边缘提取方法、装置、电子设备及存储介质制造方法及图纸

本公开实施例公开了一种边缘提取方法、装置、电子设备及存储介质，该方法包括：获取目标待提取图像；将目标待提取图像输入至目标边缘提取模型中，得到与目标待提取图像对应的目标边缘掩膜图像；目标边缘提取模型基于下述方法训练得到：获取样本初始待提取图像以及样本初始边缘掩膜图像；对样本初始待提取图像进行图像增强处理，并对样本初始边缘掩膜图像进行图像增强处理根据图像增强处理后的样本初始待提取图像和样本初始边缘掩膜图像对初始深度学习模型进行训练，得到目标边缘提取模型。本公开实施例的技术方案，通过图像增强处理后的样本初始待提取图像以及样本初始边缘掩膜图像训练得到目标边缘提取模型，能够更精准地提取图像中的边缘信息。取图像中的边缘信息。取图像中的边缘信息。

【技术实现步骤摘要】
边缘提取方法、装置、电子设备及存储介质


[0001]本公开实施例涉及图像处理
，尤其涉及一种边缘提取方法、装置、电子设备及存储介质。

技术介绍

[0002]图像边缘作为图像基本的特征，集中了大量的图像信息。图像边缘检测是图像处理和计算机视觉中的基本问题。图像边缘通常存在于目标、背景和区域之间，因此，对于图像边缘的检测和提取具有较大的难度。
[0003]目前，基于现有的图像边缘检测和提取技术对图像边缘进行检测和提取时，存在着图像边缘提取结果粗糙，不够精细的问题。

