基于人工智能的图像分割方法、装置、设备及存储介质与流程

1.本技术涉及到人工智能技术领域，特别是涉及到一种基于人工智能的图像分割方法、装置、设备及存储介质。


背景技术：

2.采用深度学习方法训练的模型，在不确定性、不确定测量和存在干扰的情况下，有较高的概率是不可信的。模型预测结果的不确定性称为预测不确定性，预测不确定性的来源可以分为模型不确定性(也就是认知不确定性)和数据不确定性(也就是任意不确定性)。
3.在图像分割领域，现有的图像分割任务常用的损失函数有逐像素交叉熵(cross entropy loss)、最小化的损失函数(soft dice loss)、均方差损失函数(mse loss)等，但这些损失函数只计算了图像分割模型的预测值与真实值之间的差异，均未考虑图像分割的预测不确定性，这样训练出来的图像分割模型很可能是不稳健的，会导致模型遇到分布外图像时预测的分割结果不准确。而且目前的神经网络结构愈加往更深和更宽发展，导致用只考虑预测值与真实值之间差距的损失函数训练出的模型往往会对预测结果产生过高的置信度，不利于模型进行可靠的预测。


技术实现要素：

4.本技术的主要目的为提供一种基于人工智能的图像分割方法、装置、设备及存储介质，旨在解决目前用只考虑预测值与真实值之间差距的损失函数训练出的模型，存在模型遇到分布外图像时预测的分割结果不准确，对预测结果产生过高的置信度，不利于模型进行可靠的预测的技术问题。
5.为了实现上述发明目的，本技术提出一种基于人工智能的图像分割方法，所述方法包括：
6.获取目标图像；
7.将所述目标图像输入预设的图像分割模型进行图像分割，得到所述目标图像对应的目标图像分割结果；
8.其中，所述图像分割模型是采用基于预测不确定度加权的图像分割损失函数训练得到的模型。
9.进一步的，所述将所述目标图像输入预设的图像分割模型进行图像分割，得到所述目标图像对应的目标图像分割结果的步骤之前，还包括：
10.获取多个训练样本和初始模型，其中，每个所述训练样本包括：图像样本集和图像分割标签，所述图像样本集是基于同一张图像得到的集合；
11.采用基于预测不确定度加权的图像分割损失函数和各个所述训练样本，对所述初始模型进行训练，直至达到模型训练结束条件；
12.将达到所述模型训练结束条件的所述初始模型作为所述图像分割模型。
13.进一步的，所述获取多个训练样本和初始模型的步骤之前，包括：
14.获取待分析图像；
15.采用预设的图像变换方法组合集中的每个图像变换方法组合，对所述待分析图像进行图像变换，得到已变换图像集，其中，所述图像变换方法组合中包括至少一种图像变换方法；
16.对所述待分析图像和所述已变换图像集进行合集处理，得到所述待分析图像对应的所述训练样本的所述图像样本集；
17.获取所述待分析图像对应的图像分割标定结果，作为所述待分析图像对应的所述训练样本的所述图像分割标签。
18.进一步的，所述采用基于预测不确定度加权的图像分割损失函数和各个所述训练样本，对所述初始模型进行训练，直至达到模型训练结束条件的步骤，包括：
19.获取任一个所述训练样本作为目标样本；
20.将所述目标样本的所述图像样本集中的每个图像样本输入所述初始模型进行图像分割，得到初始图像分割结果；
21.对各个所述初始图像分割结果进行预测不确定度图生成；
22.根据所述目标样本的所述图像样本集中的图像来源为原始的所述图像样本，从各个所述初始图像分割结果中获取所述初始图像分割结果，作为原始图像分割结果；
23.根据基于预测不确定度加权的图像分割损失函数、所述预测不确定度图、所述原始图像分割结果和所述目标样本的所述图像分割标签进行目标损失值计算；
24.根据所述目标损失值更新所述初始模型的网络参数；
25.重复执行所述获取任一个所述训练样本作为目标样本的步骤，直至达到所述模型训练结束条件。
26.进一步的，所述对各个所述初始图像分割结果进行预测不确定度图生成的步骤，包括：
