| 序号 | 专利名 | 申请号 | 申请日 | 公开（公告）号 | 公开（公告）日 | 发明人 |
|---|---|---|---|---|---|---|
| 121 | 图像分割模型的处理方法和处理装置 | PCT/CN2020/100058 | 2020-07-03 | WO2021042857A1 | 2021-03-11 | 韩凯; 闻长远; 舒晗; 陈翼翼; 苏霞; 王云鹤; 许春景 |
人工智能领域中的图像分割技术，提供了图像分割模型的处理方法和处理装置。所述图像分割模型包括特征提取子模型和图像分割子模型，特征提取子模型用于提取图像的特征，图像分割子模型用于根据所述提取的特征对所述图像进行分割。所述处理方法包括：对所述特征提取子模型进行层宽调整，以得到第一特征提取子模型（S410）；根据第一特征提取子模型和图像分割子模型得到目标图像分割模型（S420）。提供图像分割模型的处理方法和处理装置，有助于提高图像分割模型的分割精度，从而有助于在边缘设备上实现图像分割技术。 |
||||||
| 122 | 一种图像分割方法和装置 | PCT/CN2015/077859 | 2015-04-29 | WO2016172889A1 | 2016-11-03 | 赵瑞; 欧阳万里; 李鸿升; 王晓刚; 黎伟; 刘健庄 |
一种图像分割方法和装置，该方法可包括：将待分割图像按照预设的第一分割规则分割成若干个超像素，得到超像素图像；以各个超像素为中心在所述超像素图像上切割预设尺度的图像，以得到所述各个超像素对应的图像块；利用神经网络对所述各个超像素对应的图像块进行处理，得到所述各个超像素对应的分割类标；按照预设的第二分割规则对所述超像素图像进行分割，得到包括至少两个区域的分割图像；其中，所述第二分割规则是指将分割类标相同的超像素分割至相同的区域。该方法和装置可以提高图像分割的分割效果。 |
||||||
| 123 | 图像分割方法及装置 | CN202210239600.8 | 2022-03-11 | CN114565768B | 2025-04-29 | 王伟农; 戴宇荣 |
| 本公开关于一种图像分割方法及装置，所述图像分割方法包括：将待处理图像输入到第一图像特征提取网络中，得到第一图像特征；基于所述第一图像特征，提取出第一图像语义特征和第二图像语义特征；将所述待处理图像和针对所述待处理图像的图像分割信息输入到第二图像特征提取网络中，得到第二图像特征；基于所述第一图像语义特征、所述第二图像语义特征和所述第二图像特征，得到针对待分割对象的目标掩码；基于所述目标掩码对所述待处理图像进行分割处理，得到针对待分割对象的图像分割结果。根据本公开的图像分割方法及装置可以解决图像分割导致的计算开销大和运行耗时的问题，可以在保证分割速度的同时基于得到的掩码获取准确的分割结果。 | ||||||
| 124 | 图像分割方法及装置 | CN202210465505.X | 2022-04-29 | CN114820659B | 2025-04-08 | 刘涛; 寇鹏鲲; 李凯凯 |
| 本发明提供一种图像分割方法及装置，该方法包括：获取目标图像的第一特征图；应用金字塔池化模块提取第一特征图在多个分辨率下的不同大小感受野的第二特征图，对各个第二特征图进行最大池化和平均池化后调整特征图通道及分辨率，获得各个全局上下文信息特征图；将各个全局上下文信息特征图与第一特征图融合获得融合特征图，应用通道注意力融合模块调整融合特征图对应的不同大小感受野的特征后进行上采样获得最终特征图；确定最终特征图中每个像素位置的图像信息类别，基于最终特征图中每个像素位置的图像信息类别生成图像分割结果图。应用该方法，可以通过对特征图进行平均池化和最大池化后提取到更加精确的全局上下文信息，提高图像分割的精度。 | ||||||
| 125 | 肿瘤图像的分割方法 | CN202411172535.7 | 2024-08-26 | CN119130951A | 2024-12-13 | 陈帅航; 陈杉杉; 徐中阳 |
| 本发明涉及肿瘤图像的分割方法。使用卷积神经网络CNN对图像进行多尺度特征提取，以捕捉肿瘤的不同尺度信息；引入自注意力机制增强模型对肿瘤区域的关注能力和特征提取的准确性；通过基于U‑Net架构的改进模型进行图像分割；结合CNN和VisionTransformer的优势，使用混合架构提取局部与全局特征，并在Transformer中加入位置编码以增强对空间位置信息的感知能力；采用对比学习策略通过比较正负样本对提高模型的判别能力，并结合肿瘤分类任务和分割任务进行多任务学习；设计加权交叉熵损失函数与Dice损失函数的组合，提高对小肿瘤区域的敏感性；并使用条件随机场CRF进行后处理以优化分割边界，并应用形态学操作消除小噪点和填补分割区域的孔洞，以进一步优化分割结果。 | ||||||
