一种图像分割处理方法、装置及设备

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像分割处理方法、装置及设备。

背景技术

图像分割可以理解为把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，它是由图像处理到图像分析的关键步骤。图像分割可以包括前景分割，前景分割指的是让计算机从一幅给定的图片中判断出哪个是前景物体，哪些是背景部分，并从中分割出感兴趣的前景物体。虽然人的视觉系统可以很容易地判断出前景物体和背景部分，但是计算机目前来说还很难具备这种区分能力。如果能够让计算机自主快速地完成前景分割工作，这将对图像的分析、识别、理解、压缩编码等其它任务有极大的帮助，而提取结果的准确性将直接影响后续任务的性能，如何快速、有效地将感兴趣的目标从复杂的图像中分割出来，具有十分重要的意义。

现有的GrabCut图像分割方法，一般需要人机交互才能完成，无法实现全自动化，影响图像分割的效率。

发明内容

鉴于此，本发明实施例提供了一种图像分割处理方法、装置及设备，以消除或改善现有技术中存在的一个或更多个缺陷。

本发明的一个方面提供了一种图像分割处理方法，该方法包括以下步骤：

获取待处理图片；

利用边界框预测算法对所述待处理图片进行边界框预测，获得初始目标区域，所述初始目标区域中包括目标对象；

利用GrabCut算法对所述初始目标区域进行图像分割，获得所述目标对象。

在本发明的一些实施例中，所述利用边界框预测算法对所述待处理图片进行边界框预测，获得初始目标区域，包括：

将所述待处理图片进行格式转换，获得目标格式的转换图片；

利用边界框预测算法预测所述转换图片中目标边界框的中心坐标和宽高信息；

根据各个目标边界框的置信度，筛选出置信度满足预设要求的预选边界框的中心坐标和宽高信息；

根据所述预选边界框的中心坐标和宽高信息，将所述预选边界框映射到对应的矩形框；

遍历各个矩形框，根据各个矩形框的起始点横坐标、起始点纵坐标、宽度、高度，获得能够覆盖所述各个矩阵框的最小临界框，将所述最小临界框作为所述初始目标区域。

在本发明的一些实施例中，所述遍历各个矩形框，根据各个矩形框的起始点横坐标、起始点纵坐标、宽度、高度，获得能够覆盖所述各个矩阵框的最小临界框包括：

从左到右依次遍历各个矩形框，计算各个矩形框的起始点横坐标、起始点中坐标、宽度以及高度；

计算各个矩形框中的最大起始点横坐标与最小起始点横坐标的差与最大起始点横坐标的矩形框的宽度的和，获得临界框宽度；

计算各个矩形框中的最大高度对应的矩形框的起始点纵坐标与各个矩形框中的最小起始点纵坐标的差值的绝对值与所述最大高度的和，获得临界框高度；

基于各个矩形框的最小起始点横坐标、最小起始点纵坐标以及所述临界框宽度、所述临界框高度，获得所述最小临界框。

在本发明的一些实施例中，在利用GrabCut算法对所述初始目标区域进行图像分割之前，所述方法还包括：

对所述初始目标区域的边界框进行调节，利用GrabCut算法对调节后的初始目标区域进行图像分割。

在本发明的一些实施例中，所述对所述初始目标区域的边界框进行调节，包括：

将所述初始目标区域的边界框的起始点横坐标和起始点纵坐标在第一预设范围内缩小，将所述初始目标区域的边界框的宽度和高度在第二预设范围内增大。

本发明的另一方面提供了一种图像分割处理装置，该装置包括：

图像获取模块，用于获取待处理图片；

边界预测模块，用于利用边界框预测算法对所述待处理图片进行边界框预测，获得初始目标区域，所述初始目标区域中包括目标对象；

目标分割模块，用于利用GrabCut算法对所述初始目标区域进行图像分割，获得所述目标对象。

在本发明的一些实施例中，所述边界预测模块具体用于：

将所述待处理图片进行格式转换，获得目标格式的转换图片；

利用边界框预测算法预测所述转换图片中目标边界框的中心坐标和宽高信息；

根据各个目标边界框的置信度，筛选出置信度满足预设要求的预选边界框的中心坐标和宽高信息；

根据所述预选边界框的中心坐标和宽高信息，将所述预选边界框映射到对应的矩形框；

