 图像目标检测方法、装置、电子设备和计算机可读介质 |
| CN111967467B (zh) * | 2020-07-24 | 2022-10-04 | 北京航空航天大学 | 图像目标检测方法、装置、电子设备和计算机可读介质 |
| CN112036395A (zh) * | 2020-09-04 | 2020-12-04 | 联想(北京)有限公司 | 基于目标检测的文本分类识别方法及装置 |
| CN112036395B (zh) * | 2020-09-04 | 2024-05-28 | 联想(北京)有限公司 | 基于目标检测的文本分类识别方法及装置 |
| CN113140291B (zh) * | 2020-12-17 | 2022-05-10 | 慧影医疗科技(北京)股份有限公司 | 图像分割方法、装置、模型训练方法及电子设备 |
| CN113140291A (zh) * | 2020-12-17 | 2021-07-20 | 慧影医疗科技（北京）有限公司 | 图像分割方法、装置、模型训练方法及电子设备 |
| CN112614117A (zh) * | 2020-12-28 | 2021-04-06 | 广州绿怡信息科技有限公司 | 设备区域提取模型训练方法、设备区域提取方法及装置 |
| CN112950652A (zh) * | 2021-02-08 | 2021-06-11 | 深圳市优必选科技股份有限公司 | 机器人及其手部图像分割方法和装置 |
| CN112950652B (zh) * | 2021-02-08 | 2024-01-19 | 深圳市优必选科技股份有限公司 | 机器人及其手部图像分割方法和装置 |
| CN112884764A (zh) * | 2021-03-24 | 2021-06-01 | 深圳前海微众银行股份有限公司 | 提取图像中地块的方法、装置、电子设备及存储介质 |
| CN113256499A (zh) * | 2021-07-01 | 2021-08-13 | 北京世纪好未来教育科技有限公司 | 一种图像拼接方法及装置、系统 |
| CN113256499B (zh) * | 2021-07-01 | 2021-10-08 | 北京世纪好未来教育科技有限公司 | 一种图像拼接方法及装置、系统 |
| CN113506310A (zh) * | 2021-07-16 | 2021-10-15 | 首都医科大学附属北京天坛医院 | 医学图像的处理方法、装置、电子设备和存储介质 |
| CN113822901B (zh) * | 2021-07-21 | 2023-12-12 | 南京旭锐软件科技有限公司 | 图像分割方法、装置、存储介质及电子设备 |
| CN113822901A (zh) * | 2021-07-21 | 2021-12-21 | 南京旭锐软件科技有限公司 | 图像分割方法、装置、存储介质及电子设备 |
| CN113674300B (zh) * | 2021-08-24 | 2022-10-28 | 苏州天准软件有限公司 | 用于cnc自动测量的模型训练方法、测量方法及系统、设备、介质 |
| CN113674300A (zh) * | 2021-08-24 | 2021-11-19 | 苏州天准软件有限公司 | 用于cnc自动测量的模型训练方法、测量方法及系统、设备、介质 |
| CN114882098A (zh) * | 2021-09-26 | 2022-08-09 | 上海交通大学医学院附属第九人民医院 | 生物体的特定区域的面积测量方法、系统和可读存储介质 |
| CN114882098B (zh) * | 2021-09-26 | 2023-04-07 | 上海交通大学医学院附属第九人民医院 | 生物体的特定区域的面积测量方法、系统和可读存储介质 |
| CN113888567A (zh) * | 2021-10-21 | 2022-01-04 | 中国科学院上海微系统与信息技术研究所 | 一种图像分割模型的训练方法、图像分割方法及装置 |
| CN113888567B (zh) * | 2021-10-21 | 2024-05-14 | 中国科学院上海微系统与信息技术研究所 | 一种图像分割模型的训练方法、图像分割方法及装置 |
| CN114419081B (zh) * | 2022-03-28 | 2022-06-21 | 南昌工程学院 | 一种图像语义分割方法、系统及可读存储介质 |
| CN114419081A (zh) * | 2022-03-28 | 2022-04-29 | 南昌工程学院 | 一种图像语义分割方法、系统及可读存储介质 |
| CN114638818B (zh) * | 2022-03-29 | 2023-11-03 | 广东利元亨智能装备股份有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN114638818A (zh) * | 2022-03-29 | 2022-06-17 | 广东利元亨智能装备股份有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN115222755A (zh) * | 2022-09-15 | 2022-10-21 | 湖南中聚内窥镜有限公司 | 一种基于医疗成像设备的医疗图像目标分割方法及装置 |
| CN115222755B (zh) * | 2022-09-15 | 2023-01-06 | 湖南中聚内窥镜有限公司 | 一种基于医疗成像设备的医疗图像目标分割方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111402264B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111402264B (zh) | 图像区域分割方法、装置及其模型训练方法及计算机设备 | |
| Wu et al. | Lane-mark extraction for automobiles under complex conditions | |
| CN106683119B (zh) | 基于航拍视频图像的运动车辆检测方法 | |
| CN107944450B (zh) | 一种车牌识别方法及装置 | |
| CN109977997B (zh) | 基于卷积神经网络快速鲁棒的图像目标检测与分割方法 | |
| CN112528878A (zh) | 检测车道线的方法、装置、终端设备及可读存储介质 | |
| CN107992819B (zh) | 一种车辆属性结构化特征的确定方法与装置 | |
| CN105989334B (zh) | 基于单目视觉的道路检测方法 | |
| CN108197644A (zh) | 一种图像识别方法和装置 | |
| CN111382658B (zh) | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 | |
| CN115100450B (zh) | 基于人工智能的智慧交通品牌汽车大数据检测方法及系统 | |
| CN116168017B (zh) | 一种基于深度学习的pcb元件检测方法、系统及存储介质 | |
| CN110570442A (zh) | 一种复杂背景下轮廓检测方法、终端设备及存储介质 | |
| Meher et al. | Efficient method of moving shadow detection and vehicle classification | |
| CN111507337A (zh) | 基于混合神经网络的车牌识别方法 | |
| CN112149713B (zh) | 基于绝缘子图像检测模型检测绝缘子图像的方法及装置 | |
| CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN111507226A (zh) | 道路图像识别模型建模方法、图像识别方法及电子设备 | |
| CN106778777B (zh) | 一种车辆匹配方法及系统 | |
| Bulugu | Algorithm for license plate localization and recognition for tanzania car plate numbers | |
| CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
| CN112767412B (zh) | 车辆部件级分割方法、装置以及电子设备 | |
| CN112837384A (zh) | 车辆标记方法、装置和电子设备 | |
| CN113034492A (zh) | 一种印刷质量缺陷检测方法、存储介质 | |
| Chaturvedi et al. | Automatic license plate recognition system using surf features and rbf neural network |
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 |