CN114494298A - 对象分割方法、装置、设备及存储介质 - Google Patents
对象分割方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114494298A CN114494298A CN202210107771.5A CN202210107771A CN114494298A CN 114494298 A CN114494298 A CN 114494298A CN 202210107771 A CN202210107771 A CN 202210107771A CN 114494298 A CN114494298 A CN 114494298A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- initial
- target object
- segmented
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例公开了一种对象分割方法、装置、设备及存储介质。包括:对待分割图像中的目标对象进行语义识别,获得初始掩膜图;基于所述初始掩膜图确定所述待分割图像中的初始目标对象区域;对所述初始目标对象区域中的像素点按照颜色值进行聚类处理,获取所述目标对象的N个颜色分类;根据所述N个颜色分类和所述待分割图像获得N个差值图;根据所述N个差值图与所述初始掩膜图确定目标掩膜图;基于所述目标掩膜图对所述待分割图像中的所述目标对象进行分割。本公开实施例提供的对象分割方法,根据差值图和初始掩膜图确定目标掩膜图,从而基于目标掩膜图分割目标对象,可以实现图像中对象的分割,防止对象的漏分割,并提高对象分割的准确性。
Description
技术领域
本公开实施例涉及图像处理技术领域,尤其涉及一种对象分割方法、装置、设备及存储介质。
背景技术
目前,对于天空分割有如下两种实现方法:一种是采用卷积神经网络的深度学习算法分割天空,该种方式对于分割的掩膜图存在中间局部漏分割的情况;另一种基于颜色信息的传统算法,该方法依赖天空的颜色进行分割,可能出现误分割的现象。对于色差小的图片,也可能失效。
发明内容
本公开实施例提供一种对象分割方法、装置、设备及存储介质,以实现图像中对象的分割,可以防止对象的漏分割,并提高对象分割的准确性。
第一方面,本公开实施例提供了一种对象分割方法,包括:
对待分割图像中的目标对象进行语义识别,获得初始掩膜图;
基于所述初始掩膜图确定所述待分割图像中的初始目标对象区域;
对所述初始目标对象区域中的像素点按照颜色值进行聚类处理,获取所述目标对象的N个颜色分类;其中,N为大于或者等于1的正整数;
根据所述N个颜色分类和所述待分割图像获得N个差值图;
根据所述N个差值图与所述初始掩膜图确定目标掩膜图;
基于所述目标掩膜图对所述待分割图像中的所述目标对象进行分割。
第二方面,本公开实施例还提供了一种对象分割装置,包括:
初始掩膜图获取模块,用于对待分割图像中的目标对象进行语义识别,获得初始掩膜图;
初始目标对象区域确定模块,用于基于所述初始掩膜图确定所述待分割图像中的初始目标对象区域;
聚类模块,用于对所述初始目标对象区域中的像素点按照颜色值进行聚类处理,获取所述目标对象的N个颜色分类;其中,N为大于或者等于1的正整数;
差值图获取模块,用于根据所述N个颜色分类和所述待分割图像获得N个差值图;
目标掩膜图获取模块,用于根据所述N个差值图与所述初始掩膜图确定目标掩膜图;
图像分割模块,用于基于所述目标掩膜图对所述待分割图像中的所述目标对象进行分割。
第三方面,本公开实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理装置;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理装置执行,使得所述一个或多个处理装置实现如本公开实施例所述的对象分割方法。
第四方面,本公开实施例还提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现如本公开实施例所述的对象分割方法。
本公开实施例公开了一种对象分割方法、装置、设备及存储介质。对待分割图像中的目标对象进行语义识别,获得初始掩膜图;基于初始掩膜图确定待分割图像中的初始目标对象区域;对初始目标对象区域中的像素点按照颜色值进行聚类处理,获取目标对象的N个颜色分类;根据N个颜色分类和待分割图像获得N个差值图;根据N个差值图与初始掩膜图确定目标掩膜图;基于目标掩膜图对待分割图像进行分割。本公开实施例提供的对象分割方法,根据差值图和初始掩膜图确定目标掩膜图,从而基于目标掩膜图对待分割图像中的目标对象进行分割,可以实现图像中对象的分割,防止对象的漏分割,并提高对象分割的准确性。
附图说明
图1是本公开实施例中的一种对象分割方法的流程图;
图2a是本公开实施例中的待分割图像的实例图;
图2b是本公开实施例中的初始掩膜图的示例图;
图2c是本公开实施例中的差值图的示例图;
图2d是本公开实施例中的目标掩膜图的示例图;
图2e是本公开实施例中的基于初始掩膜图生成的可视化图;
图2f是本公开实施例中的基于目标掩膜图生成的可视化图;
图3是本公开实施例中的一种对象分割装置的结构示意图。
图4是本公开实施例中的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
实施例一
图1为本公开实施例一提供的一种对象分割方法的流程图,本实施例可适用于对图像中的目标对象进行分割的情况,该方法可以由对象分割装置来执行,该装置可由硬件和/或软件组成,并一般可集成在具有对象分割功能的设备中,该设备可以是服务器、移动终端或服务器集群等电子设备。如图1所示,该方法具体包括如下步骤:
步骤110,对待分割图像中的目标对象进行语义识别,获得初始掩膜图。
其中,目标对象可以需要从图像中分割出的任意对象,例如:车辆、树木、建筑物、天空等。本实施例中,主要是针对“天空”的分割。初始掩膜图的尺寸与待分割图像的尺寸相同,每个像素点的灰度值代表该像素点属于目标对象的置信度。具体的,对待分割图像每个像素点的语义进行识别,确定每个像素点属于目标对象的置信度,并根据置信度确定各像素点的灰度值,从而获得初始掩膜图。示例性的,假设某个像素点属于目标对象的置信度为200/255,则将该像素点的灰度值设置为200。
可选的,对待分割图像中的目标对象进行语义识别,获得初始掩膜图的过程可以是:将待分割图像输入目标对象识别模型,输出初始掩膜图。
其中,目标对象识别模型可以是通过图像分割数据训练神经网络模型获得的。将待分割图像输入目标对象识别模型,输出各像素点属于目标对象的置信度,从而获得初始掩膜图。示例性的,图2a为待分割图像(原图为彩色图),图2b为初始掩膜图。图2b为对图2a进行“天空”识别后获得的掩膜图,灰度越偏近于白色,表明该像素点为“天空”的概率越大。本实施例中,通过目标对象识别模型进行目标对象的识别,可以提高目标对象的识别精度及效率。
步骤120,基于初始掩膜图确定待分割图像中的初始目标对象区域。
其中,初始目标对象区域可以理解为由根据初始掩膜图确定出的目标对象组成的区域。
具体的,基于初始掩膜图确定待分割图像中的初始目标对象区域的方式可以是:获取初始掩膜图中置信度大于第一设定值的像素点,确定为第一目标点;将第一目标点在待分割图像中对应的像素点构成的区域确定为初始目标对象区域。
其中,第一设定值可以是180/255-220/255之间的任意值。具体的,将初始掩膜图中置信度大于第一设定值的像素点确定为第一目标点,表明第一目标点在待分割图像对应的像素点属于目标对象的概率大于第一设定值,因此将第一目标点在待分割图像中对应的像素点构成的区域确定为初始目标对象区域。本实施例中,将置信度大于第一设定值的像素点围成的区域确定为初始目标对象区域,可以将目标对象先粗略的分割出来。
步骤130,对初始目标对象区域中的像素点按照颜色值进行聚类处理,获取目标对象的N个颜色分类。
其中,N为大于或者等于1的正整数,例如,N取3,则可以对初始目标对象区域中的像素点按照颜色值进行三分类的聚类。具体的,在获得初始目标对象区域后,获取初始目标对象区域中各像素点的颜色值(Red Green Blue,RGB),然后根据颜色值对初始目标对象区域中进行N分类的聚类,从而获得目标对象的N个颜色分类的像素点。本实施例中,可以采用现有任意的聚类算法对初始目标对象区域中的像素点进行聚类处理,此处不做限定。
步骤140,根据N个颜色分类和待分割图像获得N个差值图。
其中,差值图可以是待分割图像与某个颜色值作差后获得的图。具体的,获取到分割图中每个像素点的颜色值,然后将每个像素点的颜色值与某个颜色值作差,获得每个像素点作差后的颜色值,从而获得差值图。其中,颜色值作差可以理解为RBG三个通道的颜色值分别进行作差。
可选的,根据N个颜色分类和待分割图像获得N个差值图的过可以是:对N个颜色分类分别计算平均值,获得N颜色均值;计算待分割图像分别与N个颜色均值的差值,获得N个差值图。
其中,对每个颜色分类计算平均值可以理解为对每个颜色分类中的RGB三个通道分别计算平均值。本实施例在,对初始目标对象区域中的像素点进行N分类后,提取每种分类包含的像素点的颜色值,然后对颜色值进行平均值,从而获得N个颜色均值,然后将待分割图像分别与N个颜色均值作差,获得N个差值图。示例性的,图2c为本实施例中的差值图的示例图,如图2c所示,图中每个像素点的颜色为像素点在原图中的颜色与颜色均值作差后的值。本实施例中,将待分割图像分别与N个颜色均值的差值,获得N个差值图,可以提高差值图获得的速度。
步骤150,根据N个差值图与初始掩膜图确定目标掩膜图。
其中,目标掩膜图可以是对初始掩膜图优化后的掩膜图。具体的,可以根据N个差值图对初始掩膜图中的各个像素点的置信度进行调整,从而获得目标掩膜图。
可选的,根据N个差值图与初始掩膜图确定目标掩膜图的过程可以是:将初始掩膜图中置信度落入第一区间的像素点的置信度调为第一设定置信度值;对于初始掩膜图中置信度落入第二区间的像素点,若像素点在N个差值图中的颜色值满足设定条件,则将像素点的置信度增大设定比例,否则,将像素点的置信度缩小设定比例;将初始掩膜图中置信度落入第三区间的像素点的置信度调为第二设定置信度值。
其中,第一区间为大于第一设定值且小于第一设定置信度值;第二区间为大于第二设定值且小于第一设定值;第二设定值小于第一设定值;第三区间为大于第二设定置信度值且小于第二设定值。示例性的,假设第一设定值设置为200/255,第一设定置信度值为1,第二设定值设置40/255,第二设定置信度值,则第一区间为[200/255,255/255),第二区间为[40/255,200/255),第三区间为[0,40/255)。设定条件可以是:像素点在N个差值图中的颜色值的平均值小于设定阈值;或者像素点在N个差值图中的颜色值的最小值小于设定阈值。
本实施例中,掩膜图中的像素点与差值图中的像素点一一对应,像素点在N个差值图中的颜色值可以理解为与N个差值图中对应的像素点的颜色值。颜色值的平均值小于设定阈值可以理解为RGB三个通道的颜色平均值均小于设定阈值。其中,设定阈值可以是设置为30-50至今的任意值,例如40。示例性的,对于某个像素点,若该像素点在N个差值图中对应的像素点的颜色值分别为(R1,G1,B1)、(R2,G2,B2)、……(RN,GN,BN),则该像素点在N差值图中的颜色值的平均值为((R1+R2+……+RN)/N,(G1+G2+……+GN)/N,(B1+B2+……+BN)/N)。同理,像素点在N个差值图中的颜色值的最小值小于设定阈值可以理解为在FBG三个通道的颜色值的最小值小于设定阈值。
其中,增大设定比例可以理解为将置信度扩大设定比例对应的倍数,所需设定比例可以理解为将置信度缩小设定比例对应的倍数。示例性的,假设设定比例为m,置信度为A,则置信度增大设定比例表示为A*m,置信度缩小设比例表示为A/m。
具体的,对于置信度落入[200/255,255/255)的像素点,直接将该像素点的置信度调为255/255。对于所述初始掩膜图中置信度落入[40/255,200/255)的像素点,若像素点在N个差值图中的颜色值的平均值小于设定阈值或者像素点在N个差值图中的颜色值的最小值小于设定阈值,则将所述像素点的置信度增大设定比例,否则,将所述像素点的置信度缩小所述设定比例。对于置信度落入[0,40/255)的像素点,直接将该像素点的置信度调为0。示例性的,图2d为本实施例中目标掩膜图的示例图,如图2d所示,目标对象与其他区域的分界更明显。本实施例中,初始掩膜图中各像素点的置信度根据初始置信度和N个差值图调整为0或者255/255,使得掩膜图中目标对象与其他区域的分界更明显,从而提高了目标对象的分割精度。
可选的,在将像素点的置信度增大设定比例之后,还包括如下步骤:若增大后的置信度超过第一设定置信度值,则将像素点置为第一设定置信度值。这样做的好处,保证掩膜图中像素点处于[0,255/255]之间。
步骤160,基于目标掩膜图对待分割图像中的目标对象进行分割。
其中,目标掩膜图表征了各像素点属于目标对应的置信度,可以根据置信度将目标对象分割处理。
具体的,基于目标掩膜图对待分割图像进行分割的过程可以是:将目标掩膜图中置信度为第一设定置信度值的像素点,确定为第二目标点;将第二目标点在待分割图像中对应的像素点构成的区域确定为最终的目标对象区域。
其中,第一设定置信度值为255/255。具体的,将目标掩膜图中置信度为第一设定置信度值的像素点确定为第二目标点,表明第二目标点在待分割图像对应的像素点属于目标对象的概率为255/255,因此将第为目标点在待分割图像中对应的像素点构成的区域确定为最终目标对象区域。示例性的,图2e为基于初始掩膜图生成的可视化图(原图为彩色图),图2f为基于目标掩膜图生成的可视化图(原图为彩色图),从图中可以看出,图2f与图2e相比,“天空”与其他区域的分割界限更明显。本实施例中,将置信度第一设定置信度值的像素点围成的区域确定为最终的目标对象区域,可以准确的将目标对象分割出来。
本公开的技术方案,对待分割图像中的目标对象进行语义识别,获得初始掩膜图;基于初始掩膜图确定待分割图像中的初始目标对象区域;对初始目标对象区域中的像素点按照颜色值进行聚类处理,获取目标对象的N个颜色分类;根据N个颜色分类和待分割图像获得N个差值图;根据N个差值图与初始掩膜图确定目标掩膜图;基于目标掩膜图对待分割图像进行分割。本公开实施例提供的对象分割方法,根据差值图和初始掩膜图确定目标掩膜图,从而基于目标掩膜图对待分割图像中的目标对象进行分割,可以实现图像中对象的分割,防止对象的漏分割,并提高对象分割的准确性。
图3是本公开实施例提供的一种对象分割装置的结构示意图,如图3所示,该装置包括:
初始掩膜图获取模块210,用于对待分割图像中的目标对象进行语义识别,获得初始掩膜图;
初始目标对象区域确定模块220,用于基于初始掩膜图确定待分割图像中的初始目标对象区域;
聚类模块230,用于对初始目标对象区域中的像素点按照颜色值进行聚类处理,获取目标对象的N个颜色分类;其中,N为大于或者等于1的正整数;
差值图获取模块240,用于根据N个颜色分类和待分割图像获得N个差值图;
目标掩膜图获取模块250,用于根据N个差值图与初始掩膜图确定目标掩膜图;
图像分割模块260,用于基于目标掩膜图对待分割图像中的目标对象进行分割。
可选的,初始掩膜图获取模块210,还用于:
将待分割图像输入目标对象识别模型,输出初始掩膜图。
可选的,初始目标对象区域确定模块220,还用于:
获取初始掩膜图中置信度大于第一设定值的像素点,确定为第一目标点;
将第一目标点在待分割图像中对应的像素点构成的区域确定为初始目标对象区域。
可选的,差值图获取模块240,还用于:
对N个颜色分类分别计算平均值,获得N颜色均值;
计算待分割图像分别与N个颜色均值的差值,获得N个差值图。
可选的,目标掩膜图获取模块250,还用于:
将初始掩膜图中置信度落入第一区间的像素点的置信度调为第一设定置信度值;其中,第一区间为大于第一设定值且小于第一设定置信度值;
对于初始掩膜图中置信度落入第二区间的像素点,若像素点在N个差值图中的颜色值满足设定条件,则将像素点的置信度增大设定比例,否则,将像素点的置信度缩小设定比例;其中,第二区间为大于第二设定值且小于第一设定值;第二设定值小于第一设定值;
将初始掩膜图中置信度落入第三区间的像素点的置信度调为第二设定置信度值;其中,第三区间为大于第二设定置信度值且小于第二设定值。
可选的,目标掩膜图获取模块250,还用于:
若增大后的置信度超过第一设定置信度值,则将像素点置为第一设定置信度值。
可选的,图像分割模块260,还用于:
将目标掩膜图中置信度为第一设定置信度值的像素点,确定为第二目标点;将第二目标点在待分割图像中对应的像素点构成的区域确定为最终的目标对象区域。
上述装置可执行本公开前述所有实施例所提供的方法,具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本公开前述所有实施例所提供的方法。
下面参考图4,其示出了适于用来实现本公开实施例的电子设备300的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端,或者各种形式的服务器,如独立服务器或者服务器集群。图4示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储装置(ROM)302中的程序或者从存储装置305加载到随机访问存储装置(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行词语的推荐方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置305被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:对待分割图像中的目标对象进行语义识别,获得初始掩膜图;基于所述初始掩膜图确定所述待分割图像中的初始目标对象区域;对所述初始目标对象区域中的像素点按照颜色值进行聚类处理,获取所述目标对象的N个颜色分类;其中,N为大于或者等于1的正整数;根据所述N个颜色分类和所述待分割图像获得N个差值图;根据所述N个差值图与所述初始掩膜图确定目标掩膜图;基于所述目标掩膜图对所述待分割图像中的所述目标对象进行分割。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开实施例的一个或多个实施例,本公开实施例公开了一种对象分割方法,包括:
对待分割图像中的目标对象进行语义识别,获得初始掩膜图;
基于所述初始掩膜图确定所述待分割图像中的初始目标对象区域;
对所述初始目标对象区域中的像素点按照颜色值进行聚类处理,获取所述目标对象的N个颜色分类;其中,N为大于或者等于1的正整数;
根据所述N个颜色分类和所述待分割图像获得N个差值图;
根据所述N个差值图与所述初始掩膜图确定目标掩膜图;
基于所述目标掩膜图对所述待分割图像中的所述目标对象进行分割。
进一步地,对待分割图像中的目标对象进行语义识别,获得初始掩膜图,包括:
将所述待分割图像输入目标对象识别模型,输出初始掩膜图。
进一步地,基于所述初始掩膜图确定所述待分割图像中的初始目标对象区域,包括:
获取所述初始掩膜图中置信度大于第一设定值的像素点,确定为第一目标点;
将所述第一目标点在所述待分割图像中对应的像素点构成的区域确定为初始目标对象区域。
进一步地,根据所述N个颜色分类和所述待分割图像获得N个差值图,包括:
对所述N个颜色分类分别计算平均值,获得N颜色均值;
计算所述待分割图像分别与所述N个颜色均值的差值,获得N个差值图。
进一步地,根据所述N个差值图与所述初始掩膜图确定目标掩膜图,包括:
将所述初始掩膜图中置信度落入第一区间的像素点的置信度调为第一设定置信度值;其中,所述第一区间为大于所述第一设定值且小于所述第一设定置信度值;
对于所述初始掩膜图中置信度落入第二区间的像素点,若所述像素点在所述N个差值图中的颜色值满足设定条件,则将所述像素点的置信度增大设定比例,否则,将所述像素点的置信度缩小所述设定比例;其中,所述第二区间为大于第二设定值且小于所述第一设定值;所述第二设定值小于所述第一设定值;
将所述初始掩膜图中置信度落入第三区间的像素点的置信度调为第二设定置信度值;其中,所述第三区间为大于所述第二设定置信度值且小于所述第二设定值。
进一步地,在将所述像素点的置信度增大设定比例之后,还包括:
若增大后的置信度超过所述第一设定置信度值,则将所述像素点置为所述第一设定置信度值。
进一步地,基于所述目标掩膜图对所述待分割图像进行分割,包括:
将所述目标掩膜图中置信度为第一设定置信度值的像素点,确定为第二目标点;
将所述第二目标点在所述待分割图像中对应的像素点构成的区域确定为最终的目标对象区域。
注意,上述仅为本公开的较佳实施例及所运用技术原理。本领域技术人员会理解,本公开不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本公开的保护范围。因此,虽然通过以上实施例对本公开进行了较为详细的说明,但是本公开不仅仅限于以上实施例,在不脱离本公开构思的情况下,还可以包括更多其他等效实施例,而本公开的范围由所附的权利要求范围决定。
Claims (10)
1.一种对象分割方法,其特征在于,包括:
对待分割图像中的目标对象进行语义识别,获得初始掩膜图;
基于所述初始掩膜图确定所述待分割图像中的初始目标对象区域;
对所述初始目标对象区域中的像素点按照颜色值进行聚类处理,获取所述目标对象的N个颜色分类;其中,N为大于或者等于1的正整数;
根据所述N个颜色分类和所述待分割图像获得N个差值图;
根据所述N个差值图与所述初始掩膜图确定目标掩膜图;
基于所述目标掩膜图对所述待分割图像中的所述目标对象进行分割。
2.根据权利要求1所述的方法,其特征在于,对待分割图像中的目标对象进行语义识别,获得初始掩膜图,包括:
将所述待分割图像输入目标对象识别模型,输出初始掩膜图。
3.根据权利要求1所述的方法,其特征在于,基于所述初始掩膜图确定所述待分割图像中的初始目标对象区域,包括:
获取所述初始掩膜图中置信度大于第一设定值的像素点,确定为第一目标点;
将所述第一目标点在所述待分割图像中对应的像素点构成的区域确定为初始目标对象区域。
4.根据权利要求1所述的方法,其特征在于,根据所述N个颜色分类和所述待分割图像获得N个差值图,包括:
对所述N个颜色分类分别计算平均值,获得N颜色均值;
计算所述待分割图像分别与所述N个颜色均值的差值,获得N个差值图。
5.根据权利要求3所述的方法,其特征在于,根据所述N个差值图与所述初始掩膜图确定目标掩膜图,包括:
将所述初始掩膜图中置信度落入第一区间的像素点的置信度调为第一设定置信度值;其中,所述第一区间为大于所述第一设定值且小于所述第一设定置信度值;
对于所述初始掩膜图中置信度落入第二区间的像素点,若所述像素点在所述N个差值图中的颜色值满足设定条件,则将所述像素点的置信度增大设定比例,否则,将所述像素点的置信度缩小所述设定比例;其中,所述第二区间为大于第二设定值且小于所述第一设定值;所述第二设定值小于所述第一设定值;
将所述初始掩膜图中置信度落入第三区间的像素点的置信度调为第二设定置信度值;其中,所述第三区间为大于所述第二设定置信度值且小于所述第二设定值。
6.根据权利要求5所述的方法,其特征在于,在将所述像素点的置信度增大设定比例之后,还包括:
若增大后的置信度超过所述第一设定置信度值,则将所述像素点置为所述第一设定置信度值。
7.根据权利要求5所述的方法,其特征在于,基于所述目标掩膜图对所述待分割图像进行分割,包括:
将所述目标掩膜图中置信度为第一设定置信度值的像素点,确定为第二目标点;
将所述第二目标点在所述待分割图像中对应的像素点构成的区域确定为最终的目标对象区域。
8.一种对象分割装置,其特征在于,包括:
初始掩膜图获取模块,用于对待分割图像中的目标对象进行语义识别,获得初始掩膜图;
初始目标对象区域确定模块,用于基于所述初始掩膜图确定所述待分割图像中的初始目标对象区域;
聚类模块,用于对所述初始目标对象区域中的像素点按照颜色值进行聚类处理,获取所述目标对象的N个颜色分类;其中,N为大于或者等于1的正整数;
差值图获取模块,用于根据所述N个颜色分类和所述待分割图像获得N个差值图;
目标掩膜图获取模块,用于根据所述N个差值图与所述初始掩膜图确定目标掩膜图;
图像分割模块,用于基于所述目标掩膜图对所述待分割图像中的所述目标对象进行分割。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理装置;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理装置执行,使得所述一个或多个处理装置实现如权利要求1-7中任一所述的对象分割方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现如权利要求1-7中任一所述的对象分割方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210107771.5A CN114494298A (zh) | 2022-01-28 | 2022-01-28 | 对象分割方法、装置、设备及存储介质 |
PCT/CN2023/072337 WO2023143178A1 (zh) | 2022-01-28 | 2023-01-16 | 对象分割方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210107771.5A CN114494298A (zh) | 2022-01-28 | 2022-01-28 | 对象分割方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114494298A true CN114494298A (zh) | 2022-05-13 |
Family
ID=81476205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210107771.5A Pending CN114494298A (zh) | 2022-01-28 | 2022-01-28 | 对象分割方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114494298A (zh) |
WO (1) | WO2023143178A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385459A (zh) * | 2023-03-08 | 2023-07-04 | 阿里巴巴(中国)有限公司 | 图像分割方法及装置 |
WO2023143178A1 (zh) * | 2022-01-28 | 2023-08-03 | 北京字跳网络技术有限公司 | 对象分割方法、装置、设备及存储介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274833B (zh) * | 2023-11-20 | 2024-02-27 | 浙江国遥地理信息技术有限公司 | 一种建筑轮廓处理方法、装置、设备和存储介质 |
CN117412450B (zh) * | 2023-12-13 | 2024-04-02 | 深圳市千岩科技有限公司 | 氛围灯设备及其灯效配色方法和相应的装置、介质 |
CN117412452B (zh) * | 2023-12-13 | 2024-04-02 | 深圳市千岩科技有限公司 | 氛围灯设备及其配色方法和相应的装置、介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229575A (zh) * | 2018-01-19 | 2018-06-29 | 百度在线网络技术(北京)有限公司 | 用于检测目标的方法和装置 |
CN111178211B (zh) * | 2019-12-20 | 2024-01-12 | 天津极豪科技有限公司 | 图像分割方法、装置、电子设备及可读存储介质 |
