CN105184802A

CN105184802A - 一种图像处理的方法及装置

Info

Publication number: CN105184802A
Application number: CN201510640926.1A
Authority: CN
Inventors: 崔江涛; 罗夏君; 焦文菲; 刘畅; 陈煜�
Original assignee: Xidian University
Current assignee: Qingdao Institute Of Computing Technology Xi'an University Of Electronic Science And Technology
Priority date: 2015-09-30
Filing date: 2015-09-30
Publication date: 2015-12-23
Anticipated expiration: 2035-09-30
Also published as: CN105184802B

Abstract

本发明提供了一种图像处理的方法及装置，该方法，包括：从待识别图像中分割出第一目标图像；从所述第一目标图像中获取目标边缘，获得第二目标图像；从所述第二目标图像中提取出最外部的第一目标轮廓；对所述第一目标轮廓进行曲线逼近，获得第二目标轮廓；根据所述第二目标轮廓上的每个点及在所述第二目标轮廓上的每个点的法线上搜索到的在所述第一目标图像中的被搜索点，重新确定所述第二目标轮廓上每个点的位置。本发明提供了一种图像处理的方法及装置，能够提高提取出的轮廓的精确度。

Description

一种图像处理的方法及装置

技术领域

本发明涉及计算机技术领域，特别涉及一种图像处理的方法及装置。

背景技术

图像目标轮廓提取是计算机视觉领域中的一项重要的技术，虽然其历史不长，但已引起了人们的广泛关注与研究，且在实际中得到大量的应用。在实际应用中，人们通常只对图像中某些具有明显特征的、特定的区域感兴趣，这些区域就称为前景或目标，则余下的区域称为背景。由于受到背景的影响，为了辨识并分析目标，这些目标需要由图像中分割并将其轮廓提取出来，才能更好地对目标进行研究和利用。因此，目标的轮廓提取对图像分割算法有很强的依赖性。图像分割是指根据颜色、灰度、形状和纹理等几个图像特征，把图像分割成若干互不重叠的区域，并使这些特征在同一区域内呈现出相似性，同时使不同区域间呈现出明显的差异性。

现有技术中，图像轮廓提取的方法是基于颜色空间对图像进行分割再进行目标轮廓提取的。当图像中背景较为复杂时，采用现有技术的方法提取出的轮廓精确度较低。

发明内容

有鉴于此，本发明提供了一种图像处理的方法及装置，能够提高提取出的轮廓的精确度。

一方面，本发明提供了一种图像处理的方法，包括：

S1：从待识别图像中分割出第一目标图像；

S2：从所述第一目标图像中获取目标边缘，获得第二目标图像；

S3：从所述第二目标图像中提取出最外部的第一目标轮廓；

S4：对所述第一目标轮廓进行曲线逼近，获得第二目标轮廓；

S5：根据所述第二目标轮廓上的每个点及在所述第二目标轮廓上的每个点的的法线上搜索到的在所述第一目标图像中的被搜索点，重新确定所述第二目标轮廓上每个点的位置。

进一步地，所述S4，包括：

A1：建立线段集合L，将所述第一目标轮廓上的所有点存储到点集C中；

A2：确定点集C中距离最远的两个初始点，确定以两个初始点为端点的初始线段，将所述初始线段添加到集合L中，将两个初始点从点集C中去除；

A3：针对集合L中的每条线段，确定点集C中到每条线段距离最远的最远点，连接每个最远点与对应的线段的两个端点，得到每个线段对应的两个轮廓线段，将每个线段对应的轮廓线段添加到集合L中，将所有最远点从点集C中去除，将集合L中的线段构成的多边形的内部的线段从集合L中去除；

