CN109635813A - 一种钢轨区域图像分割方法及装置 - Google Patents

一种钢轨区域图像分割方法及装置 Download PDF

Info

Publication number
CN109635813A
CN109635813A CN201811523003.8A CN201811523003A CN109635813A CN 109635813 A CN109635813 A CN 109635813A CN 201811523003 A CN201811523003 A CN 201811523003A CN 109635813 A CN109635813 A CN 109635813A
Authority
CN
China
Prior art keywords
rail
autocoder
image
sample image
test
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811523003.8A
Other languages
English (en)
Other versions
CN109635813B (zh
Inventor
黄永祯
曹春水
杨家辉
张俊峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Watrix Technology Beijing Co Ltd
Original Assignee
Watrix Technology Beijing Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Watrix Technology Beijing Co Ltd filed Critical Watrix Technology Beijing Co Ltd
Priority to CN201811523003.8A priority Critical patent/CN109635813B/zh
Publication of CN109635813A publication Critical patent/CN109635813A/zh
Application granted granted Critical
Publication of CN109635813B publication Critical patent/CN109635813B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种钢轨区域图像分割方法及装置，方法包括：选择钢轨样本图像中的一张输入第一自动编码器，用于表达样本图像模式特征并输出选择的钢轨样本图像钢轨区域的分割图；获取一个测试钢轨图像输入第二自动编码器，用于表达测试图像模式特征并输出测试钢轨图像钢轨区域的分割图；利用比对编码器将选择的钢轨样本图像与测试钢轨图像比对，获取两张图像中钢轨区域的分割图，其中比对编码器各特征层的输入是按照预设融合方式整合了已输入所述钢轨样本图像的第一自动编码器和已输入测试钢轨图像的第二自动编码器的对应特征层的输出；比对编码器解码器部分与第一、二自动编码器解码部分均共享参数。能实现图片中高精度、强鲁棒的钢轨区域的提取。