27.从所述目标样本的所述图像样本集中的图像来源为变换的各个所述图像样本，作为候选图像集；
28.根据预设的位置变换方法标识集中的每个位置变换方法标识，从所述候选图像集中查找所述图像样本，得到命中图像集；
29.对所述命中图像集对应的各个所述初始图像分割结果进行空间位置的逆变换处理，得到已还原分割结果集；
30.从所述目标样本的所述图像样本集中查找不存在于所述命中图像集中的所述图像样本，得到不需处理图像集；
31.将所述已还原分割结果集和所述不需处理图像集对应的各个所述初始图像分割结果进行合集处理，得到待分析分割结果集；
32.对所述待分析分割结果集生成方差图；
33.对所述方差图进行归一化处理，得到所述预测不确定度图。
34.进一步的，所述对所述命中图像集对应的各个所述初始图像分割结果进行空间位置的逆变换处理，得到已还原分割结果集的步骤，包括：
35.将所述命中图像集中的任一张所述图像样本作为待处理图像；
36.基于空间位置还原的原则，根据所述待处理图像对应的图像变换方法组合确定目
标逆变换方法；
37.采用所述目标逆变换方法，对所述待处理图像对应的所述初始图像分割结果进行空间位置的逆变换处理，得到所述待处理图像对应的已还原分割结果；
38.将各个所述已还原分割结果作为所述已还原分割结果集。
39.进一步的，所述根据基于预测不确定度加权的图像分割损失函数、所述预测不确定度图、所述原始图像分割结果和所述目标样本的所述图像分割标签进行目标损失值计算的步骤，包括：
40.所述目标损失值的计算公式lu为：
[0041][0042]
其中，m是所述目标样本的所述图像样本集中的图像来源为原始的所述图像样本的横向像素点总数，k是所述目标样本的所述图像样本集中的图像来源为原始的所述图像样本的纵向像素点总数，u
ij
是所述预测不确定度图中的第i行第j列的预测不确定度，l
ij
是根据所述原始图像分割结果和所述目标样本的所述图像分割标签计算的第i行第j列的像素点的图像分割损失值。
[0043]
本技术还提出了一种基于人工智能的图像分割装置，所述装置包括：
[0044]
数据获取模块，用于获取目标图像；
[0045]
目标图像分割结果确定模块，用于将所述目标图像输入预设的图像分割模型进行图像分割，得到所述目标图像对应的目标图像分割结果，其中，所述图像分割模型是采用基于预测不确定度加权的图像分割损失函数训练得到的模型。
[0046]
本技术还提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
[0047]
本技术还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
[0048]
本技术的基于人工智能的图像分割方法、装置、设备及存储介质，其中方法将所述目标图像输入预设的图像分割模型进行图像分割，得到所述目标图像对应的目标图像分割结果；其中，所述图像分割模型是采用基于预测不确定度加权的图像分割损失函数训练得到的模型。通过采用基于预测不确定度加权的图像分割损失函数训练得到的模型进行图像分割，实现将预测不确定度作为加权的权重，避免了用只考虑预测值与真实值之间差距的损失函数训练出的模型进行图像分割，提高了预测的分割结果的准确性，提高了模型预测的可靠性。
附图说明
[0049]
图1为本技术一实施例的基于人工智能的图像分割方法的流程示意图；
[0050]
图2为本技术一实施例的基于人工智能的图像分割装置的结构示意框图；
[0051]
图3为本技术一实施例的计算机设备的结构示意框图。
[0052]
本技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0053]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0054]
参照图1，本技术实施例中提供一种基于人工智能的图像分割方法，所述方法包括：
