图像标注方法、装置、系统及细胞标注方法.pdf

《图像标注方法、装置、系统及细胞标注方法.pdf》由会员分享，可在线阅读，更多相关《图像标注方法、装置、系统及细胞标注方法.pdf（31页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910792580.5 (22)申请日 2019.08.26 (71)申请人 腾讯科技 （深圳） 有限公司 地址 518000 广东省深圳市南山区高新区 科技中一路腾讯大厦35层 (72)发明人 田宽江铖沈荣波张军 颜克洲 (74)专利代理机构 深圳市隆天联鼎知识产权代 理有限公司 44232 代理人 刘抗美 (51)Int.Cl. G06T 3/40(2006.01) G06T 7/11(2017.01) G06T 7/73(2017.01) G06T 7/90(2017。

2、.01) G06K 9/62(2006.01) (54)发明名称 图像标注方法、 装置、 系统及细胞标注方法 (57)摘要 本公开提供了一种图像标注方法、 装置、 系 统及细胞标注方法， 涉及人工智能领域。 该方法 包括： 获取待标注图像， 所述待标注图像中包含 对目标对象进行预标注的标识； 对所述待标注图 像进行图像分割， 以获取与所述待标注图像对应 的超像素； 根据所述标识对应的像素信息和所述 超像素中的像素信息进行超像素聚类， 以对所述 目标对象进行标注。 本公开避免了完全通过人工 标注的方式对目标对象进行标注， 节省了人力物 力， 提高了标记效率； 另外对待标注图像进行图 像分割形成超。

3、像素， 能够减少像素聚类时的计算 量， 进一步提高了标记效率。 权利要求书3页 说明书17页 附图10页 CN 110570352 A 2019.12.13 CN 110570352 A 1.一种图像标注方法， 其特征在于， 包括： 获取待标注图像， 所述待标注图像中包含对目标对象进行预标注的标识； 对所述待标注图像进行图像分割， 以获取与所述待标注图像对应的超像素； 根据所述标识对应的像素信息和所述超像素中的像素信息进行超像素聚类， 以对所述 目标对象进行标注。 2.根据权利要求1所述的图像标注方法， 其特征在于， 对所述待标注图像进行图像分 割， 以获取与所述待标注图像对应的超像素， 包括。

4、： 对所述待标注图像的图像格式进行转换， 以获取目标图像； 根据预设分割数量对所述目标图像进行预分割， 并在预分割形成的图像区域中形成初 始种子点； 根据所述初始种子点确定目标邻域， 并根据所述初始种子点和所述目标邻域中的像素 之间的像素梯度确定目标种子点； 计算所述目标种子点与所述目标邻域中各像素的距离， 根据所述距离对所述目标邻域 中的像素进行划分， 以形成所述超像素。 3.根据权利要求1所述的图像标注方法， 其特征在于， 所述超像素的数量为多个； 所述根据所述标识对应的像素信息和所述超像素中的像素信息进行超像素聚类， 以对 所述目标对象进行标注， 包括： 从多个所述超像素中确定目标超像素。

5、， 根据所述目标超像素的种子点和预设距离确定 搜索区域； 获取所述搜索区域中与所述标记点对应的标记超像素； 根据所述标记超像素中的像素信息和所述目标超像素中的像素信息进行超像素聚类， 以对所述目标对象进行标注。 4.根据权利要求3所述的图像标注方法， 其特征在于， 根据所述目标超像素的种子点和 预设距离确定搜索区域， 包括： 获取所述种子点的第一坐标和第二坐标； 根据所述第一坐标和所述预设距离确定第一边界和第二边界， 同时根据所述第二坐标 和所述预设距离确定第三边界和第四边界； 根据所述第一边界、 所述第二边界、 所述第三边界和所述第四边界确定所述搜索区域。 5.根据权利要求3所述的图像标注方。

6、法， 所述像素信息包括坐标信息和色彩信息； 所述根据所述标记超像素中的像素信息和所述目标超像素中的像素信息进行超像素 聚类， 以对所述目标对象进行标注， 包括： 获取所述标记超像素的种子点的第一坐标信息及第一色彩信息， 同时获取所述目标超 像素的种子点的第二坐标信息及第二色彩信息； 根据所述第一坐标信息和所述第二坐标信息确定第一二维空间距离； 根据所述第一色彩信息和所述第二色彩信息确定第一色彩空间距离； 根据所述第一二维空间距离和所述第一色彩空间距离确定第一目标距离， 并根据所述 第一目标距离对所述目标超像素进行判断， 以根据判断结果对所述目标对象进行标注。 6.根据权利要求5所述的图像标注方。

