[发明专利]图像处理方法、装置、电子设备和计算机可读介质

说明书

本发明提供了一种图像处理方法、装置、电子设备和计算机可读介质，包括：对待处理图像中的目标对象进行浅层特征提取，得到目标对象的浅层特征图；获取Anchor Based实例分割方法对待处理图像中的目标对象进行实例分割时，得到的第一实例分割特征图；基于目标对象的浅层特征图对第一实例分割特征图进行导向滤波运算，得到第二实例分割特征图；基于第一实例分割特征图和第二实例分割特征图确定待处理图像中目标对象的蒙版。本发明的第二实例分割特征图中带有目标对象的边缘信息，最后确定的待处理图像中目标对象的蒙版的边缘效果更好，提升了实例分割的性能和准确率，并且本发明的方法计算量小，图像处理效率高。

技术领域

本发明涉及图像处理的技术领域，尤其是涉及一种图像处理方法、装置、电子设备和计算机可读介质。

背景技术

目标实例分割任务，是指网络能够精确分割出图像上不同类别的目标以及相同类别目标的不同个体。当前实例分割框架设计方法主要有Anchor Free方法和Anchor Based(基于锚点的实例分割)方法两大类。Anchor Based方法先生成目标框，然后进行逐目标分割；Anchor Free方法则直接预测Mask和类别并进行组合得到最终分割结果；Anchor Free方法的速度比Anchor Based方法快，但精度相对较差。然而，不同于语义分割任务有着较大分辨率的输入，实例分割分支的输入往往是目标区域经过ROI Pooling或者ROI Align之后的特征(7x7)，分辨率较小，这样导致边缘细节分割性能受限。当前通用的提高实例分割分支性能的方法有增大ROI尺寸、增加额外的监督Loss、级联多个Stage等。

目前的实例分割框架设计方法主要有：(1)Mask R-CNN，在Faster R-CNN的基础上，将ROI尺寸改为14x14，并增加FCN分支实现实例Mask分割；(2)BMask R-CNN，基于MaskR-CNN，增加了Boundary分支，与Mask分支的特征进行融合并进行边缘监督，达到增强边缘的效果；(3)SOLO，将图像网格化，每一个小格子都进行语义类别预测和实例Mask生成。

这些实例分割框架存在的问题是：(1)ROI尺寸和精度、速度之间无法权衡；(2)需要额外的监督信息，即制作新的多任务学习标签；(3)额外的级联Stage增加了计算量。

综上，现有的实例分割方法在对图像进行实例分割时，存在计算量大、分割效果差的技术问题。

发明内容

有鉴于此，本发明的目的在于提供一种图像处理方法、装置、电子设备和计算机可读介质，以缓解现有的实例分割方法在对图像进行实例分割时，计算量大、分割效果差的技术问题。

第一方面，本发明实施例提供了一种图像处理方法，包括：获取待处理图像，并对所述待处理图像中的目标对象进行浅层特征提取，得到目标对象的浅层特征图，其中，所述目标对象的浅层特征图中包含有目标对象的边缘信息；获取Anchor Based实例分割方法对所述待处理图像中的目标对象进行实例分割时，得到的第一实例分割特征图；基于所述目标对象的浅层特征图对所述第一实例分割特征图进行导向滤波运算，得到第二实例分割特征图，其中，所述第二实例分割特征图带有目标对象的边缘信息；基于所述第一实例分割特征图和所述第二实例分割特征图确定所述待处理图像中目标对象的蒙版。

进一步的，对所述待处理图像中的目标对象进行浅层特征提取包括：对所述待处理图像进行多尺度缩放处理，得到多尺度的待处理图像；根据所述Anchor Based实例分割方法中预测的目标对象的目标框坐标在所述多尺度的待处理图像中确定目标尺度的待处理图像；将所述目标尺度的待处理图像输入至浅层特征提取网络，得到所述目标对象的浅层特征图，其中，所述浅层特征提取网络包括两个串联的第一目标卷积层。