[发明专利]一种图像实例分割方法

说明书

本发明属于图像实例分割技术领域，具体涉及一种图像实例分割方法。该方法首先将目标图像输入至构建的初始轮廓提取模型中，得到图像中目标的初始轮廓；然后在初始轮廓上采样若干个轮廓点，并在每个轮廓点周围提取若干个假设变形点；接着利用构建的特征提取模型，得到各个轮廓点的特征以及每个轮廓点周围假设变形点的特征；最后将得到各个轮廓点的特征、以及每个轮廓点周围假设变形点的特征输入至构建的变形轮廓提取模型中，得到每个轮廓点的变形结果，进而得到图像中目标的变形轮廓。本发明可以得到更加精细的分割结果，使得分割结果更为精准，提升边缘轮廓精度，适用于对精细程度要求较高的任务。

技术领域

本发明属于图像实例分割技术领域，具体涉及一种图像实例分割方法。

背景技术

分割任务是许多图像处理任务的基础，例如变化检测、动态监测、分类任务等，分割的准确性和效率会对后续工作造成影响。而实例分割集成了分类、定位和分割三个任务，与类似的图像处理任务相比，这是最困难的视觉任务之一。从过程角度来说，实例分割可以分为两类，基于检测的方法和基于轮廓的方法。

基于检测的方法首先检测对象，然后通过一定方法逐像素进行分类，得到最终实例分割结果。但是这类基于像素的方法没有利用边缘信息，会导致在边缘处分割效果不佳。

另一类方法是通过得到对象的轮廓来达到分割目的。基于轮廓的方法需要解决如何衡量点集构成的近似轮廓与实际轮廓之间的距离的问题，并据此提出合理的学习网络损失函数。还需要解决点集的初始位置采样、点的特征提取等问题。在数量上，基于轮廓的方法相较于逐区域像素分割的方法能减少很多需要判定的量，更少的检测量意味着更少的错误率，因此基于轮廓的实例分割方法也是非常值得研究的内容。相比于逐像素分类的方法，轮廓方法有更高的效率和速度，但对训练网络和初始轮廓有更高的要求。

对于一些特定的图像处理任务(例如使用遥感影像进行变化检测)，更高的影像分辨率和更大的影像范围都对分割效果提出了更高精度的要求。现有的实例分割方法在公开数据集上的实例分割效果整体上较好，但其在对象轮廓的精度还不够，特别是对一些精细程度要求较高的任务来说是不适用的，不足以作为精细分割结果来指导后续的变化检测、实例定位等工作。

发明内容

本发明提供了一种图像实例分割方法，用以解决采用现有技术方法提取的轮廓精度不高的问题。

为解决上述技术问题，本发明所包括的技术方案以及技术方案对应的有益效果如下：

本发明提供了一种图像实例分割方法，包括如下步骤：

1)将目标图像输入至构建的初始轮廓提取模型中，得到图像中目标的初始轮廓；并在初始轮廓上采样若干个轮廓点，

2)在每个轮廓点周围提取若干个假设变形点；

3)利用构建的特征提取模型，得到各个轮廓点的特征以及每个轮廓点周围假设变形点的特征；

4)将得到的各个轮廓点的特征、以及每个轮廓点周围假设变形点的特征输入至构建的变形轮廓提取模型中，得到每个轮廓点的变形结果，进而得到图像中目标的变形轮廓，以对初始轮廓进行优化分割边缘处理。

上述技术方案的有益效果为：本发明在得到目标的初始轮廓后，在轮廓点周围提取若干个假设变形点，确定每个轮廓点以及各轮廓点周围假设变形点网的特征，并输入至构建的变形轮廓提取模型中，可以得到每个轮廓点的变形结果，实现了在利用初始轮廓提取模型得到的分割结果的基础上对轮廓进行了变形，以得到更加精细的分割结果，使得分割结果更为精准，提升边缘轮廓精度，适用于对精细程度要求较高的任务。

进一步的，为了自适应选择假设变形点网的尺度以达到更好地适应初始轮廓的效果，一个轮廓点及其周围提取的若干个假设变形点构成一个假设变形点网，所述假设变形点网的大小为：

S＝[S₀+log₂(wh/WH)]