图像分割方法技术

本申请的一种图像分割方法

【技术实现步骤摘要】
图像分割方法、装置、终端设备和存储介质


[0001]本申请涉及图像分割
，尤其涉及一种图像分割方法
、
装置
、
终端设备和存储介质
。

技术介绍

[0002]现有的图像分割方法，通常使用输入图像为
RGB
图像的语义分割算法，如使用
FCN、UNet
等语义分割算法通过端到端的训练即可实现高精度的语义分割，然而基于
RGB
图像的语义分割在实际应用中却面临光照变化
、
阴影等导致的分割错误问题，因此这类方法的分割精度较低
。

技术实现思路

[0003]本申请目的在于：提供一种图像分割方法
、
装置
、
终端设备和存储介质，以提高图像的分割精度
。
[0004]为达上述目的，本申请提供了一种图像分割方法，包括以下步骤：
[0005]获取
RGB
图像及深度图像；
[0006]提取所述
RGB
图像的特征，得到
RGB
特征图；
[0007]提取所述深度图像的特征，得到深度图像特征图；
[0008]将所述
RGB
特征图与所述深度图像特征图进行融合，得到融合特征图；
[0009]对所述融合特征图进行多次下采样，将每次下采样后得到的卷积特征进行融合，得到多尺度融合特征图；
[0010]对所述多尺度融合特征图进行分割后，得到分割结果<br/>。
[0011]本申请还提供了一种图像分割装置，包括：
[0012]获取模块，用于获取
RGB
图像及深度图像；
[0013]第一提取模块，用于提取所述
RGB
图像的特征，得到
RGB
特征图；
[0014]第二提取模块，用于提取所述深度图像的特征，得到深度图像特征图；
[0015]第一融合模块，用于将所述
RGB
特征图与所述深度图像特征图进行融合，得到融合特征图；
[0016]第二融合模块，用于对所述融合特征图进行多次下采样，将每次下采样后得到的卷积特征进行融合，得到多尺度融合特征图；
[0017]分割模块，用于对所述多尺度融合特征图进行分割后，得到分割结果
。
[0018]本申请还提供一种终端设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的一种图像分割方法的步骤
。
[0019]本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的一种图像分割方法的步骤
。
[0020]本申请的图像分割方法
、
装置
、
终端设备和存储介质，通过获取
RGB
图像及深度图
像，提取
RGB
图像的特征，得到
RGB
特征图，提取深度图像的特征，得到深度图像特征图，将
RGB
特征图与深度图像特征图进行融合，得到融合特征图，对融合特征图进行多次下采样，将每次下采样后得到的卷积特征进行融合，得到多尺度融合特征图，对多尺度融合特征图进行分割后，得到分割结果，以通过融合
RGB
图像的特征和深度图像的特征，得到融合特征图，逐级提取融合特征图和多尺度融合特征图的特征，保证了更高的分割精度
。
附图说明
[0021]图1为一种图像分割方法的步骤示意图；
[0022]图2为一种图像分割装置的结构示意框图；
[0023]图3为终端设备的结构示意框图
。
[0024]本申请目的的实现
、
功能特点及优点将结合实施例，参照附图做进一步说明
。
具体实施方式
[0025]为了使本申请的目的
、
技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明
。
应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请
。
[0026]参照图1，是本申请公开的一实施例中一种图像分割方法步骤示意图，方法包括：
[0027]S11、
获取
RGB
图像及深度图像；
[0028]S12、
提取所述
RGB
图像的特征，得到
RGB
特征图；
[0029]S13、
提取所述深度图像的特征，得到深度图像特征图；
[0030]S14、
将所述
RGB
特征图与所述深度图像特征图进行融合，得到融合特征图；
[0031]S15、
对所述融合特征图进行多次下采样，将每次下采样后得到的卷积特征进行融合，得到多尺度融合特征图；
[0032]S16、
对所述多尺度融合特征图进行分割后，得到分割结果
。
[0033]现有对图像进行分割时，一般采用如下几种方法：
[0034]基于
RGB
图像的语义分割方法：使用
RGB
图像作为输入的语义分割算法是目前应用最广泛的方法，通常使用
FCN、UNet
等语义分割算法通过端到端的训练即可实现高精度的语义分割，然而基于
RGB
图像的语义分割在实际应用中却面临光照变化，阴影等导致的分割错误问题，此外现实中场景的多样性又对算法的泛化性进行了考验
。
[0035]基于深度图像的语义分割方法：深度图像具有对光线变化的鲁棒性，且由于其具有物体的深度这一信息，使得其相对于
RGB
图像有独特的优势，然而深度图像由于缺少颜色
、
纹理，且噪声较多，以及存在空洞等原因在语义分割中较少使用
。
[0036]以清洁机器人为例，随着机器人相关技术的发展，越来越多种类的机器人进入市场，开始在各类场景中服务人类社会
。
其中一类清洁机器人用于对公共卫生间进行清洁工作，其中一项关键工作便是对小便池进行清洁，要实现清洁机器人对小便池进行清洁，首先需要对小便池进行精细的路径规划，而要实现这一切的前置任务则是对小便池的内外壁及其边缘进行精细准确的图像分割，即如何高精度
、
高效率以及边缘高精细度地对小便池的内外壁进行分割，是本领域的重要任务
。
[0037]因此，本申请针对高精度
、
高效率以及高精细度边缘的小便池内外壁的分割任务
需求，提出一种基于
RGB
‑
D
图像作为输入的端到端，且具备更佳分割边缘和较高的推理效率的图像分割方法
。
其中，
RGB
‑
D
...

【技术保护点】

【技术特征摘要】
1.
一种图像分割方法，其中，包括以下步骤：获取
RGB
图像及深度图像；提取所述
RGB
图像的特征，得到
RGB
特征图；提取所述深度图像的特征，得到深度图像特征图；将所述
RGB
特征图与所述深度图像特征图进行融合，得到融合特征图；对所述融合特征图进行多次下采样，将每次下采样后得到的卷积特征进行融合，得到多尺度融合特征图；对所述多尺度融合特征图进行分割后，得到分割结果
。2.
根据权利要求1所述的图像分割方法，其中，所述获取
RGB
图像及深度图像的步骤包括以下步骤：获取原始
RGB
图像及原始深度图像；对所述原始
RGB
图像及原始深度图像进行分辨率配准和裁剪处理，得到
RGB
图像及深度图像；其中，所述
RGB
图像与深度图像具有相同分辨率和相同场景范围
。3.
根据权利要求1所述的图像分割方法，其中，所述提取所述
RGB
图像的特征，得到
RGB
特征图的步骤包括以下步骤：调用
RGB
特征提取模块提取所述
RGB
图像的特征，得到
RGB
特征图；其中，所述
RGB
特征提取模块包括批标准化层
、ReLU
激活层和预设组数的卷积层，所述预设组数的卷积层连续堆叠
。4.
根据权利要求1所述的图像分割方法，其中，所述将所述
RGB
特征图与所述深度图像特征图进行融合，得到融合特征图的步骤包括以下步骤：将所述
RGB
特征图与所述深度图像特征图按照预设通道维度进行拼接，得到融合特征图
。5.
根据权利要求1所述的图像分割方法，其中，所述对所述多尺度融合特征图进行分割后，得到分割结果的步骤之后还包括以下步骤：对所述深度图像及所述
RGB
图像分别进行边缘检测，得到所述深度图像的第一边缘特征及所述

【专利技术属性】
技术研发人员：朱勋沐，
申请(专利权)人：广州视源人工智能创新研究院有限公司，
类型：发明
国别省市：