7、法， 其特征在于， 所述根据所述第一坐标信息和所 述第二坐标信息确定第一二维空间距离， 包括： 权利要求书 1/3 页 2 CN 110570352 A 2 根据所述搜索区域对应的坐标信息确定所述搜索区域中的最大空间距离； 根据所述第一坐标信息和所述第二坐标信息确定第一空间距离； 将所述第一空间距离与所述最大空间距离相除， 以获取所述第一二维空间距离。 7.根据权利要求5所述的图像标注方法， 其特征在于， 所述根据所述第一色彩信息和所 述第二色彩信息确定第一色彩空间距离， 包括： 根据所述待标注图像中的最大色彩值和最小色彩值确定最大色彩距离； 根据所述第一色彩信息和所述第二色彩信息确定第一色彩。

8、距离； 将所述第一色彩距离与所述最大色彩距离相除， 以获取所述第一色彩空间距离。 8.根据权利要求5所述的图像标注方法， 其特征在于， 所述根据所述第一二维空间距离 和所述第一色彩空间距离确定第一目标距离， 包括： 对所述第一二维空间距离和所述第一色彩空间距离进行加权求和， 以获取与所述目标 超像素对应的距离； 从与所述目标超像素对应的距离中确定一最小距离， 并将所述最小距离作为所述第一 目标距离。 9.根据权利要求8所述的图像标注方法， 其特征在于， 所述根据所述第一目标距离对所 述目标超像素进行判断， 以根据判断结果对所述目标对象进行标注， 包括： 将所述第一目标距离与第一预设阈值进行比较。

9、， 根据比较结果对所述目标超像素进行 分类； 当所述第一目标距离大于所述第一预设阈值时， 判定所述目标超像素属于背景区域； 当所述第一目标距离小于或等于所述第一预设阈值时， 判定所述目标超像素属于所述 标识对应的目标对象， 并将所述目标超像素与所述标注超像素聚类。 10.根据权利要求3所述的图像标注方法， 其特征在于， 在所述根据所述标识对应的像 素信息和所述超像素中的像素信息进行超像素聚类， 以对所述目标对象进行标注之前， 所 述方法还包括： 计算所述超像素中所有像素的像素均值， 并将所述超像素中所有像素的像素值替换为 所述像素均值。 11.根据权利要求10所述的图像标注方法， 其特征在于，。

10、 所述像素信息包括坐标信息和 色彩信息； 所述根据所述标记超像素中的像素信息和所述目标超像素中的像素信息进行超像素 聚类， 以对所述目标对象进行标注， 包括： 获取所述标记超像素中任意一点的第三坐标信息及第三色彩信息， 同时获取所述目标 超像素中任意一点的第四坐标信息及第四色彩信息； 根据所述第三坐标信息和所述第四坐标信息确定第二二维空间距离； 根据所述第三色彩信息和所述第四色彩信息确定第二色彩空间距离； 根据所述第二二维空间距离和所述第二色彩空间距离确定第二目标距离， 并根据所述 第二目标距离对所述目标超像素进行判断， 以根据判断结果对所述目标对象进行标注。 12.根据权利要求11所述的图像。

11、标注方法， 其特征在于， 所述根据所述第二二维空间距 离和所述第二色彩空间距离确定第二目标距离， 包括： 对所述第二二维空间距离和所述第二色彩空间距离进行加权求和， 以获取与所述目标 权利要求书 2/3 页 3 CN 110570352 A 3 超像素对应的距离； 从与所述目标超像素对应的距离中确定一最小距离， 并将所述最小距离作为所述第二 目标距离。 13.根据权利要求11所述的图像标注方法， 其特征在于， 所述根据所述第二目标距离对 所述目标超像素进行判断， 以根据判断结果对所述目标对象进行标注， 包括： 将所述第二目标距离与第二预设阈值进行比较， 根据比较结果对所述目标超像素进行 分类；。

12、 当所述第二目标距离大于所述第二预设阈值时， 判定所述目标超像素属于背景区域； 当所述第二目标距离小于或等于所述第二预设阈值时， 判定所述目标超像素属于所述 标识对应的目标对象， 并将所述目标超像素与所述标注超像素聚类。 14.一种图像标注装置， 其特征在于， 包括： 预标注模块， 用于获取待标注图像， 所述待标注图像中包含对目标对象进行预标注的 标识； 图像分割模块， 用于对所述待标注图像进行图像分割， 以获取与所述待标注图像对应 的超像素； 像素聚类模块， 用于根据所述标识对应的像素信息和所述超像素中的像素信息进行超 像素聚类， 以对所述目标对象进行标注。 15.一种图像标注系统， 其特征。

13、在于， 包括： 拍摄装置， 用于拍摄包含目标对象的待标注图像； 预标注装置， 与所述拍摄装置连接， 用于获取所述待标注图像， 并对所述目标对象进行 预标注， 以形成对所述目标对象进行预标注的标识； 图像处理装置， 与所述预标注装置连接， 用于接收预标注后的所述待标注图像， 并且所 述图像处理装置包括一个或多个处理器， 其中， 所述存储装置用于存储一个或多个程序， 当 所述一个或多个程序被所述一个或多个处理器执行时， 使得所述一个或多个处理器对预标 注后的所述待标注图像执行如权利要求1至13中任一项所述的图像标注方法； 显示装置， 与所述图像处理装置连接， 用于接收所述图像处理装置输出的图像标注。

14、结 果， 并将所述图像标注结果显示于所述显示装置的显示屏幕上。 16.一种细胞标注方法， 其特征在于， 包括： 获取待标注病理图像， 所述待标注病理图像中包含对细胞进行预标注的标识； 对所述待标注病理图像进行图像分割， 以获取与所述待标注病理图像对应的超像素； 根据所述标识对应的像素信息和所述超像素中的像素信息进行超像素聚类， 以对所述 细胞进行标注。 权利要求书 3/3 页 4 CN 110570352 A 4 图像标注方法、 装置、 系统及细胞标注方法 技术领域 0001 本公开涉及人工智能技术领域， 具体而言， 涉及一种图像标注方法、 图像标注装 置、 图像标注系统及细胞标注方法。 背景。

15、技术 0002 为了获取图像中的信息， 通常需要对图像中的对象进行标注， 目前对图像进行标 注的方法主要有两种： 人工标注和自动标注， 其中人工标注是通过人工方式对图像中的对 象进行识别并标记， 自动标注是基于人工智能实现对图像中的对象的识别和标记。 图像标 注广泛应用于多个领域， 其中医学领域应用较多。 0003 以对病理切片中的细胞进行标注为例， 在标注细胞时需要准确勾勒出细胞的边 界， 如果仅通过人工标注的方式对病理切片中的细胞进行标注， 需要耗费大量的人力物力， 并且标注成本也非常高。 0004 鉴于此， 本领域亟需开发一种新的图像标注方法。 0005 需要说明的是， 在上述背景技术部。

16、分公开的信息仅用于加强对本公开的背景的理 解， 因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。 发明内容 0006 本公开的实施例提供了一种图像标注方法、 图像标注装置、 图像标注系统及细胞 标注方法， 进而至少在一定程度上可以避免人工对待标注图像中的目标对象进行标注， 提 高了标注效率， 降低了标注成本， 另外通过将待标注图像分割为超像素进行标注， 减少了计 算量， 进一步提高了标注效率。 0007 本公开的其他特性和优点将通过下面的详细描述变得显然， 或部分地通过本公开 的实践而习得。 0008 根据本公开实施例的一个方面， 提供了一种图像标注方法， 包括： 获取待标注图 像。

17、， 所述待标注图像中包含对目标对象进行预标注的标识； 对所述待标注图像进行图像分 割， 以获取与所述待标注图像对应的超像素； 根据所述标识对应的像素信息和所述超像素 中的像素信息进行超像素聚类， 以对所述目标对象进行标注。 0009 根据本公开实施例的一个方面， 提供了一种图像标注装置， 包括： 预标注模块， 用 于获取待标注图像， 所述待标注图像中包含对目标对象进行预标注的标识； 图像分割模块， 用于对所述待标注图像进行图像分割， 以获取与所述待标注图像对应的超像素； 像素聚类 模块， 用于根据所述标识对应的像素信息和所述超像素中的像素信息进行超像素聚类， 以 对所述目标对象进行标注。 00。

18、10 在本公开的一些实施例中， 基于前述方案， 所述图像分割模块配置为： 对所述待标 注图像的图像格式进行转换， 以获取目标图像； 根据预设分割数量对所述目标图像进行预 分割， 并在预分割形成的图像区域中形成初始种子点； 根据所述初始种子点确定目标邻域， 并根据所述初始种子点和所述目标邻域中的像素之间的像素梯度确定目标种子点； 计算所 说明书 1/17 页 5 CN 110570352 A 5 述目标种子点与所述目标邻域中各像素的距离， 根据所述距离对所述目标邻域中的像素进 行划分， 以形成所述超像素。 0011 在本公开的一些实施例中， 所述超像素的数量为多个； 基于前述方案， 所述像素聚 。

19、类模块包括： 搜索区域生成单元， 用于从多个所述超像素中确定目标超像素， 根据所述目标 超像素的种子点和预设距离确定搜索区域； 标记超像素获取单元， 用于获取所述搜索区域 中与所述标记点对应的标记超像素； 像素聚类单元， 用于根据所述标记超像素中的像素信 息和所述目标超像素中的像素信息进行超像素聚类， 以对所述目标对象进行标注。 0012 在本公开的一些实施例中， 基于前述方案， 所述搜索区域生成单元配置为： 获取所 述种子点的第一坐标和第二坐标； 根据所述第一坐标和所述预设距离确定第一边界和第二 边界， 同时根据所述第二坐标和所述预设距离确定第三边界和第四边界； 根据所述第一边 界、 所述第。

