CN114638851B - 一种基于生成对抗网络的图像分割方法、系统及存储介质 - Google Patents
一种基于生成对抗网络的图像分割方法、系统及存储介质 Download PDFInfo
- Publication number
- CN114638851B CN114638851B CN202210532719.4A CN202210532719A CN114638851B CN 114638851 B CN114638851 B CN 114638851B CN 202210532719 A CN202210532719 A CN 202210532719A CN 114638851 B CN114638851 B CN 114638851B
- Authority
- CN
- China
- Prior art keywords
- segmentation
- processing object
- threshold
- value
- attribute
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于生成对抗网络的图像分割方法,包括:S1.对待分割的图像进行分析处理,将待分割的图像标记为处理对象,计算处理对象的属性系数;S2.判断所述处理对象是否存在匹配的分割阈值,若是则直接调用匹配的分割阈值,否则通过生成对抗网络的生成模型基于处理对象的属性系数生成分割阈值;S3.按照所述分割阈值将处理对象的像素格区分为背景像素与物体像素,将处理对象中的背景像素与物体像素进行分离,完成分割处理;S4.对处理对象分割处理的分割质量进行评估。
Description
技术领域
本发明涉及图像处理技术领域,更具体地,涉及一种基于生成对抗网络的图像分割方法、系统及存储介质。
背景技术
目前,在图像处理技术领域,常常需要使用到图像分割这一技术手段。
图像分割包括将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过程,它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要包括以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。
然而,上述现有的图像分割方法没有在完成图像分割后对分割行为的准确性进行分析,因此无法通过分割结果对分割质量进行验证,从而确保分割质量。
发明内容
本发明的发明目的在于提供一种基于生成对抗网络的图像分割方法,用于解决现有技术由于缺乏对分割质量进行评估而导致的无法确保图像分割质量的技术问题。
为实现以上发明目的,采用的技术方案是:
一种基于生成对抗网络的图像分割方法,包括:
S1.对待分割的图像进行分析处理,将待分割的图像标记为处理对象,计算处理对象的属性系数;
S2.判断所述处理对象是否存在匹配的分割阈值,若是则直接调用匹配的分割阈值,否则通过生成对抗网络的生成模型基于处理对象的属性系数生成分割阈值;
S3.按照所述分割阈值将处理对象的像素格区分为背景像素与物体像素,将处理对象中的背景像素与物体像素进行分离,完成分割处理;
S4.对处理对象分割处理的分割质量进行评估。
优选地,所述计算处理对象的属性系数,包括:
获取处理对象的内存数据NS以及灰度数据HS进行数值计算得到处理对象的属性系数SX。
优选地,处理对象的内存数据NS以及灰度数据HS进行数值计算得到处理对象的属性系数SX,具体包括:
SX=α1×NS+α2×HS
其中α1与α2均为比例系数。
优选地,所述的内存数据NS为处理对象的内存值;
所述的灰度数据HS的获取过程包括:将处理对象放大为像素格图像,对像素格图像进行灰度变换得到像素格图像中各个像素格的灰度值,将所有像素格的灰度值进行求和取平均数得到处理对象的灰度数据HS。
优选地,所述通过生成对抗网络的生成模型基于处理对象的属性系数生成分割阈值,包括:
将生成对抗网络的生成模型内的属性范围的最大值与最小值的平均值标记为属性标准值;将属性系数进行阈值计算得到属性阈值SXmin、SXmax ,其中SXmin为最小属性阈值,SXmax为最大属性阈值;将数值位于最小属性阈值SXmin与最大属性阈值SXmax之间的属性标准值所对应的分割阈值标记为标记值,将标记值进行求和取平均数得到输出值,将输出值作为处理对象的分割阈值进行输出。
优选地,所述按照所述分割阈值将处理对象的像素格区分为背景像素与物体像素,具体包括:
将处理对象的像素格的灰度值逐一与分割阈值进行比较:
若处理对象的像素格的灰度值小于分割阈值,则将对应的像素格标记为背景像素;
若处理对象的像素格的灰度值大于或等于分割阈值,则将对应的像素格标记为物体像素。
优选地,所述对处理对象分割处理的分割质量进行评估,包括:
定义最小分割比阈值FGmin、最大分割比阈值FGmax;
将分割后的处理对象的背景像素的数量与物体像素的数量分别标记为m与n,将m与n的比值标记为分割比FG;
