[发明专利]一种图像分割方法和电子设备

说明书

本申请公开的图像分割方法和电子设备，通过使用半监督学习的方法构建图像分割模型来进行图像分割，并且在构建图像分割模型时，通过对未标注样本的图像特征进行扰动，提出了在模型的隐藏层增加扰动进行未标记样本之间的一致性学习的思路。发明人经研究发现，模型的隐藏层存在聚类估计，而半监督任务需依赖聚类估计假设，也即半监督任务需以聚类估计假设作为依据/前提，因此，本申请通过在隐藏层增加扰动进行未标记样本之间的一致性学习，紧密贴合了半监督任务的特点，可实现基于一个便捷高效的模型训练过程使模型达到较好的分割性能。

技术领域

本申请属于图像处理领域，尤其涉及一种图像分割方法和电子设备。

背景技术

图像分割是进行图像分析的基础前提。

早期的图像分割一般基于传统方法，如基于阈值或基于边缘检测的图像分割等，其性能受制于传统方法的特征表示能力。随着深度学习技术的发展，提出了使用卷积神经网络(Convolutional Neural Networks，CNN)提取图像特征，然后进行分割的方式。然而，训练卷积神经网络模型需要大量的标注数据，这使得模型样本数据的标注变得非常耗时，而且成本高昂，某些情况下还需要标注人员具备较高的专业能力。

业内进一步提出了使用半监督学习的方法进行图像分割来解决上述技术问题，然而，现有使用半监督学习的图像分割方法，并不能基于一个便捷高效的模型训练过程使模型达到较好的边界分割性能。

发明内容

为此，本申请公开如下技术方案：

一种图像分割方法，包括：

图像分割模型的编码器根据对应的编码器参数对目标图像进行特征提取处理，得到所述目标图像的图像特征；所述图像分割模型包括所述编码器和主解码器；

所述主解码器根据对应的解码器参数和所述图像特征，进行图像边界分割处理，得到所述目标图像的边界分割信息；

其中，所述编码器对应的编码器参数，根据与预定图像的图像特征匹配的图像边界分割信息确定；所述预定图像的图像特征包括：已标注的第一样本图像的第一图像特征，未标注的第二样本图像的第二图像特征和对所述第二图像特征进行扰动处理所得的第三图像特征。

可选的，所述图像分割模型的编码器根据对应的编码器参数对目标图像进行特征提取处理，得到目标图像的图像特征，包括：

所述编码器根据对应的编码器参数提取所述目标图像的特征，得到所述目标图像的第一尺寸的特征图；所述第一尺寸小于所述目标图像的第二尺寸；

所述边界分割信息包括所述第二尺寸的特征图中各像元对应的分类类别信息；对像元的分类处理用于将像元分类为是否属于图像中对象的边界；

所述主解码器根据对应的解码器参数和所述图像特征，进行图像边界分割处理，得到所述目标图像的边界分割信息，包括：

所述主解码器根据对应的解码器参数将所述第一尺寸的特征图映射到所述第二尺寸，得到第二尺寸的特征图；

所述主解码器对所述第二尺寸的特征图中的像元进行分类处理，得到所述第二尺寸的特征图中各像元的分类类别信息。

可选的，所述编码器对所述目标图像执行有多次卷积和下采样操作；其中，不同的下采样操作得到不同尺寸的特征图，最后一次下采样操作得到所述第一尺寸的特征图；

所述主解码器对所述第一尺寸的特征图执行有多次卷积和上采样操作；其中，不同的上采样操作得到不同尺寸的特征图，最后一次上采样操作得到所述第二尺寸的特征图；

所述主解码器针对所述第一尺寸的特征图在非第一次执行卷积操作前，将最近上采样得到的当前特征图与编码器得到的与所述当前特征图尺寸相同的特征图进行连接处理，并对连接处理所得的连接特征图进行卷积操作。