CN105184785B - 图像的轮廓提取方法和轮廓提取装置 - Google Patents
图像的轮廓提取方法和轮廓提取装置 Download PDFInfo
- Publication number
- CN105184785B CN105184785B CN201510540520.6A CN201510540520A CN105184785B CN 105184785 B CN105184785 B CN 105184785B CN 201510540520 A CN201510540520 A CN 201510540520A CN 105184785 B CN105184785 B CN 105184785B
- Authority
- CN
- China
- Prior art keywords
- matrix
- mtd
- image
- pixel
- picture element
- 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.)
- Active
Links
Classifications
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
Landscapes
- Image Processing (AREA)
Abstract
本申请公开了一种图像的轮廓提取方法和轮廓提取装置。其中，图像的轮廓提取方法包括：在图像中选取中心像素，其中中心像素为图像中不处于边界位置的任意像素；获取以中心像素为中心的像素矩阵，像素矩阵为三阶方阵；获取像素矩阵中各像素的亮度值形成亮度矩阵，亮度矩阵为三阶方阵；基于亮度矩阵与三阶算子的卷积运算结果得到结果矩阵；以及基于结果矩阵中各元素的值确定中心像素是否属于图像的轮廓。按照本申请的方案，能够准确地提取出图像中代表图像轮廓的像素，并可避免提取出非图像轮廓的噪点。
Description
技术领域
本公开一般涉及图像处理技术，具体涉及图像轮廓的提取技术，尤其涉及图像的轮廓提取方法和轮廓提取装置。
背景技术
当前，消费者对便携移动终端的显示品位正逐步提高，高PPI(Pixels Per Inch，每英寸像素数)显示的设计开发成为显示行业的一大热点。现阶段800PPI以上的产品已经出现，但随之而来的低开口率、极高的工艺要求，导致高PPI产品良率提升困难，因此成本也难以降低。
在此背景下，Sub Pixel Rendering(SPR，子像素渲染)技术应运而生，为高PPI技术市场化提供了一条捷径。所谓SPR技术，就是低PPI产品通过合理排布像素顺序，通过像素渲染使其具有高PPI的显示效果。
SPR技术需要通过子像素共用来实现，画面大部分位置的亮度可与Real RGB保持一致，然而在非共用区域，因亮度分配不足，必然存在亮度衰减问题。
发明内容
鉴于现有技术中的上述缺陷或不足，期望提供一种图像的轮廓提取方法和轮廓提取装置，能够准确地提取出图像中代表图像轮廓的像素，并可避免提取出非图像轮廓的噪点。
第一方面，本申请实施例提供了一种图像的轮廓提取方法，包括：在图像中选取中心像素，其中中心像素为图像中不处于边界位置的任意像素；获取以中心像素为中心的像素矩阵，像素矩阵为三阶方阵；获取像素矩阵中各像素的亮度值形成亮度矩阵，亮度矩阵为三阶方阵；基于亮度矩阵与三阶算子的卷积运算结果得到结果矩阵；以及基于结果矩阵中各元素的值确定中心像素是否属于图像的轮廓。
第二方面，本申请实施例还提供了一种图像的轮廓提取装置，包括：中心像素选取单元，配置用于在图像中选取中心像素，其中中心像素为图像中不处于边界位置的任意像素；像素矩阵获取单元，配置用于获取以中心像素为中心的像素矩阵，像素矩阵为三阶方阵；亮度获取单元，配置用于获取像素矩阵中各像素的亮度值形成亮度矩阵，亮度矩阵为三阶方阵；卷积单元，配置用于基于亮度矩阵与三阶算子的卷积运算结果得到结果矩阵；以及确定单元，配置用于基于结果矩阵中各元素的值确定中心像素是否属于图像的轮廓。
本申请实施例提供的的方案，通过由像素矩阵中各像素组成的亮度矩阵与三阶算子的卷积，来判断像素矩阵中的中心像素是否属于图像的轮廓，运算简单且运算量较小。
此外，在本申请的一些实施例中，通过将结果矩阵中各元素的数值与预定阈值相比较来将结果矩阵进行二值化。若二值化后的结果矩阵中的多个元素满足预先设定的条件，则确定与结果矩阵对应的像素矩阵中的中心像素属于图像的轮廓，从而可以避免噪点的误提取，提高图像轮廓提取的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出了根据本申请一个实施例的图像的轮廓提取方法的示意性流程图；
