[发明专利]图像分割方法、装置、电子设备及计算机可读存储介质

说明书

本申请实施例公开了图像分割方法、装置、电子设备、处理器及计算机可读存储介质。该方法包括：对预设YOLOv3模型进行U形扩展，得到一包含U形采样单元的改进型YOLOv3模型，其中U形采样单元包括下采样网络及上采样网络，下采样网络由YOLOv3模型的Darknet53网络构成，上采样网络由YOLOv3模型中的多个上采样模块串接而成；利用预设训练样本集的样本图像对改进型YOLOv3模型进行训练，得到图像分割模型；及利用图像分割模型对待处理图像进行图像分割处理。该实施方式通过采用Darknet53作为下采样网络，采样网络深度大，使得模型表达能力强且整个模型易于训练，进而可适用于复杂的图像分割场景。

技术领域

本发明涉及图像处理技术领域，尤其涉及基于改进型YOLOv3模型的图像分割方法、装置、电子设备及计算机可读存储介质。

背景技术

在深度学习兴起之后，出现了使用卷积神经网络进行图像处理的技术，如U-Net模型(如图1所示)、YOLOv3模型(如图2所示)等。U-Net模型属于小型的图像分割网络，由于U-Net模型深度不够，如果通过增加下采样模块的个数来提升模型深度，又会有梯度消失的风险，进而增加训练难度，因而U-Net模型一般运用于医学图像分割(因为医学图像语义较为简单、结构较为固定)，换言之，U-Net模型适合比较简单的图像分割任务，而YOLOv3模型一般运用于目标检测。针对复杂的图像分割任务，目前还没有有效的解决方案。

发明内容

有鉴于此，有必要提供一种基于改进型YOLOv3模型的图像分割方法、装置、电子设备及计算机可读存储介质，其可对复杂的图像进行图像分割处理。

本发明一实施方式提供一种基于改进型YOLOv3模型的图像分割方法，所述方法包括：

对预设YOLOv3模型进行U形扩展，得到一包含U形采样单元的改进型YOLOv3模型，其中所述U形采样单元包括下采样网络及上采样网络，所述下采样网络与所述上采样网络之间进行跳层连接，所述下采样网络由所述预设YOLOv3模型的Darknet53网络构成，所述上采样网络由所述预设YOLOv3模型中的多个上采样模块串接而成；

利用预设训练样本集的样本图像对所述改进型YOLOv3模型进行训练，得到图像分割模型；及

利用所述图像分割模型对待处理图像进行图像分割处理。

优选地，所述下采样网络与所述上采样网络之间还连接有一卷积-标准化线性模块，所述卷积-标准化线性模块包括五个串接的卷积-标准化线性单元，所述卷积-标准化线性单元由一卷积层、一批标准化层及一泄露修正线性层组成。

优选地，所述下采样网络所包含的残差模块数量与所述上采样网络所包含的上采样模块数量相等。

优选地，所述下采样网络包括一卷积-标准化线性单元及N个残差模块，所述上采样网络包括N个上采样模块，所述下采样网络的卷积-标准化线性单元的输出端跳层连接至第N上采样模块，第一残差模块至第N-1残差模块的输出端分别跳层连接至第N-1上采样模块至第一上采样模块，第N残差模块通过所述卷积-标准化线性模块连接至所述第一上采样模块。

优选地，所述利用预设训练样本集的样本图像对所述改进型YOLOv3模型进行训练，包括：

将所述预设训练样本集的样本图像划分为训练集及测试集；

利用所述训练集对所述改进型YOLOv3模型进行训练；

利用所述测试集对训练完成的改进型YOLOv3模型进行测试，并根据每一测试结果统计得到一模型分割准确率；

判断所述模型分割准确率是否大于预设阈值；

若所述模型分割准确率大于所述预设阈值，则将训练完成的改进型YOLOv3模型作为所述图像分割模型。