| 126 | 超声图像特征分割 | CN202410690051.5 | 2024-05-30 | CN119091131A | 2024-12-06 | A-R·阿里; M·王; 迈克尔·J·沃什伯恩; 叶莲娜·齐姆巴连科; A·E·萨米尔; V·库马尔; 王书航; T·皮尔斯; 李谦; A·奥兹图尔克 |
| 例如，一种用于对模型(360)进行训练以对测试图像(380)进行分割的方法包括：在自监督学习框架(310)处接收第一多个训练图像(320)，其中第一多个训练图像(320)包括与患者的肝脏相对应的超声数据，其中测试图像(380)包括超声图像数据；利用自监督学习框架(310)的学习算法处理第一多个多个训练图像，以及响应性地调整经过训练的模型(330)；以及在监督学习框架(340)处接收经过训练的模型(330)和第二多个训练图像(350)，以及响应性地调整经过训练的模型(360)，其中第二多个训练图像(350)包括与患者的肝脏(354,356)和肝脏的注释(352)相对应的超声数据。 | ||||||
| 127 | 一种图像识别分割方法 | CN202411009809.0 | 2024-07-26 | CN118982666A | 2024-11-19 | 高全力; 刘鑫; 邵连合; 邓雅妮 |
| 本申请涉及一种图像识别分割方法，对输入的静态图片经过分层Transformer编码器结构，通过添加的PfAAM、SPPCSPC模块和特征加强模块，对图像进行特征提取和特征增强，得到多个具有不同分辨率的特征；经过All‑MLP解码器结构，用于融合这些多级特征以生成最终的语义分割掩码；本申请综合考虑到全局信息和局部信息，得到更精准的预测结果。经过实验验证，本申请具有精度高、成本低等优点。 | ||||||
| 128 | 前列腺MRI图像分割方法 | CN202410673758.5 | 2024-05-28 | CN118470047A | 2024-08-09 | 李嘉; 蔡定建; 姚佳希; 鄢嘉铭; 李俊彬 |
| 本发明实施例提供了一种前列腺MRI图像分割方法。其中，方法包括：获取前列腺MRI图像；将前列腺MRI图像输入至前列腺MRI分割网络进行分割处理，得到图像分割结果，其中，前列腺MRI分割网络为DT‑CSA Net，DT‑CSA Net包括动态令牌选择和跨切片关注模块DT‑CSA，DT‑CSA由跨切片注意块CSA block和动态令牌选择模块DT block组成，其中，CSA block通过引入注意力模块获取切片间联系的跨切片信息，DT block通过令牌评分和抽样的方式确定对分割处理最重要的特征，并去除掉前列腺MRI图像中的冗余信息。基于此，本发明实施例能够提高前列腺区域分割效果的准确性。 | ||||||
| 129 | 图像分割方法和装置 | CN202410511601.2 | 2024-04-26 | CN118334660A | 2024-07-12 | 尚方信; 申领东; 杨叶辉; 黄海峰 |
| 本公开提供了一种图像分割方法和装置，涉及人工智能技术领域，具体为计算机视觉、自然语言处理和深度学习技术领域。该方法的一具体实施方式包括：将图像和文本分割指令编码到同一特征空间，得到图像特征向量组和文本特征向量组；将图像特征向量组和文本特征向量组输入至视觉语言模型，得到多模态特征向量组，其中，视觉语言模型是以训练样本图像特征向量组和训练样本文本特征向量组为输入，以训练样本图像分割掩膜特征向量组和训练样本文本特征向量组为监督，训练得到的；对多模态特征向量组进行解码，得到文本分割描述和图像分割掩膜。该实施方式利用视觉语言模型进行图像分割，提高了图像分割的准确度。 | ||||||
| 130 | 图像分割方法及系统 | CN202110048037.1 | 2021-01-14 | CN112700460B | 2024-05-24 | 李建强; 刘青 |
