CN107133967A - 提取目标图像的方法及装置 - Google Patents
提取目标图像的方法及装置 Download PDFInfo
- Publication number
- CN107133967A CN107133967A CN201710315167.0A CN201710315167A CN107133967A CN 107133967 A CN107133967 A CN 107133967A CN 201710315167 A CN201710315167 A CN 201710315167A CN 107133967 A CN107133967 A CN 107133967A
- Authority
- CN
- China
- Prior art keywords
- image
- connected region
- black
- region
- black connected
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种提取目标图像的方法及装置,涉及图像处理的技术领域,包括将待处理的红外灰度图像按照预设方式进行二值化处理,得到二值化图像;保留所述二值化图像中最大的白色连通区,得到包含所述最大的白色连通区的第一图像;保留所述第一图像中符合预设条件的多个黑色连通区,得到包含多个黑色连通区的第二图像;叠加所述红外灰度图像和所述第二图像,得到目标灰度图像,所述目标灰度图像中所述目标图像位于所述最大的白色连通区对应的区域,所述背景图像位于所述黑色连通区对应的区域,解决红外医疗图像中背景图像对目标图像形成干扰的技术问题,达到可以准确、明确、快速的消除红外灰度图像中的背景图像,仅保留目标图像的技术效果。
Description
技术领域
本发明涉及图像处理技术领域,尤其是涉及一种提取目标图像的方法及装置。
背景技术
热成像技术(Thermography)又称温差摄影,是利用红外辐射照相原理研究体表温度分布状态的一种现代物理学检测技术。与精密的解剖学相比,热成像系统在反映人体生理的改变以及新陈代谢的进程方面有着独一无二的特性。随着图像处理和医疗技术的发展,医疗红外图像将在中医体质辨识、疾病诊断和健康评估等领域发挥重要作用。
目前,目前大多数图像背景处理技术只是能够在视觉上区分目标图像与背景图像,想要排除红外医疗图像中的背景干扰,准确识别出目标图像,还需依靠有经验的医生进行判读评估,或者后续自动分析识别等智能处理,智能化程度受限。
发明内容
有鉴于此,本发明的目的在于提供一种提取目标图像的方法及装置,以缓解现有技术中存在的红外医疗图像中背景图像对目标图像形成干扰的技术问题。
第一方面,本发明实施例提供了一种提取目标图像的方法,包括:
将待处理的红外灰度图像按照预设方式进行二值化处理,得到二值化图像,所述红外灰度图像中包含目标图像和背景图像;
保留所述二值化图像中最大的白色连通区,得到包含所述最大的白色连通区的第一图像;
保留所述第一图像中符合预设条件的多个黑色连通区,得到包含多个黑色连通区的第二图像;
叠加所述红外灰度图像和所述第二图像,得到目标灰度图像,所述目标灰度图像中所述目标图像位于所述最大的白色连通区对应的区域,所述背景图像位于所述黑色连通区对应的区域。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述保留所述第一图像中符合预设条件的多个黑色连通区,得到包含多个黑色连通区的第二图像,包括:
在所述第一图像中,查找灰度为第一预设值的多个像素点;
在查找到的多个像素点中,将位置相邻接的像素点形成的多个区域分别确定为黑色连通区;
选择像素点数量在预设阈值范围内的多个黑色连通区;
在选择的所述多个黑色连通区中,筛选符合预设筛选条件的所述黑色连通区;
保留所述符合预设筛选条件的所述黑色连通区,得到第二图像。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述在选择的所述多个黑色连通区中,筛选符合预设筛选条件的所述黑色连通区,包括:
选择外接矩形位于所述第一图像任一角部的划分区域内的所述黑色连通区,所述第一图像平均划分为多个划分区域;
判断该黑色连通区的宽度与高度的比值是否位于预设范围内;
