CN107274424A - 一种彩色图像的分割方法及装置 - Google Patents
一种彩色图像的分割方法及装置 Download PDFInfo
- Publication number
- CN107274424A CN107274424A CN201710454701.6A CN201710454701A CN107274424A CN 107274424 A CN107274424 A CN 107274424A CN 201710454701 A CN201710454701 A CN 201710454701A CN 107274424 A CN107274424 A CN 107274424A
- Authority
- CN
- China
- Prior art keywords
- image
- gradient
- gradient image
- segmentation
- bit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000011218 segmentation Effects 0.000 claims abstract description 70
- 238000004519 manufacturing process Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims description 12
- 238000005520 cutting process Methods 0.000 claims description 9
- 238000003709 image segmentation Methods 0.000 abstract description 24
- 230000008569 process Effects 0.000 abstract description 8
- 238000003860 storage Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000005286 illumination Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 235000002918 Fraxinus excelsior Nutrition 0.000 description 1
- 239000002956 ash Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种彩色图像的分割方法及装置，涉及图像处理技术领域，主要目的是抑制图像分割过程中的过分割现象，进一步提高了彩色图像的分割效率。所述方法包括：获取彩色图像对应的梯度图像；利用比特平面分层重构所述梯度图像，得到重构后的梯度图像；对所述重构后的梯度图像进行分水岭分割。本发明主要用于彩色图像的分割。
Description
技术领域
本发明涉及图像处理技术领域，尤其是一种彩色图像的分割方法及装置。
背景技术
图像分割就是将图像中感兴趣的部分划出来，是模式识别和计算机视觉中的一个关键环节。目前有大量可用的图像分割方法，例如可以将图像分割看作是基于颜色和空间特征的分类问题，还可以将图像分割分为有监督和无监督分类问题，它们大致可以分为：边缘检测法、聚类方法、基于区域的方法，其中，基于区域的方法包括区域生长、分水岭算法、分裂和归并等。
上述的分水岭算法因能快速得到连续封闭的目标边界而广泛应用，但由于图像中存在非规则扰动和噪声，会对分割结果造成不良影响，也就是会出现过分割现象。
目前，抑制过分割现象的方法主要是在图像分割之后对图像进行区域合并的方法，如基于相邻区域相似性的各种区域合并方法。然而，由于分割后的图像会有多个区域，使得区域合并的方法需要进行多次循环，导致每次合并时需要的处理时间较长，并且时间复杂度较高，降低了图像分割的效率。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种彩色图像的分割方法及装置，能够抑制图像分割过程中的过分割现象，进一步提高了彩色图像的分割效率。
依据本发明实施例的一方面，本发明实施例提供了一种彩色图像的分割方法，包括：
获取彩色图像对应的梯度图像；
利用比特平面分层重构所述梯度图像，得到重构后的梯度图像；
对所述重构后的梯度图像进行分水岭分割。
进一步地，所述获取彩色图像对应的梯度图像包括：
利用空域梯度算子对彩色图像进行边缘检测，得到彩色图像对应的梯度图像。
进一步地，所述利用比特平面分层重构所述梯度图像，得到重构后的梯度图像包括：
根据所述梯度图像的灰度值将所述梯度图像划分为预设层数的比特平面图像；
为每层所述比特平面图像设置权重值；
根据所述权重值对预设层数的比特平面图像进行重构，得到重构后的梯度图像。
进一步地，所对所述重构后的梯度图像进行分水岭分割包括：
遍历所述重构后的梯度图像中每一像素点的灰度值，找出局部极小值；
根据所述局部极小值对应的边界对所述重构后的梯度图像进行区域分割，得到若干分割图像。
