CN106651885A - 一种图像分割方法及装置 - Google Patents
一种图像分割方法及装置 Download PDFInfo
- Publication number
- CN106651885A CN106651885A CN201611267785.4A CN201611267785A CN106651885A CN 106651885 A CN106651885 A CN 106651885A CN 201611267785 A CN201611267785 A CN 201611267785A CN 106651885 A CN106651885 A CN 106651885A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- value
- area
- coordinate value
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000003709 image segmentation Methods 0.000 title claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000005192 partition Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 241000282887 Suidae Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000009395 breeding Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000001965 increasing effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 235000013622 meat product Nutrition 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Classifications
-
- G06T5/73—
-
- 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
- G06T2207/20152—Watershed segmentation
Abstract
本发明提供一种图像分割方法及装置,方法包括:获取相同的第一和第二待处理图像;对第一待处理图像进行预处理后转化为梯度图像;获取梯度图像上各第一区域上的标记点集合以及梯度图像的像素点的坐标值和灰度值;根据上述各参数、预先构建的前景灰度直方图和背景灰度直方图,确定待分割的目标区域的轮廓线上各个像素点的坐标值,并据此在第二待处理图像上将除所述待分割的目标区域外的区域的颜色设置为与待分割的目标区域不同的颜色,以实现对待分割的目标区域的分割。本发明可达到了快速且准确的分割目的。
Description
技术领域
本发明涉及检测技术领域,尤其涉及一种图像分割方法及装置。
背景技术
随着我国经济和社会的发展,人们生活质量得到了显著提高,对肉类食品的需求已不只是数量上的满足,对肉品质量也具有了高要求,猪肉产品的质量安全与人民群众的生活质量紧密相关,生猪养殖不仅关系到我国经济的发展,并且关系到民生国计和社会安定。但流行病对生猪养殖生产的威胁十分严重,所以,分割出特定生猪图像对日后进行生猪目标检测、识别、疾病诊治等工作具有重要意义。随着图像处理技术的发展,图像分割发挥着越来越大的作用。传统的交互分割方法可以较为准确的分割出特定生猪目标,但是费时费力;自动分割虽然可以减少人工操作,但由于生猪位置的不确定性、复杂背景的模糊化以及不同像素范围噪声的影响,自动分割往往很难取得令人满意的分割效果。因此,交互图像分割的复合方法越来越受到人们的重视。
Rother等人在GraphCut基础上提出的GrabCut,有效的减少了用户的交互量;L.Vincent与Soille提出了基于浸入模拟的算法,算法简单易于并行处理;Yin Li等人提出的LazySnapping,大量的减少了图节点的数量,实现图像的有效分割。分水岭算法有好的鲁棒性,但容易受噪声影响;自适应分水岭算法的过分割现象非常严重,极易导致图像目标信息的丢失或分割过多;LazySnapping算法进行分割,能够实现特定颜色的提取。
对于分割对象颜色单一、边缘模糊且具有低对比度,复杂背景对象可能与目标特征值相近,对于用户想要选定的特定目标不容易分割出来的问题目前还无法解决。
发明内容
本发明提供一种至少部分解决上述技术问题的图像分割方法及装置。
第一方面,本发明提供一种图像分割方法,包括:
获取相同的第一待处理图像和第二待处理图像;所述第一待处理图像和第二待处理图像包括至少一个第一区域和一个第二区域,所述至少一个第一区域中包括至少一个待分割的目标区域;
对所述第一待处理图像进行预处理,获取消除噪音和锐化后的图像;
将预处理后的图像转化为梯度图像;
获取所述梯度图像上各个第一区域上的标记点集合以及所述梯度图像上的像素点的坐标值和像素点的灰度值;
