CN114972380A - 边缘分割方法和装置 - Google Patents
边缘分割方法和装置 Download PDFInfo
- Publication number
- CN114972380A CN114972380A CN202210588112.8A CN202210588112A CN114972380A CN 114972380 A CN114972380 A CN 114972380A CN 202210588112 A CN202210588112 A CN 202210588112A CN 114972380 A CN114972380 A CN 114972380A
- Authority
- CN
- China
- Prior art keywords
- result
- image
- segmentation
- segmentation result
- edge position
- 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.)
- Pending
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 223
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000004044 response Effects 0.000 claims abstract description 9
- 230000004927 fusion Effects 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 23
- 230000000877 morphologic effect Effects 0.000 claims description 20
- 239000002245 particle Substances 0.000 claims description 19
- 230000010339 dilation Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000003628 erosive effect Effects 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 7
- 210000004556 brain Anatomy 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 210000004072 lung Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20036—Morphological image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了边缘分割方法和装置,具体涉及图像处理技术领域。具体实现方案为:响应于获取到包含目标对象的待分割图像的粗分割结果,基于粗分割结果,获取预测区域的边缘位置点,其中,粗分割结果包括目标对象的预测区域;基于所述边缘位置点,在待分割图像中扣取图像块;对扣取图像块进行细分割,并基于细分割结果,确定目标对象的边缘分割结果。该方式有效提升了确定出的边缘分割结果的准确性。
Description
技术领域
本公开涉及计算机技术领域,具体涉及图像处理技术领域,尤其涉及一种边缘分割方法和装置。
背景技术
现有技术中,图像处理方法主要包括单一阶段方法和两阶段方法,单一阶段方法又包括整图输入和分块输入。
对于单一阶段方法,整图输入的方式,优点是能够保留图像的全局上下文信息;算法预处理和后处理的逻辑相对简单;但由于三维影像原尺寸占用显存过大,对GPU显存的依赖性比较高。分块输入的方式,优点是增加了数据的多样性,且能够灵活的利用GPU显存;但这种方式丢失了目标的上下文信息,不合理的图像分块会导致图像块边缘处的目标分割效果欠佳。
对于两阶段方法:粗到细的两阶段方法缺点是第二阶段是基于第一阶段的粗分割结果,将目标区域从原图中扣取成较小的区域,作为第二阶段的输入进行精细化分割,原始的信息还是存在丢失的问题。
发明内容
本公开实施例提供了一种边缘分割方法、装置、设备以及存储介质。
第一方面,本公开实施例提供了一种边缘分割方法,该方法包括:响应于获取到包含目标对象的待分割图像的粗分割结果,基于粗分割结果,获取预测区域的边缘位置点,其中,粗分割结果包括目标对象的预测区域;基于边缘位置点,在待分割图像中扣取图像块;对扣取图像块进行细分割,并基于细分割结果,确定目标对象的边缘分割结果。
第二方面,本公开实施例提供了一种边缘分割装置,该装置包括:获取模块,被配置成响应于获取到包含目标对象的待分割图像的粗分割结果,基于粗分割结果,获取预测区域的边缘位置点,其中,粗分割结果包括目标对象的预测区域;扣取模块,被配置成基于边缘位置点,在待分割图像中扣取图像块;分割模块,被配置成对扣取图像块进行细分割,并基于细分割结果,确定目标对象的边缘分割结果。
第三方面,本公开实施例提供了一种电子设备,该电子设备包括一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被该一个或多个处理器执行,使得一个或多个处理器实现如第一方面的任一实施例的边缘分割方法。
第四方面,本公开实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面的任一实施例的边缘分割方法。
第五方面,本公开实施例提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如第一方面的任一实施例的边缘分割方法。
本公开提升了确定出的边缘分割结果的准确性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其他特征将通过以下的说明书而变得容易理解。
附图说明
图1是本公开可以应用于其中的示例性系统架构图;
图2a是根据本公开的边缘分割方法的一个实施例的流程图;
图2b是根据本公开的边缘分割方法的一个应用场景的示意图;
图3是根据本公开的边缘分割方法的又一个应用场景的示意图;
图4是根据本公开的边缘分割方法的又一个实施例的流程图;
图5是根据本公开的边缘分割方法的又一个应用场景的示意图;
图6是根据本公开的边缘分割方法的又一个应用场景的示意图;
图7是根据本公开的边缘分割方法的又一个实施例的流程图;
图8是根据本公开的边缘分割装置的一个实施例的示意图;
图9是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的边缘分割方法的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装深度神经网络框架。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种电子设备,包括但不限于手机和笔记本电脑。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供边缘分割服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如,响应于获取到包含目标对象的待分割图像的粗分割结果,基于粗分割结果,获取预测区域的边缘位置点,其中,粗分割结果包括目标对象的预测区域;基于所述边缘位置点,在待分割图像中扣取图像块;对扣取图像块进行细分割,并基于细分割结果,确定目标对象的边缘分割结果。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供边缘分割服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要指出的是,本公开的实施例所提供的边缘分割方法可以由服务器105执行,也可以由终端设备101、102、103执行,还可以由服务器105和终端设备101、102、103彼此配合执行。相应地,边缘分割装置包括的各个部分(例如各个单元、子单元、模块、子模块)可以全部设置于服务器105中,也可以全部设置于终端设备101、102、103中,还可以分别设置于服务器105和终端设备101、102、103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2a示出了边缘分割方法的实施例的流程示意图200。该边缘分割方法包括以下步骤:
步骤201,响应于获取到包含目标对象的待分割图像的粗分割结果,基于粗分割结果,获取预测区域的边缘位置点。
在本实施例中,执行主体(例如,图1中的服务器105或终端设备101、102、103)可以首先采用有线或无线的方式获取包含目标对象的待分割图像,并将待分割图像输入预设的粗分割模型进行粗分割,得到待分割图像的粗分割结果,即得到标注出待分割图像中目标对象的预测区域的图像。
其中,无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
这里,待分割图像可以是包括目标对象的任意图像,如,肺部三维图像(目标对象为肺部结构),脑部三维图像(目标对象为大脑结构)等,本申请对此不作限定。
其中,预设的粗分割模型可以为现有技术或未来发展技术中的对图像进行粗分割的模型,例如,FCN(Fully Convolutional Network,全卷积网络)、U-net等,本申请对此不作限定。预设的粗分割模型可以基于标注有粗分割结果的待分割图像样本训练得到。
这里,需要指出的是,由于GPU显存不足,需要将待分割图像样本及所对应的粗分割结果进行下采样,得到下采样结果,基于下采样结果对模型进行训练。
具体地,如图2b所示,预设的粗分割模型采用的是U-net算法框架。U-net框架可以包括编码器和解码器。其中,编码器包括4个编码模块,每个编码模块由两个3*3*3的卷积层再加上一个2*2*2的最大池化层;解码器包括4个解码模块,由一个上采样的卷积层及特征拼接、两个3*3*3的卷积层组成。网络的最后为对每个像素进行分类的1*1*1卷积层,经过该层能够输出像素的分类得分。
对于待分割图像样本,可采用三次样条差值法将图像原始尺寸Wori*Hori*Dori重新采样到图像尺寸W*H*D,对于其所标注的粗分割结果,即掩码分割标签图像,可采用最近邻插值法,插值到W*H*D。
训练过程中,可采用交叉熵损失函数联合Dice损失函数作为模型的优化损失函数,对模型进行优化训练,最终输出每个像素的预测结果尺寸为C*W*H*D,其中C为每个像素的分类类别数。
例如,待分割图像为肺部图像,目标对象为肺部结构,肺部结构区域标签为1,其他区域为0,则每一个像素是一个2分类问题,即C=2,若粗分割模型的输入尺寸为128*128*128,粗分割模型的输出尺寸为2*128*128*128。
此外,需要指出的是,待分割图像可以是二维图像,也可以是三维图像,本申请对此不作限定。
进一步地,执行主体在获取到粗分割结果后,可将粗分割结果上采样至待分割图像的尺寸,得到上采样后的粗分割结果,进而可基于上采样后的粗分割结果中前景和背景像素点的像素值,确定预测区域的边缘位置点。
在一些可选的方式中,基于粗分割结果,获取预测区域的边缘位置点,包括:基于粗分割结果分别执行膨胀形态学操作和腐蚀形态学操作,得到第一结果和第二结果;基于第一结果和第二结果相减得到的结果,确定预测区域的边缘位置点。
在本实现方式中,执行主体在获取到粗分割结果后,可将粗分割结果上采样至待分割图像的尺寸,得到上采样后的粗分割结果,进而可对上采样后的粗分割结果分别执行膨胀形态学操作和腐蚀形态学操作,得到第一结果和第二结果,第一结果用于指示基于粗分割结果执行膨胀形态学操作得到的结果,第二结果用于指示基于粗分割结果执行腐蚀形态学操作得到的结果,进而基于第一结果和第二结果相减得到的结果,确定预测区域的边缘位置点。
具体地,粗分割结果为C*W*H*D,可对粗分割结果进行argmax,将C*W*H*D尺寸变为W*H*D。为了将分割结果与原始图像位置进行映射,需将粗分割结果Pseg的尺寸W*H*D经过最近邻插值恢复成原始图像尺寸Wori*Hori*Dori。
进一步地,执行主体可对上采样后的粗分割结果进行膨胀形态学操作,得到Pdilate,对上采样后的粗分割结果进行腐蚀形态学操作,得到Perode,并将二者相减得到Pedge,则预测区域的边缘位置点为Pedge中像素值为1的位置点Pi(i=1,2,...,A)。
这里,上述过程的具体伪代码如下所示:
输入:粗分割结果Pseg
输出:目标结构的边缘Pedge
过程:
kernel_1=skimage.morphology.ball(5)#由于是三维图像,因此需采用三维的结构核
Pdilate=skimage.morphology.dilation(Pseg,kernel_1)#膨胀形态学操作
kernel_2=skimage.morphology.ball(3)#由于是三维图像,因此需采用三维的结构核
Perode=skimage.morphology.erosion(Pseg,kernel_2)#腐蚀形态学操作
Pedge=Pdilate-Perode
该实现方式通过基于粗分割结果分别执行膨胀形态学操作和腐蚀形态学操作,得到第一结果和第二结果;基于第一结果和第二结果相减得到的结果,确定预测区域的边缘位置点,提升了确定出边缘位置点的效率。
步骤202,基于边缘位置点,在待分割图像中扣取图像块。
在本实施例中,执行主体在获取到预测区域的边缘位置点后,对于每一边缘位置点,可以以边缘位置点的位置为中心,在待分割图像中扣取预设尺寸的图像块。
其中,预设尺寸可根据经验和实际需求设定,例如,3*5*2、3*2*3等,本申请对此不作限定
步骤203,对扣取图像块进行细分割,并基于细分割结果,确定目标对象的边缘分割结果。
在本实施例中,执行主体在获取到扣取的图像块后,可采用预设的细分割模型对扣取的图像块进行细分割,得到细分割结果,并根据细分割结果确定目标对象的边缘分割结果。
其中,预设的细分割模型可以为现有技术或未来发展技术中的对图像进行细分割的模型,例如,FCN(Fully Convolutional Network,全卷积网络)、U-net等,本申请对此不作限定。预设的细分割模型可以基于标注有细分割结果的待分割图像样本训练得到。
需要指出的是,这里,细分割模型与粗分割模型可以为基于相同的模型架构确定的模型,如,均为基于U-net算法框架的模型。
继续参见图3,图3是根据本实施例的边缘分割方法的应用场景的一个示意图。执行主体301可以首先采用有线或无线的方式获取包含目标对象的待分割图像302,例如,脑部图像,目标对象为大脑结构图像。进一步地,考虑到GPU显存,对待分割图像进行下采样,得到下采样后的图像303,并将下采样后的图像输入预设的粗分割模型进行粗分割304,得到粗分割结果305。其中,粗分割结果305包括目标对象的预测区域。对粗分割结果305进行上采样以将粗分割结果恢复至待分割图像的尺寸,并基于恢复后的图像306确定预测区域的边缘位置点。基于边缘位置点,在待分割图像中扣取图像块307。对于扣取图像块,可采用细分割模型对扣取图像块进行细分割308,得到细分割结果。基于细分割结果,确定目标对象的边缘分割结果309。
本公开的实施例提供的边缘分割方法,通过响应于获取到包含目标对象的待分割图像的粗分割结果,基于粗分割结果,获取预测区域的边缘位置点,其中,粗分割结果包括目标对象的预测区域;基于边缘位置点,在待分割图像中扣取图像块;对扣取图像块进行细分割,并基于细分割结果,确定目标对象的边缘分割结果,提升了确定出的边缘分割结果的准确性。
进一步参考图4,其示出了图2a所示的边缘分割方法的又一个实施例的流程400。在本实施例中,边缘分割方法的流程400,可包括以下步骤:
步骤401,响应于获取到包含目标对象的待分割图像的粗分割结果,基于粗分割结果,获取预测区域的边缘位置点。
在本实施例中,步骤401的实现细节和技术效果,可以参考对步骤201的描述,在此不再赘述。
步骤402,对边缘位置点执行去冗余操作,得到目标边缘位置点。
在本实施例中,由于确定出的边缘位置点通常距离较近,执行主体可执行去冗余操作去除大量距离过近的点,得到目标边缘位置点。
这里,去冗余操作可以是随机地去除预设数量个边缘位置点,也可以是根据预设的去冗余算法去除冗余的边缘位置点,本申请对此不作限定。
具体地,执行主体可以对每个边缘位置点设置一个矩形框,进而采用NMS(NonMaximum Suppression,非极大值抑制)的方式将大量冗余的边缘位置点去除,得到目标边缘位置点。
步骤403,基于目标边缘位置点,在待分割图像中扣取图像块。
在本实施例中,对于每一目标边缘位置点,执行主体可以以目标边缘位置点的位置为中心,在待分割图像中扣取预设尺寸的图像块。
在一些可选的方式中,基于目标边缘位置点,在待分割图像中扣取图像块,包括:对于每一目标边缘位置点,在以该目标边缘位置点为中心,以预设长度为半径的圆形区域内,随机确定预设数量个粒子点;基于粒子点,在待分割图像中扣取图像块。
在本实现方式中,对于每一目标边缘位置点,执行主体可以首先确定出以该目标边缘位置点为中心,以预设长度为半径的圆形区域,再在圆形区域内随机确定预设数量个粒子点,即位置点。进一步地,对于每一粒子点,以确定出的粒子点的位置为中心,在待分割图像中扣取预设尺寸的图像块。
其中,预设长度可以根据经验、实际需求设定,本申请对此不作限定。
具体地,如图5所示,目标边缘位置点为Pp(p=1,2,...,K.K<A)501。对于每一目标边缘位置点,确定出以Pp为中心,半径为R的圆形区域502,并在圆形区域内,随机确定n个粒子点,如,3个,以每个粒子点的位置坐标为中心点坐标,以M*N*P的尺寸,在原始图像中进行图像块扣取,得到K*n个扣取的图像块Ipatch(其中,n个扣取的图像块分别为图像块503、图像块504和图像块505)。与此对应在原始的真实标签数据上也获得对应的分割标签Mpatch,以肺结构分割为例,R可设置为32,M*N*P可以设置为32*32*32。
该实现方式通过对于每一目标边缘位置点,在以该目标边缘位置点为中心,以预设长度为半径的圆形区域内,随机确定预设数量个粒子点;基于粒子点,在待分割图像中扣取图像块,在有效减少计算量的同时,可根据实际需要设置粒子点的数量,并基于粒子点扣取图像块,增强了扣取的图像块的丰富性,避免了单一图像块的误差进一步提升了确定出的边缘分割结果的准确性。
步骤404,对扣取图像块进行细分割,并基于细分割结果,确定目标对象的边缘分割结果。
在本实施例中,步骤404的实现细节和技术效果,可以参考对步骤203的描述,在此不再赘述。
在一些可选的方式中,基于细分割结果,确定目标对象的边缘分割结果,包括:对于每一目标边缘位置点,按照预设融合策略,对基于该目标边缘位置点确定的图像块的细分割结果进行融合,得到融合结果;根据融合结果,确定目标对象的边缘分割结果。
在本实现方式中,对于每一目标边缘位置点,执行主体可按照预设的融合策略,对以该目标边缘位置点为中心,以预设长度为半径的圆形区域内的粒子点所对应的图像块的细分割结果,进行融合,得到融合结果,并根据融合结果,确定目标对象的边缘分割结果。
其中,预设的融合策略可根据经验和实际需求设定,本申请对此不作限定。
具体地,对于每一目标边缘位置点Pp,将基于该目标边缘位置确定的j个粒子点所对应j个扣取的图像块的细分割结果,进行融合,融合策略可以为对每一目标边缘位置点对应的多个图像块的重叠区域,取细分割结果的平均值作为阈值,如使用0.5作为阈值,区分输出的分割结果是前景还是背景,得到每个目标边缘位置点对应的融合结果。根据每个目标边缘位置对应的融合结果,得到目标对象的边缘分割结果。
该实现方式通过对于每一目标边缘位置点,按照预设融合策略,对基于该目标边缘位置点确定的图像块的细分割结果进行融合,得到融合结果;根据融合结果,确定目标对象的边缘分割结果,即实现了对分割结果的精细化识别,有助于进一步提升确定出的边缘分割结果的准确性。
在一些可选的方式中,该方法还包括:基于粗分割结果和目标对象的边缘分割结果,确定目标对象的分割结果。
在本实现方式中,执行主体在获取目标对象的边缘分割结果后,可进一步根据粗分割结果和目标对象的边缘分割结果共同包含的区域,确定目标对象的分割结果。
具体地,执行主体在确定粗分割结果和目标对象的边缘分割结果共同包含的区域后,可取共同包含区域的结果的平均值作为阈值,如,0.5,区分前景和背景,并根据区分结果,确定目标对象的分割结果。
在一个具体的示例中,如图6所示,执行主体可以首先采用有线或无线的方式获取包含目标对象的待分割图像601,例如,脑部图像,目标对象为大脑结构图像。进一步地,考虑到GPU显存,对待分割图像进行下采样,得到下采样后的图像602,并将下采样后的图像输入预设的粗分割模型进行粗分割603,得到粗分割结果604。其中,粗分割结果604包括目标对象的预测区域。对粗分割结果604进行上采样以将粗分割结果恢复至待分割图像的尺寸,并基于恢复后的图像605确定预测区域的边缘位置点。基于边缘位置点,在待分割图像中扣取图像块606。对于扣取图像块,可采用细分割模型对扣取图像块进行细分割607,得到细分割结果608。基于细分割结果,确定目标对象的边缘分割结果,并进一步基于边缘分割结果和粗分割结果,确定目标对象的分割结果609。
这里,与图6所示的示意图相对应的流程图,具体如图7所示。
该实现方式通过基于粗分割结果和目标对象的边缘分割结果,确定目标对象的分割结果,提升了确定出的目标对象的分割结果的准确性。
本公开的上述实施例,与图2a对应的实施例相比,本实施例中的边缘分割方法的流程400体现了对边缘位置点执行去冗余操作,得到目标边缘位置点;基于目标边缘位置点,在待分割图像中扣取图像块,进而基于图像块得到目标对象的边缘分割结果,减少了边缘位置位置点的数量,进而减少了基于边缘位置点扣取的图像块的数量,有效减少了计算量,提升了确定出边缘分割结果的效率。
进一步参考图8,作为对上述各图所示方法的实现,本公开提供了一种边缘分割装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图8所示,本实施例的边缘分割装置800包括:获取模块801、扣取模块802和分割模块803。
其中,获取模块801,可被配置成响应于获取到包含目标对象的待分割图像的粗分割结果,基于粗分割结果,获取预测区域的边缘位置点。
扣取模块802,可被配置成基于边缘位置点,在待分割图像中扣取图像块。
分割模块803,可被配置成对扣取图像块进行细分割,并基于细分割结果,确定目标对象的边缘分割结果。
在本实施例的一些可选的方式中,扣取模块进一步被配置成:对边缘位置点执行去冗余操作,得到目标边缘位置点;基于目标边缘位置点,在待分割图像中扣取图像块。
在本实施例的一些可选的方式中,基于目标边缘位置点,在待分割图像中扣取图像块,包括:对于每一目标边缘位置点,在以该目标边缘位置点为中心,以预设长度为半径的圆形区域内,随机确定预设数量个粒子点;基于粒子点,在待分割图像中扣取图像块。
在本实施例的一些可选的方式中,分割模块进一步被配置成:对于每一目标边缘位置点,按照预设融合策略,对基于该目标边缘位置点确定的图像块的细分割结果进行融合,得到融合结果;根据融合结果,确定目标对象的边缘分割结果。
在本实施例的一些可选的方式中,获取模块进一步被配置成:基于粗分割结果分别执行膨胀形态学操作和腐蚀形态学操作,得到第一结果和第二结果;基于第一结果和第二结果相减得到的结果,确定预测区域的边缘位置点。
在本实施例的一些可选的方式中,该装置还包括:确定模块,被配置成基于所述粗分割结果和所述目标对象的边缘分割结果,确定目标对象的分割结果。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图9所示,是根据本公开实施例的边缘分割方法的电子设备的框图。
900是根据本公开实施例的边缘分割方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,该电子设备包括:一个或多个处理器901、存储器902,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图9中以一个处理器901为例。
存储器902即为本公开所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本公开所提供的边缘分割方法。本公开的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本公开所提供的边缘分割方法。
存储器902作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本公开实施例中的边缘分割方法对应的程序指令/模块(例如,附图8所示的获取模块801、扣取模块802和分割模块803)。处理器901通过运行存储在存储器902中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的边缘分割方法。
存储器902可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储人脸跟踪的电子设备的使用所创建的数据等。此外,存储器902可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器902可选包括相对于处理器901远程设置的存储器,这些远程存储器可以通过网络连接至车道线检测的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
边缘分割方法的电子设备还可以包括:输入装置903和输出装置904。处理器901、存储器902、输入装置903和输出装置904可以通过总线或者其他方式连接,图9中以通过总线连接为例。
输入装置903可接收输入的数字或字符信息,以及产生与车道线检测的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置904可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本公开实施例的技术方案,有效提升了确定出的边缘分割结果的准确性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种边缘分割方法,包括:
响应于获取到包含目标对象的待分割图像的粗分割结果,基于所述粗分割结果,获取预测区域的边缘位置点,其中,所述粗分割结果包括目标对象的预测区域;
基于所述边缘位置点,在所述待分割图像中扣取图像块;
对所述扣取图像块进行细分割,并基于细分割结果,确定所述目标对象的边缘分割结果。
2.根据权利要求1所述的方法,其中,所述基于所述边缘位置点,在所述待分割图像中扣取图像块,包括:
对所述边缘位置点执行去冗余操作,得到目标边缘位置点;
基于所述目标边缘位置点,在所述待分割图像中扣取图像块。
3.根据权利要求2所述的方法,其中,所述基于所述目标边缘位置点,在所述待分割图像中扣取图像块,包括:
对于每一目标边缘位置点,在以该目标边缘位置点为中心,以预设长度为半径的圆形区域内,随机确定预设数量个粒子点;
基于所述粒子点,在所述待分割图像中扣取图像块。
4.根据权利要求3所述的方法,其中,所述基于细分割结果,确定所述目标对象的边缘分割结果,包括:
对于每一目标边缘位置点,按照预设融合策略,对基于该目标边缘位置点确定的图像块的细分割结果进行融合,得到融合结果;
根据所述融合结果,确定目标对象的边缘分割结果。
5.根据权利要求3所述的方法,其中,所述基于所述粗分割结果,获取预测区域的边缘位置点,包括:
基于所述粗分割结果分别执行膨胀形态学操作和腐蚀形态学操作,得到第一结果和第二结果,其中,所述第一结果用于指示基于所述粗分割结果执行膨胀形态学操作得到的结果,所述第二结果用于指示基于所述粗分割结果执行腐蚀形态学操作得到的结果;
基于所述第一结果和所述第二结果相减得到的结果,确定预测区域的边缘位置点。
6.根据权利要求1-5任一所述的方法,所述方法还包括:
基于所述粗分割结果和所述目标对象的边缘分割结果,确定目标对象的分割结果。
7.一种边缘分割装置,包括:
获取模块,被配置成响应于获取到包含目标对象的待分割图像的粗分割结果,基于所述粗分割结果,获取预测区域的边缘位置点,其中,所述粗分割结果包括目标对象的预测区域;
扣取模块,被配置成基于所述边缘位置点,在所述待分割图像中扣取图像块;
分割模块,被配置成对所述扣取图像块进行细分割,并基于细分割结果,确定所述目标对象的边缘分割结果。
8.根据权利要求7所述的装置,其中,所述扣取模块进一步被配置成:
对所述边缘位置点执行去冗余操作,得到目标边缘位置点;
基于所述目标边缘位置点,在所述待分割图像中扣取图像块。
9.根据权利要求8所述的装置,其中,所述基于所述目标边缘位置点,在所述待分割图像中扣取图像块,包括:
对于每一目标边缘位置点,在以该目标边缘位置点为中心,以预设长度为半径的圆形区域内,随机确定预设数量个粒子点;
基于所述粒子点,在所述待分割图像中扣取图像块。
10.根据权利要求9所述的装置,其中,所述分割模块进一步被配置成:
对于每一目标边缘位置点,按照预设融合策略,对基于该目标边缘位置点确定的图像块的细分割结果进行融合,得到融合结果;
根据所述融合结果,确定目标对象的边缘分割结果。
11.根据权利要求7所述的装置,其中,所述获取模块进一步被配置成:
基于所述粗分割结果分别执行膨胀形态学操作和腐蚀形态学操作,得到第一结果和第二结果,其中,所述第一结果用于指示基于所述粗分割结果执行膨胀形态学操作得到的结果,所述第二结果用于指示基于所述粗分割结果执行腐蚀形态学操作得到的结果;
基于所述第一结果和所述第二结果相减得到的结果,确定预测区域的边缘位置点。
12.根据权利要求7-11任一所述的装置,其中,所述装置还包括:
确定模块,被配置成基于所述粗分割结果和所述目标对象的边缘分割结果,确定目标对象的分割结果。
