[发明专利]图像分割模型的训练方法、电子设备及存储介质

说明书

本公开提供了一种图像分割模型的训练方法、图像处理方法、电子设备及存储介质，涉及图像处理领域。该方法包括：获取包括待分割物体的待分割图像及待分割物体的真实轮廓的训练样本集；通过卷积神经网络模型对训练样本集的待分割图像进行处理，获得待分割物体的预测轮廓；获得预测轮廓的水平集函数和真实轮廓的水平集函数；根据预测轮廓的水平集函数和真实轮廓的水平集函数确定角度保真损失函数，角度保真损失函数用于控制预测轮廓和真实轮廓之间的曲线角度贴合度；根据角度保真损失函数确定目标损失函数；根据目标损失函数训练训练样本集获得图像分割模型。该方法训练获得的图像分割模型，可以获得曲线角度更加贴合的预测轮廓。

技术领域

本公开涉及图像处理领域，尤其涉及一种图像分割模型的训练方法、图像处理方法、电子设备及存储介质。

背景技术

图像分割边界轮廓的准确性，是图像处理领域最重要也是最具有挑战性的研究课题之一。

但是，由于图像分割问题的复杂性(如物体尺度大小不一，图像分辨率大小的多样性、分割目标存在污损、遮挡以及不同的光照条件，例如，强光、阴阳光等)，其分割的准确度一直存在很大的挑战。

相关技术中，利用深度学习技术对目标物体进行分割，受限于掩膜的大小和二次特征池化，其获得的分割结果的精度损失较大，从而使得分割结果的不准确，特别是分割结果与真实轮廓的曲线角度贴合度很差。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种图像分割模型的训练方法、电子设备及存储介质，该方法训练获得的图像分割模型，可以获得曲线角度更加贴合的预测轮廓。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

本公开实施例提供一种图像分割模型的训练方法，包括：获取包括待分割物体的待分割图像及所述待分割物体的真实轮廓的训练样本集；通过卷积神经网络模型对所述训练样本集的待分割图像进行处理，获得所述待分割物体的预测轮廓；获得所述预测轮廓的水平集函数和所述真实轮廓的水平集函数；根据所述预测轮廓的水平集函数和所述真实轮廓的水平集函数确定角度保真损失函数，所述角度保真损失函数用于控制所述预测轮廓和所述真实轮廓之间的曲线角度贴合度；根据所述角度保真损失函数确定目标损失函数；根据所述目标损失函数训练所述训练样本集获得图像分割模型。

在本公开一些示例性实施例中，所述根据所述预测轮廓的水平集函数和所述真实轮廓的水平集函数确定角度保真损失函数的步骤，包括：根据所述预测轮廓的水平集函数获得所述预测轮廓的能量梯度下降方向；根据所述真实轮廓的水平集函数获得所述真实轮廓的能量梯度下降方向；根据所述预测轮廓的水平集函数的能量梯度下降方向和所述真实轮廓的水平集函数的能量梯度下降方向确定所述角度保真损失函数。

在本公开一些示例性实施例中，所述角度保真损失函数根据以下公式确定：

其中，l_direction(θ)为所述角度保真损失函数，为所述待分割物体的真实轮廓上的像素点的能量下降梯度方向，为所述待分割物体的预测轮廓上的像素点的能量下降梯度方向。

在本公开一些示例性实施例中，根据以下公式确定

其中，φ_gt(p)为所述待分割物体的真实轮廓上的像素点p的水平集函数；根据以下公式确定

其中，φ_pred(p)为所述待分割物体的预测轮廓上的像素点p的水平集函数。