进一步地，在所述对所述重构后的梯度图像进行分水岭分割之后，所述方法还包括：
基于异质性最小原则对所述分割后的梯度图像进行区域合并。
依据本发明实施例的另一方面，本发明实施例提供了一种彩色图像的分割装置，包括：
获取单元，用于获取彩色图像对应的梯度图像；
重构单元，用于利用比特平面分层重构所述梯度图像，得到重构后的梯度图像；
分割单元，用于对所述重构后的梯度图像进行分水岭分割。
进一步地，所述获取单元，具体用于利用空域梯度算子对彩色图像进行边缘检测，得到彩色图像对应的梯度图像。
进一步地，所述重构单元包括：
划分模块，用于根据所述梯度图像的灰度值将所述梯度图像划分为预设层数的比特平面图像；
设置模块，用于为每层所述比特平面图像设置权重值；
重构模块，用于根据所述权重值对预设层数的比特平面图像进行重构，得到重构后的梯度图像。
进一步地，所述分割单元包括：
查找模块，用于遍历所述重构后的梯度图像中每一像素点的灰度值，找出局部极小值；
分割模块，用于根据所述局部极小值对应的边界对所述重构后的梯度图像进行区域分割，得到若干分割图像。
进一步地，所述装置还包括：
合并单元，用于基于异质性最小原则对所述分割后的梯度图像进行区域合并。
借由上述技术方案，本发明提供的一种彩色图像的分割方法及装置，通过利用比特平面对彩色图像对应的梯度图像进行重构，突出彩色图像的弱边缘，使得图像边缘定位准确，然后对重构后的梯度图像进行分水岭分割，提高了分水岭图像分割的准确性。与现有技术中采用区域合并方式抑制分水岭分割的彩色图像分割方法相比，本发明实施例在对彩色图像进行分水岭分割之前，通过比特平面分层重构彩色图像对应的梯度图像，能够显著抑制分水岭分割产生的过分割现象，有效避免了分水岭分割过程中光照影响以及边缘定位不准确的问题，并且无需进行多次的区域合并，降低了时间复杂度，提高了图像分割效率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种彩色图像的分割方法流程示意图；
图2示出了本发明实施例提供的另一种彩色图像的分割方法流程示意图；
图3示出了本发明实施例提供的一种彩色图像的分割装置的组成框图；
图4示出了本发明实施例提供的另一种彩色图像的分割装置的组成框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种彩色图像的分割方法，如图1所示，该方法主要在对彩色图像进行分水岭分割之前，通过比特平面分层重构彩色图像对应的梯度图像比特平面对彩色图像对应的梯度图像进行重构，进而抑制图像分水岭分割过程中的过分割现象，同时提高图像分割效率，具体步骤包括：
101、获取彩色图像对应的梯度图像。
其中，彩色图像是指每个像素由R、G、B分量构成的图像，其中，R、G、B是有不同的灰度级来描述的。这里的彩色图像可以为人脸图像、遥感图像、生物图像等，本发明实施例不限定。通常情况，可以使用CCD相机来摄取彩色图像，并将摄取的彩色图像结合数字图像处理软件进行信息提取，还可以通过传感器来获取彩色图像中的信息。
由于彩色图像的边缘线是图像分割与特征提取的基础，为了方便对彩色图像进行边缘检测，需要计算彩色图像的梯度，进一步获取彩色图像对应的梯度图像，这里具体可以把彩色图像看成二维离散函数，图像梯度其实就是这个二维离散函数的求导，当然还可以采用不同的梯度计算公式，不同的方法产生不同的梯度，本发明实施例对获取彩色图像对应的梯度图像的方法不进行限定，可以采用线性滤波方法、形态学梯度方法或者空域梯度算子方法等。
102、利用比特平面分层重构所述梯度图像，得到重构后的梯度图像。
对于灰度图而言，像素是由比特组成的数字，一个像素点由8个比特组成。比特平面分层又称为分段线性变换函数或者位平面分层，是一种图像处理基本算法，其基本形式为：
I0＝am-1*2m-1+am*2m+···+a1*21+a0*20
Ir＝am-1*λm-1+am*λm+···+a1*λ1+a0*λ0
其中，I0是原始梯度图像的灰度值，Ir是重构后梯度图像的灰度值，m＝8，以第m-1比特平面为例，am-1为对应m-1比特平面的灰度值，λm-1为对应m-1比特平面重构的权重值。当λm-1＞2m-1时，重构m-1比特平面得以增强，当λm-1＝2m-1时，重构m-1比特平面不变，当λm-1＜2m -1时，重构m-1比特平面得以减弱。
对于本发明实施例，通过比特平面分层重构梯度图像，能够突出彩色图像的弱边缘，使得图像边缘定位准确，进而方便后续彩色图像的分割。
103、对所述重构后的梯度图像进行分水岭分割。
这里的分水岭分割是一种广泛应用的基于拓扑理论的数学形态学图像分割算法，基本思想是把图像看作是测地学上的拓扑外貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。
分水岭的计算过程是一个迭代标注过程。分水岭比较经典的计算方法是L.Vincent提出的。在该算法中，分水岭计算分两个步骤，一个是排序过程，一个是淹没过程。首先对每个像素的灰度级进行从低到高排序，然后在从低到高实现淹没过程中，对每一个局部极小值在h阶高度的影响域采用先进先出(FIFO)结构进行判断及标注。
