图像分割方法、装置、电子设备和可读介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113971677A(43)申请公布日2022.01.25(21)申请号202111237559.2G06V10/764(2022.01)(22)申请日2021.10.21(71)申请人泰康保险集团股份有限公司地址100031北京市西城区复兴门内大街156号(72)发明人喻庐军韩森尧于吉鹏侯博严(74)专利代理机构隆天知识产权代理有限公司72003代理人郑特强石海霞(51)Int.Cl.G06T7/11(2017.01)G06N3/08(2006.01)G06N3/04(2006.01)G06K9/62(2022.01)G06V10/774(2022.01)权利要求书2页说明书11页附图6页(54)发明名称图像分割方法、装置、电子设备和可读介质(57)摘要本公开提供一种图像分割方法、装置、电子设备和可读介质，其中，图像分割方法包括：对待分割图像进行分块处理，以得到分块图像；根据目标图像占分块图像的比例对所述分块图像进行分类标注；将分类标注后的分块图像输入至训练后的卷积神经网络，以得到分割图像；通过先验知识指导机器学习算法对所述卷积神经网络输出的图像进行边缘修正，以获得修正后的分割图像。通过本公开实施例，提高了获得分割图像的准确度、可靠性和图像处理速度。CN113971677ACN113971677A权利要求书1/2页1.一种图像分割方法，其特征在于，包括：对待分割图像进行分块处理，以得到分块图像；根据目标图像占分块图像的比例对所述分块图像进行分类标注；将分类标注后的分块图像输入至训练后的卷积神经网络，以得到分割图像；通过先验知识指导机器学习算法对所述卷积神经网络输出的图像进行边缘修正，以获得修正后的分割图像。2.如权利要求1所述的图像分割方法，其特征在于，所述卷积神经网络包括依次连接的特征提取层和反卷积层，所述特征提取层包括依次连接的一个初始卷积层、一个最大池化层和多个卷积层，所述特征提取层用于提取所述分块图像的特征向量，所述反卷积层用于对所述特征向量进行上采样处理，以得到所述分块图像的特征矩阵。3.如权利要求2所述的图像分割方法，其特征在于，所述初始卷积层的卷积核大小为7×7，所述初始卷积层的采样间隔为2，所述初始卷积层的通道数为64。4.如权利要求2所述的图像分割方法，其特征在于，所述最大池化层的采样间隔为2。5.如权利要求2所述的图像分割方法，其特征在于，所述特征提取层包括最大池化层、第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层，所述最大池化层的输出结果输入至所述第一卷积层，所述第一卷积层包括两个bottleneck层，所述第一卷积层的卷积核大小为3×3，所述第一卷积层的采样间隔为1，所述第一卷积层的通道数为64，所述第一卷积层的输出结果输入至所述第二卷积层，所述第二卷积层包括两个bottleneck层，所述第二卷积层的卷积核大小为3×3，所述第二卷积层的采样间隔为2，所述第二卷积层的通道数为128，所述第二卷积层的输出结果输入至所述第三卷积层，所述第三卷积层包括两个bottleneck层，所述第三卷积层的卷积核大小为3×3，所述第三卷积层的采样间隔为1，所述第三卷积层的通道数为256，所述第三卷积层的输出结果输入至所述第四卷积层，所述第四卷积层包括两个bottleneck层，所述第四卷积层的卷积核大小为3×3，所述第四卷积层的采样间隔为2，所述第四卷积层的通道数为512。6.如权利要求2所述的图像分割方法，其特征在于，所述反卷积层包括第一反卷积层、第二反卷积层、第三反卷积层、第四反卷积层和第五卷积层，所述特征提取层的输出结果输入至所述第一反卷积层，所述第一反卷积层包括两个bottleneck层，所述第一反卷积层的卷积核大小为3×3，所述第一反卷积层的采样间隔为2，所述第一反卷积层的通道数为256，所述第一反卷积层的输出结果输入至所述第二反卷积层，所述第二反卷积层包括两个bottleneck层，所述第二反卷积层的卷积核大小为3×3，所述第二反卷积层的采样间隔为2，所述第二反卷积层的通道数为128，所述第二反卷积层的输出结果输入至所述第三反卷积层，所述第三反卷积层包括两个bottleneck层，所述第三反卷积层的卷积核大小为3×3，所述第三反卷积层的采样间隔为2，所述第三反卷积层的通道数为64，所述第三反卷积层的输出结果输入至所述第四反卷积层，所述第四反卷积层包括两个bottleneck层，所述第四反卷积层的卷积核大小为3×3，所述第四反卷积层的采样间隔为2，所述第三反卷积层的通道数为64，所述第四反卷积层的输出结果输入至所述第五反卷积层，所述第五反卷积层包括两个bottleneck层，所述第五反卷积层的卷积核大小为3×3，所述第五