一种图像分割模型的超参数获取方法及装置

1.本发明涉及图像处理技术领域，尤其涉及一种图像分割模型的超参数获取方法及装置。


背景技术：

2.随着近几年来深度学习在机器视觉技术中的快速发展，将深度学习与现有的数字图像处理技术结合，以应用于各行各业中来进一步提升模型性能已是一大趋势所在。
3.以脐橙表面瑕疵分割为例，通常需要根据脐橙表面分割出的瑕疵类别和占比并排除脐橙表面上存在的果蒂和脐部等干扰，以此作为脐橙等级分类的依据。而目前实现这一过程的图像分割模型在能对脐橙图像进行瑕疵分割前需要人工调试上百个参数。对于没有经验的人员来说调试过程需要花费大量的时间和精力，这大大阻碍了模型的快速推广和应用门槛；并且，对于普通用户而言很不友好，需要专业人员上门对模型的参数进行调试。
4.由此可见，现有技术存在着图像分割模型的参数调试过于复杂，人工成本高，且调试后的模型可靠性低的问题。


技术实现要素：

5.鉴于上述问题，本发明提出了一种图像分割模型的超参数获取方法及装置，可实现快速、准确的确定图像分割模型的超参数数值，并且确定过程通过模型训练完成无需人工参与，提高了图像分割模型的可靠性。
6.第一方面，本技术通过一实施例提供如下技术方案：
7.一种图像分割模型的超参数获取方法，包括：
8.获取具有目标标识的样本图像；将所述样本图像输入到预设的卷积神经网络模型，获得第一特征结果；将所述样本图像进行灰度共生矩阵的处理，获得第二特征结果；其中，所述卷积神经网络模型对应所述第一特征结果，所述灰度共生矩阵模型对应所述第二特征结果；根据所述第一特征结果、所述第二特征结果和预设的全连接神经网络模型，获得融合特征结果；将所述融合特征结果和所述样本图像输入所述图像分割模型，获得第一分割图像；其中，所述融合特征结果中包含的特征值作为所述图像分割模型的超参数；根据所述第一分割图像和所述目标标识，获得目标超参数。
9.可选的，所述将所述样本图像进行灰度共生矩阵的处理，获得第二特征结果，包括：
10.对所述样本图像进行灰度化处理和高斯模糊滤波处理，获得灰度图和滤波图；根据所述滤波图和所述灰度图，获得蒙版图；根据所述蒙版图和所述样本图像，获得区别特征图；根据所述区别特征图中的非零像素点，获得灰度共生矩阵；根据所述灰度共生矩阵的统计量，获得第二特征结果；其中，所述第二特征结果中的一元素对应一统计量。
11.可选的，所述统计量包括以下任一种或多种：
12.角二阶矩能量、熵、对比度、同质性、反差分矩阵、均值、方差、标准差、非相似性以
及相关性。
13.可选的，所述根据所述第一特征结果、所述第二特征结果和预设的全连接神经网络模型，获得融合特征结果，包括：
14.将所述第一特征结果和所述第二特征结果进行拼接，获得第三特征结果；将所述第三特征结果输入到所述全连接神经网络模型，获得所述融合特征结果。
15.可选的，所述根据所述第一分割图像和所述目标标识，获得目标超参数，包括：
16.根据所述第一分割图像和所述目标标识，判断预设的损失函数是否满足损失阈值；若是，则获得目标超参数；若否，则反馈调节所述卷积神经网络模型的参数和所述全连接神经网络模型的参数；根据所述样本图像、调节后的卷积神经网络模型以及调节后的全连接神经网络模型获取第二分割图像，直至所述损失函数满足所述损失阈值或达到预设的反馈调节次数，获得所述目标超参数。
17.可选的，所述卷积神经网络模型为densenet网络模型。
18.第二方面，基于同一发明构思，本技术通过一实施例提供如下技术方案：
19.一种图像分割模型的超参数获取装置，包括：
20.获取模块，用于获取具有目标标识的样本图像；特征提取模块，用于将所述样本图像输入到预设的卷积神经网络模型，获得第一特征结果；将所述样本图像进行灰度共生矩阵的处理，获得第二特征结果；其中，所述卷积神经网络模型对应所述第一特征结果，所述灰度共生矩阵模型对应所述第二特征结果；特征融合模块，用于根据所述第一特征结果、所述第二特征结果和预设的全连接神经网络模型，获得融合特征结果；图像分割模块，用于将所述融合特征结果和所述样本图像输入所述图像分割模型，获得第一分割图像；其中，所述融合特征结果中包含的特征值作为所述图像分割模型的超参数；超参数获取模块，根据所述第一分割图像和所述目标标识，获得目标超参数。
21.可选的，所述特征提取模块，具体用于：
22.对所述样本图像进行灰度化处理和高斯模糊滤波处理，获得灰度图和滤波图；根据所述滤波图和所述灰度图，获得蒙版图；根据所述蒙版图和所述样本图像，获得区别特征图；根据所述区别特征图中的非零像素点，获得灰度共生矩阵；根据所述灰度共生矩阵的统计量，获得第二特征结果；其中，所述第二特征结果中的一元素对应一统计量。
23.可选的，所述特征融合模块，具体用于：
24.将所述第一特征结果和所述第二特征结果进行拼接，获得第三特征结果；将所述第三特征结果输入到所述全连接神经网络模型，获得所述融合特征结果。
25.第三方面，基于同一发明构思，本技术通过一实施例提供如下技术方案：
26.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面中任一项所述方法的步骤。
27.本发明实施例中提供的一种图像分割模型的超参数获取方法及装置，通过获取具有目标标识的样本图像；并将样本图像输入到预设的卷积神经网络模型，获得第一特征结果，卷积神经网络模型具有很强的特征提取能力和数据拟合能力。将样本图像进行灰度共生矩阵的处理，获得第二特征结果，灰度共生矩阵可以有效提取数字图像中的纹理统计特征。然后，根据第一特征结果、第二特征结果和预设的全连接神经网络模型，获得融合特征结果；并且融合特征结果是由第一特征结果和第二特征结果确定的，综合了卷积神经网络
和灰度共生矩阵各自进行提取的特征的优点，保证了特征的丰富性以及特征显著性，提高了图像分割模型的超参数获取的速度和精度。最后将融合特征结果和样本图像输入图像分割模型，获得第一分割图像；根据第一分割图像和目标标识，获得目标超参数，实现对融合特征结果的精度验证，以确定最终输出的融合特征结果是否可作为图像分割模型的超参数。因此，本发明实施例方法或装置可实现快速、准确的确定图像分割模型的超参数数值，并且确定过程通过模型训练完成无需人工参与，能够有效的运用于大量的模型参数调节，提高了图像分割模型的可靠性和使用效率。
28.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
29.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
30.图1示出了本发明第一实施例提供的一种图像分割模型的超参数获取方法的流程图；
31.图2示出了本发明第二实施例提供的一种图像分割模型的超参数获取装置的结构示意图。
具体实施方式
32.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
33.第一实施例
34.请参见图1，图1示出了本发明第一实施例提供的一种图像分割模型的超参数获取方法的流程图，所述方法包括：
35.步骤s10：获取具有目标标识的样本图像。
36.在步骤s10中，样本图像为需要进行图像分割/识别的对象对应的图像。目标标识为用于区分样本图像中需要识别和分割的部分，可将样本图像中具目标标识的部分作为单独的图像，以便后续进行验证使用；目标标识可通过人工标注。例如，目标标识标示出了样本图像中的瑕疵，目标标识标示出了样本图像中的需要分割出的目标对象。
37.例如，对象为脐橙时，样本图像对应为脐橙的图像，目标标识标记出了脐橙的外表瑕疵；对象为苹果时，样本图像为苹果的图像，目标标识标记出了苹果的外表瑕疵；还可以是其他各类物品的表面感官图像。
38.步骤s20：将所述样本图像输入到预设的卷积神经网络模型，获得第一特征结果；将所述样本图像进行灰度共生矩阵的处理，获得第二特征结果；其中，所述卷积神经网络模
型对应所述第一特征结果，所述灰度共生矩阵模型对应所述第二特征结果。
39.在步骤s20中，卷积神经网络模型中的各个参数设置可参照现有技术中的方案进行适应性设置。具体的，本实施中的卷积神经网络模型优选为densenet(dense convolutional network，密集卷积神经网络)网络模型；该densenet网络模型可节省参数，节省计算，抗过拟合，以及具有更好的泛化性能。第一特征结果和第二特征结果均可表示为特征向量的形式。另外，在样本图像分别输入到卷积神经网络模型和进行灰度共生矩阵处理时，均为尺寸统一对的样本图像。
40.将样本图像进行灰度共生矩阵的处理，获得第二特征结果，具体包括如下过程：
41.步骤s21：对所述样本图像进行灰度化处理和高斯模糊滤波处理，获得灰度图和滤波图。
42.在步骤s21中，在接收样本图像后进行灰度化处理，获得灰度图。具体的，灰度图为所接收rgb的样本图像，并进行灰度化后的单通道图像。然后，将灰度图进行高斯模糊滤波处理，即可获得滤波图。
43.步骤s22：根据所述滤波图和所述灰度图，获得蒙版图:。
44.在步骤s22中，可将滤波图除以灰度图获得盖印图。具体的，如果灰度图中遇到灰度值为零的灰度，则在进行除法运算过程中该点的灰度值保持为零。另外，当灰度值超过255之后的灰度值统一设定为255进行截断处理。
45.然后，将盖印图进行二值化处理获得蒙版图。具体的，二值化处理后的蒙版图中，灰度值为0的黑色为遮盖，而灰度值为1的白色部分为露出。
46.步骤s23：根据所述蒙版图和所述样本图像，获得区别特征图。
47.在步骤s23中，单通道的蒙版图进行通道扩展为三通道，将通道扩展后的蒙版与样本进行相乘运算。蒙版图中灰度值为0的部分就会将样本图中相应的像素覆盖，而蒙版图中灰度值为1的部分会将样本图中的相应像素灰度值保留，从而获得区别特征图。本实施例中的区别特征图即为需要进行分割的图像，例如在水果的表面识别中，需要进行分割识别的瑕疵部分。
48.步骤s24：根据所述区别特征图中的非零像素点，获得灰度共生矩阵。
49.步骤s25：根据所述灰度共生矩阵的统计量，获得第二特征结果；其中，所述第二特征结果中的一元素对应一统计量。
50.具体的，灰度共生矩阵的统计量可具有多种，本实施例中获取统计量的方式可如下：
51.约定，灰度共生矩阵(gray-level co-occurrence matrix，glcm)：p
ij
；归一化的灰度共生矩阵(normalized glcm)：灰度数(the number of gray levels)：ng。
52.因此，统计量可包括以下任一种或多种：角二阶矩能量、熵、对比度、同质性、反差分矩阵、均值、方差、标准差、非相似性以及相关性。具体的：
53.角二阶矩，能量(angular second moment，asm；energy)：
54.熵(entropy，ent)：
55.对比度(contrast)：
56.同质性(homogeneity)：
57.反差分矩阵(inverse differential moment，idm)：
58.均值(mean)：
59.方差(variance)：方差(variance)：
60.标准差(std)：
61.非相似性(dissmilarity)：
62.相关性(correlation)：
63.优选地，通过使用上述的所有统计量，可更加准确有效的应用在物品的表面感官图像识别和特征提取中。
64.步骤s30：根据所述第一特征结果、所述第二特征结果和预设的全连接神经网络模型，获得融合特征结果。
65.在步骤s30中，融合特征结果含有n个特征，n为大于1的整数；通过融合第一特征结果和第二特征结果后可有效的综合使用卷积神经网络和灰度共生矩阵各自进行提取的特征的优点；保证了特征的丰富性以及特征显著性，提高了对图像分割模型的超参数准确度。
66.具体的，特征融合可为：
67.将第一特征结果和第二特征结果进行拼接，获得第三特征结果；拼接的具体方式可为第一特征结果和第二特征结果进行首尾拼接。需要说明书的是，第一特征结果和第二特征结果的维度是一致的，均为二维，包含批次维度和特征个数维度，其中特征个数可不相同。
68.将第三特征结果输入到全连接神经网络模型，获得融合特征结果。从全连接神经网络中获得的融合特征结果的个数等于输入到图像分割模型的超参数的个数，即n个。本实
施例中，全连接神经网络模型的类型不作限制，全连接神经网络模型为公开的常用技术，相关技术人员实施不具备技术难度，本实施例中不再赘述。
69.步骤s40：将所述融合特征结果和所述样本图像输入所述图像分割模型，获得第一分割图像；其中，所述融合特征结果中包含的特征值作为所述图像分割模型的超参数。
70.在步骤s40中，图像分割模型可以是任意模型，例如，图像分割模型所使用的算法可为多阈值分割法、区域生长法、边缘分割、分水岭算法、等等；上述的图像分割模型为现有的技术，本领域技术人员可没有难度的理解和使用。若以多阈值分割算法所对应的图像分割模型为例，涉及的需要训练的超参数如下：阈值的设置为一批参数，多阈值分割前的光线矫正以及图像校正为一批参数；此外，当涉及到分割出的图像间需要进一步计算时，还会增加一批权重参数。对于图像分割模型的输入即为待分割的样本图像以及为该模型的超参数设置。然后，该图像分割模型的输出结果应当是和样本图像大小一致的，在第一分割图中标注有被分割的部分图像。
71.步骤s50：根据所述第一分割图像和所述目标标识，获得目标超参数。
72.在步骤s50中，可通过损失函数衡量第一分割图像与标注有目标标识的样本图像之间差距。以确定本次训练过程是否满足所要达到的要求，若满足要求则输出目标超参数，若未满足要求则更新卷积神经网络模型与全连接神经网络模型的参数，直至满足为止。参数更新的方式可通过反向传播算法进行更新。步骤s50的具体实施步骤如下：
73.步骤s51：根据所述第一分割图像和所述目标标识，判断预设的损失函数是否满足损失阈值。
74.步骤s52：若是，则获得目标超参数。
75.步骤s53：若否，则反馈调节所述卷积神经网络模型的参数和所述全连接神经网络模型的参数。
76.步骤s54：根据所述样本图像、调节后的卷积神经网络模型以及调节后的全连接神经网络模型获取第二分割图像，直至所述损失函数满足所述损失阈值或达到预设的反馈调节次数，获得所述目标超参数。
77.在步骤s54中，可以理解的是在对卷积神经网络模型和全连接神经网络模型训练的过程中，会循环迭代的执行步骤s10-s50，不断的对全连接神经网络模型输出的融合特征结果进行更新，直至图像分割模型对应的损失函数满足预设的损失阈值或达到预设的反馈调节次数后，完成目标超参数的获取。损失阈值和反馈调节次数的大小可根据训练精度和样本图像的类型进行确定。目标超参数即为最后一次训练得到的融合特征结果，也即在使用图像分割模型时所需要设置的模型参数值。
78.综上所述，本实施例中提供的一种图像分割模型的超参数获取方法，通过获取具有目标标识的样本图像；并将样本图像输入到预设的卷积神经网络模型，获得第一特征结果，卷积神经网络模型具有很强的特征提取能力和数据拟合能力。将样本图像进行灰度共生矩阵的处理，获得第二特征结果，灰度共生矩阵可以有效提取数字图像中的纹理统计特征。然后，根据第一特征结果、第二特征结果和预设的全连接神经网络模型，获得融合特征结果，融合特征结果含有n个特征；并且融合特征结果是由第一特征结果和第二特征结果确定的，综合了卷积神经网络和灰度共生矩阵各自进行提取的特征的优点，保证了特征的丰富性以及特征显著性，提高了图像分割模型的超参数获取的速度和精度。最后将融合特征
结果和样本图像输入图像分割模型，获得第一分割图像；根据第一分割图像和目标标识，获得目标超参数，实现对融合特征结果的精度验证，以确定最终输出的融合特征结果是否可作为图像分割模型的超参数。因此，本实施例方法可快速、准确的确定图像分割模型的超参数数值，并且确定过程通过模型训练完成无需人工参与，能够有效的运用于大量的模型参数调节，提高了图像分割模型的可靠性和使用效率。
79.第二实施例
80.请参阅图2，基于同一发明构思，本发明第二实施例提供了一种图像分割模型的超参数获取装置300。图2示出了本发明第二实施例提供的一种图像分割模型的超参数获取装置300的结构示意图。
81.所述图像分割模型的超参数获取装置300，包括：
82.获取模块301，用于获取具有目标标识的样本图像；
83.特征提取模块302，用于将所述样本图像输入到预设的卷积神经网络模型，获得第一特征结果；将所述样本图像进行灰度共生矩阵的处理，获得第二特征结果；其中，所述卷积神经网络模型对应所述第一特征结果，所述灰度共生矩阵模型对应所述第二特征结果；
84.特征融合模块303，用于根据所述第一特征结果、所述第二特征结果和预设的全连接神经网络模型，获得融合特征结果；
85.图像分割模块304，用于将所述融合特征结果和所述样本图像输入所述图像分割模型，获得第一分割图像；其中，所述融合特征结果中包含的特征值作为所述图像分割模型的超参数；
86.超参数获取模块305，根据所述第一分割图像和所述目标标识，获得目标超参数。
87.作为一种可选的实施方式，所述特征提取模块302，具体用于：
88.对所述样本图像进行灰度化处理和高斯模糊滤波处理，获得灰度图和滤波图；根据所述滤波图和所述灰度图，获得蒙版图；根据所述蒙版图和所述样本图像，获得区别特征图；根据所述区别特征图中的非零像素点，获得灰度共生矩阵；根据所述灰度共生矩阵的统计量，获得第二特征结果；其中，所述第二特征结果中的一元素对应一统计量。
89.作为一种可选的实施方式，所述特征融合模块303，具体用于：
90.将所述第一特征结果和所述第二特征结果进行拼接，获得第三特征结果；将所述第三特征结果输入到所述全连接神经网络模型，获得所述融合特征结果。
91.需要说明的是，本发明实施例所提供的图像分割模型的超参数获取装置300，其具体实现及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
92.第三实施例
93.基于同一发明构思，本发明第三实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一实施例中任一项所述方法的步骤。
94.需要说明的是，本发明实施例所提供的计算机可读存储介质中，程序被处理器执行时所执行的步骤的具体实现及产生的技术效果和前述方法实施例相同，为简要描述，本实施例未提及之处可参考前述方法实施例中相应内容。
95.本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来
实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
96.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
97.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
98.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
99.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
100.尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
101.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。