CN103324931A - 一种图像的彩色二值化方法和装置 - Google Patents
一种图像的彩色二值化方法和装置 Download PDFInfo
- Publication number
- CN103324931A CN103324931A CN2012100774709A CN201210077470A CN103324931A CN 103324931 A CN103324931 A CN 103324931A CN 2012100774709 A CN2012100774709 A CN 2012100774709A CN 201210077470 A CN201210077470 A CN 201210077470A CN 103324931 A CN103324931 A CN 103324931A
- Authority
- CN
- China
- Prior art keywords
- image
- zone
- limit
- node
- similarity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种图像的彩色二值化方法和装置,其中方法包括:对原始图像进行图像分割得到M个分割区域,使得所述M个分割区域之间的图像特征差异相比较各区域内部的图像特征差异程度满足预设要求,M为大于1的整数;基于每个分割区域的图像特征之间的相似度,对所述M个分割区域进行合并,得到Q个图层,Q为大于1的正整数;从所述Q个图层中提取目标图层,基于提取结果进行灰度二值化处理。本发明能够提高彩色二值化的处理效率,增强鲁棒性。
Description
【技术领域】
本发明涉及计算机图像处理技术,特别涉及一种图像的彩色二值化方法和装置。
【背景技术】
为了从多值的数字图像中提取目标物体,需要采用图像二值化方法将图像数据分成两部分,即大于阈值T的像素群和小于阈值T的像素群,使整个图像呈现出明显的黑白效果。在数字图像处理中,图像二值化占有非常重要的地位,例如使图像变得简单、数据量小以方便后续图像处理,方便进行图像识别、目标定位等处理。
作为一种目前具有较广应用前景的例子,图像二值化方法正应用于文字识别,例如通过扫描仪、照相机、手机等方式获得的文字图片,需要通过图像二值化方法从中获取文字图层,进而进行文字识别。
现有技术中采用的灰度二值化方法首先将彩色图像转换为灰度图像,确定二值化阈值,继而利用该二值化阈值得到二值化结果。但是这种方式只能解决图像中文字和背景颜色较为单一的情况,对于复杂背景或者多个文字具有不同颜色的情形,灰度二值化方式则无能为力。
为了解决该问题,现有技术中又提出了一种彩色二值化方法,将图像中的每个像素看作一个样本,基于每个像素的颜色特征进行聚类,得到的每一个类别代表一个图层。然而,这种基于每个像素的聚类算法在图像像素较多的情况下,处理速度很慢,效率低下,且基于的是单个像素之间的个体差异,鲁棒性较差。
【发明内容】
本发明提供了一种图像的彩色二值化方法和装置,以便于提高彩色二值化的处理效率和鲁棒性。
具体技术方案如下:
一种图像的彩色二值化方法,该方法包括:
S1、对原始图像进行图像分割得到M个分割区域,使得所述M个分割区域之间的图像特征差异相比较各区域内部的图像特征差异程度满足预设要求,M为大于1的整数;
S2、基于每个分割区域的图像特征之间的相似度,对所述M个分割区域进行合并,得到Q个图层,Q为大于1的正整数;
S3、从所述Q个图层中提取目标图层,基于提取结果进行灰度二值化处理。
根据本发明一优选实施例,该方法还包括:S0、对所述原始图像进行光照补偿处理;
所述步骤S2的执行基于所述光照补偿处理后的图像。
根据本发明一优选实施例,所述步骤S0具体包括:
A1、将原始图像进行多尺度的高斯滤波平滑,得到各高斯滤波图像;
A2、将原始图像与各高斯滤波图像采用线性加权的方式进行融合处理,得到补偿后的图像。
根据本发明一优选实施例,所述步骤S1具体包括:
B1、构造原始图像的邻接图G=(V,E),其中V为原始图像的像素点作为结点构成的结点集合,E为结点之间边的集合,结点vi和vj之间形成边oq=(vi,vj),每个像素8邻域的图像特征梯度作为相邻结点之间的相似度,不邻接的结点之间的相似度为无穷大,结点之间的相似度作为边的权重w(oq);
B2、按照边的权重对所述E中的各边进行非降序排列,得到序列π=(o1,..,om);
B3、设置初始分割S0,其中每个结点构成一个区域,设置q=0;
B4、在Sq-1中,oq=(vi,vj)为π=(o1,...,om)中第q条边,如果vi和vj在不同的区域并且w(oq)同时小于vi和vj所在区域的内部图像特征差异,则合并vi和vj所在区域为一个区域,形成分割结果Sq后执行步骤B5,否则执行步骤B5;其中所述区域的内部图像特征差异为该区域所包含各边的权重最大值或平均值;
B5、判断q是否小于m,如果是,将q的值加1,转至步骤B4;否则形成最终的分割结果Sm,所述m为所述邻接图中边的数目。