当该黑色连通区的宽度与高度的比值位于预设范围内时,删除该黑色连通区。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述在选择的所述多个黑色连通区中,筛选符合预设筛选条件的所述黑色连通区,还包括:
选择外接矩形位于所述第一图像中心的划分区域、上部的划分区域或者不邻接所述第一图像边沿的所述黑色连通区;
删除外接矩形位于所述第一图像中心的划分区域、上部的划分区域或者不邻接所述第一图像边沿的黑色连通区。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述在选择的所述多个黑色连通区中,筛选符合预设筛选条件的所述黑色连通区,包括:
检测是否存在高度超过所述第一图像的高度的预设比例的黑色连通区;
当存在高度超过所述第一图像的高度的预设比例的黑色连通区时,保留所述黑色连通区。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,所述在选择的所述多个黑色连通区中,筛选符合预设筛选条件的所述黑色连通区,包括:
检测是否存在矩形形状的黑色连通区;
当存在矩形形状的黑色连通区时,保留所述黑色连通区。
结合第一方面,本发明实施例提供了第一方面的第六种可能的实施方式,其中,所述保留所述二值化图像中最大的白色连通区,得到包含所述最大的白色连通区的第一图像,包括:
在所述二值化图像中,查找灰度为第二预设值的多个像素点;
当所述灰度为第二预设值的多个像素点中存在位置相邻的像素点时,将多个位置相邻的像素点确定为第一像素点组合;
将每个所述第一像素点组合所占的区域分别确定为白色连通区;
保留像素点的数量最多的白色连通区,得到第一图像。
结合第一方面,本发明实施例提供了第一方面的第七种可能的实施方式,其中,所述将待处理的红外灰度图像按照预设方式进行二值化处理,得到二值化图像,包括:
将待处理的红外灰度图像的轮廓图进行二值化处理,得到第三图像;
将所述红外灰度图像进行二值化处理,得到第四图像;
将所述第三图像和所述第四图像进行叠加处理,得到所述二值化图像。
结合第一方面,本发明实施例提供了第一方面的第八种可能的实施方式,其中,在叠加所述红外灰度图像和所述第二图像之前,还包括:
对所述第二图像进行腐蚀处理。
第二方面,本发明实施例还提供了一种提取目标图像的装置,包括:
处理模块,用于将待处理的红外灰度图像按照预设方式进行二值化处理,得到二值化图像,所述红外灰度图像中包含目标图像和背景图像;
第一保留模块,用于保留所述二值化图像中最大的白色连通区,得到包含所述最大的白色连通区的第一图像;
第二保留模块,用于保留所述第一图像中符合预设条件的多个黑色连通区,得到包含多个黑色连通区的第二图像;
叠加模块,用于叠加所述红外灰度图像和所述第二图像,得到目标灰度图像,所述目标灰度图像中所述目标图像位于所述最大的白色连通区对应的区域,所述背景图像位于所述黑色连通区对应的区域。
本发明实施例带来了以下有益效果:本发明实施例提供的一种提取目标图像的方法及装置,可以准确、明确、快速的消除红外灰度图像中的背景图像,仅保留目标图像,准确指的算法可靠,人体目标提取的误报和漏报概率低;明确是指获取目标的信息完备,包括位置、面积、分布特征等;快速是指的算法简单,计算复杂度低,耗时短,便于实际应用,实现排除背景干扰,准确分割出人体,进而便于获取到人体区域的详细信息,以便应用于后续的姿态判断、部位识别、形状分析等,为智能诊断奠定基础。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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方式,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为本发明实施例提供的提取目标图像的方法的流程图;
图2(a)和图2(b)分别为本发明实施例提供的待处理的红外灰度图像的示意图;
图3(a)和图3(b)分别为本发明实施例提供的第三图像的示意图;
图4(a)和图4(b)分别为本发明实施例提供的第四图像的示意图;
图5(a)和图5(b)分别为本发明实施例提供的二值化图像的示意图;
图6(a)和图6(b)分别为本发明实施例提供的第一图像的示意图;
图7(a)和图7(b)分别为本发明实施例提供的第二图像的示意图;
图8为本发明实施例提供的第一图像的多个划分区域的示意图;
图9(a)和图9(b)分别为本发明实施例提供的腐蚀处理后的第二图像的示意图;
图10(a)和图10(b)分别为本发明实施例提供的目标灰度图像的示意图;
图11为本发明实施例提供的提取目标图像的装置的结构图。
图标:11-处理模块;12-第一保留模块;13-第二保留模块;14-叠加模块。
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,下面将结合附图对本发明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。
目前,红外医疗图像中背景图像对目标图像形成干扰,导致后续还需依靠有经验的医生进行判读评估,或者后续自动分析识别等智能处理,智能化程度受限,基于此,本发明实施例提供的一种提取目标图像的方法及装置,可以准确、明确、快速的消除红外灰度图像中的背景图像,仅保留目标图像,准确指的算法可靠,人体目标提取的误报和漏报概率低;明确是指获取目标的信息完备,包括位置、面积、分布特征等;快速是指的算法简单,计算复杂度低,耗时短,便于实际应用,实现排除背景干扰,准确分割出人体,进而便于获取到人体区域的详细信息,以便应用于后续的姿态判断、部位识别、形状分析等,为智能诊断奠定基础。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种提取目标图像的方法进行详细介绍,如图1所示,一种提取目标图像的方法,包括以下步骤。
在步骤S101中,将待处理的红外灰度图像按照预设方式进行二值化处理,得到二值化图像,所述红外灰度图像中包含目标图像和背景图像。
在本发明实施例中,待处理的红外灰度图像指将利用热成像技术拍摄的人体红外图像进行灰度处理后得到的灰度图像,每个像素点灰度值在0 到255之间,如图2(a)和图2(b)所示,目标图像可以指人体区域的图像,背景图象可以指红外灰度图像中除目标图像之外的区域,按照预设方式可以指对红外灰度图像的轮廓图进行二值化处理,以及,对红外灰度图像整体进行二值化处理,例如,所述步骤S101包括以下步骤:
将待处理的红外灰度图像的轮廓图进行二值化处理,得到第三图像。
在该步骤中,对红外灰度图像进行边沿检测运算,提取轮廓图,采用通用的最大类间方差法计算第一阈值,然后利用第一阈值对轮廓图进行二值化处理,得到第三图像,第三图像可以如图3(a)和3(b)所示。
根据医疗红外图像的具体特征和对处理速度的要求,提取轮廓图时使用的提取算法为:设a(i,j)为红外灰度图像在坐标(i,j)处的像素值,该点的轮廓图像值a′(i,j)由(1)式计算:
将所述红外灰度图像进行二值化处理,得到第四图像,第四图像可以如图4(a)和图4(b)所示。
在该步骤中,采用最大类间方差法计算第二阈值,利用第二阈值对红外灰度图像进行二值化处理得到第四图像。
将所述第三图像和所述第四图像进行叠加处理,得到所述二值化图像。
在该步骤中,将第三图像和第四图像进行或运算,得到二值化图像,二值化图像如图5(a)和5(b)所示,由于第三图像和第四图像均是二值图像,其中每个像素点的像素值分别为0或255,所以在坐标(i,j)处的或运算取值d(i,j)由(2)式决定。
其中,b表示第三图像,c表示第四图像。
在步骤S102中,保留所述二值化图像中最大的白色连通区,得到包含所述最大的白色连通区的第一图像。
在该步骤中,首先可以对二值化图像中的白色区域进行连通性检测,然后保留最大的白色连通区得到第一图像,第一图像如图6(a)和6(b) 所示。
在白色区连通性检测过程中,可以逐个判断每个灰度为255的像素点的位置是否相邻,若相邻则确定灰度为255的两个像素点同属一个连通区,直至整个。连通检测有许多通用算法,可以获得图像中连通区域的数量,每个连通区的位置、形状、面积、外接矩形坐标等。连通区的面积指的是该连通区包括的像素点数量。本发明只保留最大连通区,表明图像中只有一个人体,不同应用中可根据需要进行调整。
在实际应用中,步骤S102可以包括以下步骤。
在所述二值化图像中,查找灰度为第二预设值的多个像素点。
第二预设值为255。
当所述灰度为第二预设值的多个像素点中存在位置相邻的像素点时,将多个位置相邻的像素点确定为第一像素点组合。
将每个所述第一像素点组合所占的区域分别确定为白色连通区。
保留像素点的数量最多的白色连通区,得到第一图像。
在步骤S103中,保留所述第一图像中符合预设条件的多个黑色连通区,得到包含多个黑色连通区的第二图像。
在本发明实施例中,预设条件可以指1)对黑色连通区的面积进行限制和2)根据黑色连通区的位置对面积进一步约束。
在该步骤中,可以对第一图像中的黑色区域进行连通区检测,对检测到的各连通区域进行面积限制后,得到含若干个连通区域的图像,再对该图像的连通区进行一系列约束得到第二图像,第二图像可以如图7(a)和 7(b)所示。
步骤S103可以包括以下步骤。
在所述第一图像中,查找灰度为第一预设值的多个像素点。
第一预设值为0。
在查找到的多个像素点中,将位置相邻接的像素点形成的多个区域分别确定为黑色连通区。
选择像素点数量在预设阈值范围内的多个黑色连通区。
假设对连通区域的面积进行限制的限制条件为:面积大于c1且小于c2的黑色连通区就保留,否则就去除,目的是根据红外医疗图像的实际分布情况初步去除背景干扰。c1、c2的值可以由(3)式定义,但在实际应用中,可根据需要进行调整。式中width表示图像宽度,height表示图像高度。
c1=width*height/400 c2=width*height/2 (3)
在选择的所述多个黑色连通区中,筛选符合预设筛选条件的所述黑色连通区。
保留所述符合预设筛选条件的所述黑色连通区,得到第二图像。
在本发明的一个实施例中,根据黑色连通区的位置对面积进一步约束,约束条件可以为:设任一黑色连通区的宽度为w,高度为h,(x1,y1) 与(x2,y2)为该黑色连通区外接矩形的左上角和右下角坐标,所述在选择的所述多个黑色连通区中,筛选符合预设筛选条件的所述黑色连通区,可以包括以下步骤。
选择外接矩形位于所述第一图像任一角部的划分区域内的所述黑色连通区,所述第一图像平均划分为多个划分区域;
关于第一图像中多个划分区域的区域示意图可以如图8所示。外接矩形位于第一图像的角部的划分区域可以指第一图像的左下、右下、左上或右上方,外接矩形包含在附图8的7、9、1、3区域,黑色连通区的外接矩形可以指由分别经过黑色连通区的最小横坐标和最大横坐标的纵向直线,以及,分别经过最小纵坐标和最大纵坐标的横向直线构成的矩形。
判断该黑色连通区的宽度与高度的比值是否位于预设范围内;
在本发明实施例中,预设范围可以指1/3到3。
当该黑色连通区的宽度与高度的比值位于预设范围内时,删除该黑色连通区,使该黑色连通区成为前景区。
在本发明的又一实施例中,所述在选择的所述多个黑色连通区中,筛选符合预设筛选条件的所述黑色连通区,还包括以下步骤。
选择外接矩形位于所述第一图像中心的划分区域、上部的划分区域或者不邻接所述第一图像边沿的所述黑色连通区;
在本发明实施例中,位于第一图像中心的划分区域和上部的划分区域可以通过(4)式约束,其中width为图像宽度,height为图像高度:
x1>width/3∩x2<2*width/3∩y2<height/3 (4)
例如:第一图像中心的划分区域可以指图8中的5区域,上部的划分区域可以指图8中的2区域。
不邻接第一图像边沿的黑色连通区可以通过(5)式约束:
x1>1∩x2<width∩y1>1∩y2<height (5)
例如:不邻接第一图像边沿可以指一部分位于中心的划分区内,另一部分位于其他划分区的黑色连通区等,例如,一部分位于图8中的5中,另一部分位于图8中的1中;一部分位于图8中的5中,一部分位于图8中的4中,另一部分位于图8中的7中等等。
删除外接矩形位于所述第一图像中心的划分区域、上部的划分区域或者不邻接所述第一图像边沿的黑色连通区,使删除的黑色连通区对应的区域成为前景区。
在本发明的又一实施例中,所述在选择的所述多个黑色连通区中,筛选符合预设筛选条件的所述黑色连通区,包括以下步骤。
检测是否存在高度超过所述第一图像的高度的预设比例的黑色连通区;
预设比例可以指图像高度的四分之一,或者图像宽度的四分之一。
当存在高度超过所述第一图像的高度的预设比例的黑色连通区时,保留所述黑色连通区。
若连通区的高度超过了图像高度的四分之一,或者宽度超过了图像宽度的四分之一,则该连通区域不受前述实施例筛选约束条件的限制,仍保留该区域作为背景区。
在本发明的又一实施例中,所述在选择的所述多个黑色连通区中,筛选符合预设筛选条件的所述黑色连通区,包括:
检测是否存在矩形形状的黑色连通区;
矩形状态可以由(6)式定义,w表示矩形的宽,h表示矩形的高:
w/h>4∪w/h<0.25 (6)
当存在矩形形状的黑色连通区时,保留所述黑色连通区。
在该步骤中,若黑色连通区为举行,则该连通区域不受前述实施例筛选约束条件的限制,仍保留该区域作为背景区。
