[发明专利]一种图像处理方法和装置

说明书

本发明公开了一种图像处理方法和装置，涉及计算机视觉技术领域。该方法的一具体实施方式包括：获取待处理图像；利用预先训练好的语义分割模型处理待处理图像，其中，语义分割模型是基于迭代更新的已标记图片集合和未标记图片集合，迭代训练全卷积神经网络得到，迭代更新已标记图片集合和未标记图片集合与迭代训练全卷积神经网络同步；根据处理的结果，对待处理图像包括的像素点进行标记；根据标记结果，确定待处理图像包括的目标。该实施方式使比较少的标注样本训练出的图像语义分割模型所依赖的人力成本大大降低，同时有效地提高图像语义分割的准确性。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种图像处理方法和装置。

背景技术

在很多场景比如自动驾驶、医学影像分析、交通违章中，需要借助图像语义分割技术来对图像进行处理，以在图像中标注或确定场景所关注的目标比如自动驾驶场景所关注的道路障碍物、医学影像所关注的病灶等。

目前，基于图像语义分割技术实现的图像处理，需要依赖大量的具有的像素标签的图像样本训练深度学习网络。而图像样本的像素标签一般需要人工标注，需要消耗大量的人力资源，同时，人工在标注大量的样本过程中难免出现标注错误的问题，由于标注量比较大，这种标注错误很难被发现，导致现有的图像语义分割技术前期不仅消耗大量的人力，而且准确性较低。

发明内容

有鉴于此，本发明实施例提供一种图像处理方法和装置，能够使比较少的标注样本训练出的图像语义分割模型所依赖的人力成本大大降低，同时有效地提高图像语义分割以及图像处理的准确性。

为实现上述目的，根据本发明实施例的一个方面，提供了一种图像处理方法，包括：

获取待处理图像；

利用预先训练好的语义分割模型处理所述待处理图像，其中，所述语义分割模型是基于迭代更新的已标记图片集合和未标记图片集合，迭代训练全卷积神经网络得到，迭代更新所述已标记图片集合和所述未标记图片集合与迭代训练所述全卷积神经网络同步；

根据处理的结果，对所述待处理图像包括的像素点进行标记；

根据标记结果，确定所述待处理图像包括的目标。

可选地，所述利用预先训练好的语义分割模型处理所述待处理图像，包括：

将所述待处理图像分别进行水平翻转、垂直翻转以及对折翻转，得到三张待处理翻转图像；

将三张所述待处理翻转图像输入所述语义分割模型包括的训练好的全卷积神经网络。

可选地，所述利用预先训练好的语义分割模型处理所述待处理图像，进一步包括：

对训练好的全卷积神经网络输出的针对三张所述待处理翻转图像的输出结果进行锐化转换，得到三张待处理特征图；

将所述三张待处理特征图组合成一张新的待处理特征图；

对所述新的待处理特征图进行分别对应于水平翻转、垂直翻转以及对折翻转，得到三张新的待处理翻转图像；

基于所述待处理图像的三张待处理翻转图像以及三张新的待处理翻转图像，利用训练好的全卷积神经网络计算所述待处理图像中的像素点属于预设类型的概率。

可选地，所述对所述待处理图像包括的像素点进行标记，包括：

根据计算出的所述像素点属于预设类型的概率，对所述像素点进行标记。

可选地，所述将所述三张待处理特征图组合成一张新的待处理特征图，包括：

将所述三张待处理特征图的对应位置的像素点进行加权平均；

根据加权平均的结果以及像素点的位置，生成新的待处理特征图。