根据本发明一优选实施例,所述步骤S2包括:
C1、提取每个分割区域的第一图像特征,根据每个分割区域的第一图像特征对所述M个分割区域进行聚类,得到K个类别区域,1<K≤M,且K为整数;
C2、基于所述K个类别区域之间第二图像特征的相似度,进行类别区域的合并,得到Q个图层,所述Q为正整数且1<Q<K。
根据本发明一优选实施例,所述第一图像特征为红绿蓝RGB特征,所述第二图像特征包括RGB和HSV特征,所述HSV为色调、饱和度和亮度特征。
根据本发明一优选实施例,在所述步骤C1中采用K-Means聚类,预先设置聚类数目K,如果所述M小于K,则设置聚类数目为M。
根据本发明一优选实施例,所述K个类别区域之间第二图像特征的相似度采用所述K个类别区域之间第二图像特征的直方图卡方距离或者欧式距离;
在进行类别区域的合并时,采用最大最小距离聚类方式,或者采用自调整的谱聚类方式。
根据本发明一优选实施例,所述基于提取结果进行灰度二值化处理为:
将所述目标图层赋为二值化的其中一种灰度值,将其他图层赋为二值化的另一种灰度值。
一种图像的彩色二值化装置,该装置包括:
图像分割单元,用于对原始图像进行图像分割得到M个分割区域,使得所述M个分割区域之间的图像特征差异相比较各区域内部的图像特征差异程度满足预设要求,M为大于1的整数;
区域合并单元,用于基于每个分割区域的图像特征之间的相似度,对所述M个分割区域进行合并,得到Q个图层,Q为大于1的正整数;
图层二值化单元,用于从所述Q个图层中提取目标图层,基于提取结果进行灰度二值化处理。
根据本发明一优选实施例,该装置还包括:
光照补偿单元,用于对所述原始图像进行光照补偿处理;
所述区域合并单元基于所述光照补偿处理后的图像进行操作。
根据本发明一优选实施例,所述光照补偿单元具体包括:
平滑处理子单元,用于将原始图像进行多尺度的高斯滤波平滑,得到各高斯滤波图像;
融合处理子单元,用于将原始图像与各高斯滤波图像采用线性加权的方式进行融合处理,得到补偿后的图像。
根据本发明一优选实施例,所述图像分割单元具体包括:
邻接图构造子单元,用于构造原始图像的邻接图G=(V,E),其中V为原始图像的像素点作为结点构成的结点集合,E为结点之间边的集合,结点vi和vj之间形成边oq=(vi,vj),每个像素8邻域的图像特征梯度作为相邻结点之间的相似度,不邻接的结点之间的相似度为无穷大,结点之间的相似度作为边的权重w(oq);
边排序子单元,用于按照边的权重对所述E中的各边进行非降序排列,得到序列π=(o1,...,om);
初始化子单元,用于设置初始分割S0,其中每个结点构成一个区域,设置q=0,触发分割处理子单元;
所述分割处理子单元,用于受到触发后,在Sq-1中,oq=(vi,vj)为π=(o1,...,om)中第q条边,如果vi和vj在不同的区域并且w(oq)同时小于vi和vj所在区域的内部图像特征差异,则合并vi和vj所在区域为一个区域,形成分割结果Sq,触发迭代控制子单元,否则直接触发迭代控制子单元,其中所述区域的内部图像特征差异为该区域所包含各边的权重最大值或平均值;
迭代控制子单元,用于受到触发后,判断q是否小于m,如果是,将q的值加1,触发所述分割处理子单元,否则形成最终的分割结果Sm,所述m为所述邻接图中边的数目。
根据本发明一优选实施例,区域合并单元具体包括:
预聚类子单元,用于提取每个分割区域的第一图像特征,根据每个分割区域的第一图像特征对所述M个分割区域进行聚类,得到K个类别区域,1<K≤M,且K为整数;
合并子单元,用于基于所述K个类别区域之间第二图像特征的相似度,进行类别区域的合并,得到Q个图层,所述Q为正整数且1<Q<K。
根据本发明一优选实施例,所述第一图像特征为红绿蓝RGB特征,所述第二图像特征包括RGB和HSV特征,所述HSV为色调、饱和度和亮度特征。
根据本发明一优选实施例,所述预聚类子单元采用K-Means聚类方式执行所述聚类,预先设置聚类数目K,如果所述M小于K,则设置聚类数目为M。
根据本发明一优选实施例,所述合并子单元采用所述K个类别区域之间第二图像特征的直方图卡方距离或者欧式距离作为所述K个类别区域之间第二图像特征的相似度;在进行类别区域合并时,采用最大最小距离聚类方式,或者采用自调整的谱聚类方式。
根据本发明一优选实施例,所述图层二值化单元在基于提取结果进行灰度二值化处理时,将所述目标图层赋为二值化的其中一种灰度值,将其他图层赋为二值化的另一种灰度值。
由以上技术方案可以看出,本发明提供的方法和装置首先对原始图像进行图像分割,基于图像分割的结果进行合并从而提取目标图层进行二值化处理。其相比较直接基于每个像素进行聚类的方式,处理速率得到了提升;并且进行区域合并时,基于每个分割区域的图像特征之间的相似度,即分割区域之间的差异而不再是单个像素之间的个体差异,从而提升了鲁棒性。
【附图说明】
图1为本发明实施例一提供的方法流程图;
图2a为本发明实施例一提供的合并处理后得到的图层示意图;
图2b为本发明实施例一提供的二值化后得到的图像示意图;
图3为本发明实施例二提供的光照补偿处理流程图;
图4为本发明实施例三提供的图像分割处理流程图;
图5为本发明实施例四提供的图像的彩色二值化装置结构图;
图6为本发明实施例四提供的光照补偿单元的结构图;
图7为本发明实施例四提供的图像分割单元的结构图。
【具体实施方式】
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
实施例一、
图1为本发明实施例一提供的方法流程图,如图1所示,该方法可以包括以下步骤:
步骤101:对原始图像进行光照补偿处理。
本步骤的作用是尽可能减少由于光照不均匀而引起的图像颜色变化,从而进一步提高图像二值化的准确度。光照补偿处理可以采用多尺度的Retinex光照补偿方法、基于小波的光照补偿方法或者基于同态滤波的光照补偿方法等。其中将在实施例二中对多尺度的Retinex光照补偿方法进行详细描述。
本步骤并不是本发明的必要操作,且本步骤和步骤102之间没有固定的先后顺序,可以同时执行,也可以以任意顺序先后执行。
步骤102:对原始图像进行图像分割得到M个分割区域,使得该M个分割区域之间的图像特征差异相比较各区域内部的图像特征差异程度满足预设要求,M为大于1的整数。
本步骤的目的是根据图像区域之间的特征的不同,将图像预先分割成多个小区域,每个小区域称作一个超像素,后续处理均是基于超像素进行,从而提高后续聚类的效果、速度和鲁棒性。具体实现将在实施例三中详细描述。
另外,由于光照补偿处理中采用的诸如多尺度的Retinex算法可能会对图像平滑区域和高对比度边缘过于增强,从而导致图像噪声放大和边缘晕环,而本发明实施例中图像分割是通过像素结点的梯度特征得到的,对光照比较鲁棒,因此图像分割是基于原始图像而非光照补偿处理后的图像。
步骤103:根据步骤102的分割结果,对经过上述处理后的图像提取每个分割区域的图像特征,根据每个分割区域的图像特征对上述图像分割后的M个区域进行聚类,得到K个类别区域,1<K≤M,且K为整数。
在经过步骤102的分割之后,本步骤中的聚类已经成为基于分割区域的聚类,而不是基于像素的聚类,无论在提取RGB特征上还是聚类计算量上相比较现有技术都得到了效率上的提升。
在本步骤中可以基于每个分割区域的RGB特征,采用分割区域之间的欧式距离计算分割区域之间的相似度,进而进行聚类。采用的聚类方式可以为K-Means聚类,预先设置聚类数目K,最终输出满足最小方差标准的K个类别区域。其中K值的设置可以采用经验值或实验值,例如32,如果图像分割后产生的分割区域的数目M小于K,则设置M为该分割区域的数目。当然也可以采用诸如层次聚类、谱聚类等其他聚类方式,在此不再一一赘述。
步骤104:基于K个类别区域之间图像特征的相似度,进行类别区域的合并,得到Q个图层。
其中,本步骤中所采用的图像特征为各类别区域的RGB,优选地,还进一步包括色调、饱和度、亮度(HSV)特征,上述图像特征的相似度可以采用图像特征之间的直方图卡方距离、欧式距离等进行度量。
本步骤中进行类别区域的合并时,可以采用最大最小距离聚类方式进行,也可以采用自调整的谱聚类方法。
例如,提取每个类别区域的RGB和HSV特征,基于这些特征计算类别区域之间的直方图卡方距离,得到区域间的相似度矩阵。利用相似度矩阵,基于最大最小距离聚类的思想,以最大距离原则选取聚类中心,以最小距离原则合并类别区域,最终得到Q个图层,Q为正整数且1<Q<K。
可以看出,实际上步骤103是对图像分割后得到的分割区域进行了预聚类,得到小粒度的聚类结果,然后基于预聚类的聚类结果再进一步进行类别区域的合并,从而得到最终的图层。采用这种方式能够得到较高的准确度,但直接基于图像分割后的分割区域执行步骤104,即基于分割区域之间图像特征的相似度,进行分割区域的合并,同样可以实现本发明,只是准确度会打折扣。
步骤105:从合并后得到的Q个图层中提取目标图层,基于提取结果进行二值化处理。
本步骤中根据彩色二值化所应用的不同用途,提取目标图层的策略也不同。以文字识别为例,进行合并操作之后得到Q个图层,这些图层中文字部分和背景部分一定属于不同图层,在本步骤中基于预设的策略将文字部分图层作为目标图层进行提取。具体的文字部分图层提取策略可以采用现有技术,在此不是本发明的重点,不再详细描述。
基于提取结果进行的二值化处理通常是将目标图层与其他图层区分开进行灰度二值化处理,将目标图层与其他图层分别赋为两个灰度值,例如将目标图层的灰度值设置为0,将其他图层的灰度值设置为255,或者将目标图层的灰度值设置为255,将其他图层的灰度值设置为0。
假设合并处理后得到的图层如图2a所示,有四个图层,提取目标图层为文字所在的图层,将该文字所在的图层灰度值设置为0,其他图层的灰度值均设置为255,得到的二值化结果如图2b所示。
另外,由于在类别合并之后,可能存在噪声的情况,可以在提取目标图层的过程中,包括噪声处理。其中噪声处理的方式可以包括但不限于:基于像素比例的噪声过滤、膨胀腐蚀处理或者基于游程熵的过滤等。
其中基于像素比例的噪声过滤指的是,如果某区域的像素数与其周边区域的像素数比例超过一定的阈值,则过滤掉该区域。
膨胀腐蚀处理中,腐蚀就是使用算法将图像中目标图层的边缘毛刺剔除掉,膨胀就是使用算法将图像中目标图层的边缘或内部的坑填掉,从而使目标图层更平滑。
基于游程熵的过滤指的是利用目标图层的游程熵相对杂乱图层的游程熵而言较小,因此可以将游程熵较大的游程过滤掉。
上述几种噪声处理方式可以采用现有技术,具体实现在此不再一一赘述。
实施例二、
图3为本发明实施例二提供的光照补偿处理流程图,在本实施例中采用多尺度的Retinex光照补偿方法,如图3所示,该方法包括以下步骤:
步骤301:将原始图像进行多尺度的高斯滤波平滑,得到各高斯滤波图像。
在本步骤中,假设原始图像的单个像素点表示为S(x,y),进行多尺度的高斯滤波平滑时,假设采用两个尺度,即选取Retinex尺度参数σ1和σ2,得到高斯滤波图像中的该像素点为G1(x,y)和G2(x,y)。其中,Retinex尺度参数σ1和σ2可以依据高斯滤波平滑处理的实际需要进行设定,例如选取σ1和σ2分别为40和100。
步骤302:将原始图像与各高斯滤波图像采用线性加权的方式进行融合处理,得到补偿后的图像。
本步骤中,将原始图像的像素点变换到对数域得到logS(x,y),同时将G1(x,y)和G2(x,y)变换到对数域得到log G1(x,y)和logG2(x,y),然后进行线性加权得到R(x,y)=logS(x,y)-α1log G1(x,y)-α2logG2(x,y),其中α1和α2为加权系数,可以根据需要进行设定,通常取经验值或实验值。
之后,还可以对R(x,y)做平移等处理,平移的作用是将图像的RGB值调整到预设范围内。
实施例三、
图4为本发明实施例三提供的图像分割处理流程图,如图4所示,该流程包括以下步骤:
步骤401:构造原始图像的邻接图G=(V,E),其中V为结点集合,E为结点之间边的集合。邻接图中的各结点vi为原始图像的像素,两个结点vi和vj之间形成边oq=(vi,vj),假设共有n个结点,m条边,每个像素8邻域的RGB梯度作为相邻结点之间的相似度,不邻接的结点之间的相似度为无穷大,结点之间的相似度作为边的权重w(oq)。
步骤402:按边的权重对E中的各边进行非降序排列,得到π=(o1,...,om)。
步骤403:设置初始分割S0,其中每个结点vi构成一个区域,共有n个区域,从q=0开始执行步骤404。
步骤404:在Sq-1中,oq=(vi,vj)为π=(o1,...,om)中第q条边,vi和vj为oq两端的结点,如果vi和vj在不同的区域并且w(oq)同时小于vi和vj所在区域的内部图像特征差异,那么就合并vi和vj所在区域为一个区域,形成分割Sq后执行步骤405,否则执行步骤405。
其中,区域的内部差异可以为该区域所包含各边的权重最大值或平均值,反映出区域内部各像素间的相似度状况,如果vi和vj之间边的权重同时小于两个区域内部各像素间的相似度,则说明vi和vj应该在属于一个区域,将两个区域合并成一个区域。
步骤405:判断q是否小于m,如果是,将q的值加1,转至步骤404;否则形成最终的分割Sm。
该图像分割处理是基于图像区域内部的像素相似而区域之间的像素不不相似的假设。图像分割处理的速度很快,时间复杂度为O(nlogn),n为图像的像素数。
以上是对本发明所提供方法所进行的描述,下面对本发明所提供的装置进行详细描述。
实施例四、
图5为本发明实施例四提供的图像的彩色二值化装置结构图,如图5所示,该装置可以包括:图像分割单元510、区域合并单元520和图层二值化单元530。
图像分割单元510对原始图像进行图像分割得到M个分割区域,使得M个分割区域之间的图像特征差异相比较各区域内部的图像特征差异程度满足预设要求,M为大于1的整数。
目的是根据图像区域之间的特征的不同,将图像预先分割成多个小区域,每个小区域称作一个超像素,后续处理均是基于超像素进行,从而提高后续聚类的效果、速度和鲁棒性。
区域合并单元520基于每个分割区域的图像特征之间的相似度,对M个分割区域进行合并,得到Q个图层,Q为大于1的正整数。
图层二值化单元530从Q个图层中提取目标图层,基于提取结果进行灰度二值化处理。
为了尽可能减少由于光照不均匀而引起的图像颜色变化,从而进一步提高图像二值化的准确度,该装置还可以包括:光照补偿单元500,用于对原始图像进行光照补偿处理。此时,区域合并单元520基于光照补偿处理后的图像进行操作。
光照补偿处理可以采用多尺度的Retinex光照补偿方法、基于小波的光照补偿方法或者基于同态滤波的光照补偿方法等。
当采用多尺度的Retinex光照补偿方法时,光照补偿单元500的具体结构可以如图6所示,具体包括:平滑处理子单元501和融合处理子单元502。
平滑处理子单元501将原始图像进行多尺度的高斯滤波平滑,得到各高斯滤波图像。
融合处理子单元502将原始图像与各高斯滤波图像采用线性加权的方式进行融合处理,得到补偿后的图像。
图像分割单元510的结构如图7所示,可以具体包括:邻接图构造子单元511、边排序子单元512、初始化子单元513、分割处理子单元514以及迭代控制子单元515。
邻接图构造子单元511构造原始图像的邻接图G=(V,E),其中V为原始图像的像素点作为结点构成的结点集合,E为结点之间边的集合,结点vi和vj之间形成边oq=(vi,vj),每个像素8邻域的图像特征梯度作为相邻结点之间的相似度,不邻接的结点之间的相似度为无穷大,结点之间的相似度作为边的权重w(oq)。这里的图像特征可以采用像素的RGB值。
边排序子单元512按照边的权重对E中的各边进行非降序排列,得到序列π=(o1,...,om)。
初始化子单元513设置初始分割S0,其中每个结点构成一个区域,设置q=0,触发分割处理子单元514。
分割处理子单元514受到触发后,在Sq-1中,oq=(vi,vj)为π=(o1,...,om)中第q条边,如果vi和vj在不同的区域并且w(oq)同时小于vi和vj所在区域的内部图像特征差异,则合并vi和vj所在区域为一个区域,形成分割结果Sq,触发迭代控制子单元515,否则直接触发迭代控制子单元515,其中区域的内部图像特征差异为该区域所包含各边的权重最大值或平均值。
迭代控制子单元515受到触发后,判断q是否小于m,如果是,将q的值加1,触发分割处理子单元514,否则形成最终的分割结果Sm,m为邻接图中边的数目。
该图像分割单元510是基于图像区域内部的像素相似而区域之间的像素不不相似的假设。图像分割处理的速度很快,时间复杂度为O(nlogn),n为图像的像素数。
为了提高图像二值化的准确度,区域合并单元520可以采用首先对分割区域进行预聚类,然后基于预聚类的结果进一步进行类别区域的合并,从而得到最终的图层的方式。鉴于此,继续参见图5,区域合并单元520的结构可以具体包括:预聚类子单元521以及合并子单元522。
预聚类子单元521提取每个分割区域的第一图像特征,根据每个分割区域的第一图像特征对M个分割区域进行聚类,得到K个类别区域,1<K≤M,且K为整数。
预聚类子单元521可以基于每个分割区域的RGB特征,即上述的第一图像特征,采用分割区域之间的欧式距离计算分割区域之间的相似度,进而进行聚类。采用的聚类方式可以为K-Means聚类,预先设置聚类数目K,最终输出满足最小方差标准的K个类别区域。其中K值的设置可以采用经验值或实验值,例如32,如果图像分割后产生的分割区域的数目M小于K,则设置M为该分割区域的数目。当然也可以采用诸如层次聚类、谱聚类等其他聚类方式。
合并子单元522基于K个类别区域之间第二图像特征的相似度,进行类别区域的合并,得到Q个图层,Q为正整数且1<Q<K。第二图像特征可以包括RGB和HSV特征,HSV为色调、饱和度和亮度特征。
具体地,合并子单元522可以采用K个类别区域之间第二图像特征的直方图卡方距离或者欧式距离作为K个类别区域之间第二图像特征的相似度。在进行类别区域合并时,采用最大最小距离聚类方式,或者采用自调整的谱聚类方式。
图层二值化单元530在基于提取结果进行灰度二值化处理时,可以将目标图层赋为二值化的其中一种灰度值,将其他图层赋为二值化的另一种灰度值,目的是将目标图层与其他图层区分开。
另外,区域合并单元520在进行类别合并之后,可能存在噪声的情况,鉴于此,图层二值化单元530可以在提取目标图层的过程中,进一步执行噪声处理。其中噪声处理的方式可以包括但不限于:基于像素比例的噪声过滤、膨胀腐蚀处理或者基于游程熵的过滤等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (18)
1.一种图像的彩色二值化方法,其特征在于,该方法包括:
S1、对原始图像进行图像分割得到M个分割区域,使得所述M个分割区域之间的图像特征差异相比较各区域内部的图像特征差异程度满足预设要求,M为大于1的整数;
S2、基于每个分割区域的图像特征之间的相似度,对所述M个分割区域进行合并,得到Q个图层,Q为大于1的正整数;
S3、从所述Q个图层中提取目标图层,基于提取结果进行灰度二值化处理。
2.根据权利要求1所述的方法,其特征在于,该方法还包括:S0、对所述原始图像进行光照补偿处理;
所述步骤S2的执行基于所述光照补偿处理后的图像。
3.根据权利要求2所述的方法,其特征在于,所述步骤S0具体包括:
A1、将原始图像进行多尺度的高斯滤波平滑,得到各高斯滤波图像;
A2、将原始图像与各高斯滤波图像采用线性加权的方式进行融合处理,得到补偿后的图像。
4.根据权利要求1所述的方法,其特征在于,所述步骤S1具体包括:
B1、构造原始图像的邻接图G=(V,E),其中V为原始图像的像素点作为结点构成的结点集合,E为结点之间边的集合,结点vi和vj之间形成边oq=(vi,vj),每个像素8邻域的图像特征梯度作为相邻结点之间的相似度,不邻接的结点之间的相似度为无穷大,结点之间的相似度作为边的权重w(oq);
B2、按照边的权重对所述E中的各边进行非降序排列,得到序列π=(o1,...,om);
B3、设置初始分割S0,其中每个结点构成一个区域,设置q=0;
B4、在Sq-1中,oq=(vi,vj)为π=(o1,...,om)中第q条边,如果vi和vj在不同的区域并且w(oq)同时小于vi和vj所在区域的内部图像特征差异,则合并vi和vj所在区域为一个区域,形成分割结果Sq后执行步骤B5,否则执行步骤B5;其中所述区域的内部图像特征差异为该区域所包含各边的权重最大值或平均值;
B5、判断q是否小于m,如果是,将q的值加1,转至步骤B4;否则形成最终的分割结果Sm,所述m为所述邻接图中边的数目。
5.根据权利要求1或2所述的方法,其特征在于,所述步骤S2包括:
C1、提取每个分割区域的第一图像特征,根据每个分割区域的第一图像特征对所述M个分割区域进行聚类,得到K个类别区域,1<K≤M,且K为整数;
C2、基于所述K个类别区域之间第二图像特征的相似度,进行类别区域的合并,得到Q个图层,所述Q为正整数且1<Q<K。
6.根据权利要求5所述的方法,其特征在于,所述第一图像特征为红绿蓝RGB特征,所述第二图像特征包括RGB和HSV特征,所述HSV为色调、饱和度和亮度特征。
7.根据权利要求5所述的方法,其特征在于,在所述步骤C1中采用K-Means聚类,预先设置聚类数目K,如果所述M小于K,则设置聚类数目为M。
8.根据权利要求5所述的方法,其特征在于,所述K个类别区域之间第二图像特征的相似度采用所述K个类别区域之间第二图像特征的直方图卡方距离或者欧式距离;
在进行类别区域的合并时,采用最大最小距离聚类方式,或者采用自调整的谱聚类方式。
9.根据权利要求1所述的方法,其特征在于,所述基于提取结果进行灰度二值化处理为:
将所述目标图层赋为二值化的其中一种灰度值,将其他图层赋为二值化的另一种灰度值。
10.一种图像的彩色二值化装置,其特征在于,该装置包括:
图像分割单元,用于对原始图像进行图像分割得到M个分割区域,使得所述M个分割区域之间的图像特征差异相比较各区域内部的图像特征差异程度满足预设要求,M为大于1的整数;
区域合并单元,用于基于每个分割区域的图像特征之间的相似度,对所述M个分割区域进行合并,得到Q个图层,Q为大于1的正整数;
图层二值化单元,用于从所述Q个图层中提取目标图层,基于提取结果进行灰度二值化处理。
11.根据权利要求10所述的装置,其特征在于,该装置还包括:
光照补偿单元,用于对所述原始图像进行光照补偿处理;
所述区域合并单元基于所述光照补偿处理后的图像进行操作。
12.根据权利要求11所述的装置,其特征在于,所述光照补偿单元具体包括:
平滑处理子单元,用于将原始图像进行多尺度的高斯滤波平滑,得到各高斯滤波图像;
融合处理子单元,用于将原始图像与各高斯滤波图像采用线性加权的方式进行融合处理,得到补偿后的图像。
13.根据权利要求10所述的装置,其特征在于,所述图像分割单元具体包括:
邻接图构造子单元,用于构造原始图像的邻接图G=(V,E),其中V为原始图像的像素点作为结点构成的结点集合,E为结点之间边的集合,结点vi和vj之间形成边oq=(vi,vj),每个像素8邻域的图像特征梯度作为相邻结点之间的相似度,不邻接的结点之间的相似度为无穷大,结点之间的相似度作为边的权重w(oq);
边排序子单元,用于按照边的权重对所述E中的各边进行非降序排列,得到序列π=(o1,...,om);
初始化子单元,用于设置初始分割S0,其中每个结点构成一个区域,设置q=0,触发分割处理子单元;
所述分割处理子单元,用于受到触发后,在Sq-1中,oq=(vi,vj)为π=(o1,...,om)中第q条边,如果vi和vj在不同的区域并且w(oq)同时小于vi和vj所在区域的内部图像特征差异,则合并vi和vj所在区域为一个区域,形成分割结果Sq,触发迭代控制子单元,否则直接触发迭代控制子单元,其中所述区域的内部图像特征差异为该区域所包含各边的权重最大值或平均值;
迭代控制子单元,用于受到触发后,判断q是否小于m,如果是,将q的值加1,触发所述分割处理子单元,否则形成最终的分割结果Sm,所述m为所述邻接图中边的数目。
14.根据权利要求10或11所述的装置,其特征在于,区域合并单元具体包括:
预聚类子单元,用于提取每个分割区域的第一图像特征,根据每个分割区域的第一图像特征对所述M个分割区域进行聚类,得到K个类别区域,1<K≤M,且K为整数;
合并子单元,用于基于所述K个类别区域之间第二图像特征的相似度,进行类别区域的合并,得到Q个图层,所述Q为正整数且1<Q<K。
15.根据权利要求14所述的装置,其特征在于,所述第一图像特征为红绿蓝RGB特征,所述第二图像特征包括RGB和HSV特征,所述HSV为色调、饱和度和亮度特征。
16.根据权利要求14所述的装置,其特征在于,所述预聚类子单元采用K-Means聚类方式执行所述聚类,预先设置聚类数目K,如果所述M小于K,则设置聚类数目为M。
17.根据权利要求14所述的装置,其特征在于,所述合并子单元采用所述K个类别区域之间第二图像特征的直方图卡方距离或者欧式距离作为所述K个类别区域之间第二图像特征的相似度;在进行类别区域合并时,采用最大最小距离聚类方式,或者采用自调整的谱聚类方式。
18.根据权利要求10所述的装置,其特征在于,所述图层二值化单元在基于提取结果进行灰度二值化处理时,将所述目标图层赋为二值化的其中一种灰度值,将其他图层赋为二值化的另一种灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100774709A CN103324931A (zh) | 2012-03-22 | 2012-03-22 | 一种图像的彩色二值化方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100774709A CN103324931A (zh) | 2012-03-22 | 2012-03-22 | 一种图像的彩色二值化方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103324931A true CN103324931A (zh) | 2013-09-25 |
Family
ID=49193659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012100774709A Pending CN103324931A (zh) | 2012-03-22 | 2012-03-22 | 一种图像的彩色二值化方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103324931A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335962A (zh) * | 2015-08-31 | 2016-02-17 | 中国烟草总公司广东省公司 | 一种烟田采集图像分割方法 |
CN107247929A (zh) * | 2017-05-26 | 2017-10-13 | 大连海事大学 | 一种结合先验知识的鞋印花纹渐进细化式提取方法 |
CN107871321A (zh) * | 2016-09-23 | 2018-04-03 | 南开大学 | 图像分割方法及装置 |
CN105825535B (zh) * | 2016-03-18 | 2018-06-05 | 广东欧珀移动通信有限公司 | 一种图层合并方法及系统 |
CN110728697A (zh) * | 2019-09-30 | 2020-01-24 | 华中光电技术研究所(中国船舶重工集团有限公司第七一七研究所) | 基于卷积神经网络的红外弱小目标检测跟踪方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254326A (zh) * | 2011-07-22 | 2011-11-23 | 西安电子科技大学 | 利用核传递进行图像分割的方法 |
-
2012
- 2012-03-22 CN CN2012100774709A patent/CN103324931A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254326A (zh) * | 2011-07-22 | 2011-11-23 | 西安电子科技大学 | 利用核传递进行图像分割的方法 |
Non-Patent Citations (3)
Title |
---|
P F.FELZENSZWALB等: "Efficient Graph-Based Image Segmentation", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》, vol. 59, no. 2, 30 September 2004 (2004-09-30), pages 167 - 181 * |
唐泉: ""基于分块聚类的车牌图像二值化方法及车牌定位方法研究"", 《中国优秀硕士学位论文数据库-信息科技辑》 * |
方芳: "基于区域生长与聚类的彩色图像分割方法的改进", 《中国优秀硕士学位论文全文数据库-信息科技辑 》, no. 2, 15 August 2007 (2007-08-15), pages 138 - 832 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335962A (zh) * | 2015-08-31 | 2016-02-17 | 中国烟草总公司广东省公司 | 一种烟田采集图像分割方法 |
CN105825535B (zh) * | 2016-03-18 | 2018-06-05 | 广东欧珀移动通信有限公司 | 一种图层合并方法及系统 |
CN107871321A (zh) * | 2016-09-23 | 2018-04-03 | 南开大学 | 图像分割方法及装置 |
CN107871321B (zh) * | 2016-09-23 | 2021-08-27 | 南开大学 | 图像分割方法及装置 |
CN107247929A (zh) * | 2017-05-26 | 2017-10-13 | 大连海事大学 | 一种结合先验知识的鞋印花纹渐进细化式提取方法 |
CN107247929B (zh) * | 2017-05-26 | 2020-02-18 | 大连海事大学 | 一种结合先验知识的鞋印花纹渐进细化式提取方法 |
CN110728697A (zh) * | 2019-09-30 | 2020-01-24 | 华中光电技术研究所(中国船舶重工集团有限公司第七一七研究所) | 基于卷积神经网络的红外弱小目标检测跟踪方法 |
CN110728697B (zh) * | 2019-09-30 | 2023-06-13 | 华中光电技术研究所(中国船舶重工集团有限公司第七一七研究所) | 基于卷积神经网络的红外弱小目标检测跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107609549B (zh) | 一种自然场景下证件图像的文本检测方法 | |
CN109840521B (zh) | 一种基于深度学习的一体化车牌识别方法 | |
CN107330979B (zh) | 建筑户型的矢量图生成方法、装置及终端 | |
Arévalo et al. | Shadow detection in colour high‐resolution satellite images | |
KR101403876B1 (ko) | 차량 번호판 인식 방법과 그 장치 | |
WO2018145470A1 (zh) | 一种图像检测方法和装置 | |
EP3493101A1 (en) | Image recognition method, terminal, and nonvolatile storage medium | |
US20020076088A1 (en) | Method of multi-level facial image recognition and system using the same | |
CN109933975A (zh) | 一种基于深度学习的验证码识别方法及系统 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
WO2018076138A1 (zh) | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 | |
CN103324931A (zh) | 一种图像的彩色二值化方法和装置 | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN113033558A (zh) | 一种用于自然场景的文本检测方法及装置、存储介质 | |
CN115033721A (zh) | 基于大数据的图像检索方法 | |
CN109376719B (zh) | 一种基于组合特征表示的相机光响应非均匀性指纹提取及比对方法 | |
CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
Prasad et al. | Unsupervised resolution independent based natural plant leaf disease segmentation approach for mobile devices | |
Rani et al. | License plate character segmentation based on pixel distribution density | |
CN109800758A (zh) | 一种极大值区域检测的自然场景文字检测方法 | |
Kurbatova et al. | Detection of roads from images based on edge segmentation and morphological operations | |
Kalaivani et al. | Automatic color image segmentation | |
Sridevi et al. | A novel approach for detection of copy-move forgery detection using transform domain | |
Hu et al. | Shadow elimination based on multiple feature differences and glvq | |
Aytekin et al. | Deep multi-resolution color constancy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20130925 |