根据各个标记点集合、所述梯度图像的像素点的坐标值、所述梯度图像的像素点的灰度值、预先构建的前景灰度直方图和预先构建的背景灰度直方图,确定待分割的目标区域的轮廓线上各个像素点的坐标值;
根据所述待分割的目标区域的轮廓线上各个像素点的坐标值,在所述第二待处理图像上将除所述待分割的目标区域外的区域的颜色设置为与所述待分割的目标区域不同的颜色,以实现对所述待分割的目标区域的分割。
优选的,所述根据各个标记点集合、所述梯度图像的像素点的坐标值、所述梯度图像的像素点的灰度值、预先构建的前景灰度直方图和预先构建的背景灰度直方图,确定待分割的目标区域的轮廓线上各个像素点的坐标值,包括:
根据各个标记点集合、所述梯度图像的像素点的坐标值和所述梯度图像的像素点的灰度值,获取各个所述第一区域的轮廓线上的各个像素点的坐标值和各个所述第一区域的轮廓线上的各个像素点的灰度值;
根据所述各个所述第一区域的轮廓线上的各个像素点的坐标值、所述梯度图像的像素点的坐标值和所述梯度图像的像素点的灰度值,获取各个区域的像素点的灰度值;所述各个区域包括所有第一区域和第二区域;
根据所述各个区域的像素点的灰度值、预先构建的前景灰度直方图和预先构建的背景灰度直方图,确定待分割的目标区域的轮廓线上各个像素点的坐标值。
优选的,所述根据各个标记点集合、所述梯度图像的像素点的坐标值和所述梯度图像的像素点的灰度值,获取各个所述第一区域的轮廓线上的各个像素点的坐标值和各个所述第一区域的轮廓线上的各个像素点的灰度值,包括:
获取各个所述标记点集合覆盖的梯度图像上的像素点的灰度值;
以各个所述标记点集合覆盖的梯度图像上的像素点的的最大灰度值和最小灰度值分别为阈值,将所述梯度图像转化为二值图像;
根据所述二值图像,获取各个所述第一区域的轮廓线上的各个像素点的坐标值和各个所述第一区域的轮廓线上的各个像素点的灰度值。
优选的,所述根据所述各个所述第一区域的轮廓线上的各个像素点的坐标值、所述梯度图像的像素点的坐标值和所述梯度图像的像素点的灰度值,获取各个区域的像素点的灰度值,包括:
根据所述各个所述第一区域的轮廓线上的各个像素点的坐标值、所述梯度图像的像素点的坐标值和梯度图像的像素点的灰度值,采用分水岭算法获取各个区域的像素点的灰度值。
优选的,所述根据所述各个区域的像素点的灰度值、预先构建的前景灰度直方图和预先构建的背景灰度直方图,确定待分割的目标区域的轮廓线上各个像素点的坐标值,包括:
根据所述各个区域的像素点的灰度值,计算各个区域的灰度均值;
根据所述各个区域的灰度均值、预先构建的前景灰度直方图和预先构建的背景灰度直方图,计算各个区域属于前景的概率和属于背景的概率;
根据所述各个区域的灰度均值,计算所述各个区域中任意两个区域之间的欧式距离;
根据所述各个区域的灰度均值、各个区域属于前景的概率、各个区域属于背景的概率和所述各个区域中任意两个区域之间的欧式距离,计算能量值;
根据所述能量值,确定待分割的目标区域的轮廓线上各个像素点的坐标值。
优选的,所述根据各个标记点集合、所述梯度图像的像素点的坐标值和所述梯度图像的像素点的灰度值,获取各个所述第一区域的轮廓线上的各个像素点的坐标值和各个所述第一区域的轮廓线上的各个像素点的灰度值之后,所述根据所述各个所述第一区域的轮廓线上的各个像素点的坐标值、所述梯度图像的像素点的坐标值和所述梯度图像的像素点的灰度值,获取各个区域的像素点的灰度值之前,所述方法还包括:
根据所述各个所述第一区域的轮廓线上的各个像素点的坐标值和各个所述第一区域的轮廓线上的各个像素点的灰度值,生成所述各个第一区域的轮廓线并显示。
第二方面,本发明还提供一种图像分割装置,包括:
第一获取单元,用于获取相同的第一待处理图像和第二待处理图像;所述第一待处理图像和第二待处理图像包括至少一个第一区域和一个第二区域,所述至少一个第一区域中包括至少一个待分割的目标区域;
第二获取单元,用于对所述第一待处理图像进行预处理,获取消除噪音和锐化后的图像;
转化单元,用于将预处理后的图像转化为梯度图像;
第三获取单元,用于获取所述梯度图像上各个第一区域上的标记点集合以及所述梯度图像上的像素点的坐标值和像素点的灰度值;
确定单元,用于根据各个标记点集合、所述梯度图像的像素点的坐标值、所述梯度图像的像素点的灰度值、预先构建的前景灰度直方图和预先构建的背景灰度直方图,确定待分割的目标区域的轮廓线上各个像素点的坐标值;
设置单元,用于根据所述待分割的目标区域的轮廓线上各个像素点的坐标值,在所述第二待处理图像上将除所述待分割的目标区域外的区域的颜色设置为与所述待分割的目标区域不同的颜色,以实现对所述待分割的目标区域的分割。
优选的,所述确定单元,还用于:
根据各个标记点集合、所述梯度图像的像素点的坐标值和所述梯度图像的像素点的灰度值,获取各个所述第一区域的轮廓线上的各个像素点的坐标值和各个所述第一区域的轮廓线上的各个像素点的灰度值;
根据所述各个所述第一区域的轮廓线上的各个像素点的坐标值、所述梯度图像的像素点的坐标值和所述梯度图像的像素点的灰度值,获取各个区域的像素点的灰度值;所述各个区域包括所有第一区域和第二区域;
根据所述各个区域的像素点的灰度值、预先构建的前景灰度直方图和预先构建的背景灰度直方图,确定待分割的目标区域的轮廓线上各个像素点的坐标值。
优选的,所述确定单元,还用于:
获取各个所述标记点集合覆盖的梯度图像上的像素点的灰度值;