Description

一种钢轨区域图像分割方法及装置
技术领域
本发明实施例涉及计算机视觉技术领域，具体涉及一种钢轨区域图像分割方法及装置。
背景技术
近年来，轨道交通因其具有大运量和快速安全等诸多优点得到了速猛的发展，给人们的生产生活带来极大便利。
在轨道交通领域，钢轨表面损伤分析具有重要意义，因而在图片中分割出钢轨表面区域具有重要应用价值。
鉴于此，如何实现图片中高精度、强鲁棒的钢轨区域的提取成为目前需要解决的技术问题。
发明内容
由于现有方法存在上述问题，本发明实施例提出一种钢轨区域图像分割方法及装置。
第一方面，本发明实施例提出一种钢轨区域图像分割方法，包括：
选择钢轨样本图像中的一张，将所选择的钢轨样本图像输入第一自动编码器，所述第一自动编码器用于表达样本图像的模式特征，并输出所选择的钢轨样本图像的钢轨区域的分割图；
获取一个测试钢轨图像，将所述测试钢轨图像输入第二自动编码器，所述第二自动编码器用于表达测试图像的模式特征，并输出所述测试钢轨图像的钢轨区域的分割图；
利用比对编码器将所选择的钢轨样本图像与所获取的一个测试钢轨图像进行比对，获取两张图像中钢轨区域的分割图，其中，所述比对编码器各特征层的输入，是按照预设的融合方式整合了已输入所述钢轨样本图像的第一自动编码器和已输入所述测试钢轨图像的第二自动编码器的对应特征层的输出；
其中，所述比对编码器的解码器部分与所述第一自动编码器和第二自动编码器的解码部分均共享参数。
第二方面，本发明实施例还提出一种钢轨区域图像分割装置，包括：
第一输入模块，用于选择钢轨样本图像中的一张，将所选择的钢轨样本图像输入第一自动编码器，所述第一自动编码器用于表达样本图像的模式特征，并输出所选择的钢轨样本图像的钢轨区域的分割图；
第二输入模块，用于获取一个测试钢轨图像，将所述测试钢轨图像输入第二自动编码器，所述第二自动编码器用于表达测试图像的模式特征，并输出所述测试钢轨图像的钢轨区域的分割图；
输出模块，用于利用比对编码器将所选择的钢轨样本图像与所获取的一个测试钢轨图像进行比对，获取两张图像中钢轨区域的分割图，其中，所述比对编码器各特征层的输入，是按照预设的融合方式整合了已输入所述钢轨样本图像的第一自动编码器和已输入所述测试钢轨图像的第二自动编码器的对应特征层的输出；
其中，所述比对编码器的解码器部分与所述第一自动编码器和第二自动编码器的解码部分均共享参数。
第三方面，本发明实施例提供一种电子设备，包括：处理器、存储器、总线及存储在存储器上并可在第处理器上运行的计算机程序；
其中，所述处理器，存储器通过所述总线完成相互间的通信；
所述处理器执行所述计算机程序时实现上述方法。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，所述存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述方法。
由上述技术方案可知，本发明实施例提供的一种钢轨区域图像分割方法及装置，通过选择钢轨样本图像中的一张，将所选择的钢轨样本图像输入第一自动编码器，所述第一自动编码器用于表达样本图像的模式特征并输出所选择的钢轨样本图像的钢轨区域的分割图，获取一个测试钢轨图像，将所述测试钢轨图像输入第二自动编码器，所述第二自动编码器用于表达测试图像的模式特征并输出所述测试钢轨图像的钢轨区域的分割图，利用比对编码器将所选择的钢轨样本图像与所获取的一个测试钢轨图像进行比对，获取两张图像中钢轨区域的分割图，其中，比对编码器各特征层的输入是按照预设融合方式整合了已输入所选择的钢轨样本图像的第一自动编码器和已输入所获取的一个测试钢轨图像的第二自动编码器的对应特征层的输出；所述比对编码器的解码器部分与所述第一自动编码器和第二自动编码器的解码部分均共享参数，由此，能够实现图片中高精度、强鲁棒的钢轨区域的提取，速度快，适应能力强。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。
图1为本发明一实施例提供的一种钢轨区域图像分割方法的流程示意图；
图2为本发明实施例提供的比对编码器的原理示意图；
图3为本发明一实施例提供的一种钢轨区域图像分割装置的结构示意图；
图4为本发明一实施例提供的电子设备的实体结构示意图。
具体实施方式
下面结合附图，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
图1示出了本发明一实施例提供的一种钢轨区域图像分割方法的流程示意图，如图1所示，本实施例的钢轨区域图像分割方法，包括：
S1、选择钢轨样本图像中的一张，将所选择的钢轨样本图像输入第一自动编码器，所述第一自动编码器用于表达样本图像的模式特征，并输出所选择的钢轨样本图像的钢轨区域的分割图。
S2、获取一个测试钢轨图像，将所述测试钢轨图像输入第二自动编码器，所述第二自动编码器用于表达测试图像的模式特征，并输出所述测试钢轨图像的钢轨区域的分割图。
S3、利用比对编码器将所选择的钢轨样本图像与所获取的一个测试钢轨图像进行比对，获取两张图像中钢轨区域的分割图，其中，所述比对编码器各特征层的输入，是按照预设的融合方式整合了已输入所述钢轨样本图像的第一自动编码器和已输入所述测试钢轨图像的第二自动编码器的对应特征层的输出；
其中，所述比对编码器的解码器部分与所述第一自动编码器和第二自动编码器的解码部分均共享参数。
在具体应用中，所述第一自动编码器和所述第二自动编码器均是基于样本图像对深度神经网络进行训练后得到的；所述样本图像是通过获取钢轨样本图像，对钢轨样本图像进行人工标注分割后得到的标注有钢轨区域的分割图。
可以理解的是，由于钢轨区域成像图片上具有结构相似的共性，都是竖条状区域，因此本实施例可通过预先让所述比对编码器学会对比图像内容，找出相似的竖条状区域从而实现钢轨区域的提取。
本发明实施例提供的钢轨区域图像分割方法，通过选择钢轨样本图像中的一张，将所选择的钢轨样本图像输入第一自动编码器，所述第一自动编码器用于表达样本图像的模式特征并输出所选择的钢轨样本图像的钢轨区域的分割图，获取一个测试钢轨图像，将所述测试钢轨图像输入第二自动编码器，所述第二自动编码器用于表达测试图像的模式特征并输出所述测试钢轨图像的钢轨区域的分割图，利用比对编码器将所选择的钢轨样本图像与所获取的一个测试钢轨图像进行比对，获取两张图像中钢轨区域的分割图，其中，比对编码器各特征层的输入是按照预设融合方式整合了已输入所选择的钢轨样本图像的第一自动编码器和已输入所获取的一个测试钢轨图像的第二自动编码器的对应特征层的输出；所述比对编码器的解码器部分与所述第一自动编码器和第二自动编码器的解码部分均共享参数，由此，能够实现图片中高精度、强鲁棒的钢轨区域的提取，速度快，适应能力强。
进一步地，在具体应用中，可参考图2，所述已输入所述钢轨样本图像的第一自动编码器和已输入所述测试钢轨图像的第二自动编码器的对应特征层的输出，与所述比对编码器相应特征层的输出，以通道并联的方式形成所述比对编码器下一特征层的输入。
进一步地，在具体应用中，所述预设融合方式可以为：(比对编码器的输出-第一自动编码器的输出)++第二自动编码器的输出，其中，++为或操作。
由此，所述比对编码器能够学会对比图像内容，找出相似的竖条状区域从而实现钢轨区域的提取。
进一步地，在上述实施例的基础上，在所述步骤S1之前，本实施例所述方法还可以包括图中未示出的步骤S0：
S0、获取样本图像，根据所述样本图像，对深度神经网络进行训练，获得训练好的第一自动编码器，所述第一自动编码器的解码器部分输出一个通道，负责钢轨区域的分割。
由此，本实施例能够获得训练好的第一自动编码器。
进一步地，在上述实施例的基础上，在所述步骤S2之前，本实施例所述方法还可以包括图中未示出的步骤P1：
获取样本图像，根据所述样本图像，对深度神经网络进行训练，获得训练好的第二自动编码器，所述第二自动编码器的解码器部分输出一个通道，负责钢轨区域的分割；
其中，所述第二自动编码器与所述第一自动编码器的参数是共享的。
可以理解的是，本实施例的所述第一自动编码器和所述第二自动编码器的实现方式不唯一，通常可以使用各种深度神经网络来实现，举例来说，本实施例中的深度神经网络可以包括：u-net，反卷积神经网络等。
由此，本实施例能够获得训练好的第二自动编码器。
本发明实施例提供的钢轨区域图像分割方法，充分利用了钢轨表面的纹理相似性和整体钢轨形态的一致性特点，通过预先让比对编码器学会对比图像内容，能够实现图片中高精度、强鲁棒的钢轨区域的提取，速度快，适应能力强。
图3示出了本发明一实施例提供的一种钢轨区域图像分割装置的结构示意图，如图3所示，本实施例的钢轨区域图像分割装置，包括：第一输入模块31、第二输入模块32和输出模块33；其中：
所述第一输入模块31，用于择钢轨样本图像中的一张，将所选择的钢轨样本图像输入第一自动编码器，所述第一自动编码器用于表达样本图像的模式特征，并输出所选择的钢轨样本图像的钢轨区域的分割图；
所述第二输入模块32，用于获取一个测试钢轨图像，将所述测试钢轨图像输入第二自动编码器，所述第二自动编码器用于表达测试图像的模式特征，并输出所述测试钢轨图像的钢轨区域的分割图；
所述输出模块33，用于利用比对编码器将所选择的钢轨样本图像与所获取的一个测试钢轨图像进行比对，获取两张图像中钢轨区域的分割图，其中，所述比对编码器各特征层的输入，是按照预设的融合方式整合了已输入所述钢轨样本图像的第一自动编码器和已输入所述测试钢轨图像的第二自动编码器的对应特征层的输出；
其中，所述比对编码器的解码器部分与所述第一自动编码器和第二自动编码器的解码部分均共享参数。
具体地，所述第一输入模块31择钢轨样本图像中的一张，将所选择的钢轨样本图像输入第一自动编码器，所述第一自动编码器用于表达样本图像的模式特征，并输出所选择的钢轨样本图像的钢轨区域的分割图；所述第二输入模块32获取一个测试钢轨图像，将所述测试钢轨图像输入第二自动编码器，所述第二自动编码器用于表达测试图像的模式特征，并输出所述测试钢轨图像的钢轨区域的分割图；所述输出模块33利用比对编码器将所选择的钢轨样本图像与所获取的一个测试钢轨图像进行比对，获取两张图像中钢轨区域的分割图，其中，所述比对编码器各特征层的输入，是按照预设的融合方式整合了已输入所述钢轨样本图像的第一自动编码器和已输入所述测试钢轨图像的第二自动编码器的对应特征层的输出；其中，所述比对编码器的解码器部分与所述第一自动编码器和第二自动编码器的解码部分均共享参数。
在具体应用中，所述第一自动编码器和所述第二自动编码器均是基于样本图像对深度神经网络进行训练后得到的；所述样本图像是通过获取钢轨样本图像，对钢轨样本图像进行人工标注分割后得到的标注有钢轨区域的分割图。
可以理解的是，由于钢轨区域成像图片上具有结构相似的共性，都是竖条状区域，因此本实施例可通过预先让所述比对编码器学会对比图像内容，找出相似的竖条状区域从而实现钢轨区域的提取。
本发明实施例提供的钢轨区域图像分割装置，能够实现图片中高精度、强鲁棒的钢轨区域的提取，速度快，适应能力强。
进一步地，在具体应用中，可参考图2，所述已输入所述钢轨样本图像的第一自动编码器和已输入所述测试钢轨图像的第二自动编码器的对应特征层的输出，与所述比对编码器相应特征层的输出，以通道并联的方式形成所述比对编码器下一特征层的输入。
进一步地，在具体应用中，所述预设融合方式可以为：(比对编码器的输出-第一自动编码器的输出)++第二自动编码器的输出，其中，++为或操作。
由此，所述比对编码器能够学会对比图像内容，找出相似的竖条状区域从而实现钢轨区域的提取。
进一步地，在上述实施例的基础上，本实施例所述装置还可以包括图中未示出的：
第一训练模块，用于获取样本图像，根据所述样本图像，对深度神经网络进行训练，获得训练好的第一自动编码器，所述第一自动编码器的解码器部分输出一个通道，负责钢轨区域的分割。
由此，本实施例能够获得训练好的第一自动编码器。
进一步地，在上述实施例的基础上，本实施例所述装置还可以包括图中未示出的：
第二训练模块，用于获取样本图像，根据所述样本图像，对深度神经网络进行训练，获得训练好的第二自动编码器，所述第二自动编码器的解码器部分输出一个通道，负责钢轨区域的分割；
其中，所述第二自动编码器与所述第一自动编码器的参数是共享的。
可以理解的是，本实施例的所述第一自动编码器和所述第二自动编码器的实现方式不唯一，通常可以使用各种深度神经网络来实现，举例来说，本实施例中的深度神经网络可以包括：u-net，反卷积神经网络等。
由此，本实施例能够获得训练好的第二自动编码器。
本发明实施例提供的钢轨区域图像分割装置，充分利用了钢轨表面的纹理相似性和整体钢轨形态的一致性特点，通过预先让比对编码器学会对比图像内容，能够实现图片中高精度、强鲁棒的钢轨区域的提取，速度快，适应能力强。
本实施例的钢轨区域图像分割装置，可以用于执行前述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图4示出了本发明一实施例提供的一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器401、存储器402、总线403及存储在存储器402上并可在处理器401上运行的计算机程序；
其中，所述处理器401和存储器402通过所述总线403完成相互间的通信；
所述处理器401执行所述计算机程序时实现上述方法实施例所提供的方法，例如包括：选择钢轨样本图像中的一张，将所选择的钢轨样本图像输入第一自动编码器，所述第一自动编码器用于表达样本图像的模式特征，并输出所选择的钢轨样本图像的钢轨区域的分割图；获取一个测试钢轨图像，将所述测试钢轨图像输入第二自动编码器，所述第二自动编码器用于表达测试图像的模式特征，并输出所述测试钢轨图像的钢轨区域的分割图；利用比对编码器将所选择的钢轨样本图像与所获取的一个测试钢轨图像进行比对，获取两张图像中钢轨区域的分割图，其中，所述比对编码器各特征层的输入，是按照预设的融合方式整合了已输入所述钢轨样本图像的第一自动编码器和已输入所述测试钢轨图像的第二自动编码器的对应特征层的输出；其中，所述比对编码器的解码器部分与所述第一自动编码器和第二自动编码器的解码部分均共享参数。
本发明实施例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上述方法实施例所提供的方法，例如包括：选择钢轨样本图像中的一张，将所选择的钢轨样本图像输入第一自动编码器，所述第一自动编码器用于表达样本图像的模式特征，并输出所选择的钢轨样本图像的钢轨区域的分割图；获取一个测试钢轨图像，将所述测试钢轨图像输入第二自动编码器，所述第二自动编码器用于表达测试图像的模式特征，并输出所述测试钢轨图像的钢轨区域的分割图；利用比对编码器将所选择的钢轨样本图像与所获取的一个测试钢轨图像进行比对，获取两张图像中钢轨区域的分割图，其中，所述比对编码器各特征层的输入，是按照预设的融合方式整合了已输入所述钢轨样本图像的第一自动编码器和已输入所述测试钢轨图像的第二自动编码器的对应特征层的输出；其中，所述比对编码器的解码器部分与所述第一自动编码器和第二自动编码器的解码部分均共享参数。
本领域内的技术人员应明白，本申请的实施例可提供为方法、装置、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、装置、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置/***。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的说明书中，说明了大量具体细节。然而能够理解的是，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释呈反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和/或实施例的任意组合和/或置换。而且，可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种钢轨区域图像分割方法，其特征在于，包括：
选择钢轨样本图像中的一张，将所选择的钢轨样本图像输入第一自动编码器，所述第一自动编码器用于表达样本图像的模式特征，并输出所选择的钢轨样本图像的钢轨区域的分割图；
获取一个测试钢轨图像，将所述测试钢轨图像输入第二自动编码器，所述第二自动编码器用于表达测试图像的模式特征，并输出所述测试钢轨图像的钢轨区域的分割图；
利用比对编码器将所选择的钢轨样本图像与所获取的一个测试钢轨图像进行比对，获取两张图像中钢轨区域的分割图，其中，所述比对编码器各特征层的输入，是按照预设的融合方式整合了已输入所述钢轨样本图像的第一自动编码器和已输入所述测试钢轨图像的第二自动编码器的对应特征层的输出；
其中，所述比对编码器的解码器部分与所述第一自动编码器和第二自动编码器的解码部分均共享参数。
2.根据权利要求1所述的方法，其特征在于，所述第一自动编码器和所述第二自动编码器均是基于样本图像对深度神经网络进行训练后得到的；
所述样本图像是通过获取钢轨样本图像，对钢轨样本图像进行人工标注分割后得到的标注有钢轨区域的分割图。
3.根据权利要求1所述的方法，其特征在于，所述已输入所述钢轨样本图像的第一自动编码器和已输入所述测试钢轨图像的第二自动编码器的对应特征层的输出，与所述比对编码器相应特征层的输出，以通道并联的方式形成所述比对编码器下一特征层的输入。
4.根据权利要求1所述的方法，其特征在于，所述预设融合方式为：(比对编码器的输出-第一自动编码器的输出)++第二自动编码器的输出，其中，++为或操作。
5.根据权利要求1所述的方法，其特征在于，在选择钢轨样本图像中的一张，将所选择的钢轨样本图像输入第一自动编码器之前，所述方法还包括：
获取样本图像，根据所述样本图像，对深度神经网络进行训练，获得训练好的第一自动编码器，所述第一自动编码器的解码器部分输出一个通道，负责钢轨区域的分割。
6.根据权利要求5所述的方法，其特征在于，在获取一个测试钢轨图像，将所述测试钢轨图像输入第二自动编码器之前，所述方法还包括：
获取样本图像，根据所述样本图像，对深度神经网络进行训练，获得训练好的第二自动编码器，所述第二自动编码器的解码器部分输出一个通道，负责钢轨区域的分割；
其中，所述第二自动编码器与所述第一自动编码器的参数是共享的。
7.一种钢轨区域图像分割装置，其特征在于，包括：
第一输入模块，用于选择钢轨样本图像中的一张，将所选择的钢轨样本图像输入第一自动编码器，所述第一自动编码器用于表达样本图像的模式特征，并输出所选择的钢轨样本图像的钢轨区域的分割图；
第二输入模块，用于获取一个测试钢轨图像，将所述测试钢轨图像输入第二自动编码器，所述第二自动编码器用于表达测试图像的模式特征，并输出所述测试钢轨图像的钢轨区域的分割图；
输出模块，用于利用比对编码器将所选择的钢轨样本图像与所获取的一个测试钢轨图像进行比对，获取两张图像中钢轨区域的分割图，其中，所述比对编码器各特征层的输入，是按照预设的融合方式整合了已输入所述钢轨样本图像的第一自动编码器和已输入所述测试钢轨图像的第二自动编码器的对应特征层的输出；
其中，所述比对编码器的解码器部分与所述第一自动编码器和第二自动编码器的解码部分均共享参数。
8.根据权利要求7所述的装置，其特征在于，所述已输入所述钢轨样本图像的第一自动编码器和已输入所述测试钢轨图像的第二自动编码器的对应特征层的输出，与所述比对编码器相应特征层的输出，以通道并联的方式形成所述比对编码器下一特征层的输入。
9.一种电子设备，其特征在于，包括：处理器、存储器、总线及存储在存储器上并可在第处理器上运行的计算机程序；
其中，所述处理器，存储器通过所述总线完成相互间的通信；
所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质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权利要求1-6中任一项所述的方法。
CN201811523003.8A 2018-12-13 2018-12-13 一种钢轨区域图像分割方法及装置 Active CN109635813B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811523003.8A CN109635813B (zh) 2018-12-13 2018-12-13 一种钢轨区域图像分割方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811523003.8A CN109635813B (zh) 2018-12-13 2018-12-13 一种钢轨区域图像分割方法及装置

Publications (2)

Publication Number Publication Date
CN109635813A true CN109635813A (zh) 2019-04-16
CN109635813B CN109635813B (zh) 2020-12-25

Family

ID=66073390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811523003.8A Active CN109635813B (zh) 2018-12-13 2018-12-13 一种钢轨区域图像分割方法及装置

Country Status (1)

Country Link
CN (1) CN109635813B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101778275A (zh) * 2009-01-09 2010-07-14 深圳市融创天下科技发展有限公司 一种自适应时间域和空间域分辨率框架的图像处理方法
US8432410B1 (en) * 2006-07-28 2013-04-30 Nvidia Corporation 3D graphics API extension for a shared exponent image format
US20170019684A1 (en) * 2014-05-20 2017-01-19 Here Global B.V. Predictive value data set compression
CN107357899A (zh) * 2017-07-14 2017-11-17 吉林大学 基于和积网络深度自动编码器的短文本情感分析方法
CN107481188A (zh) * 2017-06-23 2017-12-15 珠海经济特区远宏科技有限公司 一种图像超分辨率重构方法
CN107977598A (zh) * 2016-10-21 2018-05-01 三星电子株式会社 用于识别面部表情的方法和设备
CN108280452A (zh) * 2018-01-26 2018-07-13 深圳市唯特视科技有限公司 一种基于并行网络构架的图像语义标签纠错方法
CN108510560A (zh) * 2018-04-11 2018-09-07 腾讯科技（深圳）有限公司 图像处理方法、装置、存储介质和计算机设备
CN108830221A (zh) * 2018-06-15 2018-11-16 北京市商汤科技开发有限公司 图像的目标对象分割及训练方法和装置、设备、介质、产品

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8432410B1 (en) * 2006-07-28 2013-04-30 Nvidia Corporation 3D graphics API extension for a shared exponent image format
CN101778275A (zh) * 2009-01-09 2010-07-14 深圳市融创天下科技发展有限公司 一种自适应时间域和空间域分辨率框架的图像处理方法
US20170019684A1 (en) * 2014-05-20 2017-01-19 Here Global B.V. Predictive value data set compression
CN107977598A (zh) * 2016-10-21 2018-05-01 三星电子株式会社 用于识别面部表情的方法和设备
CN107481188A (zh) * 2017-06-23 2017-12-15 珠海经济特区远宏科技有限公司 一种图像超分辨率重构方法
CN107357899A (zh) * 2017-07-14 2017-11-17 吉林大学 基于和积网络深度自动编码器的短文本情感分析方法
CN108280452A (zh) * 2018-01-26 2018-07-13 深圳市唯特视科技有限公司 一种基于并行网络构架的图像语义标签纠错方法
CN108510560A (zh) * 2018-04-11 2018-09-07 腾讯科技（深圳）有限公司 图像处理方法、装置、存储介质和计算机设备
CN108830221A (zh) * 2018-06-15 2018-11-16 北京市商汤科技开发有限公司 图像的目标对象分割及训练方法和装置、设备、介质、产品

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
AARON VAN DEN OORD 等: "Representation Learning with Contrastive Predictive Coding", 《ARXIV》 *
BADRINARAYANAN, VIJAY 等: "SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
ZHENGXUE CHENG 等: "Performance Comparison of Convolutional AutoEncoders, Generative Adversarial Networks and Super-Resolution for Image Compression", 《ARXIV》 *
司宁博: "基于卷积神经网络的图像特征提取算法与图像分类问题研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Also Published As

Publication number Publication date
CN109635813B (zh) 2020-12-25

Similar Documents

Publication Publication Date Title
KR101282196B1 (ko) 다시점 영상에서 코드북 기반의 전경 및 배경 분리 장치 및 방법
US9639065B2 (en) Method and electronic device for displaying operating state information
EP3343376B1 (en) Disk capacity prediction method, device and apparatus
CN111179187B (zh) 基于循环生成对抗网络的单幅图像去雨方法
CN104219532B (zh) 确定小物体区域的方法、视频帧之间插补帧的方法和装置
CN104881415B (zh) 树图生成的方法及设备
CN105512382A (zh) 基于bim的楼层分块转化及组合方法及***
CN107180117A (zh) 图表推荐方法、装置和计算机设备
CN115376211B (zh) 唇形驱动方法、唇形驱动模型的训练方法、装置及设备
CN105718848A (zh) 一种指纹图像的质量评估方法及装置
CN103813169A (zh) 视频编解码器中可伸缩的对象表示方法和装置
CN114715145B (zh) 一种轨迹预测方法、装置、设备及自动驾驶车辆
CN113344089A (zh) 模型训练方法、装置及电子设备
CN103400393A (zh) 一种图像匹配方法和***
CN109784207B (zh) 一种人脸识别方法、装置及介质
CN110610140B (zh) 人脸识别模型的训练方法、装置、设备及可读存储介质
CN113627536A (zh) 模型训练、视频分类方法，装置，设备以及存储介质
CN109635813A (zh) 一种钢轨区域图像分割方法及装置
CN109753157A (zh) 显示屏的手势控制方法及装置
CN109167989A (zh) 一种vr视频处理方法及***
CN110189242A (zh) 图像处理方法和装置
CN113269806B (zh) 测量血管内部血流流量的方法、装置与处理器
CN114627025A (zh) 图像去噪方法、装置、电子设备、存储介质
CN109993338A (zh) 一种链路预测方法及装置
CN114757855A (zh) 动作数据修正方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant