图像分割方法、终端设备及计算机可读存储介质与流程

本技术属于图像分割，尤其涉及一种图像分割方法、终端设备及计算机可读存储介质。

背景技术：

1、随着深度学习技术的迅猛发展和航拍影像数据的广泛应用，基于深度学习与航拍影像数据的耕地地块提取技术在农业领域引起了广泛关注。

2、一些相关技术中如利用基于卷积神经网络(convolutional neural network，u-net)的图像分割算法u-net模型在对航拍影响数据进行分割过程中，对于具有复杂场景或边界模糊的图像，可能无法准确地分割出目标区域，导致对耕地地块图像的分割精度较低，分割结果不理想。

技术实现思路

1、本技术实施例提供了图像分割方法、终端设备及计算机可读存储介质，可以提高对耕地地块图像的分割精度。

2、第一方面，本技术实施例提供了一种图像分割方法，包括：

3、获取多个第一图像，所述第一图像为将目标图像进行切片处理得到的图像；

4、对每个所述第一图像进行特征提取，获得每个所述第一图像的多个第一特征；

5、将每个所述第一图像的多个第一特征进行特征融合，获得每个所述第一图像对应的第二特征；

6、根据多个所述第一图像各自对应的第二特征对所述目标图像进行图像分割，获得图像分割结果。

7、在本技术实施例中，通过对目标图像进行预处理将其切分为多个第一图像，分别对第一图像进行多尺度变换生成多个第一特征，然后将多个第一特征进行融合处理生成第二特征，最后根据融合后的第二特征对目标图像进行分割。每个切片图像提供的第二特征可能有助于在局部区域内更准确地定位和分割目标。通过上述方法可以提高对分割目标图像的分割精度。

8、在第一方面的一种可能的实现方式中，所述对每个所述第一图像进行特征提取，获得所述第一图像的多个第一特征，包括：

9、根据所述目标图像生成m个第二图像，所述第二图像包含所述目标图像中的耕地形状，其中，m为正整数；

10、根据m个所述第二图像生成n个尺度因子，其中，n为大于1的整数；

11、根据n个所述尺度因子对每个所述第一图像进行特征提取，获得每个所述第一图像的多个第一特征。

12、在本技术实施例中，通过生成不同尺度下的图像和对第一图像进行多尺度特征提取，系统可以更全面地捕捉地物的细节和整体形状，提高对地物的理解能力。生成包含目标图像中耕地形状的第二图像有助于获取关于耕地分布和形状的信息，对农业领域的土地利用监测具有潜在价值。使用尺度因子对第一图像进行特征提取，可以使系统在不同尺度下适应地形特征的变化，提高对地物的泛化能力。

13、在第一方面的一种可能的实现方式中，所述根据n个所述尺度因子对每个所述第一图像进行特征提取，获得每个所述第一图像的多个第一特征，包括：

14、对于每个所述第一图像，根据n个所述尺度因子分别对所述第一图像进行尺度缩放，生成所述第一图像对应的n个第一子图像；

15、对n个所述第一子图像分别进行特征提取，获得每个所述第一子图像的第一特征。

16、在本技术实施例中，通过对每个第一图像生成多个尺度下的子图像，并提取其特征，系统可以更全面地理解图像在不同尺度下的信息变化，增强对图像的多尺度感知能力。放操作使系统能够适应不同尺度下的图像，提高了对图像的鲁棒性，有助于应对尺度变化引起的特征变化。通过在不同尺度下提取特征，可以获取更丰富和多样化的特征表示，有助于提高对图像内容的理解和表达。

17、在第一方面的一种可能的实现方式中，所述对n个所述第一子图像进行特征提取，获得每个所述第一子图像的第一特征，包括：

18、对于每个所述第一子图像，获取每个所述第一子图像的局部特征信息；

19、获取所述第一子图像的全局特征信息；

20、将所述第一子图像的局部特征信息与所述第一子图像的全局特征信息进行特征拼接，获得所述第一子图像的第一特征。

21、在本技术实施例中，结合局部和全局特征信息可以提供更丰富、更综合的图像特征表示，有助于更好地捕捉图像的各个方面。融合局部和全局信息有助于使特征表示对于图像中的局部变化和整体结构变化更加鲁棒，增强了对图像内容的理解。

