CN103886622A - 自动图像区域划分的实现方法及实现装置 - Google Patents
自动图像区域划分的实现方法及实现装置 Download PDFInfo
- Publication number
- CN103886622A CN103886622A CN201210560218.3A CN201210560218A CN103886622A CN 103886622 A CN103886622 A CN 103886622A CN 201210560218 A CN201210560218 A CN 201210560218A CN 103886622 A CN103886622 A CN 103886622A
- Authority
- CN
- China
- Prior art keywords
- pixel
- proper vector
- vector
- main proper
- accumulation direction
- 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.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种自动图像区域划分的实现方法,其包括:获取图像中每个像素点所对应的平滑结构张量场;根据所述平滑结构张量场的累积变化程度获取所述图像的细节度;根据所述图像的细节度对所述图像进行区域划分。本发明还提供一种可以实现上述方法的自动图像区域划分的实现装置。本发明提供的自动图像区域划分的实现方法及装置不需要任何用户交互即可完成图像的区域划分,计算相对简单,在性能较差的平台上也可以实现图像的区域划分。
Description
技术领域
本发明涉及数字图像处理技术,特别是涉及一种基于图像细节度的自动图像区域划分的实现方法及实现装置。
背景技术
在图像的研究和应用中,人们往往只对一幅图像中的某些部分感兴趣,这些感兴趣的部分一般对应图像中特定的、具有特殊性质的区域(可以对应单个区域,也可以对应多个区域),称之为目标或前景;而其它部分称为图像的背景。为了辨识和分析目标,需要把目标从一幅图像中孤立出来,这就是图像分割要研究的问题。所谓图像分割,从广义上来讲,是根据图像的某些特征或特征集合(包括灰度、颜色、纹理等)的相似性准则对图像像素进行分组聚类,把图像平面划分成若干个具有某些一致性的不重叠区域。这使得同一区域中的像素特征是类似的,即具有一致性;而不同区域间像素的特征存在突变,即具有非一致性。
现有的技术方案在对图像区分不同区域时,一般采用手工标定的方式,自动的方法一般是经典的Graph Cut等算法,通过与用户交互,对用户选定区域内的图像的统计特征进行分析,然后对图像的前后景自动进行区分。
现有的技术,如采用手工标定区域的方法,显然操作费时又不准确,而Graph cut等经典算法在处理每一幅图片时都需要用户选定对象和背景,耗时较长,计算也较为复杂,在手机等计算性能较差的平台上则是需要耗费更多的时间。
发明内容
本发明的目的在于,克服现有的图像区域划分的技术所存在的缺陷,而提供一种新的自动图像区域划分的实现方法,其可以在完全不需要用户交互的情况下,快速计算得到图像每个像素的细节度指标,并按照此指标进行快速的图像区域划分。
本发明的目的及解决其技术问题是采用以下技术方案来实现的。
本发明提供一种自动图像区域划分的实现方法,其包括:获取图像中每个像素点所对应的平滑结构张量场;根据所述平滑结构张量场的累积变化程度获取所述图像的细节度;根据所述图像的细节度对所述图像进行区域划分。
本发明提供一种自动图像区域划分的实现装置,其包括:平滑结构张量场获取模块,用于获取图像中每个像素点所对应的平滑结构张量场;图像细节度获取模块,根据所述平滑结构张量场的累积变化程度获取所述图像的细节度;图像区域划分模块,根据所述图像的细节度对所述图像进行区域划分。
本发明提供的自动图像区域划分的实现装置不需要任何用户交互即可完成图像的区域划分,计算相对简单,在性能较差的平台上也可以实现图像的区域划分。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
图1为本发明第一实施例中的自动图像区域划分的实现方法的流程示意图。
图2为待进行区域划分的一副图像。
图3为图1所示的步骤S11的具体的流程示意图。
图4为图1所示的步骤S12的具体流程示意图。
图5为本发明第一实施例中计算每个像素点沿其主特征向量正方向的累积方向值的具体流程示意图。
图6为本发明第一实施例中计算每个像素点沿其主特征向量反方向的累积方向值的具体流程示意图。