将分割比FG与FGmin、FGmax进行比较并通过比较结果对分割阈值是否准确进行判定,评估分割质量。
优选地,所述将分割比FG与FGmin、FGmax进行比较并通过比较结果对分割阈值是否准确进行判定,包括:
若FG≤FGmin或FG≥FGmax,则判定分割阈值不准确;通过生成对抗网络的生成模型重新生成新的分割阈值,然后重新执行步骤S3-S4;
若FGmin<FG<FGmax,则判定分割阈值准确,发送分割完成信号。
同时,本发明还提供了一种基于上述图像分割方法的系统,其具体的方案如下:
一种基于生成对抗网络的图像分割系统,包括图像处理模块、分割阈值获取模块、分割处理模块及分割评估模块;
其中图像处理模块用于对待分割的图像进行分析处理,将待分割的图像标记为处理对象,计算处理对象的属性系数;
分割阈值获取模块用于判断所述处理对象是否存在匹配的分割阈值,若是则直接调用匹配的分割阈值,否则通过生成对抗网络的生成模型基于处理对象的属性系数生成分割阈值;
分割处理模块用于按照所述分割阈值将处理对象的像素格区分为背景像素与物体像素,将处理对象中的背景像素与物体像素进行分离,完成分割处理;
分割评估模块用于对处理对象分割处理的分割质量进行评估;
所述分割阈值获取模块通过生成对抗网络的生成模型基于处理对象的属性系数生成分割阈值,包括:
将生成对抗网络的生成模型内的属性范围的最大值与最小值的平均值标记为属性标准值;将属性系数进行阈值计算得到属性阈值SXmin、SXmax ,其中SXmin为最小属性阈值,SXmax为最大属性阈值;将数值位于最小属性阈值SXmin与最大属性阈值SXmax之间的属性标准值所对应的分割阈值标记为标记值,将标记值进行求和取平均数得到输出值,将输出值作为处理对象的分割阈值进行输出;
所述分割评估模块对处理对象分割处理的分割质量进行评估,包括:
定义最小分割比阈值FGmin、最大分割比阈值FGmax;
将分割后的处理对象的背景像素的数量与物体像素的数量分别标记为m与n,将m与n的比值标记为分割比FG;
将分割比FG与FGmin、FGmax进行比较并通过比较结果对分割阈值是否准确进行判定,评估分割质量;
所述将分割比FG与FGmin、FGmax进行比较并通过比较结果对分割阈值是否准确进行判定,包括:
若FG≤FGmin或FG≥FGmax,则判定分割阈值不准确;通过生成对抗网络的生成模型重新生成新的分割阈值,分割处理模块按照所述新的分割阈值将处理对象的像素格区分为背景像素与物体像素,将处理对象中的背景像素与物体像素进行分离,完成分割处理;分割评估模块对处理对象分割处理的分割质量进行评估;
若FGmin<FG<FGmax,则判定分割阈值准确,发送分割完成信号。
另外,本发明还提供了一种应用上述图像分割方法的存储介质,其具体的方案如下:
一种存储介质,包括一存储器及一处理器,所述存储器内存储有程序,所述程序被所述处理器调用时,所述处理器执行上述图像分割方法的方法步骤。
与现有技术相比,本发明的有益效果是:
(1)本发明提供的图像分割方法在完成图像分割后增加分割评估的步骤对分割质量进行评估,确保以分割阈值作为分割基准的前提下,背景像素和物体像素的数量分布能够满足基本要求,进而确保图像分割结果的准确性。
(2)本发明提供的图像分割方法对待分割的图像的属性进行提取得到属性系数,通过属性系数对处理对象进行属性参数量化,进而通过过往案例获得处理对象所匹配的分割阈值,操作简单方便,效率较高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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它的附图。
图1为基于生成对抗网络的图像分割方法的流程示意图。
图2为基于生成对抗网络的图像分割系统的结构示意图。
图3为存储介质的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
如图1所示,本发明提供的基于生成对抗网络的图像分割方法包括有以下步骤:
S1.对待分割的图像进行分析处理,将待分割的图像标记为处理对象,计算处理对象的属性系数;
S2.判断所述处理对象是否存在匹配的分割阈值,若是则直接调用匹配的分割阈值,否则通过生成对抗网络的生成模型基于处理对象的属性系数生成分割阈值;
S3.按照所述分割阈值将处理对象的像素格区分为背景像素与物体像素,将处理对象中的背景像素与物体像素进行分离,完成分割处理;
S4.对处理对象分割处理的分割质量进行评估。
其中,步骤S1-S4中的部分或全部可在服务器端完成,或者由服务器端配合其他的硬件模块完成。
在具体的实施过程中,所述计算处理对象的属性系数,包括:
获取处理对象的内存数据NS以及灰度数据HS进行数值计算得到处理对象的属性系数SX。
在具体的实施过程中,处理对象的内存数据NS以及灰度数据HS进行数值计算得到处理对象的属性系数SX,具体包括:
SX=α1×NS+α2×HS
