CN106340001B - 图像划分装置和图像划分方法 - Google Patents

Abstract

本发明实施例提供一种图像划分装置和图像划分方法，该装置包括：第一划分单元，其用于将图像划分为多个分区，并形成显示各分区的轮廓线的轮廓线图像；第一提取单元，其用于提取所述轮廓线图像中相邻的所述分区之间的边界线；第一计算单元，其用于计算所述边界线的特征向量；第一检测单元，其根据所述特征向量以及预设的条件，从所述边界线中检测出第一边界线；以及第二划分单元，其用于根据所述第一边界线，将所述图像划分为一个或多个对象区域，其中，以所述第一边界线作为相邻的所述对象区域之间的边界线。本申请实施例能提高图像划分的准确性。

Description

图像划分装置和图像划分方法

技术领域

本申请涉及信息技术领域，尤其涉及一种图像划分装置和图像划分方法。

背景技术

在图像识别技术中，经常需要对图像中的物体进行区分，从而准确地获得图像中关于物体的信息。这种图像识别技术已经被应用于科学研究和日常生活的诸多方面，例如，在对细菌群落生长的研究中，人们可以利用显微相机对培养基(culture medium)上生长的细菌群落进行拍照，以获得显微照片，利用图像识别技术识别出显微照片中不同的细菌群落，并对细菌群落的数量进行计测等。

应该注意，上面对技术背景的介绍只是为了方便对本申请的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本申请的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。

发明内容

本申请的发明人发现，在现有的图像识别技术中，难以对图像中相互接触的物体进行准确的区分和识别，所以，无法准确地获得图像中关于物体的信息，例如，在对细菌群落生长的研究中，当邻近的细菌群落彼此接触时，就难以在显微照片上对这些细菌群落进行准确的区分，因此，难以准确地计测细菌群落的数量。

本申请的实施例提供一种图像划分装置和图像划分方法，从对图像初步划分得到的各分区的边界线中检测出相邻对象区域之间的边界线，并根据该检测出的边界线将图像划分为一个或多个对象区域，从而提高图像划分的准确性。

根据本发明实施例的第一方面，提供一种图像划分装置，包括：

第一划分单元，其用于将图像划分为多个分区，并形成显示各分区的轮廓线的轮廓线图像；

第一提取单元，其用于提取所述轮廓线图像中相邻的所述分区之间的边界线；

第一计算单元，其用于计算所述边界线的特征向量；

第一检测单元，其根据所述特征向量以及预设的条件，从所述边界线中检测出第一边界线；以及

第二划分单元，其用于根据所述第一边界线，将所述图像划分为一个或多个对象区域，其中，以所述第一边界线作为相邻的所述对象区域之间的边界线。

根据本申请的第二实施例，提供一种图像划分方法，包括：

将图像划分为多个分区，并形成显示各分区的轮廓线的轮廓线图像；

提取所述轮廓线图像中相邻的所述分区之间的边界线；

计算所述边界线的特征向量；

根据所述特征向量以及预设的条件，从所述边界线中检测出第一边界线；以及

根据所述第一边界线，将所述图像划分为一个或多个对象区域，其中，以所述第一边界线作为相邻的所述对象区域之间的边界线。

本申请的有益效果在于：从对图像初步划分得到的各分区的边界线中检测出相邻对象区域之间的边界线，并根据该检测出的边界线将图像划分为一个或多个对象区域，从而提高图像划分的准确性。

参照后文的说明和附图，详细公开了本发明的特定实施方式，指明了本发明的原理可以被采用的方式。应该理解，本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本发明的实施方式包括许多改变、修改和等同。

针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。

应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。

附图说明

所包括的附图用来提供对本发明实施例的进一步的理解，其构成了说明书的一部分，用于例示本发明的实施方式，并与文字描述一起来阐释本发明的原理。显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1是实施例1的图像划分方法的一个流程示意图；