遍历各个矩形框，根据各个矩形框的起始点横坐标、起始点纵坐标、宽度、高度，获得能够覆盖所述各个矩阵框的最小临界框，将所述最小临界框作为所述初始目标区域。

在本发明的一些实施例中，所述装置还包括边界调节模块用于：

在利用GrabCut算法对所述初始目标区域进行图像分割之前，对所述初始目标区域的边界框进行调节；

所述目标分割模块还用于：利用GrabCut算法对调节后的初始目标区域进行图像分割。

本发明的另一方面提供了一种图像分割处理设备，包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该设备实现上述图像分割处理方法。

本发明的又一方面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图像分割处理方法。

本发明提供的一种图像分割处理方法、装置及设备，采用边界框预测算法自动化预测出图片中的目标对象所在的区域，再利用GrabCut算法对自动预测出的目标区域进行图像分割，从而实现了图像分割的全自动化，进而为图像分割的批量化分割奠定了基础，提升了图像分割的效率。同时，本说明书实施例中的边界框预测算法具备通用性，不局限于单一特定领域，进而为后续GrabCut算法的图像分割提供了通用性的方法，从而方便图像分割的推广应用。

本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现并获得。

本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。附图中的部件不是成比例绘制的，而只是为了示出本发明的原理。为了便于示出和描述本发明的一些部分，附图中对应部分可能被放大，即，相对于依据本发明实际制造的示例性装置中的其它部件可能变得更大。在附图中：

图1是本说明书一个实施例中提供的图像分割处理方法流程示意图；

图2是本说明书一个实施例中最小边界框的示意图；

图3是本说明书另一个实施例中图像分割处理方法的流程示意图；

图4是本说明书提供的图像分割处理装置一个实施例的模块结构示意；

图5是本说明书一个实施例中图像分割处理服务器的硬件结构框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。

在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。

应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。

在此，还需要说明的是，如果没有特殊说明，术语“连接”在本文不仅可以指直接连接，也可以表示存在中间物的间接连接。

在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。

图像分割一般是指将图像中的目标分割出来，本说明书实施例中的图像分割可以理解为前景分割，可以将原始图像中的前景图像分割出来，前景图像可以理解为用户感兴趣的图像。一般的人们在拍照时，焦点对准的都是感兴趣的目标，这样拍摄出来的图像中，目标都是在图像中的前景区域，其他区域可以理解为背景。

本说明书实施例中提供一种图像分割处理方法，利用边界框预测算法自动预测出原始图像的初始目标区域，再利用GrabCut算法进行图像分割，获得目标对象。避免了需要人为框选目标区域，实现了图像分割的全自动化，提升了图像分割的效率，同时，本说明书实施例中的图像分割方法不局限于单一领域，具备通用性，适用性更广。

图1是本说明书一个实施例中提供的图像分割处理方法流程示意图，如图1所示，本说明书提供的图像分割处理方法的一个实施例中，所述方法可以应用在计算机、平板电脑、服务器、智能手机、智能穿戴设备等终端设备中，所述方法可以包括如下步骤：

步骤102、获取待处理图片。

在具体的实施过程中，可以将要进行图像分割的图片作为待处理图片，待处理图片可以是一个也可以是多个，本说明书实施例中可以实现图像分割的全自动化，进而可以实现批量化的图像分割。

