【技术实现步骤摘要】
本申请涉及图像处理的，尤其是涉及一种目标图像分割方法及系统。
技术介绍
1、图像分割是计算机视觉领域的一个核心任务，旨在将图像分成若干个有意义的区域或对象，以便于对图像进行更深入的分析和处理。这一技术在图像分析、计算机视觉以及医学图像处理等众多应用领域都发挥着重要作用。其中，如何准确分割小目标是一个备受关注的研究方向。由于小目标往往具有较低的分辨率、模糊的边缘以及复杂的背景，因此小目标图像分割的精度面临着较大的挑战。
2、申请公布日为2020年05月15日，申请公开号为cn 111612807a的中国专利技术专利，提供了一种基于尺度和边缘信息的小目标图像分割方法，其在编码器-解码器结构的分割模型的基础上，增加了边缘编码模块，该模块以编码器部分卷积块的最后一层卷积层作为输入，由注意力模块和门控模块交替连接构成，该专利还通过引入全局注意力增大图像的感受野，有效避免忽略小目标区域边缘信息的情况，同时通过对输入图像标签的梯度图进行加权，减少了边缘信息在计算过程中的损失。
3、针对上述的技术方案，在处理包含多个重叠小目标的图像时，存在以下不足：一方面，对输入图像标签的梯度图进行加权处理，会导致梯度图会变得复杂，难以准确表示重叠小目标的边缘，进而影响小目标图像的分割精度；另一方面，引入全局注意力机制增大图像的感受野，会导致模型在处理包含多个重叠小目标的图像时，无法有效地将注意力集中在每个小目标上，从而导致小目标图像分割精度下降。
技术实现思路
1、为了提高对小目标分割的
2、第一方面，本申请提供了一种目标图像分割方法，采用如下的技术方案：
3、一种目标图像分割方法，所述方法包括：
4、数据处理：获取包含若干个小目标的待分割的图像，并进行预处理，得到处理后的分割图像，记为第一图像；
5、模型构建：构建小目标分割模型，小目标分割模型包括依次连接的边缘检测子模型、u-net网络子模型和实例分割子模型；
6、边缘检测子模型用于获取第一图像中每个小目标的边缘信息，并将提取的边缘信息与第一图像进行拼接，得到拼接后的图像，记为第二图像；
7、u-net网络子模型用于获取第二图像的特征图，并利用第二图像的特征图生成第二图像的分割掩码；
8、实例分割子模型用于利用第二图像的特征图和第二图像的分割掩码进行实例分割处理，得到第一图像的二进制掩码；
9、模型训练：采集包含若干个小目标图像的历史图像，得到历史图像数据集，利用历史图像数据集对小目标分割模型进行训练，获得训练好的小目标分割模型；
10、图像分割：将第一图像导入训练好的小目标分割模型，得到第一图像的二进制掩码，将第一图像的二进制掩码与第一图像进行按位与操作，提取出小目标区域，完成图像分割任务。
11、通过采用上述技术方案，在小目标分割模型中引入边缘检测子模型，有助于在目标重叠区域清晰地区分目标与背景。同时，通过u-net子模型与实例分割子模型结合，能够有效捕捉小目标的特征，达到对每个小目标进行独立分割处理的效果，从而极大地增强了图像分割精度，有效减少了因小目标重叠而产生的混淆现象。此外，在实例分割子模型生成的二进制掩码的基础上，二进制掩码与第一图像进行按位与的操作，使最终的分割结果能够精确地聚焦于目标区域，即便是在面对多个小目标重叠的复杂场景时，也能提供准确且可靠的分割结果。上述技术方案解决了在处理多个小目标重叠图像时分割精度下降的问题，实现了对小目标特征的精准捕捉和独立分割，极大地提升了在复杂背景中准确提取小目标图像的能力。
12、可选地，所述模型构建的步骤中，还包括：
13、使用图像缩放技术对第一图像进行处理，得到若干个不同尺度的缩放图像；
14、对得到的若干个不同尺度的缩放图像中的小目标的边缘区域进行标注，获得每个缩放图像的嵌入区域；
15、将提取的边缘信息分别嵌入到每个缩放图像的嵌入区域，得到若干个不同尺度的嵌入图像，汇集得到第二图像。
16、通过采用上述技术方案，边缘检测子模型对图像中的小目标边缘进行了多尺度的增强和标注，使得小目标分割模型能够更好地适应不同大小和形状的小目标，提高了分割的鲁棒性。同时，通过多尺度边缘信息的嵌入处理不仅保留了原始图像的信息，还通过增强边缘信息，使得小目标的轮廓和特征更加突出，为后续的分割任务提供了更为准确和可靠的依据，也使得模型在分割过程中更加关注于小目标的边缘部分，从而减少了误分割的可能性。
17、可选地，在模型构建的步骤中，
18、u-net网络子模型包括编码器、解码器和跳跃连接；
19、编码器接收到第二图像后，利用卷积层提取第二图像的特征图，得到第一特征图，对第一特征图进行池化操作，在经过多层卷积操作和池化操作后，得到第二特征图；
20、编码器通过跳跃连接将第二特征图传递给解码器；
21、解码器利用第二特征图通过反卷积操作得到第三特征图，将第二特征图与第三特征图进行拼接，通过阈值化操作将拼接的特征图转化为第二图像的分割掩码。
22、通过采用上述技术方案，能够深入提取图像特征，并利用池化操作有效压缩信息，剔除背景噪声，精准捕捉关键信息。而且解码器得反卷积操作，将低分辨率特征图恢复至高分辨率，能够完整的保留目标区域细节信息。同时，跳跃连接直接将编码器中的高分辨率特征传递至解码器，进一步强化了目标区域，尤其是小目标边缘信息的保留。此外跳跃连接的引入，巧妙融合了编码器和解码器的特征图，为解码器提供了更为丰富的上下文信息，显著提升了模型对小目标区域的区分能力。即便在复杂背景中，u-net网络子模型也能够有效减少小目标重叠区域的误分割，提高了小目标分割精度。
23、可选地，在模型训练的步骤中，小目标分割模型的训练方法包括：
24、定义综合损失函数，将历史图像数据集导入构建的小目标分割模型，使用历史图像数据集中的历史图像对边缘检测子模型、u-net网络子模型和实例分割子模型进行迭代训练，利用定义的综合损失函数，计算小目标分割模型的损失值，使用反向传播算法计算小目标分割模型的模型参数梯度，使用梯度下降方法更新小目标分割模型的模型参数，直至完成预设迭代训练次数或者计算得到的小目标分割模型的损失值不再下降。
25、通过采用上述技术方案，通过在历史图像数据集上进行训练，小目标分割模型能够学习到各种复杂背景和多个小目标重叠情况下的分割规律，从而提高小目标分割模型的分割精度。此外，小目标分割模型中的边缘检测子模型、u-net网络子模型和实例分割子模型的协同作用，提高了小目标分割模型对小目标边缘的敏感度和对重叠目标的处理能力。且训练后的小目标分割模型能够很好地适应不同场景和条件下的图像分割任务，无论是复杂背景还是多个小目标重叠的情况，训练好的小目标分割模型都能够准确地对小目标图像进行分割。
26、可选地，本文档来自技高网...
【技术保护点】
1.一种目标图像分割方法，其特征在于，所述方法包括：
2.根据权利要求1所述的目标图像分割方法，其特征在于，所述模型构建的步骤中，还包括：
3.根据权利要求1所述的目标图像分割方法，其特征在于，在模型构建的步骤中，
4.根据权利要求1所述的目标图像分割方法，其特征在于，在模型训练的步骤中，小目标分割模型的训练方法包括：
5.根据权利要求4所述的目标图像分割方法，其特征在于，在小目标分割模型的训练方法中，
6.根据权利要求5所述的目标图像分割方法，其特征在于，在获得若干候选区域之后，对候选区域进行分类之前，还包括：
7.根据权利要求4所述的目标图像分割方法，其特征在于，所述综合损失函数为：
8.根据权利要求1所述的目标图像分割方法，其特征在于，在图像分割的步骤中，
9.根据权利要求8所述的目标图像分割方法，其特征在于，所述图像分割的步骤中，还包括：
10.一种目标图像分割系统，其特征在于，所述分割系统适用于如权利要求1-9任一项所述的分割方法，所述分割系统包括：
【技术特征摘要】
1.一种目标图像分割方法，其特征在于，所述方法包括：
2.根据权利要求1所述的目标图像分割方法，其特征在于，所述模型构建的步骤中，还包括：
3.根据权利要求1所述的目标图像分割方法，其特征在于，在模型构建的步骤中，
4.根据权利要求1所述的目标图像分割方法，其特征在于，在模型训练的步骤中，小目标分割模型的训练方法包括：
5.根据权利要求4所述的目标图像分割方法，其特征在于，在小目标分割模型的训练方法中，
6.根据权利要求5所述...
【专利技术属性】
技术研发人员：孙斐，姜振华，潘伟，刘强，程学伟，孟祥慧，
申请(专利权)人：山东信达物联应用技术有限公司，
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。