以各个所述标记点集合覆盖的梯度图像上的像素点的的最大灰度值和最小灰度值分别为阈值,将所述梯度图像转化为二值图像;
根据所述二值图像,获取各个所述第一区域的轮廓线上的各个像素点的坐标值和各个所述第一区域的轮廓线上的各个像素点的灰度值。
优选的,所述确定单元,还用于:
根据所述各个所述第一区域的轮廓线上的各个像素点的坐标值、所述梯度图像的像素点的坐标值和梯度图像的像素点的灰度值,采用分水岭算法获取各个区域的像素点的灰度值。
由上述技术方案可知,本发明通过对原始图像进行预处理,获得消除噪音和目标增强后的图像;通过人工划定分各区域,准确获得了完整待分割区域图像;通过基于改进GraphCut图割方法,最终实现特定目标的分割。达到了快速且准确的分割目的,为基于图像处理技术的生猪特征提取、识别等工作奠定了基础,且节省了大量时间和人力物力。
附图说明
图1为本发明一实施例提供的图像分割方法的流程图;
图2为本发明一实施例提供的图像分割装置的原理框图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1为本发明一实施例提供的一种图像分割方法的流程图。
如图1所示的一种图像分割方法,包括:
S101、获取相同的第一待处理图像和第二待处理图像;所述第一待处理图像和第二待处理图像包括至少一个第一区域和一个第二区域,所述至少一个第一区域中包括至少一个待分割的目标区域;
可以理解的是,获取相同的第一待处理图像和第二待处理图像可为拍摄一张彩色图像,然后对其复制,则出现两张相同的图像,即为相同的第一待处理图像和第二待处理图像。
例如,第一待处理图像和第二待处理图像为栅栏中的三头猪,则所述三头猪所处的区域为三个第一区域,除了三头猪外的区域为第二区域。
S102、对所述第一待处理图像进行预处理,获取消除噪音和锐化后的图像;
在本步骤中,所述预处理包括图像降噪和图像增强。
所述图像降噪,利用下述说明消除噪音。
为了消除噪音和灰度微小变化所产生的过度分割,采用高斯滤波将低频能量滤去,起到图像平滑的作用。二维高斯函数为:
其中,x为第一待处理图像中一像素点的横坐标值,y为第一待处理图像中一像素点的纵坐标值,G(x,y)为坐标值为(x,y)的像素点的权重,给定参数σ计算权重矩阵,从而对RGB三个通道分别做高斯模糊,即可得到高斯模糊后的图像。
所述图像增强,利用下述说明锐化图像。
图像锐化处理的作用是使颜色反差增强,从而使模糊图像变得更加清晰。本发明选择拉普拉斯算子对图像进行锐化,在RGB彩色系统中,拉普拉斯变换为:
▽2f=[f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)]-4f(x,y)
其中f(x,y)为坐标值为(x,y)的像素点的灰度值,f(x+1,y)为坐标值为(x+1,y)的像素点的灰度值,f(x-1,y)为坐标值为(x-1,y)的像素点的灰度值,f(x,y+1)为坐标值为(x,y+1)的像素点的灰度值,f(x,y-1)为坐标值为(x,y-1)的像素点的灰度值,▽2R(x,y),▽2G(x,y),▽2B(x,y)表示分别对RGB三个通道分别做拉普拉斯变换,即可得到锐化处理后的图像。这种简单的锐化方法既可以产生拉普拉斯锐化处理的效果,同时又能保留背景信息,最终结果是在保留图像背景的前提下,突现出图像中小的细节信息。
S103、将预处理后的图像转化为梯度图像;
S104、获取所述梯度图像上各个第一区域上的标记点集合以及所述梯度图像的像素点的坐标值和像素点的灰度值;
在本步骤中,手动在第一待处理图像的各个第一区域上添加标记线,如直线,每条标记线的所有点构成一个标记点集合。该步骤相当于人工划分出各区域。
S105、根据各个标记点集合、所述梯度图像的像素点的坐标值、所述梯度图像的像素点的灰度值、预先构建的前景灰度直方图和预先构建的背景灰度直方图,确定待分割的目标区域的轮廓线上各个像素点的坐标值;
S106、根据所述待分割的目标区域的轮廓线上各个像素点的坐标值,在所述第二待处理图像上将除所述待分割的目标区域外的区域的颜色设置为不同的颜色,以实现对所述待分割的目标区域的分割。
可以理解的是,一般将第一待处理图像中除所述待分割的目标区域外的区域的颜色设置为黑色,而待分割的目标区域颜色仍为彩色,以此方法实现对所述待分割的目标区域的分割。
本发明通过对原始图像进行预处理,获得消除噪音和目标增强后的图像;通过人工划定分各区域,准确获得了完整待分割区域图像;通过基于改进GraphCut图割方法,最终实现特定目标区域的分割。达到了快速且准确的分割目的,为基于图像处理技术的生猪特征提取、识别等工作奠定了基础,且节省了大量时间和人力物力。
作为一种优选实施例,所述步骤S105,包括:
根据各个标记点集合、所述梯度图像的像素点的坐标值和所述梯度图像的像素点的灰度值,获取各个所述第一区域的轮廓线上的各个像素点的坐标值和各个所述第一区域的轮廓线上的各个像素点的灰度值;
该步骤为确定各第一区域的轮廓线的步骤。
根据所述各个所述第一区域的轮廓线上的各个像素点的坐标值、所述梯度图像的像素点的坐标值和所述梯度图像的像素点的灰度值,获取各个区域的像素点的灰度值;所述各个区域包括所有第一区域和第二区域;
优选的,根据所述各个所述第一区域的轮廓线上的各个像素点的坐标值、所述梯度图像的像素点的坐标值和所述梯度图像的像素点的灰度值,采用分水岭算法获取各个区域的像素点的灰度值。
该步骤为确定各个区域的步骤。
根据所述各个区域的像素点的灰度值、预先构建的前景灰度直方图和预先构建的背景灰度直方图,确定待分割的目标区域的轮廓线上各个像素点的坐标值。
作为一种优选实施例,所述根据各个标记点集合、所述梯度图像的像素点的坐标值和所述梯度图像的像素点的灰度值,获取各个所述第一区域的轮廓线上的各个像素点的坐标值和各个所述第一区域的轮廓线上的各个像素点的灰度值,包括:
获取各个所述标记点集合覆盖的梯度图像上的像素点的灰度值;
以各个所述标记点集合覆盖的梯度图像上的像素点的的最大灰度值和最小灰度值分别为阈值,将所述梯度图像转化为二值图像;
值得说明的是,本步骤中是以每个标记点集合所覆盖的梯度图像上的像素点的最大灰度值和最小灰度值分别为阈值,将该标记点集合所对应的第一区域进行二值图像的转化。
根据所述二值图像,获取各个所述第一区域的轮廓线上的各个像素点的坐标值和各个所述第一区域的轮廓线上的各个像素点的灰度值。
作为一种优选实施例,所述根据各个标记点集合、所述梯度图像的像素点的坐标值和所述梯度图像的像素点的灰度值,获取各个所述第一区域的轮廓线上的各个像素点的坐标值和各个所述第一区域的轮廓线上的各个像素点的灰度值之后,所述根据所述各个所述第一区域的轮廓线上的各个像素点的坐标值、所述梯度图像的像素点的坐标值和所述梯度图像的像素点的灰度值,获取各个区域的像素点的灰度值之前,所述方法还包括:
根据所述各个所述第一区域的轮廓线上的各个像素点的坐标值和各个所述第一区域的轮廓线上的各个像素点的灰度值,生成所述各个第一区域的轮廓线并显示。
本实施例可以在待处理图像上显示轮廓线,从而使用户可以看到轮廓线。
下面详细介绍寻找轮廓线的具体方法和在待处理图像上画出各条轮廓线的方法。
(1)通过二值化函数cvThreshold()将添加了标记线的待处理图像转化为二值图像,其中转化二值图像的阈值是各个所述标记点集合覆盖的待处理图像上的像素点的灰度值。
利用轮廓检测函数cvFindContours()实现从二值图像中寻找轮廓:
cvFindContours(marker_mask,storage,&contours,sizeof(CvContour),CV_RETR_CCOMP,CV_CHAIN_APPROX_SIMPLE);
其中:
marker_mask为是输入的二值图像;
&contours为输出参数,用于存储指向外接轮廓;
storage表示返回轮廓的容器;
sizeof(CvContour)为序列的尺寸;
CV_RETR_CCOMP表示检索所有的轮廓;
CV_CHAIN_APPROX_SIMPLE表示压缩水平、垂直和斜的轮廓部分,即函数只保留他们的终点部分。
利用轮廓绘制函数cvDrawContours()实现轮廓的绘制:
cvDrawContours(markers,contours,cvScalarAll(comp_count+1),cvScalarAll(comp_count+1),-1,-1,8,cvPoint(0,0));
其中:
markers表示输出图像;
contours表示输入的轮廓组,每一组轮廓由点vector构成;所述轮廓组包括所述各个所述第一区域的轮廓线上的各个像素点的坐标值和各个所述第一区域的轮廓线上的各个像素点的灰度值。
cvScalarAll为轮廓的颜色;
-1表示画全部轮廓;
-1表示填充轮廓内部;
8表示线型;
cvPoint(0,0)为轮廓结构信息。
markers中存储了图像的大致轮廓,是每一个连通区域(即每个第一区域)的轮廓点的集合。markers相当于分水岭算法watershed()运行时的种子参数,函数运行后,不属于轮廓的点的值应置为0,如果像素不在轮廓种子生成的区域中,则置为-1。
(2)读取markers每一点标记值
若标记为-1,表示各个部分的边界,并显示出来。否则将各区域块显示为各个不同颜色,以便用户区分区域和边界。
作为一种优选实施例,所述根据所述各个区域的像素点的灰度值、预先构建的前景灰度直方图和预先构建的背景灰度直方图,确定待分割的目标区域的轮廓线上各个像素点的坐标值,包括:
根据所述各个区域的像素点的灰度值,计算各个区域的灰度均值;
根据所述各个区域的灰度均值、预先构建的前景灰度直方图和预先构建的背景灰度直方图,计算各个区域属于前景的概率和属于背景的概率;
根据所述各个区域的灰度均值,计算所述各个区域中任意两个区域之间的欧式距离;
根据所述各个区域的灰度均值、各个区域属于前景的概率、各个区域属于背景的概率和所述各个区域中任意两个区域之间的欧式距离,计算能量值;
根据所述能量值,确定待分割的目标区域的轮廓线上各个像素点的坐标值。
下面详细说明本实施例的具体实现方法。
将各区域的灰度均值为顶点,相邻顶点建立边,构建一个图,再采用最大流最小割算法进行分割。如果一个割,它的边的所有权值之和最小,那么这个就称为最小割,也就是图割的结果。
图像的分割为L时,图像的能量可以表示为:
E(L)=αR(L)+B(L)
其中,R(L)为区域项,B(L)为边界项,α为区域项和边界项之间的重要因子,决定它们对能量的影响大小。E(L)表示损失函数,也叫能量函数,目标就是优化能量函数使其值达到最小。
(1)
其中,P1为所有顶点的集合,Rp(lp)表示顶点p属于前景或背景的概率,,从而计算R(L):其中,lp=1,lp=0时的公式为:
Rp(1)=-ln Pr(lp|'obj'),Rp(0)=-ln Pr(lp|'bkg')
其中,Rp(1)为顶点p到前景的权值,Pr(lp|'obj')为顶点p属于前景的概率,Rp(0)为顶点p到背景的权值,Pr(lp|'bkg')为顶点p属于背景的概率。
如果全部的顶点都被正确划分为目标或者背景,那么这时候能量就是最小的。
(2)
其中,p和q为相邻顶点,N为所有相邻顶点的集合,lp为P顶点的标记值,lq为q顶点的标记值,li(lp和lq)为0(背景)或者1(前景),Ip,Iq分别表示相邻两顶点的灰度均值,dist(p,q)表示两顶点之间欧氏距离(欧式距离的算法可采用现有算法,在此不再详述),B<p,q>表示相邻顶点之间不连续惩罚。顶点之间差别越大,说明这两个顶点属于前景和背景的可能性越大,则被分开的可能性越大,B<p,q>越小,即能量越小。
将各个顶点赋予不同的标记值,计算各个顶点为不同的标记值时的能量值,将能量值最小时各个顶点对应的标记值所代表的属性确定为各个顶点的目标属性,所述属性即为属于背景还是前景。
下面通过一个具体实施例说明本实施例。
如一副包括有依次相邻的A、B两头猪的图像,其中A、B两头猪所处的区域分别为A区域、B区域,除所述A、B两头猪外的区域为C区域;
设定标记值为1时代表前景,标记值为0时代表背景,设A区域对应顶点1、B区域对应顶点2、C区域对应顶点3,则所述3个顶点对应的标记值的八种可能性如下:
000,001,010,011,100,101,110,111
无论对应何种标记值,其区域项相同,不再详述。
计算所述3个顶点对应上述八种标记值的情况时的边界项,由于各个顶点的标记值不同,因此计算出的边界项不同,最终计算出的能量值不同,将能量值最小时各个顶点对应的标记值所表示的属性确定为每个顶点的目标属性,若顶点1、顶点2和顶点3对应的标记值为010时的能量值最小,则认为顶点1、顶点2和顶点3分别属于背景、前景和背景,则应将区域B分割出来,即将A区域和C区域的颜色设置为黑色。
图2为本发明一实施例提供的图像分割装置的原理框图。
如图2所示的一种图像分割装置,包括:
第一获取单元201,用于获取相同的第一待处理图像和第二待处理图像;所述第一待处理图像和第二待处理图像包括至少一个第一区域和一个第二区域,所述至少一个第一区域中包括至少一个待分割的目标区域;
第二获取单元202,用于对所述第一待处理图像进行预处理,获取消除噪音和锐化后的图像;
转化单元203,用于将预处理后的图像转化为梯度图像;
第三获取单元204,用于获取所述梯度图像上各个第一区域上的标记点集合以及所述梯度图像上的像素点的坐标值和像素点的灰度值;
确定单元205,用于根据各个标记点集合、所述梯度图像的像素点的坐标值、所述梯度图像的像素点的灰度值、预先构建的前景灰度直方图和预先构建的背景灰度直方图,确定待分割的目标区域的轮廓线上各个像素点的坐标值;
设置单元206,用于根据所述待分割的目标区域的轮廓线上各个像素点的坐标值,在所述第二待处理图像上将除所述待分割的目标区域外的区域的颜色设置为与所述待分割的目标区域不同的颜色,以实现对所述待分割的目标区域的分割。
作为一种优选实施例,所述确定单元205,还用于:
根据各个标记点集合、所述梯度图像的像素点的坐标值和所述梯度图像的像素点的灰度值,获取各个所述第一区域的轮廓线上的各个像素点的坐标值和各个所述第一区域的轮廓线上的各个像素点的灰度值;
根据所述各个所述第一区域的轮廓线上的各个像素点的坐标值、所述梯度图像的像素点的坐标值和所述梯度图像的像素点的灰度值,获取各个区域的像素点的灰度值;所述各个区域包括所有第一区域和第二区域;
根据所述各个区域的像素点的灰度值、预先构建的前景灰度直方图和预先构建的背景灰度直方图,确定待分割的目标区域的轮廓线上各个像素点的坐标值。
作为一种优选实施例,所述确定单元205,还用于:
获取各个所述标记点集合覆盖的梯度图像上的像素点的灰度值;
以各个所述标记点集合覆盖的梯度图像上的像素点的的最大灰度值和最小灰度值分别为阈值,将所述梯度图像转化为二值图像;
根据所述二值图像,获取各个所述第一区域的轮廓线上的各个像素点的坐标值和各个所述第一区域的轮廓线上的各个像素点的灰度值。
作为一种优选实施例,所述确定单元205,还用于:
获取各个所述标记点集合覆盖的梯度图像上的像素点的灰度值;
以各个所述标记点集合覆盖的梯度图像上的像素点的的最大灰度值和最小灰度值分别为阈值,将所述梯度图像转化为二值图像;
根据所述二值图像,获取各个所述第一区域的轮廓线上的各个像素点的坐标值和各个所述第一区域的轮廓线上的各个像素点的灰度值。
由于本发明的一种图像分割装置和一种图像分割方法是一一对应的,因此对一种图像分割装置不再详述。
本领域普通技术人员可以理解:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (10)
1.一种图像分割方法,其特征在于,包括:
获取相同的第一待处理图像和第二待处理图像;所述第一待处理图像和第二待处理图像包括至少一个第一区域和一个第二区域,所述至少一个第一区域中包括至少一个待分割的目标区域;
对所述第一待处理图像进行预处理,获取消除噪音和锐化后的图像;
将预处理后的图像转化为梯度图像;