步骤104、利用边界框预测算法对所述待处理图片进行边界框预测，获得初始目标区域，所述初始目标区域中包括目标对象。

在具体的实施过程中，本说明书实施例中利用边界框预测算法对待处理图片进行边界框预测，将待处理图片中的目标对象框选出来，获得一个或多个初始目标区域，每一个初始目标区域中均包括目标对象，目标对象可以是一个或者多个。也就是说，一个图片中可以有多个目标对象，例如：一张班级同学合照中每一个同学均是一个目标对象。其中，边界框预测算法可以理解为一种目标边框预测方法，可以将图像中的目标框选出来的一种方法。本说明书实施例中的边界框预测算法具备通用性，可以基于通用领域数据集进行边界框预测算法模型的训练。

具体的边界框预测算法可以根据实际需要进行选择，如：滑动窗口法、YOLO(YouOnly Look Once)算法，YOLO算法是一种目标检测算法。YOLO算法采用一个单独的CNN模型实现end-to-end的目标检测，首先将输入图片resize到416×416，然后送入CNN网络，最后处理网络预测结果得到检测的目标。本说明书一些实施例中，可以使用YOLOV3算法进行边界框预测，YOLOV3算法是YOLO算法的第三代改进算法，YOLO算法一般会先将图片分成S×S个块，YOLOV3算法是将格子划分的更细了，在一定程度上缓解了小目标检测不到的问题以及多个框重叠在一起只能画出一个框的问题。

本说明书一些实施例中，所述利用边界框预测算法对所述待处理图片进行边界框预测，获得初始目标区域，包括：

将所述待处理图片进行格式转换，获得目标格式的转换图片；

利用边界框预测算法预测所述转换图片中目标边界框的中心坐标和宽高信息；

根据各个目标边界框的置信度，筛选出置信度满足预设要求的预选边界框的中心坐标和宽高信息；

根据所述预选边界框的中心坐标和宽高信息，将所述预选边界框映射到对应的矩形框；

遍历各个矩形框，根据各个矩形框的起始点横坐标、起始点纵坐标、宽度、高度，获得能够覆盖所述各个矩阵框的最小临界框，将所述最小临界框作为所述初始目标区域。

在具体的实施过程中，采用边界框预测算法进行边界框预测的过程可以参考如下：

步骤(1)：输入一张原始图像，然后将它转换为目标格式，如转换为416×416的图像，转步骤(2)；

步骤(2)：调用YOLOv3-416模型预测格式转换后的转换图片中所有目标边界框的中心坐标和宽高信息，转步骤(3)；

步骤(3)：根据置信度将置信度符合预设要求的边界框筛选出来作为预选边界框，如将置信度C>0.5的目标边界框过滤出来，并计算过滤出的预选边界框的中心坐标和宽高信息，转步骤(4)；

步骤(4)：遍历所有符合要求的预选边界框对应的中心坐标及宽高信息并将其映射为对应的矩形框。

其中，坐标映射的准则可以为：x＝int(centerX-(width/2))，y＝int(centerY-(height/2))，x,y分别为映射之后的矩形框的起始坐标点位置，width和height分别为预选边界框的宽和高，它们与映射后的矩形框的宽和高保持一致，centerX和centerY分别表示预选边界框的中心点坐标，int函数指向下取整，转步骤(5)；

步骤(5)：遍历各个矩形框，根据各个矩形框的起始点横坐标、起始点纵坐标、宽度、高度，获得能够覆盖所述各个矩阵框的最小临界框，最小临界框即能够覆盖待处理图片中的目标对象的最小边框，即本说明书实施例中的初始目标区域。