对于本发明实施例，通过对重构后的梯度图像进行分水岭分割，能够准确定位图像边缘，使得分割出来的区域更准确，同时能够抑制分水岭算法产生的过分割现象。
结合上述的实现方式可以看出，本发明实施例提供的一种彩色图像的分割方法，通过利用比特平面对彩色图像对应的梯度图像进行重构，突出彩色图像的弱边缘，使得图像边缘定位准确，然后对重构后的梯度图像进行分水岭分割，提高了分水岭图像分割的准确性。与现有技术中采用区域合并方式抑制分水岭分割的彩色图像分割方法相比，本发明实施例在对彩色图像进行分水岭分割之前，通过比特平面分层重构彩色图像对应的梯度图像，能够显著抑制分水岭分割产生的过分割现象，有效避免了分水岭分割过程中光照影响以及边缘定位不准确的问题，并且无需进行多次的区域合并，降低了时间复杂度，提高了图像分割效率。
以下为了更加详细地说明本发明提出的一种彩色图像的分割方法，特别是在利用比特平面分层重构梯度图像，得到重构后的梯度图像的步骤，本发明实施例还提供了另一种彩色图像的分割方法，如图2所示，该方法的具体步骤包括：
201、利用空域梯度算子对彩色图像进行边缘检测，得到彩色图像对应的梯度图像。
图像的边缘检测是图像最基本的特征，它蕴含了丰富的目标物体信息，这里的边缘是一组相连的像素集合，并与这些像素的周围像素灰度有强烈的反差，边缘是图像分割所依赖的重要特征。传统的边缘检测算法中，总体分为两大类，一类是基于空域梯度算子类的图像边缘检测方法，如Laplace算子、Roberts算子或Soble算子等，另一类是基于边缘拟合算子的检测方法，即先对图像的小区域进行曲面拟合，再对拟合出的曲面使用空域梯度算子方法进行边缘检测。
对于本发明实施例，可以使用经典Soble算子对彩色图像进行边缘检测，Soble算子边缘检测通常具有方向性，可以只检测竖直边缘或垂直边缘，或都检测，具体可以通过Soble算子使用一个3*3的滤波器来对彩色图像进行滤波，从而得到彩色图像对应的梯度图像，当然还可以预先定义竖直方向和水平方向的滤波器，定义好滤波器后分别求垂直和水平方向上的梯度图像，本发明实施例对滤波器的设置不进行限定。
202、根据所述梯度图像的灰度值将所述梯度图像划分为预设层数的比特平面图像。
对于本发明实施例，比特平面分层是通过将梯度图像转换为若干个二值子图像，每个二值子图像对应着一个比特平面图像，例如梯度图像的灰度分布是0-255之间，即梯度图像为8比特/像素，将每个像素的第i个比特抽取出来(i从1到8)，就得到8个比特平面图像。
203、为每层所述比特平面图像设置权重值。
由于不同的比特平面图像对应有不同的灰度值，进一步可以根据每层比特图像对应的灰度值为每层比特平面设置权重值，当然还可根据实际需求自行设置，本发明实施例对权重值的设置不进行限定。
204、根据所述权重值对预设层数的比特平面图像进行重构，得到重构后的梯度图像。
对于本发明实施例，不同的权重值对比特平面图像重构会产生不同的效果，如权重值设置较大的值，会对梯形图像产生增强的效果，如权重值设置较小的值，会对梯形图像产生减弱的效果，本发明实施例对权重值的设置不进行限定。
205、遍历所述重构后的梯度图像中每一像素点的灰度值，找出局部极小值。
这里的局部极小值指的是导数为0的点，对于本发明实施例，通过将梯度图像中的像素点作为二维离散点求导，进而找出局部极小值，该像素点为局部范围内的最小值点。
206、根据所述局部极小值对应的边界对所述重构后的梯度图像进行区域分割，得到若干分割图像。
需要说明的是，如果直接对原始彩色图像直接进行区域分割可能会存在很多分割区域，导致处理时间的复杂度较高，而本发明实施例通过在区域分割之前对彩色图像求取梯度图像并采用比特分层对梯度图像进行重构，能够减少分割区域的数量，并且降低了处理时间的复杂度，例如，如果直接采用区域分割可能会将彩色图像分割为100个分割图像，而通过本发明实施例可能会将彩色图像分割为20个分割图像。
207、基于异质性最小原则对所述分割后的梯度图像进行区域合并。
在实际应用中，上述区域分割方式对于早上和细密纹理都非常敏感，使其常常会产生严重的过分割结果，因此，本发明实施例在基于述分割结果采用异质性最小原则对分割后的梯度图像进行区域合并，能够抑制过分割现象。
本发明实施例提供的另一种彩色图像的分割方法，通过利用比特平面对彩色图像对应的梯度图像进行重构，突出彩色图像的弱边缘，使得图像边缘定位准确，然后对重构后的梯度图像进行分割，提高了图像分割的准确性。与现有技术中采用区域合并方式抑制分水岭分割的彩色图像分割方法相比，本发明实施例在对彩色图像进行分割之前，通过比特平面分层重构彩色图像对应的梯度图像，有效避免了分水岭分割过程中光照影响以及边缘定位不准确的问题，并且无需进行多次的区域合并，降低了时间复杂度，提高了图像分割效率。
另外，本发明实施例在得到分割结果后基于异质性最小原则对分割后的梯度图像进行区域合并，能够显著抑制图像分割过程中产生的过分割现象，能够实现更好的分割效果。
进一步地，作为图1所示方法的具体实现，本发明实施例提供一种彩色图像的分割装置，该装置实施例与前述方法实施例对应，为便于阅读，本装置不在对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容，如图3所示，所述装置包括：