CN113554658B (zh) * | 2020-04-23 | 2024-06-14 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN113112422B (zh) * | 2021-04-06 | 2024-04-16 | 北京沃东天骏信息技术有限公司 | 图像处理方法、装置、电子设备、计算机可读介质 |
CN114494298A (zh) * | 2022-01-28 | 2022-05-13 | 北京字跳网络技术有限公司 | 对象分割方法、装置、设备及存储介质 |
-
2022
- 2022-01-28 CN CN202210107771.5A patent/CN114494298A/zh active Pending
-
2023
- 2023-01-16 WO PCT/CN2023/072337 patent/WO2023143178A1/zh unknown
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023143178A1 (zh) * | 2022-01-28 | 2023-08-03 | 北京字跳网络技术有限公司 | 对象分割方法、装置、设备及存储介质 |
CN116385459A (zh) * | 2023-03-08 | 2023-07-04 | 阿里巴巴(中国)有限公司 | 图像分割方法及装置 |
CN116385459B (zh) * | 2023-03-08 | 2024-01-09 | 阿里巴巴(中国)有限公司 | 图像分割方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2023143178A1 (zh) | 2023-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476309B (zh) | 图像处理方法、模型训练方法、装置、设备及可读介质 | |
CN114494298A (zh) | 对象分割方法、装置、设备及存储介质 | |
CN111369427B (zh) | 图像处理方法、装置、可读介质和电子设备 | |
CN110826567B (zh) | 光学字符识别方法、装置、设备及存储介质 | |
CN110705511A (zh) | 模糊图像的识别方法、装置、设备及存储介质 | |
CN111784712A (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
CN111402113B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN110866524A (zh) | 车牌检测方法、装置、设备及存储介质 | |
CN114037716A (zh) | 图像分割方法、装置、设备及存储介质 | |
CN111915689B (zh) | 用于生成目标函数的方法、装置、电子设备和计算机可读介质 | |
CN110399802B (zh) | 处理面部图像眼睛亮度的方法、装置、介质和电子设备 | |
CN110852242A (zh) | 基于多尺度网络的水印识别方法、装置、设备及存储介质 | |
CN112801997B (zh) | 图像增强质量评估方法、装置、电子设备及存储介质 | |
CN111369468B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN111737575B (zh) | 内容分发方法、装置、可读介质及电子设备 | |
CN114612909A (zh) | 字符识别方法、装置、可读介质及电子设备 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN114004229A (zh) | 文本识别方法、装置、可读介质及电子设备 | |
CN114422698A (zh) | 视频生成方法、装置、设备及存储介质 | |
CN112070034A (zh) | 图像识别方法、装置、电子设备和计算机可读介质 | |
CN112712070A (zh) | 一种珠算题的判题方法、装置、电子设备及存储介质 | |
CN112085035A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN111784710B (zh) | 图像处理方法、装置、电子设备和介质 | |
CN111814807B (zh) | 用于处理图像的方法、装置、电子设备和计算机可读介质 | |
CN110838132B (zh) | 基于视频流的物体分割方法、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 |