13.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210588112.8A CN114972380A (zh) | 2022-05-26 | 2022-05-26 | 边缘分割方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210588112.8A CN114972380A (zh) | 2022-05-26 | 2022-05-26 | 边缘分割方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114972380A true CN114972380A (zh) | 2022-08-30 |
Family
ID=82955376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210588112.8A Pending CN114972380A (zh) | 2022-05-26 | 2022-05-26 | 边缘分割方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972380A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237397A (zh) * | 2023-07-13 | 2023-12-15 | 天翼爱音乐文化科技有限公司 | 基于特征融合的人像分割方法、系统、设备及存储介质 |
-
2022
- 2022-05-26 CN CN202210588112.8A patent/CN114972380A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237397A (zh) * | 2023-07-13 | 2023-12-15 | 天翼爱音乐文化科技有限公司 | 基于特征融合的人像分割方法、系统、设备及存储介质 |
CN117237397B (zh) * | 2023-07-13 | 2024-05-28 | 天翼爱音乐文化科技有限公司 | 基于特征融合的人像分割方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111753727B (zh) | 用于提取结构化信息的方法、装置、设备及可读存储介质 | |
KR20220122566A (ko) | 텍스트 인식 모델의 트레이닝 방법, 텍스트 인식 방법 및 장치 | |
CN111753914A (zh) | 模型优化方法和装置、电子设备及存储介质 | |
CN111814637A (zh) | 一种危险驾驶行为识别方法、装置、电子设备及存储介质 | |
CN112528976A (zh) | 文本检测模型的生成方法和文本检测方法 | |
CN113901909B (zh) | 基于视频的目标检测方法、装置、电子设备和存储介质 | |
CN111327926A (zh) | 视频插帧方法、装置、电子设备及存储介质 | |
EP3933674A1 (en) | Method, apparatus, device, storage medium and program for processing image | |
CN114120253A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN114863437B (zh) | 文本识别方法、装置、电子设备和存储介质 | |
CN111967297A (zh) | 图像的语义分割方法、装置、电子设备及介质 | |
CN114187317A (zh) | 图像抠图的方法、装置、电子设备以及存储介质 | |
CN111932464A (zh) | 超分辨率模型使用和训练方法、装置、设备及介质 | |
CN114610628A (zh) | 场景库建立及测试方法、装置、设备、介质及程序产品 | |
CN114913325B (zh) | 语义分割方法、装置及计算机程序产品 | |
CN112215243A (zh) | 图像特征提取方法、装置、设备及存储介质 | |
CN113378855A (zh) | 用于处理多任务的方法、相关装置及计算机程序产品 | |
CN113869205A (zh) | 对象检测方法、装置、电子设备和存储介质 | |
CN114972380A (zh) | 边缘分割方法和装置 | |
CN116363459A (zh) | 目标检测方法、模型训练方法、装置、电子设备及介质 | |
CN111768466A (zh) | 图像填充方法、装置、设备及存储介质 | |
CN111178137A (zh) | 检测真实人脸方法、装置、电子设备以及计算机可读存储介质 | |
CN112634401A (zh) | 一种平面轨迹绘制方法、装置、设备及存储介质 | |
CN114078097A (zh) | 图像去雾模型的获取方法、装置和电子设备 | |
CN114429548A (zh) | 图像处理方法、神经网络及其训练方法、装置和设备 |
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 |