获取单元31，可以用于获取彩色图像对应的梯度图像；
重构单元32，可以用于利用比特平面分层重构所述梯度图像，得到重构后的梯度图像；
分割单元33，可以用于对所述重构后的梯度图像进行分水岭分割。
本发明实施例提供的一种彩色图像的分割装置，通过利用比特平面对彩色图像对应的梯度图像进行重构，突出彩色图像的弱边缘，使得图像边缘定位准确，然后对重构后的梯度图像进行分水岭分割，提高了分水岭图像分割的准确性。与现有技术中采用区域合并方式抑制分水岭分割的彩色图像分割方法相比，本发明实施例在对彩色图像进行分水岭分割之前，通过比特平面分层重构彩色图像对应的梯度图像，能够显著抑制分水岭分割产生的过分割现象，有效避免了分水岭分割过程中光照影响以及边缘定位不准确的问题，并且无需进行多次的区域合并，降低了时间复杂度，提高了图像分割效率。
进一步地，如图4所示，所述装置还包括：
合并单元34，可以用于基于异质性最小原则对所述分割后的梯度图像进行区域合并。
所述获取单元31，具体可以用于利用空域梯度算子对彩色图像进行边缘检测，得到彩色图像对应的梯度图像。
进一步地，所述重构单元32包括：
划分模块321，可以用于根据所述梯度图像的灰度值将所述梯度图像划分为预设层数的比特平面图像；
设置模块322，可以用于为每层所述比特平面图像设置权重值；
重构模块323，可以用于根据所述权重值对预设层数的比特平面图像进行重构，得到重构后的梯度图像。
进一步地，所述分割单元33包括：
查找模块331，可以用于遍历所述重构后的梯度图像中每一像素点的灰度值，找出局部极小值；
分割模块332，可以用于根据所述局部极小值对应的边界对所述重构后的梯度图像进行区域分割，得到若干分割图像。
需要说明的是，本发明实施例提供的彩色图像的分割装置所涉及各功能单元的其他相应描述，可以参考图1以及图2中的对应描述，在此不再赘述。
本发明提供的另一种彩色图像的分割装置，通过利用比特平面对彩色图像对应的梯度图像进行重构，突出彩色图像的弱边缘，使得图像边缘定位准确，然后对重构后的梯度图像进行分割，提高了图像分割的准确性。与现有技术中采用区域合并方式抑制分水岭分割的彩色图像分割方法相比，本发明实施例在对彩色图像进行分割之前，通过比特平面分层重构彩色图像对应的梯度图像，有效避免了分水岭分割过程中光照影响以及边缘定位不准确的问题，并且无需进行多次的区域合并，降低了时间复杂度，提高了图像分割效率。
另外，本发明实施例在得到分割结果后基于异质性最小原则对分割后的梯度图像进行区域合并，能够显著抑制图像分割过程中产生的过分割现象，能够实现更好的分割效果。
所述彩色图像的分割装置包括处理器和存储器，上述获取单元31、重构单元32和分割单元33等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来节省人力，能够抑制图像分割过程中的过分割现象，进一步提高了彩色图像的分割效率。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)，存储器包括至少一个存储芯片。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序代码：获取彩色图像对应的梯度图像；利用比特平面分层重构所述梯度图像，得到重构后的梯度图像；对所述重构后的梯度图像进行分水岭分割。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种彩色图像的分割方法，其特征在于，包括：
获取彩色图像对应的梯度图像；
利用比特平面分层重构所述梯度图像，得到重构后的梯度图像；
对所述重构后的梯度图像进行分水岭分割。
2.根据权利要求1所述的方法，其特征在于，所述获取彩色图像对应的梯度图像包括：
利用空域梯度算子对彩色图像进行边缘检测，得到彩色图像对应的梯度图像。
3.根据权利要求1所述的方法，其特征在于，所述利用比特平面分层重构所述梯度图像，得到重构后的梯度图像包括：
根据所述梯度图像的灰度值将所述梯度图像划分为预设层数的比特平面图像；
为每层所述比特平面图像设置权重值；
根据所述权重值对预设层数的比特平面图像进行重构，得到重构后的梯度图像。
4.根据权利要求1所述的方法，其特征在于，所对所述重构后的梯度图像进行分水岭分割包括：
遍历所述重构后的梯度图像中每一像素点的灰度值，找出局部极小值；
根据所述局部极小值对应的边界对所述重构后的梯度图像进行区域分割，得到若干分割图像。
5.根据权利要求1-4中任一项所述的方法，其特征在于，在所述对所述重构后的梯度图像进行分水岭分割之后，所述方法还包括：
基于异质性最小原则对所述分割后的梯度图像进行区域合并。
6.一种彩色图像的分割装置，其特征在于，包括：
获取单元，用于获取彩色图像对应的梯度图像；
重构单元，用于利用比特平面分层重构所述梯度图像，得到重构后的梯度图像；
分割单元，用于对所述重构后的梯度图像进行分水岭分割。
7.根据权利要求6所述的装置，其特征在于，
所述获取单元，具体用于利用空域梯度算子对彩色图像进行边缘检测，得到彩色图像对应的梯度图像。
8.根据权利要求6所述的装置，其特征在于，所述重构单元包括：
划分模块，用于根据所述梯度图像的灰度值将所述梯度图像划分为预设层数的比特平面图像；
设置模块，用于为每层所述比特平面图像设置权重值；
重构模块，用于根据所述权重值对预设层数的比特平面图像进行重构，得到重构后的梯度图像。
9.根据权利要求6所述的装置，其特征在于，所述分割单元包括：
查找模块，用于遍历所述重构后的梯度图像中每一像素点的灰度值，找出局部极小值；
分割模块，用于根据所述局部极小值对应的边界对所述重构后的梯度图像进行区域分割，得到若干分割图像。
10.根据权利要求6-9中任一项所述的装置，其特征在于，所述装置还包括：
合并单元，用于基于异质性最小原则对所述分割后的梯度图像进行区域合并。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710454701.6A CN107274424A (zh) | 2017-06-15 | 2017-06-15 | 一种彩色图像的分割方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710454701.6A CN107274424A (zh) | 2017-06-15 | 2017-06-15 | 一种彩色图像的分割方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107274424A true CN107274424A (zh) | 2017-10-20 |
Family
ID=60066564
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710454701.6A Pending CN107274424A (zh) | 2017-06-15 | 2017-06-15 | 一种彩色图像的分割方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107274424A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107808385A (zh) * | 2017-11-22 | 2018-03-16 | 新疆大学 | 基于幂律分布的彩色图像分水岭分割方法 |
| CN109155061A (zh) * | 2017-12-20 | 2019-01-04 | 深圳市大疆创新科技有限公司 | 图像融合的方法、装置与无人机 |
| CN110309793A (zh) * | 2019-07-04 | 2019-10-08 | 电子科技大学 | 一种基于图像比特分层解译的sar目标识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105082857A (zh) * | 2014-05-15 | 2015-11-25 | 上海斯米克控股股份有限公司 | 一种高仿真艺术画瓷砖复制方法 |
| CN106504259A (zh) * | 2016-10-11 | 2017-03-15 | 昆明理工大学 | 一种多尺度的图像分割方法 |
| CN106599793A (zh) * | 2016-11-21 | 2017-04-26 | 江苏大学 | 一种基于标记分水岭分割的钢材晶粒晶界自动提取方法 |
-
2017
- 2017-06-15 CN CN201710454701.6A patent/CN107274424A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105082857A (zh) * | 2014-05-15 | 2015-11-25 | 上海斯米克控股股份有限公司 | 一种高仿真艺术画瓷砖复制方法 |
| CN106504259A (zh) * | 2016-10-11 | 2017-03-15 | 昆明理工大学 | 一种多尺度的图像分割方法 |
| CN106599793A (zh) * | 2016-11-21 | 2017-04-26 | 江苏大学 | 一种基于标记分水岭分割的钢材晶粒晶界自动提取方法 |
Non-Patent Citations (4)
| Title |
|---|
| GAIDHANI KAVITA GAJANAN: "Review of Defect Detection and Classification Methods for Fabric", 《INTERNATIONAL JOURNAL OF SCIENTIFIC & ENGINEERING RESEARCH》 * |
| 卢中宁 等: "基于梯度修正和区域合并的分水岭分割算法", 《计算机工程与设计》 * |
| 张建明 等: "基于梯度修正和区域融合的分水岭分割算法", 《计算机应用》 * |
| 花兴艳 等: "基于弱小红外目标的图像增强研究", 《电子设计工程》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107808385A (zh) * | 2017-11-22 | 2018-03-16 | 新疆大学 | 基于幂律分布的彩色图像分水岭分割方法 |
| CN107808385B (zh) * | 2017-11-22 | 2021-05-25 | 新疆大学 | 基于幂律分布的彩色图像分水岭分割方法 |
| CN109155061A (zh) * | 2017-12-20 | 2019-01-04 | 深圳市大疆创新科技有限公司 | 图像融合的方法、装置与无人机 |
| WO2019119295A1 (zh) * | 2017-12-20 | 2019-06-27 | 深圳市大疆创新科技有限公司 | 图像融合的方法、装置与无人机 |
| CN109155061B (zh) * | 2017-12-20 | 2021-08-27 | 深圳市大疆创新科技有限公司 | 图像融合的方法、装置与无人机 |
| CN110309793A (zh) * | 2019-07-04 | 2019-10-08 | 电子科技大学 | 一种基于图像比特分层解译的sar目标识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109522908B (zh) | 基于区域标签融合的图像显著性检测方法 | |
| CN109558806B (zh) | 高分遥感图像变化的检测方法 | |
| Yang et al. | Graph-regularized saliency detection with convex-hull-based center prior | |
| CN104915972B (zh) | 图像处理装置、图像处理方法以及程序 | |
| CN105761252B (zh) | 图像分割的方法及装置 | |
| CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
| CN106650812B (zh) | 一种卫星遥感影像的城市水体提取方法 | |
| Wang et al. | Segmentation of high spatial resolution remote sensing imagery based on hard-boundary constraint and two-stage merging | |
| CN112183416B (zh) | 一种基于深度学习方法的新增建设用地自动提取方法 | |
| CN106355188A (zh) | 图像检测方法及装置 | |
| CN108682039B (zh) | 一种双目立体视觉测量方法 | |
| Su | Scale-variable region-merging for high resolution remote sensing image segmentation | |
| Karami et al. | Gully erosion mapping using object-based and pixel-based image classification methods | |
| CN107273608A (zh) | 一种油藏地质剖面图矢量化方法 | |
| CN107274424A (zh) | 一种彩色图像的分割方法及装置 | |
| US20170178341A1 (en) | Single Parameter Segmentation of Images | |
| Medvedeva et al. | Image segmentation based on two-dimensional Markov chains | |
| CN107369158A (zh) | 基于rgb‑d图像的室内场景布局估计及目标区域提取方法 | |
| Chen et al. | A new process for the segmentation of high resolution remote sensing imagery | |
| CN109829426B (zh) | 基于高分遥感影像的铁路建设临时建筑监测方法及系统 | |
| CN107451595A (zh) | 基于混合算法的红外图像显著性区域检测方法 | |
| CN106530247A (zh) | 一种基于结构信息的多尺度图像修复算法 | |
| CN109583393A (zh) | 一种车道线端点识别方法及装置、设备、介质 | |
| Hosseinpoor et al. | Convolutional neural network for building extraction from high-resolution remote sensing images | |
| Baluyan et al. | Novel approach for rooftop detection using support vector machine |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171020 |