通过上述边界框预测算法可以实现图片中边界框的准确自动化识别，进而为后续前景图像的分割奠定了数据基础。

根据实际需要还可以采用其它的YOLO系列模型来替代YOLOv3-416模型实现ROI区域智能选取技术。

本说明书一些实施例中，所述遍历各个矩形框，根据各个矩形框的起始点横坐标、起始点纵坐标、宽度、高度，获得能够覆盖所述各个矩阵框的最小临界框包括：

从左到右依次遍历各个矩形框，计算各个矩形框的起始点横坐标、起始点纵坐标、宽度以及高度；

计算各个矩形框中的最大起始点横坐标与最小起始点横坐标的差与最大起始点横坐标的矩形框的宽度的和，获得临界框宽度；

计算各个矩形框中的最大高度对应的矩形框的起始点纵坐标与各个矩形框中的最小起始点纵坐标的差值的绝对值与所述最大高度的和，获得临界框高度；

基于各个矩形框的最小起始点横坐标、最小起始点纵坐标以及所述临界框宽度、所述临界框高度，获得所述最小临界框。

在具体的实施过程中，在将预选边界框映射为矩形框后，可以从左到右依次遍历各个矩形框，求出这些矩形框的起始点横坐标、起始点纵坐标、宽度以及高度。计算各个矩形框中的最大起始点横坐标X2与最小起始点横坐标X1的差，再将计算出的差值与最大起始点横坐标X2所对应的矩形框的宽度相加，进而获得临界框宽度。计算各个矩形框中的最大高度对应的矩形框的起始点纵坐标Y1与各个矩形框中的最小起始点纵坐标Y2的差值的绝对值，再将计算出的差值与Y1所对应的矩形框的最大高度相加，获得临界框高度。其中临界框宽度和临界框高度即为最小临界框的宽度和高度，再将各个矩形框中的最小起始点横坐标和最小起始点纵坐标作为最小临界框的起始点，进而获得最小临界框。最小临界框的确定原理可以参考如下：

定义Min_X为存储各个矩形框的起始点横坐标的集合，Min_Y为存储各个矩形框的起始点纵坐标的集合，W表示矩形框的宽，H表示矩形框的高，W[x]＝w表示一个字典，其中的值都是Key-Value格式记录的，Key是用来记录每一个矩形框的起始点横坐标，也就是x的值，Value是记录当前这个起始点横坐标所对应的矩形框的宽即w的值，H[h]＝y表示另一个字典，Key是用来记录每一个矩形框的高，也就是h的值，Value是记录当前这个高所对应的矩形框的起始点纵坐标即y的值。那么：

min_x＝min(Min_X)，表示各个矩形框中的起始点横坐标中的最小值，即最小起始点横坐标；

min_y＝min(Min_Y)，表示各个矩形框中的起始点横坐标中的最小值，即最小起始点横坐标；

min_w＝max(Min_X)-min(Min_X)+W[max(Min_X)]，表示各个矩形框中的起始点横坐标中的最大值减去各个矩形框中的起始点横坐标中的最小值，加上各个矩形框中的起始点横坐标中的最大值对应的矩形框的宽；

min_h＝max(Max_H)+abs(H[max(Max_H)]-min(Min_Y))，表示各个矩形框中的高度最大值，再加上高度最大值的矩形框对应的起始点纵坐标的值与各个矩形框中起始点纵坐标的最小值的差的绝对值。

将(min_x，min_y，min_w，min_h)构成的矩形框称作最小临界框，最小临界框可以理解为ROI矩形框。ROI((region of interest))指图像处理中的术语“感兴趣区”，是在要处理的图像中提取出的感兴趣的区域。

图2是本说明书一个实施例中最小边界框的示意图，如图2所示，图片中有两个目标，在初步识别时，可以在图片中框选出两个边界框，通过映射，获得两个矩形框即图中的矩形框1和矩形框2，再利用上述实施例的方法，可以获得能够覆盖这两个矩形框的最小边界框，即图中的矩形框3。

利用上述实施例的方法可以准确、快速的从待处理图片中确定出目标对象所在的区域，即初始目标区域，不再需要人工圈选目标框，实现了的目标区域的自动化识别，进而为图像分割的自动化奠定了基础，方便图像分割的批量化，提升了图像分割的效率。

