CN106469432A - 对象提取方法和对象提取设备 - Google Patents
对象提取方法和对象提取设备 Download PDFInfo
- Publication number
- CN106469432A CN106469432A CN201510497910.XA CN201510497910A CN106469432A CN 106469432 A CN106469432 A CN 106469432A CN 201510497910 A CN201510497910 A CN 201510497910A CN 106469432 A CN106469432 A CN 106469432A
- Authority
- CN
- China
- Prior art keywords
- foreground object
- pixel
- edge graph
- gradient
- binaryzation
- 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 119
- 239000000284 extract Substances 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims description 54
- 230000008859 change Effects 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 7
- 239000000654 additive Substances 0.000 description 8
- 230000000996 additive effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 241000406668 Loxodonta cyclotis Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000006854 communication Effects 0.000 description 3
- 238000009415 formwork Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 241000222065 Lycoperdon Species 0.000 description 1
- 241000768494 Polymorphum Species 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
公开了一种对象提取方法和对象提取设备。该对象提取方法包括:计算背景图像中像素的梯度和梯度方向,将梯度与第一阈值比较,提取背景图像的二值化边缘图;计算包括前景对象的当前帧中像素的梯度和梯度方向,将梯度与第二阈值比较,提取当前帧的二值化边缘图;基于背景图像和当前帧的二值化边缘图、以及背景图像和当前帧中的像素的梯度方向,提取前景对象的二值化边缘图;将前景对象的二值化边缘图中的包括前景对象的区域划分成具有预定大小的单元,找到前景对象的边界单元;以及将边界单元分割为前景边界部分和背景部分,得到前景对象的边界,从而得到前景对象的掩膜。根据本公开的实施例,能够实现无需任何用户交互的自动对象提取。
Description
技术领域
本公开涉及背景前景分割、人体识别以及虚拟现实等领域,更具体地,涉及一种能够实现无需任何用户交互的自动对象提取的对象提取方法和对象提取设备。
背景技术
对象提取是计算机视觉的基本研究问题,也是近几年来比较热门的研究方向之一。对象提取是指从图像或视频序列中提取出感兴趣的前景物体。由于光改变以及摄像装置自动白平衡,从背景中提取前景对象是具有挑战性的任务。对于人工智能、面部检测、以及其他应用,前景对象提取是非常有用的。随着计算机视觉的发展,涌现了大量的图像和视频对象提取算法。这些算法可分为交互式对象提取和自动对象提取两类。近几年,交互式对象提取研究已经有了很大的发展和提高;然而,由于对象提取本身的二义性,对于完全自动对象提取仍然是一个挑战性任务。对于复杂场景的对象提取,无需任何用户交互的自动对象提取是极其困难的。因此,大部分对象提取算法都基于用户交互。然而,自动对象提取算法在某些特定的领域有着非常重要的应用,如网络会议、视频聊天、手机摄像等嵌入式设备的应用。
发明内容
在下文中给出了关于本公开的简要概述,以便提供关于本公开的某些方面的基本理解。但是,应当理解,这个概述并不是关于本公开的穷举性概述。它并不是意图用来确定本公开的关键性部分或重要部分,也不是意图用来限定本公开的范围。其目的仅仅是以简化的形式给出关于本公开的某些概念,以此作为稍后给出的更详细描述的前序。
鉴于以上问题,本公开的目的是提供一种新颖且鲁棒的对象提取方法和对象提取设备,其能够实现无需任何用户交互的自动对象提取。
根据本公开的一方面,提供了一种用于在视频序列中提取前景对象的对象提取方法,包括:背景图像二值化边缘图提取步骤,用于计算背景图像中的每个像素的梯度和梯度方向,通过将背景图像中的每个像素的梯度与第一阈值比较,提取背景图像的二值化边缘图;当前帧二值化边缘图提取步骤,用于计算包括前景对象的当前帧中的每个像素的梯度和梯度方向,通过将当前帧中的每个像素的梯度与第二阈值比较,提取当前帧的二值化边缘图;前景对象二值化边缘图提取步骤,用于基于背景图像的二值化边缘图和当前帧的二值化边缘图、以及背景图像中的像素的梯度方向和当前帧中的像素的梯度方向,提取前景对象的二值化边缘图;前景对象边界单元查找步骤,用于将前景对象的二值化边缘图中的包括前景对象的区域划分成具有预定大小的单元,找到位于前景对象的边界处的边界单元;以及前景对象掩膜获得步骤,用于将边界单元分割为前景边界部分和背景部分,以得到前景对象的边界,从而利用前景对象的边界得到前景对象的掩膜。
根据本公开的另一方面,还提供了一种用于在视频序列中提取前景对象的对象提取设备,包括:背景图像二值化边缘图提取模块,被配置成计算背景图像中的每个像素的梯度和梯度方向,通过将背景图像中的每个像素的梯度与第一阈值比较,提取背景图像的二值化边缘图;当前帧二值化边缘图提取模块,被配置成计算包括前景对象的当前帧中的每个像素的梯度和梯度方向,通过将当前帧中的每个像素的梯度与第二阈值比较,提取当前帧的二值化边缘图;前景对象二值化边缘图提取模块,被配置成基于背景图像的二值化边缘图和当前帧的二值化边缘图、以及背景图像中的像素的梯度方向和当前帧中的像素的梯度方向,提取前景对象的二值化边缘图;前景对象边界单元查找模块,被配置成将前景对象的二值化边缘图中的包括前景对象的区域划分成具有预定大小的单元,找到位于前景对象的边界处的边界单元;以及前景对象掩膜获得模块,被配置成将边界单元分割为前景边界部分和背景部分,以得到前景对象的边界,从而利用前景对象的边界得到前景对象的掩膜。
根据本公开的其它方面,还提供了用于实现上述根据本公开的方法的计算机程序代码和计算机程序产品以及其上记录有该用于实现上述根据本公开的方法的计算机程序代码的计算机可读存储介质。
在下面的说明书部分中给出本公开实施例的其它方面,其中,详细说明用于充分地公开本公开实施例的优选实施例,而不对其施加限定。
附图说明
本公开可以通过参考下文中结合附图所给出的详细描述而得到更好的理解,其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并形成说明书的一部分,用来进一步举例说明本公开的优选实施例和解释本公开的原理和优点。其中:
图1是示出根据本公开的实施例的用于在视频序列中提取前景对象的对象提取方法的流程示例的流程图;
图2是示出根据本公开的实施例的所获得的平均背景图像的示例的图;
图3是示出根据本公开的实施例的当前帧的示例的图;
图4是示出根据本公开的实施例的用于计算边缘图的模板的示例的图;
图5是示出根据本公开的实施例的背景图像的二值化边缘图的示例的图;
图6是示出根据本公开的实施例的当前帧的二值化边缘图的示例的图;
图7是示出根据本公开的实施例的初步的前景对象的二值化边缘图的示例的图;
图8是示出根据本公开的实施例的前景对象的二值化边缘图的示例的图;
图9是示出根据本公开的实施例的包括前景对象的区域的示例的图;
图10是示出根据本公开的实施例的对前景对象的边缘进行连接的示例的图;
图11是示出根据本公开的实施例的边界单元的示例的图;
图12是示出根据本公开的实施例的在通过线扫描方法确定前景边界部分的处理中的扫描方向的示例的图;
图13是示出根据本公开的实施例的前景对象的掩膜的示例的图;
图14是示出根据本公开的实施例的前景对象的平滑后的边界的示例的图;
15是示出根据本公开的实施例的将前景对象置于虚拟环境中的示例的图;
16是示出根据本公开的实施例的对象提取设备的功能配置示例的框图;以及
图17是示出作为本公开的实施例中可采用的信息处理设备的个人计算机的示例结构的框图。
具体实施方式
在下文中将结合附图对本公开的示范性实施例进行描述。为了清楚和简明起见,在说明书中并未描述实际实施方式的所有特征。然而,应该了解,在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定,以便实现开发人员的具体目标,例如,符合与系统及业务相关的那些限制条件,并且这些限制条件可能会随着实施方式的不同而有所改变。此外,还应该了解,虽然开发工作有可能是非常复杂和费时的,但对得益于本公开内容的本领域技术人员来说,这种开发工作仅仅是例行的任务。
在此,还需要说明的一点是,为了避免因不必要的细节而模糊了本公开,在附图中仅仅示出了与根据本公开的方案密切相关的设备结构和/或处理步骤,而省略了与本公开关系不大的其它细节。
下面结合附图详细说明根据本公开的实施例。
首先,将参照图1描述根据本公开的实施例的用于在视频序列中提取前景对象的对象提取方法的流程示例。图1是示出根据本公开的实施例的用于在视频序列中提取前景对象的对象提取方法的流程示例的流程图。
如图1所示,根据本公开的实施例的对象提取方法可包括背景图像二值化边缘图提取步骤S102、当前帧二值化边缘图提取步骤S104、前景对象二值化边缘图提取步骤S106、前景对象边界单元查找步骤S108、以及前景对象掩膜获得步骤S110。以下将分别详细描述各个步骤中的处理。
首先,在背景图像二值化边缘图提取步骤S102中,可以计算背景图像中的每个像素的梯度和梯度方向,通过将背景图像中的每个像素的梯度与第一阈值比较,提取背景图像的二值化边缘图。
在背景图像二值化边缘图提取步骤S102中,可以通过计算视频序列中的预定数量的在前帧中对应位置处的像素的均值,得到背景图像。
即,对于视频序列中的预定数量的在前帧,可以通过计算这些帧中对应位置处的像素的均值,学习出这些帧的平均背景。而在学习固定的背景的过程中,前景物体可以在视野内走动,可以通过上述平均计算来在固定背景中消除前景物体的影响。图2是示出根据本公开的实施例的所获得的平均背景图像的示例的图。在以下描述中,为了方便描述,将所获得的平均背景图像简称为背景图像。
优选地,在背景图像二值化边缘图提取步骤S102中,可以分别计算背景图像中的像素的R、G和B分量的梯度,并且可以将R、G和B分量的梯度中的最大梯度作为该像素的梯度。
优选地,在背景图像二值化边缘图提取步骤S102中,可以分别计算背景图像中的像素的R、G和B分量的梯度方向,并且可以将R、G和B分量的梯度方向中的最大梯度方向作为该像素的梯度方向。
优选地,第一阈值TH1可以是根据经验确定的值,本领域技术人员还可以想到确定第一阈值TH1的其他方法,本公开对此不做限制。
在当前帧二值化边缘图提取步骤S104中,可以计算包括前景对象的当前帧中的每个像素的梯度和梯度方向,通过将当前帧中的每个像素的梯度与第二阈值比较,提取当前帧的二值化边缘图。
图3是示出根据本公开的实施例的当前帧的示例的图。
优选地,在当前帧二值化边缘图提取步骤S104中,可以分别计算当前帧中的像素的R、G和B分量的梯度,并且可以将R、G和B分量的梯度中的最大梯度作为该像素的梯度。
在当前帧二值化边缘图提取步骤S104中,可以分别计算当前帧中的像素的R、G和B分量的梯度方向,并且可以将R、G和B分量的梯度方向中的最大梯度方向作为该像素的梯度方向。
优选地,第二阈值TH2可以是根据经验确定的值,本领域技术人员还可以想到确定第二阈值TH2的其他方法,本公开对此不做限制。
优选地,在计算背景图像和当前帧中的像素的梯度时,可以利用Haar算子计算图像的边缘图。图4是示出根据本公开的实施例的用于计算边缘图的模板的示例的图。
边缘图的计算方法如下:首先采用图4中左侧的模板对整张图像进行卷积操作计算水平方向的梯度值,例如k=5,则模板为5x11的模板,图4中左侧模板的白色部分权重为-1、灰色部分权重为1,卷积操作后求和得到值,归一化后即为中心像素的梯度值。同样可以采用右侧的模板计算垂直方向的梯度值。对于每个像素,对R、G和B三通道分别计算水平和垂直方向的梯度值Dxr、Dyr、Dxg、Dyg、Dxb、Dyb,然后分别归一化、取二范数(例如,),计算出的R、G和B通道的梯度中的最大值作为该像素的梯度值。
除了如上所述利用Haar算子计算图像的边缘图之外,本领域技术人员还可以想到采用其他模板计算图像的边缘图,本公开对此不做限制。
当计算出背景图像和当前帧的梯度图(灰度图)之后,需要对背景图像和当前帧的梯度图进行二值化。可以通过将背景图像中的每个像素的梯度与第一阈值TH1比较,提取背景图像的二值化边缘图。图5是示出根据本公开的实施例的背景图像的二值化边缘图的示例的图。另外,可以通过将当前帧中的每个像素的梯度与第二阈值TH2比较,提取当前帧的二值化边缘图。图6是示出根据本公开的实施例的当前帧的二值化边缘图的示例的图。
优选地,第一阈值TH1小于第二阈值TH2。如可以从图5和图6看出的,TH1小于TH2的好处是:与背景图像的二值化边缘图相比,当前帧的二值化边缘图中属于背景的边缘更细。
另外,可以根据如上计算出的梯度来计算像素的R、G、B三通道的梯度方向arctan(Dyr/Dxr)、arctan(Dyg/Dxg)、arctan(Dyb/Dxb),并可以选取R、G、B三通道的梯度方向的最大值作为该像素的梯度方向。
在前景对象二值化边缘图提取步骤S106中,可以基于背景图像的二值化边缘图和当前帧的二值化边缘图、以及背景图像中的像素的梯度方向和当前帧中的像素的梯度方向,提取前景对象的二值化边缘图。
优选地,在前景对象二值化边缘图提取步骤S106中,可以将当前帧的二值化边缘图与背景图像的二值化边缘图中的对应位置的像素值相减而得到像素差值,在像素差值小于或等于0的情况下,将前景对象的二值化边缘图中对应位置的像素设置为第一值,而在像素差值大于0的情况下,将前景对象的二值化边缘图中对应位置的像素设置为第二值。
优选地,第一值可以为0(图像中具有值为0的像素为黑色像素),第二值可以为255(图像中具有值为255的像素为白色像素)。
假设背景图像的二值化边缘图中像素的像素值为Va、当前帧的二值化边缘图中的对应位置的像素的像素值为Vb、以及前景对象的二值化边缘图的对应位置的像素的像素值为v。其中,在Vb-Va的值小于或等于0的情况下,v为0;而在Vb-Va的值大于0的情况下,v为255。经过上述相减运算,可以得到初步的前景对象的二值化边缘图。图7是示出根据本公开的实施例的初步的前景对象的二值化边缘图的示例的图。
优选地,在当前帧的二值化边缘图与背景图像的二值化边缘图中的对应位置的像素值均为第二值时,将当前帧与背景图像中的对应位置的像素的梯度方向相减而得到梯度方向差值,在梯度方向差值大于第三阈值的情况下,将前景对象的二值化边缘图中对应位置的像素设置为第二值。
即,如果当前帧与背景图像的对应位置均是边缘,但是该位置处的像素在当前帧与背景图像中的梯度方向差大于第三阈值TH3(即,背景图像和当前帧中的前景对象的对应位置均为边缘的情况,例如图7中头部的缺口),我们认为在当前帧中该像素属于前景对象的边缘,将前景对象的二值化边缘图中对应位置的像素设置为255。图8是示出根据本公开的实施例的前景对象的二值化边缘图的示例的图。如可以从图8中看出的,可以利用梯度方向保留前景对象的边缘。
优选地,第三阈值TH3可以是根据经验确定的值,本领域技术人员还可以想到确定第三阈值TH3的其他方法,本公开对此不做限制。
接下来,在前景对象边界单元查找步骤S108中,可以将前景对象的二值化边缘图中的包括前景对象的区域划分成具有预定大小的单元,找到位于前景对象的边界处的边界单元。
优选地,在前景对象边界单元查找步骤S108中,通过从前景对象的二值化边缘图的上边界、下边界、左边界以及右边界分别向中心扫描,得到前景对象的二值化边缘图中的包括前景对象的区域。
图9是示出根据本公开的实施例的包括前景对象的区域的示例的图。
结合9所示,可以采用线扫描的方式,从前景对象的二值化边缘图的上边界、下边界、左边界以及右边界分别中心扫描;可采用矩形模板进行扫描,扫描发现矩形模板内有大于阈值的白色前景像素时,停止扫描,作为四个方向的边界。然后在这个位置扩充一个空间,作为备选前景对象区域。
优选地,需要完善获得的边缘使得边缘是连续的。优选地,可以采用边缘连接的方法来对前景对象的边缘缺口部分进行连接,这样使得边缘更加完整。图10是示出根据本公开的实施例的对前景对象的边缘进行连接的示例的图。结合图10所示,对边缘的缺口部分进行连接的方法如下:首先对边缘实施图像学闭操作;然后采用例如5x5的连接模板对边缘进行卷积运算。卷积值大于给定阈值,则将模板的中心像素设为边缘值(即第二值)。
优选地,在前景对象边界单元查找步骤S108中,对于前景对象的二值化边缘图中的包括前景对象的区域,利用前景对象的左侧和右侧不包含任何对象的先验知识,搜索该区域中的背景单元,并且基于搜索到的背景单元而找到边界单元。
优选地,选择所述区域的左上角和右上角的单元作为种子,并且使用广度优先算法或深度优先算法来扫描所获得的背景单元的八个相邻单元,从而搜索到所有背景单元。
具体地,将前景对象的二值化边缘图中的包括前景对象的区域划分成具有预定大小的单元,即对前景对象的二值化边缘图中的包括前景对象的区域进行网格切分。可以根据经验确定单元的预定大小,本领域技术人员还可以想到确定单元的预定大小的其他方法,本公开对此不做限制。利用前景对象的左侧和右侧不包含任何对象的先验知识(即,前景对象的左侧和右侧均为仅包括黑色像素的背景单元的先验知识)选取左上角和右上角网格作为初始网格(这些初始网格为背景单元),然后利用网格八邻域广度优先遍历或者深度优先遍历对所述区域进行遍历,这样,可以搜索到位于前景对象外部的所有背景单元。而基于搜索到的背景单元,可以找到以前景对象的边缘连接的边界单元。图11是示出根据本公开的实施例的边界单元的示例的图。在图11中,灰色的网格单元是边界单元。如图11所示,在边界单元中,既包括作为图像的背景的背景部分、也包括作为图像的前景的前景边界部分。而为了得到前景对象的边界,需要将边界单元分割为前景边界部分和背景部分。
在前景对象掩膜获得步骤S110中,可以将边界单元分割为前景边界部分和背景部分,以得到前景对象的边界,从而利用前景对象的边界得到前景对象的掩膜。
优选地,在前景对象掩膜获得步骤S110中,对于每个边界单元,依次以预定数量的像素作为一组,在与其相邻背景单元相对于边界单元的方向相反的方向上,通过线扫描方法确定前景边界部分。
图12是示出根据本公开的实施例的在通过线扫描方法确定前景边界部分的处理中的扫描方向的示例的图。
具体地,细切分边界单元,利用线扫描的方法将边界单元分割为前景边界部分和背景部分。利用网格的上、下、左、以及右的四邻域,采用线扫描进行像素点的扫描。具体的扫描方法如下:对于当前边界单元的四邻域的网格,按照上、右、下、以及左的优先级分别判断是否是背景单元,如果是背景单元,则采用与背景单元相对于当前边界单元的方向相反的方向进行扫描,例如如果左侧为背景单元,则当前边界单元为从左向右扫描。要注意的是,按照上、右、下、以及左的优先级找到四邻域中的一个背景单元并据此进行扫描即可。另外,在扫描时,在当前行或列周围取多行或多列进行扫描(以预定数量的像素作为一组进行扫描),如果其中几个像素遇到前景颜色,则当前行停止扫描,扫描过的像素即为背景部分,未扫描的为前景边界部分。扫描坐标可以考虑相邻像素的信息进行平滑。
在如上所述将边界单元分割为前景边界部分和背景部分之后,利用前景边界部分可以得到前景对象的边界,从而利用前景对象的边界得到前景对象的掩膜。图13是示出根据本公开的实施例的前景对象的掩膜的示例的图。利用如图13所示的前景对象的掩膜,可以精确地提取出前景对象。
此外,根据本公开的实施例的对象提取方法还包括平滑步骤,可以对前景对象的边界进行平滑。具体地,我们可以对如上所获得的前景对象的边界进行平滑。优选地,可以利用高斯平滑对前景对象的边界像素进行平滑。图14是示出根据本公开的实施例的前景对象的平滑后的边界的示例的图。
我们可以将如上对象提取技术应用于人工智能。具体地,在如上所述提取出前景对象之后,可以将所提取出的前景对象置于虚拟环境中。15是示出根据本公开的实施例的将前景对象置于虚拟环境中的示例的图。如图15所示,所提取出的前景对象(即人物)看起来像置身于虚拟环境中。
根据以上描述可知,根据本公开的实施例的对象提取方法能够实现无需任何用户交互的自动对象提取。另外,根据本公开的实施例的对象提取方法对于前景对象提取、特别对于头肩像提取具有鲁棒且准确的性能。结果显示,与现有的方法GMM、GrabCut、以及码书等相比,根据本公开的实施例的对象提取方法可以克服光改变和摄像装置的自动白平衡的影响,以及该对象提取方法具有鲁棒性能以及较快速度。
与上述方法实施例相对应地,本公开还提供了以下设备实施例。
图16是示出根据本公开的实施例的对象提取设备1600的功能配置示例的框图。
如图16所示,根据本公开的实施例的对象提取设备1600可包括背景图像二值化边缘图提取模块1602、当前帧二值化边缘图提取模块1604、前景对象二值化边缘图提取模块1606、前景对象边界单元查找模块1608、以及前景对象掩膜获得模块1610。接下来将描述各个模块的功能配置示例。
背景图像二值化边缘图提取模块1602可以被配置成计算背景图像中的每个像素的梯度和梯度方向,通过将背景图像中的每个像素的梯度与第一阈值比较,提取背景图像的二值化边缘图。
在背景图像二值化边缘图提取模块1602中,可以通过计算视频序列中的预定数量的在前帧中对应位置处的像素的均值,得到背景图像。
即,对于视频序列中的预定数量的在前帧,可以通过计算这些帧中对应位置处的像素的均值,学习出这些帧的平均背景。
优选地,在背景图像二值化边缘图提取模块1602中,可以分别计算背景图像中的像素的R、G和B分量的梯度,并且可以将R、G和B分量的梯度中的最大梯度作为该像素的梯度。
优选地,在背景图像二值化边缘图提取模块1602中,可以分别计算背景图像中的像素的R、G和B分量的梯度方向,并且可以将R、G和B分量的梯度方向中的最大梯度方向作为该像素的梯度方向。
优选地,第一阈值TH1可以是根据经验确定的值,本领域技术人员还可以想到确定第一阈值TH1的其他方法,本公开对此不做限制。
当前帧二值化边缘图提取模块1604可以被配置成计算包括前景对象的当前帧中的每个像素的梯度和梯度方向,通过将当前帧中的每个像素的梯度与第二阈值比较,提取当前帧的二值化边缘图。
优选地,在当前帧二值化边缘图提取模块1604中,可以分别计算当前帧中的像素的R、G和B分量的梯度,并且可以将R、G和B分量的梯度中的最大梯度作为该像素的梯度。
在当前帧二值化边缘图提取模块1604中,可以分别计算当前帧中的像素的R、G和B分量的梯度方向,并且可以将R、G和B分量的梯度方向中的最大梯度方向作为该像素的梯度方向。
优选地,第二阈值TH2可以是根据经验确定的值,本领域技术人员还可以想到确定第二阈值TH2的其他方法,本公开对此不做限制。
优选地,在计算背景图像和当前帧中的像素的梯度时,可以利用Haar算子计算图像的边缘图。利用Haar算子计算图像的边缘图的方法可参见以上方法实施例中相应位置的描述,在此不再重复。除了利用Haar算子计算图像的边缘图之外,本领域技术人员还可以想到采用其他模板计算图像的边缘图,本公开对此不做限制。
当计算出背景图像和当前帧的梯度图(灰度图)之后,需要对背景图像和当前帧的梯度图进行二值化。可以通过将背景图像中的每个像素的梯度与第一阈值TH1比较,提取背景图像的二值化边缘图。另外,可以通过将当前帧中的每个像素的梯度与第二阈值TH2比较,提取当前帧的二值化边缘图。
优选地,第一阈值TH1小于第二阈值TH2。TH1小于TH2的好处是:与背景图像的二值化边缘图相比,当前帧的二值化边缘图中属于背景的边缘更细。
另外,可以根据如上计算出的梯度来计算像素的R、G、B三通道的梯度方向arctan(Dyr/Dxr)、arctan(Dyg/Dxg)、arctan(Dyb/Dxb),并可以选取R、G、B三通道的梯度方向的最大值作为像素的梯度方向。
前景对象二值化边缘图提取模块1606可以被配置成基于背景图像的二值化边缘图和当前帧的二值化边缘图、以及背景图像中的像素的梯度方向和当前帧中的像素的梯度方向,提取前景对象的二值化边缘图。
优选地,在前景对象二值化边缘图提取模块1606中,将当前帧的二值化边缘图与背景图像的二值化边缘图中的对应位置的像素值相减而得到像素差值,在像素差值小于或等于0的情况下,将前景对象的二值化边缘图中对应位置的像素设置为第一值,而在像素差值大于0的情况下,将前景对象的二值化边缘图中对应位置的像素设置为第二值。
优选地,第一值可以为0(图像中具有值为0的像素为黑色像素),第二值可以为255(图像中具有值为255的像素为白色像素)。
优选地,在当前帧的二值化边缘图与背景图像的二值化边缘图中的对应位置的像素值均为第二值时,将当前帧与背景图像中的对应位置的像素的梯度方向相减而得到梯度方向差值,在梯度方向差值大于第三阈值的情况下,将前景对象的二值化边缘图中对应位置的像素设置为第二值。
优选地,第三阈值TH3可以是根据经验确定的值,本领域技术人员还可以想到确定第三阈值TH3的其他方法,本公开对此不做限制。
具体的提取前景对象的二值化边缘图的方法可参见以上方法实施例中相应位置的描述,在此不再重复。
前景对象边界单元查找模块1608可以被配置成将前景对象的二值化边缘图中的包括前景对象的区域划分成具有预定大小的单元,找到位于前景对象的边界处的边界单元。
优选地,在前景对象边界单元查找模块1608中,通过从前景对象的二值化边缘图的上边界、下边界、左边界以及右边界分别向中心扫描,得到前景对象的二值化边缘图中的包括前景对象的区域。
得到前景对象的二值化边缘图中的包括前景对象的区域的方法可参见以上方法实施例中相应位置的描述,在此不再重复。
优选地,可以采用边缘连接的方法,对前景对象的边缘缺口部分进行连接,这样使得边缘更加完整。
对前景对象的边缘缺口部分进行连接的方法可参见以上方法实施例中相应位置的描述,在此不再重复。
优选地,在前景对象边界单元查找模块1608中,对于前景对象的二值化边缘图中的包括前景对象的区域,利用前景对象的左侧和右侧不包含任何对象的先验知识,搜索该区域中的背景单元,并且基于搜索到的背景单元而找到边界单元。
优选地,选择所述区域的左上角和右上角的单元作为种子,并且使用广度优先算法或深度优先算法来扫描所获得的背景单元的八个相邻单元,从而搜索到所有背景单元。
搜索背景单元的方法可参见以上方法实施例中相应位置的描述,在此不再重复。
基于搜索到的背景单元,可以找到前景对象的边界单元。而为了得到前景对象的边界,需要将边界单元分割为前景边界部分和背景部分。
前景对象掩膜获得模块1610可以被配置成将边界单元分割为前景边界部分和背景部分,以得到前景对象的边界,从而利用前景对象的边界得到前景对象的掩膜。
优选地,在前景对象掩膜获得模块1610中,对于每个边界单元,依次以预定数量的像素作为一组,在与其相邻背景单元相对于边界单元的方向相反的方向上,通过线扫描方法确定前景边界部分。
通过线扫描方法确定前景边界部分的细节可参见以上方法实施例中相应位置的描述,在此不再重复。
在将边界单元分割为前景边界部分和背景部分之后,利用前景边界部分可以得到前景对象的边界,从而利用前景对象的边界得到前景对象的掩膜。
此外,根据本公开的实施例的对象提取设备还包括平滑模块,可以被配置成对前景对象的边界进行平滑。具体地,我们可以对如上所获得的前景对象的边界进行平滑。优选地,可以利用高斯平滑对前景对象的边界像素进行平滑。
根据以上描述可知,根据本公开的实施例的对象提取设备能够实现无需任何用户交互的自动对象提取。另外,根据本公开的实施例的对象提取设备对于前景对象提取、特别对于头肩像提取具有鲁棒且准确的性能。此外,根据本公开的实施例的对象提取设备可以克服光改变和摄像装置的自动白平衡的影响,以及该对象提取设备具有鲁棒性能以及较快速度。
应指出,尽管以上描述了根据本公开的实施例的对象提取设备的功能配置,但是这仅是示例而非限制,并且本领域技术人员可根据本公开的原理对以上实施例进行修改,例如可对各个实施例中的功能模块进行添加、删除或者组合等,并且这样的修改均落入本公开的范围内。
此外,还应指出,这里的装置实施例是与上述方法实施例相对应的,因此在装置实施例中未详细描述的内容可参见方法实施例中相应位置的描述,在此不再重复描述。
应理解,根据本公开的实施例的存储介质和程序产品中的机器可执行的指令还可以被配置成执行上述对象提取方法,因此在此未详细描述的内容可参考先前相应位置的描述,在此不再重复进行描述。
相应地,用于承载上述包括机器可执行的指令的程序产品的存储介质也包括在本发明的公开中。该存储介质包括但不限于软盘、光盘、磁光盘、存储卡、存储棒等等。
另外,还应该指出的是,上述系列处理和装置也可以通过软件和/或固件实现。在通过软件和/或固件实现的情况下,从存储介质或网络向具有专用硬件结构的计算机,例如图17所示的通用个人计算机1700安装构成该软件的程序,该计算机在安装有各种程序时,能够执行各种功能等等。
在图17中,中央处理单元(CPU)1701根据只读存储器(ROM)1702中存储的程序或从存储部分1708加载到随机存取存储器(RAM)1703的程序执行各种处理。在RAM 1703中,也根据需要存储当CPU 1701执行各种处理等时所需的数据。
CPU 1701、ROM 1702和RAM 1703经由总线1704彼此连接。输入/输出接口1705也连接到总线1704。
下述部件连接到输入/输出接口1705:输入部分1706,包括键盘、鼠标等;输出部分1707,包括显示器,比如阴极射线管(CRT)、液晶显示器(LCD)等,和扬声器等;存储部分1708,包括硬盘等;和通信部分1709,包括网络接口卡比如LAN卡、调制解调器等。通信部分1709经由网络比如因特网执行通信处理。
根据需要,驱动器1710也连接到输入/输出接口1705。可拆卸介质1711比如磁盘、光盘、磁光盘、半导体存储器等等根据需要被安装在驱动器1710上,使得从中读出的计算机程序根据需要被安装到存储部分1708中。
在通过软件实现上述系列处理的情况下,从网络比如因特网或存储介质比如可拆卸介质1711安装构成软件的程序。
本领域的技术人员应当理解,这种存储介质不局限于图17所示的其中存储有程序、与设备相分离地分发以向用户提供程序的可拆卸介质1711。可拆卸介质1711的例子包含磁盘(包含软盘(注册商标))、光盘(包含光盘只读存储器(CD-ROM)和数字通用盘(DVD))、磁光盘(包含迷你盘(MD)(注册商标))和半导体存储器。或者,存储介质可以是ROM 1702、存储部分1708中包含的硬盘等等,其中存有程序,并且与包含它们的设备一起被分发给用户。
以上参照附图描述了本公开的优选实施例,但是本公开当然不限于以上示例。本领域技术人员可在所附权利要求的范围内得到各种变更和修改,并且应理解这些变更和修改自然将落入本公开的技术范围内。
例如,在以上实施例中包括在一个模块中的多个功能可以由分开的装置来实现。替选地,在以上实施例中由多个模块实现的多个功能可分别由分开的装置来实现。另外,以上功能之一可由多个模块来实现。无需说,这样的配置包括在本公开的技术范围内。
在该说明书中,流程图中所描述的步骤不仅包括以所述顺序按时间序列执行的处理,而且包括并行地或单独地而不是必须按时间序列执行的处理。此外,甚至在按时间序列处理的步骤中,无需说,也可以适当地改变该顺序。
另外,根据本公开的技术还可以如下进行配置。
附记1.一种用于在视频序列中提取前景对象的对象提取方法,包括:
背景图像二值化边缘图提取步骤,用于计算背景图像中的每个像素的梯度和梯度方向,通过将所述背景图像中的每个像素的梯度与第一阈值比较,提取所述背景图像的二值化边缘图;
当前帧二值化边缘图提取步骤,用于计算包括所述前景对象的当前帧中的每个像素的梯度和梯度方向,通过将所述当前帧中的每个像素的梯度与第二阈值比较,提取所述当前帧的二值化边缘图;
前景对象二值化边缘图提取步骤,用于基于所述背景图像的二值化边缘图和所述当前帧的二值化边缘图、以及所述背景图像中的像素的梯度方向和所述当前帧中的像素的梯度方向,提取所述前景对象的二值化边缘图;
前景对象边界单元查找步骤,用于将所述前景对象的二值化边缘图中的包括所述前景对象的区域划分成具有预定大小的单元,找到位于所述前景对象的边界处的边界单元;以及
前景对象掩膜获得步骤,用于将所述边界单元分割为前景边界部分和背景部分,以得到所述前景对象的边界,从而利用所述前景对象的边界得到所述前景对象的掩膜。
附记2.根据附记1所述的对象提取方法,其中,所述第一阈值小于所述第二阈值。
附记3.根据附记2所述的对象提取方法,其中,在所述前景对象二值化边缘图提取步骤中,将所述当前帧的二值化边缘图与所述背景图像的二值化边缘图中的对应位置的像素值相减而得到像素差值,在所述像素差值小于或等于0的情况下,将所述前景对象的二值化边缘图中对应位置的像素设置为第一值,而在所述像素差值大于0的情况下,将所述前景对象的二值化边缘图中对应位置的像素设置为第二值。
附记4.根据附记3所述的对象提取方法,其中,当所述当前帧的二值化边缘图与所述背景图像的二值化边缘图中的对应位置的像素值均为所述第二值时,将所述当前帧与所述背景图像中的对应位置的像素的梯度方向相减而得到梯度方向差值,在所述梯度方向差值大于第三阈值的情况下,将所述前景对象的二值化边缘图中对应位置的像素设置为所述第二值。
附记5.根据附记1所述的对象提取方法,其中,在所述前景对象边界单元查找步骤中,对于所述前景对象的二值化边缘图中的包括所述前景对象的区域,利用所述前景对象的左侧和右侧不包含任何对象的先验知识,搜索所述区域中的背景单元,并且基于搜索到的背景单元而找到所述边界单元。
附记6.根据附记5所述的对象提取方法,其中,选择所述区域的左上角和右上角的单元作为种子,并且使用广度优先算法或深度优先算法来扫描所获得的背景单元的八个相邻单元,从而搜索到所有背景单元。
附记7.根据附记1所述的对象提取方法,其中,在所述前景对象掩膜获得步骤中,对于每个边界单元,依次以预定数量的像素作为一组,在与其相邻背景单元相对于所述边界单元的方向相反的方向上,通过线扫描方法确定所述前景边界部分。
附记8.根据附记1所述的对象提取方法,所述方法还包括平滑步骤,用于对所述前景对象的边界进行平滑。
附记9.根据附记1所述的对象提取方法,其中,在所述前景对象边界单元查找步骤中,通过从所述前景对象的二值化边缘图的上边界、下边界、左边界以及右边界分别向中心扫描,得到所述前景对象的二值化边缘图中的包括所述前景对象的区域。
附记10.根据附记1所述的对象提取方法,其中,在所述当前帧二值化边缘图提取步骤中,分别计算所述当前帧中的像素的R、G和B分量的梯度,并且将R、G和B分量的梯度中的最大梯度作为所述像素的梯度。
附记11.一种用于在视频序列中提取前景对象的对象提取设备,包括:
背景图像二值化边缘图提取模块,被配置成计算背景图像中的每个像素的梯度和梯度方向,通过将所述背景图像中的每个像素的梯度与第一阈值比较,提取所述背景图像的二值化边缘图;
当前帧二值化边缘图提取模块,被配置成计算包括所述前景对象的当前帧中的每个像素的梯度和梯度方向,通过将所述当前帧中的每个像素的梯度与第二阈值比较,提取所述当前帧的二值化边缘图;
前景对象二值化边缘图提取模块,被配置成基于所述背景图像的二值化边缘图和所述当前帧的二值化边缘图、以及所述背景图像中的像素的梯度方向和所述当前帧中的像素的梯度方向,提取所述前景对象的二值化边缘图;
前景对象边界单元查找模块,被配置成将所述前景对象的二值化边缘图中的包括所述前景对象的区域划分成具有预定大小的单元,找到位于所述前景对象的边界处的边界单元;以及
前景对象掩膜获得模块,被配置成将所述边界单元分割为前景边界部分和背景部分,以得到所述前景对象的边界,从而利用所述前景对象的边界得到所述前景对象的掩膜。
附记12.根据附记11所述的对象提取设备,其中,所述第一阈值小于所述第二阈值。
附记13.根据附记12所述的对象提取设备,其中,在所述前景对象二值化边缘图提取模块中,将所述当前帧的二值化边缘图与所述背景图像的二值化边缘图中的对应位置的像素值相减而得到像素差值,在所述像素差值小于或等于0的情况下,将所述前景对象的二值化边缘图中对应位置的像素设置为第一值,而在所述像素差值大于0的情况下,将所述前景对象的二值化边缘图中对应位置的像素设置为第二值。
附记14.根据附记13所述的对象提取设备,其中,当所述当前帧的二值化边缘图与所述背景图像的二值化边缘图中的对应位置的像素值均为所述第二值时,将所述当前帧与所述背景图像中的对应位置的像素的梯度方向相减而得到梯度方向差值,在所述梯度方向差值大于第三阈值的情况下,将所述前景对象的二值化边缘图中对应位置的像素设置为所述第二值。
附记15.根据附记11所述的对象提取设备,其中,在所述前景对象边界单元查找模块中,对于所述前景对象的二值化边缘图中的包括所述前景对象的区域,利用所述前景对象的左侧和右侧不包含任何对象的先验知识,搜索所述区域中的背景单元,并且基于搜索到的背景单元而找到所述边界单元。
附记16.根据附记15所述的对象提取设备,其中,在选择所述区域的左上角和右上角的单元作为种子,并且使用广度优先算法或深度优先算法来扫描所获得的背景单元的八个相邻单元,从而搜索到所有背景单元。
附记17.根据附记11所述的对象提取设备,其中,在所述前景对象掩膜获得模块中,对于每个边界单元,依次以预定数量的像素作为一组,在与其相邻背景单元相对于所述边界单元的方向相反的方向上,通过线扫描方法确定所述前景边界部分。
附记18.根据附记11所述的对象提取设备,所述设备还包括平滑模块,被配置成对所述前景对象的边界进行平滑。
附记19.根据附记11所述的对象提取设备,其中,在所述前景对象边界单元查找模块中,通过从所述前景对象的二值化边缘图的上边界、下边界、左边界以及右边界分别向中心扫描,得到所述前景对象的二值化边缘图中的包括所述前景对象的区域。
附记20.根据附记11所述的对象提取设备,其中,在所述当前帧二值化边缘图提取模块中,分别计算所述当前帧中的像素的R、G和B分量的梯度,并且将R、G和B分量的梯度中的最大梯度作为所述像素的梯度。
Claims (10)
1.一种用于在视频序列中提取前景对象的对象提取方法,包括:
背景图像二值化边缘图提取步骤,用于计算背景图像中的每个像素的梯度和梯度方向,通过将所述背景图像中的每个像素的梯度与第一阈值比较,提取所述背景图像的二值化边缘图;
当前帧二值化边缘图提取步骤,用于计算包括所述前景对象的当前帧中的每个像素的梯度和梯度方向,通过将所述当前帧中的每个像素的梯度与第二阈值比较,提取所述当前帧的二值化边缘图;
前景对象二值化边缘图提取步骤,用于基于所述背景图像的二值化边缘图和所述当前帧的二值化边缘图、以及所述背景图像中的像素的梯度方向和所述当前帧中的像素的梯度方向,提取所述前景对象的二值化边缘图;
前景对象边界单元查找步骤,用于将所述前景对象的二值化边缘图中的包括所述前景对象的区域划分成具有预定大小的单元,找到位于所述前景对象的边界处的边界单元;以及
前景对象掩膜获得步骤,用于将所述边界单元分割为前景边界部分和背景部分,以得到所述前景对象的边界,从而利用所述前景对象的边界得到所述前景对象的掩膜。
2.根据权利要求1所述的对象提取方法,其中,所述第一阈值小于所述第二阈值。
3.根据权利要求2所述的对象提取方法,其中,在所述前景对象二值化边缘图提取步骤中,将所述当前帧的二值化边缘图与所述背景图像的二值化边缘图中的对应位置的像素值相减而得到像素差值,在所述像素差值小于或等于0的情况下,将所述前景对象的二值化边缘图中对应位置的像素设置为第一值,而在所述像素差值大于0的情况下,将所述前景对象的二值化边缘图中对应位置的像素设置为第二值。
4.根据权利要求3所述的对象提取方法,其中,在所述当前帧的二值化边缘图与所述背景图像的二值化边缘图中的对应位置的像素值均为所述第二值时,将所述当前帧与所述背景图像中的对应位置的像素的梯度方向相减而得到梯度方向差值,在所述梯度方向差值大于第三阈值的情况下,将所述前景对象的二值化边缘图中对应位置的像素设置为所述第二值。
5.根据权利要求1所述的对象提取方法,其中,在所述前景对象边界单元查找步骤中,对于所述前景对象的二值化边缘图中的包括所述前景对象的区域,利用所述前景对象的左侧和右侧不包含任何对象的先验知识,搜索所述区域中的背景单元,并且基于搜索到的背景单元而找到所述边界单元。
6.根据权利要求5所述的对象提取方法,其中,选择所述区域的左上角和右上角的单元作为种子,并且使用广度优先算法或深度优先算法来扫描所获得的背景单元的八个相邻单元,从而搜索到所有背景单元。
7.根据权利要求1所述的对象提取方法,其中,在所述前景对象掩膜获得步骤中,对于每个边界单元,依次以预定数量的像素作为一组,在与其相邻背景单元相对于所述边界单元的方向相反的方向上,通过线扫描方法确定所述前景边界部分。
8.根据权利要求1所述的对象提取方法,所述方法还包括平滑步骤,用于对所述前景对象的边界进行平滑。
9.根据权利要求1所述的对象提取方法,其中,在所述前景对象边界单元查找步骤中,通过从所述前景对象的二值化边缘图的上边界、下边界、左边界以及右边界分别向中心扫描,得到所述前景对象的二值化边缘图中的包括所述前景对象的区域。
10.一种用于在视频序列中提取前景对象的对象提取设备,包括:
背景图像二值化边缘图提取模块,被配置成计算背景图像中的每个像素的梯度和梯度方向,通过将所述背景图像中的每个像素的梯度与第一阈值比较,提取所述背景图像的二值化边缘图;
当前帧二值化边缘图提取模块,被配置成计算包括所述前景对象的当前帧中的每个像素的梯度和梯度方向,通过将所述当前帧中的每个像素的梯度与第二阈值比较,提取所述当前帧的二值化边缘图;
前景对象二值化边缘图提取模块,被配置成基于所述背景图像的二值化边缘图和所述当前帧的二值化边缘图、以及所述背景图像中的像素的梯度方向和所述当前帧中的像素的梯度方向,提取所述前景对象的二值化边缘图;
前景对象边界单元查找模块,被配置成将所述前景对象的二值化边缘图中的包括所述前景对象的区域划分成具有预定大小的单元,找到位于所述前景对象的边界处的边界单元;以及
前景对象掩膜获得模块,被配置成将所述边界单元分割为前景边界部分和背景部分,以得到所述前景对象的边界,从而利用所述前景对象的边界得到所述前景对象的掩膜。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510497910.XA CN106469432A (zh) | 2015-08-13 | 2015-08-13 | 对象提取方法和对象提取设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510497910.XA CN106469432A (zh) | 2015-08-13 | 2015-08-13 | 对象提取方法和对象提取设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106469432A true CN106469432A (zh) | 2017-03-01 |
Family
ID=58214774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510497910.XA Pending CN106469432A (zh) | 2015-08-13 | 2015-08-13 | 对象提取方法和对象提取设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106469432A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961258A (zh) * | 2017-05-18 | 2018-12-07 | 北京金山云网络技术有限公司 | 一种前景图像获得方法及装置 |
CN109993750A (zh) * | 2017-12-29 | 2019-07-09 | 中国科学院深圳先进技术研究院 | 一种手腕骨的分割识别方法及系统、终端及可读存储介质 |
CN113989167A (zh) * | 2021-12-27 | 2022-01-28 | 杭州爱科科技股份有限公司 | 基于种子点自生长的轮廓提取方法、装置、设备及介质 |
CN114081625A (zh) * | 2020-07-31 | 2022-02-25 | 上海微创卜算子医疗科技有限公司 | 导航路径规划方法、系统和可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102833459A (zh) * | 2011-06-15 | 2012-12-19 | 富士通株式会社 | 图像处理方法、图像处理装置及扫描仪 |
CN103473785A (zh) * | 2013-09-29 | 2013-12-25 | 哈尔滨工业大学 | 一种基于三值化图像聚类的快速多目标分割方法 |
-
2015
- 2015-08-13 CN CN201510497910.XA patent/CN106469432A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102833459A (zh) * | 2011-06-15 | 2012-12-19 | 富士通株式会社 | 图像处理方法、图像处理装置及扫描仪 |
CN103473785A (zh) * | 2013-09-29 | 2013-12-25 | 哈尔滨工业大学 | 一种基于三值化图像聚类的快速多目标分割方法 |
Non-Patent Citations (3)
Title |
---|
孙瑾 等: ""一种基于梯度方向信息的运动目标检测算法"", 《中国图象图形学报》 * |
王小鹏 等: ""基于视觉感知的双层次阈值边缘连接方法"", 《计算机应用》 * |
罗东华等: ""基于边缘的背景差法在车流量检测中的应用"", 《光电工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961258A (zh) * | 2017-05-18 | 2018-12-07 | 北京金山云网络技术有限公司 | 一种前景图像获得方法及装置 |
CN108961258B (zh) * | 2017-05-18 | 2021-02-23 | 北京金山云网络技术有限公司 | 一种前景图像获得方法及装置 |
CN109993750A (zh) * | 2017-12-29 | 2019-07-09 | 中国科学院深圳先进技术研究院 | 一种手腕骨的分割识别方法及系统、终端及可读存储介质 |
CN109993750B (zh) * | 2017-12-29 | 2020-12-25 | 中国科学院深圳先进技术研究院 | 一种手腕骨的分割识别方法及系统、终端及可读存储介质 |
CN114081625A (zh) * | 2020-07-31 | 2022-02-25 | 上海微创卜算子医疗科技有限公司 | 导航路径规划方法、系统和可读存储介质 |
CN114081625B (zh) * | 2020-07-31 | 2023-08-25 | 上海微创卜算子医疗科技有限公司 | 导航路径规划方法、系统和可读存储介质 |
CN113989167A (zh) * | 2021-12-27 | 2022-01-28 | 杭州爱科科技股份有限公司 | 基于种子点自生长的轮廓提取方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11887362B2 (en) | Sky filter method for panoramic images and portable terminal | |
KR101670282B1 (ko) | 전경-배경 제약 조건 전파를 기초로 하는 비디오 매팅 | |
TWI396143B (zh) | 照片分割方法及系統及照片之影像配合方法 | |
CN105096347B (zh) | 图像处理装置和方法 | |
US20150326845A1 (en) | Depth value restoration method and system | |
CN104794479B (zh) | 基于局部笔画宽度变换的自然场景图片中文本检测方法 | |
CN106570497A (zh) | 一种场景图像的文本检测方法和装置 | |
TW202014984A (zh) | 一種圖像處理方法、電子設備及存儲介質 | |
CN103177446A (zh) | 基于邻域和非邻域平滑先验的图像前景精准提取方法 | |
Rhemann et al. | A spatially varying PSF-based prior for alpha matting | |
US7840074B2 (en) | Method and apparatus for selecting an object in an image | |
JP4964171B2 (ja) | 対象領域抽出方法および装置ならびにプログラム | |
Ofir et al. | On detection of faint edges in noisy images | |
CN108510491A (zh) | 虚化背景下人体骨骼关键点检测结果的过滤方法 | |
CN106469432A (zh) | 对象提取方法和对象提取设备 | |
Gutzeit et al. | Automatic segmentation of wood logs by combining detection and segmentation | |
WO2015181179A1 (en) | Method and apparatus for object tracking and segmentation via background tracking | |
CN113793301A (zh) | 基于稠密卷积网络模型的眼底影像分析模型的训练方法 | |
Wang et al. | Where2stand: A human position recommendation system for souvenir photography | |
Gong et al. | Real-time video matting using multichannel poisson equations | |
CN116342519A (zh) | 一种基于机器学习的图像处理方法 | |
Ngoc et al. | Document detection in videos captured by smartphones using a saliency-based method | |
CN108154513A (zh) | 基于双光子成像数据的细胞自动探测和分割方法 | |
Hua et al. | Background extraction using random walk image fusion | |
CN106611406A (zh) | 图像校正方法和图像校正设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170301 |
|
RJ01 | Rejection of invention patent application after publication |