CN103996189A - 图像分割方法及装置 - Google Patents

图像分割方法及装置 Download PDF

Info

Publication number
CN103996189A
CN103996189A CN201410187226.7A CN201410187226A CN103996189A CN 103996189 A CN103996189 A CN 103996189A CN 201410187226 A CN201410187226 A CN 201410187226A CN 103996189 A CN103996189 A CN 103996189A
Authority
CN
China
Prior art keywords
pixel
model
background
image
conspicuousness
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
Application number
CN201410187226.7A
Other languages
English (en)
Other versions
CN103996189B (zh
Inventor
王琳
秦秋平
陈志军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Xiaomi Technology Co Ltd
Xiaomi Inc
Original Assignee
Xiaomi Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiaomi Inc filed Critical Xiaomi Inc
Priority to CN201410187226.7A priority Critical patent/CN103996189B/zh
Publication of CN103996189A publication Critical patent/CN103996189A/zh
Priority to JP2016517158A priority patent/JP6125099B2/ja
Priority to PCT/CN2014/089297 priority patent/WO2015169061A1/zh
Priority to RU2014153987/08A priority patent/RU2596580C2/ru
Priority to BR112014032942A priority patent/BR112014032942A2/pt
Priority to MX2014015363A priority patent/MX358601B/es
Priority to KR1020147036180A priority patent/KR101670004B1/ko
Priority to US14/583,816 priority patent/US9633444B2/en
Priority to EP15163752.7A priority patent/EP2942753B1/en
Application granted granted Critical
Publication of CN103996189B publication Critical patent/CN103996189B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/162—Segmentation; Edge detection involving graph-based methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/222—Studio circuitry; Studio devices; Studio equipment
    • H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/222—Studio circuitry; Studio devices; Studio equipment
    • H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
    • H04N5/2624—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects for obtaining an image which is composed of whole input images, e.g. splitscreen
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/222—Studio circuitry; Studio devices; Studio equipment
    • H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
    • H04N5/2625—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects for obtaining an image which is composed of images from a temporal image sequence, e.g. for a stroboscopic effect
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/222—Studio circuitry; Studio devices; Studio equipment
    • H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
    • H04N5/2625—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects for obtaining an image which is composed of images from a temporal image sequence, e.g. for a stroboscopic effect
    • H04N5/2627—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects for obtaining an image which is composed of images from a temporal image sequence, e.g. for a stroboscopic effect for providing spin image effect, 3D stop motion effect or temporal freeze effect
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/222—Studio circuitry; Studio devices; Studio equipment
    • H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
    • H04N5/272—Means for inserting a foreground image in a background image, i.e. inlay, outlay
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Character Input (AREA)
  • Image Processing (AREA)

Abstract

本发明揭示了一种图像分割方法及装置，属于图像处理领域。所述图像分割方法包括：建立图像的显著性模型；根据显著性模型获取图像中的前景样本点和背景样本点；根据显著性模型以及前景样本点和背景样本点，建立前背景分类模型；根据预定图割算法对图像进行分割，预定图割算法利用前背景分类模型以及像素点之间的边缘信息对图像进行分割。通过自动确定前背景样本点，并结合显著性模型以建立前背景分类模型，利用该前背景分类模型实现图像分割；解决了相关技术中必须需要用户手动粗略地选定前景样本点和背景样本点，在对大量图像进行分割时，分割效率比较低的问题；达到了可以实现自动化选取样本，提高了分类精确度以及分割效率的效果。

Description

图像分割方法及装置
技术领域
本公开涉及图像处理领域，特别涉及一种图像分割方法及装置。
背景技术
图像分割技术是图像分析、图像编辑和图像合成等领域的基础，图像分割技术可以从图像中分割出前景和背景，如何快速的、自动的从图像中分割出前景和背景是目前研究的一个重要课题。
在相关的图像分割方法中，首先，接收用户手动选定的图像中的前景样本点和背景样本点；然后，根据用户手动选定的前景样本点建立前背景颜色似然模型；最后，根据前背景颜色似然模型对图像进行分割，得到分割后的前景和背景。
发明人在实现本公开的过程中，发现相关技术至少存在如下缺陷：在传统的图像分割方法中，必须需要用户手动粗略地选定前景样本点和背景样本点，在对大量图像进行分割时，分割效率比较低。
发明内容
为了解决相关技术中必须需要用户手动粗略地选定前景样本点和背景样本点，在对大量图像进行分割时，分割效率比较低的问题，本公开提供一种图像分割方法及装置。所述技术方案如下：
根据本公开实施例的第一方面，提供一种图像分割方法，包括：
建立图像的显著性模型；
根据所述显著性模型获取所述图像中的前景样本点和背景样本点；
根据所述显著性模型以及所述前景样本点和所述背景样本点，建立前背景分类模型；
根据预定图割算法对所述图像进行分割，所述预定图割算法利用所述前背景分类模型以及像素点之间的边缘信息对所述图像进行分割。
可选的，所述根据所述显著性模型获取所述图像中的前景样本点和背景样本点，包括：
根据所述显著性模型，计算所述图像中各个像素点的显著性值；
将各个像素点的显著性值进行归一化；
将归一化后的显著性值大于预定前景阈值的像素点确定为所述前景样本点；
将归一化后的显著性值小于预定背景阈值的像素点确定为所述背景样本点；
其中，所述预定前景阈值大于所述预定背景阈值，归一化后的各个显著值均位于(0，1)中。
可选的，所述前背景分类模型包括前景分类模型和背景分类模型，所述根据所述显著性模型以及所述前景样本点和所述背景样本点，建立前背景分类模型，包括：
根据所述前景样本点建立前景颜色似然模型；
根据所述背景样本点建立背景颜色似然模型；
将所述显著性模型与所述前景颜色似然模型相乘，得到所述前景分类模型，所述前景分类模型用于表征像素点为前景的概率；
将所述显著性模型与所述背景颜色似然模型相乘，得到所述背景分类模型，所述背景分类模型用于表征像素点为背景的概率。
可选的，所述根据预定图割算法对所述图像进行分割，包括：
利用所述前景分类模型计算所述图像中每个像素点的前景相似度；
利用所述背景分类模型计算所述图像中每个像素点的背景相似度；
获取所述图像中相邻像素点之间的相似度；
利用各个像素点的前景相似度、各个像素点的背景相似度以及相邻像素点之间的相似度，构造所述预定图割算法所需的无向图；
利用所述预定分割算法对所述无向图进行分割，完成对所述图像的分割。
可选的，所述利用各个像素点的前景相似度、各个像素点的背景相似度以及相邻像素点之间的相似度，构造所述预定图割算法所需的无向图，包括：
构建所述预定图割算法所需的无向图，所述无向图包括前景顶点、背景顶点、至少一个像素顶点、相邻的两个像素顶点之间的第一类边、所述像素顶点与所述背景顶点之间的第二类边，所述像素顶点与所述背景顶点之间的第三类边，所述无向图中的像素顶点与所述图像中的各个像素点一一对应；
对于每条第二类边，将与所述第二类边相连的像素顶点所对应的像素点的前景相似度，确定为所述第二类边的权值；
对于每条第三类边，将与所述第三类边相连的像素顶点所对应的像素点的背景相似度，确定为所述第三类边的权值；
对于每条第一类边，将与所述第一类边相连的两个像素顶点所对应的两个像素点之间的相似度，确定为所述第一类边的权值。
可选的，所述建立图像的显著性模型，包括：
利用预定过分割算法对所述图像进行过分割，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；
确定每个所述区域的颜色值和质心；
根据各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型。
可选的，所述显著性模型为：
S il = Σ j = 1 , j ≠ i N w ( R j ) D S ( R i , R j ) D C ( R i , R j ) ,
其中，Si1为区域Ri中任一像素点的显著性值，w(Rj)为区域Rj中的像素点的个数，DS(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间空间位置差异的度量值，DC(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，DS(Ri,Rj)为： D S ( R i , R j ) = exp ( - ( Center ( R i ) - Center ( R j ) ) 2 / σ s 2 ) , Center(Ri)为所述区域Ri的质心，Center(Rj)为所述区域Rj的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时， σ s 2 = 0.4 .
可选的，所述建立图像的显著性模型，包括：
按照各个像素点的颜色值，对所述图像中各个像素点进行归类，将相同颜色值的像素点归类为同一种颜色类型；
根据每种颜色类型的颜色值，建立所述显著性模型。
可选的，所述显著性模型为：
S i 2 = Σ j = 1 , j ≠ i N w ( R j ) D C ( R i , p j ) ,
其中，w(Pj)为颜色类型Pj中像素点的个数，DC(Pi,Pj)用于表征颜色类型Pi和颜色类型Pj之间颜色差异的度量值。
根据本公开实施例的第二方面，提供一种图像分割装置，包括：
第一建立模块，用于建立图像的显著性模型；
样本获取模块，用于根据所述显著性模型获取所述图像中的前景样本点和背景样本点；
第二建立模块，用于根据所述第一建立模块建立的显著性模型以及所述样本获取模块获取的前景样本点和所述背景样本点，建立前背景分类模型；
图像分割模块，用于根据预定图割算法对所述图像进行分割，所述预定图割算法利用所述第二建立模块建立的前背景分类模型以及像素点之间的边缘信息对所述图像进行分割。
可选的，所述样本获取模块，包括：
第一计算单元，用于根据所述显著性模型，计算所述图像中各个像素点的显著性值；
归一化单元，用于将所述计算单元计算出的各个像素点的显著性值进行归一化；
第一确定单元，用于将所述归一化单元归一化后的显著性值大于预定前景阈值的像素点确定为所述前景样本点；
第二确定单元，用于将所述归一化单元归一化后的显著性值小于预定背景阈值的像素点确定为所述背景样本点；
其中，所述预定前景阈值大于所述预定背景阈值，归一化后的各个显著值均位于(0，1)中。
可选的，所述前背景分类模型包括前景分类模型和背景分类模型，所述第二建立模块，包括：
第一建立单元，用于根据所述前景样本点建立前景颜色似然模型；
第二建立单元，用于根据所述背景样本点建立背景颜色似然模型；
第一相乘单元，用于将所述第一建立模块建立的显著性模型与所述第一建立单元建立的前景颜色似然模型相乘，得到所述前景分类模型，所述前景分类模型用于表征像素点为前景的概率；
第二相乘单元，用于将所述第一建立模块建立的显著性模型与所述第二建立单元建立的背景颜色似然模型相乘，得到所述背景分类模型，所述背景分类模型用于表征像素点为背景的概率。
可选的，所述图像分割模块，包括：
第二计算单元，用于利用所述前景分类模型计算所述图像中每个像素点的前景相似度；
第三计算单元，用于利用所述背景分类模型计算所述图像中每个像素点的背景相似度；
获取单元，用于获取所述图像中相邻像素点之间的相似度；
构造单元，用于利用各个像素点的前景相似度、各个像素点的背景相似度以及相邻像素点之间的相似度，构造所述预定图割算法所需的无向图；
第一分割单元，用于利用所述预定分割算法对所述无向图进行分割，完成对所述图像的分割。
可选的，所述构造单元，包括：
构建子单元，用于构建所述预定图割算法所需的无向图，所述无向图包括前景顶点、背景顶点、至少一个像素顶点、相邻的两个像素顶点之间的第一类边、所述像素顶点与所述背景顶点之间的第二类边，所述像素顶点与所述背景顶点之间的第三类边，所述无向图中的像素顶点与所述图像中的各个像素点一一对应
第一确定子单元，用于对于每条第二类边，将与所述第二类边相连的像素顶点所对应的像素点的前景相似度，确定为所述第二类边的权值；
第二确定子单元，用于对于每条第三类边，将与所述第三类边相连的像素顶点所对应的像素点的背景相似度，确定为所述第三类边的权值；
第三确定子单元，用于对于每条第一类边，将与所述第一类边相连的两个像素顶点所对应的两个像素点之间的相似度，确定为所述第一类边的权值。
可选的，所述第一建立模块，包括：
第二分割单元，用于利用预定过分割算法对所述图像进行过分割，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；
第三确定单元，用于确定每个所述区域的颜色值和质心；
第三建立单元，用于根据各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型。
可选的，所述显著性模型为：
S il = Σ j = 1 , j ≠ i N w ( R j ) D S ( R i , R j ) D C ( R i , R j ) ,
其中，Si1为区域Ri中任一像素点的显著性值，w(Rj)为区域Rj中的像素点的个数，DS(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间空间位置差异的度量值，DC(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，DS(Ri,Rj)为： D S ( R i , R j ) = exp ( - ( Center ( R i ) - Center ( R j ) ) 2 / σ s 2 ) , Center(Ri)为所述区域Ri的质心，Center(Rj)为所述区域Rj的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时， σ s 2 = 0.4 .
可选的，所述第一建立模块，包括：
归类单元，用于按照各个像素点的颜色值，对所述图像中各个像素点进行归类，将相同颜色值的像素点归类为同一种颜色类型；
第四建立单元，用于根据每种颜色类型的颜色值，建立所述显著
可选的，所述显著性模型为：
S i 2 = Σ j = 1 , j ≠ i N w ( R j ) D C ( R i , p j ) ,
其中，w(Pj)为颜色类型Pj中像素点的个数，DC(Pi,Pj)用于表征颜色类型Pi和颜色类型Pj之间颜色差异的度量值。
根据本公开实施例的第三方面，提供一种图像分割装置，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为：
建立图像的显著性模型；
根据所述显著性模型获取所述图像中的前景样本点和背景样本点；
根据所述显著性模型以及所述前景样本点和所述背景样本点，建立前背景分类模型；
根据预定图割算法对所述图像进行分割，所述预定图割算法利用所述前背景分类模型以及像素点之间的边缘信息对所述图像进行分割。
本公开的实施例提供的技术方案可以包括以下有益效果：
通过自动确定前景样本点和背景样本点，结合显著性模型以及前背景样本点建立前背景分类模型，利用该前背景分类模型实现图像分割；解决了相关技术中必须需要用户手动粗略地选定前景样本点和背景样本点，在对大量图像进行分割时，分割效率比较低的问题；由于可以自动获取前景样本点和自动样本点，且在建立前背景分类模型时还结合了先验的显著性模型，达到了可以实现自动化选取样本，提高了分类精确度以及分割效率的效果。
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的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种图像分割方法的流程图；
图2A是根据另一示例性实施例示出的一种图像分割方法的流程图；
图2B是根据一示例性实施例示出的一种建立图像的显著性模型的流程图；
图2C是根据另一示例性实施例示出的一种建立图像的显著性模型的流程图；
图2D是根据一示例性实施例示出的一种构造无向图的流程图；
图2E是根据一示例性实施例示出的一种无向图的示意图；
图3是根据一示例性实施例示出的一种图像分割装置的框图；
图4是根据另一示例性实施例示出的一种图像分割装置的框图；
图5是根据再一示例性实施例示出的一种图像分割装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
文中所讲的“电子设备”可以是智能手机、平板电脑、智能电视、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
图1是根据一示例性实施例示出的一种图像分割方法的流程图，如图1所示，该图像分割方法应用于电子设备中，包括以下步骤。
在步骤101中，建立图像的显著性模型。
在步骤102中，根据显著性模型获取图像中的前景样本点和背景样本点。
在步骤103中，根据显著性模型以及前景样本点和背景样本点，建立前背景分类模型。
在步骤104中，根据预定图割算法对图像进行分割，预定图割算法利用前背景分类模型以及像素点之间的边缘信息对图像进行分割。
综上所述，本公开实施例中提供的图像分割方法，通过自动确定前景样本点和背景样本点，结合显著性模型以及前背景样本点建立前背景分类模型，利用该前背景分类模型实现图像分割；解决了相关技术中必须需要用户手动粗略地选定前景样本点和背景样本点，在对大量图像进行分割时，分割效率比较低的问题；由于可以自动获取前景样本点和自动样本点，且在建立前背景分类模型时还结合了先验的显著性模型，达到了可以实现自动化选取样本，提高了分类精确度以及分割效率的效果。
图2A是根据另一示例性实施例示出的一种图像分割方法的流程图，如图2A所示，该图像分割方法应用于电子设备中，包括以下步骤。
在步骤201中，建立图像的显著性模型。
在实际应用中，可以通过多种方式建立图像的显著性模型，具体如下：
在第一种方式下，请参见图2B所示，其是根据一示例性实施例示出的一种建立图像的显著性模型的流程图，包括：
201a，利用预定过分割算法对图像进行过分割，得到至少一个区域，同一个区域中各个像素点的颜色值相同；
对图像进行过分割即是将图像分割成不同的区域，每个区域中的像素点在某一个特性上是相同的，比如被过分割后的某一个区域中的各个像素点的颜色值相同，或者被过分割后的某一个区域中的各个像素点的颜色值非常接近。
这里采用的过分割算法是基于均值飘移(Mean shift)的过分割算法，在实际应用中，还可以采用其他各种过分割算法，比如可以包括：基于分水岭(watershed)的过分割算法和基于超像素聚类的过分割算法等，本实施例并不对过分割算法进行限定。
201b，确定每个区域的颜色值和质心；
由于过分割之后的区域中各个像素点具有相同的颜色值，因此可以确定出该区域的颜色值，且针对每个区域，也可以计算出区域所对应的质心。
201c，根据各个区域所对应的颜色值以及各个区域的质心，建立显著性模型。
利用步骤201a至201c所建立的显著性模型可以为：
S il = Σ j = 1 , j ≠ i N w ( R j ) D S ( R i , R j ) D C ( R i , R j ) ,
其中，Si1为区域Ri中任一像素点的显著性值，w(Rj)为区域Rj中的像素点的个数，DS(Ri,Rj)用于表征区域Ri和区域Rj之间空间位置差异的度量值，DC(Ri,Rj)用于表征区域Ri和区域Rj之间颜色差异的度量值，N为对图像进行过分割后得到的区域的总个数；
DS(Ri,Rj)为： D S ( R i , R j ) = exp ( - ( Center ( R i ) - Center ( R j ) ) 2 / σ s 2 ) , Center(Ri)为区域Ri的质心，Center(Rj)为区域Rj的质心，当图像中各个像素点的坐标均归一化到[0,1]时， σ s 2 = 0.4 .
DC(Ri,Rj)可以用区域Ri的平均颜色值和区域Rj的平均颜色值的欧氏距离来表征。区域的平均颜色值即为该区域中各个像素点的颜色值之后除以该区域中像素点的个数，在理想情况下，区域中各个像素点的颜色值均相同，此时该区域的颜色值即为其中一个像素点的颜色值。而在实际应用中，同一个区域中的各个像素点的颜色值并不是完全相同，通常各个像素点的颜色值比较接近，此时则可以该区域中各个像素点的颜色值之后除以该区域中像素点的个数，得到该区域的平均颜色值。
由该显著性模型的构成可知，该显著性模型可以用于表征每个区域中的像素点的显著性值受到图像中其余各个区域的影响。
在第二种方式下，请参见图2C所示，其是根据另一示例性实施例示出的一种建立图像的显著性模型的流程图，包括：
201d，按照各个像素点的颜色值，对图像中各个像素点进行归类，将相同颜色值的像素点归类为同一种颜色类型；
在实际应用中，可以设置用于存储像素点的与颜色值对应的存储空间(比如存储队列或存储栈等)，存储空间的个数通常可以为256*256*256个，依次读取图像中的像素点，将该像素点放入与该像素点的颜色值对应的存储空间中，这样每个存储空间中所保存的各个像素点的颜色值均相同。
当读取完该图像中的各个像素点之后，统计每个存储空间中包存储的像素点的个数。
201e，根据每种颜色类型的颜色值，建立显著性模型。
根据每种颜色类型的颜色值，建立得到的显著性模型为：
S i 2 = Σ j = 1 , j ≠ i N w ( R j ) D C ( R i , p j ) ,
其中，w(Pj)为颜色类型Pj中像素点的个数，DC(Pi,Pj)用于表征颜色类型Pi和颜色类型Pj之间颜色差异的度量值。
需要说明的是，在实际应用中，通过步骤201d对图像中的像素点进行分类之后，同一种颜色类型所对应的像素点的个数可能会非常少，这些像素点的颜色对其他像素点的颜色的显著性值影响并不大，因此在一种可能的实现方式中，为了减少计算量，则可以选择像素点较多的颜色类型，建立显著性模型。
在步骤202中，根据显著性模型，计算图像中各个像素点的显著性值。
在步骤203中，将各个像素点的显著性值进行归一化。
通常可以将各个像素点的显著性值归一化到(0，1)中。
在步骤204中，将归一化后的显著性值大于预定前景阈值的像素点确定为前景样本点。
当将各个像素点的显著性值归一化到(0，1)中时，预定前景阈值可以根据实际情况设定，比如该预定前景阈值可以设置为0.8。
在步骤205中，将归一化后的显著性值小于预定背景阈值的像素点确定为背景样本点。
当将各个像素点的显著性值归一化到(0，1)中时，预定前景阈值可以根据实际情况设定，比如该预定前景阈值可以设置为0.25。
通常来讲，预定前景阈值大于预定背景阈值。
这样以来，就可以根据建立的显著性模型自动确定出前景样本点和背景样本点。
在步骤206中，根据前景样本点建立前景颜色似然模型。
在实际应用中，建立颜色似然模型的方式比较多，比如可以通过基于直方图统计的数学建模方式建立颜色似然模型，也可以通过基于混合高斯模型(Gaussian Mixture Model)建立颜色似然模型颜色模型。当建立颜色似然模型时所使用的样本点为前景样本点时，得到的颜色似然模型则确定为前景颜色似然模型。
在步骤207中，根据背景样本点建立背景颜色似然模型。
同理，可以通过基于直方图统计的数学建模方式建立颜色似然模型，也可以通过基于混合高斯模型建立颜色似然模型颜色模型。当建立颜色似然模型时所使用的样本点为背景样本点时，得到的颜色似然模型则确定为背景颜色似然模型。
在步骤208中，将显著性模型与前景颜色似然模型相乘，得到前景分类模型，前景分类模型用于表征像素点为前景的概率。
为了加强对图像的前景分割时的精确度，可以结合先验的显著性模型以及增强型的前景似然模型，获取前景分类模型，比如可以将显著性模型与前景颜色似然模型相乘，以得到前景分类模型。
在步骤209中，将显著性模型与背景颜色似然模型相乘，得到背景分类模型，背景分类模型用于表征像素点为背景的概率。
同理，为了加强对图像的背景分割时的精确度，可以结合先验的显著性模型以及增强型的背景似然模型，获取背景分类模型，比如可以将显著性模型与背景颜色似然模型相乘，以得到背景分类模型。
在步骤210中，利用前景分类模型计算图像中每个像素点的前景相似度。
由于前景分类模型时用于表征像素点为前景的概率，也即该像素点与前景的相似度，因此可以直接利用前景分类模型计算图像中每个像素点的前景相似度。
在步骤211中，利用背景分类模型计算图像中每个像素点的背景相似度。
同理，由于背景分类模型时用于表征像素点为背景的概率，也即该像素点与背景的相似度，因此可以直接利用背景分类模型计算图像中每个像素点的背景相似度。
在步骤212中，获取图像中相邻像素点之间的相似度。
相邻像素点之间的相似度可以为相邻像素点之间差异的指数。
在步骤213中，利用各个像素点的前景相似度、各个像素点的背景相似度以及相邻像素点之间的相似度，构造预定图割算法所需的无向图。
请参见图2D所示，其是根据一示例性实施例示出的一种构造无向图的流程图，在利用各个像素点的前景相似度、各个像素点的背景相似度以及相邻像素点之间的相似度，构造预定图割算法所需的无向图时，可以包括：
213a，构建预定图割算法所需的无向图，无向图包括前景顶点、背景顶点、至少一个像素顶点、相邻的两个像素顶点之间的第一类边、像素顶点与背景顶点之间的第二类边，像素顶点与背景顶点之间的第三类边，无向图中的像素顶点与图像中的各个像素点一一对应；
无向图中的像素顶点是图像中各个像素点进行映射得到的，也即图像中包含的像素点的个数与构建的无向图中的像素顶点的个数相同，且每一个像素点对应一个像素顶点，每一个像素顶点对应一个像素点。
请参见图2E所示，其是根据一示例性实施例示出的一种无向图的示意图，该无向图包括像素顶点，这些像素顶点与图像中的像素点一一对应，为了简化，这里仅示出了9个像素顶点，该无向图还包括前景顶点S和背景顶点T，其中像素顶点之间连接形成第一类边s1，前景顶点S与任意一个像素顶点连接形成第二类边s2，背景顶点T与任意一个像素顶点连接形成第三类边s3。
213b，对于每条第二类边，将与第二类边相连的像素顶点所对应的像素点的前景相似度，确定为第二类边的权值；
比如，对于一个选定的像素顶点，可以确定与该像素顶点对应的像素点，将该像素点的前景相似度作为该像素顶点与前景顶点之间第二类边的权值。
213c，对于每条第三类边，将与第三类边相连的像素顶点所对应的像素点的背景相似度，确定为第三类边的权值；
比如，对于一个选定的像素顶点，可以确定与该像素顶点对应的像素点，将该像素点的背景相似度作为该像素顶点与背景顶点之间第三类边的权值。
213d，对于每条第一类边，将与第一类边相连的两个像素顶点所对应的两个像素点之间的相似度，确定为第一类边的权值。
在步骤214中，利用预定分割算法对无向图进行分割，完成对图像的分割。
预定分割算法可以为Graph cut(图割)算法，该算法可以利用上述经过步骤213构造的无向图完成对图像的分割。利用Graph cut算法对无向图进行分割的方法是本领域所属技术人员都能够实现的，这里就不再详述。
综上所述，本公开实施例中提供的图像分割方法，通过自动确定前景样本点和背景样本点，结合显著性模型以及前背景样本点建立前背景分类模型，利用该前背景分类模型实现图像分割；解决了相关技术中必须需要用户手动粗略地选定前景样本点和背景样本点，在对大量图像进行分割时，分割效率比较低的问题；由于可以自动获取前景样本点和自动样本点，且在建立前背景分类模型时还结合了先验的显著性模型，达到了可以实现自动化选取样本，提高了分类精确度以及分割效率的效果。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图3是根据一示例性实施例示出的一种图像分割装置的框图，如图3所示，该图像分割装置应用于电子设备中，该图像分割装置包括但不限于：第一建立模块302、样本获取模块304、第二建立模块306和图像分割模块308。
该第一建立模块302被配置为建立图像的显著性模型。
该样本获取模块304被配置为根据显著性模型获取图像中的前景样本点和背景样本点。
该第二建立模块306被配置为根据第一建立模块建立的显著性模型以及样本获取模块获取的前景样本点和背景样本点，建立前背景分类模型。
该图像分割模块308被配置为根据预定图割算法对图像进行分割，预定图割算法利用第二建立模块建立的前背景分类模型以及像素点之间的边缘信息对图像进行分割。
综上所述，本公开实施例中提供的图像分割装置，通过自动确定前景样本点和背景样本点，结合显著性模型以及前背景样本点建立前背景分类模型，利用该前背景分类模型实现图像分割；解决了相关技术中必须需要用户手动粗略地选定前景样本点和背景样本点，在对大量图像进行分割时，分割效率比较低的问题；由于可以自动获取前景样本点和自动样本点，且在建立前背景分类模型时还结合了先验的显著性模型，达到了可以实现自动化选取样本，提高了分类精确度以及分割效率的效果。
图4是根据另一示例性实施例示出的一种图像分割装置的框图，如图4所示，该图像分割装置应用于电子设备中，该图像分割装置包括但不限于：第一建立模块402、样本获取模块404、第二建立模块406和图像分割模块408。
该第一建立模块402被配置为建立图像的显著性模型。
该样本获取模块404被配置为根据显著性模型获取图像中的前景样本点和背景样本点。
该第二建立模块406被配置为根据第一建立模块402建立的显著性模型以及样本获取模块404获取的前景样本点和背景样本点，建立前背景分类模型。
该图像分割模块408被配置为根据预定图割算法对图像进行分割，预定图割算法利用第二建立模块406建立的前背景分类模型以及像素点之间的边缘信息对图像进行分割。
在图4所示实施例中的第一种可能的实现方式中，样本获取模块404可以包括：第一计算单元404a、归一化单元404b、第一确定单元404c和第二确定单元404d。
该第一计算单元404a被配置为根据显著性模型，计算图像中各个像素点的显著性值。
该归一化单元404b被配置为将第一计算单元404a计算出的各个像素点的显著性值进行归一化。
该第一确定单元404c被配置为将归一化单元404b归一化后的显著性值大于预定前景阈值的像素点确定为前景样本点。
该第二确定单元404d被配置为将归一化单元404b归一化后的显著性值小于预定背景阈值的像素点确定为背景样本点。
其中，预定前景阈值大于预定背景阈值，归一化后的各个显著值均位于(0，1)中。
在图4所示实施例中的第二种可能的实现方式中，前背景分类模型包括前景分类模型和背景分类模型，该第二建立模块406可以包括：第一建立单元406a、第二建立单元406b、第一相乘单元406c和第二相乘单元406d。
该第一建立单元406a被配置为根据前景样本点建立前景颜色似然模型；
该第二建立单元406b被配置为根据背景样本点建立背景颜色似然模型；
该第一相乘单元406c被配置为将第一建立模块402建立的显著性模型与第一建立单元406a建立的前景颜色似然模型相乘，得到前景分类模型，前景分类模型用于表征像素点为前景的概率；
该第二相乘单元406d被配置为将第一建立模块402建立的显著性模型与第二建立单元406b建立的背景颜色似然模型相乘，得到背景分类模型，背景分类模型用于表征像素点为背景的概率。
在图4所示实施例中的第三种可能的实现方式中，图像分割模块408可以包括：第二计算单元408a、第三计算单元408b、获取单元408c、构造单元408d和第一分割单元408e。
该第二计算单元408a被配置为利用前景分类模型计算图像中每个像素点的前景相似度；
该第三计算单元408b被配置为利用背景分类模型计算图像中每个像素点的背景相似度；
该获取单元408c被配置为获取图像中相邻像素点之间的相似度；
该构造单元408d被配置为利用各个像素点的前景相似度、各个像素点的背景相似度以及相邻像素点之间的相似度，构造预定图割算法所需的无向图；
该第一分割单元408e被配置为利用预定分割算法对无向图进行分割，完成对图像的分割。
在图4所示实施例中的第四种可能的实现方式中，构造单元408d可以包括：构建子单元408d1、第一确定子单元408d2、第二确定子单元408d3和第三确定子单元408d4。
该构建子单元408d1被配置为构建预定图割算法所需的无向图，无向图包括前景顶点、背景顶点、至少一个像素顶点、相邻的两个像素顶点之间的第一类边、像素顶点与背景顶点之间的第二类边，像素顶点与背景顶点之间的第三类边，无向图中的像素顶点与图像中的各个像素点一一对应
该第一确定子单元408d2被配置为对于每条第二类边，将与第二类边相连的像素顶点所对应的像素点的前景相似度，确定为第二类边的权值；
该第二确定子单元408d3被配置为对于每条第三类边，将与第三类边相连的像素顶点所对应的像素点的背景相似度，确定为第三类边的权值；
该第三确定子单元408d4被配置为对于每条第一类边，将与第一类边相连的两个像素顶点所对应的两个像素点之间的相似度，确定为第一类边的权值。
在图4所示实施例中的第五种可能的实现方式中，第一建立模块402可以包括：第二分割单元402a、第三确定单元402b和第三建立单元402c。
该第二分割单元402a被配置为利用预定过分割算法对图像进行过分割，得到至少一个区域，同一个区域中各个像素点的颜色值相同；
该第三确定单元402b被配置为确定每个区域的颜色值和质心；
该第三建立单元402c被配置为根据各个区域所对应的颜色值以及各个区域的质心，建立显著性模型。
在图4所示实施例中的第六种可能的实现方式中，显著性模型为：
S il = Σ j = 1 , j ≠ i N w ( R j ) D S ( R i , R j ) D C ( R i , R j ) ,
其中，Si1为区域Ri中任一像素点的显著性值，w(Rj)为区域Rj中的像素点的个数，DS(Ri,Rj)用于表征区域Ri和区域Rj之间空间位置差异的度量值，DC(Ri,Rj)用于表征区域Ri和区域Rj之间颜色差异的度量值，N为对图像进行过分割后得到的区域的总个数，DS(Ri,Rj)为： D S ( R i , R j ) = exp ( - ( Center ( R i ) - Center ( R j ) ) 2 / σ s 2 ) , Center(Ri)为区域Ri的质心，Center(Rj)为区域Rj的质心，当图像中各个像素点的坐标均归一化到[0,1]时，
在图4所示实施例中的第七种可能的实现方式中，第一建立模块402可以包括：归类单元402d和第四建立单元402e。
该归类单元402d被配置为按照各个像素点的颜色值，对图像中各个像素点进行归类，将相同颜色值的像素点归类为同一种颜色类型；
该第四建立单元402e被配置为根据每种颜色类型的颜色值，建立显著性模型。
在图4所示实施例中的第八种可能的实现方式中，显著性模型为：
S i 2 = Σ j = 1 , j ≠ i N w ( R j ) D C ( R i , p j ) ,
其中，w(Pj)为颜色类型Pj中像素点的个数，DC(Pi,Pj)用于表征颜色类型Pi和颜色类型Pj之间颜色差异的度量值。
综上所述，本公开实施例中提供的图像分割装置，通过自动确定前景样本点和背景样本点，结合显著性模型以及前背景样本点建立前背景分类模型，利用该前背景分类模型实现图像分割；解决了相关技术中必须需要用户手动粗略地选定前景样本点和背景样本点，在对大量图像进行分割时，分割效率比较低的问题；由于可以自动获取前景样本点和自动样本点，且在建立前背景分类模型时还结合了先验的显著性模型，达到了可以实现自动化选取样本，提高了分类精确度以及分割效率的效果。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图5是根据再一示例性实施例示出的一种用于图像分割的装置500的框图。例如，装置500可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图5，装置500可以包括以下一个或多个组件：处理组件502，存储器504，电源组件506，多媒体组件508，音频组件510，输入/输出(I/O)接口512，传感器组件514，以及通信组件516。
处理组件502通常控制装置500的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件502可以包括一个或多个处理器518来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件502可以包括一个或多个模块，便于处理组件502和其他组件之间的交互。例如，处理组件502可以包括多媒体模块，以方便多媒体组件508和处理组件502之间的交互。
存储器504被配置为存储各种类型的数据以支持在装置500的操作。这些数据的示例包括用于在装置500上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器504可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件506为装置500的各种组件提供电力。电源组件506可以包括电源管理系统，一个或多个电源，及其他与为装置500生成、管理和分配电力相关联的组件。
多媒体组件508包括在装置500和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件508包括一个前置摄像头和/或后置摄像头。当装置500处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件510被配置为输出和/或输入音频信号。例如，音频组件510包括一个麦克风(MIC)，当装置500处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器504或经由通信组件516发送。在一些实施例中，音频组件510还包括一个扬声器，用于输出音频信号。
I/O接口512为处理组件502和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件514包括一个或多个传感器，用于为装置500提供各个方面的状态评估。例如，传感器组件514可以检测到装置500的打开/关闭状态，组件的相对定位，例如所述组件为装置500的显示器和小键盘，传感器组件514还可以检测装置500或装置500一个组件的位置改变，用户与装置500接触的存在或不存在，装置500方位或加速/减速和装置500的温度变化。传感器组件514可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件514还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件514还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件516被配置为便于装置500和其他设备之间有线或无线方式的通信。装置500可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件516经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件516还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置500可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器504，上述指令可由装置500的处理器518执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (19)

1.一种图像分割方法，其特征在于，包括：
建立图像的显著性模型；
根据所述显著性模型获取所述图像中的前景样本点和背景样本点；
根据所述显著性模型以及所述前景样本点和所述背景样本点，建立前背景分类模型；
根据预定图割算法对所述图像进行分割，所述预定图割算法利用所述前背景分类模型以及像素点之间的边缘信息对所述图像进行分割。
2.根据权利要求1所述的方法，其特征在于，所述根据所述显著性模型获取所述图像中的前景样本点和背景样本点，包括：
根据所述显著性模型，计算所述图像中各个像素点的显著性值；
将各个像素点的显著性值进行归一化；
将归一化后的显著性值大于预定前景阈值的像素点确定为所述前景样本点；
将归一化后的显著性值小于预定背景阈值的像素点确定为所述背景样本点；
其中，所述预定前景阈值大于所述预定背景阈值，归一化后的各个显著值均位于(0，1)中。
3.根据权利要求1所述的方法，其特征在于，所述前背景分类模型包括前景分类模型和背景分类模型，所述根据所述显著性模型以及所述前景样本点和所述背景样本点，建立前背景分类模型，包括：
根据所述前景样本点建立前景颜色似然模型；
根据所述背景样本点建立背景颜色似然模型；
将所述显著性模型与所述前景颜色似然模型相乘，得到所述前景分类模型，所述前景分类模型用于表征像素点为前景的概率；
将所述显著性模型与所述背景颜色似然模型相乘，得到所述背景分类模型，所述背景分类模型用于表征像素点为背景的概率。
4.根据权利要求3所述的方法，其特征在于，所述根据预定图割算法对所述图像进行分割，包括：
利用所述前景分类模型计算所述图像中每个像素点的前景相似度；
利用所述背景分类模型计算所述图像中每个像素点的背景相似度；
获取所述图像中相邻像素点之间的相似度；
利用各个像素点的前景相似度、各个像素点的背景相似度以及相邻像素点之间的相似度，构造所述预定图割算法所需的无向图；
利用所述预定分割算法对所述无向图进行分割，完成对所述图像的分割。
5.根据权利要求4所述的方法，其特征在于，所述利用各个像素点的前景相似度、各个像素点的背景相似度以及相邻像素点之间的相似度，构造所述预定图割算法所需的无向图，包括：
构建所述预定图割算法所需的无向图，所述无向图包括前景顶点、背景顶点、至少一个像素顶点、相邻的两个像素顶点之间的第一类边、所述像素顶点与所述背景顶点之间的第二类边，所述像素顶点与所述背景顶点之间的第三类边，所述无向图中的像素顶点与所述图像中的各个像素点一一对应；
对于每条第二类边，将与所述第二类边相连的像素顶点所对应的像素点的前景相似度，确定为所述第二类边的权值；
对于每条第三类边，将与所述第三类边相连的像素顶点所对应的像素点的背景相似度，确定为所述第三类边的权值；
对于每条第一类边，将与所述第一类边相连的两个像素顶点所对应的两个像素点之间的相似度，确定为所述第一类边的权值。
6.根据权利要求1至5中任一所述的方法，其特征在于，所述建立图像的显著性模型，包括：
利用预定过分割算法对所述图像进行过分割，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；
确定每个所述区域的颜色值和质心；
根据各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型。
7.根据权利要求6所述的方法，其特征在于，所述显著性模型为：
S il = Σ j = 1 , j ≠ i N w ( R j ) D S ( R i , R j ) D C ( R i , R j ) ,
其中，Si1为区域Ri中任一像素点的显著性值，w(Rj)为区域Rj中的像素点的个数，DS(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间空间位置差异的度量值，DC(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，DS(Ri,Rj)为： D S ( R i , R j ) = exp ( - ( Center ( R i ) - Center ( R j ) ) 2 / σ s 2 ) , Center(Ri)为所述区域Ri的质心，Center(Rj)为所述区域Rj的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时， σ s 2 = 0.4 .
8.根据权利要求1至5中任一所述的方法，其特征在于，所述建立图像的显著性模型，包括：
按照各个像素点的颜色值，对所述图像中各个像素点进行归类，将相同颜色值的像素点归类为同一种颜色类型；
根据每种颜色类型的颜色值，建立所述显著性模型。
9.根据权利要求8所述的方法，其特征在于，所述显著性模型为：
S i 2 = Σ j = 1 , j ≠ i N w ( R j ) D C ( R i , p j ) ,
其中，w(Pj)为颜色类型Pj中像素点的个数，DC(Pi,Pj)用于表征颜色类型Pi和颜色类型Pj之间颜色差异的度量值。
10.一种图像分割装置，其特征在于，包括：
第一建立模块，用于建立图像的显著性模型；
样本获取模块，用于根据所述显著性模型获取所述图像中的前景样本点和背景样本点；
第二建立模块，用于根据所述第一建立模块建立的显著性模型以及所述样本获取模块获取的前景样本点和所述背景样本点，建立前背景分类模型；
图像分割模块，用于根据预定图割算法对所述图像进行分割，所述预定图割算法利用所述第二建立模块建立的前背景分类模型以及像素点之间的边缘信息对所述图像进行分割。
11.根据权利要求10所述的装置，其特征在于，所述样本获取模块，包括：
第一计算单元，用于根据所述显著性模型，计算所述图像中各个像素点的显著性值；
归一化单元，用于将所述第一计算单元计算出的各个像素点的显著性值进行归一化；
第一确定单元，用于将所述归一化单元归一化后的显著性值大于预定前景阈值的像素点确定为所述前景样本点；
第二确定单元，用于将所述归一化单元归一化后的显著性值小于预定背景阈值的像素点确定为所述背景样本点；
其中，所述预定前景阈值大于所述预定背景阈值，归一化后的各个显著值均位于(0，1)中。
12.根据权利要求10所述的装置，其特征在于，所述前背景分类模型包括前景分类模型和背景分类模型，所述第二建立模块，包括：
第一建立单元，用于根据所述前景样本点建立前景颜色似然模型；
第二建立单元，用于根据所述背景样本点建立背景颜色似然模型；
第一相乘单元，用于将所述第一建立模块建立的显著性模型与所述第一建立单元建立的前景颜色似然模型相乘，得到所述前景分类模型，所述前景分类模型用于表征像素点为前景的概率；
第二相乘单元，用于将所述第一建立模块建立的显著性模型与所述第二建立单元建立的背景颜色似然模型相乘，得到所述背景分类模型，所述背景分类模型用于表征像素点为背景的概率。
13.根据权利要求12所述的装置，其特征在于，所述图像分割模块，包括：
第二计算单元，用于利用所述前景分类模型计算所述图像中每个像素点的前景相似度；
第三计算单元，用于利用所述背景分类模型计算所述图像中每个像素点的背景相似度；
获取单元，用于获取所述图像中相邻像素点之间的相似度；
构造单元，用于利用各个像素点的前景相似度、各个像素点的背景相似度以及相邻像素点之间的相似度，构造所述预定图割算法所需的无向图；
第一分割单元，用于利用所述预定分割算法对所述无向图进行分割，完成对所述图像的分割。
14.根据权利要求13所述的装置，其特征在于，所述构造单元，包括：
构建子单元，用于构建所述预定图割算法所需的无向图，所述无向图包括前景顶点、背景顶点、至少一个像素顶点、相邻的两个像素顶点之间的第一类边、所述像素顶点与所述背景顶点之间的第二类边，所述像素顶点与所述背景顶点之间的第三类边，所述无向图中的像素顶点与所述图像中的各个像素点一一对应
第一确定子单元，用于对于每条第二类边，将与所述第二类边相连的像素顶点所对应的像素点的前景相似度，确定为所述第二类边的权值；
第二确定子单元，用于对于每条第三类边，将与所述第三类边相连的像素顶点所对应的像素点的背景相似度，确定为所述第三类边的权值；
第三确定子单元，用于对于每条第一类边，将与所述第一类边相连的两个像素顶点所对应的两个像素点之间的相似度，确定为所述第一类边的权值。
15.根据权利要求10至14中任一所述的装置，其特征在于，所述第一建立模块，包括：
第二分割单元，用于利用预定过分割算法对所述图像进行过分割，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；
第三确定单元，用于确定每个所述区域的颜色值和质心；
第三建立单元，用于根据各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型。
16.根据权利要求15所述的装置，其特征在于，所述显著性模型为：
S il = Σ j = 1 , j ≠ i N w ( R j ) D S ( R i , R j ) D C ( R i , R j ) ,
其中，Si1为区域Ri中任一像素点的显著性值，w(Rj)为区域Rj中的像素点的个数，DS(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间空间位置差异的度量值，DC(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，DS(Ri,Rj)为： D S ( R i , R j ) = exp ( - ( Center ( R i ) - Center ( R j ) ) 2 / σ s 2 ) , Center(Ri)为所述区域Ri的质心，Center(Rj)为所述区域Rj的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时， σ s 2 = 0.4 .
17.根据权利要求10至14中任一所述的装置，其特征在于，所述第一建立模块，包括：
归类单元，用于按照各个像素点的颜色值，对所述图像中各个像素点进行归类，将相同颜色值的像素点归类为同一种颜色类型；
第四建立单元，用于根据每种颜色类型的颜色值，建立所述显著性模型。
18.根据权利要求17所述的装置，其特征在于，所述显著性模型为：
S i 2 = Σ j = 1 , j ≠ i N w ( R j ) D C ( R i , p j ) ,
其中，w(Pj)为颜色类型Pj中像素点的个数，DC(Pi,Pj)用于表征颜色类型Pi和颜色类型Pj之间颜色差异的度量值。
19.一种图像分割装置，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为：
建立图像的显著性模型；
根据所述显著性模型获取所述图像中的前景样本点和背景样本点；
根据所述显著性模型以及所述前景样本点和所述背景样本点，建立前背景分类模型；
根据预定图割算法对所述图像进行分割，所述预定图割算法利用所述前背景分类模型以及像素点之间的边缘信息对所述图像进行分割。
CN201410187226.7A 2014-05-05 2014-05-05 图像分割方法及装置 Active CN103996189B (zh)

Priority Applications (9)

Application Number Priority Date Filing Date Title
CN201410187226.7A CN103996189B (zh) 2014-05-05 2014-05-05 图像分割方法及装置
BR112014032942A BR112014032942A2 (pt) 2014-05-05 2014-10-23 método e dispositivo para segmentação de imagens
PCT/CN2014/089297 WO2015169061A1 (zh) 2014-05-05 2014-10-23 图像分割方法及装置
RU2014153987/08A RU2596580C2 (ru) 2014-05-05 2014-10-23 Способ и устройство для сегментации изображения
JP2016517158A JP6125099B2 (ja) 2014-05-05 2014-10-23 画像分割方法、画像分割装置、プログラム、及び記録媒体
MX2014015363A MX358601B (es) 2014-05-05 2014-10-23 Método y dispositivo para segmentación de imagen.
KR1020147036180A KR101670004B1 (ko) 2014-05-05 2014-10-23 화상 분할 방법, 장치, 프로그램 및 기록매체
US14/583,816 US9633444B2 (en) 2014-05-05 2014-12-29 Method and device for image segmentation
EP15163752.7A EP2942753B1 (en) 2014-05-05 2015-04-15 Method and device for image segmentation

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410187226.7A CN103996189B (zh) 2014-05-05 2014-05-05 图像分割方法及装置

Publications (2)

Publication Number Publication Date
CN103996189A true CN103996189A (zh) 2014-08-20
CN103996189B CN103996189B (zh) 2017-10-03

Family

ID=51310345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410187226.7A Active CN103996189B (zh) 2014-05-05 2014-05-05 图像分割方法及装置

Country Status (8)

Country Link
EP (1) EP2942753B1 (zh)
JP (1) JP6125099B2 (zh)
KR (1) KR101670004B1 (zh)
CN (1) CN103996189B (zh)
BR (1) BR112014032942A2 (zh)
MX (1) MX358601B (zh)
RU (1) RU2596580C2 (zh)
WO (1) WO2015169061A1 (zh)

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104217440A (zh) * 2014-09-28 2014-12-17 民政部国家减灾中心 一种从遥感图像中提取建成区的方法
CN104809729A (zh) * 2015-04-29 2015-07-29 山东大学 一种鲁棒的图像显著性区域自动分割方法
CN105069774A (zh) * 2015-06-30 2015-11-18 长安大学 基于多示例学习与图割优化的目标分割方法
CN105353674A (zh) * 2015-11-03 2016-02-24 浙江华奕生态建设有限公司 一种多功能生活污水处理集成控制系统及方法
CN105342769A (zh) * 2015-11-20 2016-02-24 宁波大业产品造型艺术设计有限公司 智能电动轮椅
CN105395210A (zh) * 2015-12-22 2016-03-16 管迪 一种ct扫描成像方法
CN105608717A (zh) * 2015-12-22 2016-05-25 肖古华 一种ct系统和ct图像重建方法
CN105662488A (zh) * 2016-01-12 2016-06-15 刘书强 一种断指探查台
CN105748105A (zh) * 2016-01-18 2016-07-13 刘焕涛 一种乳腺检查系统
CN106650744A (zh) * 2016-09-16 2017-05-10 北京航空航天大学 局部形状迁移指导的图像对象共分割方法
CN106898001A (zh) * 2017-01-04 2017-06-27 努比亚技术有限公司 一种实现交互式图像分割的方法、装置及终端
CN106934774A (zh) * 2017-03-07 2017-07-07 李强 一种利用超声波治疗肛瘘的控制系统
CN107067030A (zh) * 2017-03-29 2017-08-18 北京小米移动软件有限公司 相似图片检测的方法和装置
CN107273893A (zh) * 2017-06-14 2017-10-20 武汉梦之蓝科技有限公司 一种智能城市绿化遥感调查的数据校正控制系统
CN107452003A (zh) * 2017-06-30 2017-12-08 大圣科技股份有限公司 一种含有深度信息的图像分割的方法及装置
CN107451522A (zh) * 2017-04-28 2017-12-08 山东省农业可持续发展研究所 一种农业干旱监测与预警预报方法
CN107573029A (zh) * 2017-10-23 2018-01-12 福建泉州皓佳新材料有限公司 一种陶瓷废釉水制备的多彩艺术砖及其制备方法
CN107894252A (zh) * 2017-11-14 2018-04-10 江苏科沃纺织有限公司 一种实时监测地埋伸缩式喷滴灌装置运行状态的监控系统
CN108073871A (zh) * 2016-11-18 2018-05-25 北京体基科技有限公司 基于两种预定区域识别手部区域的方法及装置
CN108073881A (zh) * 2016-11-18 2018-05-25 北京体基科技有限公司 基于预定区域和临近像素识别手部区域的方法及装置
CN108764325A (zh) * 2018-05-23 2018-11-06 腾讯科技（深圳）有限公司 图像识别方法、装置、计算机设备和存储介质
CN108960247A (zh) * 2017-05-22 2018-12-07 阿里巴巴集团控股有限公司 图像显著性检测方法、装置以及电子设备
CN109035326A (zh) * 2018-06-19 2018-12-18 北京理工大学 基于亚像素图像识别的高精度定位技术
CN109168220A (zh) * 2018-09-28 2019-01-08 湖北民族学院 一种提高青柚产量品质的光控方法及系统
CN109173263A (zh) * 2018-08-31 2019-01-11 腾讯科技（深圳）有限公司 一种图像数据处理方法和装置
CN110853063A (zh) * 2019-10-31 2020-02-28 广州华多网络科技有限公司 图像分割信息的处理方法、装置、设备和存储介质
CN110909724A (zh) * 2019-10-08 2020-03-24 华北电力大学 一种多目标图像的缩略图生成方法
CN111597934A (zh) * 2020-04-30 2020-08-28 重庆科技学院 用于为统计应用处理训练数据的系统和方法
CN111640129A (zh) * 2020-05-25 2020-09-08 电子科技大学 一种应用于室内墙面施工机器人的视觉砂浆识别系统
CN111724396A (zh) * 2020-06-17 2020-09-29 泰康保险集团股份有限公司 图像分割方法及装置、计算机可读存储介质、电子设备
CN114708464A (zh) * 2022-06-01 2022-07-05 广东艺林绿化工程有限公司 一种基于道路垃圾分类的市政环卫清扫垃圾车清扫方法
CN116721115A (zh) * 2023-06-15 2023-09-08 小米汽车科技有限公司 金相组织获取方法、装置、存储介质及芯片

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107088028A (zh) * 2017-06-29 2017-08-25 武汉洁美雅科技有限公司 一种智能新式干湿两用吸尘器机器人控制系统
JP6716765B1 (ja) * 2018-12-28 2020-07-01 キヤノン株式会社 画像処理装置、画像処理システム、画像処理方法、プログラム
CN110111338B (zh) * 2019-04-24 2023-03-31 广东技术师范大学 一种基于超像素时空显著性分割的视觉跟踪方法
CN111539969B (zh) * 2020-04-23 2023-06-09 武汉铁路职业技术学院 图像边缘检测方法、装置、计算机设备及存储介质
CN112347975B (zh) * 2020-11-23 2023-04-07 浙江华络通信设备有限公司 一种可视化融合通信调度系统及其实现方法
CN112634312B (zh) * 2020-12-31 2023-02-24 上海商汤智能科技有限公司 图像背景处理方法、装置、电子设备及存储介质
CN112800915B (zh) * 2021-01-20 2023-06-27 北京百度网讯科技有限公司 建筑物变化检测方法、装置、电子设备以及存储介质
CN115841490B (zh) * 2023-02-23 2023-05-09 山东泗水山岭石材厂 基于图像处理的采矿过程矿石颗粒分割方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008042346A (ja) * 2006-08-02 2008-02-21 Canon Inc 画像処理方法、画像処理装置
US20090060330A1 (en) * 2007-08-30 2009-03-05 Che-Bin Liu Fast Segmentation of Images
CN102982545A (zh) * 2012-11-22 2013-03-20 清华大学深圳研究生院 一种图像深度估计方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2121714C1 (ru) * 1997-02-19 1998-11-10 Закрытое акционерное общество "Медицинские компьютерные системы" Способ автоматизированной сегментации изображения цитологического препарата
US6704456B1 (en) * 1999-09-02 2004-03-09 Xerox Corporation Automatic image segmentation in the presence of severe background bleeding
ATE501487T1 (de) * 2004-12-21 2011-03-15 Canon Kk Segmentierung eines digitalen bildes und herstellung einer kompakten repräsentation
US8009911B2 (en) * 2007-08-30 2011-08-30 Siemens Aktiengesellschaft Interactive image segmentation on directed graphs
JP5235770B2 (ja) * 2009-04-27 2013-07-10 日本電信電話株式会社 顕著領域映像生成方法、顕著領域映像生成装置、プログラムおよび記録媒体
JP5464739B2 (ja) * 2010-01-22 2014-04-09 Ｋｄｄｉ株式会社 画像領域分割装置、画像領域分割方法および画像領域分割プログラム
RU2489752C2 (ru) * 2011-08-15 2013-08-10 Дмитрий Валерьевич Шмунк Способ сегментации изображений
JP2013077296A (ja) 2011-09-14 2013-04-25 Ricoh Co Ltd 画像処理装置、画像処理方法およびプログラム
CN103208123B (zh) * 2013-04-19 2016-03-02 广东图图搜网络科技有限公司 图像分割方法与系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008042346A (ja) * 2006-08-02 2008-02-21 Canon Inc 画像処理方法、画像処理装置
US20090060330A1 (en) * 2007-08-30 2009-03-05 Che-Bin Liu Fast Segmentation of Images
CN102982545A (zh) * 2012-11-22 2013-03-20 清华大学深圳研究生院 一种图像深度估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHIEH-CHI KAO等: "AUTOMATIC OBJECT SEGMENTATION WITH SALIENT COLOR MODEL", 《2011 IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO》 *
ZHAOHUI WANG等: "Automatic Object Extraction in Nature Scene Based on Visual Saliency and Super Pixels", 《ARTIFICIAL INTELLIGENCE AND COMPUTATIONAL INTELLIGENCE》 *

Cited By (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104217440A (zh) * 2014-09-28 2014-12-17 民政部国家减灾中心 一种从遥感图像中提取建成区的方法
CN104809729A (zh) * 2015-04-29 2015-07-29 山东大学 一种鲁棒的图像显著性区域自动分割方法
CN104809729B (zh) * 2015-04-29 2018-08-28 山东大学 一种鲁棒的图像显著性区域自动分割方法
CN105069774A (zh) * 2015-06-30 2015-11-18 长安大学 基于多示例学习与图割优化的目标分割方法
CN105069774B (zh) * 2015-06-30 2017-11-10 长安大学 基于多示例学习与图割优化的目标分割方法
CN105353674A (zh) * 2015-11-03 2016-02-24 浙江华奕生态建设有限公司 一种多功能生活污水处理集成控制系统及方法
CN105353674B (zh) * 2015-11-03 2018-04-13 浙江华奕生态建设有限公司 一种多功能生活污水处理集成控制系统及方法
CN105342769A (zh) * 2015-11-20 2016-02-24 宁波大业产品造型艺术设计有限公司 智能电动轮椅
CN105608717A (zh) * 2015-12-22 2016-05-25 肖古华 一种ct系统和ct图像重建方法
CN105395210A (zh) * 2015-12-22 2016-03-16 管迪 一种ct扫描成像方法
CN105662488A (zh) * 2016-01-12 2016-06-15 刘书强 一种断指探查台
CN105748105A (zh) * 2016-01-18 2016-07-13 刘焕涛 一种乳腺检查系统
CN106650744A (zh) * 2016-09-16 2017-05-10 北京航空航天大学 局部形状迁移指导的图像对象共分割方法
CN106650744B (zh) * 2016-09-16 2019-08-09 北京航空航天大学 局部形状迁移指导的图像对象共分割方法
CN108073881A (zh) * 2016-11-18 2018-05-25 北京体基科技有限公司 基于预定区域和临近像素识别手部区域的方法及装置
CN108073871A (zh) * 2016-11-18 2018-05-25 北京体基科技有限公司 基于两种预定区域识别手部区域的方法及装置
CN106898001A (zh) * 2017-01-04 2017-06-27 努比亚技术有限公司 一种实现交互式图像分割的方法、装置及终端
CN106898001B (zh) * 2017-01-04 2020-04-14 努比亚技术有限公司 一种实现交互式图像分割的方法、装置及终端
CN106934774A (zh) * 2017-03-07 2017-07-07 李强 一种利用超声波治疗肛瘘的控制系统
CN107067030A (zh) * 2017-03-29 2017-08-18 北京小米移动软件有限公司 相似图片检测的方法和装置
CN107451522A (zh) * 2017-04-28 2017-12-08 山东省农业可持续发展研究所 一种农业干旱监测与预警预报方法
CN108960247A (zh) * 2017-05-22 2018-12-07 阿里巴巴集团控股有限公司 图像显著性检测方法、装置以及电子设备
CN108960247B (zh) * 2017-05-22 2022-02-25 阿里巴巴集团控股有限公司 图像显著性检测方法、装置以及电子设备
CN107273893A (zh) * 2017-06-14 2017-10-20 武汉梦之蓝科技有限公司 一种智能城市绿化遥感调查的数据校正控制系统
CN107452003A (zh) * 2017-06-30 2017-12-08 大圣科技股份有限公司 一种含有深度信息的图像分割的方法及装置
CN107573029A (zh) * 2017-10-23 2018-01-12 福建泉州皓佳新材料有限公司 一种陶瓷废釉水制备的多彩艺术砖及其制备方法
CN107894252A (zh) * 2017-11-14 2018-04-10 江苏科沃纺织有限公司 一种实时监测地埋伸缩式喷滴灌装置运行状态的监控系统
CN108764325A (zh) * 2018-05-23 2018-11-06 腾讯科技（深圳）有限公司 图像识别方法、装置、计算机设备和存储介质
CN109035326A (zh) * 2018-06-19 2018-12-18 北京理工大学 基于亚像素图像识别的高精度定位技术
CN109173263B (zh) * 2018-08-31 2021-08-24 腾讯科技（深圳）有限公司 一种图像数据处理方法和装置
CN109173263A (zh) * 2018-08-31 2019-01-11 腾讯科技（深圳）有限公司 一种图像数据处理方法和装置
CN109168220A (zh) * 2018-09-28 2019-01-08 湖北民族学院 一种提高青柚产量品质的光控方法及系统
CN110909724A (zh) * 2019-10-08 2020-03-24 华北电力大学 一种多目标图像的缩略图生成方法
CN110909724B (zh) * 2019-10-08 2023-11-28 华北电力大学 一种多目标图像的缩略图生成方法
CN110853063A (zh) * 2019-10-31 2020-02-28 广州华多网络科技有限公司 图像分割信息的处理方法、装置、设备和存储介质
CN110853063B (zh) * 2019-10-31 2023-04-07 广州方硅信息技术有限公司 图像分割信息的处理方法、装置、设备和存储介质
CN111597934A (zh) * 2020-04-30 2020-08-28 重庆科技学院 用于为统计应用处理训练数据的系统和方法
CN111640129A (zh) * 2020-05-25 2020-09-08 电子科技大学 一种应用于室内墙面施工机器人的视觉砂浆识别系统
CN111724396A (zh) * 2020-06-17 2020-09-29 泰康保险集团股份有限公司 图像分割方法及装置、计算机可读存储介质、电子设备
CN114708464A (zh) * 2022-06-01 2022-07-05 广东艺林绿化工程有限公司 一种基于道路垃圾分类的市政环卫清扫垃圾车清扫方法
CN114708464B (zh) * 2022-06-01 2022-08-30 广东艺林绿化工程有限公司 一种基于道路垃圾分类的市政环卫清扫垃圾车清扫方法
CN116721115A (zh) * 2023-06-15 2023-09-08 小米汽车科技有限公司 金相组织获取方法、装置、存储介质及芯片

Also Published As

Publication number Publication date
RU2596580C2 (ru) 2016-09-10
KR20160009477A (ko) 2016-01-26
EP2942753B1 (en) 2018-07-18
CN103996189B (zh) 2017-10-03
BR112014032942A2 (pt) 2017-06-27
RU2014153987A (ru) 2016-07-20
MX358601B (es) 2018-08-27
WO2015169061A1 (zh) 2015-11-12
KR101670004B1 (ko) 2016-10-27
EP2942753A1 (en) 2015-11-11
MX2014015363A (es) 2016-02-19
JP6125099B2 (ja) 2017-05-10
JP2016522951A (ja) 2016-08-04

Similar Documents

Publication Publication Date Title
CN103996189A (zh) 图像分割方法及装置
CN105631408A (zh) 基于视频的面孔相册处理方法和装置
CN106650575A (zh) 人脸检测方法及装置
CN105528606A (zh) 区域识别方法及装置
CN105095881A (zh) 人脸识别方法、装置及终端
CN105069786A (zh) 直线检测方法及装置
CN103902689A (zh) 聚类方法、增量聚类方法及相关装置
CN105512685A (zh) 物体识别方法和装置
US9633444B2 (en) Method and device for image segmentation
CN105404863A (zh) 人物特征识别方法及系统
CN103996211A (zh) 图像重定位方法及装置
CN105488511A (zh) 图像的识别方法及装置
CN104284240A (zh) 视频浏览方法及装置
CN104111778A (zh) 图片显示方法和装置
CN106485567A (zh) 物品推荐方法及装置
CN105631803A (zh) 滤镜处理的方法和装置
CN106534951A (zh) 视频分割方法和装置
CN104615656A (zh) 图片分类方法及装置
CN107563994A (zh) 图像的显著性检测方法及装置
CN105528078A (zh) 控制电子设备的方法及装置
CN105139378A (zh) 卡片边界检测方法及装置
CN105426878A (zh) 人脸聚类方法及装置
CN105335753A (zh) 图像识别方法和装置
CN105335684A (zh) 人脸检测方法及装置
CN105095860A (zh) 字符分割方法和装置

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