CN103186904A - 图片轮廓提取方法及装置 - Google Patents

Abstract

本发明涉及图形处理技术领域，提供了一种图片轮廓提取方法及装置。该方法包括步骤：读入需要分割的图片；把图片从RGB颜色空间转换成LUV颜色空间；在LUV颜色空间对图片颜色进行分割；在图片分割的基础上将图片转换成灰度图；对灰度图进行边缘检测得到轮廓。本发明的方案中，基于LUV颜色空间进行分割，通过提取图片的局部特征，使用基于边界的方法分割图形，本发明分割后的图片可很容易地进行轮廓提取，可高效准确地提取目标形状特征。本发明可以直接采用定量的方式对图片进行处理，通过计算机实现时处理速度快、结果准确直观，大大提高了图形处理的效率和准确性。

Description

图片轮廓提取方法及装置

技术领域

本发明涉及图形处理技术领域，特别涉及一种图片轮廓提取方法及装置。

背景技术

形状特征作为图形三大特征(颜色、纹理、形状)之一，广泛应用在图片相似性比较、图片过滤和目标识别等应用中。形状特征通常分为局部特征和全局特征，全局特征由于将图片作为一个整体考量，形状特征分析时计算量大且一旦结果有误只能全部重新计算，因而目前的图片形状特征分析一般利用局部特征进行分析，即针对图像中的目标形状进行分析。对目标的形状进行分析有很多方法，主要分成两类：基于边界的方法和基于区域的方法，前者只利用形状的外部边缘，后者利用形状的全部区域。由于基于区域的方法需要对形状的全部区域进行处理分析，实现复杂且速度和准确性难以保证，目前的目标形状分析方法多采用基于边界的方法。

基于边界的方法首先就要针对图像中的目标进行分割提取，这类方法对图片分割算法有很强的依赖性，图像分割效果的好坏直接影响后续的分析工作。图片分割在图形图像处理领域中一直是一个基础而重要的问题，对图形图像的进一步操作通常都基于分割的结果，分割的好与坏直接影响图形处理的最终结果。如通过机器人控制的无人驾驶汽车在行驶中如果对道路分割不准确，将直接影响汽车性能，甚至有可能会危害道路安全；而肤色分割可以帮助人们从背景中自动分离出人脸、手等身体部位，在进行人脸识别、表情识别、人手跟踪、人机交互、运动人体目标跟踪或色情图片过滤等的处理中都有着重要的应用价值。

在图片分割中，通过轮廓提取来确定目标物体边界是关键的实现步骤。在轮廓提取时应尽可能标识出目标区域的边缘，标识出的边缘尽可能和物体的实际轮廓相符；此外，提取的速度和准确性应该有一定保证，应采用尽可能少的次数进行标识，而且不应将图像噪声标识为边缘。但现有技术中的轮廓提取方法往往只能提取粗略的轮廓或是需要多次处理，有些甚至需要用户的交互(如用户手动标识目标的部分边界点)才能实现，其轮廓提取效果、提取速度和轮廓的准确性均不理想。

发明内容

(一)要解决的技术问题

针对现有技术中图片轮廓提取方法速度和准确性难以保障的缺陷，本发明为了解决如何进行高效准确的轮廓提取的技术问题，提供了一种图片轮廓提取方法及装置。

(二)技术方案

为实现上述目的，本发明采用如下技术方案：

一方面，本发明提供一种图片轮廓提取方法，所述方法包括步骤：

S1，读入需要分割的图片；

S2，把图片从RGB颜色空间转换成LUV颜色空间；

S3，在LUV颜色空间对图片颜色进行分割；

S4，在图片分割的基础上将图片转换成灰度图；

S5，对灰度图进行边缘检测得到轮廓。

优选地，步骤S2中，先将图片从RGB颜色空间转换到XYZ颜色空间，再从XYZ颜色空间转换成LUV颜色空间。

优选地，步骤S3中，采用金字塔分割方式对图片颜色进行聚类分割。

优选地，所述金字塔分割方式包括步骤：

S31，对原始图片进行N级迭代采样处理；

S32，确定金字塔各层关联阈值、区域聚类的距离阈值和金字塔层数，并根据确定的层数建立金字塔、根据确定的金字塔各层关联阈值建立各层像素的相关性；首先选定金字塔顶层作为处理对象；

S33，在金字塔当前层选择某一级特征矢量作为初始聚类中心，按确定的聚类距离阈值把与聚类中心的距离不大于所述聚类距离阈值的像素分配到所述聚类中心；

S34，取每一块已经初步聚类的区域中像素值的平均值作为新的聚类中心；

S35，如果聚类中心有变化则重复执行步骤S33和S34直到每个区域像素到所述区域所属的聚类中心的距离都满足步骤S32确定的区域距离阈值；

S36，再分别对其他各层执行步骤S33-S35，直到金字塔的所有层均处理完毕。

优选地，步骤S5进一步包括：

S51，通过高斯平滑去除图像数据的噪声；

S52，从经过步骤S51处理后的图像生成图像中每个点亮度梯度图以及亮度梯度的方向；

S53，根据所述每个点的亮度梯度图和亮度梯度的方向，使用滞后阈值跟踪经过步骤S51处理后的图像边缘，基于局部目标特征提取边缘作为图片轮廓。

优选地，在步骤S5之后，所述方法进一步包括步骤：

S6，针对图片轮廓提取图片的形状参数。

优选地，所述形状参数为轮廓总数、质心距和角度。

优选地，所述方法还包括：根据所述形状参数对图片进行定量分析。

另一方面，本发明还同时提供一种图片轮廓提取装置，所述装置包括：

图片读取模块，用于读入需要分割的图片；

图片转换模块，用于把图片从RGB颜色空间转换成LUV颜色空间；

图片分割模块，用于在LUV颜色空间对图片颜色进行分割；

灰度处理模块，用于在图片分割的基础上将图片转换成灰度图；

轮廓提取模块，用于对灰度图进行边缘检测得到轮廓。

优选地，所述装置还包括：形状参数处理模块，用于针对图片轮廓提取图片的形状参数并根据所述形状参数对图片进行定量分析。

(三)有益效果

本发明的方案中，基于LUV颜色空间进行分割，通过提取图片的局部特征，使用基于边界的方法分割图形，本发明分割后的图片可很容易地进行轮廓提取，可高效准确地提取目标形状特征。本发明可以直接采用定量的方式对图片进行处理，通过计算机实现时处理速度快、结果准确直观，大大提高了图形处理的效率和准确性。

附图说明

图1为本发明的图片轮廓提取方法的流程示意图；

图2为本发明的方法中金字塔聚类算法的处理示意图；

图3-图5为本发明的图片轮廓提取方法的实际处理效果示意图；

图6为本发明的图片轮廓提取装置的模块示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的图片轮廓提取方法主要在LUV颜色空间基础上进行聚类分割。颜色空间又称彩色模型、彩色空间或彩色系统，其用途是在某些标准下用直观的方式对色彩加以说明。常见的RGB(红绿蓝)颜色空间是依据人眼识别的颜色定义出的空间，可表示大部分颜色，是最通用的面向硬件的彩色模型，该模型一般用于彩色显示器或彩色摄像等。但是因为RGB颜色空间将色调、亮度、饱和度三个量放在一起表示，很难分开，其细节难以进行数字化的调整，图像处理中一般不采用RGB颜色空间。LUV(L表示亮度，luminance；U和V是色度坐标)颜色空间是CIE(国际发光照明委员会)提出的一种不同于RGB标准的颜色空间，其目的是建立与视觉统一的颜色空间(即对视觉可感知的颜色差别进行单位化的编码)，目前被广泛的应用于计算机彩色图像处理领域，对于一般的图像，色度坐标U和V的取值范围为-100到+100，亮度L取值为0到100。

本发明中，基于LUV颜色空间进行分割，通过提取图片的局部特征，使用基于边界的方法分割图形，本发明分割后的图片可很容易地进行轮廓提取，可高效准确地提取目标形状特征。参见图1，本发明的图片轮廓提取方法包括步骤：

1)读入需要分割的图片；

2)把图片从RGB颜色空间转变成XYZ颜色空间；

3)把XYZ颜色空间转换成LUV颜色空间；

4)在LUV颜色空间对颜色进行金字塔聚类分割；

5)在聚类分割的基础上转换成灰度图；

6)对灰度图进行边缘检测得到轮廓。

本发明的方法是在LUV颜色空间基础上进行聚类分割，但一般的计算机设备上获取的图片是使用RGB颜色空间，需要转换成LUV；转换的方法可以是先将图片从RBG颜色空间转换成XYZ颜色空间，再从XYZ颜色空间转换成LUV颜色空间。其中，XYZ颜色空间也是CIE提出的一种颜色空间，是在RGB的基础上采用三个假想的原色X、Y、Z建立的色度系统，用颜色匹配函数表示等能光谱的三刺激值。XYZ三刺激值的概念是以色视觉的三元理论为根据的，该理论认为人眼中具有接收三原色(红、绿、蓝)的接收器，而所有的颜色均被视作该三原色的混合色。XYZ三刺激值是利用这些标准观察者的颜色匹配函数计算得来的，是与设备无关的颜色空间。

在颜色空间转换后，基于LUV颜色空间进行聚类分割，优选地，本发明中使用了金字塔聚类分割算法，该分割算法相对其它的分割算法如均值漂移、分水岭等来说分割速度更快，分割后的区域总数适中，效果更好；但本领域相关技术人员应该理解，金字塔聚类分割算法只是本发明所优选的实施方式，其他图片分割算法也同样适用于本发明。本发明中，使用LUV作为金字塔聚类分割的输入而不是RGB图象输入，由于LUV更适用于量化分析，因而本发明的方法更易于自动实现，结果更准确。

具体地，金字塔分割原理是把原图片处理成分辨率不一的多层图，根据预先设定的层间阈值决定各层间像素的关联性，在本层是根据设定好的像素阈值进行搜索，把像素间距离在阈值内或者接近阈值的像素(颜色)集合到一起，形成区域。通过设定合适的分割层数，采用金字塔算法可以大大加快聚类的速度，原理经过分层后是先从高层的小分辨率开始快速处理，确定大概区域后再到分辨率更大的图中处理，最后是源图。

参见图2，金字塔分割算法可以描述为：设原图为0级图像g₀，经一级滤波的图像g₁的分辨率和采样密度都会比原图降低，不断地迭代采样处理则可以得到g₂，g₃...，称经过N级滤波的一系列图像{g₀，g₁，...，g_N}为金字塔，可见：N为金字塔层数减1，其中第k级图像g_k为：

g_k＝R(g_k-1)                      (1)

其中，函数R()是一个再采样过程，对g_k-1层进行采样，采样后图像分辨率降低。

设第k级图像g_k的大小为R_k×C_k，其中，R_k是g_k的宽，C_k是g_k的高。则对每个节点有公式：

$g_k(i,j)=\underset{m=-2}{\overset{2}{\mathrm{\Σ}}}\underset{n=-2}{\overset{2}{\mathrm{\Σ}}}w(m,n)g_{k-1}(2i+m,2j+n)---\left(2\right)$

m，n是2*2的像素块的位置，w(m，n)是对应位置的权重，i，j是节点的编号，其中，2i+m，2j+n表示了计算时本节点和高级中的节点的对应关系。

聚类过程如下：

a)确定金字塔各层关联阈值、区域聚类的距离阈值和金字塔层数；更优选地，经过实验取关联阈值为200、取距离阈值为30、层数取4层。

b)根据确定的层数建立金字塔，根据确定的金字塔各层关联阈值建立各层像素的相关性(粗匹配)：在建立多层尺度空间时，层间的像素的值的距离被作为一个关联特征，当层间的像素的值的距离(比如在HSV颜色空间中，各层中每个像素都有HSV的3个分量的值，对层间像素计算欧拉距离)小于给定的金字塔各层关联阈值时，就认为层间像素间存在关联，以其值的距离来建立关联。随后首先选择金字塔顶层(第4层)作为处理对象；

c)在当前层选择某级特征矢量，作为初始聚类中心，按确定的聚类距离阈值，把与聚类中心的距离不大于所述聚类距离阈值的像素分配到所述。初始聚类中心是随机选择(这样速度快)，第二个聚类中心也是随机选择的。特征矢量具体就是像素的值，在这里是基于LUV空间，所以矢量的值就是像素LUV的值，如(30，40，35)。

d)取每一块已经初步聚类的区域中像素值的平均值作为新的聚类中心。已经初步聚类的特征就是聚类形成的色块。

e)如果聚类中心有变化重复执行c)、d)直到每个区域像素到所述区域所属的聚类中心的距离都满足a)设置的区域距离阈值。对于面积较大的单色色块也会拆分为多个聚类中心，在程序处理上，这算一种特殊情况。

f)再分别对3、2、1层执行c-e，在上层的处理结果(粗略的区域范围)基础上进行搜索，可以把上层的结果存储下来，下层处理时直接用。当1层(原图)处理完后就得到了最终的分割结果。

完成图片分割之后，在图片分割的基础上将图片转换成灰度图，对灰度图进行边缘检测得到轮廓，提取轮廓具体可以采用CANNY(坎尼)算法。CANNY(坎尼)算法的步骤包括：

a)去噪声

任何边缘检测算法都不可能在未经处理的原始数据上很好地处理，所以第一步是对原始数据与高斯mask(掩膜)作卷积，得到的图像与原始图像相比有些轻微的模糊(blurred)。这样，单独的一个像素噪声在经过高斯平滑的图像上变得几乎没有影响。

b)寻找图像中的亮度梯度

经过去噪声处理后，图像中的边缘可能会指向不同的方向，所以CANNY算法使用4个mask检测水平、垂直以及对角线方向的边缘。原始图像与每个mask所作的卷积都存储起来。对于每个点都标识在这个点上的最大值(指这一点的亮度与4个mask卷积的最大值)以及生成的边缘的方向。这样就从经过去噪声处理后得图像生成了图像中每个点亮度梯度图以及亮度梯度的方向。

c)在图像中跟踪边缘

根据上述每个点的亮度梯度图和亮度梯度的方向，使用滞后阈值跟踪经过去噪声处理后的图像边缘，基于局部目标特征提取边缘作为图片轮廓。

较高的亮度梯度比较有可能是边缘，但是没有一个确切的值来限定多大的亮度梯度是边缘多大又不是，所以CANNY使用了滞后阈值。滞后阈值需要两个阈值--第一阈值与第二阈值，第一阈值大于第二阈值。假设图像中的重要边缘都是连续的曲线，这样就可以跟踪给定曲线中模糊的部分，并且避免将没有组成曲线的噪声像素当成边缘。所以从一个较大的阈值(即第一阈值)开始，这将标识出比较确信的真实边缘，使用前面导出的方向信息(参见上一段中的：这个点上的最大值以及生成的边缘的方向)，从这些真正的边缘开始在图像中跟踪整个的边缘。在跟踪的时候，使用一个较小的阈值(即第二阈值)，这样就可以跟踪曲线的模糊部分直到回到起点。一旦这个过程完成，就得到了一个二值图像，每点表示是否是一个边缘点。一个获得亚像素精度边缘的改进实现是在梯度方向检测二级方向导数的过零点。在此步骤中，可以直接使用OPENCV中的cvCanny、cvFindContours方法来得到边缘，第一个函数计算出边缘，第二个函数取出边缘。其中，OPENCV是著名的开源计算机视觉库。CANNY算法是一种经典算法，上述第一阈值和第二阈值是CANNY算法中自动生成的，在调用OPENCV的函数时直接实现。

跟踪并得到边缘之后，图片的轮廓就提取出来了。本发明的方法中，还可根据图片的轮廓做进一步处理，以量化的方式分析图片的形状参数，从而为相似图形比较或过滤等提供支持。

具体地，针对轮廓提取图片的三个形状参数，分别是轮廓总数、质心距、角度。

其中，轮廓的数量的提取可使用OPENCV中的cvFindContours方法来返回一个总的轮廓数ContoursNumbers。

轮廓的质心距Distance按下述公式计算：

$\mathrm{Center}\left(x\right)=\left({\mathrm{\Σ}}_0^K\mathrm{pointX}\left(i\right)\right)/K---\left(3\right)$

$\mathrm{Center}\left(y\right)=\left({\mathrm{\Σ}}_0^K\mathrm{pointY}\left(i\right)\right)/K---\left(4\right)$

$\mathrm{Dis}\tan \mathrm{ce}={\mathrm{\Σ}}_0^K\sqrt{{(\mathrm{PointX}\left(i\right)-\mathrm{Center}\left(x\right))}^2+{(\mathrm{pointY}\left(i\right)-\mathrm{Center}\left(y\right))}^2}---\left(5\right)$

其中，式(3)、(4)用于计算中心点Center(x)和Center(y)，式(5)利用中心点计算出距离和，也就是质心距。其中0-K是所有的轮廓上的点，pointX(i)、pointY(i)分别表示轮廓上的点i的X坐标和Y坐标。

轮廓的角度和Angel按下式计算：

$\mathrm{Angel}={\mathrm{\Σ}}_0^K\left(\frac{\sqrt{{(\mathrm{PointX}\left(i\right)-\mathrm{Center}\left(x\right))}^2+{(\mathrm{pointY}\left(i\right)-\mathrm{Center}\left(y\right))}^2}}{\mathrm{Abs}(\mathrm{pointX}\left(i\right)-\mathrm{Center}\left(x\right))}\right)---\left(6\right)$

其中，Abs()表示取绝对值运算。

在得到定量的图片的3个形状参数后，就可以直接进行相似图形的形状比较或者过滤，如可以使用欧拉距离进行参数间距离度量，根据度量结果判断图形的相似度。

图3-5进一步展示了本发明的图片轮廓提取方法的效果，其中，图3是关于花朵的图片轮廓提取的示意图，图4是关于草原上的两匹马的图片轮廓提取的示意图，图5是关于草丛中的老虎的图片轮廓提取的示意图。在图3-5的各组图中，a图均为原始图片，b图为经LUV聚类分割后的结果，c图为在聚类基础上进行轮廓提取的结果。

在获得轮廓之后，还可进一步计算形状参数以便用于图形定量分析。如在图3获得花朵轮廓基础上使用公式得到形状参数(以双精度浮点数形式在计算机中保存)：ContoursNumbers₁＝10.000000000000000，Distance₁＝200.85859543525075，Angle₁＝4278.0233471528836。在图4获得马轮廓基础上使用公式得到形状参数：ContoursNumbers₂＝7.0000000000000000，Distance₂＝212.69747577896018，Angle₂＝4366.9741472380392。在图5获得的轮廓基础上使用公式得到形状参数：ContoursNumbers₃＝10.000000000000000，Distance₃＝56.245631742116537，Angle₃＝491.97416616256999。根据这些定量的数值，将使得图形的分析比较更直观、方便和准确。

此外，本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而所述的存储介质可以是：ROM/RAM、磁碟、光盘等。因此，本发明还同时包括一种与上述方法一一对应的图片轮廓提取装置，如图6所示，所述装置包括：

图片读取模块1，用于读入需要分割的图片；

图片转换模块2，用于把图片从RGB颜色空间转换成LUV颜色空间；

图片分割模块3，用于在LUV颜色空间对图片颜色进行分割；

灰度处理模块4，用于在图片分割的基础上将图片转换成灰度图；

轮廓提取模块5，用于对灰度图进行边缘检测得到轮廓。

更优选地，所述装置还包括：形状参数处理模块，用于针对图片轮廓提取图片的形状参数并根据所述形状参数对图片进行定量分析。

本发明中，基于LUV颜色空间进行分割，通过提取图片的局部特征，使用基于边界的方法分割图形，本发明分割后的图片可以很容易地进行轮廓提取，可高效准确地提取目标形状特征。本发明的方法可以直接采用定量的方式对图片进行处理，通过计算机实现时处理速度快、结果准确直观，大大提高了图形处理的效率和准确性。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (10)

1.一种图片轮廓提取方法，其特征在于，所述方法包括步骤：

S1，读入需要分割的图片；

S2，把图片从RGB颜色空间转换成LUV颜色空间；

S3，在LUV颜色空间对图片颜色进行分割；

S4，在图片分割的基础上将图片转换成灰度图；

S5，对灰度图进行边缘检测得到轮廓。

2.根据权利要求1所述的方法，其特征在于，步骤S2中，先将图片从RGB颜色空间转换到XYZ颜色空间，再从XYZ颜色空间转换成LUV颜色空间。

3.根据权利要求1所述的方法，其特征在于，步骤S3中，采用金字塔分割方式对图片颜色进行聚类分割。

4.根据权利要求3所述的方法，其特征在于，所述金字塔分割方式包括步骤：

S31，对原始图片进行N级迭代采样处理；

S32，确定金字塔各层关联阈值、区域聚类的距离阈值和金字塔层数，并根据确定的层数建立金字塔、根据确定的金字塔各层关联阈值建立各层像素的相关性；首先选定金字塔顶层作为处理对象；

S33，在金字塔当前层选择某一级特征矢量作为初始聚类中心，按确定的聚类距离阈值把与聚类中心的距离不大于所述聚类距离阈值的像素分配到所述聚类中心；

S34，取每一块已经初步聚类的区域中像素值的平均值作为新的聚类中心；

S35，如果聚类中心有变化则重复执行步骤S33和S34直到每个区域像素到所述区域所属的聚类中心的距离都满足步骤S32确定的区域距离阈值；

S36，再分别对其他各层执行步骤S33-S35，直到金字塔的所有层均处理完毕。

5.根据权利要求1所述的方法，其特征在于，步骤S5进一步包括：

S51，通过高斯平滑去除图像数据的噪声；

S52，从经过步骤S51处理后的图像生成图像中每个点亮度梯度图以及亮度梯度的方向；

S53，根据所述每个点的亮度梯度图和亮度梯度的方向，使用滞后阈值跟踪经过步骤S51处理后的图像边缘，基于局部目标特征提取边缘作为图片轮廓。

6.根据权利要求1所述的方法，其特征在于，在步骤S5之后，所述方法进一步包括步骤：

S6，针对图片轮廓提取图片的形状参数。

7.根据权利要求6所述的方法，其特征在于，所述形状参数为轮廓总数、质心距和角度。

8.根据权利要求6或7所述的方法，其特征在于，所述方法还包括：根据所述形状参数对图片进行定量分析。

9.一种图片轮廓提取装置，其特征在于，所述装置包括：

图片读取模块，用于读入需要分割的图片；

图片转换模块，用于把图片从RGB颜色空间转换成LUV颜色空间；

图片分割模块，用于在LUV颜色空间对图片颜色进行分割；

灰度处理模块，用于在图片分割的基础上将图片转换成灰度图；

轮廓提取模块，用于对灰度图进行边缘检测得到轮廓。

10.根据权利要求9所述的装置，其特征在于，所述装置还包括：形状参数处理模块，用于针对图片轮廓提取图片的形状参数并根据所述形状参数对图片进行定量分析。

Images