[发明专利]图像分割模型训练方法及基于分类的强化图像分割方法

权利要求书

1.一种图像分割模型训练方法，其特征在于，包括：

将训练图像集中的图像数据输入初始分类模型中的分割模块进行处理，得到分割图像；

将所述分割图像输入所述初始分类模型中的分类模块进行训练，得到基于分类的强化图像分割模型；

其中，所述初始分类模型包括所述分割模块和所述分类模块；所述分割模块为第一DenseNet网络模型，所述分类模块为第二DenseNet网络模型；

所述第一DenseNet网络模型包括一个卷积层、一个池化层、四个密集块、多个过渡层、一个全局池化层和一个全连接层；其中，所述四个密集块的第一密集块和第二密集块的卷积为普通卷积，第三密集块和第四个密集块中的卷积为空洞卷积；所述全连接层为多孔空间金字塔池化模块；每个密集块的各层特征使用跳跃连接进行连接。

2.根据权利要求1所述的方法，其特征在于，所述将训练图像集中的图像数据输入初始分类模型中的分割模块进行处理，得到分割图像的步骤，包括：

将所述训练图像集中的目标图像输入初始分类模型中的分割模块进行识别确定出目标兴趣区域，所述目标图像为所述训练图像集中的任一图像；

将所述目标图像中被识别出的目标兴趣区域进行切割，得到分割图像。

3.根据权利要求2所述的方法，其特征在于，所述将所述训练图像集中的目标图像输入初始分类模型中的分割模块进行识别确定出目标兴趣区域的步骤，包括：

将所述训练图像集中的目标图像输入初始分类模型确定出所述目标图像中的每个指定尺寸图像的类别，得到所述目标图像中的各个像素的类别分布；

根据所述目标图像中的各个像素的类别分布确定出所述目标图像的目标兴趣区域。

4.根据权利要求2所述的方法，其特征在于，所述将所述目标图像中被识别出的目标兴趣区域进行切割，得到分割图像的步骤，包括：

对所述目标兴趣区域使用轮廓检测确定出所述目标兴趣区域的外接矩形区域；

将所述外接矩形区域从所述目标图像中切割出，以得到分割图像。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据收集的多张图像中的特征采用数据增强的方式对图像进行数据扩展，得到初始图像集；

将所述初始图像集中的图像进行归一化处理，得到所述训练图像集。

6.一种基于分类的强化图像分割方法，其特征在于，包括：

获取待分割图像；

将所述待分割图像输入权利要求1-5任意一项所述的方法确定出的基于分类的强化图像分割模型中进行分类，得到所述待分割图像的分割结果。

7.一种基于分类的强化图像分割模型训练装置，其特征在于，包括：

处理模块，用于将训练图像集中的图像数据输入初始分类模型中的分割模块进行处理，得到分割图像；

训练模块，用于将所述分割图像输入所述初始分类模型中的分类模块进行训练，得到基于分类的强化图像分割模型；

其中，所述初始分类模型包括所述分割模块和所述分类模块；所述分割模块为第一DenseNet网络模型，所述分类模块为第二DenseNet网络模型；

所述第一DenseNet网络模型包括一个卷积层、一个池化层、四个密集块、多个过渡层、一个全局池化层和一个全连接层；其中，所述四个密集块的第一密集块和第二密集块的卷积为普通卷积，第三密集块和第四个密集块中的卷积为空洞卷积；所述全连接层为多孔空间金字塔池化模块；每个密集块的各层特征使用跳跃连接进行连接。

8.一种图像分类装置，其特征在于，包括：

获取模块，用于获取待分割图像；

分类模块，用于将所述待分割图像输入权利要求1-5任意一项所述的方法确定出的基于分类的强化图像分割模型中进行分类，得到所述待分割图像的分割结果。