一种图像分割方法、装置、设备及介质

技术领域

本发明涉及医学图像处理技术领域，尤其涉及一种图像分割方法、装置、设备及介质。

背景技术

图像领域的飞速发展。医学图像技术通过对于患者特定部位的成像显示直接的向医生提供了患者身体内部病灶情况，是临床诊断治疗必不可少的辅助手段之一。医学图像分割能够很好地向医生提供目标物体详细的大小、形状以及位置等重要信息，因此在临床疾病诊断筛查过程中有着至关重要的作用。

然而，医生手动分割判断不仅仅速度慢，而且其分割结果的准确性高低很大程度上取决于医生专业水平的高低，这极大的限制了偏远地区或小型医院卫生所对于潜在患者的发现与治疗几率，因此自动化医学图像分割意义重大。

医学图像的高精度高速度识别分割处理吸引着越来越多研究人员的关注，其中应用数学、统计学、图像学、计算机学等一系列领域学者的加入合作，使得医学图像处理发展迅速，成果喜人，从传统的全人工分割识别发展到如今半自动和全自动分割处理。

近十多年来，基于神经网络的深度学习算法在众多医学图像分割任务中表现优异。然而这些基于神经网络的深度学习算法大多只有一个尺度的输出，在小物体的分割表现上不尽人意。在医学图形分割领域，对小物体的高敏感性是十分重要的，这直接关系到疾病的早起发现和诊断，是智能医疗系统建立中至关重要的一步。

发明内容

为了克服上述技术缺陷，本发明的目的在于提供一种图像分割方法、装置、设备及介质，解决现有图像分割模型处理过程中只存在单一尺度的输出，导致分割精准度不够的问题。

本发明公开了一种图像分割方法，包括：

建立图像分割模型，并采用若干样本图像进行训练；

在所述图像分割模型中，对样本图像进行特征提取，获取不同层次的特征数据，其中，所述特征数据包括多个高层次特征数据和多个低层次特征数据；

对所述特征数据依次融合，输出多个融合特征数据；

对各个高层次特征数据进行聚合特征提取，获得参考特征数据；

基于所述参考特征数对各个融合特征数据进行注意力机制解码，生成多个输出结果；

基于输出结果建立损失函数，在训练中进行多输出学习，以在训练后获得目标模型；

采用所述目标模型对待处理图像进行处理，多输出迭代生成目标结果，进行图像分割。

优选地，所述对样本图像进行特征提取，获取不同分辨率的特征数据，包括：

采用多个不同层级的卷积网络对所述样本图像进行特征提取，其中，各个卷积网络对应输出各个高层次特征数据和低层次特征数据层级依次递减。

优选地，对所述特征数据依次融合，输出多个融合特征数据，包括：

将n个特征数据按照层次递减依次记为第i个特征数据，其中，i＝1，2，3，……，n；n≥5；

对于第j个特征数据，其中，j＝1，2，3，……，n-1，对所述特征数据进行上采样，并与第j+1特征数据拼接后，通过反卷积层、激活层、BN层进行特征融合，获得对应的融合特征数据；

迭代，以输出多个融合特征数据。

优选地，所述对各个高层次特征数据进行聚合特征提取，获得参考特征数据，包括：

对各个高层次特征数据分别进行上采样后依次通过多尺寸卷积核的卷积层、激活函数层以及BN层，获得参考特征数据。

优选地，所述基于所述参考特征数对各个融合特征数据进行注意力机制解码，生成多个输出结果，包括：

将n个特征数据按照层次递减排序，将其对应的融合特征数据依次记为第j个融合特征数据，其中，j＝1，2，3，……，n-1；n≥5；

对于第n-1个融合特征数据，采用Sigmoid函数对所述参考特征数据处理后，执行特征翻转，与第n-1个特征数据相乘后与所述参考特征数据加和，通过卷积层和激活函数处理后输出第n-1个输出结果；

