CN104243820A - 一种确定图像边界的方法及装置 - Google Patents

Abstract

本发明公开了一种确定图像边界的方法及装置，属于智能交通与图像处理领域。所述方法包括：通过拍摄设备对目标对象进行拍摄得到一幅图像；获取该图像的宽度、高度、该图像包括的每个像素点的灰度值和灰度区间；根据该图像的宽度、高度、每个像素点的灰度值和灰度区间，获取该图像的灰度直方图和概率分布密度函数；根据灰度区间和概率分布密度函数，确定分割阈值的个数；根据每个像素点的灰度值、灰度区间和确定的个数，计算每个分割阈值的数值；根据每个分割阈值的数值，确定位于前景图像的边界上的像素点。所述装置包括：拍摄模块、第一获取模块、第二获取模块、第一确定模块、计算模块和第二确定模块。本发明能够提高确定图像边界的精确程度。

Description

一种确定图像边界的方法及装置

技术领域

本发明涉及智能交通与图像处理领域，特别涉及一种确定图像边界的方法及装置。

背景技术

目前，一幅图像中通常包括背景图像和前景图像。前景图像一般为用户关注的目标图像。为了将前景图像从一幅图像中区分出来，需要从该幅图像中确定出前景图像的图像边界，确定的图像边界所围成的图像即为前景图像。例如，在车辆行驶环境的道路图像中，可行驶的车道的图像即为前景图像，在道路图像中确定出可行驶的车道的左边界和右边界，左边界和右边界所围成的图像即为可行驶的车道的图像。

当前，现有技术提供了一种确定图像边界的方法，包括：通过摄像头对目标对象进行拍摄得到一幅图像。获取该图像中包括的每个像素点的灰度值，并计算该图像的平均灰度值。设置一个分割阈值，该分割阈值的大小为该图像中包括的每个像素点的灰度值中最小的灰度值。将灰度值小于或等于该分割阈值的像素点确定为背景图像包括的像素点，将灰度值大于该分割阈值的像素点确定为前景图像包括的像素点，统计前景图像包括的像素点的数目以及背景图像包括的像素点的数目，以及计算前景图像的平均灰度值和背景图像的平均灰度值。根据该图像的平均灰度值、前景图像包括的像素点的数目、背景图像包括的像素点的数目、前景图像的平均灰度值和背景图像的平均灰度值，计算前景图像和背景图像之间的类间方差。将分割阈值的大小增加一，按照上述方法计算前景图像和背景图像之间的类间方差，直到分割阈值的大小为该图像中包括的每个像素点的灰度值中最大的灰度值，如此计算出不同大小的分割阈值分别对应的多个类间方差。选择上述计算出的每个类间方差中最大的类间方差对应的分割阈值。将该图像中灰度值大于该分割阈值的像素点确定为前景图像的像素点，将前景图像的像素点中横坐标最小或纵坐标最小的像素点确定为位于前景图像的边界上的像素点。

在实现本发明的过程中，发明人发现现有技术至少存在以下问题：

仅根据一个分割阈值，简单地将灰度值大于该分割阈值的像素点作为前景图像包括的像素点，如此当背景图像包括的像素点的灰度值大于该分割阈值时，该像素点也会被划分为前景图像包括的像素点，从而导致确定的图像边界的精确程度不高。

发明内容

为了提高确定图像边界的精确程度，本发明提供了一种确定图像边界的方法及装置。所述技术方案如下：

一种确定图像边界的方法，所述方法包括：

通过拍摄设备对目标对象进行拍摄，得到一幅图像；

获取所述图像的宽度、高度、所述图像包括的每个像素点的灰度值以及所述图像的灰度区间，所述灰度区间的下限为所述图像包括的最小灰度值以及上限为所述图像包括的最大灰度值；

根据所述图像的宽度、高度、所述每个像素点的灰度值以及所述灰度区间，获取所述图像的灰度直方图和所述图像在所述灰度区间上的概率分布密度函数；

根据所述灰度区间和所述概率分布密度函数，确定分割阈值的个数；

根据所述每个像素点的灰度值、所述灰度区间和所述确定的个数，计算每个分割阈值的数值；

根据所述每个分割阈值的数值，确定位于前景图像的边界上的像素点，以实现确定所述图像中的前景图像的图像边界。

一种确定图像边界的装置，所述装置包括：

拍摄模块，用于通过拍摄设备对目标对象进行拍摄，得到一幅图像；

第一获取模块，用于获取所述图像的宽度、高度、所述图像包括的每个像素点的灰度值以及所述图像的灰度区间，所述灰度区间的下限为所述图像包括的最小灰度值以及上限为所述图像包括的最大灰度值；

第二获取模块，用于根据所述图像的宽度、高度、所述每个像素点的灰度值以及所述灰度区间，获取所述图像的灰度直方图和所述图像在所述灰度区间上的概率分布密度函数；

第一确定模块，用于根据所述灰度区间和所述概率分布密度函数，确定分割阈值的个数；

计算模块，用于根据所述每个像素点的灰度值、所述灰度区间和所述确定的个数，计算每个分割阈值的数值；

第二确定模块，用于根据所述每个分割阈值的数值，确定位于前景图像的边界上的像素点，以实现确定所述图像中的前景图像的图像边界。

在本发明实施例中，通过拍摄设备对目标对象进行拍摄得到一幅图像；获取该图像的宽度、高度、该图像包括的每个像素点的灰度值和灰度区间；根据该图像的宽度、高度、每个像素点的灰度值和灰度区间，获取该图像的灰度直方图和概率分布密度函数；根据灰度区间和概率分布密度函数，确定分割阈值的个数；根据每个像素点的灰度值、灰度区间和确定的个数，计算每个分割阈值的数值；根据每个分割阈值的数值，确定位于前景图像的边界上的像素点。由于根据灰度区间和概率分布密度函数，确定了分割阈值的个数，根据确定的个数个分割阈值来确定位于图像边界上的像素点，如此根据多个分割阈值将图像细分来确定图像边界，提高了确定图像边界的精确程度。

附图说明

图1是本发明实施例1提供的一种确定图像边界的方法流程图；

图2-1是本发明实施例2提供的一种确定图像边界的方法流程图；

图2-2是本发明实施例2提供的一种图像边界示意图；

图2-3是本发明实施例2提供的一种截断点示意图；

图3是本发明实施例3提供的一种确定图像边界的装置结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

实施例1

参见图1，本发明实施例提供了一种确定图像边界的方法，包括：

步骤101：通过拍摄设备对目标对象进行拍摄，得到一幅图像；

步骤102：获取该图像的宽度、高度、该图像包括的每个像素点的灰度值以及该图像的灰度区间，该灰度区间的下限为该图像包括的最小灰度值以及上限为该图像包括的最大灰度值；

步骤103：根据该图像的宽度、高度、每个像素点的灰度值以及灰度区间，获取该图像的灰度直方图和该图像在灰度区间上的概率分布密度函数；

步骤104：根据灰度区间和概率分布密度函数，确定分割阈值的个数；

步骤105：根据每个像素点的灰度值、灰度区间和确定的个数，计算每个分割阈值的数值；

步骤106：根据每个分割阈值的数值，确定位于前景图像的边界上的像素点，以实现确定该图像中的前景图像的图像边界。

优选地，根据该图像的宽度、高度、每个像素点的灰度值以及灰度区间，获取该图像的灰度直方图和该图像在灰度区间上的概率分布密度函数，包括：

根据该图像包括的每个像素点的灰度值，统计该图像的灰度区间中包括的每个灰度值对应的像素点的个数；

根据每个灰度值对应的像素点的个数，获取该图像的灰度直方图；

根据该图像的宽度、高度和灰度直方图，计算该图像在灰度区间上的概率分布密度函数。

优选地，根据灰度区间和概率分布密度函数，确定分割阈值的个数，包括：

根据该图像的灰度区间和概率分布密度函数，计算概率分布密度函数的均值函数；

确定均值函数与概率分布密度函数之间的交点；

计算概率分布密度函数在每个交点处的导数；

根据每个交点对应的导数，确定概率分布密度函数包括的波峰，以及计算每个波峰对应的区域面积和区域距离；

根据每个波峰的区域面积和区域距离，确定分割阈值的个数。

优选地，根据每个分割阈值的数值，确定位于前景图像的边界上的像素点，包括：

根据每个分割阈值的数值将该图像转化为二值图；

根据二值图，生成二值图对应的二值矩阵；

根据二值矩阵，确定位于前景图像的边界上的像素点。

在本发明实施例中，通过拍摄设备对目标对象进行拍摄得到一幅图像；获取该图像的宽度、高度、该图像包括的每个像素点的灰度值和灰度区间；根据该图像的宽度、高度、每个像素点的灰度值和灰度区间，获取该图像的灰度直方图和概率分布密度函数；根据灰度区间和概率分布密度函数，确定分割阈值的个数；根据每个像素点的灰度值、灰度区间和确定的个数，计算每个分割阈值的数值；根据每个分割阈值的数值，确定位于前景图像的边界上的像素点。由于根据灰度区间和概率分布密度函数，确定了分割阈值的个数，根据确定的个数个分割阈值来确定位于图像边界上的像素点，如此根据多个分割阈值将图像细分来确定图像边界，提高了确定图像边界的精确程度。

实施例2

本发明实施例提供了一种确定图像边界的方法。

目前，一幅图像中通常包括背景图像和前景图像。前景图像一般为用户关注的目标图像。为了将前景图像从一幅图像中区分出来，可以通过本法明实施例提供的方法确定出前景图像的图像边界。

其中，本发明实施例提供的方法可以应用于智能交通等领域。例如，在智能交通领域，在车辆行驶的过程中，通过本发明实施例提供的方法对前方道路的图像进行处理，确定出可行驶的车道的边界，使车辆根据确定出的边界的信息进行行驶。

参见图2-1，该方法具体包括：

步骤201：通过拍摄设备对目标对象进行拍摄，得到一幅图像；

其中，拍摄设备可以为摄像头或照相机等。

其中，在本发明实施例中以智能交通领域为例进行说明。通过车载相机对前方道路进行拍摄，得到前方道路的图像。其中，在前方道路的图像中前景图像为可行驶的车道，背景图像为道路两侧的绿化带以及附近车道中的车辆。

其中，车载相机可以为安装在车辆内后视镜后侧的相机。

步骤202：获取该图像的宽度、高度、该图像包括的每个像素点的灰度值，以及该图像的灰度区间，该灰度区间的下限为该图像包括的最小灰度值以及上限为该图像包括的最大灰度值；

具体地，获取该图像的宽度和高度。将该图像进行灰度化处理，得到该图像对应的灰度图，该灰度图中包括每个像素点的灰度值。从该灰度图中获取每个像素点的灰度值，以及确定每个像素点的灰度值中的最小灰度值和最大灰度值。将该最小灰度值与该最大灰度值之间组成的区间作为该图像的灰度区间。

其中，拍摄设备拍摄的图像为彩色图像。在彩色图像中，像素点需要使用三个字节来分别存放红色、绿色和蓝色的亮度值。要获取该图像包括的每个像素点的灰度值，则需要先将该彩色图像转化为灰度图。在灰度图中，像素点只需要使用一个字节来存放灰度值。将彩色图像转化为灰度图的方法可以为分量法、最大值法或平均值法等。其中，灰度值的最大取值范围为[0,255]。

步骤203：根据该图像的宽度、高度、每个像素点的灰度值以及该图像的灰度区间，获取该图像的灰度直方图和该图像在该灰度区间上的概率分布密度函数；

具体地，根据该图像包括的每个像素点的灰度值，统计该图像的灰度区间中包括的每个灰度值对应的像素点的个数。根据每个灰度值对应的像素点的个数，获取该图像的灰度直方图。根据该图像的宽度、高度和该灰度直方图，通过如下公式(1)计算该图像在该灰度区间上的概率分布密度函数。

其中，在公式(1)中，L为该图像包括的最大灰度值，X和l均表示灰度值，x和y分别表示像素点的横坐标和纵坐标，w和h分别表示该图像的宽度和高度，表示该图像在灰度区间上的概率分布密度函数，f(x,y)表示该图像，h(f(x,y))表示该图像的灰度直方图。

其中，通过上述步骤201-203的操作获取到该图像的灰度直方图和该图像在该灰度区间上的概率分布密度函数之后，通过如下步骤204-208的操作来确定分割阈值的个数。其中，分割阈值用于分割该图像包括的像素点，一个分割阈值可以将该图像包括的像素点划分成两类，两个分割阈值可以将该图像包括的像素点划分成三类，即确定的个数个分割阈值可以将该图像包括的像素点划分成确定的个数加一类。例如，假设确定的个数为5，则5个分割阈值可以将该图像包括的像素点划分成6类。

步骤204：根据该图像的灰度区间和该概率分布密度函数，计算该概率分布密度函数的均值函数；

其中，对概率分布密度函数进行差分计算可以得到一阶导数根据一阶导数的符号的变化可以获得概率密度函数的曲线的波峰的个数。概率密度函数的曲线的波峰表示有较多的像素点的灰度值集中在该波峰对应的灰度区间内。但是由于概率密度函数是离散分布的，所以概率密度函数的曲线具有较多的小波峰，这些小波峰表示只有少数像素点的灰度值集中在这些小波峰对应的灰度区间内。由于小波峰对应的像素点的数量较少，为了简化计算过程，可以忽略这些小波峰。在本发明实施例中，通过概率分布密度函数的均值函数来过滤小波峰，将波峰位于概率分布密度函数的均值函数以下的波峰忽略不计。

本步骤具体为，根据该图像的灰度区间和该概率分布密度函数，通过如下公式(2)计算该概率分布密度函数的均值函数。

其中，在公式(2)中，mean(X＝l)为均值函数。

步骤205：确定该均值函数与该概率分布密度函数之间的交点；

其中，在均值函数与概率分布密度函数的交点处均值函数的函数值与概率分布密度函数的函数值相等。

本步骤具体为，另均值函数等于概率分布密度函数，组成如公式(3)所示的等值函数。计算该等值函数，得到使该等值函数成立的每个灰度值。获取得到的每个灰度值对应的像素点，将获取的每个像素点确定为该均值函数与该概率分布密度函数之间的每个交点。

步骤206：计算概率分布密度函数在每个交点处的导数；

具体地，将每个交点的横坐标和纵坐标分别代入如下公式(4)所示的概率分布密度函数的一阶导数函数中，分别计算出每个交点对应的导数。

其中，在公式(4)中，表示概率分布密度函数的一阶导数。

步骤207：根据每个交点对应的导数，确定概率分布密度函数包括的波峰，并计算每个波峰对应的区域面积和区域距离；

其中，波峰的区域面积为该波峰对应的两个交点、概率密度函数以及均值函数组成的闭合区域的面积。区域距离为该波峰对应的两个交点之间的距离。

本步骤具体为，从每个交点中获取第一交点和第二交点，第一交点为每个交点中的任一交点，第二交点为与第一交点相邻的一个交点且第一交点小于第二交点。当第一交点对应的导数大于零且第二交点对应的导数小于零时，确定概率分布密度函数在第一交点至第二交点的区间内出现波峰。根据概率密度函数，通过如下公式(5)计算该波峰对应的区域面积。根据第一交点和第二交点，通过如下公式(6)计算该波峰对应的区域距离。

其中，在公式(5)中，j表示波峰的序号，i表示交点的序号。a_j表示序号为j的波峰对应的区域面积。Z₁表示第一个交点，Z_i表示第i个交点，Z_i+1表示第i+1个交点，Z_n表示第n个交点。

其中，在公式(6)中，d_j表示序号为j的波峰对应的区域距离。

其中，对于确定的每个交点中任意两个相邻的交点，都同第一交点与第二交点按照上述方式，确定概率分布密度函数在任意两个相邻的交点之间是否出现了波峰，并在确定出现波峰时按照上述方法计算波峰对应的区域面积和区域距离。

例如，从每个交点Z₁，…，Z_n中获取第一交点和第二交点，假设第一交点为Z₁，第二交点为Z₂。假设第一交点Z₁对应的导数小于零，第二交点Z₂对应的导数大于零，则确定出概率分布密度函数在0至第一交点Z₁的区间内出现波峰1。由于小于零，则根据概率密度函数通过上述公式(5)中计算该波峰1对应的区域面积a₁。根据0和第一交点，通过上述公式(6)中计算出该波峰1对应的区域距离d₁＝Z₁。

再如，假设获取的第一交点为Z₂，第二交点为Z₃。假设第一交点Z₂对应的导数大于零，第二交点Z₃对应的导数小于零，则确定出概率分布密度函数在第一交点Z₂和第二交点Z₃的区间内出现波峰2。则根据概率密度函数通过上述公式(5)中计算该波峰2对应的区域面积a₂。根据第一交点Z₂和第二交点Z₃，通过上述公式(6)中计算出该波峰1对应的区域距离d₂＝Z₃-Z₂。

又如，假设获取的第一交点为Z_n-1，第二交点为Z_n。假设第一交点Z_n-1对应的导数小于零，第二交点Z_n对应的导数大于零，则确定出概率分布密度函数在第二交点Z_n至L的区间内出现波峰j。由于大于零，则j对应的区域距离d_j＝L-Z_n。

其中，波峰的顶点为极大值点，对于少数像素点的灰度值集中形成的小波峰来说，小波峰的极大值点小于均值函数的函数值，从而使得小波峰与均值函数没有交点，如此可以将较小的波峰过滤掉。

其中，通过上述步骤204-207的操作确定出概率分布密度函数包括的波峰，并计算出每个波峰对应的区域面积和区域距离之后，通过如下步骤208的操作来确定分割阈值的个数。

步骤208：根据每个波峰对应的区域面积和区域距离，确定分割阈值的个数；

具体地，将每个波峰对应的区域面积与预设面积阈值进行比较，以及将每个波峰对应的区域距离与预设距离阈值进行比较，统计区域面积大于预设面积阈值且区域距离大于预设距离阈值的波峰的数目。将统计的数目确定为分割阈值的个数。

其中，分割阈值用于将该图像包括的像素点划分成不同的类别。根据该图像的概率分布密度函数的波峰来确定分割阈值的个数，如此可以根据像素点的灰度值的分布情况来划分图像包括的像素点。

其中，通过上述步骤208的操作确定分割阈值的个数之后，通过如下步骤209的操作来计算每个分割阈值的数值。

步骤209：根据每个像素点的灰度值、该图像的灰度区间和确定分割阈值的个数，计算每个分割阈值的数值；

其中，根据分割阈值的个数的不同，本步骤可以通过如下第一、第二和第三三种方式来实现，具体为：

第一，当分割阈值的个数m为1时，设方差下限σ_t＝0，灰度值i＝0，分割阈值t＝-1。

根据分割阈值t对该图像包括的像素点进行划分，将灰度值小于或等于分割阈值t的像素点划分为第一类，将灰度值大于分割阈值t的像素点划分为第二类。通过如下公式(7)分别计算第一类和第二类出现的概率。通过如下公式(8)分别计算第一类和第二类的均值。根据第一类和第二类的概率，以及第一类和第二类的均值，通过如下公式(9)计算第一类和第二类之间的类间方差。如果该类间方差大于σ_t＝0，则将该类间方差的值赋给σ_t，以及将i的值赋给分割阈值t。如果i小于灰度区间的上限减去一，则将i的值增加一，继续执行上述算法，直到i等于灰度区间的上限减去一时结束计算，获取此时分割阈值t的数值。

$p_{{\mathrm{\ξ}}_1}=\underset{i=0}{\overset{t}{\mathrm{\Σ}}}{p}_i,p_{{\mathrm{\ξ}}_2}=\underset{i=t+1}{\overset{L-1}{\mathrm{\Σ}}}{p}_i=1-p_{{\mathrm{\ξ}}_1}......\left(7\right)$

其中，在公式(7)中，ζ₁表示第一类，ζ₂表示第二类。表示第一类出现的概率，表示第二类出现的概率。i为灰度值，p_i为灰度值i出现的概率。

${\mathrm{\μ}}_{{\mathrm{\ξ}}_1}=\underset{i=0}{\overset{t}{\mathrm{\Σ}}}{\mathrm{ip}}_i/P_{{\mathrm{\ξ}}_1}$

${\mathrm{\μ}}_{{\mathrm{\ξ}}_2}=\underset{i=t+1}{\overset{L-1}{\mathrm{\Σ}}}{\mathrm{ip}}_i/P_{{\mathrm{\ξ}}_2}......\left(8\right)$

其中，在公式(8)中，表示第一类的均值，表示第二类的均值。

${\mathrm{\σ}}_{{\mathrm{\ξ}}_1,{\mathrm{\ξ}}_2}^2=P_{{\mathrm{\ξ}}_1}{({\mathrm{\μ}}_{{\mathrm{\ξ}}_1}-{\mathrm{\μ}}_0)}^2+P_{{\mathrm{\ξ}}_2}{({\mathrm{\μ}}_{{\mathrm{\ξ}}_2}-{\mathrm{\μ}}_0)}^2......\left(9\right)$

其中，在公式(9)中，表示第一类和第二类之间的方差，表示该图像包括的像素点的灰度值的均值。

第二，当分割阈值的个数m为2时，设方差下限σ_t＝0，灰度值i＝0，j＝i+1，分割阈值t1＝-1，t2＝-1。

根据分割阈值t1和t2对该图像包括的像素点进行划分，将灰度值小于或等于分割阈值t1的像素点划分为第一类，将灰度值大于分割阈值t1且小于分割阈值t2的像素点划分为第二类，以及将灰度值大于或等于分割阈值t2的像素点划分为第三类。通过如下公式(10)计算每一类出现的概率。通过如下公式(11)计算每一类的均值。根据每一类出现的概率和每一类的均值，通过如下公式(12)计算第一类、第二类和第三类之间的类间方差。如果该类间方差大于σ_t＝0，则将该类间方差的值赋给σ_t，以及将i的值赋给分割阈值t1，将j的值赋给分割阈值t2。如果j小于灰度区间的上限减去一，则将j的值增加一，如果i小于灰度区间的上限减去二，则将i的值增加一，继续执行上述算法，直到j等于灰度区间的上限减去一，或者i等于灰度区间的上限减去二时结束计算，获取此时分割阈值t1和t2的数值。

$P_{{\mathrm{\ξ}}_j}=\underset{i=t_{j-1}+1}{\overset{t_j}{\mathrm{\Σ}}}{p}_i,(j=1...k+1)......\left(10\right)$

其中，在公式(10)中，ζ_j表示划分的类别，表示类别ζ_j出现的概率。

${\mathrm{\μ}}_{{\mathrm{\ξ}}_j}=\underset{i=t_{j-1}+1}{\overset{t_j}{\mathrm{\Σ}}}i{p}_i/P_{{\mathrm{\ξ}}_j},(j=1...k+1)......\left(11\right)$

其中，在公式(11)中，表示类别ζ_j的均值。

${\mathrm{\σ}}_{\mathrm{\ξ}}^2\left(T\right)=\underset{j=1}{\overset{k+1}{\mathrm{\Σ}}}{P}_{{\mathrm{\ξ}}_j}{({\mathrm{\μ}}_{{\mathrm{\ξ}}_j}-{\mathrm{\μ}}_0)}^2......\left(12\right)$

其中，在公式(12)中，表示第一类、第二类和第三类之间的类间方差。

第三，当分割阈值的个数m大于2时，根据该图像的灰度区间，通过线性插值法从灰度区间中获取(m+2)个灰度值，去掉第一个灰度值0和最后一个灰度值L-1，将剩余的m个灰度值依次作为每个分割阈值的初值。然后根据每个分割阈值的初值按照第二种实现方式中的方法来获取每个分割阈值的数值。

其中，通过上述步骤209的操作获取到每个分割阈值的数值之后，通过如下步骤210-212的操作来确定该图像中前景图像的图像边界。

步骤210：根据每个分割阈值的数值将该图像转化为二值图；

其中，二值图中包括的像素点的颜色不是黑色就是白色，如果一个像素点为白色则该像素点的灰度值为255，如果一个像素点为黑色则该像素点的灰度值为0。

其中，根据分割阈值的个数的不同，本步骤可以通过如下第一、第二和第三三种方式来实现，具体为：

第一，当分割阈值的个数m为1时，假设分割阈值为t，将灰度值小于或等于分割阈值t的像素点的灰度值都设为0，将灰度值大于分割阈值t的像素点的灰度值都设为255，如此得到一个二值图。即将灰度值小于或等于分割阈值t的像素点都设为黑色的点，将灰度值大于分割阈值t的像素点都设为白色的点。

第二，当分割阈值的个数m为2时，将该图像转化为3个二值图。假设分割阈值t1小于t2，在第一个二值图中，将灰度值小于或等于分割阈值t1的像素点的灰度值都设为255，将其他的像素点的灰度值都设为0，即将灰度值小于或等于分割阈值t1的像素点都设为白色，将其他的像素点都设为黑色。在第二个二值图中，将灰度值大于分割阈值t1且小于分割阈值t2的像素点的灰度值都设为255，将其他的像素点的灰度值都设为0，即将灰度值大于分割阈值t1且小于分割阈值t2的像素点都设为白色，将其他的像素点都设为黑色。在第三个二值图中，将灰度值大于或等于分割阈值t2的像素点的灰度值都设为255，将其他的像素点的灰度值都设为0，即将灰度值大于或等于分割阈值t2的像素点都设为白色，将其他的像素点都设为黑色。

第三，当分割阈值的个数m大于2时，将该图像转化为m+1个二值图，将该图像的灰度区间的下限和上限以及每个分割阈值按照数值从小到大或从大到小的顺序进行排列，获取排列好的数值序列中每两个相邻的数值组成分割区间，然后按照上述第二种实现方式中的方法在每个二值图中，分别设置灰度值位于一个分割区间中的像素点为白色，其他像素点为黑色，如此将该图像转化为m+1个二值图。

其中，分割阈值的个数越多，该图像中包括的像素点划分的类别越多，转化得到的二值图越多，每个二值图中的白色区域对应于该图像中的一部分，如此在确定前景图像的图像边界时，可以在较多的二值图中分别确定前景图像的不同部位的边界，如此可以提高确定的图像边界的精确度。

另外，为了进一步提高图像边界的精确程度，可以事先将该图像划分成上下两部分，分别称为上部图和下部图。然后通过本步骤提供的方法分别将上部图和下部图转化为二值图，如此转化得到的二值图的数目增加了一倍。

其中，可以通过如下方式来将该图像划分成上下两部分，具体为：

确定该图像的左侧边的中点以及右侧边的中点，将左侧边的中点和右侧边的中点之间的连线作为该图像的横向中心线，从该横向中心线处将该图像分割为上下两部分，分别称为上部图和下部图。

步骤211：根据转化得到的每个二值图，分别生成每个二值图对应的二值矩阵；

其中，二值矩阵中的每个元素对应于该图像中的每个像素点，元素的行号和列号分别表示该元素对应的像素点在该图像中横坐标和纵坐标，二值矩阵中的每个元素的值为1或0，1表示该元素对应的像素点为前景图像包括的像素点，0表示该元素对应的像素点为背景图像包括的像素点。

本步骤具体为，对于转化得到的每个二值图，获取该二值图包括的每个像素点的横坐标、纵坐标和灰度值，根据每个像素点的横坐标和纵坐标分别确定每个像素点对应的元素在二值矩阵中的行号和列号，根据每个像素点的灰度值分别确定每个像素点对应的元素的值。根据每个像素点对应的元素的行号和列号，以及根据每个像素点对应的元素的值，生成该二值图对应的二值矩阵。对于转化得到的其他每个二值图，同该二值图按照上述方式生成其他每个二值图对应的二值矩阵。

其中，在智能交通领域，由于车载相机拍摄的角度的关系，得到的道路图像一般上半部分道路的图像所占的区域较小，下半部分道路的图像所占的区域较大。所以如果将二值矩阵中的每一行的元素值分别相加，得到一个列向量，则该列向量中元素的值随着行号的增加逐渐增加。

步骤212：根据每个二值图对应的二值矩阵，确定位于前景图像的边界上的像素点，以实现确定该图像中的前景图像的图像边界。

其中，对于每个二值图对应的二值矩阵，都可以按照如下步骤S1-S7的操作来获取该二值图中包括的前景图像的左边界的点向量和右边界的点向量，具体为：

S1：设a＝1，设置两个空向量E_l和E_r；

其中，E_l用于存储二值图中前景图像的左边界上的点，E_r用于存储二值图中前景图像的右边界上的点。

S2：设b＝1，c＝w；

其中，w为该图像的宽度。

S3：如果二值矩阵中第a行第b列的元素的值大于0，则令E_l(a)＝b，然后执行步骤S5，否则，执行步骤S4；

S4：令b＝b+1，如果b<＝w，则执行步骤S3；

S5：如果二值矩阵中第a行第k列的元素的值大于0，则令E_r(a)＝k，然后执行步骤S7，否则，执行步骤S6；

S6：令k＝k-1，如果1<＝k，则跳转至S5；

S7：令a＝a+1，如果a<＝h，则跳转至S2，否则结束。

其中，h为该图像的高度。

其中，对于其他每个二值图对应的二值矩阵，都同该二值图对应的二值矩阵按照上述步骤S1-S7的操作获取其他每个二值图中前景图像的左边界的点向量和右边界的点向量。

将每个二值图对应的左边界的点向量组成该图像的左边界向量，将每个二值图对应的右边界的点向量组成该图像的右边界向量。

进一步地，按照上述方式得到前景图像的左边界向量和右边界向量之后，还可以通过如下方式获得前景图像的左边界的拟合曲线以及右边界的拟合曲线，具体为：

如图2-2所示，可以将获得的左右边界点向量序列E_l与E_r分别分成两个部分，E_l可以根据截断点B分成E_l1与E_l2。E_r可以根据截断点E分成E_r1与E_r2。E_l1表示CB线段的数据，E_l2表示BA线段的数据，E_r1表示DE线段数据，E_r2表示EF线段的数据。

其中，可以通过如下方式来获得截断点，具体为：如图2-3所示，设p_i为首次出现在边界上的点，p_i-1为p_i点的前一个点。取θ＝π/4，则θ＝π/4的直线与边界的交点p_k即为所求的截断点。

序号k的计算公式如下：

$k=i-\frac{|E\left(i\right)-E(i-1)|}{2},$ 令E(k)＝E(i)。

其中，将左右边界点向量截断之后，可以使用二次多项式拟合曲线E_l1和E_r2，二次多项式形式可根据最小二乘法原理设目标函数f(a₁,a₂,b)：

$f(a_1,a_2,b)=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(a_1{x}_i^2+a_2{x}_i+b+y_i)}^2$

其中，目标函数f(a₁,a₂,b)为参数的函数，则可以根据f(a₁,a₂,b)函数的最小值来确定参数，根据极值原理得到如下方程组：

将上述方程组写成方程的齐次形式，如下所示：

其中，x_i与的值都是已知的，所以只需要求解该方程组则可以得到a₁、a₂和b的解。则最终可以得到前景图像的曲线边界。

由上面的解析过程，可得到道路区域中点A、B、C、D、E和F在图像坐标系下的坐标分别为A(u_A,v_A)、B(u_B,v_B)、C(u_C,v_C)、D(u_D,v_D)、E(u_E,v_E)和F(u_F,v_F)，并且v_A＝v_F，v_C＝v_D，u_A＝u_B，u_E＝u_F，则前景图像的整个边界转换成图像坐标系(U-V)，如下所示：

其中，p_x,y表示线段上的像素点，x和y分别表示线段上的像素点的横坐标和纵坐标。其中，左边界BC段的拟合函数为右边界EF段的拟合函数为符号“→”表示向量的方向。

其中，通过上述方式得到前景图像的边界向量，并通过二次多项式对边界进行拟合，得到边界的拟合曲线，如此可以使得到的图像边界更加精确。

在本发明实施例中，通过拍摄设备对目标对象进行拍摄得到一幅图像；获取该图像的宽度、高度、该图像包括的每个像素点的灰度值和灰度区间；根据该图像的宽度、高度、每个像素点的灰度值和灰度区间，获取该图像的灰度直方图和概率分布密度函数；根据灰度区间和概率分布密度函数，确定分割阈值的个数；根据每个像素点的灰度值、灰度区间和确定的个数，计算每个分割阈值的数值；根据每个分割阈值的数值，确定位于前景图像的边界上的像素点。由于根据灰度区间和概率分布密度函数，确定了分割阈值的个数，根据确定的个数个分割阈值来确定位于图像边界上的像素点，如此根据多个分割阈值将图像细分来确定图像边界，提高了确定图像边界的精确程度。

实施例3

参见图3，本发明实施例提供了一种确定图像边界的装置，包括：

拍摄模块301，用于通过拍摄设备对目标对象进行拍摄，得到一幅图像；

第一获取模块302，用于获取该图像的宽度、高度、该图像包括的每个像素点的灰度值以及该图像的灰度区间，该灰度区间的下限为该图像包括的最小灰度值以及上限为该图像包括的最大灰度值；

第二获取模块303，用于根据该图像的宽度、高度、每个像素点的灰度值以及灰度区间，获取该图像的灰度直方图和该图像在灰度区间上的概率分布密度函数；

第一确定模块304，用于根据灰度区间和概率分布密度函数，确定分割阈值的个数；

计算模块305，用于根据每个像素点的灰度值、灰度区间和确定的个数，计算每个分割阈值的数值；

第二确定模块306，用于根据每个分割阈值的数值，确定位于前景图像的边界上的像素点，以实现确定该图像中的前景图像的图像边界。

其中，第二获取模块303包括：

统计单元，用于根据该图像包括的每个像素点的灰度值，统计该图像的灰度区间中包括的每个灰度值对应的像素点的个数；

获取单元，用于根据每个灰度值对应的像素点的个数，获取该图像的灰度直方图；

第一计算单元，用于根据该图像的宽度、高度和灰度直方图，计算该图像在灰度区间上的概率分布密度函数。

其中，第一确定模块304包括：

第二计算单元，用于根据该图像的灰度区间和概率分布密度函数，计算概率分布密度函数的均值函数；

第一确定单元，用于确定均值函数与概率分布密度函数之间的交点；

第三计算单元，用于计算概率分布密度函数在每个交点处的导数；

确定计算单元，用于根据每个交点对应的导数，确定概率分布密度函数包括的波峰，以及计算每个波峰对应的区域面积和区域距离；

第二确定单元，用于根据每个波峰的区域面积和区域距离，确定分割阈值的个数。

其中，第二确定模块306包括：

转化单元，用于根据每个分割阈值的数值将图像转化为二值图；

生成单元，用于根据二值图，生成二值图对应的二值矩阵；

第三确定单元，用于根据二值矩阵，确定位于前景图像的边界上的像素点。

在本发明实施例中，通过拍摄设备对目标对象进行拍摄得到一幅图像；获取该图像的宽度、高度、该图像包括的每个像素点的灰度值和灰度区间；根据该图像的宽度、高度、每个像素点的灰度值和灰度区间，获取该图像的灰度直方图和概率分布密度函数；根据灰度区间和概率分布密度函数，确定分割阈值的个数；根据每个像素点的灰度值、灰度区间和确定的个数，计算每个分割阈值的数值；根据每个分割阈值的数值，确定位于前景图像的边界上的像素点。由于根据灰度区间和概率分布密度函数，确定了分割阈值的个数，根据确定的个数个分割阈值来确定位于图像边界上的像素点，如此根据多个分割阈值将图像细分来确定图像边界，提高了确定图像边界的精确程度。

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。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种确定图像边界的方法，其特征在于，所述方法包括：

通过拍摄设备对目标对象进行拍摄，得到一幅图像；

获取所述图像的宽度、高度、所述图像包括的每个像素点的灰度值以及所述图像的灰度区间，所述灰度区间的下限为所述图像包括的最小灰度值以及上限为所述图像包括的最大灰度值；

根据所述图像的宽度、高度、所述每个像素点的灰度值以及所述灰度区间，获取所述图像的灰度直方图和所述图像在所述灰度区间上的概率分布密度函数；

根据所述灰度区间和所述概率分布密度函数，确定分割阈值的个数；

根据所述每个像素点的灰度值、所述灰度区间和所述确定的个数，计算每个分割阈值的数值；

根据所述每个分割阈值的数值，确定位于前景图像的边界上的像素点，以实现确定所述图像中的前景图像的图像边界。

2.如权利要求1所述的方法，其特征在于，所述根据所述图像的宽度、高度、所述每个像素点的灰度值以及所述灰度区间，获取所述图像的灰度直方图和所述图像在所述灰度区间上的概率分布密度函数，包括：

根据所述图像包括的每个像素点的灰度值，统计所述图像的灰度区间中包括的每个灰度值对应的像素点的个数；

根据所述每个灰度值对应的像素点的个数，获取所述图像的灰度直方图；

根据所述图像的宽度、高度和所述灰度直方图，计算所述图像在所述灰度区间上的概率分布密度函数。

3.如权利要求1所述的方法，其特征在于，所述根据所述灰度区间和所述概率分布密度函数，确定分割阈值的个数，包括：

根据所述图像的灰度区间和所述概率分布密度函数，计算所述概率分布密度函数的均值函数；

确定所述均值函数与所述概率分布密度函数之间的交点；

计算所述概率分布密度函数在每个交点处的导数；

根据所述每个交点对应的导数，确定所述概率分布密度函数包括的波峰，以及计算每个波峰对应的区域面积和区域距离；

根据所述每个波峰的区域面积和区域距离，确定分割阈值的个数。

4.如权利要求1所述的方法，其特征在于，所述根据所述每个分割阈值的数值，确定位于前景图像的边界上的像素点，包括：

根据所述每个分割阈值的数值将所述图像转化为二值图；

根据所述二值图，生成所述二值图对应的二值矩阵；

根据所述二值矩阵，确定位于前景图像的边界上的像素点。

5.一种确定图像边界的装置，其特征在于，所述装置包括：

拍摄模块，用于通过拍摄设备对目标对象进行拍摄，得到一幅图像；

第一获取模块，用于获取所述图像的宽度、高度、所述图像包括的每个像素点的灰度值以及所述图像的灰度区间，所述灰度区间的下限为所述图像包括的最小灰度值以及上限为所述图像包括的最大灰度值；

第二获取模块，用于根据所述图像的宽度、高度、所述每个像素点的灰度值以及所述灰度区间，获取所述图像的灰度直方图和所述图像在所述灰度区间上的概率分布密度函数；

第一确定模块，用于根据所述灰度区间和所述概率分布密度函数，确定分割阈值的个数；

计算模块，用于根据所述每个像素点的灰度值、所述灰度区间和所述确定的个数，计算每个分割阈值的数值；

第二确定模块，用于根据所述每个分割阈值的数值，确定位于前景图像的边界上的像素点，以实现确定所述图像中的前景图像的图像边界。

6.如权利要求5所述的装置，其特征在于，所述第二获取模块包括：

统计单元，用于根据所述图像包括的每个像素点的灰度值，统计所述图像的灰度区间中包括的每个灰度值对应的像素点的个数；

获取单元，用于根据所述每个灰度值对应的像素点的个数，获取所述图像的灰度直方图；

第一计算单元，用于根据所述图像的宽度、高度和所述灰度直方图，计算所述图像在所述灰度区间上的概率分布密度函数。

7.如权利要求5所述的装置，其特征在于，所述第一确定模块包括：

第二计算单元，用于根据所述图像的灰度区间和所述概率分布密度函数，计算所述概率分布密度函数的均值函数；

第一确定单元，用于确定所述均值函数与所述概率分布密度函数之间的交点；

第三计算单元，用于计算所述概率分布密度函数在每个交点处的导数；

确定计算单元，用于根据所述每个交点对应的导数，确定所述概率分布密度函数包括的波峰，以及计算每个波峰对应的区域面积和区域距离；

第二确定单元，用于根据所述每个波峰的区域面积和区域距离，确定分割阈值的个数。

8.如权利要求5所述的装置，其特征在于，所述第二确定模块包括：

转化单元，用于根据所述每个分割阈值的数值将所述图像转化为二值图；

生成单元，用于根据所述二值图，生成所述二值图对应的二值矩阵；

第三确定单元，用于根据所述二值矩阵，确定位于前景图像的边界上的像素点。