图2a示出了未经轮廓提取的原始图像；
图2b示出了采用本申请实施例的图像的轮廓提取方法对图2a所示的原始图像进行轮廓提取之后得到的结果；
图3示出了根据本申请一个实施例的图像的轮廓提取装置的示意性结构图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
参照图1所示，为本申请的一个实施例的图像的轮廓提取方法的示意性流程图100。
具体而言，在步骤110中，在图像中选取中心像素，其中中心像素为图像中不处于边界位置的任意像素。
在一些实现方式中，图像可以由矩阵排布的多个像素构成。例如，图像可以表达为[aij]m×n。其中，aij代表图像中的每一个像素，m为图像中像素的行数，n为像素的列数。而每一个像素aij又可以包括多个子像素，例如，可以包括红、绿、蓝三个子像素，或者，还可以包括红、绿、蓝、白四个子像素等等。
本实施例选取的中心像素，为不处于图像的边界位置的任意像素。也即是说，对用[aij]m×n表示的图像而言，中心像素不位于图像中的第一行、第m行、第一列和第n列，并且中心像素可以是[aij]p×q中的任意一个像素，在这里，p＝2,3，…,m-1，q＝2,3，…n-1。
接着，在步骤120中，获取以中心像素为中心的像素矩阵。在这里，像素矩阵为三阶方阵。
在三阶方阵[aij]3×3中，显然，中心元素为a22，该元素即为该像素矩阵中的中心像素。
在构造像素矩阵时，以[aij]m×n中的各行按照水平方向排列、各列按照竖直方向排列为例。在已选定中心像素的前提下，需要选取与中心像素在水平方向相邻的两个子像素、与中心像素在竖直方向上相邻的两个子像素、以及与中心像素在对角线方向上相邻的四个子像素，来构成像素矩阵。
接着，在步骤130中，获取像素矩阵中各像素的亮度值形成亮度矩阵。在这里，亮度矩阵为三阶方阵。亮度矩阵中的每一个元素，为与像素矩阵中各元素相对应的亮度值。
接着，在步骤140中，基于亮度矩阵与三阶算子的卷积运算结果得到结果矩阵。
在图像处理领域，在对亮度矩阵进行卷积运算时，例如，可以将算子矩阵的中心元素与待处理的亮度矩阵中的元素对应，并将该元素与算子矩阵的中心算子相乘，与该元素相邻的各元素与算子矩阵中对应的算子相乘后求取各乘积之和，作为亮度矩阵中该元素卷积运算后的数值。
具体而言，假设亮度矩阵为[Lij]3×3，三阶算子为[kij]3×3，其与亮度矩阵的卷积运算后，形成矩阵[Mij]3×3，[Mij]3×3中各元素的值分别为：
M11＝L11×k22+L12×k23+L21×k32+L22×k33；
M12＝L11×k21+L12×k22+L13×k23+L21×k31+L22×k32+L23×k33；
M13＝L12×k21+L13×k22+L22×k31+L23×k32；
M21＝L11×k12+L12×k13+L21×k22+L22×k23+L31×k32+L32×k33；
M22＝L11×k11+L12×k12+L13×k13+L21×k21+L22×k22+L23×k23+L31×k31+L32×k32+L33×k33；
M23＝L12×k11+L13×k12+L22×k21+L23×k22+L32×k31+L33×k32；
M31＝L21×k12+L22×k13+L31×k22+L32×k23；
M32＝L21×k11+L22×k12+L23×k13+L31×k21+L32×k22+L33×k23；
M33＝L22×k11+L23×k12+L32×k21+L33×k22。
接着，在步骤150中，基于结果矩阵中各元素的值确定中心像素是否属于图像的轮廓。
在一些实现方式中，例如，若[Mij]3×3中的某一个或某几个元素和预定阈值之间满足预定的关系，则与之对应的像素矩阵[aij]3×3中的中心像素a22属于图像的轮廓。
例如，在这些实现方式的一些应用场景中，若[Mij]3×3中的元素M22大于预定阈值，那么可以认为与[Mij]3×3对应的像素矩阵[aij]3×3中的中心像素a22属于图像的轮廓。
或者，在这些实现方式的另一些应用场景中，若[Mij]3×3中的元素M22小于预定阈值，且M21、M23大于预定阈值，那么可以认为与[Mij]3×3对应的像素矩阵[aij]3×3中的中心像素a22属于图像的轮廓。
在一些实现方式中，三阶算子k可以实现为如下的矩阵：
其中，a、b为正实数，c为负实数。
可以看出，在这些实现方式中，三阶算子k为对称矩阵，也即是说，三阶算子k等于其转置矩阵k’。
此外，在这些实现方式中，三阶算子k中的各元素的取值关于中心(即k22)对称。也即是说，k12＝k21＝k23＝k32，k11＝k13＝k31＝k33。
在这些实现方式的一些应用场景中，可以设置三阶算子k中的各元素具有如下的数值关系：
2a+b＝1，且c＝-4(a+b)。
这样一来，例如，可以通过设定a、b、c其中一个参数的取值，来对应获得另外两个参数的取值。
在一些实现方式中，例如，图像中各像素的亮度是未知的，仅已知图像中各像素所包含的子像素的灰阶。此时，为了获取像素矩阵中各像素的亮度值，例如，可以基于像素矩阵中各像素所包含的子像素的灰阶与该像素的亮度值之间的关系，来计算像素矩阵中各像素的亮度值以形成亮度矩阵。
例如，在这些实现方式的一些应用场景中，通过以下的公式来从像素中的各子像素的灰阶来计算该像素的亮度：
其中，L为像素的亮度，n为该像素所包含的子像素的数量，Li为该像素所包含的子像素的亮度，xi为各子像素的灰阶，αi为预定的数值，且满足：
0<αi<1，以及
m为图像的灰阶的级数，γ为一预定数值，且γ>1。
也即是说，将该像素中各子像素的亮度进行加权平均，最终得到该像素的亮度值。
在一些实现方式中，例如像素矩阵R如下：
亮度矩阵L如下：
结果矩阵B如下：
那么，首先，将R与L进行卷积运算，得到B中各元素的取值分别为：
B11＝LR11×c+LR12×b+LR21×b+LR22×a；
B12＝LR11×b+LR12×c+LR13×b+LR21×a+LR22×b+LR23×a；
B13＝LR12×b+LR13×c+LR22×a+LR23×b；
B21＝LR11×b+LR12×a+LR21×c+LR22×b+LR31×b+LR33×a；
B22＝LR11×a+LR12×b+LR13×a+LR21×b+LR22×c+LR23×b+LR31×a+LR32×b+LR33×a；
B23＝LR12×a+LR13×b+LR22×b+LR23×c+LR32×a+LR33×b；
B31＝LR21×b+LR22×a+LR31×c+LR32×b；
B32＝LR21×a+LR22×b+LR23×a+LR31×b+LR32×c+LR33×b；
B33＝LR22×a+LR23×b+LR32×b+LR33×c。
在一些实现方式中，可以基于如上卷积运算计算出的各像素的亮度值与预定阈值的关系来确定中心像素是否属于图像的轮廓。
在这里，需要说明的是，上述像素矩阵R、亮度矩阵L和结果矩阵B中各元素的下标值仅是示意性的，仅用于表示像素矩阵R、亮度矩阵L和结果矩阵B中各元素的对应关系。
在实际应用中，根据中心像素在图像中的位置，像素矩阵可以是图像中以任意中心像素为中心的的像素矩阵，而不限于上述像素矩阵R中下标数值范围所示的像素。
然而，在一些应用场景中，采用这种卷积运算计算出的各像素的亮度值与预定阈值的关系来确定中心像素是否属于图像的轮廓，可能会将图像中的噪点误判为图像的轮廓。也即是说，在一些情况下，仅就卷积运算计算出的各像素的亮度值与预定阈值的关系，可能得出对应的中心像素属于图像的轮廓，而事实上，该中心像素不属于图像的轮廓。此时，若将该中心像素作为图像轮廓提取出来，在后续的SPR渲染时，可能会为该中心像素分配不恰当的亮度，例如，错误地为噪点增加亮度，导致SPR渲染效果变差。
因此，为尽量避免非图像轮廓的中心像素被错误地提取出来，在一些实现方式中，在完成亮度矩阵与三阶算子k的卷积运算之后，进一步判断Bij与预定阈值s的大小关系。
具体而言，若Bij≥s，则将Bij设为1；若Bij<s，则将Bij设为0。在这里，i＝1,2或3，j＝1,2或3，s为预定阈值。
接着，若B21＝0，B22＝1，B23＝0，且则中心像素属于图像的亮底暗轮廓。
也即是说，图像的平均亮度值较高，而该中心像素的亮度明显低于图像的平均亮度值。
若B21＝1，B22＝0，B23＝1，且则中心像素属于图像的暗底亮轮廓。
也即是说，图像的平均亮度值较低，而该中心像素的亮度值明显高于图像的平均亮度值。
在一些应用场景中，例如，未经轮廓提取的原始图像如图2a所示。采用本申请实施例的轮廓提取方案后，提取出的图像轮廓如图2b所示。
通过比较图2a和图2b可以看出，采用本申请实施例的图像的轮廓提取方案之后，可以将原始图像中全部的轮廓提取出来，并且噪点较少。
此外，由于本方案采用了三阶算子来进行卷积运算，相应地减小了运算量，提高了图像处理速度。
采用本申请实施例的方案提取出图像的轮廓之后，便可以设计具体的SPR算法，以增强图像轮廓的亮度，达到更好的图像显示效果。
参见图3所示，为根据本申请一个实施例的图像的轮廓提取装置的示意性结构图300。
在本实施例中，图像的轮廓提取装置包括中心像素选取单元310、像素矩阵获取单元320、亮度获取单元330、卷积单元340和确定单元350。
其中，中心像素选取单元310可配置用于在图像中选取中心像素。在这里，中心像素为图像中不处于边界位置的任意像素。
像素矩阵获取单元320可配置用于获取以中心像素为中心的像素矩阵。在一些实现方式中，像素矩阵例如可以是三阶方阵。
亮度获取单元330可配置用于获取像素矩阵中各像素的亮度值形成亮度矩阵。亮度矩阵的阶数与像素矩阵的阶数相同，在一些实现方式中，像素矩阵例如是三阶方阵，此时，亮度矩阵也为三阶方阵。
卷积单元340可配置用于基于亮度矩阵与三阶算子的卷积运算结果得到结果矩阵。
确定单元350可配置用于基于结果矩阵中各元素的值确定中心像素是否属于图像的轮廓。
在一些实现方式中，三阶算子k例如可以是：
其中，a，b为正实数，c为负实数。
在一些实现方式中，三阶算子k中各元素的取值例如可以满足如下关系：
2a+b＝1，且c＝-4(a+b)。
在一些实现方式中，本实施例的图像的轮廓提取装置还可以包括亮度转换单元360。
亮度转换单元360可配置用于基于像素矩阵中各像素的灰阶，计算像素矩阵中各像素的亮度值以形成亮度矩阵。
在一些实现方式中，像素矩阵R可具有如下的形式：
亮度矩阵L可具有如下的形式：
结果矩阵B可具有如下的形式：
亮度矩阵中的各元素为与之对应的像素矩阵中各元素的亮度值。
在这些实现方式中，卷积单元340可具体用于计算：
B11＝LR11×c+LR12×b+LR21×b+LR22×a；
B12＝LR11×b+LR12×c+LR13×b+LR21×a+LR22×b+LR23×a；
B13＝LR12×b+LR13×c+LR22×a+LR23×b；
B21＝LR11×b+LR12×a+LR21×c+LR22×b+LR31×b+LR33×a；
B22＝LR11×a+LR12×b+LR13×a+LR21×b+LR22×c+LR23×b+LR31×a+LR32×b+LR33×a；
B23＝LR12×a+LR13×b+LR22×b+LR23×c+LR32×a+LR33×b；
B31＝LR21×b+LR22×a+LR31×c+LR32×b；
B32＝LR21×a+LR22×b+LR23×a+LR31×b+LR32×c+LR33×b；
B33＝LR22×a+LR23×b+LR32×b+LR33×c；
以及，若Bi,j≥s，则将Bi,j设为1；
若Bi,j<s，则将Bi,j设为0。在这里，i＝1,2或3，j＝1,2或3，s为预定阈值。
在一些实现方式中，确定单元350可进一步配置用于：
若B21＝0，B22＝1，B23＝0，且则中心像素属于图像的亮底暗轮廓。
在一些实现方式中，确定单元350还可进一步配置用于：
若B21＝1，B22＝0，B23＝1，且则中心像素属于图像的暗底亮轮廓。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括中心像素选取单元、像素矩阵获取单元、亮度获取单元、卷积单元和确定单元。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，中心像素选取单元还可以被描述为“用于在图像中选取中心像素的单元”。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种图像的轮廓提取方法，包括：
在所述图像中选取中心像素，其中所述中心像素为所述图像中不处于边界位置的任意像素；
获取以所述中心像素为中心的像素矩阵，所述像素矩阵为三阶方阵；
获取所述像素矩阵中各像素的亮度值形成亮度矩阵，所述亮度矩阵为三阶方阵；
基于所述亮度矩阵与三阶算子的卷积运算结果得到结果矩阵；以及
基于所述结果矩阵中各元素的值确定所述中心像素是否属于所述图像的轮廓；
其中，结果矩阵
所述基于所述亮度矩阵与三阶算子的卷积运算得到结果矩阵的运算包括：
若Bi,j≥s，则将Bi,j设为1；
若Bi,j<s，则将Bi,j设为0；
其中，i＝1,2或3，j＝1,2或3，s为预定阈值。
2.根据权利要求1所述的图像的轮廓提取方法，其中，所述三阶算子为：
<mrow>
<mi>k</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>a</mi>
</mtd>
<mtd>
<mi>b</mi>
</mtd>
<mtd>
<mi>a</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>b</mi>
</mtd>
<mtd>
<mi>c</mi>
</mtd>
<mtd>
<mi>b</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>a</mi>
</mtd>
<mtd>
<mi>b</mi>
</mtd>
<mtd>
<mi>a</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中，a、b为正实数，c为负实数。
3.根据权利要求2所述的图像的轮廓提取方法，其中：
2a+b＝1，且c＝-4(a+b)。
4.根据权利要求1所述的图像的轮廓提取方法，其中，所述获取所述像素矩阵中各像素的亮度值作为亮度矩阵包括：
基于所述像素矩阵中各像素的灰阶，计算所述像素矩阵中各像素的亮度值以形成所述亮度矩阵。
5.根据权利要求2-4任意一项所述的图像的轮廓提取方法，其中：
像素矩阵
亮度矩阵
结果矩阵
所述亮度矩阵中的各元素为与之对应的所述像素矩阵中各元素的亮度值；
所述基于所述亮度矩阵与三阶算子的卷积运算得到结果矩阵的运算包括：
B11＝LR11×c+LR12×b+LR21×b+LR22×a；
B12＝LR11×b+LR12×c+LR13×b+LR21×a+LR22×b+LR23×a；
B13＝LR12×b+LR13×c+LR22×a+LR23×b；
B21＝LR11×b+LR12×a+LR21×c+LR22×b+LR31×b+LR33×a；
B22＝LR11×a+LR12×b+LR13×a+LR21×b+LR22×c+LR23×b+LR31×a
+LR32×b+LR33×a；
B23＝LR12×a+LR13×b+LR22×b+LR23×c+LR32×a+LR33×b；
B31＝LR21×b+LR22×a+LR31×c+LR32×b；
B32＝LR21×a+LR22×b+LR23×a+LR31×b+LR32×c+LR33×b；
B33＝LR22×a+LR23×b+LR32×b+LR33×c。
6.根据权利要求5所述的图像的轮廓提取方法，其中，所述基于所述结果矩阵中各元素的值确定所述中心像素是否属于所述图像的轮廓包括：
若B21＝0，B22＝1，B23＝0，且则所述中心像素属于所述图像的亮底暗轮廓。
7.根据权利要求5所述的图像的轮廓提取方法，其中，所述基于所述结果矩阵中各元素的值确定所述中心像素是否属于所述图像的轮廓包括：
若B21＝1，B22＝0，B23＝1，且则所述中心像素属于所述图像的暗底亮轮廓。
8.一种图像的轮廓提取装置，包括：
中心像素选取单元，配置用于在所述图像中选取中心像素，其中所述中心像素为所述图像中不处于边界位置的任意像素；
像素矩阵获取单元，配置用于获取以所述中心像素为中心的像素矩阵，所述像素矩阵为三阶方阵；
亮度获取单元，配置用于获取所述像素矩阵中各像素的亮度值形成亮度矩阵，所述亮度矩阵为三阶方阵；
卷积单元，配置用于基于所述亮度矩阵与三阶算子的卷积运算结果得到结果矩阵；以及
确定单元，配置用于基于所述结果矩阵中各元素的值确定所述中心像素是否属于所述图像的轮廓；
其中，结果矩阵
所述卷积单元具体用于：
若Bi,j≥s，将Bi,j设为1；
若Bi,j<s，将Bi,j设为0；
其中，i＝1,2或3，j＝1,2或3，s为预定阈值。
9.根据权利要求8所述的图像的轮廓提取装置，其中，所述三阶算子为：
<mrow>
<mi>k</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>a</mi>
</mtd>
<mtd>
<mi>b</mi>
</mtd>
<mtd>
<mi>a</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>b</mi>
</mtd>
<mtd>
<mi>c</mi>
</mtd>
<mtd>
<mi>b</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>a</mi>
</mtd>
<mtd>
<mi>b</mi>
</mtd>
<mtd>
<mi>a</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中，a，b为正实数，c为负实数。
10.根据权利要求9所述的图像的轮廓提取装置，其中：
2a+b＝1，且c＝-4(a+b)。
11.根据权利要求8所述的图像的轮廓提取装置，还包括亮度转换单元；
所述亮度转换单元配置用于基于所述像素矩阵中各像素的灰阶，计算所述像素矩阵中各像素的亮度值以形成所述亮度矩阵。
12.根据权利要求9或10所述的图像的轮廓提取装置，其中：
像素矩阵
亮度矩阵
所述亮度矩阵中的各元素为与之对应的所述像素矩阵中各元素的亮度值；
所述卷积单元具体用于计算：
B11＝LR11×c+LR12×b+LR21×b+LR22×a；
B12＝LR11×b+LR12×c+LR13×b+LR21×a+LR22×b+LR23×a；
B13＝LR12×b+LR13×c+LR22×a+LR23×b；
B21＝LR11×b+LR12×a+LR21×c+LR22×b+LR31×b+LR33×a；
B22＝LR11×a+LR12×b+LR13×a+LR21×b+LR22×c+LR23×b+LR31×a
+LR32×b+LR33×a；
B23＝LR12×a+LR13×b+LR22×b+LR23×c+LR32×a+LR33×b；
B31＝LR21×b+LR22×a+LR31×c+LR32×b；
B32＝LR21×a+LR22×b+LR23×a+LR31×b+LR32×c+LR33×b；
B33＝LR22×a+LR23×b+LR32×b+LR33×c。
13.根据权利要求12所述的图像的轮廓提取装置，其中，所述确定单元进一步配置用于：
若B21＝0，B22＝1，B23＝0，且则所述中心像素属于所述图像的亮底暗轮廓。
14.根据权利要求12所述的图像的轮廓提取装置，其中，所述确定单元进一步配置用于：
若B21＝1，B22＝0，B23＝1，且则所述中心像素属于所述图像的暗底亮轮廓。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510540520.6A CN105184785B (zh) | 2015-08-28 | 2015-08-28 | 图像的轮廓提取方法和轮廓提取装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510540520.6A CN105184785B (zh) | 2015-08-28 | 2015-08-28 | 图像的轮廓提取方法和轮廓提取装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105184785A CN105184785A (zh) | 2015-12-23 |
| CN105184785B true CN105184785B (zh) | 2018-01-30 |
Family
ID=54906838
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510540520.6A Active CN105184785B (zh) | 2015-08-28 | 2015-08-28 | 图像的轮廓提取方法和轮廓提取装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105184785B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2714381C1 (ru) * | 2019-01-10 | 2020-02-14 | Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-воздушных сил "Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина" (г. Воронеж) Министерства обороны Российской Федерации | Способ формирования контурного изображения |
| CN112733868B (zh) * | 2021-03-30 | 2021-08-20 | 所托(杭州)汽车智能设备有限公司 | 图像轮廓查找方法、装置、服务器及介质 |
| CN113538340A (zh) * | 2021-06-24 | 2021-10-22 | 武汉中科医疗科技工业技术研究院有限公司 | 目标轮廓的检测方法、装置、计算机设备和存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732554A (zh) * | 2015-04-13 | 2015-06-24 | 南通理工学院 | 基于Roberts算子的图像边缘检测方法 |
| CN104732555A (zh) * | 2015-04-13 | 2015-06-24 | 南通理工学院 | 基于Sobel算子的图像边缘检测方法 |
-
2015
- 2015-08-28 CN CN201510540520.6A patent/CN105184785B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732554A (zh) * | 2015-04-13 | 2015-06-24 | 南通理工学院 | 基于Roberts算子的图像边缘检测方法 |
| CN104732555A (zh) * | 2015-04-13 | 2015-06-24 | 南通理工学院 | 基于Sobel算子的图像边缘检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 《基于拉普拉斯边缘检测算子的图像分割》;张建光等;《福建电脑》;20111231(第7期);第99、101页 * |
| 《常用图像边缘检测方法及Matlab研究》;韦炜等;《现代电子技术》;20110228;第34卷(第4期);第91-94页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105184785A (zh) | 2015-12-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11610082B2 (en) | Method and apparatus for training neural network model used for image processing, and storage medium | |
| CN108416377B (zh) | 柱状图中的信息提取方法及装置 | |
| CN101536078B (zh) | 改进图像蒙板 | |
| US10817723B2 (en) | Image recognition system and information-display method thereof | |
| CN108389224B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN105120185B (zh) | 一种视频图像抠像方法与装置 | |
| US9947258B2 (en) | Image processing method and image processing apparatus | |
| US20100054584A1 (en) | Image-based backgrounds for images | |
| CN105184785B (zh) | 图像的轮廓提取方法和轮廓提取装置 | |
| CN105185352B (zh) | 图像的边缘修饰方法和边缘修饰装置 | |
| CN111340721B (zh) | 一种像素的修正方法、装置、设备及可读存储介质 | |
| CN105590307A (zh) | 基于透明度的抠图方法和装置 | |
| US20070296736A1 (en) | System and method for scaling overlay images | |
| JP5006479B1 (ja) | 動き画像領域判定装置またはその方法 | |
| EP2575350A2 (en) | Method for brightness correction of defective pixels of digital monochrome image | |
| CN104134189B (zh) | 一种图像放大的方法及装置 | |
| CN112037160A (zh) | 图像处理方法、装置及设备 | |
| CN106683043B (zh) | 一种多通道光学探测系统的并行图像拼接方法、装置 | |
| EP3363193B1 (en) | Device and method for reducing the set of exposure times for high dynamic range video imaging | |
| US9196025B2 (en) | Image processing apparatus, image processing method and image processing program | |
| KR20230142636A (ko) | 지향성 스케일링 시스템들 및 방법들 | |
| US10181205B2 (en) | Image processing method and image processing apparatus | |
| CN113052923A (zh) | 色调映射方法、装置、电子设备和存储介质 | |
| CN115423724B (zh) | 强化学习参数优化的水下图像增强方法、装置及介质 | |
| US20150254522A1 (en) | Methods and systems for object detection based on column-wise and row-wise sums of pixel values |
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 |