CN111899263B - 图像分割方法、装置、计算机设备及存储介质 - Google Patents

图像分割方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111899263B
CN111899263B CN202010675686.XA CN202010675686A CN111899263B CN 111899263 B CN111899263 B CN 111899263B CN 202010675686 A CN202010675686 A CN 202010675686A CN 111899263 B CN111899263 B CN 111899263B
Authority
CN
China
Prior art keywords
feature
characteristic diagram
image
feature map
original image
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
CN202010675686.XA
Other languages
English (en)
Other versions
CN111899263A (zh
Inventor
刘刚
史磊
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202010675686.XA priority Critical patent/CN111899263B/zh
Publication of CN111899263A publication Critical patent/CN111899263A/zh
Application granted granted Critical
Publication of CN111899263B publication Critical patent/CN111899263B/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
    • 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
    • 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]
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

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

Abstract

本发明公开了一种图像分割方法、装置、计算机设备及存储介质，图像分割方法包括：获取原始图像；提取所述原始图像的第一特征，得到多张第一特征图；提取所述原始图像的第二特征，得到多张第二特征图；对每一所述第一特征图和每一所述第二特征图对应进行平均映射，得到多张第三特征图；对每一所述第一特征图进行上采样，得到多张第四特征图；将每一所述第四特征图和每一所述第三特征图进行对应连接和卷积，得到多张第五特征图；上述图像分割方法可以避免图像分割过程中的信息丢失，提高了图像分割的准确性。

