本公开涉及人工智能,具体为深度学习、图像处理、计算机视觉,可应用于ocr文字识别场景,特别涉及一种图像分割模型的训练及图像分割方法、装置、设备和介质。
背景技术:
1、图像分割是图像处理与计算机视觉中极为重要的一种分析图像的方法,它的目的是找到图像中所需目标物体(前景)的具体位置,从而可以对目标物体的属性进行测量,例如面积、直径或形状等属性。
技术实现思路
1、本公开提供了一种用于提高图像分割精准度的图像分割模型的训练及图像分割方法、装置、设备和介质。
2、根据本公开的一方面,提供了一种图像分割模型的训练方法,包括:
3、对样本图像进行前景轮廓检测,并根据检测结果确定所述样本图像中的背景区域、前景区域以及所述前景区域的轮廓区域;
4、获取分别对所述背景区域、所述前景区域以及所述轮廓区域中像素点进行标注的标准像素类型,并根据所述样本图像以及所述标准像素类型,对待训练模型进行训练生成图像分割模型。
5、根据本公开的另一方面,提供了一种图像分割方法,包括:
6、获取待分割图像;
7、将所述待分割图像输入至图像分割模型中,并根据所述图像分割模型的输出结果,确定所述待分割图像中的背景区域、前景区域以及所述前景区域的轮廓区域;
8、其中,所述图像分割模型采用如本公开所提供的图像分割模型的训练方法训练得到。
9、根据本公开的另一方面,提供了一种图像分割模型的训练装置,包括:
10、图像区域确定模块,用于对样本图像进行前景轮廓检测,并根据检测结果确定所述样本图像中的背景区域、前景区域以及所述前景区域的轮廓区域;
11、模型训练模块,用于获取分别对所述背景区域、所述前景区域以及所述轮廓区域中像素点进行标注的标准像素类型,并根据所述样本图像以及所述标准像素类型,对待训练模型进行训练生成图像分割模型。
12、根据本公开的另一方面,提供了一种图像分割装置,包括:
13、图像获取模块,用于获取待分割图像;
14、图像分割模块,用于将所述待分割图像输入至图像分割模型中,并根据所述图像分割模型的输出结果,确定所述待分割图像中的背景区域、前景区域以及所述前景区域的轮廓区域;
15、其中,所述图像分割模型采用如本公开所提供的图像分割模型的训练方法训练得到。
16、根据本公开的另一方面,提供了一种电子设备,包括:
17、至少一个处理器;以及
18、与至少一个处理器通信连接的存储器;其中,
19、存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开中任一项的方法。
20、根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行本公开中任一项的方法。
21、根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行本公开中任一项的方法。
22、应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
1.一种图像分割模型的训练方法,包括:
2.根据权利要求1所述的方法,其中,所述根据检测结果确定所述样本图像中的背景区域、前景区域以及所述前景区域的轮廓区域,包括:
3.根据权利要求2所述的方法,其中,所述根据所述前景轮廓线确定所述轮廓区域,包括:
4.根据权利要求1所述的方法,其中,所述根据所述样本图像以及所述标准像素类型,对待训练模型进行训练生成图像分割模型,包括:
5.根据权利要求4所述的方法,其中,所述根据所述预测像素类型以及所述标准像素类型确定损失总值,包括:
6.根据权利要求5所述的方法,其中,所述根据所述第一损失值、所述第二损失值和所述第三损失值确定所述损失总值,包括:
7.一种图像分割方法,包括:
8.一种图像分割模型的训练装置,包括:
9.根据权利要求8所述的装置,其中,所述图像区域确定模块,具体用于:
10.根据权利要求9所述的装置,其中,所述图像区域确定模块,具体还用于:
11.根据权利要求8所述的装置,其中,所述模型训练模块,具体用于:
12.根据权利要求11所述的装置,其中,所述模型训练模块,具体还用于:
13.根据权利要求12所述的装置,其中,所述模型训练模块,具体还用于:
14.一种图像分割装置,包括:
15.一种电子设备,包括:
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。