在本发明的又一实施例中,在步骤S103和步骤S104之间,还可以包括:对所述第二图像进行腐蚀处理,腐蚀处理后的第二图像可以如图9(a) 和图9(b)所示。
在该步骤中,可以对第二图像进行3×3的腐蚀操作,进一步去除前景干扰区域,对第二图像中的像素点g(i,j)进行腐蚀操作由(7)式定义:
在步骤S104中,叠加所述红外灰度图像和所述第二图像,得到目标灰度图像,所述目标灰度图像中所述目标图像位于所述最大的白色连通区对应的区域,所述背景图像位于所述黑色连通区对应的区域。
在该步骤中,第二图像中为白色区域的位置,保留红外灰度图像的值,第二图像中为黑色区域的位置,清除红外灰度图像的值,最后得到的目标灰度图像(如图10(a)和图10(b)所示)为去除背景的图像。目标灰度图像中的像素点h(i,j)定义如(8)式:
上述步骤实施后,第二图像的白色连通区就是识别出的人体。通过上述方法,人体的位置、形状、面积、分布特征、外接矩形坐标等参数都已获得,为后续部位识别、智能诊断创造了条件。同时,上述步骤中,中间过程图像如:第四图像、二值化图像、第一图像、第二图像和腐蚀处理之后的第二图像,在得到下一步图像时均可以直接以上一步图像作为基础,即上一步图像可以以被覆盖,因而这些中间过程图像可共用一帧图像空间;目标灰度图像可与待处理的红外灰度图像使用相同空间,因此本发明总共需要的图像空间为待处理的红外灰度图像、第三图像和第四图像三帧图像的图像空间。此外,由于不存在循环迭代类运算,计算复杂度低,速度快。
在本发明的又一实施例中,如图11所示,还一种提取目标图像的装置,包括:处理模块11、第一保留模块12、第二保留模块13和叠加模块14。
处理模块11,用于将待处理的红外灰度图像按照预设方式进行二值化处理,得到二值化图像,所述红外灰度图像中包含目标图像和背景图像;
第一保留模块12,用于保留所述二值化图像中最大的白色连通区,得到包含所述最大的白色连通区的第一图像;
第二保留模块13,用于保留所述第一图像中符合预设条件的多个黑色连通区,得到包含多个黑色连通区的第二图像;
叠加模块14,用于叠加所述红外灰度图像和所述第二图像,得到目标灰度图像,所述目标灰度图像中所述目标图像位于所述最大的白色连通区对应的区域,所述背景图像位于所述黑色连通区对应的区域。
本发明实施例所提供的提取目标对象的方法及装置的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述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:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种提取目标图像的方法,其特征在于,包括:
将待处理的红外灰度图像按照预设方式进行二值化处理,得到二值化图像,所述红外灰度图像中包含目标图像和背景图像;
保留所述二值化图像中最大的白色连通区,得到包含所述最大的白色连通区的第一图像;
保留所述第一图像中符合预设条件的多个黑色连通区,得到包含多个黑色连通区的第二图像;
叠加所述红外灰度图像和所述第二图像,得到目标灰度图像,所述目标灰度图像中所述目标图像位于所述最大的白色连通区对应的区域,所述背景图像位于所述黑色连通区对应的区域。
2.根据权利要求1所述的提取目标图像的方法,其特征在于,所述保留所述第一图像中符合预设条件的多个黑色连通区,得到包含多个黑色连通区的第二图像,包括:
在所述第一图像中,查找灰度为第一预设值的多个像素点;
在查找到的多个像素点中,将位置相邻接的像素点形成的多个区域分别确定为黑色连通区;
选择像素点数量在预设阈值范围内的多个黑色连通区;
在选择的所述多个黑色连通区中,筛选符合预设筛选条件的所述黑色连通区;
保留所述符合预设筛选条件的所述黑色连通区,得到第二图像。
3.根据权利要求2所述的提取目标图像的方法,其特征在于,所述在选择的所述多个黑色连通区中,筛选符合预设筛选条件的所述黑色连通区,包括:
选择外接矩形位于所述第一图像任一角部的划分区域内的所述黑色连通区,所述第一图像平均划分为多个划分区域;
判断该黑色连通区的宽度与高度的比值是否位于预设范围内;
当该黑色连通区的宽度与高度的比值位于预设范围内时,删除该黑色连通区。
4.根据权利要求3所述的提取目标图像的方法,其特征在于,所述在选择的所述多个黑色连通区中,筛选符合预设筛选条件的所述黑色连通区,还包括:
选择外接矩形位于所述第一图像中心的划分区域、上部的划分区域或者不邻接所述第一图像边沿的所述黑色连通区;
删除外接矩形位于所述第一图像中心的划分区域、上部的划分区域或者不邻接所述第一图像边沿的黑色连通区。
5.根据权利要求2所述的提取目标图像的方法,其特征在于,所述在选择的所述多个黑色连通区中,筛选符合预设筛选条件的所述黑色连通区,包括:
检测是否存在高度超过所述第一图像的高度的预设比例的黑色连通区;
当存在高度超过所述第一图像的高度的预设比例的黑色连通区时,保留所述黑色连通区。
6.根据权利要求2所述的提取目标图像的方法,其特征在于,所述在选择的所述多个黑色连通区中,筛选符合预设筛选条件的所述黑色连通区,包括:
检测是否存在矩形形状的黑色连通区;
当存在矩形形状的黑色连通区时,保留所述黑色连通区。
7.根据权利要求1至6任一所述的提取目标图像的方法,其特征在于,所述保留所述二值化图像中最大的白色连通区,得到包含所述最大的白色连通区的第一图像,包括:
在所述二值化图像中,查找灰度为第二预设值的多个像素点;
当所述灰度为第二预设值的多个像素点中存在位置相邻的像素点时,将多个位置相邻的像素点确定为第一像素点组合;
将每个所述第一像素点组合所占的区域分别确定为白色连通区;
保留像素点的数量最多的白色连通区,得到第一图像。
8.根据权利要求1至6任一所述的提取目标图像的方法,其特征在于,所述将待处理的红外灰度图像按照预设方式进行二值化处理,得到二值化图像,包括:
将待处理的红外灰度图像的轮廓图进行二值化处理,得到第三图像;
将所述红外灰度图像进行二值化处理,得到第四图像;
将所述第三图像和所述第四图像进行叠加处理,得到所述二值化图像。
9.根据权利要求1至6任一所述的提取目标图像的方法,其特征在于,在叠加所述红外灰度图像和所述第二图像之前,还包括:
对所述第二图像进行腐蚀处理。
10.一种提取目标图像的装置,其特征在于,包括:
处理模块,用于将待处理的红外灰度图像按照预设方式进行二值化处理,得到二值化图像,所述红外灰度图像中包含目标图像和背景图像;
第一保留模块,用于保留所述二值化图像中最大的白色连通区,得到包含所述最大的白色连通区的第一图像;
第二保留模块,用于保留所述第一图像中符合预设条件的多个黑色连通区,得到包含多个黑色连通区的第二图像;
叠加模块,用于叠加所述红外灰度图像和所述第二图像,得到目标灰度图像,所述目标灰度图像中所述目标图像位于所述最大的白色连通区对应的区域,所述背景图像位于所述黑色连通区对应的区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710315167.0A CN107133967B (zh) | 2017-05-05 | 2017-05-05 | 提取目标图像的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710315167.0A CN107133967B (zh) | 2017-05-05 | 2017-05-05 | 提取目标图像的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107133967A true CN107133967A (zh) | 2017-09-05 |
CN107133967B CN107133967B (zh) | 2019-06-28 |
Family
ID=59731633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710315167.0A Active CN107133967B (zh) | 2017-05-05 | 2017-05-05 | 提取目标图像的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107133967B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108563967A (zh) * | 2018-03-15 | 2018-09-21 | 青岛海信移动通信技术股份有限公司 | 一种截图方法和装置 |
CN108765424A (zh) * | 2018-04-03 | 2018-11-06 | 迈克医疗电子有限公司 | 污点区域检测方法和装置、分析仪器和存储介质 |
CN109685079A (zh) * | 2018-12-26 | 2019-04-26 | 网易(杭州)网络有限公司 | 一种特征图像类别信息的生成方法和装置 |
CN114305185A (zh) * | 2022-01-10 | 2022-04-12 | 中山东菱威力电器有限公司 | 一种具有防坠落功能的智能马桶盖 |
WO2023004546A1 (zh) * | 2021-07-26 | 2023-02-02 | 京东方科技集团股份有限公司 | 中医体质识别方法、装置、电子设备、存储介质及程序 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102956035A (zh) * | 2011-08-25 | 2013-03-06 | 深圳市蓝韵实业有限公司 | 用于乳腺x线图像中提取乳腺区域的预处理方法及系统 |
CN103473534A (zh) * | 2013-09-10 | 2013-12-25 | 西安翔迅科技有限责任公司 | 一种基于视频的车辆检测方法 |
CN103714345A (zh) * | 2013-12-27 | 2014-04-09 | Tcl集团股份有限公司 | 一种双目立体视觉检测手指指尖空间位置的方法与系统 |
CN104794421A (zh) * | 2015-04-29 | 2015-07-22 | 华中科技大学 | 一种qr码定位及识别方法 |
CN105261049A (zh) * | 2015-09-15 | 2016-01-20 | 重庆飞洲光电技术研究院 | 一种图像连通区域快速检测方法 |
CN106548185A (zh) * | 2016-11-25 | 2017-03-29 | 三星电子(中国)研发中心 | 一种前景区域确定方法和装置 |
-
2017
- 2017-05-05 CN CN201710315167.0A patent/CN107133967B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102956035A (zh) * | 2011-08-25 | 2013-03-06 | 深圳市蓝韵实业有限公司 | 用于乳腺x线图像中提取乳腺区域的预处理方法及系统 |
CN103473534A (zh) * | 2013-09-10 | 2013-12-25 | 西安翔迅科技有限责任公司 | 一种基于视频的车辆检测方法 |
CN103714345A (zh) * | 2013-12-27 | 2014-04-09 | Tcl集团股份有限公司 | 一种双目立体视觉检测手指指尖空间位置的方法与系统 |
CN104794421A (zh) * | 2015-04-29 | 2015-07-22 | 华中科技大学 | 一种qr码定位及识别方法 |
CN105261049A (zh) * | 2015-09-15 | 2016-01-20 | 重庆飞洲光电技术研究院 | 一种图像连通区域快速检测方法 |
CN106548185A (zh) * | 2016-11-25 | 2017-03-29 | 三星电子(中国)研发中心 | 一种前景区域确定方法和装置 |
Non-Patent Citations (3)
Title |
---|
付诚: "基于GPU的闯红灯车辆视频检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
胡欣: "一种基于灰度级连通性的红外图像分割方法", 《计算机科学》 * |
费小亮: "基于红外面阵扫描系统的弱小目标检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108563967A (zh) * | 2018-03-15 | 2018-09-21 | 青岛海信移动通信技术股份有限公司 | 一种截图方法和装置 |
CN108765424A (zh) * | 2018-04-03 | 2018-11-06 | 迈克医疗电子有限公司 | 污点区域检测方法和装置、分析仪器和存储介质 |
CN108765424B (zh) * | 2018-04-03 | 2021-06-08 | 迈克医疗电子有限公司 | 污点区域检测方法和装置、分析仪器和存储介质 |
CN109685079A (zh) * | 2018-12-26 | 2019-04-26 | 网易(杭州)网络有限公司 | 一种特征图像类别信息的生成方法和装置 |
WO2023004546A1 (zh) * | 2021-07-26 | 2023-02-02 | 京东方科技集团股份有限公司 | 中医体质识别方法、装置、电子设备、存储介质及程序 |
CN114305185A (zh) * | 2022-01-10 | 2022-04-12 | 中山东菱威力电器有限公司 | 一种具有防坠落功能的智能马桶盖 |
CN114305185B (zh) * | 2022-01-10 | 2023-01-06 | 中山东菱威力电器有限公司 | 一种具有防坠落功能的智能马桶盖 |
Also Published As
Publication number | Publication date |
---|---|
CN107133967B (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107133967A (zh) | 提取目标图像的方法及装置 | |
CA2994508C (en) | Vegetation management for power line corridor monitoring using computer vision | |
CN107330376A (zh) | 一种车道线识别方法及系统 | |
CN103745203B (zh) | 基于视觉注意和均值漂移的目标检测与跟踪方法 | |
CN106951870B (zh) | 主动视觉注意的监控视频显著事件智能检测预警方法 | |
WO2015010451A1 (zh) | 一种从单幅图像检测道路的方法 | |
US20130107010A1 (en) | Surface segmentation from rgb and depth images | |
CN108765489A (zh) | 一种基于组合靶标的位姿计算方法、系统、介质及设备 | |
CN110232389A (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN109671115A (zh) | 使用深度值估计的图像处理方法和装置 | |
CN105303514A (zh) | 图像处理方法和装置 | |
CN104301630B (zh) | 一种视频图像拼接方法及装置 | |
CN109101957A (zh) | 双目立体数据处理方法、装置、智能驾驶设备及存储介质 | |
Zhao et al. | Learning deep network for detecting 3d object keypoints and 6d poses | |
CN105678737B (zh) | 一种基于Radon变换的数字图像角点检测方法 | |
CN109685045A (zh) | 一种运动目标视频跟踪方法及系统 | |
US20170178341A1 (en) | Single Parameter Segmentation of Images | |
CN113591763B (zh) | 人脸脸型的分类识别方法、装置、存储介质及计算机设备 | |
CN111126116A (zh) | 无人船河道垃圾识别方法及系统 | |
CN109522904B (zh) | 一种基于遥感数据的规则农田提取方法 | |
CN117557784B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN108154513A (zh) | 基于双光子成像数据的细胞自动探测和分割方法 | |
Xiang et al. | PhenoStereo: a high-throughput stereo vision system for field-based plant phenotyping-with an application in sorghum stem diameter estimation | |
CN112734747A (zh) | 一种目标检测方法、装置、电子设备和存储介质 | |
CN109977884B (zh) | 目标跟随方法和装置 |
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 |