其中α1与α2均为比例系数。
在具体的实施过程中,所述的内存数据NS为处理对象的内存值;
所述的灰度数据HS的获取过程包括:将处理对象放大为像素格图像,对像素格图像进行灰度变换得到像素格图像中各个像素格的灰度值,将所有像素格的灰度值进行求和取平均数得到处理对象的灰度数据HS。
在具体的实施过程中,所述判断所述处理对象是否存在匹配的分割阈值,具体包括:
接收处理对象的属性系数,在存储模块中查找是否存在与该属性系数相匹配的属性范围,若存在,则在存储模块中直接提取与属性范围相匹配的分割阈值进行输出。
在具体的实施过程中,所述通过生成对抗网络的生成模型基于处理对象的属性系数生成分割阈值,包括:
将生成对抗网络的生成模型内的属性范围的最大值与最小值的平均值标记为属性标准值;将属性系数进行阈值计算得到属性阈值SXmin、SXmax ,其中SXmin为最小属性阈值,SXmax为最大属性阈值;将数值位于最小属性阈值SXmin与最大属性阈值SXmax之间的属性标准值所对应的分割阈值标记为标记值,将标记值进行求和取平均数得到输出值,将输出值作为处理对象的分割阈值进行输出。
其中,SXmin=β1×SX,SXmax=β2×SX,β1与β2均为比例系数,且0.75≤β1≤0.85;1.15≤β2≤1.25。
在具体的实施过程中,所述按照所述分割阈值将处理对象的像素格区分为背景像素与物体像素,具体包括:
将处理对象的像素格的灰度值逐一与分割阈值进行比较:
若处理对象的像素格的灰度值小于分割阈值,则将对应的像素格标记为背景像素;
若处理对象的像素格的灰度值大于或等于分割阈值,则将对应的像素格标记为物体像素。
在具体的实施过程中,所述对处理对象分割处理的分割质量进行评估,包括:
定义最小分割比阈值FGmin、最大分割比阈值FGmax;
将分割后的处理对象的背景像素的数量与物体像素的数量分别标记为m与n,将m与n的比值标记为分割比FG;
将分割比FG与FGmin、FGmax进行比较并通过比较结果对分割阈值是否准确进行判定,评估分割质量。
在具体的实施过程中,所述将分割比FG与FGmin、FGmax进行比较并通过比较结果对分割阈值是否准确进行判定,包括:
若FG≤FGmin或FG≥FGmax,则判定分割阈值不准确;通过生成对抗网络的生成模型重新生成新的分割阈值,然后重新执行步骤S3-S4;
若FGmin<FG<FGmax,则判定分割阈值准确,发送分割完成信号。
实施例2
本实施例提供了一种应用实施例1所述图像分割方法的系统,如图2所示,其具体的方案如下:
一种基于生成对抗网络的图像分割系统,包括图像处理模块、分割阈值获取模块、分割处理模块及分割评估模块;
其中图像处理模块用于对待分割的图像进行分析处理,将待分割的图像标记为处理对象,计算处理对象的属性系数;
分割阈值获取模块用于判断所述处理对象是否存在匹配的分割阈值,若是则直接调用匹配的分割阈值,否则通过生成对抗网络的生成模型基于处理对象的属性系数生成分割阈值;
分割处理模块用于按照所述分割阈值将处理对象的像素格区分为背景像素与物体像素,将处理对象中的背景像素与物体像素进行分离,完成分割处理;
分割评估模块用于对处理对象分割处理的分割质量进行评估;
所述分割阈值获取模块通过生成对抗网络的生成模型基于处理对象的属性系数生成分割阈值,包括:
将生成对抗网络的生成模型内的属性范围的最大值与最小值的平均值标记为属性标准值;将属性系数进行阈值计算得到属性阈值SXmin、SXmax ,其中SXmin为最小属性阈值,SXmax为最大属性阈值;将数值位于最小属性阈值SXmin与最大属性阈值SXmax之间的属性标准值所对应的分割阈值标记为标记值,将标记值进行求和取平均数得到输出值,将输出值作为处理对象的分割阈值进行输出;
所述分割评估模块对处理对象分割处理的分割质量进行评估,包括:
定义最小分割比阈值FGmin、最大分割比阈值FGmax;
将分割后的处理对象的背景像素的数量与物体像素的数量分别标记为m与n,将m与n的比值标记为分割比FG;
将分割比FG与FGmin、FGmax进行比较并通过比较结果对分割阈值是否准确进行判定,评估分割质量;
所述将分割比FG与FGmin、FGmax进行比较并通过比较结果对分割阈值是否准确进行判定,包括:
若FG≤FGmin或FG≥FGmax,则判定分割阈值不准确;通过生成对抗网络的生成模型重新生成新的分割阈值,分割处理模块按照所述新的分割阈值将处理对象的像素格区分为背景像素与物体像素,将处理对象中的背景像素与物体像素进行分离,完成分割处理;分割评估模块对处理对象分割处理的分割质量进行评估;
若FGmin<FG<FGmax,则判定分割阈值准确,发送分割完成信号。
实施例3
本实施例提供了一种应用实施例1所述图像分割方法的存储介质,如图3所示,其具体的方案如下:
一种存储介质,包括一存储器及一处理器,所述存储器内存储有程序,所述程序被所述处理器调用时,所述处理器执行实施例1图像分割方法的方法步骤。
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。例如,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,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,在本发明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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元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,本发明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全部或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)执行本发明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(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上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。
Claims (7)
1.一种基于生成对抗网络的图像分割方法,其特征在于:包括:
S1.对待分割的图像进行分析处理,将待分割的图像标记为处理对象,计算处理对象的属性系数;
S2.判断所述处理对象是否存在匹配的分割阈值,若是则直接调用匹配的分割阈值,否则通过生成对抗网络的生成模型基于处理对象的属性系数生成分割阈值;
S3.按照所述分割阈值将处理对象的像素格区分为背景像素与物体像素,将处理对象中的背景像素与物体像素进行分离,完成分割处理;
S4.对处理对象分割处理的分割质量进行评估;
所述通过生成对抗网络的生成模型基于处理对象的属性系数生成分割阈值,包括:
将生成对抗网络的生成模型内的属性范围的最大值与最小值的平均值标记为属性标准值;将属性系数进行阈值计算得到属性阈值SXmin、SXmax ,其中SXmin为最小属性阈值,SXmax为最大属性阈值;将数值位于最小属性阈值SXmin与最大属性阈值SXmax之间的属性标准值所对应的分割阈值标记为标记值,将标记值进行求和取平均数得到输出值,将输出值作为处理对象的分割阈值进行输出;
所述对处理对象分割处理的分割质量进行评估,包括:
定义最小分割比阈值FGmin、最大分割比阈值FGmax;
将分割后的处理对象的背景像素的数量与物体像素的数量分别标记为m与n,将m与n的比值标记为分割比FG;
将分割比FG与FGmin、FGmax进行比较并通过比较结果对分割阈值是否准确进行判定,评估分割质量;
所述将分割比FG与FGmin、FGmax进行比较并通过比较结果对分割阈值是否准确进行判定,包括:
若FG≤FGmin或FG≥FGmax,则判定分割阈值不准确;通过生成对抗网络的生成模型重新生成新的分割阈值,然后重新执行步骤S3-S4;
若FGmin<FG<FGmax,则判定分割阈值准确,发送分割完成信号。
2.根据权利要求1所述的基于生成对抗网络的图像分割方法,其特征在于:所述计算处理对象的属性系数,包括:
获取处理对象的内存数据NS以及灰度数据HS进行数值计算得到处理对象的属性系数SX。
3.根据权利要求2所述的基于生成对抗网络的图像分割方法,其特征在于:处理对象的内存数据NS以及灰度数据HS进行数值计算得到处理对象的属性系数SX,具体包括:
SX=α1×NS+α2×HS
其中α1与α2均为比例系数。
4.根据权利要求2所述的基于生成对抗网络的图像分割方法,其特征在于:所述的内存数据NS为处理对象的内存值;
所述的灰度数据HS的获取过程包括:将处理对象放大为像素格图像,对像素格图像进行灰度变换得到像素格图像中各个像素格的灰度值,将所有像素格的灰度值进行求和取平均数得到处理对象的灰度数据HS。
5.根据权利要求1所述的基于生成对抗网络的图像分割方法,其特征在于:所述按照所述分割阈值将处理对象的像素格区分为背景像素与物体像素,具体包括:
将处理对象的像素格的灰度值逐一与分割阈值进行比较:
若处理对象的像素格的灰度值小于分割阈值,则将对应的像素格标记为背景像素;
若处理对象的像素格的灰度值大于或等于分割阈值,则将对应的像素格标记为物体像素。
6.一种基于生成对抗网络的图像分割系统,其特征在于:包括图像处理模块、分割阈值获取模块、分割处理模块及分割评估模块;
其中图像处理模块用于对待分割的图像进行分析处理,将待分割的图像标记为处理对象,计算处理对象的属性系数;
分割阈值获取模块用于判断所述处理对象是否存在匹配的分割阈值,若是则直接调用匹配的分割阈值,否则通过生成对抗网络的生成模型基于处理对象的属性系数生成分割阈值;
分割处理模块用于按照所述分割阈值将处理对象的像素格区分为背景像素与物体像素,将处理对象中的背景像素与物体像素进行分离,完成分割处理;
分割评估模块用于对处理对象分割处理的分割质量进行评估;
所述分割阈值获取模块通过生成对抗网络的生成模型基于处理对象的属性系数生成分割阈值,包括:
将生成对抗网络的生成模型内的属性范围的最大值与最小值的平均值标记为属性标准值;将属性系数进行阈值计算得到属性阈值SXmin、SXmax ,其中SXmin为最小属性阈值,SXmax为最大属性阈值;将数值位于最小属性阈值SXmin与最大属性阈值SXmax之间的属性标准值所对应的分割阈值标记为标记值,将标记值进行求和取平均数得到输出值,将输出值作为处理对象的分割阈值进行输出;
所述分割评估模块对处理对象分割处理的分割质量进行评估,包括:
定义最小分割比阈值FGmin、最大分割比阈值FGmax;
将分割后的处理对象的背景像素的数量与物体像素的数量分别标记为m与n,将m与n的比值标记为分割比FG;
将分割比FG与FGmin、FGmax进行比较并通过比较结果对分割阈值是否准确进行判定,评估分割质量;
所述将分割比FG与FGmin、FGmax进行比较并通过比较结果对分割阈值是否准确进行判定,包括:
若FG≤FGmin或FG≥FGmax,则判定分割阈值不准确;通过生成对抗网络的生成模型重新生成新的分割阈值,分割处理模块按照所述新的分割阈值将处理对象的像素格区分为背景像素与物体像素,将处理对象中的背景像素与物体像素进行分离,完成分割处理;分割评估模块对处理对象分割处理的分割质量进行评估;
若FGmin<FG<FGmax,则判定分割阈值准确,发送分割完成信号。
7.一种存储介质,包括一存储器及一处理器,所述存储器内存储有程序,其特征在于:所述程序被所述处理器调用时,所述处理器执行权利要求1-5任一项所述图像分割方法的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210532719.4A CN114638851B (zh) | 2022-05-17 | 2022-05-17 | 一种基于生成对抗网络的图像分割方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210532719.4A CN114638851B (zh) | 2022-05-17 | 2022-05-17 | 一种基于生成对抗网络的图像分割方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114638851A CN114638851A (zh) | 2022-06-17 |
CN114638851B true CN114638851B (zh) | 2022-09-27 |
Family
ID=81953397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210532719.4A Active CN114638851B (zh) | 2022-05-17 | 2022-05-17 | 一种基于生成对抗网络的图像分割方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114638851B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340815A (zh) * | 2020-03-09 | 2020-06-26 | 电子科技大学 | 一种基于大津法与k均值法的自适应图像分割方法 |
CN112085738A (zh) * | 2020-08-14 | 2020-12-15 | 南京邮电大学 | 一种基于生成对抗网络的图像分割方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955940B (zh) * | 2014-05-16 | 2018-01-16 | 天津重方科技有限公司 | 一种基于x射线背散射图像的人体隐藏物的检测方法 |
CN104700415B (zh) * | 2015-03-23 | 2018-04-24 | 华中科技大学 | 一种图像匹配跟踪中匹配模板的选取方法 |
EP3772721A1 (en) * | 2019-08-07 | 2021-02-10 | Siemens Healthcare GmbH | Shape-based generative adversarial network for segmentation in medical imaging |
CN114445320A (zh) * | 2020-11-02 | 2022-05-06 | 千寻位置网络有限公司 | 图像分割质量的评测方法、装置、电子设备和存储介质 |
EP3996054B1 (en) * | 2020-11-09 | 2023-12-27 | Samsung Electronics Co., Ltd. | Method and apparatus for image segmentation |
CN112418150A (zh) * | 2020-12-03 | 2021-02-26 | 佳都新太科技股份有限公司 | 掌静脉图像评估方法、装置、计算机设备及存储介质 |
-
2022
- 2022-05-17 CN CN202210532719.4A patent/CN114638851B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340815A (zh) * | 2020-03-09 | 2020-06-26 | 电子科技大学 | 一种基于大津法与k均值法的自适应图像分割方法 |
CN112085738A (zh) * | 2020-08-14 | 2020-12-15 | 南京邮电大学 | 一种基于生成对抗网络的图像分割方法 |
Non-Patent Citations (1)
Title |
---|
基于GA-Otsu法的图像阈值分割及定量识别;赵夫群等;《吉林大学学报(工学版)》;20170515(第03期);第272-277页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114638851A (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111597348A (zh) | 用户画像方法、装置、计算机设备和存储介质 | |
CN115730605B (zh) | 基于多维信息的数据分析方法 | |
CN111931809A (zh) | 数据的处理方法、装置、存储介质及电子设备 | |
CN111199186A (zh) | 图像质量评分模型训练方法、装置、设备及存储介质 | |
WO2023130661A1 (zh) | 一种二维频谱多普勒超声心动图像的处理方法和装置 | |
CN114638851B (zh) | 一种基于生成对抗网络的图像分割方法、系统及存储介质 | |
CN116188917B (zh) | 缺陷数据生成模型训练方法、缺陷数据生成方法及装置 | |
CN116774986A (zh) | 软件开发工作量自动评估方法、装置、存储介质及处理器 | |
CN111369531A (zh) | 图像清晰度的评分方法、设备及存储装置 | |
CN116168213A (zh) | 人流量数据的识别方法和人流量数据识别模型的训练方法 | |
CN113435464B (zh) | 异常数据检测方法、装置、电子设备及计算机存储介质 | |
CN115205163A (zh) | 一种标识图像的处理方法、装置、设备及存储介质 | |
CN111597096B (zh) | 一种基准测试方法、系统及终端设备 | |
CN111256609B (zh) | 一种检测usb接口深度的方法及设备 | |
CN114358548A (zh) | 一种确定评价指标的方法、装置及电子设备 | |
CN112634938A (zh) | 基于音频的人员积极性分析方法、装置、设备及存储介质 | |
CN112861874A (zh) | 一种基于多滤波器去噪结果的专家场去噪方法及系统 | |
CN111815689A (zh) | 一种半自动化标注方法、设备、介质及装置 | |
CN116665138B (zh) | 一种汽车配件冲压加工视觉检测方法及系统 | |
CN114550289B (zh) | 一种行为识别方法、系统及电子设备 | |
CN112115609B (zh) | 功耗仿真评估方法及装置 | |
CN110728615B (zh) | 基于序贯假设检验的隐写分析方法、终端设备及存储介质 | |
CN117440104B (zh) | 一种基于目标显著性特征的数据压缩重建方法 | |
CN116912634B (zh) | 目标追踪模型的训练方法及装置 | |
CN116612284A (zh) | 一种小部件图像分割方法及相关设备 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method, system, and storage medium for image segmentation based on generative adversarial networks Effective date of registration: 20230825 Granted publication date: 20220927 Pledgee: Guangzhou Rural Commercial Bank Co.,Ltd. Huaxia Branch Pledgor: Guangzhou youkegu Technology Co.,Ltd. Registration number: Y2023980053830 |