[发明专利]图像分割方法及装置

说明书

本公开提供图像分割方法及装置。包括：将待分割图像输入至预先训练的图像分割网络，得到分割后的图像；图像分割网络通过以下方式训练：将真实图像的小样本数据和目标合成图像数据分别输入对应的图像分割网络，得到第一预测图像数据和第二预测图像数据；真实图像的小样本数据和目标合成图像数据包含相同的目标对象；基于第二预测图像数据和目标合成图像标注数据，得到第一损失值；根据第一预测图像数据和第二预测图像数据，得到第二损失值；利用第一损失值和第二损失值对图像分割网络的参数调节后，返回将真实图像的小样本数据和目标合成图像数据分别输入对应的图像分割网络的步骤，直至第一损失值和第二损失值满足指定条件，提高图像分割效果。

技术领域

本发明涉及图像处理技术领域，特别涉及一种图像分割方法及装置。

背景技术

深度学习技术在智慧农业领域发挥重要作用，尤其是基于卷积神经网络的果蔬图像识别，为农业采摘机器人的研发提供了理论依据。但是，实际田间或温室环境中背景复杂，遮挡现象严重，在茎、叶、芽和其它物体的遮挡下快速准确地识别果实任具有挑战性。

目前，通过神经网络来进行图像分割的方式，在神经网络的训练过程中需要依赖于大量标注图像的训练样本。但是在果蔬实际的环境中，数据样本资源很匮乏，图像分割模型无法进行充分的训练，导致巡检后的图像分割模型的图像分割效果不好。

发明内容

本公开示例性的实施方式中提供一种图像分割方法、装置、电子设备及计算机存储介质，用于提高图像分割的效果。

本公开的第一方面提供一种图像分割方法，所述方法包括：

将待分割图像输入至预先训练好的图像分割网络中，得到分割后的图像；

其中，所述图像分割网络通过以下方式进行训练：

将真实图像的小样本数据和目标合成图像数据分别输入至对应的图像分割网络中，得到第一预测图像数据和第二预测图像数据，其中，所述第一预测图像数据是基于所述真实图像的小样本数据得到的，所述第二预测图像数据是基于所述目标合成图像数据得到的，且所述真实图像的小样本数据和所述目标合成图像数据中的图像数据包含相同的目标对象；

基于所述第二预测图像数据和预先设置的目标合成图像标注数据，得到第一损失值；

根据所述第一预测图像数据和所述第二预测图像数据，得到第二损失值；

利用所述第一损失值和所述第二损失值对所述各图像分割网络的参数进行调节后，返回将所述真实图像的小样本数据和所述目标合成图像数据分别输入至对应的图像分割网络中的步骤，直至所述第一损失值和所述第二损失值满足指定条件。

本实施例中通过基于所述第二预测图像数据和预先设置的目标合成图像标注数据得到的第一损失值来调节图像分割网络，来缩小目标合成图像数据的预测图像和真实标注数据之间的差距，并且基于所述第一预测图像数据和所述第二预测图像数据得到的第二损失值来调节图像分割网络，来缩小真实图像的预测图像与目标合成图像数据的预测图像之间差距，以此，进一步的缩小真实图像的预测图像数据与标注数据之间的差距，提高图像分割的效果。

在一个实施例中，所述基于所述第二预测图像数据和预先设置的目标合成图像标注数据，得到第一损失值，包括：

针对所述第二预测图像数据中的任意一个像素点，基于所述像素点在所述第二预测图像数据中的第一预测对象和所述像素点在所述目标合成图像标注数据中的标注对象，得到所述像素点的中间损失值；

根据所述第二预测图像数据中的各像素点对应的中间损失值，得到所述第一损失值。

本实施例通过各像素点在所述第二预测图像数据中的第一预测对象和各像素点在所述目标合成图像标注数据中的标注对象，得到各像素点的中间损失值，并基于各中间损失得到所述第一损失值，由此，保证得到的第一损失值更加精确。