步骤106、利用GrabCut算法对所述初始目标区域进行图像分割，获得所述目标对象。

在具体的实施过程中，本说明书实施例中在自动识别出待处理图片中的初始目标区域后，可以利用GrabCut算法对初始目标区域进行图像分割，分割出其中到的目标对象，进而实现待处理图像的自动化前景分割。Grabcut是基于图割(graph cut)理论实现的图像分割算法，Grabcut算法主要运用于计算机视觉中的前景分割，立体视觉和抠图等，该算法利用了图像中的纹理(颜色)信息和边界(反差)信息，只要少量的用户交互操作即可得到比较好的分割结果，一般需要用户输入一个bounding box作为分割目标位置，实现对目标与背景的分离或分割。本说明书实施例中，通过边界框预测算法自动预测出一个边界框，不需要用户选择输入，解决了Grabcut算法需要人机交互的问题，进而提升图像分割的效率。其中，GrabCut模型求解过程中除了采用膨胀和腐蚀等常用的图像预处理技术外，还可以增加平滑或阈值过滤等处理步骤。

图3是本说明书另一个实施例中图像分割处理方法的流程示意图，如图3所示，本说明书一些实施例中，在利用GrabCut算法对所述初始目标区域进行图像分割之前，所述方法还包括：

对所述初始目标区域的边界框进行调节，利用GrabCut算法对调节后的初始目标区域进行图像分割。

在具体的实施过程中，如图3所示，本说明书实施例中的图像分割主要包括图像边界框的预测和分割操作，首先是利用边界框的预测算法从原始输入的图像中预测出前景图像所在的边界框位置，然后结合微调策略生成对应的ROI区域，最后再利用GrabCut算法提取ROI区域中的前景图像并输出分割结果。在利用边界框预测算法如：YOLOv3预测出待处理图片中的初始目标区域后，可以对初始目标区域的边界框进行调节，如：调节初始目标区域的边界框的宽度和高度，使得初始目标区域的边界框尽可能覆盖图片中的所有目标物体。一般的图片中的目标对象是不规则的，但边界框预测算法预测出的边界框是规则的矩形框，预测出的矩形框有可能不能全部覆盖图片中的目标物体。本说明书实施例中，通过对初始目标区域的边界框进行调节，使得初始目标区域的边界框尽可能覆盖图片中的所有目标物体，再对调节后的初始目标区域采用GrabCut算法进行图像分割，提升了图像分割的准确性。

本说明书一些实施例中，所述对所述初始目标区域的边界框进行调节，包括：

将所述初始目标区域的边界框的起始点横坐标和起始点纵坐标在第一预设范围内缩小，将所述初始目标区域的边界框的宽度和高度在第二预设范围内增大。

在具体的实施过程中，本说明书实施例在对初始目标区域的边界框进行调节时，不仅需要调节后的边界框能够覆盖全部目标物体，还需要调节后的边界框不能超出图片的边界。本说明书实施例中对初始目标区域的边界框进行微调时，可以将初始目标区域的边界框的起始点横坐标和起始点纵坐标在第一预设范围内缩小，也就是将初始目标区域的边界框的起始点向左下角偏移一定范围，再将初始目标区域的边界框的宽度和高度在第二预设范围内增大。其中第一预设范围和第二预设范围的大小可以根据实际需要进行设置，本说明书实施例不做具体限定，只需要保证微调后的ROI矩形框可以覆盖所有目标物体且不会超出图像的边界区域。第一预设范围和第二预设范围的取值可以相同，也可以不同，本说明书实施例不做具体限定。本说明书一个示例一种，微调准则可以设置为：ROI＝(max(0,min_x-25),(max(0,min_y-25),min(416,min_w+30),min(416,min_h+30))，也就是说，将通过边界框预测算法预测出的ROI区域的起始点横纵坐标均减去25，再将预测出的ROI区域的宽和高均增加30。经验证，通过这种微调方式可以实现将图片中的目标均框选在目标区域，又可以确保微调后的目标区域不超出图片的边界。当然，根据实际需要还可以使用其他ROI区域框的微调技术来进行替代。

本说明书实施例提供了一种图像分割处理方法，采用边界框预测算法自动化预测出图片中的目标对象所在的区域，再利用GrabCut算法对自动预测出的目标区域进行图像分割，从而实现了图像分割的全自动化，进而为图像分割的批量处理化奠定了基础，提升了图像分割的效率。同时，本说明书实施例中的边界框预测算法具备通用性，不局限于单一特定领域，进而为后续GrabCut算法的图像分割提供了通用性的方法，从而方便图像分割的推广应用。

表1是本说明书一个实施例中图像分割的原理示意

/>

如表1所示，其中输入为原始图像访问路径，输出为对应的前景图像。本说明书实施例实现了图像分割的统一建模，是一种适用于通用领域的图像分割方法，本说明书实施例提出了智能的ROI区域框选方法，实现了非交互式的GrabCut算法图像分割。本说明书实施例同时兼顾了前景图像分割的通用性和自动化特征，综合性能比其它方法更优。

本说明书中上述方法的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参考即可，每个实施例重点说明的都是与其他实施例的不同之处。相关之处参考方法实施例的部分说明即可。

基于上述所述的图像分割处理方法，本说明书一个或多个实施例还提供一种图像分割处理的装置。所述装置可以包括使用了本说明书实施例所述方法的装置(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置的实施可以参考前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

具体地，图4是本说明书提供的图像分割处理装置一个实施例的模块结构示意图，如图4所示，本说明书中提供的装置可以包括：

图像获取模块41，用于获取待处理图片；

边界预测模块42，用于利用边界框预测算法对所述待处理图片进行边界框预测，获得初始目标区域，所述初始目标区域中包括目标对象；

目标分割模块43，用于利用GrabCut算法对所述初始目标区域进行图像分割，获得所述目标对象。

本说明书一些实施例中，所述边界预测模块具体用于：

将所述待处理图片进行格式转换，获得目标格式的转换图片；

利用边界框预测算法预测所述转换图片中目标边界框的中心坐标和宽高信息；

根据各个目标边界框的置信度，筛选出置信度满足预设要求的预选边界框的中心坐标和宽高信息；

根据所述预选边界框的中心坐标和宽高信息，将所述预选边界框映射到对应的矩形框；

遍历各个矩形框，根据各个矩形框的起始点横坐标、起始点纵坐标、宽度、高度，获得能够覆盖所述各个矩阵框的最小临界框，将所述最小临界框作为所述初始目标区域。

本说明书一些实施例中，所述装置还包括边界调节模块用于：

在利用GrabCut算法对所述初始目标区域进行图像分割之前，对所述初始目标区域的边界框进行调节；

所述目标分割模块还用于：利用GrabCut算法对调节后的初始目标区域进行图像分割。

本说明书实施例提供的图像分割处理装置，保证了图像分割算法的通用性，可以实现非交互式的ROI智能区域选取操作，真正实现了既可以兼顾不同领域的图像分割任务，又可以全自动化的完成前景图像的区域框选。

需要说明的，上述所述的装置根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图5是本说明书一个实施例中图像分割处理服务器的硬件结构框图，该计算机终端可以是上述实施例中的图像分割处理服务器或图像分割处理装置。如图5所示服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的非易失性存储器200、以及用于通信功能的传输模块300。本领域普通技术人员可以理解，图5所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器10还可包括比图5中所示更多或者更少的组件，例如还可以包括其他的处理硬件，如数据库或多级缓存、GPU，或者具有与图5所示不同的配置。

非易失性存储器200可用于存储应用软件的软件程序以及模块，如本说明书实施例中的图像分割处理方法对应的程序指令/模块，处理器100通过运行存储在非易失性存储器200内的软件程序以及模块，从而执行各种功能应用以及资源数据更新。非易失性存储器200可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，非易失性存储器200可进一步包括相对于处理器100远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输模块300包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块300可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

与上述方法相应地，本发明还提供了一种装置，该装置包括计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该装置实现如前所述方法的步骤。

本发明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，该计算机程序被处理器执行时以实现前述边缘计算服务器部署方法的步骤。该计算机可读存储介质可以是有形存储介质，诸如随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。

本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。