20、二边界、 所述第三边界和所述第四边界确定所述搜索区域。 0013 在本公开的一些实施例中， 所述像素信息包括坐标信息和色彩信息； 基于前述方 案， 所述像素聚类单元包括： 第一信息获取单元， 用于获取所述标记超像素的种子点的第一 坐标信息及第一色彩信息， 同时获取所述目标超像素的种子点的第二坐标信息及第二色彩 信息； 第一距离获取单元， 用于根据所述第一坐标信息和所述第二坐标信息确定第一二维 空间距离； 第二距离获取单元， 用于根据所述第一色彩信息和所述第二色彩信息确定第一 色彩空间距离； 第一判断单元， 用于根据所述第一二维空间距离和所述第一色彩空间距离 确定第一目标距离， 并根据所述第一目。

21、标距离对所述目标超像素进行判断， 以根据判断结 果对所述目标对象进行标注。 0014 在本公开的一些实施例中， 基于前述方案， 所述第一距离获取单元配置为： 根据所 述搜索区域对应的坐标信息确定所述搜索区域中的最大空间距离； 根据所述第一坐标信息 和所述第二坐标信息确定第一空间距离； 将所述第一空间距离与所述最大空间距离相除， 以获取所述第一二维空间距离。 0015 在本公开的一些实施例中， 基于前述方案， 所述第二距离获取单元包括： 根据所述 待标注图像中的最大色彩值和最小色彩值确定最大色彩距离； 根据所述第一色彩信息和所 述第二色彩信息确定第一色彩距离； 将所述第一色彩距离与所述最大色彩距。

22、离相除， 以获 取所述第一色彩空间距离。 0016 在本公开的一些实施例中， 基于前述方案， 所述第一判断单元配置为： 对所述第一 二维空间距离和所述第一色彩空间距离进行加权求和， 以获取与所述目标超像素对应的距 离； 从与所述目标超像素对应的距离中确定一最小距离， 并将所述最小距离作为所述第一 目标距离。 0017 在本公开的一些实施例中， 基于前述方案， 所述第一判断单元配置为： 将所述第一 目标距离与第一预设阈值进行比较， 根据比较结果对所述目标超像素进行分类； 当所述第 一目标距离大于所述第一预设阈值时， 判定所述目标超像素属于背景区域； 当所述第一目 标距离小于或等于所述第一预设阈值。

23、时， 判定所述目标超像素属于所述标识对应的目标对 象， 并将所述目标超像素与所述标注超像素聚类。 0018 在本公开的一些实施例中， 基于前述方案， 所述图像标注装置还包括： 像素均值计 算模块， 用于计算所述超像素中所有像素的像素均值， 并将所述超像素中所有像素的像素 值替换为所述像素均值。 说明书 2/17 页 6 CN 110570352 A 6 0019 在本公开的一些实施例中， 所述像素信息包括坐标信息和色彩信息； 基于前述方 案， 所述像素聚类模块包括： 第二信息获取单元， 用于获取所述标记超像素中任意一点的第 三坐标信息及第三色彩信息， 同时获取所述目标超像素中任意一点的第四坐标。

24、信息及第四 色彩信息； 第三距离获取单元， 用于根据所述第三坐标信息和所述第四坐标信息确定第二 二维空间距离； 第四距离获取单元， 用于根据所述第三色彩信息和所述第四色彩信息确定 第二色彩空间距离； 第二判断单元， 用于根据所述第二二维空间距离和所述第二色彩空间 距离确定第二目标距离， 并根据所述第二目标距离对所述目标超像素进行判断， 以根据判 断结果对所述目标对象进行标注。 0020 在本公开的一些实施例中， 基于前述方案， 所述第三距离获取单元配置为： 对所述 第二二维空间距离和所述第二色彩空间距离进行加权求和， 以获取与所述目标超像素对应 的距离； 从与所述目标超像素对应的距离中确定一最。

25、小距离， 并将所述最小距离作为所述 第二目标距离。 0021 在本公开的一些实施例中， 基于前述方案， 所述第四距离获取单元配置为： 将所述 第二目标距离与第二预设阈值进行比较， 根据比较结果对所述目标超像素进行分类； 当所 述第二目标距离大于所述第二预设阈值时， 判定所述目标超像素属于背景区域； 当所述第 二目标距离小于或等于所述第二预设阈值时， 判定所述目标超像素属于所述标识对应的目 标对象， 并将所述目标超像素与所述标注超像素聚合。 0022 根据本公开实施例的一个方面， 提供了一种图像标注系统， 包括： 拍摄装置， 用于 拍摄包含目标对象的待标注图像； 预标注装置， 与所述拍摄装置连接。

26、， 用于获取所述待标注 图像， 并对所述目标对象进行预标注， 以形成对所述目标对象进行预标注的标识； 图像处理 装置， 与所述预标注装置连接， 用于接收预标注后的所述待标注图像， 并且所述图像处理装 置包括一个或多个处理器， 其中， 所述存储装置用于存储一个或多个程序， 当所述一个或多 个程序被所述一个或多个处理器执行时， 使得所述一个或多个处理器对预标注后的所述待 标注图像执行如上述实施例中所述的图像标注方法； 显示装置， 与所述图像处理装置连接， 用于接收所述图像处理装置输出的图像标注结果， 并将所述图像标注结果显示于所述显示 装置的显示屏幕上。 0023 根据本公开实施例的一个方面， 提。

27、供了一种细胞标注方法， 包括： 获取待标注病理 图像， 所述待标注病理图像中包含对细胞进行预标注的标识； 对所述待标注病理图像进行 图像分割， 以获取与所述待标注病理图像对应的超像素； 根据所述标识对应的像素信息和 所述超像素中的像素信息进行超像素聚类， 以对所述细胞进行标注。 0024 在本公开的一些实施例所提供的技术方案中， 首先对待标注图像中的目标对象进 行预标注形成标识， 接着对待标注图像进行图像分割以获取与待标注图像对应的超像素； 最后根据标识对应的像素信息和超像素中的像素信息进行超像素聚类， 实现对目标对象的 标注。 本公开的技术方案能够在人工标注的基础上结合机器标注实现对目标对象。

28、的半自动 标注， 避免对目标对象的完全人工标注， 节省了人力物力， 提高了标记效率； 另外对待标注 图像进行图像分割形成超像素， 能够减少像素聚类时的计算量， 进一步提高了标记效率。 0025 应当理解的是， 以上的一般描述和后文的细节描述仅是示例性和解释性的， 并不 能限制本公开。 说明书 3/17 页 7 CN 110570352 A 7 附图说明 0026 此处的附图被并入说明书中并构成本说明书的一部分， 示出了符合本公开的实施 例， 并与说明书一起用于解释本公开的原理。 显而易见地， 下面描述中的附图仅仅是本公开 的一些实施例， 对于本领域普通技术人员来讲， 在不付出创造性劳动的前提下。

29、， 还可以根据 这些附图获得其他的附图。 在附图中： 0027 图1示出了可以应用本公开实施例的技术方案的示例性系统架构的示意图； 0028 图2示意性示出了相关技术中的人工标注的流程示意图； 0029 图3示意性示出了根据本公开的一个实施例的图像标注方法的流程示意图； 0030 图4示意性示出了根据本公开的一个实施例的人工标注细胞的界面示意图； 0031 图5示意性示出了根据本公开的一个实施例的超像素分割的流程示意图； 0032 图6示意性示出了根据本公开的一个实施例的超像素分割后的图像界面示意图； 0033 图7示意性示出了根据本公开的一个实施例的像素聚类的流程示意图； 0034 图8示意。

30、性示出了根据本公开的一个实施例的像素聚类的流程示意图； 0035 图9示意性示出了根据本公开的一个实施例的计算第一二维空间距离的流程示意 图； 0036 图10示意性示出了根据本公开的一个实施例的计算第一色彩空间距离的流程示 意图； 0037 图11示意性示出了根据本公开的一个实施例的标注目标对象的流程示意图； 0038 图12示意性示出了根据本公开的一个实施例的调整像素值后的超像素界面示意 图； 0039 图13示意性示出了根据本公开的一个实施例的另一种超像素聚类的流程示意图； 0040 图14示意性示出了根据本公开的一个实施例的超像素聚类后的细胞标注界面示 意图； 0041 图15A-15。

31、B示意性示出了根据本公开的一个实施例的两幅病理图像中细胞标注的 界面示意图； 0042 图16示意性示出了根据本公开的一个实施例的图像标注装置的框图； 0043 图17示意性示出了根据本公开的一个实施例的细胞标注装置的框图； 0044 图18示意性示出了根据本公开的一个实施例的图像标注系统的框图； 0045 图19示出了适于用来实现本公开实施例的图像处理装置的计算机系统的结构示 意图。 具体实施方式 0046 现在将参考附图更全面地描述示例实施方式。 然而， 示例实施方式能够以多种形 式实施， 且不应被理解为限于在此阐述的范例； 相反， 提供这些实施方式使得本公开将更加 全面和完整， 并将示例。

