本發(fā)明涉及圖像處理，尤其涉及一種圖像處理方法、裝置、設備及介質。

背景技術：

1、對圖像的處理，主要在于對圖像中的對象分割出來并進行標注。對對象的分割及標注，根據用戶的需求而適應的使用場景不同。例如對道路圖像上的障礙物（人或物等）進行分割及標注，有利于智能車輛的自動駕駛的發(fā)展。例如對產品圖像上的問題點（如裂縫、污點等）進行分割及標注，有利于智能設備的自動檢測的發(fā)展。

2、對整個圖像的語義特征的分析，會導致分析量較大，降低了對圖像上對象分割效率及標注效率。

技術實現思路

1、針對現有技術存在的問題，本發(fā)明提供一種圖像處理方法、裝置、設備及介質。

2、本發(fā)明提供一種圖像處理方法，包括：

3、獲取目標圖像；

4、將所述目標圖像輸入到圖像分割模型中，得到由所述圖像分割模型輸出的對象分割結果，所述對象分割結果用于表征所述目標圖像中對象的輪廓信息；

5、其中，所述圖像分割模型為將根據樣本圖像確定的特征圖和所述樣本圖像中的對象輪廓作為輸入，通過機器學習訓練得到，并用于在圖像中分割對象輪廓的模型；

6、所述圖像分割模型包括圖像特征解析層，所述圖像特征解析層用于基于預設的多種特征提取需求類型，對目標圖像進行特征提取，并根據提取的特征得到對應于所述特征提取需求類型的對象的輪廓信息。

7、根據本發(fā)明提供的一種圖像處理方法，所述特征提取需求類型包括全局類型、局部類型和區(qū)域類型，所述圖像特征解析層包括全局解析層、局部解析層和區(qū)域解析層，相應地，將所述目標圖像輸入到圖像分割模型中，得到由所述圖像分割模型輸出的對象分割結果，包括：

8、獲取目標圖像的語義特征，將目標圖像的語義特征輸入到全局解析層、局部解析層和區(qū)域解析層中；

9、由所述全局解析層對語義特征進行特征提取，得到全局特征信息，并根據所述全局特征信息，得到目標圖像上全局類對象的輪廓信息；

10、由所述局部解析層對語義特征進行特征提取，得到局部特征信息，并根據所述局部特征信息，得到目標圖像上局部類對象的輪廓信息；

11、由所述區(qū)域解析層對語義特征進行特征提取，得到區(qū)域特征信息，并根據所述區(qū)域特征信息，得到目標圖像上區(qū)域類對象的輪廓信息；

12、將全局類對象的輪廓信息、局部類對象的輪廓信息和區(qū)域類對象的輪廓信息，融合在所述目標圖像上。

13、根據本發(fā)明提供的一種圖像處理方法，所述圖像分割模型還包括圖像特征對齊層，所述圖像特征對齊層用于將對應于所述特征提取需求類型的對象的輪廓信息，融合在所述目標圖像上。

14、根據本發(fā)明提供的一種圖像處理方法，所述圖像特征對齊層包括第一對齊層、第二對齊層和第三對齊層，相應地，將全局類對象的輪廓信息、局部類對象的輪廓信息和區(qū)域類對象的輪廓信息，融合在所述目標圖像上，包括：

15、由第一對齊層將全局類對象的輪廓信息對齊在所述目標圖像的初始位置上；

16、由第二對齊層將局部類對象的輪廓信息對齊在所述目標圖像的初始位置上；

17、由第三對齊層將區(qū)域類對象的輪廓信息對齊在所述目標圖像的初始位置上；

18、其中，第一對齊層、第二對齊層和第三對齊層分別采用不同膨脹率的空洞卷積層。

19、根據本發(fā)明提供的一種圖像處理方法，所述圖像分割模型還包括下采樣層，所述下采樣層用于對目標圖像進行特征提取，得到語義特征。

20、根據本發(fā)明提供的一種圖像處理方法，將所述語義特征輸入到第一對齊層、第二對齊層和第三對齊層中，相應地，由第一對齊層基于語義特征，將全局類對象的輪廓信息對齊在所述目標圖像的初始位置上；

21、由第二對齊層基于語義特征，將局部類對象的輪廓信息對齊在所述目標圖像的初始位置上；

22、由第三對齊層基于語義特征，將區(qū)域類型對象的輪廓信息對齊在所述目標圖像的初始位置上。

23、根據本發(fā)明提供的一種圖像處理方法，所述圖像分割模型還包括上采樣層，所述上采樣層，用于將融合有全局類對象的輪廓信息、局部類對象的輪廓信息和區(qū)域類對象的輪廓信息的圖像恢復到所述目標圖像的分辨率上。

24、本發(fā)明還提供一種圖像處理算裝置，包括：

25、獲取模塊，用于獲取目標圖像；

26、處理模塊，用于將所述目標圖像輸入到圖像分割模型中，得到由所述圖像分割模型輸出的對象分割結果，所述對象分割結果用于表征所述目標圖像中對象的輪廓信息；

27、其中，所述圖像分割模型為將根據樣本圖像確定的特征圖和所述樣本圖像中的對象輪廓作為輸入，通過機器學習訓練得到，并用于在圖像中分割對象輪廓的模型；

28、所述圖像分割模型包括圖像特征解析層，所述圖像特征解析層用于基于預設的多種特征提取需求類型，對目標圖像進行特征提取，并根據提取的特征得到對應于所述特征提取需求類型的對象的輪廓信息。

29、本發(fā)明還提供一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現如上述任一種圖像處理方法。

30、本發(fā)明還提供一種非暫態(tài)計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現如上述任一種圖像處理方法。

31、本發(fā)明還提供一種計算機程序產品，包括計算機程序，所述計算機程序被處理器執(zhí)行時實現如上述任一種圖像處理算方法。

32、本發(fā)明提供的一種圖像處理方法、裝置、設備及介質，通過將目標圖像輸入到圖像分割模型中，由圖像分割模型基于預設的多種特征提取需求類型，對目標圖像進行特征提取，并根據提取的特征得到對應于特征提取需求類型的對象的輪廓信息，能夠減小對圖像分析的數據量，加快對圖像上對象的分割效率效率。

技術特征：

1.一種圖像處理方法，其特征在于，包括：

2.根據權利要求1所述的圖像處理方法，其特征在于，所述特征提取需求類型包括全局類型、局部類型和區(qū)域類型，所述圖像特征解析層包括全局解析層、局部解析層和區(qū)域解析層，相應地，將所述目標圖像輸入到圖像分割模型中，得到由所述圖像分割模型輸出的對象分割結果，包括：

3.根據權利要求2所述的圖像處理方法，其特征在于，所述圖像分割模型還包括圖像特征對齊層，所述圖像特征對齊層用于將對應于所述特征提取需求類型的對象的輪廓信息，融合在所述目標圖像上。

4.根據權利要求3所述的圖像處理方法，其特征在于，所述圖像特征對齊層包括第一對齊層、第二對齊層和第三對齊層，相應地，將全局類對象的輪廓信息、局部類對象的輪廓信息和區(qū)域類對象的輪廓信息，融合在所述目標圖像上，包括：

5.根據權利要求4所述的圖像處理方法，其特征在于，所述圖像分割模型還包括下采樣層，所述下采樣層用于對目標圖像進行特征提取，得到語義特征。

6.根據權利要求5所述的圖像處理方法，其特征在于，將所述語義特征輸入到第一對齊層、第二對齊層和第三對齊層中，相應地，由第一對齊層基于語義特征，將全局類對象的輪廓信息對齊在所述目標圖像的初始位置上；

7.根據權利要求6所述的圖像處理方法，其特征在于，所述圖像分割模型還包括上采樣層，所述上采樣層，用于將融合有全局類對象的輪廓信息、局部類對象的輪廓信息和區(qū)域類對象的輪廓信息的圖像恢復到所述目標圖像的分辨率上。

8.一種圖像處理裝置，其特征在于，包括：

9.一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述程序時實現如權利要求1-7中任一權要所述圖像處理方法。

10.一種非暫態(tài)計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現如權利要求1-7中任一權要所述圖像處理方法。

技術總結
本發(fā)明提供一種圖像處理方法、裝置、設備及介質，該方法包括：獲取目標圖像；將目標圖像輸入到圖像分割模型中，得到由圖像分割模型輸出的對象分割結果，對象分割結果用于表征目標圖像中對象的輪廓信息；圖像分割模型為將根據樣本圖像確定的特征圖和樣本圖像中的對象輪廓作為輸入，通過機器學習訓練得到，并用于在圖像中分割對象輪廓的模型；圖像分割模型包括圖像特征解析層，圖像特征解析層用于基于預設的多種特征提取需求類型，對目標圖像進行特征提取，并根據提取的特征得到對應于特征提取需求類型的對象的輪廓信息。本發(fā)明能夠減小對圖像分析的數據量，加快對圖像上對象的分割效率效率。

技術研發(fā)人員：孫椰望,葉宗諭,李偉釗,王冠斌,楊魯偉
受保護的技術使用者：中國科學院理化技術研究所
技術研發(fā)日：
技術公布日：2025/1/6