[发明专利]一种图像重点区域的分割方法、装置、设备及存储介质

说明书

本申请涉及图像分割技术领域，尤其涉及一种图像重点区域的分割方法、装置、设备及存储介质。用于解决传统图像分割方案存在着分割效果低下的问题，该方法为：基于待分割图像的边缘信息，通过对待分割图像中设置的关键区域内重点区域和非重点区域进行区域融合，分别得到各自对应的融合后边界信息；再基于各自对应的融合后边界信息，对待分割图像内除关键区域之外的候选区域进行区域融合，得到待分割图像包括的各个区域的初始边界信息；并基于边缘信息对各个初始边界信息进行修正，得到目标对象所在区域的目标边界信息；这样，在不影响图像重点区域的画质效果前提下，降低了处理待分割图像的整体计算量，提升了最终区域分类准确度，提高了分割效果。

技术领域

本申请涉及图像分割技术领域，尤其涉及一种图像重点区域的分割方法、装置、设备及存储介质。

背景技术

随着图像处理技术的快速发展，图像分割已经成为图像理解领域关注的一个热点，图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分。

传统图像分割技术下，通常是对图像进行均分分区后分区进行特征提取，然后，基于分区提取到的特征，对图像进行区域融合，从而得到图像分割结果。然而，由于传统图像分割技术往往需要连续多帧图像的图像信息或对同一图像进行多次不同处理，对比确定图像的各个区域，从而实现对图像进行的图像分割，得到对应的图像分割结果；显然，采用传统图像分割技术，存在着如下问题：对图像进行处理的耗时较长；对图像进行均分分区，分区灵活性低下、计算量大，得到的图像分割结果的准确性低下等。

有鉴于此，随着人工智能的不断发展，神经网络的出现在一定程度上优化了传统图像分割技术的分区方式，提高了图像分割结果的准确性，但采用神经网络通常需要先训练模型，然后，才可以利用该训练好的模型进行图像分割。而在训练模型之前，还需收集训练样本集，针对不同需求的模型收集不同的训练样本集，即需先对训练样本进行定向图像分割，然后，再用训练样本集对模型进行定向训练，直至得到上述实际应用中的准确性满足预设条件的模型。可见，采用神经网络也存在着耗时长、计算量大、灵活性差等问题。

发明内容

本申请实施例提供一种图像重点区域的分割方法、装置、设备及存储介质，用以在降低计算量的前提下，准确分割出图像重点区域，以便于后续具有针对性地对图像重点区域进行图像增强处理等。

本申请实施例提供的具体技术方案如下：

第一方面，本申请实施例提供一种图像重点区域的分割方法，包括：

获取待分割图像的边缘信息，其中所述待分割图像包括至少一个目标对象；

按照预设区域配置规则，在所述待分割图像中设置关键区域，其中所述关键区域包括至少一个重点区域和至少一个非重点区域，所述重点区域包括所述目标对象所在区域中的部分或全部区域；

基于所述边缘信息，对所述关键区域内的所述待分割图像进行区域融合，分别得到所述重点区域和所述非重点区域对应的融合后边界信息；

基于所述重点区域和所述非重点区域对应的融合后边界信息，对所述待分割图像内除所述关键区域之外的候选区域进行区域融合，得到所述待分割图像包括的各个区域的初始边界信息；

基于所述边缘信息，分别对所述各个区域的初始边界信息进行修正，得到所述目标对象所在区域的目标边界信息。

采用该申请提供的图像重点区域的分割方法，通过对关键区域的特征分析，而非对待分割图像的完全图像的特征分析，在不影响图像重点区域的画质效果的前提下，极大降低了计算量；在对待分割图像进行特征提取阶段，不仅提取了待分割图像的像素特征信息，还获取了待分割图像的边缘信息这一高维空间信息；同时引入待分割图像的边缘信息，引导后续对待分割图像内除关键区域之外的候选区域的特征提取、图像区域分类，以及最终区域初始边界信息的修正，提高了图像的分类准确度。进一步地，基于待分割图像的非关键区域与关键区域的相似性来进行分类，对帧与帧之间的光照变化有一定鲁棒性。