获取所述梯度图像上各个第一区域上的标记点集合以及所述梯度图像上的像素点的坐标值和像素点的灰度值;
根据各个标记点集合、所述梯度图像的像素点的坐标值、所述梯度图像的像素点的灰度值、预先构建的前景灰度直方图和预先构建的背景灰度直方图,确定待分割的目标区域的轮廓线上各个像素点的坐标值;
根据所述待分割的目标区域的轮廓线上各个像素点的坐标值,在所述第二待处理图像上将除所述待分割的目标区域外的区域的颜色设置为与所述待分割的目标区域不同的颜色,以实现对所述待分割的目标区域的分割。
2.根据权利要求1所述的方法,其特征在于,所述根据各个标记点集合、所述梯度图像的像素点的坐标值、所述梯度图像的像素点的灰度值、预先构建的前景灰度直方图和预先构建的背景灰度直方图,确定待分割的目标区域的轮廓线上各个像素点的坐标值,包括:
根据各个标记点集合、所述梯度图像的像素点的坐标值和所述梯度图像的像素点的灰度值,获取各个所述第一区域的轮廓线上的各个像素点的坐标值和各个所述第一区域的轮廓线上的各个像素点的灰度值;
根据所述各个所述第一区域的轮廓线上的各个像素点的坐标值、所述梯度图像的像素点的坐标值和所述梯度图像的像素点的灰度值,获取各个区域的像素点的灰度值;所述各个区域包括所有第一区域和第二区域;
根据所述各个区域的像素点的灰度值、预先构建的前景灰度直方图和预先构建的背景灰度直方图,确定待分割的目标区域的轮廓线上各个像素点的坐标值。
3.根据权利要求2所述的方法,其特征在于,所述根据各个标记点集合、所述梯度图像的像素点的坐标值和所述梯度图像的像素点的灰度值,获取各个所述第一区域的轮廓线上的各个像素点的坐标值和各个所述第一区域的轮廓线上的各个像素点的灰度值,包括:
获取各个所述标记点集合覆盖的梯度图像上的像素点的灰度值;
以各个所述标记点集合覆盖的梯度图像上的像素点的的最大灰度值和最小灰度值分别为阈值,将所述梯度图像转化为二值图像;
根据所述二值图像,获取各个所述第一区域的轮廓线上的各个像素点的坐标值和各个所述第一区域的轮廓线上的各个像素点的灰度值。
4.根据权利要求2所述的方法,其特征在于,所述根据所述各个所述第一区域的轮廓线上的各个像素点的坐标值、所述梯度图像的像素点的坐标值和所述梯度图像的像素点的灰度值,获取各个区域的像素点的灰度值,包括:
根据所述各个所述第一区域的轮廓线上的各个像素点的坐标值、所述梯度图像的像素点的坐标值和梯度图像的像素点的灰度值,采用分水岭算法获取各个区域的像素点的灰度值。
5.根据权利要求2所述的方法,其特征在于,所述根据所述各个区域的像素点的灰度值、预先构建的前景灰度直方图和预先构建的背景灰度直方图,确定待分割的目标区域的轮廓线上各个像素点的坐标值,包括:
根据所述各个区域的像素点的灰度值,计算各个区域的灰度均值;
根据所述各个区域的灰度均值、预先构建的前景灰度直方图和预先构建的背景灰度直方图,计算各个区域属于前景的概率和属于背景的概率;
根据所述各个区域的灰度均值,计算所述各个区域中任意两个区域之间的欧式距离;
根据所述各个区域的灰度均值、各个区域属于前景的概率、各个区域属于背景的概率和所述各个区域中任意两个区域之间的欧式距离,计算能量值;
根据所述能量值,确定待分割的目标区域的轮廓线上各个像素点的坐标值。
6.根据权利要求2所述的方法,其特征在于,所述根据各个标记点集合、所述梯度图像的像素点的坐标值和所述梯度图像的像素点的灰度值,获取各个所述第一区域的轮廓线上的各个像素点的坐标值和各个所述第一区域的轮廓线上的各个像素点的灰度值之后,所述根据所述各个所述第一区域的轮廓线上的各个像素点的坐标值、所述梯度图像的像素点的坐标值和所述梯度图像的像素点的灰度值,获取各个区域的像素点的灰度值之前,所述方法还包括:
根据所述各个所述第一区域的轮廓线上的各个像素点的坐标值和各个所述第一区域的轮廓线上的各个像素点的灰度值,生成所述各个第一区域的轮廓线并显示。
7.一种图像分割装置,其特征在于,包括:
第一获取单元,用于获取相同的第一待处理图像和第二待处理图像;所述第一待处理图像和第二待处理图像包括至少一个第一区域和一个第二区域,所述至少一个第一区域中包括至少一个待分割的目标区域;
第二获取单元,用于对所述第一待处理图像进行预处理,获取消除噪音和锐化后的图像;
转化单元,用于将预处理后的图像转化为梯度图像;
第三获取单元,用于获取所述梯度图像上各个第一区域上的标记点集合以及所述梯度图像上的像素点的坐标值和像素点的灰度值;
确定单元,用于根据各个标记点集合、所述梯度图像的像素点的坐标值、所述梯度图像的像素点的灰度值、预先构建的前景灰度直方图和预先构建的背景灰度直方图,确定待分割的目标区域的轮廓线上各个像素点的坐标值;
设置单元,用于根据所述待分割的目标区域的轮廓线上各个像素点的坐标值,在所述第二待处理图像上将除所述待分割的目标区域外的区域的颜色设置为与所述待分割的目标区域不同的颜色,以实现对所述待分割的目标区域的分割。
8.根据权利要求7所述的装置,其特征在于,所述确定单元,还用于:
根据各个标记点集合、所述梯度图像的像素点的坐标值和所述梯度图像的像素点的灰度值,获取各个所述第一区域的轮廓线上的各个像素点的坐标值和各个所述第一区域的轮廓线上的各个像素点的灰度值;
根据所述各个所述第一区域的轮廓线上的各个像素点的坐标值、所述梯度图像的像素点的坐标值和所述梯度图像的像素点的灰度值,获取各个区域的像素点的灰度值;所述各个区域包括所有第一区域和第二区域;
根据所述各个区域的像素点的灰度值、预先构建的前景灰度直方图和预先构建的背景灰度直方图,确定待分割的目标区域的轮廓线上各个像素点的坐标值。
9.根据权利要求8所述的装置,其特征在于,所述确定单元,还用于:
获取各个所述标记点集合覆盖的梯度图像上的像素点的灰度值;
以各个所述标记点集合覆盖的梯度图像上的像素点的的最大灰度值和最小灰度值分别为阈值,将所述梯度图像转化为二值图像;
根据所述二值图像,获取各个所述第一区域的轮廓线上的各个像素点的坐标值和各个所述第一区域的轮廓线上的各个像素点的灰度值。
10.根据权利要求8所述的装置,其特征在于,所述确定单元,还用于:
根据所述各个所述第一区域的轮廓线上的各个像素点的坐标值、所述梯度图像的像素点的坐标值和梯度图像的像素点的灰度值,采用分水岭算法获取各个区域的像素点的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611267785.4A CN106651885B (zh) | 2016-12-31 | 2016-12-31 | 一种图像分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611267785.4A CN106651885B (zh) | 2016-12-31 | 2016-12-31 | 一种图像分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106651885A true CN106651885A (zh) | 2017-05-10 |
CN106651885B CN106651885B (zh) | 2019-09-24 |
Family
ID=58838554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611267785.4A Active CN106651885B (zh) | 2016-12-31 | 2016-12-31 | 一种图像分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106651885B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550159A (zh) * | 2018-03-08 | 2018-09-18 | 佛山市云米电器科技有限公司 | 一种基于图像三色分割的烟气浓度标识方法 |
CN109934812A (zh) * | 2019-03-08 | 2019-06-25 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、服务器及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003003303A2 (en) * | 2001-06-27 | 2003-01-09 | Coventry University | Image segmentation |
CN103400147A (zh) * | 2013-07-25 | 2013-11-20 | 中国农业大学 | 基于图像处理的目标鱼识别方法及系统 |
CN103903254A (zh) * | 2012-12-31 | 2014-07-02 | 中国科学院深圳先进技术研究院 | 一种x光图像处理方法、系统及x光图像处理设备 |
CN103996206A (zh) * | 2014-02-24 | 2014-08-20 | 航天恒星科技有限公司 | 一种基于GraphCut的复杂背景遥感图像中交互式目标提取方法 |
CN105761266A (zh) * | 2016-02-26 | 2016-07-13 | 民政部国家减灾中心 | 从遥感图像中提取矩形建筑物的方法 |
-
2016
- 2016-12-31 CN CN201611267785.4A patent/CN106651885B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003003303A2 (en) * | 2001-06-27 | 2003-01-09 | Coventry University | Image segmentation |
CN103903254A (zh) * | 2012-12-31 | 2014-07-02 | 中国科学院深圳先进技术研究院 | 一种x光图像处理方法、系统及x光图像处理设备 |
CN103400147A (zh) * | 2013-07-25 | 2013-11-20 | 中国农业大学 | 基于图像处理的目标鱼识别方法及系统 |
CN103996206A (zh) * | 2014-02-24 | 2014-08-20 | 航天恒星科技有限公司 | 一种基于GraphCut的复杂背景遥感图像中交互式目标提取方法 |
CN105761266A (zh) * | 2016-02-26 | 2016-07-13 | 民政部国家减灾中心 | 从遥感图像中提取矩形建筑物的方法 |
Non-Patent Citations (3)
Title |
---|
YUXIAN LI ETAL.: "image segmentation method based on improved Graph Cut algorithm", 《2012 IEEE INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE AND AUTOMATION ENGINEERING》 * |
郭振锋: "基于Graph_Cuts的交互式图像分割", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
高理文 等: "结合简单交互和标记分水岭的复杂背景叶片图像分割方法", 《计算机应用与软件》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550159A (zh) * | 2018-03-08 | 2018-09-18 | 佛山市云米电器科技有限公司 | 一种基于图像三色分割的烟气浓度标识方法 |
CN108550159B (zh) * | 2018-03-08 | 2022-02-15 | 佛山市云米电器科技有限公司 | 一种基于图像三色分割的烟气浓度标识方法 |
CN109934812A (zh) * | 2019-03-08 | 2019-06-25 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、服务器及存储介质 |
CN109934812B (zh) * | 2019-03-08 | 2022-12-09 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、服务器及存储介质 |
US11715203B2 (en) | 2019-03-08 | 2023-08-01 | Tencent Technology (Shenzhen) Company Limited | Image processing method and apparatus, server, and storage medium |
Also Published As
Publication number | Publication date |
---|---|
CN106651885B (zh) | 2019-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104809723B (zh) | 基于超体素和图割算法的三维肝脏ct图像自动分割方法 | |
CN106023137B (zh) | 一种基于轮廓优化的木材计数方法 | |
CN107564017B (zh) | 一种城市高分遥感影像阴影检测及分割方法 | |
CN102332157B (zh) | 一种消除阴影的方法 | |
CN109636732A (zh) | 一种深度图像的空洞修复方法以及图像处理装置 | |
CN105740945A (zh) | 一种基于视频分析的人群计数方法 | |
CN110348263A (zh) | 一种基于图像识别的二维随机码图像识别与提取方法 | |
CN111080696B (zh) | 一种基于计算机视觉的水下海参识别及定位方法 | |
CN108830856B (zh) | 一种基于时间序列sd-oct视网膜图像的ga自动分割方法 | |
CN106780504B (zh) | 一种基于距离保持水平集的牛肉图像中背长肌自动分割方法 | |
CN103020970A (zh) | 玉米果穗图像籽粒分割方法 | |
CN109544583A (zh) | 一种提取皮革图像感兴趣区域的方法、装置及设备 | |
CN105913425B (zh) | 一种基于自适应椭圆分块和小波变换的多猪轮廓提取方法 | |
CN109190742A (zh) | 一种基于灰度特征的编码特征点的解码方法 | |
CN105184802A (zh) | 一种图像处理的方法及装置 | |
CN111754538A (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN106651885A (zh) | 一种图像分割方法及装置 | |
CN109191482B (zh) | 一种基于区域自适应光谱角阈值的图像合并分割方法 | |
CN111783773A (zh) | 一种面向角度倾斜电线杆标识牌的矫正方法 | |
CN108711160A (zh) | 一种基于hsi增强性模型的目标分割方法 | |
CN102496155A (zh) | 一种优化c-v模型的水下光学图像处理方法 | |
CN104899592A (zh) | 一种基于圆形模板的道路半自动提取方法及系统 | |
CN111368854A (zh) | 一种批量提取航拍图像中颜色单一的同类目标轮廓的方法 | |
CN111046726B (zh) | 一种基于ai智能视觉的水下海参识别及定位方法 | |
CN115063679A (zh) | 一种基于深度学习的路面质量评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |