[发明专利]一种图像分割方法、装置、设备及存储介质

说明书

本发明公开了一种图像分割方法、装置、设备及存储介质。该方法包括：获取原始图片；将原始图片输入图像分割模型，得到原始图片的图像语义分割图，图像分割模型基于超像素分割算法和全卷积神经网络联合训练生成。本发明实施例通过采用超像素分割算法和全卷积神经网络训练生成的图像分割模型对原始图片进行图像语义分割时，由于识别出了原始图片的底层特征，使得生成的图像语义分割图边缘定位准确且空间一致性好，并且由于超像素分割算法仅参与图像分割模型的训练生成过程，而不参与采用图像分割模型进行图像语义分割图的生成过程，因此，相比于仅基于全卷积神经网络训练生成的图像分割模型而言，实现了在不增加计算开销的基础上，提高了模型的预测精度。

技术领域

本发明实施例涉及计算机视觉技术，尤其涉及一种图像分割方法、装置、设备及存储介质。

背景技术

近年来，随着计算机硬件性能的提升和大规模图像数据的出现，深度学习在计算机视觉领域得到广泛应用。其中，全卷积神经网络是在计算机视觉领域具有突出成就的一个深度学习的神经网络结构。

图像语义分割是计算机视觉中三大核心研究问题之一，也是最具有难度的问题。图像语义分割是将图片中的每个像素分类按照其所属种类进行分类，最后得到包含语义信息的分割图像，即将图片中每个像素分类为预定义的特定类别以及背景类。针对图像语义分割来说，全卷积神经网络也在图像语义分割方面得到广泛应用，即采用基于全卷积神经网络训练生成的图像分割模型进行图像语义分割。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：其一、无法对图片边缘进行精确定位。所谓图片边缘可以图片中一个属性区域和另一个属性区域的交接处，是属性发生突变的位置，每个属性区域中颜色、亮度、纹理和梯度等底层特征相似。而全卷积神经网络由于缺乏对图片的颜色、亮度、纹理和梯度等底层特征的识别能力，因此，使得基于全卷积神经网络训练生成的图像分割模型无法实现图片边缘的精确定位；其二、缺乏空间一致性。所谓空间一致性可以理解为图片中颜色、亮度、纹理和梯度等底层特征相似的像素应属于同一分类。而全卷积神经网络由于没有充分考虑具有相似底层特征的像素之间的关联性，而使得基于全卷积神经网络训练生成的图像分割模型无法将属于同一分类的物体识别完整，即缺乏空间一致性。上述存在的问题使得基于全卷积神经网络训练生成的图像分割模型的预测精度不高。

发明内容

本发明实施例提供一种图像分割方法、装置、设备及存储介质，以在不增加计算开销的基础上，提高图像分割模型的预测精度。

第一方面，本发明实施例提供了一种图像分割方法，该方法包括：

获取原始图片；

将所述原始图片输入图像分割模型，得到原始图片的图像语义分割图，所述图像语义分割模型基于超像素分割算法和全卷积神经网络联合训练生成。

第二方面，本发明实施例还提供了一种图像分割装置，该装置包括：

原始图片获取模块，用于获取原始图片；

图像语义分割图生成模块，用于将所述原始图片输入图像分割模型，得到原始图片的图像语义分割图，所述图像分割模型基于超像素分割算法和全卷积神经网络联合训练生成。

第三方面，本发明实施例还提供了一种设备，该设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例第一方面所述的方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例第一方面所述的方法。