【技术实现步骤摘要】
图像目标区域的提取方法和装置、存储介质及电子设备
[0001]本申请涉及图像处理领域,具体而言,涉及一种图像目标区域的提取方法和装置、存储介质及电子设备。
技术介绍
[0002]在图像处理领域,针对视频流或图像流的生成目标区域的研究较少,且无法保障生成的目标区域的准确性,生成目标区域是研究重点和难点。
[0003]目前常用的生成目标区域的方法是通过人工手工去划线。而在不同应用场景中,人工手工去划线会产生大量的人力成本且对复杂不规则图形的目标区域划定不够准确。
[0004]针对上述的问题,目前尚未提出有效的解决方案。
技术实现思路
[0005]本申请实施例提供了一种图像目标区域的提取方法和装置、存储介质及电子设备,以至少解决图像中生成目标区域的准确率较低的技术问题。
[0006]根据本申请实施例的一个方面,提供了一种图像目标区域的提取方法,包括:获取待识别图像;将所述待识别图像输入目标神经网络模型,得到与所述待识别图像对应的目标语义分割图,其中,所述目标神经网络模型是使用样本图像以及与所述样本图像对应的样本语义分割图对待训练神经网络模型进行训练得到的模型;通过所述待识别图像和所述目标语义分割图,在所述待识别图像中提取出目标区域。
[0007]可选地,在所述将所述待识别图像输入目标神经网络模型,得到与所述待识别图像对应的目标语义分割图之前,所述方法包括:获取样本图像集合和样本语义分割图集合,其中,所述样本语义分割图集合中的样本语义分割图是所述样本图像集合中对应的样本图像的语 ...
【技术保护点】
【技术特征摘要】
1.一种图像目标区域的提取方法,其特征在于,包括:获取待识别图像;将所述待识别图像输入目标神经网络模型,得到与所述待识别图像对应的目标语义分割图,其中,所述目标神经网络模型是使用样本图像以及与所述样本图像对应的样本语义分割图对待训练神经网络模型进行训练得到的模型;通过所述待识别图像和所述目标语义分割图,在所述待识别图像中提取出目标区域。2.根据权利要求1所述的方法,其特征在于,在所述将所述待识别图像输入目标神经网络模型,得到与所述待识别图像对应的目标语义分割图之前,所述方法包括:获取样本图像集合和样本语义分割图集合,其中,所述样本语义分割图集合中的样本语义分割图是所述样本图像集合中对应的样本图像的语义分割图;通过所述样本图像集合和样本语义分割图集合对所述待训练神经网络模型进行多轮迭代训练,得到所述目标神经网络模型。3.根据权利要求2所述的方法,其特征在于,所述通过所述样本图像集合和样本语义分割图集合对所述待训练神经网络模型进行多轮迭代训练,得到所述目标神经网络模型,包括:通过所述样本图像集合中的样本图像,所述样本语义分割图集合中与所述样本图像对应的样本语义分割图,以及样本图像子集对所述待训练神经网络模型进行第i轮训练,其中,i大于1,所述样本图像子集是所述样本图像集合中包括除所述样本图像之外的其他样本图像:通过第i
‑
1轮训练得到的待训练神经网络模型中的DRD模块对所述样本图像、所述样本图像子集进行处理,得到第i轮训练确定的特征矩阵;将所述第i轮训练得到的特征矩阵输入所述第i
‑
1轮训练得到的待训练神经网络模型中的Mask R
‑
CNN模块,得到第i轮训练确定的预测样本语义分割图;在所述第i轮训练确定的预测样本语义分割图与所述样本图像对应的样本语义分割图之间满足目标收敛条件的情况下,结束训练,得到所述目标神经网络模型。4.根据权利要求3所述的方法,其特征在于,所述通过第i
‑
1轮训练得到的待训练神经网络模型中的DRD模块对所述样本图像、所述样本图像子集进行处理,得到第i轮训练确定的特征矩阵,包括:获取与所述样本图像子集对应的样本前景图像子集,其中,所述样本前景图像子集是通过样本语义分割图子集对所述样本图像子集中的前景图像进行提取得到的前景图像子集,所述样本语义分割图子集中包括与所述样本图像子集的每个样本图像对应的语义分割图;通过所述DRD模块对所述样本图像和样本前景图像子集进行特征提取,得到特征矩阵集合;对所述特征矩阵集合中的特征矩阵进行拼接,得到所述第i轮训练确定的特征矩阵。5.根据权利要求4所述的方法,其特征在于,所述通过所述DRD模块对所述样本图像和样本前景图像子集进行特征提取,得到特征矩阵集合,包括:通过所述DRD模块对所述样本图像进行特征提取,得到样本特征矩阵对;通过所述DRD模块对所述样本前景图像子集进行特征提取,得到样本前景特征矩阵对
...
【专利技术属性】
技术研发人员:叶凡杰,程淼,周祥明,吕智兵,
申请(专利权)人:浙江大华技术股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。