[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

说明书

本发明提供的一种基于深度学习的图像分割处理方法及其系统、电子设备，其可用于对将待处理图像进行子图切分后，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，可获得与子图对应的子图掩码，最后再基于子图坐标进行子图掩码拼接，以获得待处理图像的分割结果。上述的基于深度学习的图像分割处理方法通过子图切割方式，从宏观到微观分析方式，在迭代式视野聚焦的过程中，可以实现迁移学习，降低网络训练时间，提高分割精度。本发明可广泛适用于多目标对象具有多尺度和/或原始图像分辨率高但目标对象占比小的图像分割处理中，特别适用于医学影像的分割任务。

【技术领域】

本发明涉及图像处理领域，其特别涉及一种基于深度学习的图像分割处理方法及其系统、电子设备

【背景技术】

随着人工智能的不断发展，对于图像处理的需求也越来越多，为了更好地对图像进行分析处理，现有的方式是会使用特征提取器等方式提取对应图像特征，但是由于现有图像分析处理技术的局限性，对于多目标多尺度的目标对象的图像、或原始图像分辨率高，但是目标对象占比小的图像，其所需要的数据处理时间较长且难以满足用户高精度图像分析处理的需求。

因此，亟待提供一种可有效解决上述图像分析处理的新型技术方案。

【发明内容】

为解决现有图像分析处理存在的技术问题，本发明提供一种基于深度学习的图像分割处理方法及其系统、

电子设备。

本发明为解决上述技术问题，提供如下的技术方案：一种基于深度学习的图像分割处理方法，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。

优选地，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。

优选地，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次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。

优选地，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。

优选地，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。

优选地，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。

优选地，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。

本发明为解决上述技术问题，提供又一技术方案如下：一种基于深度学习的图像分割系统，其包括：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，用于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。