22、在第一方面的一种可能的实现方式中，所述将每个所述第一图像的多个第一特征进行特征融合，获得每个所述第一图像对应的第二特征，包括：

23、对于每个所述第一图像，根据所述第一图像的第一特征进行第一处理，获得所述第一图像的多个第三特征，其中，所述第一处理用于增强所述第一特征的特征表达能力；

24、根据所述第一图像的第一特征进行第二处理，获得所述第一图像的多个第四特征，其中，所述第二处理用于提高所述第一特征捕捉不同尺度特征信息的能力；

25、根据所述第三特征和所述第四特征进行特征融合，获得所述第一图像的第二特征。

26、在本技术实施例中，第一处理旨在增强第一特征的表达能力，使其更能捕捉图像中的重要信息，有助于提高特征的判别性。第二处理专注于提高第一特征在不同尺度下的捕捉能力，使网络更具有适应性和泛化能力。通过特征融合，综合利用了经过不同处理方式得到的特征，可以得到更全面、更有代表性的第二特征，有助于提高后续任务的性能。

27、在第一方面的一种可能的实现方式中，所述根据所述第三特征和所述第四特征进行特征融合，获得所述第一图像的第二特征，包括：

28、对于每个所述第一图像，根据所述第一图像的每个所述第三特征与其对应的第四特征进行拼接，获得所述第一图像的第五特征；

29、将所述第一图像的第五特征与所述第一图像的多个第一特征进行加权操作，获得所述第一图像的第二特征。

30、在本技术实施例中，特征拼接阶段有助于整合来自不同处理方式的特征信息，形成更具代表性和丰富的特征表示。通过加权操作，将第五特征与多个第一特征进行融合，可以更好地利用不同层次和角度的信息，提高对图像内容的全面理解。加权操作允许根据具体任务和数据的特点调整不同特征的重要性，增强了网络的灵活性和可调性。

31、在第一方面的一种可能的实现方式中，所述根据多个所述第一图像各自对应的第二特征对所述目标图像进行图像分割，获得图像分割结果，包括：

32、将多个所述第一图像进行合并，获得合并后的第三图像；

33、根据所述第三图像和所述第二特征对所述目标图像进行图像分割，获得多个预测分割区域；

34、根据多个所述预测分割区域获得图像分割结果。

35、在本技术实施例中，多图像合并有助于将多个图像的全局信息整合到一个图像中，提供更全面的上下文信息，有助于更好地理解目标图像。利用深度学习模型进行图像分割，能够将图像划分为具有语义意义的不同区域，为后续的图像理解和分析提供基础。最终的后处理步骤有助于进一步优化分割结果，提高准确性和可解释性。

36、在第一方面的一种可能的实现方式中，所述根据多个所述预测分割区域获得图像分割结果，包括：

37、根据多个所述预测分割区域获得多个所述预测分割区域的重叠区域；

38、将所述重叠区域进行均值计算，获得所述重叠区域均值计算的结果；

39、根据所述重叠区域均值的计算结果和所述预测分割区域确定所述目标图像的图像分割结果。

40、在本技术实施例中，通过融合多个预测的信息，特别是在重叠区域进行均值计算，有助于减少由于单一预测的不确定性而引起的误差。重叠区域的均值计算有助于提高结果的稳定性，使得最终的图像分割结果更加可靠。结合不同预测结果，特别是在重叠区域进行均值计算，可以增强系统对不同输入变化的鲁棒性，提高图像分割的泛化性能。

41、第二方面，本技术实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的图像分割方法。

42、第三方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的图像分割方法。

43、第四方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的图像分割方法。

44、可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。