[发明专利]图像矢量化方法及系统

说明书

本发明涉及图像处理技术领域，公开了一种图像分割模型的训练方法、图像分割方法、图像矢量化方法及其系统。所述训练方法包括：基于深度神经网络，采用第一训练样本集对所述图像分割模型进行训练；确定所述第一训练样本集中的多个预设对象样本中的每一者的识别损失；基于所述多个预设对象样本中的每一者的识别损失及所述多个预设对象中的每一者的识别损失所占的预设权重，确定所述第一训练样本集的总识别损失；以及根据所述第一训练样本集的总识别损失，对所述图像分割模型的参数进行调整。本发明可使用深度神经网络分割得到图像的多个元素，从而可高精确地实现栅格化户型图的矢量化，进而通过矢量化的户型图实现相似户型的高召回。

技术领域

本发明涉及图像处理技术领域，具体地涉及一种图像分割模型的训练方法、图像分割方法、图像矢量化方法及其系统。

背景技术

目前，大部分户型图的存储和流通都是基于栅格化的图像进行的，其中所述栅格化的图像主要包括CAD图、渲染图、甚至是手绘图等等。但所述栅格化的图像通常存在以下缺点：非标准化以及信息密度底等缺点。如果想要根据栅格化的户型图匹配相似的户型，通常会采用不同的识别方法对户型图中的相应元素进行识别(或分割)，然后根据所识别的元素进行户型的匹配。其中，不同的识别方法的过程完全不同，并且所识别的结果的准确性相差较大，由此根据上述识别方式确定的户型特征的准确性也非常低。若根据上述识别结果检索相似户型，其相应的准确性也会非常低。

如果可以将这些栅格化的户型图转变为矢量化图像，就可以对户型图进行更加高密度的存储、更深层次的理解、更标准化的解读，甚至可以延伸出根据转变后的矢量化图像检索相似的户型、相似的装修方案及相似的改造方案等等。

发明内容

本发明的目的是提供一种图像分割模型的训练方法、图像分割方法、图像矢量化方法及其系统，其可使用深度神经网络分割得到图像的多个元素，从而可高精确地实现栅格化户型图的矢量化，进而通过矢量化的户型图实现相似户型的高召回。

为了实现上述目的，本发明第一方面提供一种图像分割模型的训练方法，所述训练方法包括：基于深度神经网络，采用第一训练样本集对所述图像分割模型进行训练；确定所述第一训练样本集中的多个预设对象样本中的每一者的识别损失；基于所述多个预设对象样本中的每一者的识别损失及所述多个预设对象中的每一者的识别损失所占的预设权重，确定所述第一训练样本集的总识别损失；以及根据所述第一训练样本集的总识别损失，对所述图像分割模型的参数进行调整。

优选地，在所述图像为户型图像的情况下，所述多个预设对象至少包括：角点及多个墙体元素，相应地，所述确定所述第一训练样本集中的多个预设对象样本中的每一者的识别损失包括：确定所述第一训练样本集中的角点样本的识别损失；以及确定所述第一训练样本集中的多个墙体元素样本中的每一者的识别损失。

优选地，所述确定所述第一训练样本集中的角点样本的识别损失包括：确定所述角点样本中的角点正样本被识别为正样本的概率；以及基于焦点损失算法及所述角点正样本被识别为正样本的概率，获取所述角点样本的识别损失。

优选地，所述确定所述第一训练样本集中的多个墙体元素样本中的每一者的识别损失包括：针对所述多个墙体元素样本中的每个墙体元素样本，确定所述每个墙体元素样本中的墙体元素正样本被识别为正样本的概率；以及基于交叉熵损失算法及所述每个墙体元素样本中的墙体元素正样本被识别为正样本的概率，获取所述每个墙体元素样本的识别损失。

优选地，所述多个预设对象还包括：户型的几何尺寸，相应地，所述确定所述第一训练样本集中的多个预设对象样本中的每一者的识别损失还包括：确定所述第一训练样本集中的户型图像样本的几何尺寸的识别损失。

优选地，所述确定所述第一训练样本集中的户型图像样本的几何尺寸的识别损失包括：针对所述户型图像样本中的各个类型户型图像样本，确定所述各个类型户型图像样本的几何尺寸的预测值；以及基于二次损失算法及所述各个类型户型图像样本的几何尺寸的预测值与实际值，获取所述几何尺寸样本的识别损失。