[发明专利]一种图像语义分割的优化方法、装置、存储介质及终端

说明书

本申请实施例公开了一种图像语义分割的优化方法、装置、存储介质及终端。该方法包括获取待分割图像中的超像素；获取所述待分割图像的概率映射图，并根据所述概率映射图确定所述超像素的标签类属的概率分布信息；根据所述概率分布信息确定满足设定条件的目标超像素，调整所述目标超像素中的像素点的标签类属；基于调整后的目标超像素和所述待分割图像中的剩余超像素构建条件随机场模型，并根据所述条件随机场模型确定所述待分割图像的图像语义分割结果，实现根据条件随机场优化待分割图像的分割结果，可以提高图像语义分割结果在边界处的分割效果。

技术领域

本申请实施例涉及计算机视觉领域，尤其涉及一种图像语义分割的优化方法、装置、存储介质及终端。

背景技术

图像的语义分割作为图像理解的基石性技术，在多个方面有着举足轻重的地位，例如自动驾驶，无人机应用，可穿戴式设备等等。

从像素级别上讲，图像分割就是给图像中每个像素点都指定一个物体类别标签。相同类别标签的像素点聚合为一个区域，代表相同的局部表征，通常具有明确的语义信息，即代表物体或物体局部。国内外针对图像语义分割问题的研究方法主要分为：基于特征的方法和基于深度学习的方法。围绕基于特征的方法已经有数十年的研究，该方法比较成熟，计算量较小，但是需要依赖专家人为设计的特征，因此设计代价较高。基于深度学习的方法具有分割精度较高的优点，然而其计算代价较大，分割结果较粗略，物体边缘处的分割效果不佳。例如，使用全卷积神经网络对图片进行分割，全卷积神经网络最大的特点是将原始神经网络中的全连接层用卷积层替换，这样很好的保留了原始卷积结构中因为全连接而破坏的图片空间位置信息，之后，通过上采样过程将全卷积网络的输出恢复到原始图片大小，最后，通过对所得特征图中每个位置进行分类的方式来获得像素级别的分类效果。由于上述卷积过程是空间不变的，它获取的是图片区域与区域之间的关系，很难获取图片像素级别的依赖关系，从而导致分割结果在目标边界区域处的分割效果较差。

发明内容

本申请实施例提供一种图像语义分割的优化方法、装置、存储介质及终端，可以提高图像语义分割结果在边界处的分割效果。

第一方面，本申请实施例提供了一种图像语义分割的优化方法，包括：

获取待分割图像中的超像素；

获取所述待分割图像的概率映射图，并根据所述概率映射图确定所述超像素的标签类属的概率分布信息，其中，所述概率映射图用于表示所述待分割图像中每个像素点的标签类属的概率；

根据所述概率分布信息确定满足设定条件的目标超像素，调整所述目标超像素中的像素点的标签类属；

基于调整后的目标超像素和所述待分割图像中的剩余超像素构建条件随机场模型，并根据所述条件随机场模型确定所述待分割图像的图像语义分割结果。

第二方面，本申请实施例还提供了一种图像语义分割的优化装置，该装置包括：

超像素获取模块，用于获取待分割图像中的超像素；

分布信息确定模块，用于获取所述待分割图像的概率映射图，并根据所述概率映射图确定所述超像素的标签类属的概率分布信息，其中，所述概率映射图用于表示所述待分割图像中每个像素点的标签类属的概率；

超像素调整模块，用于根据所述概率分布信息调整满足设定条件超像素中的像素点的标签类属；

分割结果确定模块，用于基于调整后的目标超像素和所述待分割图像中的剩余超像素构建条件随机场模型，并根据所述条件随机场模型确定所述待分割图像的图像语义分割结果。

第三方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面所述的图像语义分割的优化方法。