[发明专利]图像分块特征提取方法、装置及存储介质

说明书

本申请提供一种图像分块特征提取方法、装置及存储介质。该方法包括：输入待处理图像分块至图注意力网络模型，获得待处理图像分块的特征向量；其中，所述图注意力网络模型基于以下步骤训练获得：将样本图像分块的语义分割图与所述样本图像分块的原图进行拼接得到拼接图像分块；基于拼接图像分块利用图注意力机制确定所述样本图像分块的拓扑特征；基于所述拓扑特征训练图注意力网络模型。本申请实施例提供的图像分块特征提取方法、装置及存储介质，通过训练得到的图注意力网络模型能够获取待处理图像分块的局部特征信息和全局特征信息，提升了特征信息提取的准确性。

技术领域

本申请涉及计算机视觉技术领域，尤其涉及一种图像分块特征提取方法、装置及存储介质。

背景技术

随着人工智能的飞速发展，深度学习算法通常被应用于图像处理方法中。以卷积神经网络为代表，通过大量带标签的数据训练模型，以端对端的方式获取图片中包含的深层特征信息，在图片分类、语义分割等领域的已经应用成熟。

对于具有超高分辨率、包含超大数据量的图像的处理更为复杂，例如对全切片图像(Whole Slide Image,WSI)的处理，全切片图像是通过专用的扫描成像系统将病理切片转换为可供计算机显示、传输及处理的高倍率大规模数字图像，需要先将这类图像切割成合适大小的图像分块，然后利用深度学习进行特征提取。但是由于这类图片分割成多个图像分块后，图像中有用信息的提取难度增大，而且这种特征提取方法会导致提取的特征信息不准确。

发明内容

本申请实施例提供一种图像分块特征提取方法、装置及存储介质，用以解决现有技术中图像分块的特征信息提取不准确的技术问题。

第一方面，本申请实施例提供一种图像分块特征提取方法，包括：

输入待处理图像分块至图注意力网络模型，获得所述待处理图像分块的特征向量；

其中，所述图注意力网络模型基于以下步骤训练获得：

将样本图像分块的语义分割图与所述样本图像分块的原图进行拼接得到拼接图像分块；

基于拼接图像分块利用图注意力机制确定所述样本图像分块的拓扑特征；

基于所述拓扑特征训练图注意力网络模型。

在一些实施例中，将样本图像分块的语义分割图与所述样本图像分块的原图进行拼接得到拼接图像分块之前，还包括：

基于语义分割模型对所述样本图像分块进行语义分割得到初始分割结果；

基于所述初始分割结果利用通道注意力机制确定所述样本图像分块的语义分割图。

在一些实施例中，所述语义分割模型的损失函数表达式如下：

其中，x、y表示像素点的坐标；c表示像素点的类别；Y_i表示像素点的真实值；表示像素点的预测值；|D_x,y|表示像素点距离边界的距离；ρ表示定值，用于防止分母为0；L表示损失函数值。

在一些实施例中，基于拼接图像分块利用图注意力网络确定所述样本图像分块的拓扑特征，包括：

将所述拼接图像分块输入残差神经网络进行压缩得到节点特征；

通过注意力机制确定节点间连接关系的权重；

基于所述节点特征和所述节点间连接关系的权重确定所述样本图像分块的拓扑特征。

在一些实施例中，基于所述拓扑特征训练图注意力网络模型，包括：

基于所述样本图像分块的拓扑特征确定样本图像分块的特征向量；

基于所述样本图像分块的特征向量训练图注意力网络模型。