32、实施方式的构思全面地传达给本领域的技术人员。 0047 此外， 所描述的特征、 结构或特性可以以任何合适的方式结合在一个或更多实施 例中。 在下面的描述中， 提供许多具体细节从而给出对本公开的实施例的充分理解。 然而， 本领域技术人员将意识到， 可以实践本公开的技术方案而没有特定细节中的一个或更多， 或者可以采用其它的方法、 组元、 装置、 步骤等。 在其它情况下， 不详细示出或描述公知方 说明书 4/17 页 8 CN 110570352 A 8 法、 装置、 实现或者操作以避免模糊本公开的各方面。 0048 附图中所示的方框图仅仅是功能实体， 不一定必须与物理上独立的实体相对应。 即， 可。

33、以采用软件形式来实现这些功能实体， 或在一个或多个硬件模块或集成电路中实现 这些功能实体， 或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。 0049 附图中所示的流程图仅是示例性说明， 不是必须包括所有的内容和操作/步骤， 也 不是必须按所描述的顺序执行。 例如， 有的操作/步骤还可以分解， 而有的操作/步骤可以合 并或部分合并， 因此实际执行的顺序有可能根据实际情况改变。 0050 图1示出了可以应用本公开实施例的技术方案的示例性系统架构的示意图。 0051 如图1所示， 系统架构100可以包括终端设备101、 网络102和服务器103。 网络102用 以在终端设备101。

34、和服务器103之间提供通信链路的介质。 网络102可以包括各种连接类型， 例如有线通信链路、 无线通信链路等等。 0052 应该理解， 图1中的终端设备、 网络和服务器的数目仅仅是示意性的。 根据实际需 要， 可以具有任意数目的终端设备、 网络和服务器。 比如服务器105可以是多个服务器组成 的服务器集群等。 终端设备101可以是诸如摄像机、 照相机、 智能手机等带有成像单元的拍 摄装置， 通过终端设备101可以获取包含目标对象的待标注图像。 0053 在本公开的一个实施例中， 终端设备101通过网络102向服务器103发送包含目标 对象的待标注图像， 其中目标对象为经过预标注的目标对象， 也。

35、就是说， 待标注图像中包含 对目标对象进行预标注的标识， 服务器103获取待标注图像后， 可以对待标注图像进行图像 分割， 以获取与待标注图像对应的超像素。 在获取超像素后， 服务器103可以根据标识对应 的像素信息和超像素中的像素信息进行超像素聚类， 其中像素信息包含坐标信息和色彩信 息， 通过标识对应的像素信息和超像素中的像素信息可以计算标识所在的超像素与目标超 像素的距离， 根据该距离可以确定目标距离， 进而可以根据目标距离能够对目标超像素的 类型进行判断， 并根据判断结果对待标注图像中的像素进行聚类， 实现对目标对象的标注。 进一步的， 在获取超像素后， 可以计算超像素中所有像素的像素。

36、均值， 并以该像素均值替换 超像素中的所有像素值， 再根据与标记点对应的像素信息和超像素中的像素信息进行超像 素聚类， 实现对目标对象的标注。 本公开实施例的技术方案能够避免通过人工标注的方式 对待标注图像中的目标对象， 降低了标注成本， 提高了标注效率； 另外， 对待标注图像进行 图像分割形成超像素， 基于超像素进行标注能够减少计算量， 进一步提高标注效率。 0054 需要说明的是， 本公开实施例所提供的图像标注方法一般由服务器执行， 相应地， 图像标注装置一般设置于服务器中。 但是， 在本公开的其它实施例中， 也可以由终端设备执 行本公开实施例所提供的图像标注方案。 0055 以病理图像的。

37、细胞标注为例对相关技术中的图像标注进行说明。 病理学是细胞形 态的微观研究， 能够补充原位分子信息， 通过将组织样品从体内取出， 然后将其置于固定剂 中制作成用于在显微镜下观察的病理切片。 通常病理切片中细胞是比较重要的判断依据， 因此很多任务需要对细胞进行检测与分割， 由于细胞检测与分割时需要进行细胞数据的标 注， 标注时需要准确勾勒出细胞的边界， 而目前主要通过人工方式实现对病理切片的细胞 标注， 图2示出了人工标注的流程示意图， 如图2所示， 在步骤S201中， 获取病理图像； 在步骤 S202中， 人工勾画轮廓； 通常可以使用画图工具或标注工具， 通过人工方法勾画病理图像中 细胞的边界。