图7为图2经过步骤S11及S12处理后得到的细节度图。
图8为图7经过步骤S13处理后的区域划分结果。
图9为本发明第二实施例中的自动图像区域划分的实现装置的结构示意图。
图10为图9所示的平滑结构张量场获取模块21的结构示意图。
图11为图9所示的图像细节度获取模块22的结构示意图。
图12为正方向累积方向值获取模块222a的结构示意图。
图13为反方向累积方向值获取模块222b的结构示意图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的自动图像区域划分的实现方法其具体实施方式、方法、步骤、结构、特征及其功效,详细说明如下。
有关本发明的前述及其他技术内容、特点及功效,在以下配合参考图式的较佳实施例的详细说明中将可清楚呈现。通过具体实施方式的说明,当可对本发明为达成预定目的所采取的技术手段及功效得以更加深入且具体的了解,然而所附图式仅是提供参考与说明之用,并非用来对本发明加以限制。
第一实施例
图1为本发明所揭示的自动图像区域划分的实现方法的流程示意图。如图1所示,本发明的自动图像区域划分的实现方法包括:
S11:获取图像中每个像素点所对应的平滑结构张量场。
本步骤中所只的图像是指未经过任何处理的原始图像,请参照图2,图2所示是待进行区域划分的一副图像。
请参照图3,于步骤S11中,获取图像中的每个像素点所对应的平滑结构张量场的具体方法可以包括以下步骤:
S111:对所述图像进行滤波处理,获得每个像素点的梯度。
例如可以通过sobel算子计算图像中每个像素点在x,y方向上的梯度,具体公式如下:
其中,R,G,B分别表示是每个像素点对应的红色(R)、绿色(G)、蓝色(B)的分量,f为x,y方向上的梯度向量。
步骤S111的目的的是分别计算出x,y方向上的梯度,所以任何能够计算出x,y方向上梯度的算法都可以采用,并不限于通过sobel算子计算梯度。
S112:根据每个像素点的梯度计算其对应的张量场。
于步骤S112中,根据每个像素点在x、y方向上的梯度计算每个像素点的张量场,具体公式如下:
S113:对每个像素点的张量场进行平滑处理获得所述平滑结构张量场。
于步骤S113中,对每个像素点的张量场做平滑处理,例如对每个像素点的张量场做高斯模糊处理。高斯模糊后的张量场可以用 表示。当然,也可以采用其他的平滑处理方式,比如均值模糊等处理方式对每个像素点的张量场做平滑处理,本发明并不以此为限。
S12:根据所述平滑结构张量场的累积变化程度获取所述图像的细节度。
请参照图4,于步骤S12中,进一步可以包括以下步骤:
S121:根据每个像素点的平滑结构张量场计算每个像素点的主特征向量。
根据每个像素点的平滑结构张量场计算特征向量,具体公式如下:
其中,v1、v2是该像素点的特征向量,v1是该像素点的主特征向量。
S122:根据像素点的主特征向量获取用于表征所述平滑结构张量场的累积变化程度的每个像素点的主特征向量的累积方向值。
于步骤S122中,分别计算每个像素点沿其主特征向量正方向的累积方向值以及每个像素点沿其主特征向量反方向的累积方向值。
请参照图5,计算每个像素点沿其主特征向量正方向的累积方向值的方法可以包括以下步骤:
步骤a1:设定待计算主特征向量的累积方向值的像素点为第一像素点P,选取所述图像中位于该第一像素点P的主特征向量正方向且与该第一像素点P的距离为单位距离的第二像素点Q,获取该第一像素点P与该第二像素点Q构成的第一向量A;
步骤b1:选取所述图像中位于该第二像素点Q的主特征向量正方向且距离为单位距离的第三像素点Q1,获取该第二像素点Q与该第三像素点Q1构成的第二向量B;
步骤c1:计算并存储该第一向量A与该第二向量B之间的夹角αi,并记录执行该步骤的累积次数i;
步骤d1:判断该累积次数是否小于预定次数,如果判断结果为是,则将该第二像素点Q设定为第一像素点P(也就是令P=Q)、将该第三像素点Q1设定为第二像素点Q(也就是Q=Q1),跳转步骤b1,否则,获取所有被存储的夹角的和作为该像素点沿其主特征向量正方向的累积方向值。以预定次数是5次为例,那么该像素点沿其主特征向量正方向的累积方向值=α1+α2+α3+α4+α5。单位距离按照实际需要可以设定为一个像素或两个像素等。
请参照图6,同理,计算每个像素点沿其主特征向量反方向的累积方向值的方法可以包括以下步骤:
步骤a2:设定待计算主特征向量的累积方向值的像素点为第一像素点P,选取所述图像中位于该第一像素点P的主特征向量反方向且与该第一像素点P的距离为单位距离的第二像素点Q',获取该第一像素点P与该第二像素点Q'构成的第一向量A';
步骤b2:选取所述图像中位于该第二像素点Q'的主特征向量反方向且距离为单位距离的第三像素点Q1',获取该第二像素点Q'与该第三像素点Q1'构成的第二向量B';
步骤c2:计算并存储该第一向量A'与该第二向量B'之间的夹角βi,并记录执行该步骤的累积次数i;
步骤d2:判断该累积次数是否小于预定次数,如果判断结果为是,则将该第二像素点设定为第一像素点、将该第三像素点设定为第二像素点,执行步骤b2,否则,获取所有被存储的夹角的和作为该像素点沿其主特征向量反方向的累积方向值。在计算每个像素点沿其主特征向量正、反方向的累积方向值时步骤c1与步骤c2的累积次数的预定次数是相同的,单位距离的长度也是相同的。例如在计算每个像素点沿其主特征向量正方向的累积方向值时,设置预定次数为5次,那么在计算每个像素点沿其主特征向量反方向的累积方向值时,设置的预定次数也为5次。同样,以预定次数是5次为例,那么该像素点沿其主特征向量反方向的累积方向值=β1+β2+β3+β4+β5。
每个像素点沿其主特征向量正、反方向的累积方向值的累加(α1+α2+α3+α4+α5+β1+β2+β3+β4+β5)就是该像素点对应的主特征向量的累积方向值。
S123:将所有像素点的主特征向量的累积方向值进行归一化及反向处理得到每个像素点的细节度。
将所有像素点的主特征向量的累积方向值进行归一化也就是将所述图像每个像素点的主特征向量的累积方向值除以所有像素点的主特征向量的累积方向值的最大值。将归一化后的累积方向值反向指的是用1减去归一化后的累积方向值,例如归一化后的累积方向值a是0~1范围内的数,对a反向的意思就是令a=1-a。
将所有像素点的主特征向量的累积方向值进行归一化及反向处理得到可以表征图像细节程度的每个像素点的细节度指标,即每个像素点的细节度。请参照图7,图7是图2经过步骤S11及S12处理后得到的细节度图。
S13:根据所述图像的细节度对所述图像进行区域划分。
得到图像的细节度后,可以用经典的阈值划分的方式对图像进行细节度的划分,最终得到图像的不同细节度区域。请参照图8,图8是图7经过步骤S13处理后的区域划分结果,其中,白色区域为细节度小于阈值的低细节度区域。
本实施例提供的自动图像区域划分的实现方法不需要任何用户交互即可完成图像的区域划分,计算相对简单,在性能较差的平台上也可以实现图像的区域划分。
第二实施例
图6为本发明所揭示的自动图像区域划分的实现装置的结构示意图。如图6所示,本发明的自动图像区域划分的实现装置20包括:平滑结构张量场获取模块21、图像细节度获取模块22、图像区域划分模块23。
平滑结构张量场获取模块21用于获取图像中每个像素点所对应的平滑结构张量场;图像细节度获取模块22根据所述平滑结构张量场的累积变化程度获取所述图像的细节度;图像区域划分模块23根据所述图像的细节度对所述图像进行区域划分。
请参照图7,所述平滑结构张量场获取模块21进一步可以包括:梯度提取模块211、张量场获取模块212、平滑处理模块213。
梯度提取模块211用于对所述图像进行滤波处理,获得每个像素点的梯度;张量场获取模块212用于根据每个像素点的梯度计算其对应的张量场;平滑处理模块213用于对每个像素点的张量场进行平滑处理获得所述平滑结构张量场。
请参照图8,所述图像细节度获取模块22进一步可以包括:主特征向量计算模块221、累积方向值获取模块222、细节度获取模块223。
主特征向量计算模块221用于根据每个像素点的平滑结构张量场计算每个像素点的主特征向量;累积方向值获取模块222用于根据像素点的主特征向量获取用于表征所述平滑结构张量场的累积变化程度的每个像素点的主特征向量的累积方向值;细节度获取模块223用于将所有像素点的主特征向量的累积方向值进行归一化及反向处理得到每个像素点的细节度。
所述累积方向值获取模块222包括用于计算每个像素点沿其主特征向量正方向的累积方向值的正方向累积方向值获取模块222a以及用于计算每个像素点沿其主特征向量反方向的累积方向值的反方向累积方向值获取模块222b。
请参照图9,正方向累积方向值获取模块222a包括:第一向量子模块2221a、第二向量子模块2222a、夹角计算子模块2223a、判断执行子模块2224a。
第一向量子模块2221a用于设定待计算主特征向量的累积方向值的像素点为第一像素点,选取所述图像中位于该第一像素点的主特征向量正方向且与该第一像素点的距离为单位距离的第二像素点,获取该第一像素点与该第二像素点构成的第一向量。第二向量子模块2222a用于选取所述图像中位于该第二像素点的主特征向量正方向且与该第二像素点的距离为单位距离的第三像素点,获取该第二像素点与该第三像素点构成的第二向量。夹角计算子模块2223a用于计算并存储该第一向量与该第二向量之间的夹角,并记录执行该步骤的累积次数。判断执行子模块2224a用于判断该累积次数是否小于预定次数,如果判断结果为是,则将该第二像素点设定为第一像素点、将该第三像素点设定为第二像素点,并返回所述第二向量子模块2222a,否则,获取所有被存储的夹角作为该像素点沿其主特征向量正方向的累积方向值。
请参照图10,反方向累积方向值获取模块222b包括:第一向量子模块2221b、第二向量子模块2222b、夹角计算子模块2223b、判断执行子模块2224b。
第一向量子模块2221b用于设定待计算主特征向量的累积方向值的像素点为第一像素点,选取所述图像中位于该第一像素点的主特征向量反方向且与该第一像素点的距离为单位距离的第二像素点,获取该第一像素点与该第二像素点构成的第一向量。第二向量子模块2222b用于选取所述图像中位于该第二像素点的主特征向量反方向且与该第二像素点的距离为单位距离的第三像素点,获取该第二像素点与该第三像素点构成的第二向量。夹角计算子模块2223b用于计算并存储该第一向量与该第二向量之间的夹角,并记录执行该步骤的累积次数。判断执行子模块2224b用于判断该累积次数是否小于预定次数,如果判断结果为是,则将该第二像素点设定为第一像素点、将该第三像素点设定为第二像素点,并返回所述第二向量子模块2222b,否则,获取所有被存储的夹角作为该像素点沿其主特征向量反方向的累积方向值。
综上所述,相对于现有技术,本发明提供的自动图像区域划分的实现装置不需要任何用户交互即可完成图像的区域划分,计算相对简单,在性能较差的平台上也可以实现图像的区域划分。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于系统类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (12)
1.一种自动图像区域划分的实现方法,其特征在于,所述方法包括:
获取图像中每个像素点所对应的平滑结构张量场;
根据所述平滑结构张量场的累积变化程度获取所述图像的细节度;
根据所述图像的细节度对所述图像进行区域划分。
2.如权利要求1所述的自动图像区域划分的实现方法,其特征在于,所述获取图像中每个像素点所对应的平滑结构张量场的步骤,包括:
对所述图像进行滤波处理,获得每个像素点的梯度;
根据每个像素点的梯度计算其对应的张量场;
对每个像素点的张量场进行平滑处理获得所述平滑结构张量场。
3.如权利要求2所述的自动图像区域划分的实现方法,其特征在于,所述利用所述平滑结构张量场的累积变化程度获取所述图像的细节度的步骤,包括:
根据每个像素点的平滑结构张量场计算每个像素点的主特征向量;
根据像素点的主特征向量获取用于表征所述平滑结构张量场的累积变化程度的每个像素点的主特征向量的累积方向值;
将所有像素点的主特征向量的累积方向值进行归一化及反向处理得到每个像素点的细节度。
4.如权利要求3所述的自动图像区域划分的实现方法,其特征在于,所述根据像素点的主特征向量获取用于表征所述平滑结构张量场的累积变化程度的每个像素点的主特征向量的累积方向值的步骤,包括:分别计算每个像素点沿其主特征向量正方向的累积方向值以及每个像素点沿其主特征向量反方向的累积方向值。
5.如权利要求4所述的自动图像区域划分的实现方法,其特征在于,所述计算每个像素点沿其主特征向量正方向的累积方向值的步骤,包括:
步骤a1:设定待计算主特征向量的累积方向值的像素点为第一像素点,选取所述图像中位于该第一像素点的主特征向量正方向且与该第一像素点的距离为单位距离的第二像素点,获取该第一像素点与该第二像素点构成的第一向量;
步骤b1:选取所述图像中位于该第二像素点的主特征向量正方向且与该第二像素点的距离为单位距离的第三像素点,获取该第二像素点与该第三像素点构成的第二向量;
步骤c1:计算并存储该第一向量与该第二向量之间的夹角,并记录执行该步骤的累积次数;
步骤d1:判断该累积次数是否小于预定次数,如果判断结果为是,则将该第二像素点设定为第一像素点、将该第三像素点设定为第二像素点,执行步骤b1,否则,获取所有被存储的夹角作为该像素点沿其主特征向量正方向的累积方向值。
6.如权利要求4所述的自动图像区域划分的实现方法,其特征在于,所述计算每个像素点沿其主特征向量反方向的累积方向值的步骤,包括:
步骤a2:设定待计算主特征向量的累积方向值的像素点为第一像素点,选取所述图像中位于该第一像素点的主特征向量反方向且与该第一像素点的距离为单位距离的第二像素点,获取该第一像素点与该第二像素点构成的第一向量;
步骤b2:选取所述图像中位于该第二像素点的主特征向量反方向且与该第二像素点的距离为单位距离的第三像素点,获取该第二像素点与该第三像素点构成的第二向量;
步骤c2:计算并存储该第一向量与该第二向量之间的夹角,并记录执行该步骤的累积次数;
步骤d2:判断该累积次数是否小于预定次数,如果判断结果为是,则将该第二像素点设定为第一像素点、将该第三像素点设定为第二像素点,执行步骤b2,否则,获取所有被存储的夹角作为该像素点沿其主特征向量反方向的累积方向值。
7.一种自动图像区域划分的实现装置,其特征在于,所述装置包括:
平滑结构张量场获取模块,用于获取图像中每个像素点所对应的平滑结构张量场;
图像细节度获取模块,根据所述平滑结构张量场的累积变化程度获取所述图像的细节度;
图像区域划分模块,根据所述图像的细节度对所述图像进行区域划分。
8.如权利要求7所述的自动图像区域划分的实现装置,其特征在于,所述平滑结构张量场获取模块,包括:
梯度提取模块,用于对所述图像进行滤波处理,获得每个像素点的梯度;
张量场获取模块,用于根据每个像素点的梯度计算其对应的张量场;
平滑处理模块,用于对每个像素点的张量场进行平滑处理获得所述平滑结构张量场。
9.如权利要求8所述的自动图像区域划分的实现装置,其特征在于,所述图像细节度获取模块,包括:
主特征向量计算模块,用于根据每个像素点的平滑结构张量场计算每个像素点的主特征向量;
累积方向值获取模块,用于根据像素点的主特征向量获取用于表征所述平滑结构张量场的累积变化程度的每个像素点的主特征向量的累积方向值;
细节度获取模块,用于将所有像素点的主特征向量的累积方向值进行归一化及反向处理得到每个像素点的细节度。
10.如权利要求9所述的自动图像区域划分的实现装置,其特征在于,所述累积方向值获取模块包括用于计算每个像素点沿其主特征向量正方向的累积方向值的正方向累积方向值获取模块以及用于计算每个像素点沿其主特征向量反方向的累积方向值的反方向累积方向值获取模块。
11.如权利要求10所述的自动图像区域划分的实现装置,其特征在于,所述正方向累积方向值获取模块包括:
第一向量子模块:设定待计算主特征向量的累积方向值的像素点为第一像素点,选取所述图像中位于该第一像素点的主特征向量正方向且与该第一像素点的距离为单位距离的第二像素点,获取该第一像素点与该第二像素点构成的第一向量;
第二向量子模块:选取所述图像中位于该第二像素点的主特征向量正方向且与该第二像素点的距离为单位距离的第三像素点,获取该第二像素点与该第三像素点构成的第二向量;
夹角计算子模块:计算并存储该第一向量与该第二向量之间的夹角,并记录执行该步骤的累积次数;
判断执行子模块:判断该累积次数是否小于预定次数,如果判断结果为是,则将该第二像素点设定为第一像素点、将该第三像素点设定为第二像素点,并返回所述第二向量子模块,否则,获取所有被存储的夹角作为该像素点沿其主特征向量正方向的累积方向值。
12.如权利要求10所述的自动图像区域划分的实现装置,其特征在于,所述反方向累积方向值获取模块包括:
第一向量子模块:设定待计算主特征向量的累积方向值的像素点为第一像素点,选取所述图像中位于该第一像素点的主特征向量反方向且与该第一像素点的距离为单位距离的第二像素点,获取该第一像素点与该第二像素点构成的第一向量;
第二向量子模块:选取所述图像中位于该第二像素点的主特征向量反方向且与该第二像素点的距离为单位距离的第三像素点,获取该第二像素点与该第三像素点构成的第二向量;
夹角计算子模块:计算并存储该第一向量与该第二向量之间的夹角,并记录执行该步骤的累积次数;
判断执行子模块:判断该累积次数是否小于预定次数,如果判断结果为是,则将该第二像素点设定为第一像素点、将该第三像素点设定为第二像素点,并返回所述第二向量子模块,否则,获取所有被存储的夹角作为该像素点沿其主特征向量反方向的累积方向值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210560218.3A CN103886622B (zh) | 2012-12-21 | 2012-12-21 | 自动图像区域划分的实现方法及实现装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210560218.3A CN103886622B (zh) | 2012-12-21 | 2012-12-21 | 自动图像区域划分的实现方法及实现装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103886622A true CN103886622A (zh) | 2014-06-25 |
CN103886622B CN103886622B (zh) | 2017-10-31 |
Family
ID=50955495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210560218.3A Active CN103886622B (zh) | 2012-12-21 | 2012-12-21 | 自动图像区域划分的实现方法及实现装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103886622B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104699250A (zh) * | 2015-03-31 | 2015-06-10 | 小米科技有限责任公司 | 显示控制方法及装置、电子设备 |
CN107318023A (zh) * | 2017-06-21 | 2017-11-03 | 西安万像电子科技有限公司 | 图像帧的压缩方法及装置 |
CN108536297A (zh) * | 2018-03-29 | 2018-09-14 | 北京微播视界科技有限公司 | 用于多人的人机交互应用程序的实现方法和装置 |
CN110443907A (zh) * | 2019-06-28 | 2019-11-12 | 北京市政建设集团有限责任公司 | 巡检任务处理方法和巡检任务处理服务器 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289812A (zh) * | 2011-08-26 | 2011-12-21 | 上海交通大学 | 一种基于先验形状和cv模型的目标分割方法 |
US20120020528A1 (en) * | 2010-07-23 | 2012-01-26 | Hideshi Yamada | Image processing apparatus, image processing method, and program |
-
2012
- 2012-12-21 CN CN201210560218.3A patent/CN103886622B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120020528A1 (en) * | 2010-07-23 | 2012-01-26 | Hideshi Yamada | Image processing apparatus, image processing method, and program |
CN102289812A (zh) * | 2011-08-26 | 2011-12-21 | 上海交通大学 | 一种基于先验形状和cv模型的目标分割方法 |
Non-Patent Citations (3)
Title |
---|
QI GE等: "AN IMPROVED REGION-BASED MODEL WITH LOCAL STATISTICAL FEATURE", 《2011 18TH IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 * |
片兆宇 等: "基于结构张量与随机游走的图像分割算法", 《东北大学学报(自然科学版)》 * |
赵在新 等: "结合半局部信息与结构张量的无监督纹理图像分割", 《中国图象图形学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104699250A (zh) * | 2015-03-31 | 2015-06-10 | 小米科技有限责任公司 | 显示控制方法及装置、电子设备 |
US9983667B2 (en) | 2015-03-31 | 2018-05-29 | Xiaomi Inc. | Method and apparatus for display control, electronic device |
CN104699250B (zh) * | 2015-03-31 | 2018-10-19 | 小米科技有限责任公司 | 显示控制方法及装置、电子设备 |
CN107318023A (zh) * | 2017-06-21 | 2017-11-03 | 西安万像电子科技有限公司 | 图像帧的压缩方法及装置 |
CN107318023B (zh) * | 2017-06-21 | 2020-12-22 | 西安万像电子科技有限公司 | 图像帧的压缩方法及装置 |
CN108536297A (zh) * | 2018-03-29 | 2018-09-14 | 北京微播视界科技有限公司 | 用于多人的人机交互应用程序的实现方法和装置 |
CN110443907A (zh) * | 2019-06-28 | 2019-11-12 | 北京市政建设集团有限责任公司 | 巡检任务处理方法和巡检任务处理服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN103886622B (zh) | 2017-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10657651B2 (en) | Systems and methods for detection of significant and attractive components in digital images | |
US20190370943A1 (en) | Image correction method and device | |
CN109934826A (zh) | 一种基于图卷积网络的图像特征分割方法 | |
EP2706507A1 (en) | Method and apparatus for generating morphing animation | |
CN103745468B (zh) | 一种基于图结构和边界先验的显著性物体检测方法 | |
CN110309842B (zh) | 基于卷积神经网络的物体检测方法及装置 | |
KR101570290B1 (ko) | 화상 처리 장치, 화상 처리 방법, 화상 처리 제어 프로그램, 및 기록 매체 | |
CN111860494A (zh) | 图像目标检测的优化方法、装置、电子设备和存储介质 | |
CN105721853A (zh) | 用于深度图生成的数码相机的配置设置 | |
US20110075927A1 (en) | Fast image segmentation using region merging with a k-nearest neighbor graph | |
US10275682B2 (en) | Information processing apparatus, information processing method, and storage medium | |
CN102567952B (zh) | 一种图像分割方法及系统 | |
CN106056606A (zh) | 图像处理方法及装置 | |
CN103886622A (zh) | 自动图像区域划分的实现方法及实现装置 | |
CN111680681B (zh) | 排除非正常识别目标的图像后处理方法及系统及计数方法 | |
US20200125898A1 (en) | Methods and systems of segmentation of a document | |
CN105069453A (zh) | 一种图像校正方法及装置 | |
CN103020993A (zh) | 一种双通道颜色对比度融合的视觉显著性检测方法 | |
EP3413232A1 (en) | Method, device, and apparatus for detecting road dividing object as well as computer program and non-transitory computer-readable medium | |
US20150220804A1 (en) | Image processor with edge selection functionality | |
CN104899892A (zh) | 一种快速的星图图像星点提取方法 | |
CN105447842A (zh) | 一种图像匹配的方法及装置 | |
CN103208103A (zh) | 一种基于gpu的低照度图像增强方法 | |
CN108960247A (zh) | 图像显著性检测方法、装置以及电子设备 | |
CN106548114B (zh) | 图像处理方法、装置及计算机可读介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |