CN118097157A - 基于模糊聚类算法的图像分割方法及*** - Google Patents
基于模糊聚类算法的图像分割方法及*** Download PDFInfo
- Publication number
- CN118097157A CN118097157A CN202410513589.9A CN202410513589A CN118097157A CN 118097157 A CN118097157 A CN 118097157A CN 202410513589 A CN202410513589 A CN 202410513589A CN 118097157 A CN118097157 A CN 118097157A
- Authority
- CN
- China
- Prior art keywords
- target image
- feature map
- feature
- image
- semantic
- 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
Links
- 238000003709 image segmentation Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000004927 fusion Effects 0.000 claims abstract description 85
- 238000005728 strengthening Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 49
- 230000011218 segmentation Effects 0.000 claims abstract description 45
- 238000007499 fusion processing Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 61
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000011176 pooling Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 10
- 230000003213 activating effect Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 18
- 238000003860 storage Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本公开了一种基于模糊聚类算法的图像分割方法及***,涉及图像分割技术领域。该方法包括:通过图像特征提取器对获取的待处理目标图像进行分析和目标图像不同层次的特征提取;然后对空间显著化目标图像浅层特征图和目标图像语义特征图进行基于语义信息指导的多通道特征融合处理以得到目标图像多尺度注意力强化融合特征图;使用模糊聚类算法对目标图像多尺度注意力强化融合特征图进行处理以得到目标图像的语义分割结果,使得图像分割方法能够更好地应对目标图像中有关对象的模糊性和不确定性的边缘模糊问题,从而实现更为准确的目标图像分割任务,生成准确且鲁棒的目标图像分割结果。
Description
技术领域
本公开涉及图像分割技术领域,具体地,涉及一种基于模糊聚类算法的图像分割方法及***。
背景技术
图像分割是计算机视觉中一项基本任务,其目的是将图像分解为具有不同语义含义的区域,以便更好地理解图像中所包含的对象语义。例如,在建筑图像分割任务中,可以用于提取建筑图像中所包含的建筑物、道路和植被等语义区域,从而为建筑工程的规划以及策略制定提供参考依据。传统的图像分割方法通常基于硬聚类算法,该算法是将图像中的每个像素分配给一个明确的类别。然而,在现实中目标图像中的边界通常是模糊的,比如在建筑物图像中,建筑物、道路和植被等对象的边界通常是模糊和不确定的,这使得硬聚类算法难以进行处理,也难以满足实际应用需求。
因此,期望一种基于模糊聚类算法的图像分割方案。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供了一种基于模糊聚类算法的图像分割方法,所述方法包括:
获取待处理目标图像;
通过图像特征提取器对所述待处理目标图像进行分析和目标图像不同层次的特征提取以得到目标图像浅层特征图和目标图像语义特征图;
将所述目标图像浅层特征图通过多尺度泛空间注意力模块以得到空间显著化目标图像浅层特征图;
对所述空间显著化目标图像浅层特征图和所述目标图像语义特征图进行基于语义信息指导的多通道特征融合处理以得到目标图像多尺度注意力强化融合特征图,包括:将所述空间显著化目标图像浅层特征图和所述目标图像语义特征图通过语义信息指导多通道特征融合模块以如下多通道特征融合公式进行处理以得到所述目标图像多尺度注意力强化融合特征图;其中,所述多通道特征融合公式为:
;
;
;
其中,和/>分别为所述空间显著化目标图像浅层特征图和所述目标图像语义特征图,/>为拼接操作,/>为卷积操作,/>为批量归一化处理,/>为激活函数,/>为融合表征特征图,/>为全局均值池化处理,/>为/>激活函数,/>为权重向量,/>为利用所述权重向量对特征图像进行加权操作,/>为所述目标图像多尺度注意力强化融合特征图;
使用模糊聚类算法对所述目标图像多尺度注意力强化融合特征图进行处理以得到目标图像的语义分割结果。
可选地,通过图像特征提取器对所述待处理目标图像进行分析和目标图像不同层次的特征提取以得到目标图像浅层特征图和目标图像语义特征图,包括:将所述待处理目标图像通过基于金字塔网络的图像特征提取器以得到所述目标图像浅层特征图和所述目标图像语义特征图。
可选地,将所述目标图像浅层特征图通过多尺度泛空间注意力模块以得到空间显著化目标图像浅层特征图,包括:将所述目标图像浅层特征图通过所述多尺度泛空间注意力模块以如下空间显化公式进行处理以得到所述空间显著化目标图像浅层特征图;其中,所述空间显化公式为:
;
;
其中,为所述目标图像浅层特征图,/>表示卷积核大小,/>、/>、/>分别表示对所述目标图像浅层特征图的多个通道进行全局均值池化、全局最大值池化和全局随机池化处理得到的均值池化特征矩阵、最大值池化特征矩阵和随机池化特征矩阵,/>为Sigmoid激活函数,/>为所述目标图像浅层特征图的注意力权重矩阵,/>表示哈达玛积,/>为所述空间显著化目标图像浅层特征图。
可选地,使用模糊聚类算法对所述目标图像多尺度注意力强化融合特征图进行处理以得到目标图像的语义分割结果,包括:计算所述目标图像多尺度注意力强化融合特征图的沿通道维度的各个特征矩阵的全局均值以得到初始聚类中心;将所述目标图像多尺度注意力强化融合特征图中各个像素位置的通道特征向量作为初始像素点特征的集合;以及,使用模糊聚类算法对所述初始像素点特征的集合和所述初始聚类中心进行处理以得到所述目标图像的语义分割结果。
可选地,使用模糊聚类算法对所述初始像素点特征的集合和所述初始聚类中心进行处理以得到所述目标图像的语义分割结果,包括:计算所述初始像素点特征的集合中各个初始像素点特征与所述初始聚类中心之间的隶属度以得到隶属度矩阵;基于所述隶属度矩阵,生成所述目标图像的语义分割结果。
可选地,还包括训练步骤:用于对所述基于金字塔网络的图像特征提取器、所述多尺度泛空间注意力模块和所述语义信息指导多通道特征融合模块进行训练。
可选地,所述训练步骤,包括:获取训练待处理目标图像;通过所述图像特征提取器对所述训练待处理目标图像进行分析和目标图像不同层次的特征提取以得到训练目标图像浅层特征图和训练目标图像语义特征图;将所述训练目标图像浅层特征图通过所述多尺度泛空间注意力模块以得到训练空间显著化目标图像浅层特征图;对所述训练空间显著化目标图像浅层特征图和所述训练目标图像语义特征图进行基于语义信息指导的多通道特征融合处理以得到训练目标图像多尺度注意力强化融合特征图;使用模糊聚类算法对所述训练目标图像多尺度注意力强化融合特征图进行处理以得到目标图像的特定损失函数值;基于所述特定损失函数值对所述基于金字塔网络的图像特征提取器、所述多尺度泛空间注意力模块和所述语义信息指导多通道特征融合模块进行训练,在每一次迭代中,对于所述训练目标图像多尺度注意力强化融合特征图进行优化。
第二方面,本公开提供了一种基于模糊聚类算法的图像分割***,所述***包括:
待处理目标图像获取模块,用于获取待处理目标图像;
特征提取模块,用于通过图像特征提取器对所述待处理目标图像进行分析和目标图像不同层次的特征提取以得到目标图像浅层特征图和目标图像语义特征图;
多尺度泛空间注意力模块,用于将所述目标图像浅层特征图通过多尺度泛空间注意力模块以得到空间显著化目标图像浅层特征图;
多通道特征融合处理模块,用于对所述空间显著化目标图像浅层特征图和所述目标图像语义特征图进行基于语义信息指导的多通道特征融合处理以得到目标图像多尺度注意力强化融合特征图;
模糊聚类算法处理模块,用于使用模糊聚类算法对所述目标图像多尺度注意力强化融合特征图进行处理以得到目标图像的语义分割结果。
可选地,所述特征提取模块,用于:将所述待处理目标图像通过基于金字塔网络的图像特征提取器以得到所述目标图像浅层特征图和所述目标图像语义特征图。
采用上述技术方案,通过图像特征提取器对获取的待处理目标图像进行分析和目标图像不同层次的特征提取;然后对空间显著化目标图像浅层特征图和目标图像语义特征图进行基于语义信息指导的多通道特征融合处理以得到目标图像多尺度注意力强化融合特征图;使用模糊聚类算法对目标图像多尺度注意力强化融合特征图进行处理以得到目标图像的语义分割结果,使得图像分割方法能够更好地应对目标图像的模糊性和不确定性的边缘模糊问题,比如处理有关于建筑物、道路和植被等对象的模糊性和不确定性的边缘模糊问题,从而实现更为准确的目标图像分割任务,生成准确且鲁棒的目标图像分割结果。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是根据一示例性实施例示出的一种基于模糊聚类算法的图像分割方法的流程图。
图2是根据一示例性实施例示出的一种基于模糊聚类算法的图像分割***的框图。
图3是根据一示例性实施例示出的一种电子设备的框图。
图4是根据一示例性实施例示出的一种基于模糊聚类算法的图像分割方法的应用场景图。
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。
为了解决上述问题,本公开提供了一种基于模糊聚类算法的图像分割方法及***,通过图像特征提取器对获取的待处理目标图像进行分析和目标图像不同层次的特征提取;然后对空间显著化目标图像浅层特征图和目标图像语义特征图进行基于语义信息指导的多通道特征融合处理以得到目标图像多尺度注意力强化融合特征图;使用模糊聚类算法对目标图像多尺度注意力强化融合特征图进行处理以得到目标图像的语义分割结果,使得图像分割方法能够更好地应对目标图像中有关于建筑物、道路和植被等对象的模糊性和不确定性的边缘模糊问题,从而实现更为准确的目标图像分割任务,生成准确且鲁棒的目标图像分割结果。
以下结合附图对本公开的具体实施方式进行详细说明。
图1是根据一示例性实施例示出的一种基于模糊聚类算法的图像分割方法的流程图,如图1所示,该方法包括:
S101、获取待处理目标图像;
S102、通过图像特征提取器对所述待处理目标图像进行分析和目标图像不同层次的特征提取以得到目标图像浅层特征图和目标图像语义特征图;
S103、将所述目标图像浅层特征图通过多尺度泛空间注意力模块以得到空间显著化目标图像浅层特征图;
S104、对所述空间显著化目标图像浅层特征图和所述目标图像语义特征图进行基于语义信息指导的多通道特征融合处理以得到目标图像多尺度注意力强化融合特征图;
S105、使用模糊聚类算法对所述目标图像多尺度注意力强化融合特征图进行处理以得到目标图像的语义分割结果。
模糊聚类算法是一种基于模糊数学理论的聚类分析方法,它允许数据对象以不同程度属于多个类别。与传统的硬聚类方法相比,模糊聚类算法更加适合处理环境中许多模糊不清的边界情况,例如建筑图像分割任务中的对象边缘模糊问题。因此,如在类似建筑图像分割领域,模糊聚类算法因其处理建筑图像中有关建筑物、道路和植被等对象的模糊性和不确定性的能力而得到应用。
基于此,在本申请的技术方案中,提出了一种基于模糊聚类算法的图像分割方法,其能够通过获取目标图像数据,并在后端引入基于深度学习的图像处理和分析算法来进行该目标图像的分析和多层次特征表征,以此再利用模糊聚类算法来进行目标图像的语义分割,使得图像分割方法能够更好地应对目标图像中有关对象的模糊性和不确定性的边缘模糊问题,从而实现更为准确的目标图像分割任务,生成准确且鲁棒的目标图像分割结果。
具体地,在本申请的技术方案中,首先,获取待处理目标图像。由于所述待处理目标图像中包含有各种特征信息,这些特征信息不仅存在于目标图像的边缘、纹理和颜色等浅层特征中,还存在目标图像的深层语义特征中,例如图像中物体的类别和结构信息。因此,为了能够对于目标图像中的不同物体类别进行检测和识别,以此来更为精准地完成目标图像分割任务,在本申请的技术方案中,需要将所述待处理目标图像通过基于金字塔网络的图像特征提取器以得到目标图像浅层特征图和目标图像语义特征图。值得一提的是,所述目标图像浅层特征图包含了目标图像的低级浅层特征信息,例如图像中不同物体的边缘、纹理和颜色等特征,这些信息对于分割图像中的不同对象非常重要。而所述目标图像语义特征图包含了目标图像的高级语义信息,例如物体的类别和结构关系,这些信息对于理解图像的语义内容以及识别物体类别非常重要。
在本公开的一个实施例中,通过图像特征提取器对所述待处理目标图像进行分析和目标图像不同层次的特征提取以得到目标图像浅层特征图和目标图像语义特征图,包括:将所述待处理目标图像通过基于金字塔网络的图像特征提取器以得到所述目标图像浅层特征图和所述目标图像语义特征图。
然后考虑到在实际进行目标图像的语义分割时,所述待处理目标图像中的不同类型的物体所在的空间位置信息尤为重要,其是确保目标图像分割任务准确性的关键。因此,为了能够充分捕获目标图像中有关于各个物体特征的空间位置信息,以突出与图像分割任务相关的关键区域空间特征,在本申请的技术方案中,进一步将所述目标图像浅层特征图通过多尺度泛空间注意力模块以得到空间显著化目标图像浅层特征图。应可以理解,所述多尺度泛空间注意力模块可以通过捕获图像中不同尺度和不同空间位置上的特征相关性信息来突出目标图像中与分割任务相关的空间区域特征。这样的处理方式对于分割目标图像中的复杂结构和不同类别的物体非常重要,例如具有不同大小和形状的建筑物和植被,并且有助于模糊聚类算法专注于图像的重要部分,忽略不相关的背景信息。
在本公开的一个实施例中,将所述目标图像浅层特征图通过多尺度泛空间注意力模块以得到空间显著化目标图像浅层特征图,包括:将所述目标图像浅层特征图通过所述多尺度泛空间注意力模块以如下空间显化公式进行处理以得到所述空间显著化目标图像浅层特征图;其中,所述空间显化公式为:
;
;
其中,为所述目标图像浅层特征图,/>表示卷积核大小,/>、/>、/>分别表示对所述目标图像浅层特征图的多个通道进行全局均值池化、全局最大值池化和全局随机池化处理得到的均值池化特征矩阵、最大值池化特征矩阵和随机池化特征矩阵,/>为Sigmoid激活函数,/>为所述目标图像浅层特征图的注意力权重矩阵,/>表示哈达玛积,/>为所述空间显著化目标图像浅层特征图。
进一步地,考虑到所述空间显著化目标图像浅层特征图包含了目标图像中有关于各个物体的空间显著浅层特征,例如纹理、边缘和颜色特征信息,所述目标图像语义特征图中包含了目标图像中关于各个物体的类别和结构语义特征。为了能够将目标图像中不同层次的特征信息进行融合和表征,以此来为后续的目标图像语义分割提供基础,在本申请的技术方案中,进一步将所述空间显著化目标图像浅层特征图和所述目标图像语义特征图通过语义信息指导多通道特征融合模块以得到目标图像多尺度注意力强化融合特征图。应可以理解,通过所述语义信息指导多通道特征融合模块的处理,可以根据目标图像的语义特征来指导图像中不同物体的通道特征融合和浅层特征表征,从而将浅层特征图中丰富的空间信息以及物体的纹理、边缘和颜色等浅层特征信息与语义特征图中关于物体的高级语义特征信息相结合,以获得具有更为丰富特征信息的目标图像多尺度注意力强化融合特征图。这有助于模糊聚类算法专注于图像中与分割任务最相关的区域和特征,以便更好地进行目标图像的语义分割处理。
在本公开的一个实施例中,对所述空间显著化目标图像浅层特征图和所述目标图像语义特征图进行基于语义信息指导的多通道特征融合处理以得到目标图像多尺度注意力强化融合特征图,包括:将所述空间显著化目标图像浅层特征图和所述目标图像语义特征图通过语义信息指导多通道特征融合模块以如下多通道特征融合公式进行处理以得到所述目标图像多尺度注意力强化融合特征图;其中,所述多通道特征融合公式为:
;
;
;
其中,和/>分别为所述空间显著化目标图像浅层特征图和所述目标图像语义特征图,/>为拼接操作,/>为卷积操作,/>为批量归一化处理,/>为激活函数,/>为融合表征特征图,/>为全局均值池化处理,/>为/>激活函数,/>为权重向量,/>为利用所述权重向量对特征图像进行加权操作,/>为所述目标图像多尺度注意力强化融合特征图。
继而,再使用模糊聚类算法对所述目标图像多尺度注意力强化融合特征图进行处理以得到目标图像的语义分割结果。也就是说,利用目标图像的多层次和多尺度注意力强化融合特征信息,并通过模糊聚类算法来进行目标图像的语义分割,以获得目标图像的语义分割结果。应可以理解,所述模糊聚类算法基于模糊集合理论,通过隶属度来描述一个元素属于某个集合的程度。通过应用模糊聚类算法,可以将目标图像分割成不同的语义区域,例如当目标图像为建筑图像时,对于建筑图片而言可分割成建筑物、道路、植被等。这对于各种计算机视觉任务非常有用,例如场景理解、目标检测和图像检索任务。具体地,在本申请的技术方案中,利用模糊聚类算法来进行目标图像的语义分割过程步骤为:计算所述目标图像多尺度注意力强化融合特征图的沿通道维度的各个特征矩阵的全局均值以得到初始聚类中心;将所述目标图像多尺度注意力强化融合特征图中各个像素位置的通道特征向量作为初始像素点特征的集合;使用模糊聚类算法对所述初始像素点特征的集合和所述初始聚类中心进行处理以得到所述目标图像的语义分割结果。
在本公开的一个实施例中,使用模糊聚类算法对所述目标图像多尺度注意力强化融合特征图进行处理以得到目标图像的语义分割结果,包括:计算所述目标图像多尺度注意力强化融合特征图的沿通道维度的各个特征矩阵的全局均值以得到初始聚类中心;将所述目标图像多尺度注意力强化融合特征图中各个像素位置的通道特征向量作为初始像素点特征的集合;以及使用模糊聚类算法对所述初始像素点特征的集合和所述初始聚类中心进行处理以得到所述目标图像的语义分割结果。
进一步地,使用模糊聚类算法对所述初始像素点特征的集合和所述初始聚类中心进行处理以得到所述目标图像的语义分割结果,包括:计算所述初始像素点特征的集合中各个初始像素点特征与所述初始聚类中心之间的隶属度以得到隶属度矩阵。相应地,在本申请的一个具体示例中,所述隶属度为余弦相似度,且隶属度的值介于0和1之间,0表示完全不属于,1表示完全属于。然后基于所述隶属度矩阵,生成所述目标图像的语义分割结果。特别地,通过更新聚类中心的位置来迭代计算不同聚类中心的隶属度矩阵,从而基于多个所述隶属度矩阵来生成所述目标图像的语义分割结果。这样能够利用模糊聚类算法来进行目标图像的语义分割,使得图像分割方法能够更好地应对目标图像中有关对象的模糊性和不确定性的边缘模糊问题,从而实现更为准确的目标图像分割任务,生成准确且鲁棒的目标图像分割结果。
在本公开的一个实施例中,使用模糊聚类算法对所述初始像素点特征的集合和所述初始聚类中心进行处理以得到所述目标图像的语义分割结果,包括:计算所述初始像素点特征的集合中各个初始像素点特征与所述初始聚类中心之间的隶属度以得到隶属度矩阵;基于所述隶属度矩阵,生成所述目标图像的语义分割结果。
进一步地,在本公开的一个实施例中,所述基于模糊聚类算法的图像分割方法,还包括训练步骤:用于对所述基于金字塔网络的图像特征提取器、所述多尺度泛空间注意力模块和所述语义信息指导多通道特征融合模块进行训练。所述训练步骤,包括:获取训练待处理目标图像;通过所述图像特征提取器对所述训练待处理目标图像进行分析和目标图像不同层次的特征提取以得到训练目标图像浅层特征图和训练目标图像语义特征图;将所述训练目标图像浅层特征图通过所述多尺度泛空间注意力模块以得到训练空间显著化目标图像浅层特征图;对所述训练空间显著化目标图像浅层特征图和所述训练目标图像语义特征图进行基于语义信息指导的多通道特征融合处理以得到训练目标图像多尺度注意力强化融合特征图;使用模糊聚类算法对所述训练目标图像多尺度注意力强化融合特征图进行处理以得到目标图像的特定损失函数值;基于所述特定损失函数值对所述基于金字塔网络的图像特征提取器、所述多尺度泛空间注意力模块和所述语义信息指导多通道特征融合模块进行训练,在每一次迭代中,对于所述训练目标图像多尺度注意力强化融合特征图进行优化。
在本申请的技术方案中,所述训练目标图像浅层特征图和所述训练目标图像语义特征图表示所述训练待处理目标图像的基于金字塔网络的不同尺度和不同深度的图像语义特征。相应的,在通过多尺度泛空间注意力模块对所述训练目标图像浅层特征图进行局部特征空间分布强化后,将所述训练空间显著化目标图像浅层特征图和所述训练目标图像语义特征图通过语义信息指导多通道特征融合模块,所述训练目标图像多尺度注意力强化融合特征图表达基于图像语义特征跨尺度和跨深度交互的融合图像语义特征,使得所述训练目标图像多尺度注意力强化融合特征图具有了基于图像语义特征多尺度多深度交互表示的复杂图像语义表示维度,因此,期望提升在模型迭代过程中对于复杂图像语义表示维度下的特征融合表达效果,以进一步提升使用模糊聚类算法对所述训练目标图像多尺度注意力强化融合特征图进行处理得到的所述训练目标图像的语义分割结果的语义分割精准度。
基于此,本申请的申请人在每次模型的迭代过程中,把所述训练目标图像多尺度注意力强化融合特征图记为进行优化,表示为:以如下优化公式在每一次迭代中,对于所述训练目标图像多尺度注意力强化融合特征图进行优化以得到优化后训练目标图像多尺度注意力强化融合特征图;其中,所述优化公式为:
;
其中,、/>和/>分别是特征集合/>的均值、标准差和最大值,/>为以2为底的对数函数,且/>为权重超参数,/>是特征集合/>的最大值的倒数,/>是所述训练目标图像多尺度注意力强化融合特征图,/>是优化后训练目标图像多尺度注意力强化融合特征图,/>表示按位置加法,/>表示按位置减法,/>表示按位置点乘。
这里,通过以包含由均值和/>标准值代表的概率统计特征的交互表示和作为隐变量特征的/>和/>的分布交互表示的短序列来作为所述训练目标图像多尺度注意力强化融合特征图/>的复杂流形网络下的子流形潜在模体(latent motifs),来将得到的所述训练目标图像多尺度注意力强化融合特征图的潜在模体特征信息模式和特征分布模式来作为其全局结构推断单元,从而基于连接地以全局结构潜在模体字典的形式来重构所述训练目标图像多尺度注意力强化融合特征图的复杂流形结构,以提升模型在迭代过程当中对于由复杂图像语义表示维度的图像语义特征对应的流形结构的生成和演化理解能力,提升模型迭代过程中对于复杂图像语义表示维度下的特征融合表达效果。这样提升使用模糊聚类算法对所述训练目标图像多尺度注意力强化融合特征图进行处理得到的所述目标图像的语义分割结果的语义分割精准度,能够基于目标图像的多层次特征表征,并利用模糊聚类算法来更为准确地进行目标图像的语义分割,以使得目标图像的分割任务能够更好地应对目标图像中有关对象的模糊性和不确定性的边缘模糊问题,从而实现更为准确的目标图像分割任务。
综上所述,采用上述方案,通过获取目标图像数据,并在后端引入基于深度学习的图像处理和分析算法来进行该目标图像的分析和多层次特征表征,以此再利用模糊聚类算法来进行目标图像的语义分割。这样使得图像分割方法能够更好地应对目标图像中有关对象的模糊性和不确定性的边缘模糊问题,从而实现更为准确的目标图像分割任务,生成准确且鲁棒的目标图像分割结果。
图2是根据一示例性实施例示出的一种基于模糊聚类算法的图像分割***的框图。如图2所示,该***200包括:
待处理目标图像获取模块201,用于获取待处理目标图像;
特征提取模块202,用于通过图像特征提取器对所述待处理目标图像进行分析和目标图像不同层次的特征提取以得到目标图像浅层特征图和目标图像语义特征图;
多尺度泛空间注意力模块203,用于将所述目标图像浅层特征图通过多尺度泛空间注意力模块以得到空间显著化目标图像浅层特征图;
多通道特征融合处理模块204,用于对所述空间显著化目标图像浅层特征图和所述目标图像语义特征图进行基于语义信息指导的多通道特征融合处理以得到目标图像多尺度注意力强化融合特征图;
模糊聚类算法处理模块205,用于使用模糊聚类算法对所述目标图像多尺度注意力强化融合特征图进行处理以得到目标图像的语义分割结果。
在本公开的一个实施例中,所述特征提取模块,用于:将所述待处理目标图像通过基于金字塔网络的图像特征提取器以得到所述目标图像浅层特征图和所述目标图像语义特征图。
下面参考图3,其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的终端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。图3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3所示,电子设备可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中,还存储有电子设备操作所需的各种程序和数据。处理装置601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605: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606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备,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,其包括承载在非暂态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流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM602被安装。在该计算机程序被处理装置601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(HyperTextTransferProtocol,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。
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模块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,模块的名称在某种情况下并不构成对该模块本身的限定,例如,测试参数获取模块还可以被描述为“获取目标设备对应的设备测试参数的模块”。
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。
图4是根据一示例性实施例示出的一种基于模糊聚类算法的图像分割方法的应用场景图。如图4所示,在该应用场景中,首先,获取待处理目标图像(例如,如图4中所示意的C);然后将获取的待处理目标图像输入至部署有基于模糊聚类算法的图像分割算法的服务器(例如,如图4中所示意的S)中,其中所述服务器能够基于模糊聚类算法的图像分割算法对所述待处理目标图像进行处理,以得到目标图像的语义分割结果。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
Claims (9)
1.一种基于模糊聚类算法的图像分割方法,其特征在于,包括:
获取待处理目标图像;
通过图像特征提取器对所述待处理目标图像进行分析和目标图像不同层次的特征提取以得到目标图像浅层特征图和目标图像语义特征图;
将所述目标图像浅层特征图通过多尺度泛空间注意力模块以得到空间显著化目标图像浅层特征图;
对所述空间显著化目标图像浅层特征图和所述目标图像语义特征图进行基于语义信息指导的多通道特征融合处理以得到目标图像多尺度注意力强化融合特征图,包括:将所述空间显著化目标图像浅层特征图和所述目标图像语义特征图通过语义信息指导多通道特征融合模块以如下多通道特征融合公式进行处理以得到所述目标图像多尺度注意力强化融合特征图;
其中,所述多通道特征融合公式为:
;
;
;
其中,和/>分别为所述空间显著化目标图像浅层特征图和所述目标图像语义特征图,/>为拼接操作,/>为卷积操作,/>为批量归一化处理,/>为/>激活函数,/>为融合表征特征图,/>为全局均值池化处理,/>为/>激活函数,/>为权重向量,/>为利用所述权重向量对特征图像进行加权操作,/>为所述目标图像多尺度注意力强化融合特征图;
使用模糊聚类算法对所述目标图像多尺度注意力强化融合特征图进行处理以得到目标图像的语义分割结果。
2.根据权利要求1所述的基于模糊聚类算法的图像分割方法,其特征在于,通过图像特征提取器对所述待处理目标图像进行分析和目标图像不同层次的特征提取以得到目标图像浅层特征图和目标图像语义特征图,包括:将所述待处理目标图像通过基于金字塔网络的图像特征提取器以得到所述目标图像浅层特征图和所述目标图像语义特征图。
3.根据权利要求2所述的基于模糊聚类算法的图像分割方法,其特征在于,将所述目标图像浅层特征图通过多尺度泛空间注意力模块以得到空间显著化目标图像浅层特征图,包括:将所述目标图像浅层特征图通过所述多尺度泛空间注意力模块以如下空间显化公式进行处理以得到所述空间显著化目标图像浅层特征图;
其中,所述空间显化公式为:
;
;
其中,为所述目标图像浅层特征图,/>表示卷积核大小,/>、/>、/>分别表示对所述目标图像浅层特征图的多个通道进行全局均值池化、全局最大值池化和全局随机池化处理得到的均值池化特征矩阵、最大值池化特征矩阵和随机池化特征矩阵,/>为Sigmoid激活函数,/>为所述目标图像浅层特征图的注意力权重矩阵,/>表示哈达玛积,/>为所述空间显著化目标图像浅层特征图。
4.根据权利要求3所述的基于模糊聚类算法的图像分割方法,其特征在于,使用模糊聚类算法对所述目标图像多尺度注意力强化融合特征图进行处理以得到目标图像的语义分割结果,包括:
计算所述目标图像多尺度注意力强化融合特征图的沿通道维度的各个特征矩阵的全局均值以得到初始聚类中心;
将所述目标图像多尺度注意力强化融合特征图中各个像素位置的通道特征向量作为初始像素点特征的集合;以及
使用模糊聚类算法对所述初始像素点特征的集合和所述初始聚类中心进行处理以得到所述目标图像的语义分割结果。
5.根据权利要求4所述的基于模糊聚类算法的图像分割方法,其特征在于,使用模糊聚类算法对所述初始像素点特征的集合和所述初始聚类中心进行处理以得到所述目标图像的语义分割结果,包括:
计算所述初始像素点特征的集合中各个初始像素点特征与所述初始聚类中心之间的隶属度以得到隶属度矩阵;
基于所述隶属度矩阵,生成所述目标图像的语义分割结果。
6.根据权利要求5所述的基于模糊聚类算法的图像分割方法,其特征在于,还包括训练步骤:用于对所述基于金字塔网络的图像特征提取器、所述多尺度泛空间注意力模块和所述语义信息指导多通道特征融合模块进行训练。
7.根据权利要求6所述的基于模糊聚类算法的图像分割方法,其特征在于,所述训练步骤,包括:
获取训练待处理目标图像;
通过所述图像特征提取器对所述训练待处理目标图像进行分析和目标图像不同层次的特征提取以得到训练目标图像浅层特征图和训练目标图像语义特征图;
将所述训练目标图像浅层特征图通过所述多尺度泛空间注意力模块以得到训练空间显著化目标图像浅层特征图;
对所述训练空间显著化目标图像浅层特征图和所述训练目标图像语义特征图进行基于语义信息指导的多通道特征融合处理以得到训练目标图像多尺度注意力强化融合特征图;
使用模糊聚类算法对所述训练目标图像多尺度注意力强化融合特征图进行处理以得到目标图像的特定损失函数值;
基于所述特定损失函数值对所述基于金字塔网络的图像特征提取器、所述多尺度泛空间注意力模块和所述语义信息指导多通道特征融合模块进行训练,在每一次迭代中,对于所述训练目标图像多尺度注意力强化融合特征图进行优化。
8.一种基于模糊聚类算法的图像分割***,其特征在于,包括:
待处理目标图像获取模块,用于获取待处理目标图像;
特征提取模块,用于通过图像特征提取器对所述待处理目标图像进行分析和目标图像不同层次的特征提取以得到目标图像浅层特征图和目标图像语义特征图;
多尺度泛空间注意力模块,用于将所述目标图像浅层特征图通过多尺度泛空间注意力模块以得到空间显著化目标图像浅层特征图;
多通道特征融合处理模块,用于对所述空间显著化目标图像浅层特征图和所述目标图像语义特征图进行基于语义信息指导的多通道特征融合处理以得到目标图像多尺度注意力强化融合特征图;
模糊聚类算法处理模块,用于使用模糊聚类算法对所述目标图像多尺度注意力强化融合特征图进行处理以得到目标图像的语义分割结果。
9.根据权利要求8所述的基于模糊聚类算法的图像分割***,其特征在于,所述特征提取模块,用于:将所述待处理目标图像通过基于金字塔网络的图像特征提取器以得到所述目标图像浅层特征图和所述目标图像语义特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410513589.9A CN118097157B (zh) | 2024-04-26 | 2024-04-26 | 基于模糊聚类算法的图像分割方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410513589.9A CN118097157B (zh) | 2024-04-26 | 2024-04-26 | 基于模糊聚类算法的图像分割方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118097157A true CN118097157A (zh) | 2024-05-28 |
CN118097157B CN118097157B (zh) | 2024-07-05 |
Family
ID=91146138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410513589.9A Active CN118097157B (zh) | 2024-04-26 | 2024-04-26 | 基于模糊聚类算法的图像分割方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118097157B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118197583A (zh) * | 2024-05-14 | 2024-06-14 | 吉林大学 | 病房智能化护理管理***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598727A (zh) * | 2018-11-28 | 2019-04-09 | 北京工业大学 | 一种基于深度神经网络的ct图像肺实质三维语义分割方法 |
CN111104962A (zh) * | 2019-11-05 | 2020-05-05 | 北京航空航天大学青岛研究院 | 图像的语义分割方法、装置、电子设备及可读存储介质 |
CN112991363A (zh) * | 2021-03-17 | 2021-06-18 | 泰康保险集团股份有限公司 | 脑肿瘤图像分割方法、装置、电子设备及存储介质 |
CN114998578A (zh) * | 2022-04-14 | 2022-09-02 | 西安建筑科技大学 | 一种动态多物品定位抓取包装方法及*** |
CN115861323A (zh) * | 2023-02-28 | 2023-03-28 | 泉州装备制造研究所 | 基于精细化分割网络的皮革缺陷检测方法 |
-
2024
- 2024-04-26 CN CN202410513589.9A patent/CN118097157B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598727A (zh) * | 2018-11-28 | 2019-04-09 | 北京工业大学 | 一种基于深度神经网络的ct图像肺实质三维语义分割方法 |
CN111104962A (zh) * | 2019-11-05 | 2020-05-05 | 北京航空航天大学青岛研究院 | 图像的语义分割方法、装置、电子设备及可读存储介质 |
CN112991363A (zh) * | 2021-03-17 | 2021-06-18 | 泰康保险集团股份有限公司 | 脑肿瘤图像分割方法、装置、电子设备及存储介质 |
CN114998578A (zh) * | 2022-04-14 | 2022-09-02 | 西安建筑科技大学 | 一种动态多物品定位抓取包装方法及*** |
CN115861323A (zh) * | 2023-02-28 | 2023-03-28 | 泉州装备制造研究所 | 基于精细化分割网络的皮革缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
曹靖康 等;: "基于深度特征融合的空间植物图像分割算法", 计算机与现代化, no. 10, 15 October 2018 (2018-10-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118197583A (zh) * | 2024-05-14 | 2024-06-14 | 吉林大学 | 病房智能化护理管理***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118097157B (zh) | 2024-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN118097157B (zh) | 基于模糊聚类算法的图像分割方法及*** | |
CN111915480B (zh) | 生成特征提取网络的方法、装置、设备和计算机可读介质 | |
CN111784712B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
CN112766284B (zh) | 图像识别方法和装置、存储介质和电子设备 | |
CN113689372A (zh) | 图像处理方法、设备、存储介质及程序产品 | |
CN111368668A (zh) | 三维手部识别方法、装置、电子设备及存储介质 | |
CN112418249A (zh) | 掩膜图像生成方法、装置、电子设备和计算机可读介质 | |
CN110555861B (zh) | 光流计算方法、装置及电子设备 | |
CN110211017B (zh) | 图像处理方法、装置及电子设备 | |
CN113610034B (zh) | 识别视频中人物实体的方法、装置、存储介质及电子设备 | |
CN115115836B (zh) | 图像识别方法、装置、存储介质以及电子设备 | |
CN116596748A (zh) | 图像风格化处理方法、装置、设备、存储介质和程序产品 | |
CN113255819B (zh) | 用于识别信息的方法和装置 | |
CN112418233B (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN112487943B (zh) | 关键帧去重的方法、装置和电子设备 | |
CN115375656A (zh) | 息肉分割模型的训练方法、分割方法、装置、介质及设备 | |
CN111737575B (zh) | 内容分发方法、装置、可读介质及电子设备 | |
CN111968030B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN111311616B (zh) | 用于分割图像的方法和装置 | |
CN113239943B (zh) | 基于部件语义图的三维部件提取组合方法和装置 | |
CN111862105A (zh) | 图像的区域处理方法、装置和电子设备 | |
CN114565586B (zh) | 息肉分割模型的训练方法、息肉分割方法及相关装置 | |
CN115937338B (zh) | 图像处理方法、装置、设备及介质 | |
CN112395826B (zh) | 文字特效处理方法及装置 | |
CN112766285B (zh) | 图像样本生成方法、装置和电子设备 |
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 |