【技术实现步骤摘要】
本专利技术涉及计算机 ，尤其涉及一种大模型图像分割方法、装置、设备、存储介质及程序产品。
技术介绍
1、目前，深度学习广泛用于图像分割，制作一个用于训练图像分割模型的数据集成为了cv（computer vision，计算机视觉）领域研究人员必备的一项技能。而制作一个图像分割数据集就需要大量图片、每张图片所对应的标注文件以及用来计算模型的权重文件。目前为止，制作图像分割数据集的标注文件还需要通过人工来使用labelimg或labelme等图像标注软件来标注，非常的费时费力。
技术实现思路
1、本专利技术提供一种大模型图像分割方法、装置、设备、存储介质及程序产品，用以解决现有技术中图像分割数据获取费时费力的缺陷，实现图像分割数据的高效获取。
2、第一方面，本专利技术提供一种大模型图像分割方法，包括：
3、将预处理后的目标图像输入到图像分割大模型中，得到所述图像分割大模型生成的二值分割图；所述预处理后的目标图像包括所述目标对象所在目标区域的标注信息；所述二值分割图与所述目标区域匹配；
4、基于所述二值分割图中值为1的目标像素点以及所述目标像素点在所述目标图像中的坐标，确定所述目标对象在所述二值分割图中的边界点；
5、对各边界点进行排序并依次连接排序后的边界点，得到所述目标对象的掩膜信息。
6、在一个实施例中，所述基于所述二值分割图中值为1的目标像素点以及所述目标像素点在所述目标图像中的坐标，确定所述目标对象在所述二值分割图中的边
7、基于各目标像素点在所述目标图像中的横坐标，确定位于同一列的像素点；
8、基于位于同一列的像素点在所述目标图像中的纵坐标，确定第一候选边界点；
9、基于各目标像素点在所述目标图像中的纵坐标，确定位于同一行的像素点；
10、基于位于同一行的像素点在所述目标图像中的横坐标，确定第二候选边界点；
11、对所述第一候选边界点与第二候选边界点进行去重，并将去重后的第一候选边界点和第二候选边界点作为所述目标对象在所述二值分割图中的边界点。
12、在一个实施例中，所述基于位于同一列的像素点在所述目标图像中的纵坐标，确定第一候选边界点，包括：
13、从位于同一列的像素点中确定第一像素点，将所述第一像素点作为所述第一候选边界点；
14、其中，所述第一像素点满足以下任一项：
15、不存在位于同一列且纵坐标比所述第一像素点的纵坐标大一个纵坐标单位的像素点；
16、不存在位于同一列且纵坐标比所述第一像素点的纵坐标小一个纵坐标单位的像素点。
17、在一个实施例中，所述对各边界点进行排序，包括：
18、从各边界点中确定起始点，将其余边界点作为未处理边界点；
19、重复执行如下遍历操作，直至当前点与所述起始点为同一个点：
20、从所述未处理边界点中确定当前点的目标相邻点；
21、将所述目标相邻点从所述未处理边界点中排除以作为排序后的边界点，并将所述目标相邻点作为下一次遍历操作的当前点；
22、其中，在第一次遍历操作中，将所述起始点视为当前点。
23、在一个实施例中，所述方法还包括：
24、在所述遍历操作结束后，确定排序后的边界点的数量；
25、若排序后的边界点的数量大于或等于数量阈值，则依次连接排序后的边界点；
26、若排序后的边界点的数量小于数量阈值，则重新执行所述遍历操作。
27、在一个实施例中，所述方法还包括：
28、若未在所述未处理边界点中找到所述当前点的目标相邻点，则对当前的遍历操作进行回退，以在上一次遍历操作中，从所述未处理边界点中确定当前点的另一个目标相邻点。
29、第二方面，本专利技术提供一种大模型图像分割装置，包括：
30、生成模块，用于基于预处理后的目标图像生成二值分割图；所述预处理后的目标图像包括所述目标对象所在目标区域的标注信息；所述二值分割图与所述目标区域匹配；
31、确定模块，用于基于所述二值分割图中值为1的目标像素点以及所述目标像素点在所述目标图像中的坐标，确定所述目标对象在所述二值分割图中的边界点；
32、排序模块，用于对各边界点进行排序并依次连接排序后的边界点，得到所述目标对象的掩膜信息。
33、第三方面，本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的大模型图像分割方法。
34、本专利技术还提供一种非暂态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如第一方面所述的大模型图像分割方法。
35、本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的大模型图像分割方法。
36、本专利技术提供的大模型图像分割方法、装置、设备、存储介质及程序产品，通过对目标图像的目标对象进行简单标注并由图像分割大模型生成二值分割图，再从二值分割图中确定边界点并对边界点进行排序以得到目标对象的掩膜信息，可以自动且高效地确定出图像分割数据，从而相比于现有人工标注的方式而言，大幅提高了图像分割数据获取的效率和精度，有效节约了时间和人力成本。
本文档来自技高网...【技术保护点】
1.一种大模型图像分割方法，其特征在于，包括：
2.根据权利要求1所述的大模型图像分割方法，其特征在于，所述基于所述二值分割图中值为1的目标像素点以及所述目标像素点在所述目标图像中的坐标，确定所述目标对象在所述二值分割图中的边界点，包括：
3.根据权利要求2所述的大模型图像分割方法，其特征在于，所述基于位于同一列的像素点在所述目标图像中的纵坐标，确定第一候选边界点，包括：
4.根据权利要求1所述的大模型图像分割方法，其特征在于，所述对各边界点进行排序，包括：
5.根据权利要求4所述的大模型图像分割方法，其特征在于，所述方法还包括：
6.根据权利要求4所述的大模型图像分割方法，其特征在于，所述方法还包括：
7.一种大模型图像分割装置，其特征在于，包括：
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的大模型图像分割方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的大模型图像分割方法。
...【技术特征摘要】
1.一种大模型图像分割方法，其特征在于，包括：
2.根据权利要求1所述的大模型图像分割方法，其特征在于，所述基于所述二值分割图中值为1的目标像素点以及所述目标像素点在所述目标图像中的坐标，确定所述目标对象在所述二值分割图中的边界点，包括：
3.根据权利要求2所述的大模型图像分割方法，其特征在于，所述基于位于同一列的像素点在所述目标图像中的纵坐标，确定第一候选边界点，包括：
4.根据权利要求1所述的大模型图像分割方法，其特征在于，所述对各边界点进行排序，包括：
5.根据权利要求4所述的大模型图像分割方法，其特征在于，所述方法还包括：
6.根据权利要求4所述...
【专利技术属性】
技术研发人员：吕彦锋，方源，乔红，
申请(专利权)人：中国科学院自动化研究所，
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。