技术实现思路

[0004]本公开实施例提供了一种边缘提取方法、装置、电子设备及存储介质，以实现更为精准地提取图像中的边缘信息的效果。
[0005]第一方面，本公开实施例提供了一种边缘提取方法，该方法包括：
[0006]获取目标待提取图像；
[0007]将所述目标待提取图像输入至目标边缘提取模型中，得到与所述目标待提取图像对应的目标边缘掩膜图像；
[0008]其中，所述目标边缘提取模型基于下述方法训练得到：
[0009]获取样本初始待提取图像以及与所述样本初始待提取图像对应的样本初始边缘掩膜图像；
[0010]对所述样本初始待提取图像进行图像增强处理，得到目标尺寸的样本目标待提取图像，并对所述样本初始边缘掩膜图像进行图像增强处理，得到所述目标尺寸的样本目标边缘掩膜图像；
[0011]根据所述样本目标待提取图像以及与所述样本目标待提取图像对应的样本目标边缘掩膜图像对初始深度学习模型进行训练，得到目标边缘提取模型。
[0012]第二方面，本公开实施例还提供了一种边缘提取装置，该装置包括：
[0013]图像获取模块，用于获取目标待提取图像；
[0014]边缘提取模块，用于将所述目标待提取图像输入至目标边缘提取模型中，得到与所述目标待提取图像对应的目标边缘掩膜图像；
[0015]其中，所述目标边缘提取模型基于模型训练装置得到，所述模型训练装置包括：
[0016]样本获取模块，用于获取样本初始待提取图像以及与所述样本初始待提取图像对应的样本初始边缘掩膜图像；
[0017]样本增强模块，用于对所述样本初始待提取图像进行图像增强处理，得到目标尺寸的样本目标待提取图像，并对所述样本初始边缘掩膜图像进行图像增强处理，得到所述目标尺寸的样本目标边缘掩膜图像；
[0018]模型训练模块，用于根据所述样本目标待提取图像以及与所述样本目标待提取图像对应的样本目标边缘掩膜图像对初始深度学习模型进行训练，得到目标边缘提取模型。
[0019]第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
[0020]一个或多个处理器；
[0021]存储装置，用于存储一个或多个程序，
[0022]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本公开任意实施例所提供的边缘提取方法。
[0023]第四方面，本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本公开任意实施例所提供的边缘提取方法。
[0024]本公开实施例的技术方案，通过获取目标待提取图像，将目标待提取图像输入至目标边缘提取模型中，得到与目标待提取图像对应的目标边缘掩膜图像，以进行图像的边缘提取。并且，通过获取样本初始待提取图像以及与样本初始待提取图像对应的样本初始边缘掩膜图像，对样本初始待提取图像进行图像增强处理，得到目标尺寸的样本目标待提取图像，并对样本初始边缘掩膜图像进行图像增强处理，得到目标尺寸的样本目标边缘掩膜图像，以进行样本扩充并提高图像质量，根据样本目标待提取图像以及与样本目标待提取图像对应的样本目标边缘掩膜图像对初始深度学习模型进行训练，得到目标边缘提取模型，解决了图像边缘提取结果粗糙，不够精细的问题，实现了更为精准地提取图像中的边缘信息的效果。
附图说明
[0025]为了更加清楚地说明本公开示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本专利技术所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
[0026]图1为本公开实施例一所提供的一种边缘提取方法的流程示意图；
[0027]图2为本公开实施例二所提供的一种目标边缘提取模型训练方法的流程示意图；
[0028]图3为本公开实施例三所提供的一种目标边缘提取模型训练方法的流程示意图；
[0029]图4为本公开实施例四所提供的一种目标边缘提取模型训练方法的流程示意图；
[0030]图5为本公开实施例五所提供的样本初始待提取图像的示意图；
[0031]图6为本公开实施例五所提供的样本目标待提取图像的示意图；
[0032]图7为本公开实施例五所提供的目标边缘提取模型输出的目标边缘掩膜图像的示意图；
[0033]图8为本公开实施例五所提供的图像亮度调整后的目标边缘掩膜图像的示意图；
[0034]图9为本公开实施例六所提供的一种边缘提取装置和模型训练装置的结构示意图；
[0035]图10为本公开实施例七所提供的一种电子设备的结构示意图。
具体实施方式
[0036]下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些
实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0037]应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
[0038]本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
[0039]需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0040]本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
[0041]实施例一
[0042]图1为本公开实施例一所提供的一种边缘提取方法的流程示意图，本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种边缘提取方法，其特征在于，包括：获取目标待提取图像；将所述目标待提取图像输入至目标边缘提取模型中，得到与所述目标待提取图像对应的目标边缘掩膜图像；其中，所述目标边缘提取模型基于下述方法训练得到：获取样本初始待提取图像以及与所述样本初始待提取图像对应的样本初始边缘掩膜图像；对所述样本初始待提取图像进行图像增强处理，得到目标尺寸的样本目标待提取图像，并对所述样本初始边缘掩膜图像进行图像增强处理，得到所述目标尺寸的样本目标边缘掩膜图像；根据所述样本目标待提取图像以及与所述样本目标待提取图像对应的样本目标边缘掩膜图像对初始深度学习模型进行训练，得到目标边缘提取模型。2.根据权利要求1所述的方法，其特征在于，所述对所述样本初始待提取图像进行图像增强处理，得到目标尺寸的样本目标待提取图像，包括：对所述样本初始待提取图像进行缩放处理，得到第一尺寸的样本初始待提取图像；根据最近邻插值方法对所述第一尺寸的样本初始待提取图像进行插值处理，得到目标尺寸的样本目标待提取图像。3.根据权利要求2所述的方法，其特征在于，所述对所述样本初始待提取图像进行缩放处理，包括：根据预设尺寸变换范围分别对所述样本初始待提取图像进行长度和宽度进行缩放处理。4.根据权利要求2所述的方法，其特征在于，在所述对所述样本初始待提取图像进行缩放处理之前，还包括：对所述样本初始待提取图像进行锐化处理。5.根据权利要求1所述的方法，其特征在于，所述对所述样本初始边缘掩膜图像进行图像增强处理，得到所述目标尺寸的样本目标边缘掩膜图像，包括：对所述样本初始边缘掩膜图像进行缩放处理，得到第二尺寸的样本初始边缘掩膜图像；根据最近邻插值方法对所述第二尺寸的样本初始边缘掩膜图像进行插值处理，得到目标尺寸的样本目标边缘掩膜图像。6.根据权利要求5所述的方法，其特征在于，在所述对所述样本初始边缘掩膜图像进行缩放处理之前，还包括：对所述样本初始边缘掩膜图像进行膨胀处理；在所述根据最近邻插值方法对所述第二尺寸的样本初始边缘掩膜图像进行插值处理之后，所述得到目标尺寸的样本目标边缘掩膜图像之前，还包括：对所述样本初始边缘掩膜图像进行细化处理。7.根据权利要求1所述的方法，其特征在于，所述初始深度学习模型包括至少两个边缘提取层；所述根据所述样本目标待提取图像以及与所述样本目标待提取图像对应的样本目标
边缘掩膜图像对初始深度学习模型进行训练，得到目标边缘提取模型，包括：将所述样本目标待提取图像输入至初始深度学习模型中，分别得到所述初始深度学习模型中每一个边缘提取层所输出的与所述样本目标待提取图像对应的层输出边缘掩膜图像；根据每一个边缘提取层所输出的所述层输出边缘掩膜图像、与所述样本目标待提取图像对应的样本目标边缘掩膜图像以及所述初始深度学习模型的损失函数确定所述初始深度学习模型的目标损失；基于所述目标损失对所述初始深度学习模型进行模型参数调整，以得到目标边缘提取模型。8.根据权利要求7所述的方法，其特征在于，所述根据每一个边缘提取层所输出的所述层输出边缘掩膜图像、与所述样本目标待提取图像对应的样本目标边缘掩膜图像以及所述初始深度学习模型的损失函数确定所述初始深度学习模型的目标损失，包括：针对每一个边缘提取层所输出的所述层输出边缘掩膜图像，根据所述初始深度学习模型的损失函数计算所述层输出边缘掩膜图像和与所述样本目标待提取图像对应的样本目标边缘掩膜图像之间的层输出损失；根据各边缘提取层对应的层输出损失确定所述初...

【专利技术属性】
技术研发人员：朱渊略，
申请(专利权)人：北京字跳网络技术有限公司，
类型：发明
国别省市：