对于第m个融合特征数据，m＝1，2，3……，n-2：采用Sigmoid函数对第m+1个输出结果处理后，执行特征翻转，与第m个特征数据相乘后与第m+1个输出结果加和，通过卷积层和激活函数处理后输出第m个输出结果；

迭代，生成多个输出结果。

优选地，所述基于输出结果建立损失函数，在训练中进行多输出学习，包括：

基于每一输出结果均建立IoU损失函数和交叉熵损失函数；

将各个输出结果对应的损失函数加和以生成用于图像分割模型的损失函数，在训练中进行多输出学习。

优选地，采用所述目标模型对待处理图像进行处理，多输出迭代生成目标结果，包括：

对待处理图像进行特征提取，获取不同层次的目标特征数据，其中，所述目标特征数据包括多个高层次目标特征数据和多个低层次目标特征数据；

对所述目标特征数据依次执行采样和融合，输出多个目标融合特征数据；

对各个高层次目标特征数据进行聚合特征提取，获得目标参考特征数据；

基于所述目标参考特征数逐个对各个目标融合特征数据进行注意力机制解码，并基于多个输出的结果数据迭代获得目标结果。

本发明还提供一种图像分割装置，包括：

预处理模块，用于建立图像分割模型，并采用若干样本图像进行训练；

特征提取模块，用于对样本图像进行特征提取，获取不同层次的特征数据，其中，所述特征数据包括至少三个高层次特征数据和至少两个低层次特征数据；

特征融合模块，用于对所述特征数据依次执行采样和融合，输出至少四个融合特征数据；

并行解码模块，用于对各个高层次特征数据进行聚合特征提取，获得参考特征数据；

注意力机制解码模块，用于基于所述参考特征数逐个对各个融合特征数据进行注意力机制解码，以迭代生成至少四个输出结果；

调整模块，用于基于输出结果建立损失函数，在训练中进行多输出学习，以在训练后获得目标模型；

执行模块，用于采用所述目标模型对待处理图像进行处理，多输出迭代生成目标结果，进行图像分割。

本发明还提供一种计算机设备，所述计算机设备包括存储器、处理器以及存储在存储器上并可在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所述图像分割方法的步骤。

本发明还提供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所述图像分割的步骤。

采用了上述技术方案后，与现有技术相比，具有以下有益效果：

本申请提供了基于注意力机制的多输出医学图像分割模型，将现有卷积神将网络的特征处理和特征融合用于医学图像处理，设置并行部分解码器和注意力机制解码器对于网络特征进行双重解码，获取多个层次的特征，对应生成多个输出，通过多输出学习最终迭代生成唯一预测结果，提高用于图像分割的预测结果的准确性，解决现有图像分割模型处理过程中只存在单一尺度的输出，导致分割精准度不够的问题。

附图说明

图1为本发明所述一种图像分割方法实施例一流程图；

图2、图3、图4为本发明所述一种图像分割方法实施例一中采用目标模型分别对皮肤癌图像和两种息肉图像处理并输出目标结果的参考图；

图5为本发明所述一种图像分割装置实施例二的模块示意图；

图6为本发明所述计算机设备的模块示意图。

附图标记：

8-图像分割装置；81-预处理模块；82-特征提取模块；83-特征融合模块；84-并行解码模块；85-注意力机制解码模块；86-调整模块；87-执行模块。

具体实施方式

以下结合附图与具体实施例进一步阐述本发明的优点。

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，“模块”与“部件”可以混合地使用。

实施例一：本实施例公开了一种图像分割方法，用于处理医学图像的分割，采用迁移学习、特征融合、并行部分解码器、注意力机制解码器、多输出学习等技术，能够实现多尺度医学图像的高精度全自动分割，在公开数据集上表现优于现有算法，对小物体的敏感性得到提高，具体的，参阅图1-图4，包括以下步骤：