38、； 在步骤S203中， 图像孔洞填充； 由于步骤S202的人工勾画过程中可能出现遗 说明书 5/17 页 9 CN 110570352 A 9 漏， 在勾画的边界中存在孔洞， 因此可以在人工标注结果进行处理得到细胞的边界线后对 边界线进行孔洞填充， 以得到与病理图像对应的像素级标注结果。 0056 虽然能够通过人工对细胞进行标注， 但是人工勾画细胞边界是一项非常耗时耗力 的任务， 需要大量的人力和物力才能完成一批标注任务， 标注效率过低。 0057 鉴于相关技术中存在的问题， 本公开实施例提供了一种图像标注方法， 该图像标 注方法是基于机器学习实现的， 机器学习属于人工智能的一种， 人工智能(。

39、Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、 延伸和扩展人的智 能， 感知环境、 获取知识并使用知识获得最佳结果的理论、 方法、 技术及应用系统。 换句话 说， 人工智能是计算机科学的一个综合技术， 它企图了解智能的实质， 并生产出一种新的能 以人类智能相似的方式做出反应的智能机器。 人工智能也就是研究各种智能机器的设计原 理与实现方法， 使机器具有感知、 推理与决策的功能。 0058 人工智能技术是一门综合学科， 涉及领域广泛， 既有硬件层面的技术也有软件层 面的技术。 人工智能基础技术一般包括如传感器、 专用人工智能芯片、 云计算、 。

40、分布式存储、 大数据处理技术、 操作/交互系统、 机电一体化等技术。 人工智能软件技术主要包括计算机 视觉技术、 语音处理技术、 自然语言处理技术以及机器学习/深度学习等几大方向。 0059 计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器 “看” 的科学， 更进一步的说， 就是指用摄影机和电脑代替人眼对目标进行识别、 跟踪和测量等机 器视觉， 并进一步做图形处理， 使电脑处理成为更适合人眼观察或传送给仪器检测的图像。 作为一个科学学科， 计算机视觉研究相关的理论和技术， 试图建立能够从图像或者多维数 据中获取信息的人工智能系统。 计算机视觉技术通常包括图像。

41、处理、 图像识别、 图像语义理 解、 图像检索、 OCR、 视频处理、 视频语义理解、 视频内容/行为识别、 三维物体重建、 3D技术、 虚拟现实、 增强现实、 同步定位与地图构建等技术， 还包括常见的人脸识别、 指纹识别等生 物特征识别技术。 0060 机器学习(Machine Learning,ML)是一门多领域交叉学科， 涉及概率论、 统计学、 逼近论、 凸分析、 算法复杂度理论等多门学科。 专门研究计算机怎样模拟或实现人类的学习 行为， 以获取新的知识或技能， 重新组织已有的知识结构使之不断改善自身的性能。 机器学 习是人工智能的核心， 是使计算机具有智能的根本途径， 其应用遍及人工智。

42、能的各个领域。 机器学习和深度学习通常包括人工神经网络、 置信网络、 强化学习、 迁移学习、 归纳学习、 式 教学习等技术。 0061 随着人工智能技术研究和进步， 人工智能技术在多个领域展开研究和应用， 例如 常见的智能家居、 智能穿戴设备、 虚拟助理、 智能音箱、 智能营销、 无人驾驶、 自动驾驶、 无人 机、 机器人、 智能医疗、 智能客服等， 相信随着技术的发展， 人工智能技术将在更多的领域得 到应用， 并发挥越来越重要的价值。 0062 本公开实施例提供的方案涉及人工智能的图像处理技术， 具体通过如下实施例进 行说明： 0063 本公开实施例首先提出了一种图像标注方法， 该图像标注方。

43、法可以应用于医学图 像分析领域、 刑侦图像分析领域， 也可以用于需要对具有复杂细节的图像进行标注的其它 领域， 以下以医学图像分析领域中的细胞标注为例对本公开实施例的技术方案的实现细节 进行详细阐述： 说明书 6/17 页 10 CN 110570352 A 10 0064 图3示意性示出了根据本公开的一个实施例的图像标注方法的流程图， 该图像标 注方法可以由服务器来执行， 该服务器可以是图1中所示的服务器103。 参照图3所示， 该图 像标注方法至少包括步骤S310至步骤S330， 详细介绍如下： 0065 在步骤S310中， 获取待标注图像， 所述待标注图像中包含对目标对象进行预标注 的标。

44、识。 0066 在本公开的一个实施例中， 通过终端设备101可以获取待标注图像， 该待标注图像 可以是对由组织样本制成的病理切片进行拍摄所获取的包含细胞的图像， 其中所包含的细 胞即为待标注图像中的目标对象。 相应地， 该终端设备101可以是用于对病理切片进行观察 拍照以获取包含细胞的图像的智能显微镜， 该智能显微镜中集成有实时拍摄装置， 能够实 时对显微镜中放大的病理切片图像进行拍摄， 以获取待标注图像。 另外， 该终端设备101还 可以是由显微镜和拍摄装置组成的终端系统， 当调节显微镜的目镜和物镜获取到清晰的切 片画面时， 通过拍摄装置对目镜中的切片画面进行拍摄， 以获取待标注图像。 00。