图2(A)是灰度图像的一个示意图；

图2(B)是灰度图像被划分为多个分区的图像的一个示意图；

图2(C)是轮廓线图像的一个示意图；

图3是本实施例1中提取边界线的方法的一个流程示意图；

图4是轮廓线图像的一个示意图；

图5是本实施例1提取边界线的特征向量的一个流程示意图；

图6(A)是边界线上像素的一个示意图；

图6(B)是边界线上采样点的一个示意图；

图7是以采样点为中心的区域的一个示意图；

图8是本实施例的聚类投票法的一个流程示意图；

图9是本实施例的确定预定的N个集合的方法的一个流程示意图；

图10(A)是本实施例中从边界线中检测出第一边界线的一个示意图；

图10(B)是本实施例中保留的第一边界线和最外围轮廓线的一个示意图；

图10(C)是本实施例中形成对象区域的一个示意图；

图11是本实施例的图像划分装置的一个组成示意图；

图12是本实施例的第一提取单元的一个组成示意图；

图13是本实施例的第一计算单元的一个组成示意图；

图14是本实施例的第三确定单元的一个组成示意图。

具体实施方式

参照附图，通过下面的说明书，本发明的前述以及其它特征将变得明显。在说明书和附图中，具体公开了本发明的特定实施方式，其表明了其中可以采用本发明的原则的部分实施方式，应了解的是，本发明不限于所描述的实施方式，相反，本发明包括落入所附权利要求的范围内的全部修改、变型以及等同物。

实施例1

本申请实施例1提供一种图像划分方法，图1是实施例1的图像划分方法的一个流程示意图，如图1所示，该图像划分方法包括：

S101、将图像划分为多个分区，并形成显示各分区的轮廓线的轮廓线图像；

S102、提取轮廓线图像中相邻的分区之间的边界线；

S103、计算边界线的特征向量；

S104、根据特征向量以及预设的条件，从边界线中检测出第一边界线；

S105、根据第一边界线，将图像划分为一个或多个对象区域，其中，以该第一边界线作为相邻的对象区域之间的边界线。

在本实施例中，从对图像进行初次划分所得到的边界线中检测出第一边界线，并根据该第一边界线将图像重新划分为一个或多个对象区域，由此，能够准确地划分图像中的对象区域。

在本实施例中，步骤S101中的图像可以是灰度图像，如图2(A)所示，该灰度图像201例如可以是利用显微相机对培养基上生长的细菌群落进行拍照，从而得到的灰度图像；此外，当该图像是彩色图像的情况下，可以对该图像进行灰度变换，以得到灰度图像。

在步骤S101中，可以采用现有技术中的图像分割方法将上述灰度图像划分为多个分区，例如，该图像分割方法可以是基于快速切换法(Quick Shift Method)、分水岭法(Watershed Method)或归一化分割法(Normalized cut Method,N-cut Method)等算法的图像分割方法。在本实施例中，在上述的图像分割方法中，可以通过调整相应的参数，来调整对图像进行划分的结果，例如，可以调整该参数，使图像被过分割(over-segmentation)，从而获得较多的分区。图2(B)所示即为被划分为多个分区的图像202，其中，不同的灰度代表不同的分区2021。

在本实施例中，被划分后的图像202中的每一个分区的轮廓线可以被提取出来，从而形成由轮廓线组成的轮廓线图像。如图2(C)所示，在轮廓线图像203中，线条2031示出了每一个分区的轮廓线。在本实施例中，提取每一个分区的轮廓线以形成轮廓线图像的方法可以参考现有技术，本申请不再赘述。

在步骤S102中，可以提取轮廓线图像中相邻的分区之间的边界线。图3是本实施例1中提取该边界线的方法的一个流程示意图，如图3所示，该方法可以包括：

S301、检测轮廓线图像中轮廓线之间的交点；

S302、提取连接每两个相邻的交点的轮廓线，作为边界线，其中，轮廓线图像中的最外围轮廓线不被提取为边界线。

在步骤S301中，可以对轮廓线图像进行处理，以检测出轮廓线的交点。如图4所示，交点401、402、403均代表轮廓线的交点。在本实施例中，对于轮廓线的交点的检测方法可以参考现有技术，本申请不再赘述。

在步骤S302中，可以提取连接相邻交点的轮廓线，作为边界线，由此，该边界线是轮廓线的一部分。例如，图4中的轮廓线404可以被提取，以作为边界线；而最外围轮廓线405不被提取为边界线，因为该最外围轮廓线405表示该多个分区与背景的界线，而并不表示相邻分区之间的界线。

在本实施例中，由于图像在步骤S101中被过分割，因此，步骤S102所提取出的边界线中，有一部分能够体现出图像中不同对象区域之间的真实边界，而另一部分可能并不是图像中不同对象区域之间的真实边界，例如，对象区域中的凹陷部位、凸起部位、或阴影部位等也有可能被提取出来，作为边界线。

在步骤S103中，可以提取每一条边界线的特征向量。图5是本实施例1提取边界线的特征向量的一个流程示意图，如图5所示，该方法包括：

S501、在边界线上确定采样点；

S502、确定在每一个采样点上边界线的梯度方向；

S503、生成以每一个采样点为中心的区域，其中，沿所述梯度方向将该区域分为k个子区域，k为大于或等于2的整数；

S504、计算每个子区域内像素的平均灰度值，以生成与每个采样点分别对应的k维向量；

S505、根据每个边界线上所有采样点所对应的k维向量，确定每个边界线的特征向量。

在本实施例中，如图6(A)所示，每条边界线上都可以有多个像素601。如图6(B)所示，在步骤S501中，可以从该多个像素601中确定部分像素作为采样点602。在本实施例中，可以有多种方式来确定每条边界线上的采样点，例如，不同的边界线上的采样点数量可以设置为相同；或者，不同的边界线上采样点的密度可以相同，即，相邻采样点之间的像素数量可以相同。

在步骤S502中，可以计算在采样点所处的位置上该边界线的切线方向，并将与该切线方向垂直的方向作为该边界线的梯度方向。在本申请中，还可以采用其他的确定边界线梯度方向的方法，本实施例不再赘述。

在步骤S503中，针对每一个采样点，可以生成以该采样点为中心的区域，该区域可以包括沿梯度方向设置的k个子区域，k为大于或等于2的整数。图7是以采样点为中心的区域的一个示意图，如图7所示，区域701以采样点702为中心，该区域701可以沿梯度方向G被划分为三个子区域7011、7012和7013。在本申请中，该子区域的数量也可以是2个，或者多于3个。

在步骤S504中，针对每个采样点，可以计算以该采样点为中心的区域中各子区域内像素的平均灰度值，由此，该采样点能够对应k个平均灰度值A1、A2、…、Ak，这k个平均灰度值可以构成一个k维向量(A1，A2，…，Ak)。经过步骤S504，每条边界线上的每个采样点都会对应一个k维向量。

在步骤S504中，根据每条边界线上所有采样点所对应的k维向量，确定该条边界线的特征向量。在本实施例中，可以采用多种方法来确定该条边界线的特征向量，例如，平均值法、或聚类投票法等。

其中，在平均值法中，可以计算该条边界线上所有采样点的k维向量的平均值，形成k维平均值向量，将该k维平均值向量作为该条边界线的特征向量，例如，在边界线B上共有L个采样点，第1个采样点对应的k维向量为(A11，A21，…，Ak1)，第j个采样点对应的k维向量为(A1j，A2j，…，Akj)，其中，j为整数，且1≤j≤L。由此，k维平均值向量可以是其中：

……，

在本实施例中，也可以采用聚类投票法来确定每条边界线的特征向量。图8是本实施例的聚类投票法的一个流程示意图，如图8所示，该方法包括：

S801，根据该边界线上每个采样点所对应的k维向量，将每个采样点划分到预定的N个集合中的相应集合，其中，N为大于等于2的整数；

S802，根据每个边界线上被划分到该N个集合中每一个集合的采样点的数量，生成该边界线对应的N维向量，作为该边界线的特征向量。

在步骤S801中，根据该采样点所对应的k维向量与该预定的N个集合中每一个集合的距离，将该采样点划分到该相应集合，其中，该k维向量与该集合的距离可以是该k维向量与该集合的马氏距离或该k维向量与该集合中心的欧氏距离等，例如，该预定的N个集合分别为C1、C2、…、CN，其中，采样点a距离该N个集合的马氏距离分别为d1、d2、…、dN，其中，d2是上述距离中的最小值，因此，在步骤S801中，可以将采样点a划分到集合C2中。

经过步骤S801，所有边界线上的采样点都被划分到预定的N个集合中的相应集合。在步骤S802中，可以根据该边界线上被划分到每个集合中的采样点的数量，生成该边界线的N维向量，作为该边界线的特征向量，例如，在边界线B上共有L个采样点，其中，被划分到该预定的N个集合的采样点的数量分别为T1、T2、…、TN，由此，该边界线B对应的N维向量可以是(T1，T2，…，TN)或归一化的结果(T1，T2，…，TN)/L，该N维向量可以作为该边界线B的特征向量。

在步骤S801和步骤S802所描述的上述聚类投票法中，预定的N个集合可以根据训练样本图像来获得。图9是本实施例的确定预定的N个集合的方法的一个流程示意图，如图9所示，该方法包括：

S901、确定训练样本图像中的相邻分区之间的边界线的采样点，作为训练采样点；

S902、计算每个训练采样点所对应的所述k维向量；

S903、根据每个训练采样点所对应的k维向量，对所有训练采样点进行聚类，以确定所述N个集合。

在上述步骤S901、S902中，可以对训练样本图像进行分区、提取边界线、确定采样点作为训练样本中的训练采样点、并计算每个训练采样点对应的k维向量，具体的方法可以参考上述对步骤S101、S102和S103的描述，区别之处仅在于：在步骤S901和S902中，处理的对象是多个训练样本图像。经过步骤S901和S902，每个训练样本中的每个训练采样点都具有一个对应的k维向量。

在步骤S903中，根据每个训练采样点所对应的k维向量，对所有训练样本图像中的所有训练采样点进行聚类，以将所有训练采样点划分为N个集合，由此，生成该预定的N个集合。在本实施例中，将所有训练采样点划分为N个集合的具体方式，可以参考现有技术，本实施例不再赘述。

经过上述步骤S103，得到了轮廓线图像中每条边界线的特征向量。在步骤S104中，可以根据每条边界线的特征向量以及预设的条件，从轮廓线图像的所有边界线中检测出第一边界线，该第一边界线可以是图像中不同对象区域之间的真实边界线。

在本实施例中，可以根据训练样本图像来设定该预设条件，例如，可以将训练样本图像中已知的对象区域之间的边界线标注为第一边界线，根据训练样本图像中的第一边界线的特征向量，建立该第一边界线与特征向量之间的对应关系作为该预设的条件。在本实施例中，可以通过构造分类器的方式来建立该第一边界线与特征向量之间的对应关系，该分类器例如可以是SVM分类器，也可以是其它的分类器等。在本实施例中，该训练样本图像中边界线的特征向量的计算方法与步骤S504中采用的计算特征向量方法相同，即，当步骤S504采用平均值法计算特征向量时，在训练样本图像中也采用平均值法计算特征向量，当步骤S504采用聚类投票法计算特征向量时，在训练样本图像中也采用聚类投票法计算特征向量。

图10(A)是本实施例中从边界线中检测出第一边界线的一个示意图，图10(B)是本实施例中保留的第一边界线和最外围轮廓线的一个示意图，图10(C)是本实施例中形成对象区域的一个示意图。

如图10(A)所示，从全部边界线中检测出1001a、1001b、1002和1003作为第一边界线。

在步骤S105中，可以根据第一边界线，将图像划分为一个或多个对象区域，其中，以第一边界线作为相邻的所述对象区域之间的边界线。例如，可以删除轮廓线图像中的除第一边界线以外的其它边界线，并且删除第一边界线中孤立的第一边界线，根据保留的第一边界线，以及最外围轮廓线形成对象区域。在本实施例中，该孤立的第一边界线可以是至少一个端点不与其它第一边界线或最外围轮廓线连接的第一边界线，例如图10(A)中的第一边界线1001a、1001b即为孤立的第一边界线。图10(B)为孤立的第一边界线被删除之后，保留的第一边界线1002、1003和最外围轮廓线1000的一个示意图。

在本实施例中，如图10(C)所示，可以对保留的第一边界线和最外围轮廓线所围合的区域进行填充，以形成对象区域1004，1005和1006。在本实施例中，填充以形成该对象区域的方法可以参考现有技术，本实施例不再赘述。

根据本实施例，能够从对图像初步划分得到的各分区的边界线中检测出相邻对象区域之间的边界线，并根据该检测出的边界线将图像划分为一个或多个对象区域，从而提高图像划分的准确性。

实施例2

本申请实施例2提供一种图像划分装置，与实施例1的图像划分方法对应。图11是本实施例的图像划分装置的一个组成示意图，如图11所示，该图像划分装置1100包括：

第一划分单元1101，其用于将图像划分为多个分区，并形成显示各分区的轮廓线的轮廓线图像；

第一提取单元1102，其用于提取所述轮廓线图像中相邻的所述分区之间的边界线；

第一计算单元1103，其用于计算所述边界线的特征向量；

第一检测单元1104，其根据所述特征向量以及预设的条件，从所述边界线中检测出第一边界线；以及

第二划分单元1105，其用于根据所述第一边界线，将所述图像划分为一个或多个对象区域，其中，以所述第一边界线作为相邻的所述对象区域之间的边界线。

图12是本实施例的第一提取单元的一个组成示意图，如图12所示，该第一提取单元1102包括：

第二检测单元1201，其用于检测所述轮廓线图像中所述轮廓线之间的交点；以及

第二提取单元1202，其用于提取连接每两个相邻的所述交点的所述轮廓线，作为所述边界线，其中，所述轮廓线图像中的最外围轮廓线不被提取为所述边界线。

图13是本实施例的第一计算单元1103的一个组成示意图，如图13所示，该第一计算单元1103包括：

第一确定单元1301，其用于在所述边界线上确定采样点；

第二确定单元1302，其用于确定在每一个所述采样点上所述边界线的梯度方向；

第一生成单元1303，其用于生成以每一个所述采样点为中心的区域，其中，沿所述梯度方向将所述区域分为k个子区域，k为大于或等于2的整数；

第二计算单元1304，其用于计算每个所述子区域内像素的平均灰度值，以生成与每个所述采样点分别对应的k维向量；

第一确定子单元1305，其根据每个所述边界线上所有采样点所对应的k维向量，确定每个所述边界线的特征向量。

在本实施例中，该第一确定子单元1305计算每个所述边界线上所有采样点所对应的k维向量的平均值，作为每个所述边界线的特征向量，由此采用平均值法计算特征向量。

在本实施例中，该第一确定子单元1305也可以采用聚类投票法计算特征向量，在这种情况下，该第一确定子单元1305可以包括：

第三划分单元(图未示出)，其根据所述边界线上每个采样点所对应的k维向量，将每个采样点划分到预定的N个集合中的相应集合，其中，N为大于等于2的整数；以及

第二生成单元(图未示出)，其根据每个所述边界线上被划分到所述N个集合中每一个集合的采样点的数量，生成每个所述边界线的N维向量，作为该边界线的特征向量。

在本实施例中，如图14所示，该图像划分装置还可以包括第三确定单元1400，其用于确定该预定的N个集合，该第三确定单元1400可以包括：

第四确定单元1401，其用于确定训练样本图像中的相邻分区之间的边界线的采样点，作为训练采样点；

第三计算单元1402，其用于计算每个训练采样点所对应的所述k维向量；以及

第五确定单元1403，其根据每个训练采样点所对应的k维向量，对所有训练采样点进行聚类，以确定所述N个集合。

在本实施例中，该图像划分装置还可以包括第六确定单元(图未示出)，其根据训练样本图像中边界线的特征向量，以及所述训练样本图像中已知的对象区域之间的边界线，设定用于确定所述第一边界线的所述预设的条件。

在本实施例中，该第二划分单元对所述第一边界线和所述轮廓线图像的最外围轮廓线所围合的区域进行填充，以形成所述对象区域。

在本实施例中，关于图像划分装置的各单元的详细说明，可以参考实施例1中对相应步骤的说明，本实施例不再重复说明。

根据本实施例，能够从对图像初步划分得到的各分区的边界线中检测出相邻对象区域之间的边界线，并根据该检测出的边界线将图像划分为一个或多个对象区域，从而提高图像划分的准确性。

本申请实施例还提供一种计算机可读程序，其中当在信息处理装置或用户设备中执行所述程序时，所述程序使得计算机在所述信息处理装置或用户设备中执行实施例1所述的图像划分方法。

本申请实施例还提供一种存储有计算机可读程序的存储介质，其中所述计算机可读程序使得计算机在信息处理装置或用户设备中执行实施例1所述的图像划分方法。

本申请实施例还提供一种计算机可读程序，其中当在信息处理装置或基站中执行所述程序时，所述程序使得计算机在所述信息处理装置或基站中执行实施例1所述的图像划分方法。

本申请实施例还提供一种存储有计算机可读程序的存储介质，其中所述计算机可读程序使得计算机在信息处理装置或基站中执行实施例1所述的图像划分方法。

本申请以上的装置和方法可以由硬件实现，也可以由硬件结合软件实现。本申请涉及这样的计算机可读程序，当该程序被逻辑部件所执行时，能够使该逻辑部件实现上文所述的装置或构成部件，或使该逻辑部件实现上文所述的各种方法或步骤。本申请还涉及用于存储以上程序的存储介质，如硬盘、磁盘、光盘、DVD、flash存储器等。

以上结合具体的实施方式对本申请进行了描述，但本领域技术人员应该清楚，这些描述都是示例性的，并不是对本申请保护范围的限制。本领域技术人员可以根据本申请的精神和原理对本申请做出各种变型和修改，这些变型和修改也在本申请的范围内。

关于包括以上实施例的实施方式，还公开下述的附记：

附记1、一种图像划分装置，包括：

第一划分单元，其用于将图像划分为多个分区，并形成显示各分区的轮廓线的轮廓线图像；

第一提取单元，其用于提取所述轮廓线图像中相邻的所述分区之间的边界线；

第一计算单元，其用于计算所述边界线的特征向量；

第一检测单元，其根据所述特征向量以及预设的条件，从所述边界线中检测出第一边界线；以及

第二划分单元，其用于根据所述第一边界线，将所述图像划分为一个或多个对象区域，其中，以所述第一边界线作为相邻的所述对象区域之间的边界线。

附记2、如附记1所述的图像划分装置，其中，所述第一提取单元包括：

第二检测单元，其用于检测所述轮廓线图像中所述轮廓线之间的交点；以及

第二提取单元，其用于提取连接每两个相邻的所述交点的所述轮廓线，作为所述边界线，其中，所述轮廓线图像中的最外围轮廓线不被提取为所述边界线。

附记3、如附记1所述的图像划分装置，其中，所述第一计算单元包括：

第一确定单元，其用于在所述边界线上确定采样点；

第二确定单元，其用于确定在每一个所述采样点上所述边界线的梯度方向；

第一生成单元，其用于生成以每一个所述采样点为中心的区域，其中，沿所述梯度方向将所述区域分为k个子区域，k为大于或等于2的整数；

第二计算单元，其用于计算每个所述子区域内像素的平均灰度值，以生成与每个所述采样点分别对应的k维向量；

第一确定子单元，其根据每个所述边界线上所有采样点所对应的k维向量，确定每个所述边界线的特征向量。

附记4、如附记3所述的图像划分装置，其中，

所述第一确定子单元计算每个所述边界线上所有采样点所对应的k维向量的平均值，作为每个所述边界线的特征向量。

附记5、如附记3所述的图像划分装置，其中，所述第一确定子单元包括：

第三划分单元，其根据所述边界线上每个采样点所对应的k维向量，将每个采样点划分到预定的N个集合中的相应集合，其中，N为大于等于2的整数；以及

第二生成单元，其根据每个所述边界线上被划分到所述N个集合中每一个集合的采样点的数量，生成每个所述边界线的N维向量，作为该边界线的特征向量。

附记6、如附记5所述的图像划分装置，其中，所述图像划分装置还包括第三确定单元，其用于确定所述预定的N个集合，该第三确定单元包括：

第四确定单元，其用于确定训练样本图像中的相邻分区之间的边界线的采样点，作为训练采样点；

第三计算单元，其用于计算每个训练采样点所对应的所述k维向量；以及

第五确定单元，其根据每个训练采样点所对应的k维向量，对所有训练采样点进行聚类，以确定所述N个集合。

附记7、如附记5所述的图像划分装置，其中，

所述第三划分单元根据所述采样点所对应的k维向量与所述N个集合中每一个集合的距离，将该采样点划分到相应集合。

附记8、如附记1所述的图像划分装置，其中，

所述图像划分装置还包括第六确定单元，其根据训练样本图像中边界线的特征向量，以及所述训练样本图像中已知的对象区域之间的边界线，设定用于确定所述第一边界线的所述预设的条件。

附记9、如附记1所述的图像划分装置，其中，

所述第二划分单元对所述第一边界线和所述轮廓线图像的最外围轮廓线所围合的区域进行填充，以形成所述对象区域。

附记10、一种图像划分方法，包括：

将图像划分为多个分区，并形成显示各分区的轮廓线的轮廓线图像；

提取所述轮廓线图像中相邻的所述分区之间的边界线；

计算所述边界线的特征向量；

根据所述特征向量以及预设的条件，从所述边界线中检测出第一边界线；以及

根据所述第一边界线，将所述图像划分为一个或多个对象区域，其中，以所述第一边界线作为相邻的所述对象区域之间的边界线。

附记11、如附记10所述的图像划分方法，其中，提取所述轮廓线图像中相邻的所述分区之间的边界线包括：

检测所述轮廓线图像中所述轮廓线之间的交点；以及

提取连接每两个相邻的所述交点的所述轮廓线，作为所述边界线，其中，所述轮廓线图像中的最外围轮廓线不被提取为所述边界线。

附记12、如附记10所述的图像划分方法，其中，计算所述边界线的特征向量包括：

在所述边界线上确定采样点；

确定在每一个所述采样点上所述边界线的梯度方向；

生成以每一个所述采样点为中心的区域，其中，沿所述梯度方向将所述区域分为k个子区域，k为大于或等于2的整数；

计算每个所述子区域内像素的平均灰度值，以生成与每个所述采样点分别对应的k维向量；

根据每个所述边界线上所有采样点所对应的k维向量，确定每个所述边界线的特征向量。

附记13、如附记12所述的图像划分方法、其中，根据每个所述边界线上所有采样点所对应的k维向量，确定每个所述边界线的特征向量包括：

计算每个所述边界线上所有采样点所对应的k维向量的平均值，作为每个所述边界线的特征向量。

附记14、如附记12所述的图像划分方法，其中，根据每个所述边界线上所有采样点所对应的k维向量，确定每个所述边界线的特征向量包括：

根据所述边界线上每个采样点所对应的k维向量，将每个采样点划分到预定的N个集合中的相应集合，其中，N为大于等于2的整数；以及

根据每个所述边界线上被划分到所述N个集合中每一个集合的采样点的数量，生成每个所述边界线的N维向量，作为该边界线的特征向量。

附记15、如附记14所述的图像划分方法，其中，确定所述预定的N个集合包括：

确定训练样本图像中的相邻分区之间的边界线的采样点，作为训练采样点；

计算每个训练采样点所对应的所述k维向量；以及

根据每个训练采样点所对应的k维向量，对所有训练采样点进行聚类，以确定所述N个集合。

附记16、如附记14所述的图像划分方法，其中，将采样点划分到预定的N个集合中的相应集合包括：

根据所述采样点所对应的k维向量与所述N个集合中每一个集合的距离，将该采样点划分到相应集合。

附记17、如附记10所述的图像划分方法，其中，

根据训练样本图像中边界线的特征向量，以及所述训练样本图像中已知的对象区域之间的边界线，设定用于确定所述第一边界线的所述预设的条件。

附记18、如附记10所述的图像划分方法，其中，将所述图像划分为一个或多个对象区域包括：

对所述第一边界线和所述轮廓线图像的最外围轮廓线所围合的区域进行填充，以形成所述对象区域。

Claims (9)

1.一种图像划分装置，包括：

第一划分单元，其用于将图像划分为多个分区，并形成显示各分区的轮廓线的轮廓线图像；

第一提取单元，其用于提取所述轮廓线图像中相邻的所述分区之间的边界线；

第一计算单元，其用于计算所述边界线的特征向量；

第一检测单元，其根据所述特征向量以及预设的条件，从所述边界线中检测出第一边界线；以及

第二划分单元，其用于根据所述第一边界线，将所述图像划分为一个或多个对象区域，其中，以所述第一边界线作为相邻的所述对象区域之间的边界线，

其中，所述第一计算单元包括：

第一确定单元，其用于在所述边界线上确定采样点；

第二确定单元，其用于确定在每一个所述采样点上所述边界线的梯度方向；

第一生成单元，其用于生成以每一个所述采样点为中心的区域，其中，沿所述梯度方向将所述区域分为k个子区域，k为大于或等于2的整数；

第二计算单元，其用于计算每个所述子区域内像素的平均灰度值，以生成与每个所述采样点分别对应的k维向量；

第一确定子单元，其根据每个所述边界线上所有采样点所对应的k维向量，确定每个所述边界线的特征向量。

2.如权利要求1所述的图像划分装置，其中，所述第一提取单元包括：

第二检测单元，其用于检测所述轮廓线图像中所述轮廓线之间的交点；以及

第二提取单元，其用于提取连接每两个相邻的所述交点的所述轮廓线，作为所述边界线，其中，所述轮廓线图像中的最外围轮廓线不被提取为所述边界线。

3.如权利要求1所述的图像划分装置，其中，

所述第一确定子单元计算每个所述边界线上所有采样点所对应的k维向量的平均值，作为每个所述边界线的特征向量。

4.如权利要求1所述的图像划分装置，其中，所述第一确定子单元包括：

第三划分单元，其根据所述边界线上每个采样点所对应的k维向量，将每个采样点划分到预定的N个集合中的相应集合，其中，N为大于等于2的整数；以及

第二生成单元，其根据每个所述边界线上被划分到所述N个集合中每一个集合的采样点的数量，生成每个所述边界线的N维向量，作为该边界线的特征向量。

5.如权利要求4所述的图像划分装置，其中，所述图像划分装置还包括第三确定单元，其用于确定所述预定的N个集合，该第三确定单元包括：

第四确定单元，其用于确定训练样本图像中的相邻分区之间的边界线的采样点，作为训练采样点；

第三计算单元，其用于计算每个训练采样点所对应的所述k维向量；以及

第五确定单元，其根据每个训练采样点所对应的k维向量，对所有训练采样点进行聚类，以确定所述N个集合。

6.如权利要求4所述的图像划分装置，其中，

所述第三划分单元根据所述采样点所对应的k维向量与所述N个集合中每一个集合的距离，将该采样点划分到相应集合。

7.如权利要求1所述的图像划分装置，其中，

所述图像划分装置还包括第六确定单元，其根据训练样本图像中边界线的特征向量，以及所述训练样本图像中已知的对象区域之间的边界线，设定用于确定所述第一边界线的所述预设的条件。

8.如权利要求1所述的图像划分装置，其中，

所述第二划分单元对所述第一边界线和所述轮廓线图像的最外围轮廓线所围合的区域进行填充，以形成所述对象区域。

9.一种图像划分方法，包括：

将图像划分为多个分区，并形成显示各分区的轮廓线的轮廓线图像；

提取所述轮廓线图像中相邻的所述分区之间的边界线；

计算所述边界线的特征向量；

根据所述特征向量以及预设的条件，从所述边界线中检测出第一边界线；以及

根据所述第一边界线，将所述图像划分为一个或多个对象区域，其中，以所述第一边界线作为相邻的所述对象区域之间的边界线，

其中，计算所述边界线的特征向量包括：

在所述边界线上确定采样点；

确定在每一个所述采样点上所述边界线的梯度方向；

生成以每一个所述采样点为中心的区域，其中，沿所述梯度方向将所述区域分为k个子区域，k为大于或等于2的整数；

计算每个所述子区域内像素的平均灰度值，以生成与每个所述采样点分别对应的k维向量；

根据每个所述边界线上所有采样点所对应的k维向量，确定每个所述边界线的特征向量。