[0055]
s1：获取目标图像；
[0056]
s2：将所述目标图像输入预设的图像分割模型进行图像分割，得到所述目标图像对应的目标图像分割结果；
[0057]
其中，所述图像分割模型是采用基于预测不确定度加权的图像分割损失函数训练得到的模型。
[0058]
本实施例通过采用基于预测不确定度加权的图像分割损失函数训练得到的模型进行图像分割，实现将预测不确定度作为加权的权重，避免了用只考虑预测值与真实值之间差距的损失函数训练出的模型进行图像分割，提高了预测的分割结果的准确性，提高了模型预测的可靠性。
[0059]
对于s1，可以获取用户输入的目标图像，也可以从数据库中获取目标图像，还可以从第三方应用中获取目标图像。
[0060]
目标图像，是需要进行图像分割的数字图像。
[0061]
可以理解的是，图像分割可以是对每个像素点进行一个类别的预测，也可以是对每个像素点进行多个类别的预测。
[0062]
对于s2，将所述目标图像输入预设的图像分割模型进行图像分割，将图像分割得到的数据作为所述目标图像对应的目标图像分割结果。
[0063]
其中，所述图像分割模型是采用基于预测不确定度加权的图像分割损失函数训练得到的模型，也就是说，采用多个训练样本对初始模型进行每个像素点的分类预测，在每个像素点的预测值与真实值之间的差异的基础上将预测不确定度作为加权的权重，从而计算得到目标损失值，根据计算的目标损失值更新初始模型的网络参数，从而避免了用只考虑预测值与真实值之间差距的损失函数训练出的模型进行图像分割，提高了预测的分割结果的准确性，提高了模型预测的可靠性。
[0064]
初始模型，是基于神经网络得到的模型。
[0065]
预测不确定度，是对预测不确定性的度量。
[0066]
在一个实施例中，上述将所述目标图像输入预设的图像分割模型进行图像分割，得到所述目标图像对应的目标图像分割结果的步骤之前，还包括：
[0067]
s21：获取多个训练样本和初始模型，其中，每个所述训练样本包括：图像样本集和图像分割标签，所述图像样本集是基于同一张图像得到的集合；
[0068]
s22：采用基于预测不确定度加权的图像分割损失函数和各个所述训练样本，对所述初始模型进行训练，直至达到模型训练结束条件；
[0069]
s23：将达到所述模型训练结束条件的所述初始模型作为所述图像分割模型。
[0070]
本实施例基于预测不确定度加权的图像分割损失函数进行模型训练，从而实现将预测不确定度作为损失函数的权重，使模型在训练的过程中学习到跟不确定性相关的信
息，而且使模型的预测结果有更高的鲁棒性。
[0071]
对于s21，可以获取用户输入的多个训练样本和初始模型，也可以从数据库中获取多个训练样本和初始模型，还可以从第三方应用中获取多个训练样本和初始模型。
[0072]
每个所述训练样本包括：图像样本集和图像分割标签。图像样本集中包括多个图像样本，所述图像样本集中的各个图像样本是基于同一张图像得到的图像的集合。图像分割标签是图像样本集对应的原始图像的准确分类结果。
[0073]
对于s22，采用各个所述训练样本对所述初始模型进行训练，在训练的过程中采用基于预测不确定度加权的图像分割损失函数计算目标损失值，将计算的目标损失值更新所述初始模型的网络参数。
[0074]
可选的，所述模型训练结束条件，是指所述目标损失值收敛于预设数值。
[0075]
对于s23，当达到所述模型训练结束条件时，意味着所述初始模型的性能已符合预期要求，因此，直接将达到所述模型训练结束条件的所述初始模型作为所述图像分割模型。
[0076]
在一个实施例中，上述获取多个训练样本和初始模型的步骤之前，包括：
[0077]
s211：获取待分析图像；
[0078]
s212：采用预设的图像变换方法组合集中的每个图像变换方法组合，对所述待分析图像进行图像变换，得到已变换图像集，其中，所述图像变换方法组合中包括至少一种图像变换方法；
[0079]
s213：对所述待分析图像和所述已变换图像集进行合集处理，得到所述待分析图像对应的所述训练样本的所述图像样本集；
[0080]
s214：获取所述待分析图像对应的图像分割标定结果，作为所述待分析图像对应的所述训练样本的所述图像分割标签。
[0081]
本实施例通过将待分析图像和根据待分析图像进行图像变换得到的已变换图像集作为图像样本集，从而丰富了图像样本集的图像，为计算预测不确定度提供了基础；而且图像变换方法组合中包括至少一种图像变换方法，从而有利于进一步丰富图像样本集中的图像，进一步使模型的预测结果有更高的鲁棒性；为只需要通过图像分割网络的前向传播和图像变换即可计算模型的预测不确定度提供了基础，不需要增加额外的网络模块来计算不确定度，不会增加模型的参数量使模型变得庞大。
[0082]
对于s211，可以获取用户输入的待分析图像，也可以从数据库中获取待分析图像，还可以从第三方应用中获取待分析图像。
[0083]
待分析图像，是数字图像。
[0084]
对于s212，采用预设的图像变换方法组合集中的每个图像变换方法组合，对所述待分析图像进行图像变换，将变换得到的每个图像作为一个已变换图像，将各个已变换图像作为已变换图像集。可以理解的是，已变换图像与图像变换方法组合集中的图像变换方法组合一一对应。
[0085]
其中，所述图像变换方法组合中包括至少一种图像变换方法，图像变换方法的取值范围包括但不限于：镜像、直方图均衡化、高斯模糊、灰度化、色彩抖动(对图像的亮度、对比度、饱和度、色相进行随机调整)、光照变换、颜色反转、锐度调整和色调分离。
[0086]
对于s213，对所述待分析图像和所述已变换图像集进行合集处理，将合集处理得到的集合作为所述待分析图像对应的所述训练样本的所述图像样本集。
[0087]
对于s214，获取用户输入的所述待分析图像对应的图像分割标定结果，将获取的图像分割标定结果作为所述待分析图像对应的所述训练样本的所述图像分割标签。
[0088]
在一个实施例中，上述采用基于预测不确定度加权的图像分割损失函数和各个所述训练样本，对所述初始模型进行训练，直至达到模型训练结束条件的步骤，包括：
[0089]
s221：获取任一个所述训练样本作为目标样本；
[0090]
s222：将所述目标样本的所述图像样本集中的每个图像样本输入所述初始模型进行图像分割，得到初始图像分割结果；
[0091]
s223：对各个所述初始图像分割结果进行预测不确定度图生成；
[0092]
s224：根据所述目标样本的所述图像样本集中的图像来源为原始的所述图像样本，从各个所述初始图像分割结果中获取所述初始图像分割结果，作为原始图像分割结果；
[0093]
s225：根据基于预测不确定度加权的图像分割损失函数、所述预测不确定度图、所述原始图像分割结果和所述目标样本的所述图像分割标签进行目标损失值计算；
[0094]
s226：根据所述目标损失值更新所述初始模型的网络参数；
[0095]
s227：重复执行所述获取任一个所述训练样本作为目标样本的步骤，直至达到所述模型训练结束条件。
[0096]
本实施例通过对各个所述初始图像分割结果进行预测不确定度图生成，只需要通过图像分割网络的前向传播和图像变换即可计算模型的预测不确定度，不需要增加额外的网络模块来计算不确定度，不会增加模型的参数量使模型变得庞大；通过基于预测不确定度加权的图像分割损失函数计算目标损失值，从而使模型在训练的过程中学习到跟不确定性相关的信息，使模型的预测结果有更高的鲁棒性。
[0097]
对于s222，将所述目标样本的所述图像样本集中的每个图像样本输入所述初始模型进行图像分割，将针对每个图像样本分割得到的数据作为一个初始图像分割结果，也就是说，初始图像分割结果与所述目标样本的所述图像样本集中的图像样本一一对应。
[0098]
对于s223，对各个所述初始图像分割结果进行每个像素点的预测不确定度计算，根据计算得到的各个预测不确定度组合成预测不确定度图。
[0099]
也就是说，预测不确定度图中的每个像素点的值是预测不确定度。
[0100]
对于s224，根据所述目标样本的所述图像样本集中的图像来源为原始的所述图像样本，从各个所述初始图像分割结果中获取所述初始图像分割结果，将获取的所述初始图像分割结果作为原始图像分割结果。
[0101]
也就是说，原始图像分割结果是所述目标样本的所述图像样本集中的没有进行变换的图像样本对应的所述初始图像分割结果。
[0102]
对于s225，将所述预测不确定度图、所述原始图像分割结果和所述目标样本的所述图像分割标签，输入基于预测不确定度加权的图像分割损失函数进行目标损失值计算。
[0103]
对于s226，根据所述目标损失值更新所述初始模型的网络参数的步骤在此不做赘述。
[0104]
其中，更新后的所述初始模型用于下一次计算所述预测不确定度图和所述原始图像分割结果。
[0105]
对于s227，重复执行所述获取任一个所述训练样本作为目标样本的步骤，也就是重复执行步骤s221至步骤s227，直至达到所述模型训练结束条件。当达到所述模型训练结
束条件时，停止重复执行步骤s221至步骤s227，此时的所述初始模型的性能已符合预期要求。
[0106]
在一个实施例中，上述对各个所述初始图像分割结果进行预测不确定度图生成的步骤，包括：
[0107]
s2231：从所述目标样本的所述图像样本集中的图像来源为变换的各个所述图像样本，作为候选图像集；
[0108]
s2232：根据预设的位置变换方法标识集中的每个位置变换方法标识，从所述候选图像集中查找所述图像样本，得到命中图像集；
[0109]
s2233：对所述命中图像集对应的各个所述初始图像分割结果进行空间位置的逆变换处理，得到已还原分割结果集；
[0110]
s2243：从所述目标样本的所述图像样本集中查找不存在于所述命中图像集中的所述图像样本，得到不需处理图像集；
[0111]
s2235：将所述已还原分割结果集和所述不需处理图像集对应的各个所述初始图像分割结果进行合集处理，得到待分析分割结果集；
[0112]
s2236：对所述待分析分割结果集生成方差图；
[0113]
s2237：对所述方差图进行归一化处理，得到所述预测不确定度图。
[0114]
本实施例通过先对发生空间位置变换的图像样本对应的初始图像分割结果进行空间位置的逆变换处理，然后对所述已还原分割结果集和所述不需处理图像集对应的各个所述初始图像分割结果生成方差图，最后对方差图进行归一化处理得到预测不确定度图，不需要增加额外的网络模块来计算不确定度，不会增加模型的参数量使模型变得庞大；而且对不确定度的计算不经过反向传播，不会增加图像分割模型的训练时间。
[0115]
对于s2231，所述图像样本集中的每个所述图像样本携带有图像来源。图像来源的值只有一个，图像来源的取值范围包括：原始和变换。原始，是没有进行变换处理的图像。变换，是采用图像变换方法组合进行图像变换得到的图像。
[0116]
其中，从所述目标样本的所述图像样本集中的图像来源为变换的各个所述图像样本，将找出的各个所述图像样本作为候选图像集。从而查找到了所述目标样本的所述图像样本集中的所有基于图像变换得到的所述图像样本。
[0117]
对于s2232，所述图像样本集中的每个所述图像样本携带有方法标识。方法标识可以是方法名称、方法id等唯一标识一个图像变换方法组合的数据。
[0118]
其中，根据预设的位置变换方法标识集中的每个位置变换方法标识，从所述候选图像集中查找方法标识，将查找到的方法标识在所述候选图像集中对应的每个所述图像样本作为一个命中图像，将各个命中图像作为命中图像集。
[0119]
位置变换方法标识集包括一个或多个位置变换方法标识。位置变换方法标识，是空间位置发生变换的图像变换方法组合的方法标识。
[0120]
对于s2233，对所述命中图像集对应的每个所述初始图像分割结果进行空间位置的逆变换处理，得到已还原分割结果，将各个已还原分割结果作为已还原分割结果集。
[0121]
可以理解的是，已还原分割结果与所述目标样本的所述图像样本集中的图像来源为原始的所述图像样本的相同位置的数据对应同一个像素点。比如，已还原分割结果中的的第t行第p列的像素值与所述目标样本的所述图像样本集中的图像来源为原始的所述图
像样本的第t行第p列的像素值对应同一个像素点。
[0122]
对于s2243，从所述目标样本的所述图像样本集中查找不存在于所述命中图像集中的所述图像样本，得到不需处理图像集，从而找到了不需要进行空间位置的逆变换处理的各个所述图像样本。
[0123]
对于s2235，将所述已还原分割结果集和所述不需处理图像集对应的各个所述初始图像分割结果进行合集处理，将合集处理得到的集合作为待分析分割结果集。
[0124]
对于s2236，对所述待分析分割结果集进行每个像素点的方差计算，将计算得到的各个方差组合成方差图。
[0125]
可以理解的是，方差图与所述目标样本的所述图像样本集中的图像来源为原始的所述图像样本的相同位置的数据对应同一个像素点。比如，方差图中的第t行第p列的像素值与所述目标样本的所述图像样本集中的图像来源为原始的所述图像样本的第t行第p列的像素值对应同一个像素点。
[0126]
对于s2237，对所述方差图中的各个像素点的值进行归一化处理，将完成归一化处理的得到的数据作为所述预测不确定度图。
[0127]
在一个实施例中，上述对所述命中图像集对应的各个所述初始图像分割结果进行空间位置的逆变换处理，得到已还原分割结果集的步骤，包括：
[0128]
s22331：将所述命中图像集中的任一张所述图像样本作为待处理图像；
[0129]
s22332：基于空间位置还原的原则，根据所述待处理图像对应的图像变换方法组合确定目标逆变换方法；
[0130]
s22333：采用所述目标逆变换方法，对所述待处理图像对应的所述初始图像分割结果进行空间位置的逆变换处理，得到所述待处理图像对应的已还原分割结果；
[0131]
s22334：将各个所述已还原分割结果作为所述已还原分割结果集。
[0132]
本实施例采用图像变换对应的逆变换方法进行空间位置的逆变换处理，从而使已还原分割结果与所述目标样本的所述图像样本集中的图像来源为原始的所述图像样本的相同位置的像素点表述的含义相同，为后续进行预测不确定度图的生成提供了基础。
[0133]
对于s22332，空间位置还原的原则，也就是将图像变换后的图像，在空间位置上变换成图像变换前的图像。也就是说，空间位置还原的原则，使空间位置还原的图像与图像变换前的图像在相同位置对应同一个像素点。
[0134]
其中，根据所述待处理图像对应的图像变换方法组合中的各个用于空间位置变换的方法，确定逆变换方法，将确定的逆变换方法作为目标逆变换方法。也就是说，目标逆变换方法将使所述待处理图像对应的所述初始图像分割结果在空间位置上变换成图像变换前。
[0135]
对于s22333，采用所述目标逆变换方法，对所述待处理图像对应的所述初始图像分割结果进行空间位置的逆变换处理，将逆变换处理得到的数据作为所述待处理图像对应的已还原分割结果。
[0136]
可以理解的是，重复执行步骤s22331至步骤s22333，即可确定所述命中图像集中的每张所述图像样本对应的已还原分割结果。
[0137]
对于s22334，将各个所述已还原分割结果作为所述已还原分割结果集，也就是说，所述已还原分割结果集的相同位置的数据对应同一个像素点。
[0138]
在一个实施例中，上述根据基于预测不确定度加权的图像分割损失函数、所述预测不确定度图、所述原始图像分割结果和所述目标样本的所述图像分割标签进行目标损失值计算的步骤，包括：
[0139]
所述目标损失值的计算公式lu为：
[0140][0141]
其中，m是所述目标样本的所述图像样本集中的图像来源为原始的所述图像样本的横向像素点总数，k是所述目标样本的所述图像样本集中的图像来源为原始的所述图像样本的纵向像素点总数，u
ij
是所述预测不确定度图中的第i行第j列的预测不确定度，l
ij
是根据所述原始图像分割结果和所述目标样本的所述图像分割标签计算的第i行第j列的像素点的图像分割损失值。
[0142]
本实施例将所述预测不确定度图中的预测不确定度作为加权的权重，使模型在训练的过程中学习到跟不确定性相关的信息，而且使模型的预测结果有更高的鲁棒性。
[0143]
可以理解的是，所述预测不确定度图、所述原始图像分割结果和所述目标样本的所述图像分割标签的相同位置的数据对应同一个像素点。
[0144]
可选的，l
ij
是采用均方差损失函数。也就是说，y
ij
是所述原始图像分割结果中的第i行第j列的像素点的值，是所述目标样本的所述图像分割标签中的第i行第j列的像素点的值。
[0145]
可以理解的是，l
ij
还可以采用其他逐个像素计算损失值的损失函数。
[0146]
参照图2，本技术还提出了一种基于人工智能的图像分割装置，所述装置包括：
[0147]
数据获取模块100，用于获取目标图像；
[0148]
目标图像分割结果确定模块200，用于将所述目标图像输入预设的图像分割模型进行图像分割，得到所述目标图像对应的目标图像分割结果，其中，所述图像分割模型是采用基于预测不确定度加权的图像分割损失函数训练得到的模型。
[0149]
本实施例通过采用基于预测不确定度加权的图像分割损失函数训练得到的模型进行图像分割，实现将预测不确定度作为加权的权重，避免了用只考虑预测值与真实值之间差距的损失函数训练出的模型进行图像分割，提高了预测的分割结果的准确性，提高了模型预测的可靠性。
[0150]
在一个实施例中，上述装置还包括：模型训练模块；
[0151]
所述模型训练模块，用于获取多个训练样本和初始模型，其中，每个所述训练样本包括：图像样本集和图像分割标签，所述图像样本集是基于同一张图像得到的集合；采用基于预测不确定度加权的图像分割损失函数和各个所述训练样本，对所述初始模型进行训练，直至达到模型训练结束条件；将达到所述模型训练结束条件的所述初始模型作为所述图像分割模型。
[0152]
在一个实施例中，上述装置包括：训练样本生成模块；
[0153]
所述训练样本生成模块，用于获取待分析图像；采用预设的图像变换方法组合集
中的每个图像变换方法组合，对所述待分析图像进行图像变换，得到已变换图像集，其中，所述图像变换方法组合中包括至少一种图像变换方法；对所述待分析图像和所述已变换图像集进行合集处理，得到所述待分析图像对应的所述训练样本的所述图像样本集；获取所述待分析图像对应的图像分割标定结果，作为所述待分析图像对应的所述训练样本的所述图像分割标签。
[0154]
在一个实施例中，上述模型训练模块包括：训练子模块；
[0155]
所述训练子模块，用于获取任一个所述训练样本作为目标样本；将所述目标样本的所述图像样本集中的每个图像样本输入所述初始模型进行图像分割，得到初始图像分割结果；对各个所述初始图像分割结果进行预测不确定度图生成；根据所述目标样本的所述图像样本集中的图像来源为原始的所述图像样本，从各个所述初始图像分割结果中获取所述初始图像分割结果，作为原始图像分割结果；根据基于预测不确定度加权的图像分割损失函数、所述预测不确定度图、所述原始图像分割结果和所述目标样本的所述图像分割标签进行目标损失值计算；根据所述目标损失值更新所述初始模型的网络参数；重复执行所述获取任一个所述训练样本作为目标样本的步骤，直至达到所述模型训练结束条件。
[0156]
在一个实施例中，上述训练子模块包括：预测不确定度图生成单元；
[0157]
