[发明专利]图像分割方法、装置、计算机设备和存储介质

说明书

本申请涉及一种图像分割方法、装置、计算机设备和存储介质。所述方法包括：获取待分割图像，将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，将卷积特征图输入到上下文可切换神经网络的输入变量中，输出上下文表达信息，根据卷积特征图与上下文表达信息生成中间特征图，中间特征图用于进行图像分割。通过结合卷积神经网络缩小图像并堆叠图像用于计算图像语义的特征，并根据上下文可切换神经网络生成的上下文表达信息用于图像分割，可以提高图像分割的精确度。

技术领域

本申请涉及图像处理技术领域，特别是涉及一种图像分割方法、装置、计算机设备和存储介质。

背景技术

随着图像处理技术的发展，图像分割是图像处理技术领域中重要的一部分，而机器学习在图像处理技术领域中发挥着重要的作用。深度数据可以提供图像中的几何信息，且深度数据中包含有大量的对图像分割有用的信息，通过将深度图像编码为三维的三种不同通道的图像，再使用颜色和编码后的图像作为输入来训练卷积神经网络，用以计算图像的分割特征，就可以实现图像的分割。

然而，目前的这种通过卷积神经网络实现图像分割的方式中，卷积神经网络的输出会丢失深度数据中包含的大部分对图像分割有用信息，存在图像分割精确度差的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高图像分割精确度的图像分割方法、装置、计算机设备和存储介质。

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，输出上下文表达信息；

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。

在其中一个实施例中，所述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，输出上下文表达信息，包括：

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；

根据所述超像素区域生成局部特征图。

在其中一个实施例中，所述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，输出上下文表达信息，还包括：

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。

在其中一个实施例中，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。

在其中一个实施例中，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。

在其中一个实施例中，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；