[发明专利]一种场景分割方法、终端及存储介质

说明书

本发明实施例公开了一种场景分割的方法，包括：获取场景测试集中的样本图像；基于样本图像的像素点进行特征构造，得到用于表征像素点间相关性的空间相关度特征；基于空间相关度特征，生成场景分割模型，场景分割模型用于对输入模型的图像进行场景分割处理；采用场景分割模型对目标分割图像进行场景分割处理。本发明实施例还同时公开了一种终端及存储介质。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种场景分割方法、终端及存储介质。

背景技术

随着电子技术的迅速发展，人工智能技术已经可以处理大量与图像有关的功能，如目标检测、场景识别、语义分割等等，图像场景分割，效果显著，已经超越了传统图像处理算法。

目前，通过人工智能技术进行图像场景分割一般是基于深度学习的全卷积神经网络(FCN，Fully Convolution Network)，利用迁移学习的思想，将在大规模分类数据上经过预训练得到的网络迁移到图像分割数据集上进行训练，从而得到用于场景分割的分割网络，然后，利用该分割网络对图像进行场景分割。

然后，采用现有的分割网络进行处理时的网络复杂，计算量大，很难做到在终端上实现计算和精度上的平衡，且基于训练全卷积神经网络模型的比较单一的基础上，场景分割精细度较差。

发明内容

有鉴于此，本发明的主要目的在于提供一种场景分割方法、终端及存储介质，能够提高场景分割的精细度。

为达到上述目的，本发明的技术方案是这样实现的：

本发明实施例提供了一种场景分割方法，包括：

获取场景测试集中的样本图像；

基于样本图像的像素点进行特征构造，得到用于表征像素点间相关性的空间相关度特征；

基于所述空间相关度特征，生成场景分割模型，所述场景分割模型用于对输入模型的图像进行场景分割处理；

采用所述场景分割模型对目标分割图像进行场景分割处理。

在上述方案中，所述基于样本图像的像素点进行特征构造，得到用于表征像素点间相关性的空间相关度特征，包括：

基于所述样本图像的像素点进行特征构造，得到所述样本图像的所述每个像素点的空间特征；

基于所述每个像素点的空间特征，得到所述空间相关度特征。

在上述方案中，所述基于所述空间相关度特征，生成场景分割模型，包括：

基于所述空间相关度特征，对预设优化函数进行调整，得到调整优化函数；

采用所述调整优化函数，对所述样本图像进行模型训练，生成所述场景分割模型。

在上述方案中，所述获取场景测试集中的样本图像，包括：

按照预设的配置比例获取的正样本和负样本，所述正样本为正样本图像与对应的正样本场景分割边界信息，所述负样本为负样本图像与对应的负样本场景分割边界信息。

在上述方案中，所述采用所述调整优化函数，对所述样本图像进行模型训练，生成所述场景分割模型，包括：

基于所述调整优化函数，调用设置的训练模型处理所述正样本或所述负样本，得到第一训练结果；

持续检测训练模型，直至所述第一训练结果满足预设条件，并将所述第一训练结果满足所述预设条件的所述训练模型作为所述场景分割模型，所述预设条件用于表征根据所述场景分割模型得到的分割结果运用于终端中的目标分割图像的场景分割时，最接近真实的分割场景。

在上述方案中，所述采用所述场景分割模型对目标分割图像进行场景分割处理，包括：