图像分割模型训练方法、分割方法、系统、装置及介质.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CN113610855A(43)申请公布日2021.11.05(21)申请号202110788201.2(22)申请日2021.07.13(71)申请人广州大学地址510006广东省广州市大学城外环西路230号(72)发明人彭绍湖朱旗彭凌西刘长红孙启超(74)专利代理机构广州嘉权专利商标事务所有限公司44205代理人黎扬鹏(51)Int.Cl.G06T7/10(2017.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书9页附图3页(54)发明名称图像分割模型训练方法、分割方法、系统、装置及介质(57)摘要本发明公开了一种图像分割模型训练方法、识别方法、系统、装置及介质，训练方法包括：根据先验知识确定卷积核；获取预设的第一目标图像，将卷积核旋转预设的多个角度后对第一目标图像进行卷积操作，得到第一目标图像中前景目标特征的预分割图像；构建卷积神经网络，将预分割图像输入到卷积神经网络中进行训练，得到目标概率图像，进而根据目标概率图像和第一目标图像对卷积神经网络的参数进行优化，得到训练好的图像分割模型。本发明利用先验知识对图像进行了预分割，使得后续的卷积神经网络得到大大简化，降低了对运算资源的依赖，提高了图像分割的速度；在预分割过程中引入了旋转卷积核，提高了图像分割的精度，可广泛应用于图像处理技术领域。CN113610855ACN113610855A权利要求书1/2页1.一种图像分割模型训练方法，其特征在于，包括以下步骤：根据先验知识确定卷积核；获取预设的第一目标图像，将所述卷积核旋转预设的多个角度后对所述第一目标图像进行卷积操作，得到所述第一目标图像中前景目标特征的预分割图像；构建卷积神经网络，将所述预分割图像输入到所述卷积神经网络中进行训练，得到目标概率图像，进而根据所述目标概率图像和所述第一目标图像对所述卷积神经网络的参数进行优化，得到训练好的图像分割模型。2.根据权利要求1所述的一种图像分割模型训练方法，其特征在于，所述获取预设的第一目标图像，将所述卷积核旋转预设的多个角度后对所述第一目标图像进行卷积操作，得到所述第一目标图像中前景目标特征的预分割图像这一步骤，其具体包括：获取预设的第一目标图像，通过所述卷积核对所述第一目标图像进行卷积操作，提取出第一方向上的前景目标特征；将所述卷积核以预设的角度步长进行旋转后对所述第一目标图像进行卷积操作，提取出第二方向上的前景目标特征；重复上一步骤直至旋转角度达到180度；根据提取的前景目标特征确定所述预分割图像。3.根据权利要求2所述的一种图像分割模型训练方法，其特征在于，所述根据提取的前景目标特征确定所述预分割图像这一步骤之前，还包括以下步骤：根据所述第一目标图像建立图像金字塔，将所述卷积核旋转预设的多个角度后对所述图像金字塔进行卷积操作，提取出前景目标特征。4.根据权利要求1所述的一种图像分割模型训练方法，其特征在于，所述将所述预分割图像输入到所述卷积神经网络中进行训练，得到目标概率图像，进而根据所述目标概率图像和所述第一目标图像对所述卷积神经网络的参数进行优化，得到训练好的图像分割模型这一步骤，其具体包括：通过所述卷积神经网络对所述预分割图像进行逐层提取，进而通过卷积和池化操作得到目标概率图像；根据所述目标概率图像和所述第一目标图像的真实概率图确定训练的损失值；通过反向传播算法逐层更新所述卷积神经网络的参数；当损失值达到预设的第一阈值或迭代次数达到预设的第二阈值，停止训练，得到所述图像分割模型。5.根据权利要求1至4中任一项所述的一种图像分割模型训练方法，其特征在于，所述图像分割模型训练方法还包括对所述图像分割模型还包括以下步骤：获取预设的测试图像集，根据所述测试图像集对所述图像分割模型进行测试，得到所述图像分割模型的重叠度、精密度、查全率以及加权调和均值。6.一种图像分割方法，其特征在于，包括以下步骤：获取待分割的第二目标图像；将所述第二目标图像输入到如权利要求1至5中任一项所述的图像分割模型训练方法所得到的图像分割模型中，得到图像分割结果。7.一种图像分割模型训练系统，其特征在于，包括：2CN113610855A权利要求书2/2页卷积核确定模块，用于根据先验知识确定卷积核；预分割模块，用于获取预设的第一目标图像，将所述卷积核旋转预设的多个角度后对所述第一目标图像进行卷积操作，得到所述第一目标图像中前景目标特征的预分割图像；训练模块，用于构建卷积神经网络，将所述预分割图像输入到所述卷积神经网络中进行训练，得到目标概率图像，进而根据所述目标概率图像和所述第一目标图像对所述卷积神经网络的参数进行优化，得到训练好的图像分割模型。8.一种图像分割系统，其特征在于，包括：第