[发明专利]一种地面图像中的目标区域分割方法及装置

权利要求书

1.一种地面图像中的目标区域分割方法，其特征在于，包括：

针对测试图像数据集中的至少一张地面图像，将所述地面图像输入预先训练得到的深度全卷积神经网络模型中，得到概率矩阵；所述概率矩阵的每个元素表示所述地面图像中对应该元素的像素点属于至少一个类型的目标区域的概率；所述深度全卷积神经网络模型是通过对图像样本集中多张地面样本图像的不同类型的目标区域进行训练得到的；

根据所述概率矩阵，获得所述地面图像中包括的各个类型的目标区域的预选区；

对所述预选区进行处理，获取地面图像的各个类型的目标区域的分割结果。

2.如权利要求1所述的方法，其特征在于，训练所述深度全卷积神经网络的过程，包括：

对所述地面样本图像，以多边形和/或不同粗细的线段标注图像中的不同类型的目标区域，获得每张地面样本图像上各个目标区域的真值；

以多边形和/或不同粗细的线段标注的区域为正样本，未标注的区域为负样本，训练所述深度全卷积神经网络，得到所述深度全卷积神经网络模型。

3.如权利要求1所述的方法，其特征在于，所述根据所述概率矩阵，获得所述地面图像中包括的各个类型的目标区域的预选区，包括：

根据所述概率矩阵中每个像素的概率值，确定地面图像中每个像素所属的目标区域类型，得到各个类型的目标区域包括的像素；

根据各个类型的目标区域包括的像素，得到所述地面图像中包括的各个类型的目标区域的预选区。

4.如权利要求1所述的方法，其特征在于，所述将所述地面图像输入预先训练得到的深度全卷积神经网络模型中，得到概率矩阵，包括：

将地面图像作为深度全卷积神经网络的输入，在深度全卷积神经网络的输出层，针对输入地面图像中每个像素，得到该像素属于各个类型目标区域的概率，生成地面图像的所有像素分别属于各个类型的目标区域的三维概率矩阵；相应的，

所述根据所述概率矩阵，获得所述地面图像中包括的各个类型的目标区域的预选区，包括：

根据所述三维概率矩阵，确定每个像素的概率值最高的目标区域类型，将该类型的目标区域作为当前像素的分类结果；根据所述分类结果进行目标区域划分，得到各类型的目标区域的预选区。

5.如权利要求1所述的方法，其特征在于，所述将所述地面图像输入预先训练得到的深度全卷积神经网络模型中，得到概率矩阵，包括：

将地面图像作为深度全卷积神经网络的输入，在深度全卷积神经网络的输出层，针对每个指定类型的目标区域，得到输入地面图像中每个像素为该类型的目标区域的二维概率矩阵；相应的，

所述根据所述概率矩阵，获得所述地面图像中包括的各个类型的目标区域的预选区，包括：

针对每个类型的目标区域，根据该类型的目标区域的所述二维概率矩阵，判断每个像素的概率值是否大于指定的阈值，提取出所有概率值大于所述阈值的像素，得到该类型的目标区域中的预选区。

6.如权利要求1-5任一项所述的方法，其特征在于，所述对所述预选区进行处理，获取地面图像的各个类型的目标区域的分割结果，包括：

通过形态学运算对所述预选区进行规整；

通过连通域检测算法将规整后的输出图像中的目标区域提取出来，计算出各目标区域的位置，得到地面图像的各个类型的目标区域的分割结果。

7.如权利要求6所述的方法，其特征在于，所述通过形态学运算对所述预选区进行规整，包括：

当所述预选区是为线性图像区域时，通过闭运算对该预选区的断裂处进行修补；

当所述预选区是为非线性图像区域时，通过开运算对该预选区的粘连处进行切割。