[发明专利]图像分割方法、相应的装置及电子设备

权利要求书

1.一种图像分割方法，其特征在于，包括：

在输入图像中提取N个尺度的图像语义特征，N为不小于3的整数；

依据预定的级联关系，通过N-1个级联的密集提炼网络对所述N个尺度的图像语义特征按照尺度从小到大的顺序依次进行特征处理，以得到输入图像中预定场景区域的二值化掩膜图像；

其中，所述预定的级联关系为：输入第n个密集提炼网络的两个相邻尺度的语义特征包括第n个尺度的低频语义特征和第n+1个尺度的图像语义特征，所述第n个尺度的低频语义特征是由第n-1个密集提炼网络输出的，2≤n≤N-1；

输入第1个密集提炼网络的两个相邻尺度的语义特征包括第1个尺度的图像语义特征和第2个尺度的图像语义特征，

所述第2个尺度为所述第1个尺度的2倍；

所述第n+1个尺度为所述第n个尺度的2倍；

针对任一密集提炼网络，将输入的两个相邻尺度的语义特征进行特征处理，包括：

通过两个密集卷积单元分别对所述两个相邻尺度的语义特征进行卷积处理，得到所述两个相邻尺度的图像全局特征；

将所述两个相邻尺度的图像全局特征进行特征融合，得到融合处理后的图像全局特征，所述融合处理后的图像全局特征的尺度与所述两个相邻尺度中的较大尺度相同；

通过链式密集池化单元对所述融合处理后的图像全局特征进行池化处理，以根据池化处理结果得到所述较大尺度的低频语义特征。

2.根据权利要求1所述的图像分割方法，其特征在于，任一密集卷积单元包括M层卷积子网络，M为不小于2的整数，通过一个密集卷积单元对一个尺度的语义特征进行卷积处理，得到所述一个尺度的图像全局特征，包括：

将所述一个尺度的语义特征输入到第一层卷积子网络，输出第一结果， 并将所述一个尺度的语义特征和所述第一结果进行合并，得到第一合并结果；

将所述第一合并结果输入到第二层卷积子网络，输出第二结果，并将所述一个尺度的语义特征、所述第一合并结果和所述第二结果进行合并，得到第二合并结果；

在各个卷积子网络中连续执行卷积处理，直至将第M-1合并结果输入到第M层卷积子网络，输出第M结果，并将所述一个尺度的语义特征、所述第一合并结果至第M-1合并结果和第M结果进行合并，得到第M合并结果；

根据第M合并结果得到所述一个尺度的图像全局特征。

3.根据权利要求1所述的图像分割方法，其特征在于，所述链式密集池化单元包括W个池化网络和一个卷积子网络，W为不小于2的整数，所述池化网络包括池化层、卷积层和批量归一化层，所述通过链式密集池化单元对所述融合处理后的图像全局特征进行池化处理，包括：

将所述融合处理后的图像全局特征输入到第一个池化网络，输出第一低频语义特征，并将所述第一低频语义特征与所述融合处理后的图像全局特征进行合并，输出第一联结结果；

将所述第一低频语义特征输入到第二个池化网络，输出第二低频语义特征，并将所述第二低频语义特征与所述第一联结结果进行合并，输出第二联结结果；

在各个池化网络中连续执行池化处理，直至将第W-1低频语义特征输入到第W个池化网络，输出第W低频语义特征，并将所述第W低频语义特征与所述第W-1联结结果进行合并，输出第W个联结结果；

通过所述卷积子网络对第W个联结结果进行卷积处理，得到所述较大尺度的低频语义特征。

4.根据权利要求1所述的图像分割方法，其特征在于，所述将所述两个相邻尺度的图像全局特征进行特征融合，包括：

对所述两个相邻尺度中的较小尺度的图像全局特征进行上采样；

将上采样后的图像全局特征与两个尺度中的较大尺度的图像全局特征进行叠加。

5.根据权利要求1-4任一项所述的图像分割方法，其特征在于，所述在输入图像中提取N个尺度的图像语义特征，包括：

利用卷积神经网络VGG-19在输入图像中提取N个尺度的图像语义特征。