[发明专利]一种图像分割模型训练样本数据集的获取方法及设备

权利要求书

1.一种图像分割模型训练样本数据集的获取方法，其特征在于，所述方法包括：

获取若干样本图像，其中，每个样本图像由多个拼接图像组成；

确定所述每个样本图像中各拼接图像之间的边界区域，并对所述每个样本图像标注标签；

对标注标签后的每个样本图像进行降噪处理；

将降噪处理后的全部样本图像及其对应的标签确定为所述图像分割模型的训练样本数据集。

2.根据权利要求1所述的方法，其特征在于，所述确定每个样本图像中各拼接图像之间的边界区域包括：

确定每个样本图像中各拼接图像之间的边界；

将所述边界对称扩充成预设像素宽度的边界区域。

3.根据权利要求1或2所述的方法，其特征在于，所述对所述每个样本图像标注标签包括：

将所述每个样本图像中的每个拼接图像、边界区域和/或黑边分别标注为背景、边界和/或黑边标签。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述将降噪处理后的全部样本图像及其对应的标签确定为所述图像分割模型的训练样本数据集包括：

基于RGBY的匹配系数，去除降噪处理后的全部样本图像中的冗余样本图像；

将去除冗余后的降噪处理后的全部样本图像及其对应的标签确定为所述图像分割模型的训练样本数据集。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对所述训练样本数据集中的每个训练样本进行数据增强；

其中，所述进行数据增强的方式包括以下任一项：

使用albumentation包；

使用几何变换；

应用高斯噪声；

应用通道shuffle，根据标签类别出现的频率进行训练样本扩充。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述训练样本数据集划分成训练集和测试集；

采用所述训练集训练分类回归神经网络模型，当所述模型的损失函数符合预设条件，完成训练；

采用所述测试集对完成训练的分类回归神经网络模型进行测试，当准确率符合预设阈值，将所述完成训练的分类回归神经网络模型确定为图像分割模型。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

获取降噪处理后的待分割图像，其中，所述待分割图像由多个拼接图像组成；

将所述待分割图像输入所述图像分割模型，以识别及分割所述多个拼接图像。

8.根据权利要求7所述的方法，其特征在于，所述识别及分割所述多个图像包括：

识别出所述待分割图像中的每张拼接图像、边界区域和/或黑边；

对所述边界区域进行聚类，以确定一个或者多个聚类区域，并基于所述一个或者多个聚类区域的边界，拟合成一个或者多个矩形；

基于所述矩形的长边中线进行分割，以获得所述待分割图像中的多个拼接图像。

9.一种图像分割模型训练样本数据集的获取设备，其特征在于，所述设备包括：

第一装置，用于获取若干样本图像，其中，每个样本图像由多个拼接图像组成；

第二装置，用于确定所述每个样本图像中各拼接图像之间的边界区域，并对所述每个样本图像标注标签；

第三装置，用于对标注标签后的每个样本图像进行降噪处理；

第四装置，用于将降噪处理后的全部样本图像及其对应的标签确定为所述图像分割模型的训练样本数据集。

10.一种计算机可读介质，其特征在于，

其上存储有计算机可读指令，所述计算机可读指令被处理器执行以实现如权利要求1至8中任一项所述的方法。

11.一种图像分割模型训练样本数据集的获取设备，其特征在于，该设备包括：

一个或多个处理器；以及

存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如权利要求1至8中任一项所述方法的操作。