CN111445493B - 图像处理方法及装置、电子设备和存储介质 - Google Patents

图像处理方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111445493B
CN111445493B CN202010231750.5A CN202010231750A CN111445493B CN 111445493 B CN111445493 B CN 111445493B CN 202010231750 A CN202010231750 A CN 202010231750A CN 111445493 B CN111445493 B CN 111445493B
Authority
CN
China
Prior art keywords
edge
feature map
feature
processing
map
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
Application number
CN202010231750.5A
Other languages
English (en)
Other versions
CN111445493A (zh
Inventor
谢恩泽
罗平
王文佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime Technology Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to CN202010231750.5A priority Critical patent/CN111445493B/zh
Publication of CN111445493A publication Critical patent/CN111445493A/zh
Application granted granted Critical
Publication of CN111445493B publication Critical patent/CN111445493B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种图像处理方法及装置、电子设备和存储介质，所述方法包括：对待处理图像进行特征提取处理，获得第一特征图；根据第一特征图，对待处理图像中的目标对象进行边缘预测处理，获得目标对象的边缘预测结果；根据边缘预测结果以及第一特征图，对待处理图像中的目标对象进行分割处理，获得目标对象的分割结果。根据本公开的实施例的图像处理方法，可对待处理图像中的目标对象进行边缘预测处理，以检测到目标对象的边缘，并利用目标对象的边缘来增强目标对象的分割轮廓，可提升分割目标的准确率。

Description

图像处理方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
在图像处理中，对图像中的目标对象的识别和分割具有重要作用。然而，在目标对象是透明物体或半透明物体的情况下，目标对象的透光度较高，可透过目标对象观察到背景，则目标对象的外观纹理与背景相似，因此，难以观察和识别目标对象。
发明内容
本公开提出了一种图像处理方法及装置、电子设备和存储介质。
根据本公开的一方面，提供了一种图像处理方法，包括：对待处理图像进行特征提取处理，获得第一特征图；根据所述第一特征图，对所述待处理图像中的目标对象进行边缘预测处理，获得所述目标对象的边缘预测结果，其中，所述边缘预测结果用于表示所述目标对象的边缘；根据所述边缘预测结果以及所述第一特征图，对所述待处理图像中的目标对象进行分割处理，获得所述目标对象的分割结果。
根据本公开的实施例的图像处理方法，可对待处理图像中的目标对象进行边缘预测处理，以检测到目标对象的边缘，并利用目标对象的边缘来增强目标对象的分割轮廓，可提升分割目标的准确率。
在一种可能的实现方式中，对待处理图像进行特征提取处理，获得第一特征图，包括：通过N个特征提取层级对待处理图像进行特征提取处理，获得分别与所述N个特征提取层级对应的第一特征图，其中，N为大于1的整数。
在一种可能的实现方式中，根据所述第一特征图，对所述待处理图像中的目标对象进行边缘预测处理，获得所述目标对象的边缘预测结果，包括：对第N个层级的第一特征图进行边缘特征提取，获得边缘特征图；对所述边缘特征图以及所述N个层级中至少一个层级的第一特征图进行解码处理，获得边缘预测结果。
通过这种方式，可通过对边缘特征图以及至少一个层级的第一特征图进行解码处理，以通过融合具有低维信息的第一特征图来增强边缘特征图中的边缘特征，提升边缘预测的准确率。
在一种可能的实现方式中，对所述边缘特征图以及所述N个层级中至少一个层级的第一特征图进行解码处理，获得边缘预测结果，包括：对所述边缘特征图进行升维处理，获得第一升维特征图；将所述第一升维特征图与所述第一特征图进行拼接处理，获得第一拼接特征图；对所述第一拼接特征图进行卷积处理，获得所述边缘预测结果。
在一种可能的实现方式中，根据所述边缘预测结果以及所述第一特征图，对所述待处理图像中的目标对象进行分割处理，获得所述目标对象的分割结果，包括：对所述第一特征图进行分割特征提取，获得分割特征图；根据所述边缘预测结果和所述分割特征图，获得边缘增强特征图；对所述边缘增强特征图进行解码处理，获得所述分割结果。
通过这种方式，可通过边缘预测结果对分割特征图进行边缘增强处理，以增强边缘位置处的像素点，并将注意力机制集中于边缘所在位置，提升分割结果的准确度。
在一种可能的实现方式中，所述第一特征图包括通过N个特征提取层级进行特征提取处理得到的N个第一特征图；所述边缘增强特征图包括与分割特征图对应的第一边缘增强特征图，以及与N个层级中的至少一个特征提取层级的第一特征图对应的第二边缘增强特征图，其中，根据所述边缘预测结果和所述分割特征图，获得边缘增强特征图，包括：通过所述边缘预测结果对所述分割特征图进行第一边缘增强处理，获得第一边缘增强特征图；通过所述边缘预测结果对N个层级中的至少一个特征提取层级的第一特征图分别进行第二边缘增强处理，获得与所述至少一个特征提取层级的第一特征图分别对应的第二边缘增强特征图。
在一种可能的实现方式中，所述边缘预测结果包括边缘预测图，其中，通过所述边缘预测结果对所述分割特征图进行第一边缘增强处理，获得第一边缘增强特征图，包括：对所述边缘预测图和所述分割特征图中的对应像素点的像素值相乘，获得第二特征图；对所述第二特征图和所述边缘预测图进行拼接处理，获得第三特征图；对所述第三特征图进行边缘增强处理，获得所述第一边缘增强特征图。
在一种可能的实现方式中，对所述第三特征图进行边缘增强处理，获得所述第一边缘增强特征图，包括：将所述第三特征图进行深度卷积处理，获得深度卷积结果；将所述深度卷积结果进行特征提取处理，获得特征提取结果；将所述特征提取结果与所述深度卷积结果的对应像素点进行相乘处理，获得所述第一边缘增强特征图。
在一种可能的实现方式中，所述边缘预测结果包括边缘预测图，其中，通过所述边缘预测结果对N个特征提取层级中的至少一个特征提取层级的第一特征图分别进行第二边缘增强处理，获得与所述至少一个特征提取层级的第一特征图分别对应的第二边缘增强特征图，包括：对所述边缘预测图和第i个特征提取层级第一特征图中的对应像素点的像素值相乘，获得第四特征图，其中，第i个特征提取层级为所述至少一个特征提取层级中的任意一个；对所述第四特征图和所述边缘预测图进行拼接处理，获得第五特征图；对所述第五特征图进行边缘增强处理，获得与第i个特征提取层级第一特征图对应的第二边缘增强特征图。
在一种可能的实现方式中，所述图像处理方法通过神经网络实现，其中，所述方法还包括：将样本图像输入所述神经网络，获得所述样本图像中的目标对象的样本边缘图和样本分割图；根据所述样本图像的标注信息和所述样本分割图，获得所述神经网络的分割损失；根据所述样本图像的标注信息和所述样本边缘图，获得所述神经网络的边缘损失；对所述分割损失和所述边缘损失进行加权求和处理，获得所述神经网络的网络损失；根据所述网络损失训练所述神经网络。
在一种可能的实现方式中，所述目标对象包括透明物体和/或半透明物体。
根据本公开的一方面，提供了一种图像处理装置，包括：特征提取模块，用于对待处理图像进行特征提取处理，获得第一特征图；边缘预测模块，用于根据所述第一特征图，对所述待处理图像中的目标对象进行边缘预测处理，获得所述目标对象的边缘预测结果，其中，所述边缘预测结果用于表示所述目标对象的边缘；分割模块，用于根据所述边缘预测结果以及所述第一特征图，对所述待处理图像中的目标对象进行分割处理，获得所述目标对象的分割结果。
在一种可能的实现方式中，所述特征提取模块进一步用于通过N个特征提取层级对待处理图像进行特征提取处理，获得分别与所述N个特征提取层级对应的第一特征图，其中，N为大于1的整数。
在一种可能的实现方式中，所述边缘预测模块进一步用于对第N个层级的第一特征图进行边缘特征提取，获得边缘特征图；对所述边缘特征图以及所述N个层级中至少一个层级的第一特征图进行解码处理，获得边缘预测结果。
在一种可能的实现方式中，所述边缘预测模块进一步用于对所述边缘特征图进行升维处理，获得第一升维特征图；将所述第一升维特征图与所述第一特征图进行拼接处理，获得第一拼接特征图；对所述第一拼接特征图进行卷积处理，获得所述边缘预测结果。
在一种可能的实现方式中，所述分割模块进一步用于对所述第一特征图进行分割特征提取，获得分割特征图；根据所述边缘预测结果和所述分割特征图，获得边缘增强特征图；对所述边缘增强特征图进行解码处理，获得所述分割结果。
在一种可能的实现方式中，所述第一特征图包括通过N个特征提取层级进行特征提取处理得到的N个第一特征图；所述边缘增强特征图包括与分割特征图对应的第一边缘增强特征图，以及与N个层级中的至少一个特征提取层级的第一特征图对应的第二边缘增强特征图，所述分割模块进一步用于通过所述边缘预测结果对所述分割特征图进行第一边缘增强处理，获得第一边缘增强特征图；通过所述边缘预测结果对N个层级中的至少一个特征提取层级的第一特征图分别进行第二边缘增强处理，获得与所述至少一个特征提取层级的第一特征图分别对应的第二边缘增强特征图。
在一种可能的实现方式中，所述边缘预测结果包括边缘预测图，所述分割模块进一步用于对所述边缘预测图和所述分割特征图中的对应像素点的像素值相乘，获得第二特征图；对所述第二特征图和所述边缘预测图进行拼接处理，获得第三特征图；对所述第三特征图进行边缘增强处理，获得所述第一边缘增强特征图。
在一种可能的实现方式中，所述分割模块进一步用于将所述第三特征图进行深度卷积处理，获得深度卷积结果；将所述深度卷积结果进行特征提取处理，获得特征提取结果；将所述特征提取结果与所述深度卷积结果的对应像素点进行相乘处理，获得所述第一边缘增强特征图。
在一种可能的实现方式中，所述边缘预测结果包括边缘预测图，所述分割模块进一步用于对所述边缘预测图和第i个特征提取层级第一特征图中的对应像素点的像素值相乘，获得第四特征图，其中，第i个特征提取层级为所述至少一个特征提取层级中的任意一个；对所述第四特征图和所述边缘预测图进行拼接处理，获得第五特征图；对所述第五特征图进行边缘增强处理，获得与第i个特征提取层级第一特征图对应的第二边缘增强特征图。
在一种可能的实现方式中，所述图像处理装置用于通过神经网络实现上述处理，所述装置还包括：输入模块，用于将样本图像输入所述神经网络，获得所述样本图像中的目标对象的样本边缘图和样本分割图；分割损失模块，用于根据所述样本图像的标注信息和所述样本分割图，获得所述神经网络的分割损失；边缘损失模块，用于根据所述样本图像的标注信息和所述样本边缘图，获得所述神经网络的边缘损失；网络损失模块，用于对所述分割损失和所述边缘损失进行加权求和处理，获得所述神经网络的网络损失；训练模块，用于根据所述网络损失训练所述神经网络。
在一种可能的实现方式中，所述目标对象包括透明物体和/或半透明物体。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
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，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像处理方法的流程图；
图2示出根据本公开的实施例的解码网络的示意图；
图3示出根据本公开的实施例的边缘增强网络的示意图；
图4示出根据本公开的实施例的图像处理方法的应用示意图；
图5示出根据本公开的实施例的图像处理装置的框图；
图6示出根据本公开的实施例的电子装置的框图；
图7示出根据本公开的实施例的电子装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的图像处理方法的流程图，如图1所示，所述方法包括：
在步骤S11中，对待处理图像进行特征提取处理，获得第一特征图；
在步骤S12中，根据所述第一特征图，对所述待处理图像中的目标对象进行边缘预测处理，获得所述目标对象的边缘预测结果，其中，所述边缘预测结果用于表示所述目标对象的边缘；
在步骤S13中，根据所述边缘预测结果以及所述第一特征图，对所述待处理图像中的目标对象进行分割处理，获得所述目标对象的分割结果。
根据本公开的实施例的图像处理方法，可对待处理图像中的目标对象进行边缘预测处理，以检测到目标对象的边缘，并利用目标对象的边缘来增强目标对象的分割轮廓，可提升分割目标的准确率。
在一种可能的实现方式中，所述图像处理方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。
在一种可能的实现方式中，所述待处理图像中可包括一个或多个目标对象。在目标对象是不透明的物体的情况下，则可通过神经网络等方法，分割出目标对象，即，确定目标对象的轮廓，并通过轮廓线选择出目标对象所在的位置。在目标对象包括透明和/或半透明物体(例如玻璃杯)的情况下，可透过目标对象观察到背景，因此，目标对象所在区域和背景区域的内容(例如，纹理等)区别较小，难以进行语义分割。但透明或半透明物体的边缘在图像中的对比度较高，可检测目标对象的边缘，以提升分割准确度。
在一种可能的实现方式中，在步骤S11中，可对待处理图像进行特征提取处理，获得第一特征图。步骤S11可包括：通过N个特征提取层级对待处理图像进行特征提取处理，获得分别与所述N个特征提取层级对应的第一特征图，其中，N为大于1的整数。在示例中，可通过神经网络来提取第一特征图，所述神经网络包括至少一个特征提取层级，可提取待处理图像的特征。在示例中，所述神经网络可包括N个级联的特征提取层级，每个特征提取层级可获得该层级的第一特征图，即，可获得N个特征提取层级对应的N个第一特征图。在示例中，所述特征提取层级可包括卷积层、激活层、池化层等网络层级中的至少一个，本公开对特征提取层级的网络结构不做限制。
在一种可能的实现方式中，在步骤S12中，可根据所述第一特征图，确定待处理图像中目标对象的边缘，获得边缘预测结果。例如，可对特征提取网络输出的第一特征图(例如，特征提取网络的最后一个特征提取层级(第N个特征提取层级)输出的第一特征图)进行边缘特征提取处理。例如，可通过所述神经网络的边缘特征提取网络对第N个特征提取层级的第一特征图进行边缘特征提取处理，获得边缘特征图，并对边缘特征图进行解码处理，以获得所述边缘预测结果。
在一种可能的实现方式中，还可通过N个特征提取层级中至少一个层级的第一特征图来提升边缘预测结果的精度。步骤S12可包括：对第N个层级的第一特征图进行边缘特征提取，获得边缘特征图；对所述边缘特征图以及所述N个层级中至少一个层级的第一特征图进行解码处理，获得边缘预测结果。
在一种可能的实现方式中，可通过边缘特征提取网络对第N个特征提取层级的第一特征图进行边缘特征提取处理。在示例中，所述边缘特征提取网络可包括卷积层、池化层等网络层级，例如，所述边缘特征提取网络可包括卷积核为1×1的卷积层、卷积核为3×3且扩张率为6的卷积层、卷积核为3×3且扩张率为12的卷积层、卷积核为3×3且扩张率为18的卷积层以及池化层。本公开对边缘特征提取网络的结构不做限制。通过边缘特征提取网络的各网络层级对第一特征图进行卷积、池化等处理，可获得所述边缘特征图。
在一种可能的实现方式中，可通过N个特征提取层级中的至少一个层级的第一特征图来提升边缘预测结果的精度。可通过将至少一个层级的第一特征图与所述边缘特征图进行解码处理(例如，通过解码网络进行解码处理)，获得边缘预测结果，即，获得目标对象的边缘所在位置。对所述边缘特征图以及所述N个层级中至少一个层级的第一特征图进行解码处理，获得边缘预测结果，包括：对所述边缘特征图进行升维处理，获得第一升维特征图；将所述第一升维特征图与所述第一特征图进行拼接处理，获得第一拼接特征图；对所述第一拼接特征图进行卷积处理，获得所述边缘预测结果。
在示例中，通过所述至少一个层级的第一特征图与所述边缘特征图进行解码处理，可融合高维和低维特征，增加特征通道，增强特征图中的边缘特征，有助于识别出目标对象的边缘所在的位置。
在示例中，可将所述边缘特征图与任意层级的第一特征图(例如，第一个层级、第二个层级、最后一个层级等中的任意一个层级的第一特征图)进行解码处理(例如，通过解码网络进行解码处理)。由于边缘特征图是经过边缘特征提取网络处理后的特征图，则边缘特征图通道数通常多于第一特征图，且尺寸小于所述第一特征图，以增大感受野。可对边缘特征图进行升维处理(例如，通过插值等方法进行上采样处理)，获得第一升维特征图，使得第一升维特征图的尺寸和通道数和第一特征图相等。进一步地，可将第一升维特征图和第一特征图进行拼接处理(例如，保留升维后的边缘特征图和第一特征图的所有通道等方式进行拼接处理)，获得第一拼接特征图，并对第一拼接特征图进行卷积处理(例如，通过卷积核为3×3的卷积层进行卷积处理)，获得解码处理的结果，即，所述边缘预测结果。其中，所述边缘预测结果可以是与待处理图像尺寸一致的边缘预测图，即，标出待处理图像中的目标对象的边缘所在位置的图像。
在示例中，可将所述边缘特征图与多个层级的第一特征图进行解码处理。例如，可将第i个层级和第j个层级的第一特征图(i、j均为正整数，且i小于j)以及所述边缘特征图进行解码处理。边缘特征图的尺寸小于第j个层级的第一特征图，第j个层级的第一特征图的尺寸小于第i个层级的第一特征图。可对边缘特征图进行升维处理，获得第一升维特征图，并将第一升维特征图和第j个层级第一特征图进行拼接处理，获得与第j个层级对应的第一拼接特征图，并对第一拼接特征图进行3×3卷积处理。进一步地，可将卷积处理后的特征图进行升维处理，并与第i个层级的第一特征图进行拼接处理，获得与第i个层级对应的第一拼接特征图，进而可进行3×3卷积处理，以获得所述边缘预测结果。还可将边缘特征图与更多层级的第一特征图进行解码处理，即，可将边缘特征图进行升维，并与尺寸较小的第一特征图进行拼接处理，在卷积处理后再次进行升维，并与尺寸较大的第一特征图进行拼接处理，进一步地，可在卷积处理后再次进行升维，并与尺寸更大的第一特征图进行拼接处理……本公开对进行解码的第一特征图的数量不做限制。
图2示出根据本公开的实施例的解码网络的示意图。在示例中，特征提取网络可包括四个特征提取层级，所述边缘特征图可与第一个层级和第二个层级的第一特征图进行解码处理。即，解码网络可对边缘特征图、第一个层级的第一特征图和第二个层级的第一特征图进行解码处理。在示例中，边缘特征图的尺寸小于第二个层级的第一特征图，第二个层级的第一特征图的尺寸小于第一个层级的第一特征图。可对边缘特征图进行升维处理，获得第一升维特征图，对第二个层级的第一特征图进行1×1卷积处理，并将第一升维特征图和1×1卷积处理后的第二个层级第一特征图进行拼接处理，获得第一拼接特征图，并对第一拼接特征图进行3×3卷积处理。进一步地，可将3×3卷积处理后的特征图进行升维处理，并与第一个层级的第一特征图进行拼接处理，进而可进行3×3卷积处理，以获得所述边缘预测结果。
通过这种方式，可通过对边缘特征图以及至少一个层级的第一特征图进行解码处理，以通过融合具有低维信息的第一特征图来增强边缘特征图中的边缘特征，提升边缘预测的准确率。
在一种可能的实现方式中，在对目标对象进行分割处理时，可通过神经网络中的分割网络进行分割处理。例如，可通过分割网络对第一特征图(例如第N个特征提取层级对应的第一特征图)进行分割处理，并对分割网络输出的分割特征图进行解码处理，获得目标对象的分割结果。其中，目标对象的分割结果可以是用分割线标出目标对象轮廓的分割图。然而，在目标对象与背景区别较小的情况下，例如目标对象为透明或半透明物体时，则可根据边缘预测结果来提升对目标对象的分割准确率。
在一种可能的实现方式中，步骤S13可包括：对所述第一特征图进行分割特征提取，获得分割特征图；根据所述边缘预测结果和所述分割特征图，获得边缘增强特征图；对所述边缘增强特征图进行解码处理，获得所述分割结果。
在一种可能的实现方式中，可通过分割网络对第一特征图进行分割特征提取，获得分割特征图。在示例中，第一特征图包括通过N个特征提取层级进行特征提取处理得到的N个第一特征图，可通过分割网络对N个特征提取层级的第一特征图进行分割特征提取，获得分割特征图。所述分割网络可包括卷积层、池化层等网络层级，例如，所述分割网络可包括卷积核为1×1的卷积层、卷积核为3×3且扩张率为6的卷积层、卷积核为3×3且扩张率为12的卷积层、卷积核为3×3且扩张率为18的卷积层以及池化层。本公开对分割网络的结构不做限制。通过分割网络的各网络层级对第一特征图进行卷积、池化等处理，可获得所述分割特征图。
在一种可能的实现方式中，可通过边缘预测结果(例如，边缘预测图)提升分割准确率度。在示例中，可通过边缘预测结果和分割特征图来获得边缘增强特征图，例如，可通过边缘预测结果对分割特征图进行边缘增强处理，获得边缘增强特征图。例如，可将边缘预测结果和分割特征图输入神经网络的边缘增强网络，获得边缘增强特征图。进一步地，可根据边缘增强特征图来获得边缘增强后的分割结果(例如，通过解码处理，获得分割结果)，即，分割精度较高的分割结果(例如，分割图)。
在一种可能的实现方式中，可通过N个层级中的至少一个特征提取层级的第一特征图进一步增强边缘特征。例如，可通过第一特征图增加特征通道的数量，增强边缘特征，获得进一步增强的边缘特征图。所述边缘增强特征图包括与分割特征图对应的第一边缘增强特征图，以及与N个层级中的至少一个特征提取层级的第一特征图对应的第二边缘增强特征图。其中，根据所述边缘预测结果和所述分割特征图，获得边缘增强特征图，包括：通过所述边缘预测结果对所述分割特征图进行第一边缘增强处理，获得第一边缘增强特征图；通过所述边缘预测结果对N个层级中的至少一个特征提取层级的第一特征图分别进行第二边缘增强处理，获得与所述至少一个特征提取层级的第一特征图分别对应的第二边缘增强特征图。例如，可通过边缘增强网络分别进行第一边缘增强处理和第二边缘增强处理。进一步地，可对第一边缘增强特征图和第二边缘增强特征图进行解码处理，获得分割结果，即，分割精度较高的分割图。
在一种可能的实现方式中，通过所述边缘预测结果对所述分割特征图进行第一边缘增强处理，获得第一边缘增强特征图，包括：对所述边缘预测图和所述分割特征图中的对应像素点的像素值相乘，获得第二特征图；对所述第二特征图和所述边缘预测图进行拼接处理，获得第三特征图；对所述第三特征图进行边缘增强处理，获得所述第一边缘增强特征图。
图3示出根据本公开的实施例的边缘增强网络的示意图，如图3所示，可通过边缘增强网络来进行第一边缘增强处理。边缘增强网络可对边缘预测图和分割特征图中的对应像素点的像素值相乘，获得第二特征图。所述边缘预测图与待处理图像尺寸一致，且边缘预测图与所述分割特征图尺寸不一致，但分割特征图是由待处理图像经过特征提取以及分割特征提取等处理获得的，则分割特征图中像素点与待处理图像中的像素点具有对应关系，因此，分割特征图中的像素点与边缘预测图中的像素点具有对应关系。例如，分割特征图中的像素点为待处理图像中的特征图经过卷积处理等特征提取处理获得的，例如，在卷积核为3×3的卷积处理中，待处理图像中的9个像素点与分割特征图中的一个像素点对应(例如，待处理图像中的(0，0)、(0，1)、(0，2)、(1，0)、(1，1)、(1，2)、(2，0)、(2，1)、(2，2)均与分割特征图中的(0，0)像素点对应)。由此，可根据分割特征图中的像素点与边缘预测图中的像素点的对应关系，将分割特征图中的像素点与边缘预测图中的对应的像素点的像素值相乘，获得第二特征图。
在示例中，边缘预测图可以是二进制图(例如，边缘所在位置的像素值为1或接近1的值，其他位置像素值为0或接近0的值)，将所述对应像素点的像素值相乘，可增强分割特征图中边缘位置的像素点的像素值(使分割特征图中的边缘位置的像素点乘以1或接近1的值)，并弱化其他位置的像素点的像素值(使分割特征图中的边缘位置的像素点乘以0或接近0的值)，获得第二特征图。
在一种可能的实现方式中，边缘增强网络可将第二特征图和边缘预测图进行拼接处理(例如，可保留所有特征通道)，获得第三特征图。并对第三特征图进行边缘增强处理，获得第一边缘增强特征图，该步骤包括：将所述第三特征图进行深度卷积处理，获得深度卷积结果；将所述深度卷积结果进行特征提取处理，获得特征提取结果；将所述特征提取结果与所述深度卷积结果的对应像素点进行相乘处理，获得所述第一边缘增强特征图。在示例中，可将第三特征图进行3×3深度卷积，获得深度卷积结果，并将深度卷积结果进行特征提取处理，例如，可依次通过池化层(例如，全局池化层)、全连接层、激活层(例如，relu激活层)、全连接层和激活层(例如，sigmoid激活层)进行处理，获得特征提取结果，进一步地，可将特征提取结果与深度卷积结果的对应像素点的像素值进行相乘，获得所述第一边缘增强特征图。
在一种可能的实现方式中，可通过边缘增强网络来进行第二边缘增强处理。通过所述边缘预测结果对N个特征提取层级中的至少一个特征提取层级的第一特征图分别进行第二边缘增强处理，获得与所述至少一个特征提取层级的第一特征图分别对应的第二边缘增强特征图，包括：对所述边缘预测图和第i个特征提取层级第一特征图中的对应像素点的像素值相乘，获得第四特征图，其中，第i个特征提取层级为所述至少一个特征提取层级中的任意一个；对所述第四特征图和所述边缘预测图进行拼接处理，获得第五特征图；对所述第五特征图进行边缘增强处理，获得与第i个特征提取层级第一特征图对应的第二边缘增强特征图。
在一种可能的实现方式中，边缘增强网络可对边缘预测图和第i个特征提取层级第一特征图中的对应像素点的像素值相乘，获得第四特征图。所述边缘预测图与待处理图像尺寸一致，且边缘预测图与第一特征图尺寸不一致，但第一特征图是由待处理图像经过特征提取等处理获得的，第一特征图中像素点与待处理图像中的像素点具有对应关系，因此，第一特征图中的像素点与边缘预测图中的像素点具有对应关系。可将第一特征图中的像素点与边缘预测图中的对应的像素点的像素值相乘，获得第四特征图。
在一种可能的实现方式中，边缘增强网络可将第四特征图和边缘预测图进行拼接处理(例如，可保留所有特征通道)，获得第五特征图。并对第五特征图进行边缘增强处理，获得第二边缘增强特征图。在示例中，可将第五特征图进行3×3深度卷积，并将深度卷积的结果依次通过池化层(例如，全局池化层)、全连接层、激活层(例如，relu激活层)、全连接层和激活层(例如，sigmoid激活层)进行处理，进一步地，可将上述处理的结果与3×3深度卷积的结果的对应像素点的像素值进行相乘，获得所述第二边缘增强特征图。
在示例中，可通过上述处理获得与多个特征提取层级对应的第二边缘增强特征图。可对多个特征提取层级的第一特征图进行边缘增强处理，可融合多个第一特征图中的边缘特征，使得边缘特征增强，有利于注意力机制集中于边缘位置，有助于提高目标分割效果。例如，可获得与第一个特征提取层级对应的第二边缘增强特征图以及与第二个特征提取层级对应的第二边缘增强特征图。本公开对第二边缘增强特征图的数量不做限制。
在一种可能的实现方式中，可对第一边缘增强特征图和第二边缘增强特征图进行解码处理。在示例中，可通过解码网络进行解码处理。例如，可对第一边缘增强特征图进行升维处理，并将升维后的第一边缘增强特征图与尺寸较小的第二边缘增强特征图(与较深层级的特征提取层级对应的第二边缘增强特征图)进行拼接处理，并对拼接后的特征图进行3×3卷积处理。并可在卷积处理后再次进行升维，并与尺寸较大的第二边缘增强特征图(与较浅层级的特征提取层级对应的第二边缘增强特征图)进行拼接处理，并进行3×3卷积处理……经过多次升维、拼接和卷积处理后，可获得所述分割结果。
在示例中，第二边缘增强特征图包括与第一个层级对应的第二边缘增强特征图以及与第二个层级对应的第二边缘增强特征图。解码网络可对第一边缘增强特征图进行升维处理，对第二个层级对应的第二边缘增强特征图进行1×1卷积处理，并将升维后的第一边缘增强特征图与1×1卷积处理后的第二边缘增强特征图进行拼接处理，并对拼接后的特征图进行3×3卷积处理。进一步地，可将3×3卷积处理后的特征图进行升维处理，并与第一个层级对应的第二边缘增强特征图进行拼接处理，进而可进行3×3卷积处理，以获得所述分割结果。
在示例中，也可不通过N个层级的第一特征图来增强边缘特征，而将分割特征图和边缘预测结果输入所述边缘增强网络，获得边缘增强特征图，并对边缘增强特征图进行解码处理，例如，可对边缘增强特征图进行3×3卷积处理，获得分割结果。
通过这种方式，可通过边缘预测结果对分割特征图进行边缘增强处理，以增强边缘位置处的像素点，并将注意力机制集中于边缘所在位置，提升分割结果的准确度。
在一种可能的实现方式中，所述神经网络还可获得目标对象的类别，例如，可移动的透明物体(例如，玻璃杯等)或不可移动的透明物体(例如，门窗上的玻璃等)。在示例中，神经网络可通过目标对象的轮廓来确定目标对象的类别，可适用于更多类型的目标对象的分割处理，本公开对确定类别的方式不做限制。
在一种可能的实现方式中，在使用上述神经网络前，可对神经网络进行训练。所述方法还包括：将样本图像输入所述神经网络，获得所述样本图像中的目标对象的样本边缘图和样本分割图；根据所述样本图像的标注信息和所述样本分割图，获得所述神经网络的分割损失；根据所述样本图像的标注信息和所述样本边缘图，获得所述神经网络的边缘损失；对所述分割损失和所述边缘损失进行加权求和处理，获得所述神经网络的网络损失；根据所述网络损失训练所述神经网络。
在一种可能的实现方式中，上述样本图像中可包括一个或多个目标对象，所述目标对象可包括透明和/或半透明物体。所述样本图像可具有标注信息，其中，所述标注信息可包括边缘标注图，所述边缘标注图为目标对象的边缘位置的像素值为1，且其他位置像素值为0的二进制图。所述标注信息还可包括分割标注图，所述分割标注图可通过目标对象的轮廓线分割出目标对象所在的区域。
在一种可能的实现方式中，可通过所述神经网络对样本图像进行处理，获得目标对象的样本边缘图和样本分割图。所述样本边缘图为通过所述神经网络获得的标出目标对象的边缘的图，所述样本分割图为通过所述神经网络获得的分割出目标对象所在区域的图。所述样本边缘图和所述样本分割图均可能存在误差。
在一种可能的实现方式中，可根据样本分割图和所述分割标注图确定神经网络的分割损失。在示例中，可通过样本分割图和分割标注图中对应像素点的像素值，确定交叉熵损失，并将该交叉熵损失确定为神经网络的分割损失。
在一种可能的实现方式中，可根据所述样本边缘图和所述边缘标注图，确定所述神经网络的边缘损失。在示例中，所述边缘标注图的目标对象的边缘位置的像素值为1或接近1的值，其他位置像素值为0或接近0的值，所述样本边缘图为二进制图，可根据对应像素点的像素值确定边缘损失。在示例中，可通过以下公式(1)确定所述边缘损失：
其中，Lb为所述边缘损失，Gx,y为边缘标注图中坐标为(x,y)的像素点的像素值，Sx,y为样本边缘图中坐标为(x,y)的像素点的像素值。
在一种可能的实现方式中，可对分割损失和边缘损失进行加权求和处理，获得神经网络的网络损失。在示例中，可通过以下公式(2)确定网络损失：
L＝Ls+λLb (2)
其中，L为神经网络的网络损失，Ls为分割损失，λ为边缘损失Lb的权重，在示例中，λ＝5，本公开对λ的取值不做限制。
在一种可能的实现方式中，可通过所述网络损失训练神经网络。可对所述网络损失进行反向传播，并通过梯度下降法调整神经网络中各参数的取值，使得网络损失最小化。在满足训练条件时，获得训练后的神经网络。在示例中，所述训练条件可包括训练次数，即，在上述训练处理迭代执行的次数达到次数阈值时，可完成训练，获得训练后的神经网络。所述训练条件可包括网络损失小于或等于预设阈值或收敛于预设区间，如，经过多次训练，使网络损失L小于或等于预设阈值或收敛于预设区间，则可完成训练，获得训练后的神经网络。所述训练条件还可包括分割准确率大于或等于预设阈值，即，利用测试样本集测试网络时，得到的目标对象分割准确率大于或等于预设阈值，则可完成训练，获得训练后的神经网络。
根据本公开的实施例的图像处理方法，可对待处理图像中的目标对象进行边缘预测处理，通过对边缘特征图以及至少一个层级的第一特征图进行解码处理，以通过第一特征图来增强边缘特征图中的边缘特征，以检测到目标对象的边缘，获得边缘预测结果，进一步地，可通过边缘预测结果对分割特征图进行边缘增强处理，以增强边缘位置处的像素点，并将注意力机制集中于边缘所在位置，提升分割结果的准确度。
图4示出根据本公开的实施例的图像处理方法的应用示意图，如图4所示，待处理图像中可包括一个或多个目标对象，目标对象包括透明和/或半透明物体，难以进行语义分割，可检测目标对象的边缘，以提升分割准确度。
在一种可能的实现方式中，可通过特征提取网络对待处理图像进行特征提取处理，获得4个层级的第一特征图(C1、C2、C3和C4)。其中，第一特征图C1的尺寸为待处理图像的1/4，第一特征图C2的尺寸为待处理图像的1/8，第一特征图C3的尺寸为待处理图像的1/16，第一特征图C4的尺寸为待处理图像的1/16。
在一种可能的实现方式中，可将第一特征图C4输入边缘特征提取网络，边缘特征提取网络可包括卷积核为1×1的卷积层、卷积核为3×3且扩张率为6的卷积层、卷积核为3×3且扩张率为12的卷积层、卷积核为3×3且扩张率为18的卷积层以及池化层，通过上述网络层级的处理，可获得边缘特征图。进一步地，可将边缘特征图以及第一特征图C1和第一特征图C2输入解码网络进行解码处理，获得边缘预测结果，例如，边缘预测图，即，标出待处理图像中的目标对象的边缘所在位置的图像。其中，边缘预测图可以是目标对象的边缘所在位置像素值为1，其他位置像素值为0的图。其中，解码网络可以使用如图2所示的网络。
在一种可能的实现方式中，可将第一特征图C4输入分割网络进行处理，上述分割网络可包括卷积核为1×1的卷积层、卷积核为3×3且扩张率为6的卷积层、卷积核为3×3且扩张率为12的卷积层、卷积核为3×3且扩张率为18的卷积层以及池化层，经过上述层级的处理，可获得分割特征图。进一步地，可通过边缘预测图增强分割特征图的边缘特征，提升分割准确率度。
在一种可能的实现方式中，可将边缘预测图和分割特征图输入边缘增强网络，获得第一边缘增强特征图。进一步地，可通过第一特征图C1和第一特征图C2进一步增强边缘特征，例如，可将边缘预测图和第一特征图C2输入边缘增强网络，获得与第一特征图C2对应的第二边缘增强特征图，并将边缘预测图和第一特征图C1输入边缘增强网络，获得与第一特征图C1对应的第二边缘增强特征图。其中，边缘增强网络可以采用如图3所示的网络。
在一种可能的实现方式中，可将第一边缘增强特征图、与第一特征图C2对应的第二边缘增强特征图以及与第一特征图C1对应的第二边缘增强特征图输入解码网络进行处理，获得较精确的分割结果，例如，通过目标对象的轮廓线将目标对象所在区域分割出来的分割图。其中，解码网络可以使用如图2所示的网络。
在一种可能的实现方式中，所述图像处理方法可对目标对象的边缘进行增强，以提高分割结果的精确度，适用于与背景区分度较低的目标对象(例如，透明或半透明物体)的分割，并可识别目标对象的类别。本公开实施例提供的图像处理方法可用于对图像中的透明物体进行分割，例如，在机器人领域，可使机器人准确识别透明物体，辅助机器人进行物体抓取或者规划防撞路径；或者，在智慧交通领域，可识别透明障碍物，提升行驶安全；又或者，在图像处理时，例如商品图像处理时提高物体(如透明物体)抠图准确性。本公开对所述图像处理方法的应用领域不做限制。
图5示出根据本公开的实施例的图像处理装置的框图，如图5所示，所述装置包括：特征提取模块11，用于对待处理图像进行特征提取处理，获得第一特征图；边缘预测模块12，用于根据所述第一特征图，对所述待处理图像中的目标对象进行边缘预测处理，获得所述目标对象的边缘预测结果，其中，所述边缘预测结果用于表示所述目标对象的边缘；分割模块13，用于根据所述边缘预测结果以及所述第一特征图，对所述待处理图像中的目标对象进行分割处理，获得所述目标对象的分割结果。
在一种可能的实现方式中，所述特征提取模块进一步用于通过N个特征提取层级对待处理图像进行特征提取处理，获得分别与所述N个特征提取层级对应的第一特征图，其中，N为大于1的整数。
在一种可能的实现方式中，所述边缘预测模块进一步用于对第N个层级的第一特征图进行边缘特征提取，获得边缘特征图；对所述边缘特征图以及所述N个层级中至少一个层级的第一特征图进行解码处理，获得边缘预测结果。
在一种可能的实现方式中，所述边缘预测模块进一步用于对所述边缘特征图进行升维处理，获得第一升维特征图；将所述第一升维特征图与所述第一特征图进行拼接处理，获得第一拼接特征图；对所述第一拼接特征图进行卷积处理，获得所述边缘预测结果。
在一种可能的实现方式中，所述分割模块进一步用于对所述第一特征图进行分割特征提取，获得分割特征图；根据所述边缘预测结果和所述分割特征图，获得边缘增强特征图；对所述边缘增强特征图进行解码处理，获得所述分割结果。
在一种可能的实现方式中，所述第一特征图包括通过N个特征提取层级进行特征提取处理得到的N个第一特征图；所述边缘增强特征图包括与分割特征图对应的第一边缘增强特征图，以及与N个层级中的至少一个特征提取层级的第一特征图对应的第二边缘增强特征图，所述分割模块进一步用于通过所述边缘预测结果对所述分割特征图进行第一边缘增强处理，获得第一边缘增强特征图；通过所述边缘预测结果对N个层级中的至少一个特征提取层级的第一特征图分别进行第二边缘增强处理，获得与所述至少一个特征提取层级的第一特征图分别对应的第二边缘增强特征图。
在一种可能的实现方式中，所述边缘预测结果包括边缘预测图，所述分割模块进一步用于对所述边缘预测图和所述分割特征图中的对应像素点的像素值相乘，获得第二特征图；对所述第二特征图和所述边缘预测图进行拼接处理，获得第三特征图；对所述第三特征图进行边缘增强处理，获得所述第一边缘增强特征图。
在一种可能的实现方式中，所述分割模块进一步用于将所述第三特征图进行深度卷积处理，获得深度卷积结果；将所述深度卷积结果进行特征提取处理，获得特征提取结果；将所述特征提取结果与所述深度卷积结果的对应像素点进行相乘处理，获得所述第一边缘增强特征图。
在一种可能的实现方式中，所述边缘预测结果包括边缘预测图，所述分割模块进一步用于对所述边缘预测图和第i个特征提取层级第一特征图中的对应像素点的像素值相乘，获得第四特征图，其中，第i个特征提取层级为所述至少一个特征提取层级中的任意一个；对所述第四特征图和所述边缘预测图进行拼接处理，获得第五特征图；对所述第五特征图进行边缘增强处理，获得与第i个特征提取层级第一特征图对应的第二边缘增强特征图。
在一种可能的实现方式中，所述图像处理装置用于通过神经网络实现上述处理，所述装置还包括：输入模块，用于将样本图像输入所述神经网络，获得所述样本图像中的目标对象的样本边缘图和样本分割图；分割损失模块，用于根据所述样本图像的标注信息和所述样本分割图，获得所述神经网络的分割损失；边缘损失模块，用于根据所述样本图像的标注信息和所述样本边缘图，获得所述神经网络的边缘损失；网络损失模块，用于对所述分割损失和所述边缘损失进行加权求和处理，获得所述神经网络的网络损失；训练模块，用于根据所述网络损失训练所述神经网络。
在一种可能的实现方式中，所述目标对象包括透明物体和/或半透明物体。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的图像处理方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的图像处理方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边缘，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图7，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。在有些作为替换的实现中，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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (12)

1.一种图像处理方法，其特征在于，包括：
对待处理图像进行特征提取处理，获得第一特征图，所述第一特征图包括通过N个特征提取层级进行特征提取处理得到的N个第一特征图；
根据所述第一特征图，对所述待处理图像中的目标对象进行边缘预测处理，获得所述目标对象的边缘预测结果，其中，所述边缘预测结果用于表示所述目标对象的边缘；
根据所述边缘预测结果以及所述第一特征图，对所述待处理图像中的目标对象进行分割处理，获得所述目标对象的分割结果；
其中，根据所述第一特征图，对所述待处理图像中的目标对象进行边缘预测处理，获得所述目标对象的边缘预测结果，包括：
对第N个层级的第一特征图进行边缘特征提取，获得边缘特征图，所述边缘特征图通道数多于所述第一特征图，且尺寸小于所述第一特征图；
对所述边缘特征图以及所述N个层级中至少一个层级的第一特征图进行解码处理，获得边缘预测结果。
2.根据权利要求1所述的方法，其特征在于，对待处理图像进行特征提取处理，获得第一特征图，包括：
通过N个特征提取层级对待处理图像进行特征提取处理，获得分别与所述N个特征提取层级对应的第一特征图，其中，N为大于1的整数。
3.根据权利要求1所述的方法，其特征在于，对所述边缘特征图以及所述N个层级中至少一个层级的第一特征图进行解码处理，获得边缘预测结果，包括：
对所述边缘特征图进行升维处理，获得第一升维特征图；
将所述第一升维特征图与所述第一特征图进行拼接处理，获得第一拼接特征图；
对所述第一拼接特征图进行卷积处理，获得所述边缘预测结果。
4.根据权利要求1-3任一项所述的方法，其特征在于，根据所述边缘预测结果以及所述第一特征图，对所述待处理图像中的目标对象进行分割处理，获得所述目标对象的分割结果，包括：
对所述第一特征图进行分割特征提取，获得分割特征图；
根据所述边缘预测结果和所述分割特征图，获得边缘增强特征图；
对所述边缘增强特征图进行解码处理，获得所述分割结果。
5.根据权利要求4所述的方法，其特征在于，所述边缘增强特征图包括与分割特征图对应的第一边缘增强特征图，以及与N个层级中的至少一个特征提取层级的第一特征图对应的第二边缘增强特征图，
其中，根据所述边缘预测结果和所述分割特征图，获得边缘增强特征图，包括：
通过所述边缘预测结果对所述分割特征图进行第一边缘增强处理，获得第一边缘增强特征图；
通过所述边缘预测结果对N个层级中的至少一个特征提取层级的第一特征图分别进行第二边缘增强处理，获得与所述至少一个特征提取层级的第一特征图分别对应的第二边缘增强特征图。
6.根据权利要求5所述的方法，其特征在于，所述边缘预测结果包括边缘预测图，
其中，通过所述边缘预测结果对所述分割特征图进行第一边缘增强处理，获得第一边缘增强特征图，包括：
对所述边缘预测图和所述分割特征图中的对应像素点的像素值相乘，获得第二特征图；
对所述第二特征图和所述边缘预测图进行拼接处理，获得第三特征图；
对所述第三特征图进行边缘增强处理，获得所述第一边缘增强特征图。
7.根据权利要求6所述的方法，其特征在于，对所述第三特征图进行边缘增强处理，获得所述第一边缘增强特征图，包括：
将所述第三特征图进行深度卷积处理，获得深度卷积结果；
将所述深度卷积结果进行特征提取处理，获得特征提取结果；
将所述特征提取结果与所述深度卷积结果的对应像素点进行相乘处理，获得所述第一边缘增强特征图。
8.根据权利要求5所述的方法，其特征在于，所述边缘预测结果包括边缘预测图，
其中，通过所述边缘预测结果对N个特征提取层级中的至少一个特征提取层级的第一特征图分别进行第二边缘增强处理，获得与所述至少一个特征提取层级的第一特征图分别对应的第二边缘增强特征图，包括：
对所述边缘预测图和第i个特征提取层级第一特征图中的对应像素点的像素值相乘，获得第四特征图，其中，第i个特征提取层级为所述至少一个特征提取层级中的任意一个；
对所述第四特征图和所述边缘预测图进行拼接处理，获得第五特征图；
对所述第五特征图进行边缘增强处理，获得与第i个特征提取层级第一特征图对应的第二边缘增强特征图。
9.根据权利要求1-8中任一项所述的方法，其特征在于，所述图像处理方法通过神经网络实现，其中，所述方法还包括：
将样本图像输入所述神经网络，获得所述样本图像中的目标对象的样本边缘图和样本分割图；
根据所述样本图像的标注信息和所述样本分割图，获得所述神经网络的分割损失；
根据所述样本图像的标注信息和所述样本边缘图，获得所述神经网络的边缘损失；
对所述分割损失和所述边缘损失进行加权求和处理，获得所述神经网络的网络损失；
根据所述网络损失训练所述神经网络。
10.一种图像处理装置，其特征在于，包括：
特征提取模块，用于，对待处理图像进行特征提取处理，获得第一特征图，所述第一特征图包括通过N个特征提取层级进行特征提取处理得到的N个第一特征图；
边缘预测模块，用于根据所述第一特征图，对所述待处理图像中的目标对象进行边缘预测处理，获得所述目标对象的边缘预测结果，其中，所述边缘预测结果用于表示所述目标对象的边缘；
分割模块，用于根据所述边缘预测结果以及所述第一特征图，对所述待处理图像中的目标对象进行分割处理，获得所述目标对象的分割结果；
其中，所述边缘预测模块用于：
对第N个层级的第一特征图进行边缘特征提取，获得边缘特征图，所述边缘特征图通道数多于所述第一特征图，且尺寸小于所述第一特征图；
对所述边缘特征图以及所述N个层级中至少一个层级的第一特征图进行解码处理，获得边缘预测结果。
11.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至9中任意一项所述的方法。
12.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的方法。
CN202010231750.5A 2020-03-27 2020-03-27 图像处理方法及装置、电子设备和存储介质 Active CN111445493B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010231750.5A CN111445493B (zh) 2020-03-27 2020-03-27 图像处理方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010231750.5A CN111445493B (zh) 2020-03-27 2020-03-27 图像处理方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111445493A CN111445493A (zh) 2020-07-24
CN111445493B true CN111445493B (zh) 2024-04-12

Family

ID=71657425

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010231750.5A Active CN111445493B (zh) 2020-03-27 2020-03-27 图像处理方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111445493B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932568A (zh) * 2020-08-10 2020-11-13 北京金山云网络技术有限公司 人体图像分割方法、人体图像分割模型的训练方法和装置
CN112183453B (zh) * 2020-10-15 2021-05-11 哈尔滨市科佳通用机电股份有限公司 基于深度学习的注水口盖板未锁闭到位故障检测方法及系统
CN112419342A (zh) * 2020-10-22 2021-02-26 北京迈格威科技有限公司 图像处理方法、装置、电子设备和计算机可读介质
CN112001923B (zh) * 2020-11-02 2021-01-05 中国人民解放军国防科技大学 一种视网膜图像分割方法及装置
CN112465834B (zh) * 2020-11-26 2024-05-24 中科麦迪人工智能研究院(苏州)有限公司 一种血管分割方法及装置
CN112580567B (zh) * 2020-12-25 2024-04-16 深圳市优必选科技股份有限公司 一种模型获取方法、模型获取装置及智能设备
CN112669338B (zh) * 2021-01-08 2023-04-07 北京市商汤科技开发有限公司 图像分割方法及装置、电子设备和存储介质
CN113192060B (zh) * 2021-05-25 2024-09-17 上海商汤临港智能科技有限公司 一种图像分割的方法、装置、电子设备及存储介质
EP4220552A4 (en) * 2021-12-07 2023-12-27 Contemporary Amperex Technology Co., Limited IMAGE PROCESSING METHOD AND SYSTEM
CN114612824A (zh) * 2022-03-09 2022-06-10 清华大学 目标识别方法及装置、电子设备和存储介质
CN115294104B (zh) * 2022-09-28 2023-01-10 杭州健培科技有限公司 基于三维脑部ct图像的脑中线预测模型、方法及装置
CN115994909B (zh) * 2023-03-23 2023-06-02 中铁电气化局集团有限公司 基于图像工业算法的接触网接触故障检测方法和装置
CN116152123B (zh) * 2023-04-21 2023-09-19 荣耀终端有限公司 图像处理方法、电子设备及可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229504A (zh) * 2018-01-29 2018-06-29 深圳市商汤科技有限公司 图像解析方法及装置
CN109325954A (zh) * 2018-09-18 2019-02-12 北京旷视科技有限公司 图像分割方法、装置及电子设备
US10482603B1 (en) * 2019-06-25 2019-11-19 Artificial Intelligence, Ltd. Medical image segmentation using an integrated edge guidance module and object segmentation network
CN110517278A (zh) * 2019-08-07 2019-11-29 北京旷视科技有限公司 图像分割和图像分割网络的训练方法、装置和计算机设备
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
CN110782468A (zh) * 2019-10-25 2020-02-11 北京达佳互联信息技术有限公司 图像分割模型的训练方法及装置及图像分割方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229504A (zh) * 2018-01-29 2018-06-29 深圳市商汤科技有限公司 图像解析方法及装置
CN109325954A (zh) * 2018-09-18 2019-02-12 北京旷视科技有限公司 图像分割方法、装置及电子设备
US10482603B1 (en) * 2019-06-25 2019-11-19 Artificial Intelligence, Ltd. Medical image segmentation using an integrated edge guidance module and object segmentation network
CN110517278A (zh) * 2019-08-07 2019-11-29 北京旷视科技有限公司 图像分割和图像分割网络的训练方法、装置和计算机设备
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
CN110782468A (zh) * 2019-10-25 2020-02-11 北京达佳互联信息技术有限公司 图像分割模型的训练方法及装置及图像分割方法及装置

Also Published As

Publication number Publication date
CN111445493A (zh) 2020-07-24

Similar Documents

Publication Publication Date Title
CN111445493B (zh) 图像处理方法及装置、电子设备和存储介质
CN111753822B (zh) 文本识别方法及装置、电子设备和存储介质
CN111310616B (zh) 图像处理方法及装置、电子设备和存储介质
CN110348537B (zh) 图像处理方法及装置、电子设备和存储介质
CN110889469B (zh) 图像处理方法及装置、电子设备和存储介质
TWI781359B (zh) 人臉和人手關聯檢測方法及裝置、電子設備和電腦可讀儲存媒體
CN113538517B (zh) 目标追踪方法及装置、电子设备和存储介质
CN113822918B (zh) 场景深度和相机运动预测方法及装置、电子设备和介质
CN111340048B (zh) 图像处理方法及装置、电子设备和存储介质
CN111931844B (zh) 图像处理方法及装置、电子设备和存储介质
CN109615006B (zh) 文字识别方法及装置、电子设备和存储介质
CN111539410B (zh) 字符识别方法及装置、电子设备和存储介质
CN111242303B (zh) 网络训练方法及装置、图像处理方法及装置
CN113326768B (zh) 训练方法、图像特征提取方法、图像识别方法及装置
CN111583142B (zh) 图像降噪方法及装置、电子设备和存储介质
CN112598676B (zh) 图像分割方法及装置、电子设备和存储介质
CN113052874A (zh) 目标跟踪方法及装置、电子设备和存储介质
CN110633715B (zh) 图像处理方法、网络训练方法及装置、和电子设备
CN109635926B (zh) 用于神经网络的注意力特征获取方法、装置及存储介质
CN114066856A (zh) 模型训练方法及装置、电子设备和存储介质
CN111488964B (zh) 图像处理方法及装置、神经网络训练方法及装置
CN111984765B (zh) 知识库问答过程关系检测方法及装置
CN111582265A (zh) 一种文本检测方法及装置、电子设备和存储介质
CN113674176B (zh) 图像修复方法及装置、电子设备和存储介质
CN113537350B (zh) 图像处理方法及装置、电子设备和存储介质

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