所述预测不确定度图生成单元，用于从所述目标样本的所述图像样本集中的图像来源为变换的各个所述图像样本，作为候选图像集；根据预设的位置变换方法标识集中的每个位置变换方法标识，从所述候选图像集中查找所述图像样本，得到命中图像集；对所述命中图像集对应的各个所述初始图像分割结果进行空间位置的逆变换处理，得到已还原分割结果集；从所述目标样本的所述图像样本集中查找不存在于所述命中图像集中的所述图像样本，得到不需处理图像集；将所述已还原分割结果集和所述不需处理图像集对应的各个所述初始图像分割结果进行合集处理，得到待分析分割结果集；对所述待分析分割结果集生成方差图；对所述方差图进行归一化处理，得到所述预测不确定度图。
[0158]
在一个实施例中，上述预测不确定度图生成单元包括：已还原分割结果集确定子单元；
[0159]
所述已还原分割结果集确定子单元，用将所述命中图像集中的任一张所述图像样本作为待处理图像；基于空间位置还原的原则，根据所述待处理图像对应的图像变换方法组合确定目标逆变换方法；采用所述目标逆变换方法，对所述待处理图像对应的所述初始图像分割结果进行空间位置的逆变换处理，得到所述待处理图像对应的已还原分割结果；将各个所述已还原分割结果作为所述已还原分割结果集。
[0160]
在一个实施例中，上述根据基于预测不确定度加权的图像分割损失函数、所述预测不确定度图、所述原始图像分割结果和所述目标样本的所述图像分割标签进行目标损失值计算的步骤，包括：
[0161]
所述目标损失值的计算公式lu为：
[0162][0163]
其中，m是所述目标样本的所述图像样本集中的图像来源为原始的所述图像样本的横向像素点总数，k是所述目标样本的所述图像样本集中的图像来源为原始的所述图像
样本的纵向像素点总数，u
ij
是所述预测不确定度图中的第i行第j列的预测不确定度，l
ij
是根据所述原始图像分割结果和所述目标样本的所述图像分割标签计算的第i行第j列的像素点的图像分割损失值。
[0164]
参照图3，本技术实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存基于人工智能的图像分割方法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的图像分割方法。所述基于人工智能的图像分割方法，包括：获取目标图像；将所述目标图像输入预设的图像分割模型进行图像分割，得到所述目标图像对应的目标图像分割结果；其中，所述图像分割模型是采用基于预测不确定度加权的图像分割损失函数训练得到的模型。
[0165]
本实施例通过采用基于预测不确定度加权的图像分割损失函数训练得到的模型进行图像分割，实现将预测不确定度作为加权的权重，避免了用只考虑预测值与真实值之间差距的损失函数训练出的模型进行图像分割，提高了预测的分割结果的准确性，提高了模型预测的可靠性。
[0166]
本技术一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于人工智能的图像分割方法，包括步骤：获取目标图像；将所述目标图像输入预设的图像分割模型进行图像分割，得到所述目标图像对应的目标图像分割结果；其中，所述图像分割模型是采用基于预测不确定度加权的图像分割损失函数训练得到的模型。
[0167]
上述执行的基于人工智能的图像分割方法，通过采用基于预测不确定度加权的图像分割损失函数训练得到的模型进行图像分割，实现将预测不确定度作为加权的权重，避免了用只考虑预测值与真实值之间差距的损失函数训练出的模型进行图像分割，提高了预测的分割结果的准确性，提高了模型预测的可靠性。
[0168]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0169]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而
且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
[0170]
以上所述仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。