| 本发明提供一种图像分割方法及系统，该方法包括：将待分割图像依次经过图像分割模型中的各下采样模块，获取最后一个下采样模块输出的特征图；将最后一个下采样模块输出的特征图依次经过图像分割模型中的各上采样模块，获取最后一个上采样模块输出的特征图；对最后一个上采样模块输出的特征图进行分割，获取最后一个上采样模块输出的特征图的分割结果；其中，任一上采样层的下一层的输入由该上采样层输出的特征图和将该上采样层所属的上采样模块对应的下采样模块输出的特征图输入金字塔池化层后输出的特征图融合获取。本发明实现融合后的特征图包含丰富的浅层特征和深层特征，可以减少特征信息的损失，有效提高图像分割的准确性。 | ||||||
| 131 | 一种声呐图像分割方法 | CN202011047254.0 | 2020-09-29 | CN112164079B | 2024-03-29 | 焦圣喜; 霍子钰; 郭海涛 |
| 本发明公开一种声呐图像分割方法，对声呐图像进行滤波处理，得到第一图像；在第一图像中定位目标亮区，利用膨胀算子对所述目标亮区的边缘检测点进行局部增强，并将增强后的目标亮区叠加所述第一图像中，得到第二图像；利用基于二维直方图模糊加权Tsallis熵分割算法，对所述第二图像中的目标亮区、目标暗区和混响区进行分割，得到第三图像；对所述第三图像进行后处理，得到最终的分割图像。本发明可以提高目标亮区、目标暗区和混响区的分割准确性，分割图像噪声低，分割效果显著提升。 | ||||||
| 132 | 图像分割方法和装置 | CN202311265527.2 | 2023-09-27 | CN117314936A | 2023-12-29 | 请求不公布姓名 |
| 本申请涉及一种图像分割方法和装置。对图像分割模型中的卷积块进行了改进，避免直接进行三维卷积处理，而是将传统三维卷积的拆分为伪一维卷积和伪二维卷积，伪二维卷积实现切片图像的特征抓取，伪一维卷积实现切片间的关系抓取，降低了模型参数计算量，降低对硬件的计算需求，同时增加特征增益块，可以防止重复特征利用时可能造成的低层特征不必要信息引入，并利用多个空洞卷积的感受野丰富空间信息，进一步提高分割精度，采用本方法能够在不影响运算精度的前提下，方便模型在低运算能力的设备上正常运行，从而降低了图像分割处理的成本。 | ||||||
| 133 | 半导体样本的图像分割 | CN202110539235.8 | 2021-05-18 | CN113947561B | 2023-12-26 | E·本巴鲁克; S·埃尔卡亚姆; S·科恩; T·本-什洛莫 |
| 提供了一种对所制造的半导体样本的图像进行分割的系统和方法。所述方法包括:获得对应于所述图像的第一概率图,所述第一概率图表示所制造的半导体样本的至少一部分并且指示所述图像中的像素对应于所述图像中呈现的一个或多个第一结构元素的预测概率;获得第一标签图,所述第一标签图提供表示第二结构元素的一个或多个区段以及与所述区段相关联的标签的信息;对第一标签图执行模拟以获得第二概率图,所述第二概率图指示第一标签图中的像素对应于一个或多个区段的模拟概率;以及基于第一概率图和第二概率图生成第二标签图,所述第二标签图可用于以增强的可重复性对图像进行分割。 | ||||||
| 134 | 图像分割方法和装置 | CN202310913325.8 | 2023-07-24 | CN116894849A | 2023-10-17 | 马鑫军; 蔡春磊; 成超 |
| 本申请实施例了提供一种图像分割方法，该图像分割方法包括：获取目标图像中的第一分割掩码。其中，所述第一分割掩码为对应所述目标图像中目标区域的分割掩码。根据所述第一分割掩码以及所述目标图像，获取所述目标区域的边界。根据所述边界和一个或多个预设顶点计算方式，获取所述目标区域的一个或多个轮廓顶点集合。根据所述一个或多个轮廓顶点集合，获取目标轮廓顶点集合。根据所述目标轮廓顶点集合，获取修正后的目标区域。本申请实施例的技术方案可以使得目标区域的形状轮廓更加准确，提升稳定性和鲁棒性，及提升平面广告的投放效果。 | ||||||
| 135 | 图像分割方法及系统 | CN202310474603.4 | 2023-04-27 | CN116563538A | 2023-08-08 | 刘晓暄; 牛璐璐; 王洪; 张伊丹; 贾婕; 刘世雄; 齐析屿 |
| 本发明提供一种图像分割方法及系统，涉及图像处理技术领域，方法包括：获取待分割图像；将待分割图像输入到目标分割网络，获取分割结果；其中，所述目标分割网络是基于样本数据集训练得到的，所述目标分割网络包括编码器模块、超像素池化模块、注意力机制模块以及解码器模块。所述系统执行所述方法。本发明基于超像素分割模块，对待分割图像进行下采样，得到多个尺度的第一图像，并基于多个尺度的第一图像对编码器模块提取到的待分割图像的第一特征图进行池化，结合注意力机制和特征融合操作得到最终的待分割图像的分割结果，提高了对待分割图像进行分割的准确度。 | ||||||
| 136 | CT图像分割方法及设备 | CN202310808690.2 | 2023-07-04 | CN116543167A | 2023-08-04 | 张昊任; 陈向前; 史纪鹏; 杜立翠; 张欢 |
| 本发明提供一种CT图像分割方法及设备，所述方法包括：利用神经网络模型对CT图像进行分割，所述神经网络模型包括编码模块、平衡特征融合模块和解码模块，所述编码模块用于对所述CT图像进行特征提取，得到尺度不同、维度不同的多个图像特征，所述平衡特征融合模块用于将所述多个图像特征的尺度统一为预设尺度，并将预设尺度的多个的图像特征按维度进行聚合，再将聚合图像特征还原成尺度不同、维度不同的多个平衡特征，所述解码模块用于对多个平衡特征进行处理，得到针对所述CT图像中感兴趣目标的分割结果。 | ||||||
| 137 | 针对图像效果的分割 | CN202180067005.4 | 2021-09-07 | CN116324878A | 2023-06-23 | C-C·蔡; S·马德哈范; S-C·庄; K-J·许; V·R·K·达亚娜; 江晓云 |
| 提供了用于进行前景图像分割的系统、方法和计算机可读介质。在一些示例中，一种方法可以包括：获得目标的第一图像和目标的第二图像，第一图像具有第一视场(FOV)，并且第二图像具有第二FOV；基于第一图像来确定第一分割图，该第一分割图识别第一图像中的第一估计前景区域；基于第二图像来确定第二分割图，该第二分割图识别第二图像中的第二估计前景区域；基于第一分割图和第二分割图来生成第三分割图；以及使用第二分割图和第三分割图生成细化分割掩模，该细化分割掩模将目标的至少一部分识别为第一图像和/或第二图像的前景区域。 | ||||||
| 138 | 使用分割的图像安全 | CN202180065087.9 | 2021-08-19 | CN116195257A | 2023-05-30 | H·V·特贝尔; D·Y·赵; Q·林 |
| 系统和方法可以用于访问控制。这些系统和方法可以包括：使用数据处理系统来访问视频流，所述视频流包括图像，所述图像包括虚拟背景；将所述图像分割成前景部分和背景部分，以确定所述图像的所述前景部分或所述背景部分是否满足阈值要求；并且响应于确定所述图像的所述前景部分或所述背景部分未满足所述阈值要求而输出警报。 | ||||||
| 139 | 医学图像分割方法 | CN202211403774.X | 2022-11-10 | CN115908800A | 2023-04-04 | 吴文霞; 李志成; 梁栋; 赵源深; 段静娴 |
| 本发明涉及一种医学图像分割方法，包括：收集肿瘤患者的核磁共振图像数据作为数据集；对数据集中的图像数据进行数据处理；将数据处理后，数据集中符合要求的多模态图像作为模型的输入；对每一个模态设计单独的Transformer以提取特征；设计模态融合Transformer对多个模态的数据进行融合；逐步将不同尺度的编码器输出重塑为输入大小，以获得与原图匹配的分割结果；对于数据集中的无标签数据，构建弱增强图像与强增强图像；根据编码器对不同增强的图像的输出选择正例与负例，计算对比损失；对标签与分割结果计算dice损失；进行模型的训练，得到最终的模型并保存。本发明能够更好地定位肿瘤位置，提高分割效果。 | ||||||
| 140 | 一种线形图像分割方法 | CN201910167008.X | 2019-03-06 | CN109859220B | 2023-03-28 | 支茂峰 |
| 本发明公开一种线形图像分割方法，涉及图像处理技术领域；根据图像实际情况，选取图像中目标与背景反差最大的通道作为目标灰度图，对目标灰度图进行滤波增强，获得增强图，对增强图进行大连通域的全局阈值分割，得到大连通域分割图，同时对增强图进行小连通域的全局阈值分割，得到小连通域分割图，保留大连通域分割图及与大连通域相连接的小连通域分割图，得到最终分割图。 | ||||||
QQ群二维码
意见反馈
意见反馈