Description

图像分割方法、装置、计算机设备及存储介质
技术领域
本发明涉及图像处理领域，尤其涉及一种图像分割方法、装置、计算机设备及存储介质。
背景技术
医学图像分割在医学研究、临床诊断、病理分析、手术计划、影像信息处理、计算机辅助手术等医学研究与实践领域有着广泛的应用和研究价值。现有的医学图像分割技术有U-Net网络，其特点在于利用底层信息补充高层信息，使得分割的精准度大大提升。在Unet基础上架构改进的方法被用于不同医学图像分割的任务中，连续的池化和跨度卷积降低了特征分辨率，用以学习越来越抽象的特征表达，从而导致对于低级语义信息的丢失；U-Net网络的降采样操作可以增加一些小扰动的鲁棒性，如旋转、平移、伸缩等，降低维度并保留有用信息，一定程度上减少过拟合，增加感受野。虽然降采样实现了对于高层信息的有效提取，但是降采样的过程中伴随着低级语义信息的丢失，而信息的丢失是个不可逆的过程。
发明内容
本发明实施例提供一种图像分割方法方法、装置、计算机设备及存储介质，以避免图像分割过程中的信息丢失。
本发明实施例提出了一种图像分割方法，用于对图像进行分割，得到目标图像，包括：
获取原始图像；
提取所述原始图像的第一特征，得到多张第一特征图；
提取所述原始图像的第二特征，得到多张第二特征图；
对每一所述第一特征图和每一所述第二特征图对应进行平均映射，得到多张第三特征图；
对每一所述第一特征图进行上采样，得到多张第四特征图；
将每一所述第四特征图和每一所述第三特征图进行对应连接和卷积，得到多张第五特征图；
对多张所述第五特征图进行融合，得到目标图像。
优选地，所述提取所述原始图像的第二特征，得到多张第二特征图，包括：
对每一所述第一特征图进行上采样，得到n张与所述第一特征图对应的第一中间特征图；
将每一所述第一中间特征图与每一所述第一特征图对应相减，得到n张第二中间特征图；
将每一所述第二中间特征图进行卷积，得到n张所述第二特征图。
优选地，所述第一中间特征图的尺寸与所述第一特征图的尺寸一致。
优选地，所述对多张所述第五特征图进行融合，得到目标图像，包括：
对每一所述第五特征图进行卷积，得到多张第三中间特征图X0，3；
对多张所述第三中间特征图进行合并，得到目标图像。
优选地，对所述第四特征图进行卷积时，卷积核的尺寸为1×1。
优选地，所述提取所述原始图像的第一特征，得到多个第一特征图，包括：
对所述原始图像进行卷积，得到第一张第一特征图；
对所述第一张第一特征图进行下采样和卷积，得到第二张第一特征图；
对所述第二张第一特征图进行下采样和卷积，得到第三张第一特征图，依次类推，直至生成第n张第一特征图。
本发明另一实施例提出了一种图像分割装置，包括：
获取单元，用于获取所述原始图像；
第一特征提取单元，用于提取所述原始图像的第一特征，得到多张第一特征图；
第二特征提取单元，用于提取所述原始图像的第二特征，得到多张第二特征图；
平均映射单元单元，用于对每一所述第一特征图和每一所述第二特征图对应进行平均映射，得到多张第三特征图；
第四特征提取单元，用于对每一所述第一特征图进行上采样，得到多张第四特征图；
跳跃连接单元，用于将每一所述第四特征图和每一所述第三特征图进行对应连接和卷积，得到多张第五特征图；
融合单元，用于对多张所述第五特征图进行融合，得到目标图像。
本发明另一实施例提出了一种计算机设备，包括存储器和处理器，所述存储器中存储有图像分割方法的程序，所述处理器用于执行所述图像分割方法的程序时实现上述图像分割方法的步骤。
本发明另一实施例提出了一种存储介质，所述存储介质为计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述图像分割方法的步骤。
上述图像分割方法方法、装置、计算机设备及存储介质，通过对第一特征图和第二特征图的平均映射，可以将第一特征(也就是高级语义特征)和第二特征(也就是低级语义特征)进行平均映射，使得原始图像中的高级语义特征和低级语义特征均能融合在一起，避免了信息的丢失，通过第一特征图和第三特征图对应进行跳跃连接和卷积，以将提取到的第一特征(高级语义特征)补充至第三特征图中，使得高低层语义融合从而达到更好的精准度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中图像分割方法的流程图；
图2是本发明实施例中一实施方式图像分割方法的流程图；
图3是本发明实施例中另一实施方式图像分割方法的流程图；
图4是本发明实施例中另一实施方式图像分割方法的流程图；
图5是本发明一实施例中图像分割装置的一原理框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，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。
本发明实施例提出一种图像分割方法，该方法可以应用在医学领域，以对医学影像进行图像分割，当然，本发明实施例也可应用在其他领域。图1是本实施例的流程图。具体地，如图1所示，该方法包括以下步骤：
S10：获取原始图像。
需要说明的是，这里的原始图像可以是灰度图、二值图、RGB图等，这里不做具体限定。具体地，原始图像可以采用一定的图像处理技术进行处理得到的。
S20：提取原始图像的第一特征，得到多张第一特征图。
其中，第一特征为原始图像里的高级语义特征，具体可以通过多层卷积层的卷积操作来提取第一特征，以得到第一特征图。以图1为例，可以对原始图像进行3次卷积操作，其中，卷积操作的卷积核和步长可以根据实际需求设置。示例性地，第一特征图的数量可以是n张，分别可以用x0,0、x1,0、x2,0、…xn,0表示。
S30：提取原始图像的第二特征，得到多张第二特征图。
第二特征为原始图像里的低级语义特征，第二特征图不包含第一特征。具体地，可以通过对原始图像进行卷积操作获得，也可以对第一特征图进行上采样获得。需要说明的是，为了保证后续操作的准确性，第一特征图的数量应于第二特征图的数量一致。示例性地，第二特征图的数量可以是n张，分别可以用x0,1、x1,1、x2,1、……xn,1表示。
S40：对每一第一特征图和每一第二特征图对应进行平均映射，得到多张第三特征图X0，1。
将第一特征图x0,0和第二特征图x0,1进行平均映射，得到第三特征图x0,2，依次类推，得到其余的第三特征图x1,2、x2,2、……xn,2。平均映射实际上是多种特征融合的过程，平均映射之后，第三特征图中即包含第一特征，也包含第二特征。进行平均映射之后，第三特征图的数量也是n。
以第一特征图x0,0和第二特征图x0,1为例，平均映射可以是将第一特征图x0,0和第二特征图x0,1同一个位置的像素的特征值取平均值后，得到该位置的新的特征值，依次类推，产生第三特征图。
S50：对每一第一特征图进行上采样，得到多张第四特征图。
具体地，以第一特征图的数量为n为例，先对第n张第一特征图进行上采样和卷积，得到第一张第四特征图，然后对第一张第四特征图进行上采样和卷积，得到第二张第四特征图，依次类推，得到n张第四特征图。
S60：将每一第四特征图和每一第三特征图进行对应连接和卷积，得到多张第五特征图；
具体地，将第n张所述第四特征图与第n张所述第三特征图进行连接后，再进行卷积，得到第n张所述第四特征图，以此类推，得到n张第四特征图。
其中，第四特征图和第三特征图均包含了不同层次的特征，连接是指将不同层次的特征合并到一张特征图中，使得一张特征图内能够包含不同层次的特征。示例性地，可以将第四特征图和第三特征图进行叠加，以得到包含不同特征的第五特征图。
S70：对多张所述第四特征图进行融合，得到目标图像。
本实施例中，通过对第一特征图和第二特征图的平均映射，可以将第一特征(也就是高级语义特征)和第二特征(也就是低级语义特征)进行平均映射，使得原始图像中的高级语义特征和低级语义特征均能融合在一起，避免了信息的丢失，通过第一特征图和第三特征图对应进行跳跃连接和卷积，以将提取到的第一特征(高级语义特征)补充至第三特征图中，使得高低层语义融合从而达到更好的精准度。
本实施例提供了一种实施方式，以获得多张第一特征图。具体地，如图2所示，步骤S2：提取所述原始图像的第一特征，得到多张第一特征图，包括以下步骤：
S21：对原始图像进行卷积，得到第一张第一特征图。
S22：对第一张第一特征图进行下采样和卷积，得到第二张第一特征图。
S23：对第二张第一特征图进行下采样和卷积，得到第三张第一特征图，依次类推，直至生成第n张第一特征图。
可以理解地，在对每一第一特征图进行下采样和卷积之间，可以将第一特征图输入到池化层进行最大池化操作。最大池化操作与常规的神经网络最大池化操作一样，这里不做详细说明。
需要说明的是，本实施例中的n可以取为大于或等于2的正整数。
本实施例中，获得第二特征图的实施方式具有多种，但由于第二特征图中不包含第一特征，因此，获得第二特征图的核心思想就是剔除第一特征，由此，产生一种优选地实施方式，如图3所示：
S31：对每一第一特征图进行上采样，得到n张与第一特征图对应的第一中间特征图。
S32：将每一第一中间特征图与每一第一特征图对应相减，得到n张第二中间特征图。
S33：将每一第二中间特征图进行卷积，得到n张第二特征图。
以对第一张第一特征图进行上采样得到第一中间特征图为例：将第一特征图进行上采样，以将第一特征图恢复到与原始图像相同的尺寸大小，得到第一中间特征图，然后将第一特征图和第一中间特征图进行减操作，具体可以是对图像上的同一位置的像素点的特征值进行减操作，得到第二中间特征图，最后对第二中间特征图进行卷积操作，得到第二特征图。
上述实施方式通过对第一特征图进行上采样，以将第一特征图放大，通过将第一中间特征图和第一特征图之间的减操作剔除第一特征，进而进行卷积，得到包含了更多细节(低级语义特征)的第二特征图。
另外，在生产第一特征图和第二特征图的过程中，可以先生成第一张第一特征图，然后对第一张第一特征图进行上述步骤S31-S33的操作，得到第一张第二特征图，然后再对第一张第一特征图进行下采样和卷积操作，得到第二张第一特征图，依次类推，得到n张第一特征图和n张第二特征图。当然，也可以先生成n张第一特征图，再对第一特征图进行操作，生成n张第二特征图，这里不做具体限定。
为了提高特征提取的精细度和精准度，本实施例提供了一种实施方式，以获取精细度和精准度更高的目标图像。具体地，如图4所示，步骤S7：对多张所述第五特征图进行融合，得到目标图像，包括以下步骤：
S71：对每一所述第五特征图进行卷积，得到多张第三中间特征图；
不同尺度的特征图展示着不同的信息，对于医学影像而言，低级语义特征包含了丰富的空间信息，能够凸显器官的边界，高级语义特征显示了器官的位置信息，连续的池化和卷积实现了对于特征的不同层次、不同感受野的提取。通过对第四特征图的卷积，可以将不同乘次的特征图扩展成目标图像的大小。具体地，可以使用1×1的卷积核来解决上采样不可学习的问题。例如，预先训练出用于进行1×1卷积的模型，在训练过程中，将各个样本都实用真实分割结果进行监督，使得后续在使用该模型生成第三中间特征图，达到更好的效果。
S72：对多张第三中间特征图进行合并，得到目标图像。
具体地，合并操作可以是：先将多张第三中间特征图合并，然后将对应的元素(同一位置的特征值)取平均值，得到该位置的新的特征值，该新的特征值就是目标图像中的特征值。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种图像分割装置，该图像分割装置与上述实施例中图像分割方法一一对应。如图5所示，该图像分割装置包括：
获取单元10，用于获取所述原始图像；
第一特征提取单元20，用于提取所述原始图像的第一特征，得到多张第一特征图；
第二特征提取单元30，用于提取所述原始图像的第二特征，得到多张第二特征图；
平均映射单元单元40，用于对每一所述第一特征图和每一所述第二特征图对应进行平均映射，得到多张第三特征图；
第四特征提取单元，用于对每一所述第一特征图进行上采样，得到多张第四特征图；
跳跃连接单元，用于将每一所述第四特征图和每一所述第三特征图进行对应连接和卷积，得到多张第五特征图；
融合单元60，用于对多张所述第五特征图进行融合，得到目标图像。
关于图像分割装置的具体限定可以参见上文中对于图像分割方法的限定，在此不再赘述。上述图像分割装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述图像分割方法的步骤。
在一个实施例中，提供了一种存储介质，所述存储介质为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时实现上述图像分割方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (6)

1.一种图像分割方法，用于对图像进行分割，得到目标图像，其特征在于，包括：
获取原始图像；
提取所述原始图像的第一特征，得到多张第一特征图；
提取所述原始图像的第二特征，得到多张第二特征图；
对每一所述第一特征图和每一所述第二特征图对应进行平均映射，得到多张第三特征图；
对每一所述第一特征图进行上采样，得到多张第四特征图；
将每一所述第四特征图和每一所述第三特征图进行对应连接和卷积，得到多张第五特征图；
对多张所述第五特征图进行融合，得到目标图像；
所述提取所述原始图像的第二特征，得到多张第二特征图，包括：
对每一所述第一特征图进行上采样，得到n张与所述第一特征图对应的第一中间特征图；
将每一所述第一中间特征图与每一所述第一特征图对应相减，得到n张第二中间特征图；
将每一所述第二中间特征图进行卷积，得到n张所述第二特征图；
所述对多张所述第五特征图进行融合，得到目标图像，包括：
对每一所述第五特征图进行卷积，得到多张第三中间特征图；
对多张所述第三中间特征图进行合并，得到目标图像；
所述提取所述原始图像的第一特征，得到多个第一特征图，包括：
对所述原始图像进行卷积，得到第一张第一特征图；
对所述第一张第一特征图进行下采样和卷积，得到第二张第一特征图；
对所述第二张第一特征图进行下采样和卷积，得到第三张第一特征图，依次类推，直至生成第n张第一特征图。
2.如权利要求1所述的图像分割方法，其特征在于，所述第一中间特征图的尺寸与所述第一特征图的尺寸一致。
3.如权利要求1中所述的图像分割方法，其特征在于，对所述第四特征图进行卷积时，卷积核的尺寸为1×1。
4.一种图像分割装置，其特征在于，包括：
获取单元，用于获取原始图像；
第一特征提取单元，用于提取所述原始图像的第一特征，得到多张第一特征图；
第二特征提取单元，用于提取所述原始图像的第二特征，得到多张第二特征图；
平均映射单元，用于对每一所述第一特征图和每一所述第二特征图对应进行平均映射，得到多张第三特征图；
第四特征提取单元，用于对每一所述第一特征图进行上采样，得到多张第四特征图；
连接单元，用于将每一所述第四特征图和每一所述第三特征图进行对应连接和卷积，得到多张第五特征图；
融合单元，用于对多张所述第五特征图进行融合，得到目标图像；
所述提取所述原始图像的第二特征，得到多张第二特征图，包括：
对每一所述第一特征图进行上采样，得到n张与所述第一特征图对应的第一中间特征图；
将每一所述第一中间特征图与每一所述第一特征图对应相减，得到n张第二中间特征图；
将每一所述第二中间特征图进行卷积，得到n张所述第二特征图；
所述对多张所述第五特征图进行融合，得到目标图像，包括：
对每一所述第五特征图进行卷积，得到多张第三中间特征图；
对多张所述第三中间特征图进行合并，得到目标图像；
所述提取所述原始图像的第一特征，得到多个第一特征图，包括：
对所述原始图像进行卷积，得到第一张第一特征图；
对所述第一张第一特征图进行下采样和卷积，得到第二张第一特征图；
对所述第二张第一特征图进行下采样和卷积，得到第三张第一特征图，依次类推，直至生成第n张第一特征图。
5.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有图像分割方法的程序，所述处理器用于执行所述图像分割方法的程序时实现如权利要求1至3任一项所述的图像分割方法的步骤。
6.一种存储介质，所述存储介质为计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述图像分割方法的步骤。
CN202010675686.XA 2020-07-14 2020-07-14 图像分割方法、装置、计算机设备及存储介质 Active CN111899263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010675686.XA CN111899263B (zh) 2020-07-14 2020-07-14 图像分割方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010675686.XA CN111899263B (zh) 2020-07-14 2020-07-14 图像分割方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN111899263A CN111899263A (zh) 2020-11-06
CN111899263B true CN111899263B (zh) 2023-10-17

Family

ID=73192655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010675686.XA Active CN111899263B (zh) 2020-07-14 2020-07-14 图像分割方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111899263B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837965A (zh) * 2021-09-26 2021-12-24 北京百度网讯科技有限公司 图像清晰度识别方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447990A (zh) * 2018-10-22 2019-03-08 北京旷视科技有限公司 图像语义分割方法、装置、电子设备和计算机可读介质
CN110111334A (zh) * 2019-04-01 2019-08-09 浙江大华技术股份有限公司 一种裂缝分割方法、装置、电子设备及存储介质
CN110136136A (zh) * 2019-05-27 2019-08-16 北京达佳互联信息技术有限公司 场景分割方法、装置、计算机设备及存储介质
CN110363780A (zh) * 2019-07-23 2019-10-22 腾讯科技（深圳）有限公司 图像分割方法、装置、计算机可读存储介质和计算机设备
CN110598714A (zh) * 2019-08-19 2019-12-20 中国科学院深圳先进技术研究院 一种软骨图像分割方法、装置、可读存储介质及终端设备
CN111161269A (zh) * 2019-12-23 2020-05-15 上海联影智能医疗科技有限公司 图像分割方法、计算机设备和可读存储介质
CN111192278A (zh) * 2019-12-31 2020-05-22 北京迈格威科技有限公司 语义分割方法、装置、计算机设备和计算机可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447990A (zh) * 2018-10-22 2019-03-08 北京旷视科技有限公司 图像语义分割方法、装置、电子设备和计算机可读介质
CN110111334A (zh) * 2019-04-01 2019-08-09 浙江大华技术股份有限公司 一种裂缝分割方法、装置、电子设备及存储介质
CN110136136A (zh) * 2019-05-27 2019-08-16 北京达佳互联信息技术有限公司 场景分割方法、装置、计算机设备及存储介质
CN110363780A (zh) * 2019-07-23 2019-10-22 腾讯科技（深圳）有限公司 图像分割方法、装置、计算机可读存储介质和计算机设备
CN110598714A (zh) * 2019-08-19 2019-12-20 中国科学院深圳先进技术研究院 一种软骨图像分割方法、装置、可读存储介质及终端设备
CN111161269A (zh) * 2019-12-23 2020-05-15 上海联影智能医疗科技有限公司 图像分割方法、计算机设备和可读存储介质
CN111192278A (zh) * 2019-12-31 2020-05-22 北京迈格威科技有限公司 语义分割方法、装置、计算机设备和计算机可读存储介质

Also Published As

Publication number Publication date
CN111899263A (zh) 2020-11-06

Similar Documents

Publication Publication Date Title
CN111179177B (zh) 图像重建模型训练方法、图像重建方法、设备及介质
CN109978756B (zh) 目标检测方法、系统、装置、存储介质和计算机设备
CN111079632A (zh) 文本检测模型的训练方法、装置、计算机设备和存储介质
CN110516541B (zh) 文本定位方法、装置、计算机可读存储介质和计算机设备
CN111161269B (zh) 图像分割方法、计算机设备和可读存储介质
CN113012155B (zh) 髋关节图像中骨骼分割方法、电子设备及存储介质
CN110210519B (zh) 分类方法、计算机设备和存储介质
CN110210543B (zh) 图像分类系统、方法、设备和存储介质
CN110210544B (zh) 图像分类方法、计算机设备和存储介质
CN115713487A (zh) 用于x射线焊缝图像的缺陷识别方法、设备和存储介质
CN110188813B (zh) 图像特征分类方法、计算机设备和存储介质
CN113962959A (zh) 三维图像处理方法、装置、计算机设备和存储介质
CN113935943A (zh) 颅内动脉瘤识别检测的方法、装置、计算机设备和存储介质
CN112241646A (zh) 车道线识别方法、装置、计算机设备和存储介质
CN112884648A (zh) 多类模糊图像超分辨率重建的方法和系统
CN111899263B (zh) 图像分割方法、装置、计算机设备及存储介质
CN115223012A (zh) 一种去遮罩人脸恢复的方法、装置、计算机设备和介质
CN112115860A (zh) 人脸关键点定位方法、装置、计算机设备和存储介质
CN110084809B (zh) 糖尿病视网膜疾病数据处理方法、装置及电子设备
CN113706451A (zh) 颅内动脉瘤识别检测的方法、装置、系统和计算机可读存储介质
CN111160441B (zh) 分类方法、计算机设备和存储介质
CN116109645B (zh) 基于先验知识的智能处理方法、装置、设备和介质
CN110310314B (zh) 图像配准方法、装置、计算机设备和存储介质
CN111598055A (zh) 文本检测方法、装置、计算机设备和存储介质
CN110766653B (zh) 图像分割方法、装置、计算机设备和存储介质

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