S100：建立图像分割模型，并采用若干样本图像进行训练；

在本实施方式中，图像分割模型包括特征提取(基于经典卷积神经网络的迁徙)、特征融合、并行解码、注意力机制解码以及多输出学习等模块，具体的，提取不同深度(层次)的特征数据输出并融合，而后对高层次特征数据进行再次提取后，对各个融合后的特征进行解码，并迭代输出多个结果，以进行多输出学习，使得模型学习到不同层级(深层特征和表层特征)的特征，同时囊括大物体和小物体，以提高分割结果准确性。

S200：在所述图像分割模型中，对样本图像进行特征提取，获取不同层次的特征数据，其中，所述特征数据包括多个高层次特征数据和多个低层次特征数据；

在上述步骤中，提取不同层次的特征数据，即提取多个深层特征和表层特征。具体的，上述对样本图像进行特征提取，获取不同分辨率的特征数据，包括：采用多个不同层级的卷积网络对所述样本图像进行特征提取，其中，各个卷积网络对应输出各个高层次特征数据和低层次特征数据层级依次递增，即使得输出特征数据的分辨率依次降低。

具体的，可以基于现有经典的卷积网络的结构设置本实施方式的特征提取和下述特征融合，包括但不限于ResNet50、ResNet101、DenseNet121、Res2Net50、Res2Net101等，如在数据量庞大的自然图像数据集ImageNet上训练经典的卷积神经网络。使用经典卷积神经网络的特征提取部分作为本实施方式图像分割模型的骨干网络(处理特征提取和特征融合)，将自然图像的特征提取迁移学习到医学图像的特征提取，进而提高模型的训练效率，防止出现过拟合。作为举例的，本实施方式提供的骨干网络分别提取五个不同层次的特征(初步提取的表层特征)，分别记为f

S300：对所述特征数据依次融合，输出多个融合特征数据；

在本实施方式中，需要说明的是，特征融合非将上述提取的特征融合为个图像，而是融合为多个输出，基于上述，五个不同层次的特征对应分辨率递减，因此可以逐个进行上采样后至下一层次特征对应后拼接融合，如f

具体的，上述对所述特征数据依次融合，输出多个融合特征数据，包括：

S310：将n个特征数据按照层次递减依次记为第i个特征数据，其中，i＝1，2，3，……，n；n≥5；

在上述步骤中，为方便描述的，对各个特征数据进行排序并编号，层次递减，即由高层次特征数据至低层次特征数据依次排序。

S320：对于第j个特征数据，其中，j＝1，2，3，……，n-1，对所述特征数据进行上采样，并与第j+1特征数据拼接后，通过反卷积层、激活层、BN层进行特征融合，获得对应的融合特征数据；

在上述步骤中，上采样可以让包含高级抽象特征的低分辨率图片(即第j个特征数据)在保留高级抽象特征的同时变为高分辨率，然后再与对应的低级表层特征(即第j+1特征数据)进行拼接(concatenate)操作。特征融合网络还包括了反卷积层、激活层、BN层来对于融合后的特征进行进一步融合和学习。

S330：迭代，以输出多个融合特征数据。

在上述步骤中，将上述示例中经过拼接、反卷积、激活的四个高级抽象特征(即融合特征数据)记为o

S400：对各个高层次特征数据进行聚合特征提取，获得参考特征数据；

在上述步骤中，将不同层次的特征进行聚合用于医学图像分割，在上述步骤S300所述的“特征融合”环节中聚合了所有层次的低级表层特征，将低级表层特征(特征数据)与高级抽象特征(融合特征数据)进行拼接操作来实现图像分割。由于高级特征带来的计算量小，对分割结果的影响大，因此设置并行特征解码器对f

具体的，所述对各个高层次特征数据进行聚合特征提取，获得参考特征数据，包括：对各个高层次特征数据分别进行上采样后依次通过多尺寸卷积核的卷积层、激活函数层以及BN层，获得参考特征数据。

在上述步骤中，设置并行特征增解码器实现对上次高层次特征数据的聚合，前述并行特征解码器包含上采样层，多尺寸卷积核的卷积层、激活函数层以及BN层构成，最终得到统一大小的特征p

S500：基于所述参考特征数对各个融合特征数据进行注意力机制解码，生成多个输出结果；

在上述步骤中，采用注意力机制网络和解码器进行注意力机制解码，用于使得模型关注特征分布，以便输出预测结果，进行图像分割。需要说明的是，本实施方式中输出的多个输出结果并非独立的，而是需要基于前一层级特征数据(层级较高)的输出结果生成后一层级特征数据(层级较低)对应的输出结果。

具体的，上述基于所述参考特征数对各个融合特征数据进行注意力机制解码，生成多个输出结果，包括：

S510：将n个特征数据按照层次递减排序，将其对应的融合特征数据依次记为第j个融合特征数据，其中，j＝1，2，3，……，n-1；n≥5；

在上述步骤中，为方便描述的，对融合特征数据进行按次序标记，与上述步骤S310中对应的，第j个特征数据对应第j个融合特征数据。

S520：对于第n-1个融合特征数据，采用Sigmoid函数对所述参考特征数据处理后，执行特征翻转，与第n-1个特征数据相乘后与所述参考特征数据加和，通过卷积层和激活函数输出第n-1个输出结果；

S530：对于第m个融合特征数据，m＝1，2，3……，n-2：采用Sigmoid函数对第m+1个输出结果处理后，执行特征翻转，与第m个特征数据相乘后与第m+1个输出结果加和，通过卷积层和激活函数输出第m个输出结果；

需要说明的是，如上所述的，需要基于前一层级特征数据(层级较高)的输出结果生成后一层级特征数据(层级较低)对应的输出结果，即作为举例的，上述o

作为说明的是，Sigmoid函数的表达为：

Sigmoid函数的值域范围限制在(0,1)之间。对于该步骤输出P

S540：迭代，生成多个输出结果。

作为示例的，p

同理，其他的特征表达式为：

P

将P

S600：基于输出结果建立损失函数，在训练中进行多输出学习，以在训练后获得目标模型；

在上述实施方式中，对各个输出进行学习，即对于每一输出均建立对应的损失函数，并在训练中调整。具体的，所述基于输出结果建立损失函数，在训练中进行多输出学习，包括：基于每一输出结果均建立IoU损失函数和交叉熵损失函数；将各个输出结果对应的损失函数加和以生成用于图像分割模型的损失函数，在训练中进行多输出学习。

作为示例的，损失函数为：L(x)＝L

L(output)＝L(output

S700：采用所述目标模型对待处理图像进行处理，多输出迭代生成目标结果，以进行图像分割。

在本实施方式中，作为说明的是，该目标模型预上述图像分割模型结果一致，在训练过程中调整图像分割模型的损失函数，模型参数等，并在训练完成后固定参数，生成目标模型，因此目标模型的处理与训练过程相似的，输出的目标结果为包含掩模预测框的图像。具体的，采用所述目标模型对待处理图像进行处理，多输出迭代生成目标结果，包括：

S710：对待处理图像进行特征提取，获取不同层次的目标特征数据，其中，所述目标特征数据包括多个高层次目标特征数据和多个低层次目标特征数据；

在上述步骤中，用多个不同层级的卷积网络对所述样本图像进行特征提取，目标特征数据的数量与模型中设置的不同层级的特征提取网络数量一致，为了便于后续多输出，目标特征数据优选超出5个。

S720：对所述目标特征数据依次执行采样和融合，输出多个目标融合特征数据；

与上述步骤S300中相似的，五个不同层次的特征对应分辨率递减，因此可以逐个进行上采样后至下一层次特征对应后拼接融合，特征融合网络还包括了反卷积层、激活层、BN层来对于融合后的特征进行进一步处理，已获得目标融合特征数据。

S730：对各个高层次目标特征数据进行聚合特征提取，获得目标参考特征数据；

具体的，由于高级特征带来的计算量小，对分割结果的影响大，因此使用并行特征解码器对高层次目标特征数据进行重新聚合提取信息。并行特征解码器包含上采样层，多尺寸卷积核的卷积层、激活函数层以及BN层。

S740：基于所述目标参考特征数逐个对各个目标融合特征数据进行注意力机制解码，并基于多个输出的结果数据迭代获得目标结果。

具体的，需要说明的是，与上述S600中不同的是，最终输出的目标结果为多输出迭代输出的最终结果，即上述output

参考图2、图3、图4为采用目标模型分别对皮肤癌图像和两种息肉图像处理并输出目标结果的参考图，其中图2(a)为皮肤癌图像，图2(b)为真实掩模；图2(c)为采用本实施方式提供的目标模型输出用于图像分割的目标图像(预测图像)；图3(a)为一种息肉图像，图3(b)为真实掩模；图3(c)为采用本实施方式提供的目标模型输出用于图像分割的目标图像(预测图像)；图4(a)为另一种息肉图像，图4(b)为真实掩模；图4(c)为采用本实施方式提供的目标模型输出用于图像分割的目标图像(预测图像)，可示出本实施方式提供的而用于图像分割的目标模型输出的预测结果与真实掩模一致性较高，以实现图像分割，因此本实施方式提供图像分割方法准确性较高。

在本实施方式中，提出了一种基于注意力机制的多输出医学图像分割模型，能够很好地缓解人工分割压力，为自动化医疗评估体系奠定基础。通过迁移学习将现有卷积神将网络的特征处理和特征融合用于医学图像处理，能够很好地提高训练效率，且防止过拟合现象的出现；设置并行部分解码器(用于对高层次特征数据的解码)和注意力机制解码器(对所有特征数据的解码)对于网络特征进行双重解码，提高提取特征的准确性；通过对多输出学习，在多个公开医学图像分割任务数据集上表现优异，其中包括CVC-ClinicDB数据集以及ISIC2018肿瘤边缘分割数据集，能够很好地适应小物体、多物体的分割任务，节约大量人力物力，可行性高。

实施例二：本实施例还提供一种图像分割装置8，参阅图5，包括：

预处理模块81，用于建立图像分割模型，并采用若干样本图像进行训练；

具体的，所建立的图像分割模型执行特征提取、特征融合、并行解码、注意力机制解码以及多输出学习等步骤，样本图像可以按照预设比例分为训练集、验证集以及测试集，以训练提高模型精度。

特征提取模块82，用于对样本图像进行特征提取，获取不同层次的特征数据，其中，所述特征数据包括至少三个高层次特征数据和至少两个低层次特征数据；

特征提取模块使用经典卷积神经网络的特征提取部分作为本实施方式图像分割模型的骨干网络(处理特征提取和特征融合)，将自然图像的特征提取迁移学习到医学图像的特征提取，以提高模型的训练效率，具体的，采用多个不同层级的卷积网络对所述样本图像进行特征提取。

特征融合模块83，用于对所述特征数据依次执行采样和融合，输出至少四个融合特征数据；

具体的，特征融合模块对各个特征数据逐个进行上采样后至下一层次特征对应后拼接融合，上采样可以让包含高级抽象特征的低分辨率图片在保留高级抽象特征的同时变为高分辨率，然后再与对应的低级表层特征进行拼接(concatenate)操作。特征融合网络还包括了反卷积层、激活层、BN层。

并行解码模块84，用于对各个高层次特征数据进行聚合特征提取，获得参考特征数据；

具体的，并行解码模块考虑到高级特征带来的计算量小对分割结果的影响大，对各个高层次特征数据进行特征聚合，包含上采样层，多尺寸卷积核的卷积层、激活函数层以及BN层。

注意力机制解码模块85，用于基于所述参考特征数逐个对各个融合特征数据进行注意力机制解码，以迭代生成至少四个输出结果；

具体的，注意力机制解码模块使得模型关注特征分布，以便输出预测结果，便于图像分割，会基于前一(层级较高)的输出结果生成后一(层级较低)对应的输出结果，以基于多个输出结果学习，学习到不同层级的特征，提高输出结果准确性。

调整模块86，用于基于输出结果建立损失函数，在训练中进行多输出学习，以在训练后获得目标模型；

具体的，在调整模块中，对各个输出进行学习，即对于每一输出结果均建立对应的损失函数，模型总的损失函数为各个输出对应的损失函数加和，以在训练中调整，在模型迭代学习过程中自主进行模型的优化。

执行模块87，用于采用所述目标模型对待处理图像进行处理，多输出迭代生成目标结果，以进行图像分割。

具体的，在上述各个模块执行图像分割模型的训练并获得目标模型后，基于待处理图像进行图像分割结果的预测，利用上述各个模块进行特征提取获取不同层次的目标特征数据，而后对各个目标特征数据进行逐个的特征融合，获得对应的目标融合特征，使用并行部分解码器和注意力机制解码器对于网络特征进行双重解码，对各个高层次目标特征数据进行聚合，并对各个目标融合特征数据进行注意力机制解码，最终迭代多个输出结果，并将其最后迭代的结果作为目标结果输出，基于注意力机制的多输出医学图像分割，有效提高结果准确性。

在本实施方式，利用预处理模块，预先建立图像分割模型，而后基于特征提取模块、特征融合模块、并行解码模块、注意力机制解码模块、调整模块执行模型训练，并在训练完成获得目标模型后，通过执行模块和上述各个模块执行对待处理图像的处理。具体的，利用特征提取模块的多个不同层级的卷积网络对图像进行特征提取，在特征融合模块中对获得的各个特征数据逐个进行上采样后至下一层次特征对应后拼接融合，获得多个融合特征数据，而后利用并行解码模块对其中的高层次特征数据进行聚合，利用注意力机制解码模块对各个融合特征数据进行解码和注意力机制学习，生成多个输出结果，最终迭代生成唯一目标结果，提供一基于注意力机制的多输出医学图像分割模型，能够很好地缓解人工分割压力，将现有卷积神将网络的特征处理和特征融合用于医学图像处理，设置并行部分解码器(用于对高层次特征数据的解码)和注意力机制解码器(对所有特征数据的解码)对于网络特征进行双重解码，获取不同层次的特征，关注大目标和小目标，提高医学图像分割模型预测结果的准确性。

实施例三：为实现上述目的，本发明还提供一种计算机设备9，该计算机设备可包括多个计算机设备，实施例二的图像分割装置8的组成部分可分散于不同的计算机设备9中，计算机设备9可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器等。本实施例的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器91、处理器92以及图像分割装置8。参阅图6，需要指出的是，图6仅示出了具有组件-的计算机设备，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

本实施例中，存储器91可以包括存储程序区和存储数据区，其中，存储程序区可存储搡作系统、至少一个功能所需要的应用程序；存储数据区可存储用户在计算机设备的数据。此外，存储器91可以包括高速随机存取存储器，还可以包括非易失性存储器，在一些实施例中，存储器91可选包括相对于处理器远程设置的存储器91，这些远程存储器可以通过网络连接。上述网络的实例包括但不限于互联网、局域网等。

处理器92在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器92通常用于控制计算机设备的总体操作。本实施例中，处理器92用于运行存储器91中存储的程序代码或者处理数据，例如运行图像分割装置8，以实现实施例一的图像分割方法。

需要指出的是，仅示出了具有部件91-92的计算机设备9，但是应理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。

实施例四：

为实现上述目的，本发明还提供一种计算机可读存储介质，其包括多个存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁盘、光盘、服务器等等，其上存储有计算机程序，程序被处理器92执行时实现相应功能。本实施例的计算机可读存储介质用于存储图像分割装置8，被处理器92执行时实现实施例一的图像分割方法。

应当注意的是，本发明的实施例有较佳的实施性，且并非对本发明作任何形式的限制，任何熟悉该领域的技术人员可能利用上述揭示的技术内容变更或修饰为等同的有效实施例，但凡未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何修改或等同变化及修饰，均仍属于本发明技术方案的范围内。