A4：确定点集C中每个点到集合L中每个线段的距离，判断最大的距离是否小于等于预设值，如果是，则通过集合L中的所有线段构成所述第二目标轮廓，否则，执行步骤A3。

进一步地，所述S5，包括：

根据第二目标轮廓上的当前点以及与当前点相邻的两点，确定当前点的法线，确定在当前点的法线上搜索到的在所述第一目标图像中的被搜索点；

根据当前点及其对应的被搜索点的梯度，建立当前点对应的梯度直方图；

确定所述梯度直方图中对应的直方图面积大于等于的待选梯度，其中，α为预设的松弛系数，S_Z为梯度直方图的总面积，B为当前点对应的所有被搜索点的总数；

将所有待选梯度中最小的梯度值作为梯度阈值；

在所述第一目标图像中，根据当前点的坐标、当前点的法线和公式二确定在当前点的法线上的待确认点，判断所有s的取值对应的待确认点中，是否有梯度大于所述梯度阈值的替换点，如果有，则将当前点替换为所述替换点，否则，结束当前流程，其中，公式二为

{\begin{matrix} x = s c o s θ + x_{0} \\ y = s s i n θ + y_{0} \end{matrix},

其中，(x₀,y₀)为当前点的坐标，(x,y)为待确认点的坐标，θ为当前点的法线的角度，s的取值范围是[-F，F]，s为整数，F为正整数，F为预设范围值。

进一步地，所述S5中，所述根据第二目标轮廓上的当前点以及与当前点相邻的两点，确定当前点的法线，包括：

点B为当前点，点A和点C为点B的相邻的两点，确定与向量AB垂直的向量B1；

确定与向量BC垂直的向量B2；

对向量B1与向量B2做向量加法，得到向量B3，向量B3为当前点的法向量；

根据当前点的法向量确定当前点的法线。

进一步地，所述S2，包括：

确定所述第一目标图像中每个像素点在各个方向的梯度值，将每个像素点对应的所有梯度值中的最大值作为每个像素点的最终梯度值；

对所述第一目标图像进行边缘检测，将最终梯度值大于等于预设梯度值的像素点连接成目标边缘，获取所述第二目标图像。

另一方面，本发明提供了一种图像处理的装置，包括：

分割单元，用于从待识别图像中分割出第一目标图像；

获取单元，用于从所述第一目标图像中获取目标边缘，获得第二目标图像；

提取单元，用于从所述第二目标图像中提取出最外部的第一目标轮廓；

简化单元，用于对所述第一目标轮廓进行曲线逼近，获得第二目标轮廓；

重定位单元，用于根据所述第二目标轮廓上的每个点及在所述第二目标轮廓上的每个点的的法线上搜索到的在所述第一目标图像中的被搜索点，重新确定所述第二目标轮廓上每个点的位置。

进一步地，所述简化单元，具体用于执行以下步骤：

A4：确定点集C中每个点到集合L中每个线段的距离，判断最大的距离是否小于等于预设值，如果是，则通过集合L中的所有线段构成第二目标轮廓，否则，执行步骤A3。

进一步地，所述重定位单元，具体用于执行以下步骤：

将所有待选梯度中最小的梯度值作为梯度阈值；

{\begin{matrix} x = s c o s θ + x_{0} \\ y = s s i n θ + y_{0} \end{matrix},

进一步地，所述重定位单元在执行所述根据第二目标轮廓上的当前点以及与当前点相邻的两点，确定当前点的法线时，具体执行：点B为当前点，点A和点C为点B的相邻的两点，确定与向量AB垂直的向量B1，确定与向量BC垂直的向量B2，对向量B1与向量B2做向量加法，得到向量B3，向量B3为当前点的法向量，根据当前点的法向量确定当前点的法线。

进一步地，所述获取单元，用于确定所述第一目标图像中每个像素点在各个方向的梯度值，将每个像素点对应的所有梯度值中的最大值作为每个像素点的最终梯度值，对所述第一目标图像进行边缘检测，将最终梯度值大于等于预设梯度值的像素点连接成目标边缘，获取所述第二目标图像。

通过本发明提供的一种图像处理的方法及装置，从待识别图像中分割出第一目标图像，从所述第一目标图像中获取目标边缘，获得第二目标图像，从所述第二目标图像中提取出最外部的第一目标轮廓，第一目标轮廓中可能存在抖动边界，可能存在较多的冗余信息，通过对所述第一目标轮廓进行曲线逼近，获得第二目标轮廓，能够消除抖动，减少冗余信息，使得目标轮廓更加平滑，精确度更高，得到的第二目标轮廓可能会与待识别图像中原始的目标轮廓发生偏离，结合第一目标图像上的点来重新确定第二目标轮廓上每个点的位置，使得处理后的目标轮廓更加接近原始的目标轮廓，能够进一步提高提取出的轮廓的精确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例提供的一种图像处理的方法的流程图；

图2是本发明一实施例提供的另一种图像处理的方法的流程图；

图3(a)是本发明一实施例提供的一种第一目标轮廓的示意图；

图3(b)是本发明一实施例提供的一种第一目标轮廓中到任一线段的距离最大的点的示意图；

图3(c)是本发明一实施例提供的一种第一目标轮廓中轮廓线段的示意图；

图3(d)是本发明一实施例提供的一种去除位于多边形内部的线段的示意图；

图3(e)是本发明一实施例提供的一种第二目标轮廓的示意图；

图4(a)是本发明一实施例提供的一种待识别图像；

图4(b)是本发明一实施例提供的一种第二目标轮廓的效果图；

图4(c)是本发明一实施例提供的一种重新确定位置后的第二目标轮廓的效果图；

图5是本发明一实施例提供的一种图像处理的装置的示意图；

图6是本发明一实施例提供的另一种图像处理的装置的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明实施例提供了一种图像处理的方法，该方法可以包括以下步骤：

S1：从待识别图像中分割出第一目标图像；

S3：从所述第二目标图像中提取出最外部的第一目标轮廓；

通过本发明实施例提供的一种图像处理的方法，从待识别图像中分割出第一目标图像，从所述第一目标图像中获取目标边缘，获得第二目标图像，从所述第二目标图像中提取出最外部的第一目标轮廓，第一目标轮廓中可能存在抖动边界，可能存在较多的冗余信息，通过对所述第一目标轮廓进行曲线逼近，获得第二目标轮廓，能够消除抖动，减少冗余信息，使得目标轮廓更加平滑，精确度更高，得到的第二目标轮廓可能会与待识别图像中原始的目标轮廓发生偏离，结合第一目标图像上的点来重新确定第二目标轮廓上每个点的位置，使得处理后的目标轮廓更加接近原始的目标轮廓，能够进一步提高提取出的轮廓的精确度。

在一种可能的实现方式中，所述S4，包括：

通过该实现方式，对第二目标轮廓进行曲线逼近，提取出简化的轮廓线，即线段集合L中的线段。当集合L中的线段的长度大于预设长度时，可以在这种线段的两端的之间添加预设数量个等分点，例如可以添加2-3个等分点，将等分点作为第二目标轮廓中的点，使得目标轮廓更加光滑，更加准确。

在第一目标轮廓提取中，获得的轮廓线所含有的冗余信息较多，密集程度比较高，特别是在图像质量不高，噪声较多的情况下，会使目标产生抖动的边界，对目标提取的轮廓线很难体现出目标原来应有的轮廓线，若直接对该轮廓线进行曲线拟合，将达不到整体光滑的效果。而该实现方式进行轮廓线简化，能够消除大部分的冗余信息，且能达到理想的平滑效果，为后续算法的高效执行和对目标位置的高精度求解提供良好的条件。

在一种可能的实现方式中，所述S5，包括：

将所有待选梯度中最小的梯度值作为梯度阈值；

在所述第一目标图像中，根据当前点的坐标、当前点的法线和公式二确定在当前点的法线上的待确认点，判断所有s的取值对应的待确认点中，是否有梯度大于梯度阈值的替换点，如果有，则将当前点替换为所述替换点，否则，结束当前流程，其中，公式二为

{\begin{matrix} x = s c o s θ + x_{0} \\ y = s s i n θ + y_{0} \end{matrix},

在该实现方式，在上述的轮廓线提取的步骤中，可能需要对目标图像进行腐蚀或膨胀操作，还要对二值化的边缘图像做闭运算，这会细微影响图像灰度以及边缘的分布情况，所提取出来的第二目标轮廓上的点有可能并不在第一目标图像的轮廓线上，并与第一目标图像的轮廓线有一定的偏离。针对以上情况，本实现方式根据第一目标图像的轮廓线上的点梯度相对较大的特点，进一步精确轮廓线关键点的位置，采用在第二目标轮廓上的每个点的法线方向搜索并重新确定第二目标轮廓上的每个点的位置的策略，对第二目标轮廓上的每个点进行高精度处理。

另外，所述S5中，所述根据第二图像轮廓上的当前点以及与当前点相邻的两点，确定当前点的法线，包括：

确定与向量BC垂直的向量B2；

根据当前点的法向量确定当前点的法线。

虽然进行了背景替换，第一目标图像中还是会存在少许噪声，这些噪声不便于后续梯度阈值的计算，所以可以利用图像去噪的方法去除这些噪声，这里使用高斯滤波去噪。在步骤S5之前，还可以包括：对第一目标图像进行高斯滤波去噪。

如果以上步骤是在假设法线的正方向指向目标内部的情况下执行的，表明如果正负方向的点同时满足条件，则优先取负方向的点，即方向相对原来的轮廓点比较靠目标外部的点。这是由于目标图像的背景都用平滑简单的背景替换了，如果在法线负方向还能搜索到轮廓点，说明原轮廓点由于上述的种种原因被判定在目标的内部，所以重新定位轮廓点时应该优先取原轮廓线外部的方向。

还有，在该实现方式中，公式二中的s可以看做从当前点开始沿法线方向搜索的长度，可以根据具体应用场景修改F的值，例如：F可以为15。

在一种可能的实现方式中，所述S2，包括：确定所述第一目标图像中每个像素点在各个方向的梯度值，将每个像素点对应的所有梯度值中的最大值作为每个像素点的最终梯度值；对所述第一目标图像进行边缘检测，将最终梯度值大于等于预设梯度值的像素点连接成目标边缘，获取所述第二目标图像。

在一种可能的实现方式中，所述S1，包括：通过GrabCut算法从待处理图像中分割出第一目标图像。GrabCut算法综合了图像的边界和纹理信息，相对于传统的图像分割算法只利用边界或纹理信息两者之一，GrabCut算法是有经典图割算法GraphCut演化而来，能够更好的把握图像的全局信息，获得很好的分割效果。GraphCut的能量最小化(分割)是一次达到的，而GrabCut取代为一个不断进行分割估计和模型参数学习的交互迭代过程。GrabCut分割算法相对于GraphCut分割算法，创造了一定新的交互方式，并且在用户操作步骤少，且交互操作相对简单的情况下，提高了图像分割的精度。

在一种可能的实现方式中，在所述S1之后，在所述S2之前，还包括：将所述第一目标图像转化为灰度图像，对转化为灰度图像的所述第一目标图像进行膨胀处理，或腐蚀处理。

获取前景目标图像时，通常会使用亮度与目标区别尽量大的背景作为目标的背景，如目标大体呈灰黑色，可以把背景设置成白色。但是由于现实环境中光照的影响，也不排除在上述情况下目标边缘会有亮度偏高的区域，这时候如果直接提取轮廓线，很容易把亮度高的区域识别成背景，提取出来的轮廓线内部区域则不会包含亮度高的区域。针对目标比背景整体偏暗的情况，可以对目标图像做腐蚀预处理，让目标上暗的区域稍微扩张以覆盖由于光照造成的偏亮的区域，后续可以提取出来更加精确的轮廓线。同理，若目标比背景平均亮度高，则使用膨胀操作。

在一种可能的实现方式中，在所述S2之后，在所述S3之前还可以包括：对所述第二目标图像进行闭运算。通过该实现方式，能够消除孤立点，让外围边缘闭合，保证后续能提取闭合的轮廓线。对图像进行一次闭运算，实际上是对图像进行膨胀—腐蚀(即先膨胀后腐蚀)操作，如果边缘闭合的效果还不理想，则可以进行两次或两次以上的闭运算，进行两次闭运算的实际操作为：膨胀—膨胀—腐蚀—腐蚀，两次以上闭运算依次类推。

在一种可能的实现方式中，所述S3，包括：通过OpenCV提供的cvFindContours()函数提取第二目标图像的所有轮廓，保存最外部的第一目标轮廓。

在该实现方式中，利用OpenCV提供的cvFindContours()函数提取的第二目标图像的轮廓。由于该函数得到的所有轮廓聚合成一个轮廓树，只需保存其最外部的轮廓即可得到第一目标轮廓。

另外，步骤S1，还可以通过以下步骤实现：

步骤F1：用户使用矩形框标定初始的trimapT，则矩形框中的所有像素被认为是“可能是前景或目标”的像素，用T_U表示；而矩形框外的全部像素被认为是背景像素，记为T_B。

步骤F2：初始化T_U中的每一个像素n，令其标签α_n＝1，作为“可能是前景目标”的像素；初始化T_B中的每一个像素n，令其标签α_n＝0，作为背景像素。

步骤F3：用标签α_n＝1的像素的集合初始化前景的高斯混合模型(GMM)，相应的，用标签α_n＝0的像素的集合初始化背景的(GMM)。

具体地，可以通过k-mean算法分别把属于前景和背景的像素聚类为K类(一般设置为5)，即GMM中的K个高斯模型，这时候GMM中每个高斯模型就具有了一些像素样本集，它的参数均值和协方差就可以通过他们的像素值估计得到，而该高斯分量的权值可以通过属于该高斯分量的像素个数与总的像素个数的比值来确定。

步骤F4：为未知区域的每个像素n设置GMM参数，即分别对前景和背景的GMM分别设置K(一般设置为5)个GMM高斯分量，通过以下公式三求解像素属于哪一个高斯分量的组件：

k_n＝argminD(α_n,k_n,θ_n,z_n)

其中，α_n为可能前景或背景标签，α_n＝0or1，k_n代表高斯分量k_n＝1,2,3,4,5(当K为5时)，z_n为当前像素的像素值，θ_n代表高斯分量的三个参数θ_n＝{π_n(α_n,k_n),μ(α_n,k_n),Σ(α_n,k_n),α_n＝0,1,k_n＝1...K}，π_n为高斯分量的权重系数，μ_n为高斯分量的均值，Σ_n为高斯分量的协方差。D(α_n,k_n,θ_n,z_n)代表高斯分量的概率密度的负对数运算。由公式三可得，根据像素n在所在区域下的K个高斯分量的概率密度值，概率密度值最大时对应的k_n为该像素的高斯分量。举例来说，对于像素A，分别当k_n取值1,2,3,4,5时，求出对应的D(α_n,k_n,θ_n,z_n)，其中，k_n取值2时，对应的D(α_n,k_n,θ_n,z_n)最小，即概率密度值最大，则像素A的高斯分量为2。

步骤F5：根据每个像素的数据逆向求解更新GMM高斯参数：

θ＝argminU(α,k,θ,z)，其中，

U (α, k, θ, z) = \underset{n}{Σ} D (α_{n}, k_{n}, θ_{n}, z_{n}) .

具体地，将具有相同高斯分量的像素归为一类，根据该类中的所有像素确定该类高斯分量对应的θ。

步骤F6：能量函数估计。根据能量函数表达式，建立加权图，求出t-link与n-link的权值，并利用图割方法中最小割/最大流算法进行分割。

其中，能量函数表达式，

步骤F7：重复执行F4到F6直至算法收敛。

步骤F8：使用BorderMatting技术对分割获取的区域边界进行处理，得到第一目标图像。

另外，为了使得分割出的第一目标图像更加精确，用户可以使用前景画刷或者背景画刷，直接标记图像中的某些像素令其α_n＝1或α_n＝0，然后再次估计能量函数的值，即执行步骤F6。也可以重新执行步骤F4到F6。

为使本发明的目的、技术方案和优点更加清楚，下面结合附图及具体实施例对本发明作进一步地详细描述。

如图2所示，本发明实施例提供了一种图像处理的方法，该方法可以包括以下步骤：

步骤201：从待识别图像中分割出第一目标图像。

步骤202：将所述第一目标图像转化为灰度图像，对转化为灰度图像的所述第一目标图像进行腐蚀处理。

步骤203：从所述第一目标图像中获取目标边缘，获得第二目标图像。

步骤204：对所述第二目标图像进行闭运算。

步骤205：从所述进行闭运算后的第二目标图像中提取出最外部的第一目标轮廓。

第一目标轮廓如图3(a)所示。

步骤206：建立线段集合L，将所述第一目标轮廓上的所有点存储到点集C中。

其中，初始的集合L为空集，即

步骤207：确定点集C中距离最远的两个初始点，确定以两个初始点为端点的初始线段，将所述初始线段添加到集合L中，将两个初始点从点集C中去除。

举例来说，两个初始点为p_i和p_j，则初始线段为线段p_ip_j，进而L＝L∪p_ip_j，C＝(C-p_i)-p_j。

步骤208：针对集合L中的每条线段，确定点集C中到每条线段距离最远的最远点，连接每个最远点与对应的线段的两个端点，得到每个线段对应的两个轮廓线段，将每个线段对应的轮廓线段添加到集合L中，将所有最远点从点集C中去除，将集合L中的线段构成的多边形的内部的线段从集合L中去除。

步骤209：确定点集C中每个点到集合L中每个线段的距离，判断最大的距离是否小于等于预设值，如果是，则通过集合L中的所有线段构成第二目标轮廓，否则，执行步骤208。

举例来说，针对线段p_ip_j来说，点p_k到线段p_ip_j的距离最大，如图3(b)所示，连接点p_k和点p_i，得到轮廓线段p_ip_k，连接点p_k和点p_j，得到轮廓线段p_kp_j，如图3(c)所示。将轮廓线段p_ip_k和轮廓线段p_kp_j添加到集合L中，即L＝(L∪p_ip_k)∪p_kp_j，将点p_k从点集C中去除，即C＝C-p_k。为使集合L中的线段形成闭合的多边形，需要去除多边形内部的线段，如图3(d)所示，假设点p_g也分别与点p_j和点p_i相连，线段p_ip_g和p_ip_g线段也在集合L中，则点p_g、点p_j、和点p_i和点p_k构成多边形p_gp_ip_kp_j，线段位于该多边形中，则将线段p_ip_j从集合L中去除。简化后得到的第二目标轮廓，如图3(e)所示。

步骤210：针对第二目标轮廓上的每个点，根据第二目标轮廓上的当前点以及与当前点相邻的两点，确定当前点的法线，确定在当前点的法线上搜索到的在所述第一目标图像中的被搜索点。

具体地，可以通过以下方式来确定当前点的法线：

确定与向量BC垂直的向量B2；

根据当前点的法向量确定当前点的法线。其中，当前点的法向量所在的直线可以作为当前点的法线。

步骤211：根据当前点及其对应的被搜索点的梯度，建立当前点对应的梯度直方图。

步骤212：确定所述梯度直方图中对应的直方图面积大于等于的待选梯度，其中，α为预设的松弛系数，S_Z为梯度直方图的总面积，B为当前点对应的所有被搜索点的总数。

步骤213：将所有待选梯度中最小的梯度值作为梯度阈值。

在第一目标图像上，针对第二目标轮廓上的每个点的位置，在其法线的正负方向上搜索在范围在预设范围内的所有点，包括当前点，利用这些点的梯度数据建立梯度直方图，其中，法线的正负方向即为法向量的方向和其反方向。由轮廓线的特性可知，梯度越大的点越有可能是轮廓线上的点，所以位于梯度直方图前半部分的点有可能是轮廓点。每个点的法线方向上取(B+1)个点，而最终在这个方向上只取一个点，即概率为梯度直方图中真正为轮廓点的数目最多为其总数的考虑到遗留的少量噪声以及轮廓线不同部分的梯度差异，乘以一定的松弛系数α(可以取α＝2.5)，则取大于等于梯度直方图的总面积的的待选梯度，其中对应的最低梯度就是要求的梯度阈值。

步骤214：在所述第一目标图像中，根据当前点的坐标、当前点的法线和公式二确定在当前点的法线上的待确认点，判断所有s的取值对应的待确认点中，是否有梯度大于梯度阈值的替换点，如果有，则将当前点替换为所述替换点，否则，结束当前流程，其中，公式二为

{\begin{matrix} x = s c o s θ + x_{0} \\ y = s s i n θ + y_{0} \end{matrix},

具体地，可以通过以下方式实现：

D1：初始设置s＝0；

D2：根据公式二确定出待确认点；

D3：判断当前待确认点的梯度是否大于梯度阈值，如果是，则将当前待确认点作为替换点，将当前点替换为该替换点，结束当前流程，否则，执行步骤D4；

D4：判断s是否在[-F，F]内，如果是，则从法线的两个方向上进行搜索，在正方向上，令s＝s+1，在负方向上，令s＝s-1，返回步骤D2，否则，结束当前流程。

步骤215：针对第二目标轮廓上的所有点中具有对应的替换点的可替换点，将可替换点替换为对应的替换点。

举例来说，第二目标轮廓中的点H有对应的替换点M，而点H分别与点H1、点H2相连，则将点H替换为替换点M后，将点H从第二目标轮廓上中去除，进而点H与点H1的连线、点H与点H2的连线也去除，然后，将点M分别与点H1、点H2相连，第二目标轮廓中的其他可替换点，依次类推。

如图4所示，图4(a)为待识别图像，图4(b)为第二目标轮廓，图4(c)为重新确定位置后的第二目标轮廓。

如图5、图6所示，本发明实施例提供了一种图像处理的装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图5所示，为本发明实施例提供的一种图像处理的装置所在设备的一种硬件结构图，除了图5所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图6所示，作为一个逻辑意义上的装置，是通过其所在设备的CPU将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。本实施例提供的一种图像处理的装置，包括：

分割单元601，用于从待识别图像中分割出第一目标图像；

获取单元602，用于从所述第一目标图像中获取目标边缘，获得第二目标图像；

提取单元603，用于从所述第二目标图像中提取出最外部的第一目标轮廓；

简化单元604，用于对所述第一目标轮廓进行曲线逼近，获得第二目标轮廓；

重定位单元605，用于根据所述第二目标轮廓上的每个点及在所述第二目标轮廓上的每个点的的法线上搜索到的在所述第一目标图像中的被搜索点，重新确定所述第二目标轮廓上每个点的位置。

在一种可能的实现方式中，所述简化单元604，具体用于执行以下步骤：

在一种可能的实现方式中，所述重定位单元605，具体用于执行以下步骤：

将所有待选梯度中最小的梯度值作为梯度阈值；

{\begin{matrix} x = s c o s θ + x_{0} \\ y = s s i n θ + y_{0} \end{matrix},

在一种可能的实现方式中，所述重定位单元605在执行所述根据第二目标轮廓上的当前点以及与当前点相邻的两点，确定当前点的法线时，具体执行：点B为当前点，点A和点C为点B的相邻的两点，确定与向量AB垂直的向量B1，确定与向量BC垂直的向量B2，对向量B1与向量B2做向量加法，得到向量B3，向量B3为当前点的法向量，根据当前点的法向量确定当前点的法线。

在一种可能的实现方式中，所述获取单元602，用于确定所述第一目标图像中每个像素点在各个方向的梯度值，将每个像素点对应的所有梯度值中的最大值作为每个像素点的最终梯度值，对所述第一目标图像进行边缘检测，将最终梯度值大于等于预设梯度值的像素点连接成目标边缘，获取所述第二目标图像。

上述装置内的各单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。

需要说明的是：本发明实施例提供的一种图像处理的方法及装置，可以用于提取动态影像中的飞行目标的目标轮廓。具体地，可以将动态影像中的首帧图像作为待识别图像，对首帧图像中的目标进行识别，提取出目标的目标轮廓。后续帧的图像中飞行目标的目标轮廓，可以根据前后帧的目标轮廓得到。

本发明实施例提供的一种图像处理的方法及装置，具有如下有益效果：

1、通过本发明实施例提供的一种图像处理的方法及装置，从待识别图像中分割出第一目标图像，从所述第一目标图像中获取目标边缘，获得第二目标图像，从所述第二目标图像中提取出最外部的第一目标轮廓，第一目标轮廓中可能存在抖动边界，可能存在较多的冗余信息，通过对所述第一目标轮廓进行曲线逼近，获得第二目标轮廓，能够消除抖动，减少冗余信息，使得目标轮廓更加平滑，精确度更高，得到的第二目标轮廓可能会与待识别图像中原始的目标轮廓发生偏离，结合第一目标图像上的点来重新确定第二目标轮廓上每个点的位置，使得处理后的目标轮廓更加接近原始的目标轮廓，能够进一步提高提取出的轮廓的精确度。

2、本发明实施例提供的一种图像处理的方法及装置，将图像分割技术与目标轮廓提取有效的结合在一起，能够针对目标背景相对复杂的动态影像，提取飞行目标轮廓，并达到较好的轮廓提取效果。

3、本发明实施例提供的一种图像处理的方法及装置，对第二目标轮廓进行轮廓线简化，能够解决第二目标轮廓的边界抖动问题，能够消除大部分的冗余信息，能够提高轮廓平滑效果，并且通过轮廓线简化方法能够实现采用尽可能少的次数进行标示，能够提高提取速度和准确性

4、本发明实施例提供的一种图像处理的方法及装置，对第二目标轮廓上每个点的法线方向搜索，根据搜索到的位于第一目标图像上的点重新确定第二目标轮廓上每个点的位置，提高目标轮廓上的点的精度，并且对飞行目标影像有较强的适应性。

5、本发明实施例提供的一种图像处理的方法及装置，将图像分割技术与目标轮廓提取有效的结合在一起，可以更有效的应用于飞行目标轮廓的提取，能够对飞行目标的位置分析提供精确的目标轮廓数据。

需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。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、物品或者设备中还存在另外的相同因素。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。

最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。

Claims

1.一种图像处理的方法，其特征在于，包括：

S1：从待识别图像中分割出第一目标图像；

S3：从所述第二目标图像中提取出最外部的第一目标轮廓；

2.根据权利要求1所述的方法，其特征在于，所述S4，包括：

3.根据权利要求1所述的方法，其特征在于，所述S5，包括：

将所有待选梯度中最小的梯度值作为梯度阈值；

\{\begin{matrix} x = s c o s θ + x_{0} \\ y = s s i n θ + y_{0} \end{matrix},

4.根据权利要求3所述的方法，其特征在于，所述S5中，所述根据第二目标轮廓上的当前点以及与当前点相邻的两点，确定当前点的法线，包括：

确定与向量BC垂直的向量B2；

根据当前点的法向量确定当前点的法线。

5.根据权利要求1至4中任一所述的方法，其特征在于，所述S2，包括：

6.一种图像处理的装置，其特征在于，包括：

分割单元，用于从待识别图像中分割出第一目标图像；

7.根据权利要求6所述的装置，其特征在于，所述简化单元，具体用于执行以下步骤：

8.根据权利要求6所述的装置，其特征在于，所述重定位单元，具体用于执行以下步骤：

将所有待选梯度中最小的梯度值作为梯度阈值；

\{\begin{matrix} x = s c o s θ + x_{0} \\ y = s s i n θ + y_{0} \end{matrix},

9.根据权利要求8所述的装置，其特征在于，所述重定位单元在执行所述根据第二目标轮廓上的当前点以及与当前点相邻的两点，确定当前点的法线时，具体执行：点B为当前点，点A和点C为点B的相邻的两点，确定与向量AB垂直的向量B1，确定与向量BC垂直的向量B2，对向量B1与向量B2做向量加法，得到向量B3，向量B3为当前点的法向量，根据当前点的法向量确定当前点的法线。

10.根据权利要求6-9中任一所述的装置，其特征在于，所述获取单元，用于确定所述第一目标图像中每个像素点在各个方向的梯度值，将每个像素点对应的所有梯度值中的最大值作为每个像素点的最终梯度值，对所述第一目标图像进行边缘检测，将最终梯度值大于等于预设梯度值的像素点连接成目标边缘，获取所述第二目标图像。