45、67 在本公开的一个实施例中， 在获取待标注图像后， 可以对其中的细胞进行预标注， 具体地， 可以通过人工标注的方式对细胞进行预标注。 标注人员可以通过标点的方式对待 标注图像中的细胞进行标注， 图4示出了人工标注细胞的界面示意图， 如图4所示， 在待标注 图像中存在多个标识， 该些标识位于细胞内， 用于对细胞所处的位置进行标示， 该些标识可 以是具有各种形状的标识， 例如可以是点状标识、 线状标识、 三角形标识、 圆形标识等， 也可 以是字符标识等等， 只要可以明确细胞的位置即可， 本公开实施例对标识的具体表现形式 不做具体限定。 值得说明的是， 该些标识可以位于细胞内的任意位置， 只要可以。

46、对细胞的位 置进行标示即可。 0068 在步骤S320中， 对所述待标注图像进行图像分割， 以获取与所述待标注图像对应 的超像素。 0069 在本公开的一个实施例中， 对待标注图像进行预标注之后， 可以对待标注图像进 行图像分割， 具体地可以对待标注图像进行超像素分割， 以获取与待标注图像对应的超像 素。 超像素是由一系列位置相邻且颜色、 亮度、 纹理等特征相似的像素点组成的小区域， 对 待标注图像进行图像分割获取超像素的方法可以是基于图论的方法， 也可以是基于梯度上 升的方法。 0070 图5示出了超像素分割的流程示意图， 如图5所示， 超像素分割的流程至少包括步 骤S501-S504， 具。

47、体地： 0071 在步骤S501中， 对待标注图像的图像格式进行转换， 以获取目标图像。 0072 在本公开的一个实施例中， 通常由终端设备101拍摄得到的待标注图像都是RGB格 式的， 在进行超像素分割时， 可以将RGB格式转换为Lab格式， Lab格式是由亮度L和有关色彩 的a， b三个要素组成， L的值域由0(黑色)到100(白色)， a表示从洋红色到绿色的范围， b表示 从黄色至蓝色的范围。 通过对待标注图像的图像格式进行转换， 所获取的具有Lab格式的待 标注图像即为目标图像。 0073 在步骤S502中， 根据预设分割数量对目标图像进行预分割， 并在预分割形成的图 像区域中形成初始。

48、种子点。 0074 在本公开的一个实施例中， 在对目标图像进行分割之前， 需要预先设定合适的分 割数量， 该分割数量即为最终所要获取的超像素的数量， 根据目标图像的大小、 目标对象的 说明书 7/17 页 11 CN 110570352 A 11 数量及目标对象在目标图像中所占比例可以设置不同的分割数量， 例如可以设置为1000、 2000个等等， 本公开实施例对此不做具体限定。 0075 在本公开的一个实施例中， 确定预设分割数量后， 可以对目标图像进行预分割， 将 目标图像分割为具有预设分割数量的多个图像区域， 接着可以在各个图像区域中确定初始 种子点， 该初始种子点即为聚类中心， 并且相。

49、邻两相邻初始种子点的距离的大小近似为单 一超像素的大小的平方根。 0076 在步骤S503中， 根据初始种子点确定目标邻域， 并根据初始种子点和目标邻域中 各像素之间的像素梯度确定目标种子点。 0077 在本公开的一个实施例中， 为了避免种子点落在梯度较大的轮廓边界上， 以免影 响后续聚类效果， 可以根据初始种子点确定目标邻域， 计算该目标邻域中所有像素与初始 种子点之间的像素梯度， 并将种子点转移到具有最小像素梯度的像素位置处， 转移后的种 子点即为目标种子点。 0078 在步骤S504中， 计算目标种子点与目标邻域中各像素的距离， 根据距离对所述目 标邻域中的像素进行划分， 以形成超像素。。

50、 0079 在本公开的一个实施例中， 对于目标邻域中每个搜索到的像素， 可以计算其与目 标种子点的距离， 并根据该距离对像素进行聚类， 以形成超像素。 其中， 像素与目标种子点 之间的距离包括颜色距离和空间距离。 在像素聚类的过程中， 由于每个像素点都会被多个 目标种子点搜索到， 所以每个像素点都会有多个与周围目标种子点的距离， 取最小距离值 对应的目标种子点作为该像素的聚类中心， 即可将该像素划分到最小距离值对应的目标种 子点所在的区域， 形成超像素。 0080 进一步地， 可以循环执行步骤S501-S504， 直到误差收敛， 进而获取最终的超像素。 图6示出了超像素分割后的图像界面示意图，。