[发明专利]基于深度学习的图像分割处理方法及其系统、电子设备

权利要求书

1.一种基于深度学习的图像分割处理方法，其特征在于：其包括以下步骤：

步骤S1：提供具有至少一目标对象的待处理图像，对待处理图像进行子图切分，以获得包含目标对象的子图及其子图坐标；

步骤S2，利用包含目标对象的子图训练一子图精细分割模型，重复训练直至子图精细分割模型达到预设分割指标后，对包含目标对象的子图进行分割，得到该子图对应的子图掩码；及

步骤S3，结合子图坐标与子图掩码，进行子图掩码拼接，以获得待处理图像的分割结果。

2.如权利要求1中所述基于深度学习的图像分割处理方法，其特征在于：所述步骤S2中，将当次训练涉及的变量作为下一次训练的变量的初始值，每次训练包括多次迭代。

3.如权利要求2中所述基于深度学习的图像分割处理方法，其特征在于：所述步骤S2具体包括以下步骤：

步骤S21，初始化子图精细分割模型中涉及的变量；

步骤S22，将所述包含目标对象的子图作为训练数据，每次训练开始时，更新变量并使用裁剪版的图像和掩码训练所述子图精细分割模型，经过多次迭代直至收敛或当前迭代次数等于预设最大迭代次数，则停止当次训练并得到新的变量；

步骤S23，基于子图精细分割模型是否达到预设分割指标以确定训练的继续或停止；及

步骤S24，保存当前子图精细分割模型中对应变量下的分割结果。

4.如权利要求3中所述基于深度学习的图像分割处理方法，其特征在于：在上述步骤S2中，所述子图精细分割模型涉及的变量包括裁剪系数、分割指标系数、训练次数、网络参数的组合。

5.如权利要求3中所述基于深度学习的图像分割处理方法，其特征在于：在上述步骤S23中，所述预设分割指标包括当次训练次数等于最大训练次数或当次训练次数分割指标系数小于上一次分割指标系数。

6.如权利要求3中所述基于深度学习的图像分割处理方法，其特征在于：所述步骤S22中裁剪版的图像和掩码可通过以下步骤获得：基于目标对象的中心位置对包含目标对象的子图及与其对应的掩码进行中心裁剪，以获得裁剪版的图像和掩码。

7.如权利要求3中所述基于深度学习的图像分割处理方法，其特征在于：在训练过程中，裁剪系数随训练次数增加而减小；当次训练的中心位置根据上一次训练的分割结果计算得到。

8.如权利要求1中所述基于深度学习的图像分割处理方法，其特征在于：在上述步骤S1中，对待处理图像进行子图切分具体包括如下步骤：

步骤S01，将待处理图像输入至一粗分割模型进行粗分割，以获得对应目标对象的边界框和中心位置；及

步骤S02：基于对应目标对象的边界框和中心位置进行子图切分。

9.一种基于深度学习的图像分割系统，其特征在于：所述基于深度学习的图像分割系统包括，

子图切分模块，用于提供具有至少一目标对象的待处理图像，对待处理图像进行子图切分，以获得包含目标对象的子图及其子图坐标；

子图精细分割模块，用于利用包含目标对象的子图训练一子图精细分割模型，重复训练直至子图精细分割模型达到预设分割指标后，对包含目标对象的子图进行分割，得到每个子图对应的子图掩码；及

图像分割掩码生成模块，结合子图坐标与子图掩码，进行子图掩码拼接，以获得待处理图像的分割结果。

10.一种电子设备，其特征在于：所述电子设备包括存储单元和处理单元，所述存储单元用于存储计算机程序，所述处理单元用于通过所述存储单元存储的计算机程序执行上述基于深度学习的图像分割处理方法的步骤。