[发明专利]一种基于深度学习的图像处理方法、电子设备及存储介质

权利要求书

1.一种基于深度学习的图像处理方法，其特征在于，所述方法包括：

获取待处理图像；

调用对象检测网络模型在所述待处理图像中确定目标区域图像，所述目标区域图像包括目标检测对象所在区域的图像；

调用图像分割网络模型对所述目标区域图像进行语义分割处理，得到所述目标区域图像的语义分割结果，所述语义分割结果用于指示所述目标区域图像中的像素是否属于所述目标检测对象的边框区域；

根据所述语义分割结果从所述目标区域图像中确定填充区域，并在所述填充区域中填充素材图片，所述填充区域包括所述目标检测对象所在区域的图像中除所述边框区域之外的区域图像。

2.根据权利要求1所述的方法，其特征在于，所述语义分割结果包括所述像素的分类标签，所述分类标签用于指示所述像素是否属于所述目标检测对象的边框区域。

3.根据权利要求1或2所述的方法，其特征在于，所述根据所述语义分割结果从所述目标区域图像中确定填充区域，包括：

根据所述语义分割结果获取所述目标区域图像中属于所述目标检测对象的边框区域的像素；

确定所述属于所述目标检测对象的边框区域的像素组成的第一区域图像；

将所述目标检测对象所在区域的图像中除所述第一区域图像之外的区域图像确定为填充区域。

4.根据权利要求1或2所述的方法，其特征在于，所述根据所述语义分割结果从所述目标区域图像中确定填充区域，包括：

根据所述语义分割结果获取所述目标检测对象所在区域的图像中不属于所述目标检测对象的边框区域的像素；

将所述不属于所述目标检测对象的边框区域的像素组成的第二区域图像作为填充区域。

5.根据权利要求1所述的方法，其特征在于，所述调用图像分割网络模型对所述目标区域图像进行语义分割处理，得到所述目标区域图像的语义分割结果，包括：

将所述目标区域图像输入图像分割网络模型进行二值化分割处理，得到所述目标区域图像中的像素的分类标签；

根据所述目标区域图像中的像素的分类标签确定所述目标区域图像的语义分割结果。

6.根据权利要求1所述的方法，其特征在于，所述调用对象检测网络模型在所述待处理图像中确定目标区域图像，包括：

将所述待处理图像输入对象检测网络模型，得到包括所述目标检测对象的目标候选框；

根据所述目标候选框的位置信息和尺寸信息，从所述待处理图像中确定目标区域图像。

7.根据权利要求6所述的方法，其特征在于，所述根据所述目标候选框的位置信息和尺寸信息，从所述待处理图像中确定目标区域图像，包括：

按照预设比例对所述目标候选框进行扩张处理，得到扩张后的目标候选框；

根据所述扩张后的目标候选框的位置信息和尺寸信息，将所述待处理图像中与所述扩张后的目标候选框的位置和尺寸对应的图像区域作为目标区域图像。

8.根据权利要求7所述的方法，其特征在于，所述按照预设比例对所述目标候选框进行扩张处理，得到扩张后的目标候选框，包括：

按照预设比例将所述目标候选框的边界向扩张所述目标候选框的方向移动，得到扩张后的边界；

若所述扩张后的边界超出所述待处理图像的边界，则将所述待处理图像的边界作为扩张后的目标候选框的边界；

根据所述扩张后的目标候选框的边界确定扩张后的目标候选框。

9.根据权利要求6～8中任一项所述的方法，其特征在于，所述将所述待处理图像输入对象检测网络模型，得到包括所述目标检测对象的目标候选框，包括：

将所述待处理图像输入对象检测网络模型，得到所述待处理图像的多个候选框的概率分布、位置信息和尺寸信息，所述概率分布用于指示候选框包括所述目标检测对象的概率；

根据所述多个候选框的概率分布，从所述多个候选框中确定至少一个候选框；

根据所述至少一个候选框的概率分布、位置信息和尺寸信息，从所述至少一个候选框中确定包括所述目标检测对象的目标候选框。