[发明专利]图像分割方法、装置、计算机设备和存储介质

权利要求书

1.一种图像分割方法，所述方法包括：

获取待分割图像；

将所述待分割图像输入到全卷积神经网络的输入变量中，输出卷积特征图；

将所述卷积特征图输入到上下文可切换神经网络的输入变量中，将所述卷积特征图划分为超像素区域，所述超像素区域为所述卷积特征图的子区域；所述上下文可切换神经网络是根据图像结构和深度数据预先训练好的一种全卷积神经网络；

计算所述超像素区域的平均深度值；

根据所述平均深度值生成与所述超像素区域对应的上下文表达信息；

根据所述卷积特征图与所述上下文表达信息生成中间特征图，所述中间特征图用于进行图像分割。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述超像素区域生成局部特征图。

3.根据权利要求2所述的方法，其特征在于，所述根据所述平均深度值生成与所述超像素区域对应的上下文表达信息，包括：

将所述平均深度值与条件深度值进行比较；

当所述平均深度值小于所述条件深度值时，对所述超像素区域进行压缩；

当所述平均深度值大于或者等于所述条件深度值时，对所述超像素区域进行扩展。

4.根据权利要求3所述的方法，其特征在于，所述当所述平均深度值小于所述条件深度值时，对所述超像素区域进行压缩，包括

将所述超像素区域对应的局部特征图输入到预设的三个卷积神经网络进行处理，得到压缩后的超像素区域；

其中，所述三个卷积神经网络包括两个卷积核为1的神经网络和一个卷积核为3的神经网络。

5.根据权利要求3所述的方法，其特征在于，所述当所述平均深度值大于或者等于所述条件深度值时，对所述超像素区域进行扩展，包括：

将所述超像素区域对应的局部特征图输入到预设的三个卷积神经网络进行处理，得到扩展后的超像素区域；

其中，所述三个卷积神经网络包括两个卷积核为7的神经网络和一个卷积核为1的神经网络。

6.根据权利要求1至5任一项所述的方法，其特征在于，所述上下文可切换神经网络通过如下方式训练得到：

根据所述卷积特征图以及所述卷积特征图的类别得到输入层节点序列，将所述输入层节点序列进行投影得到第一隐层对应的隐层节点序列，将第一隐层作为当前处理隐层；

根据当前处理隐层对应的隐层节点序列和当前处理隐层对应的各个神经元节点的权重和偏差采用非线性映射得到下一层隐层的隐层节点序列，将下一层隐层作为当前处理隐层，重复进入根据当前处理隐层对应的隐层节点序列和当前处理隐层对应的各个神经元节点对应的权重和偏差采用非线性映射得到下一层隐层的隐层节点序列的步骤，直到输出层，获取输出层输出的与所述卷积特征图的类别对应的上下文表达信息概率矩阵。

7.一种图像分割装置，其特征在于，所述装置包括：

图像获取模块，用于获取待分割图像；

特征图输出模块，用于将所述待分割图像输入到全卷积神经网络的输入变量中，输出卷积特征图；

信息输出模块，用于将所述卷积特征图输入到上下文可切换神经网络的输入变量中，将所述卷积特征图划分为超像素区域，所述超像素区域为所述卷积特征图的子区域；所述上下文可切换神经网络是根据图像结构和深度数据预先训练好的一种全卷积神经网络；计算所述超像素区域的平均深度值；根据所述平均深度值生成与所述超像素区域对应的上下文表达信息；

特征图生成模块，用于根据所述卷积特征图与所述上下文表达信息生成中间特征图，所述中间特征图用于进行图像分割。

8.根据权利要求7所述的装置，其特征在于，所述信息输出模块还用于根据所述超像素区域生成局部特征图。

9.根据权利要求7所述的装置，其特征在于，所述信息输出模块还用于将所述平均深度值与条件深度值进行比较；当所述平均深度值小于所述条件深度值时，对所述超像素区域进行压缩；当所述平均深度值大于或者等于所述条件深度值时，对所述超像素区域进行扩展。