CN107452014B - 一种图像分割方法及装置 - Google Patents

Abstract

本发明提供了一种图像分割方法及装置，包括：将目标图像转换至Lab颜色空间后提取Lab颜色空间中a分量图像的步骤或装置；对a分量图像中分割目标的边缘进行检测提取出闭合的分割目标的轮廓曲线的步骤或装置；将轮廓曲线进行填充处理和开运算处理得到覆盖分割目标的二值图像的步骤或装置；将二值图像与目标图像进行交集运算获取目标图像的分割图像的步骤或装置。本发明实现了方法实现对自然条件下农作物叶片图像进行自动分割，简单实用，提高了自然环境中农作物叶片图像的分割精度和效率。

Description

一种图像分割方法及装置

技术领域

本发明涉及农业信息技术领域，具体涉及一种图像分割方法及装置。

背景技术

农作物在生长发育过程中容易感染各种病害和虫害。通过图像处理方法与计算机视觉技术可以对农作物病虫害图像进行识别与判断，而农作物与复杂背景自动分割是图像处理与分析的第一步，也是至关重要的步骤，其分割结果的优劣直接影响着后续图像特征提取、目标识别的准确性。

在自然环境下的农作物叶片图像采集，容易受到复杂背景、天气变化、采集角度等因素影响，使得采集图像具有内容繁多、光照不均匀、阴影、部分遮挡等特点，使后期的图像分割处理难度加大，易造成欠分割或过分割。同时，在农作物生长过程中易受到污染、病害、虫害、营养缺乏等因素作用，农作物叶片表面会出现病斑、虫斑、条纹、褶皱、卷曲、坏死等区域，该区域与图像中的背景如土壤、秸秆或地膜等往往相似，造成目标边界不清晰，使得农作物叶片图像分割精度达不到所需要求。

目前常用的农作物叶片图像分割方法主要分包括：阈值法、边缘检测法、区域生长法、聚类法、模糊分割法等。但这些方法都缺少对图像受光照和复杂背景影响的考虑，特别是对光照不均匀、阴影、边界模糊情况缺少研究以及鲁棒性较差。因此，现有的亟待解决的技术问题之一即为：如何弥补上述图像分割方法产生的种种不足，提供自然环境下对农作物叶片图像进行图像分割并提高鲁棒性的方法。

发明内容

针对现有技术中的缺陷，本发明提供一种图像分割方法及装置，通过改进农作物叶片图像分割方法，实现对自然条件下农作物叶片图像进行自动分割，以提高自然环境中农作物叶片图像的分割精度和效率。

为实现上述目的，本发明提供以下技术方案：

本发明提供一种图像分割方法，包括：

将目标图像转换至Lab颜色空间后，提取Lab颜色空间中a分量图像；

对所述a分量图像中分割目标的边缘进行检测，并提取出闭合的分割目标的轮廓曲线；

将所述轮廓曲线进行填充处理和开运算处理，得到覆盖所述分割目标的二值图像；

将所述二值图像与所述目标图像进行交集运算，获取目标图像的分割图像。

可选地，所述将目标图像转换至Lab颜色空间后，提取Lab颜色空间中a分量图像的步骤，之前还包括：

对含有分割目标的图像进行均值滤波处理获得目标图像。

可选地，所述对含有分割目标的图像进行均值滤波处理获得目标图像的步骤，包括：

提取含有分割目标的图像的R分量图像、G分量图像和B分量图像；

分别对所述R分量图像、所述G分量图像和所述B分量图像进行均值滤波处理；

采用CAT函数将均值滤波处理后的R分量图像、G分量图像和B分量图像进行组合，以得到目标图像。

可选地，所述对所述a分量图像中分割目标的边缘进行检测并提取出闭合的分割目标的轮廓曲线的步骤包括：

采用轮廓检测模型对检测分割目标的边缘并提取分割目标的轮廓曲线；

所述轮廓检测模型的能量函数为：

其中，E(f₁,f₂,g,φ)为能量函数；x、y分别表示a分量图像的长度和宽度；I(y)为a分量图像；K_σ()为高斯核函数，σ为高斯核函数带宽；g()为边缘复合函数；φ()为惩罚函数；H()为Heaviside函数；f₁(x)是轮廓曲线内均值，f₂(x)是轮廓曲线外均值；λ₁、λ₂、ν、μ为正系数；h为梯度。

可选地，所述轮廓检测模型的初始轮廓为圆形曲线，所述圆形曲线的半径R的公式为：

其中，x和y分别为a分量图像的长度和宽度。

本发明提供一种图像分割装置，包括：

提取单元，用于将目标图像转换至Lab颜色空间后，提取Lab颜色空间中a分量图像；

轮廓曲线单元，用于对所述a分量图像中分割目标的边缘进行检测，提取出闭合的分割目标的轮廓曲线；

处理单元，用于将所述轮廓曲线进行填充处理和开运算处理，得到覆盖所述分割目标的二值图像；

分割单元，用于将所述二值图像与所述目标图像进行交集运算，获取目标图像的分割图像。

可选地，所述装置还包括：

滤波单元，用于对含有分割目标的图像进行均值滤波处理获得目标图像。

可选地，所述滤波单元包括：

分解模块，用于提取含有分割目标的图像的R分量图像、G分量图像和B分量图像；

计算模块，用于分别对所述R分量图像、所述G分量图像和所述B分量图像进行均值滤波处理；

组合模块，用于采用CAT函数将均值滤波处理后的R分量图像、G分量图像和B分量图像进行组合，以得到目标图像。

本发明提供一种电子设备，包括：处理器、存储器和总线；其中，

处理器和存储器通过总线完成相互间的通信；

处理器用于调用存储器中的程序指令，以执行上述所述的图像分割方法。

本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述所述的图像分割方法。

由上述技术方案可知，本发明所述的一种图像分割方法及装置，实现了自然环境下的植物叶片图像中分割目标与复杂背景的准确自动分割，以及农作物区域的准确提取，提高自然环境中植物叶片图像的分割精度和效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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例，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是本发明提供的一种图像分割方法的流程示意图；

图2是本发明提供的另一种图像分割方法的流程示意图；

图3是本发明提供的另一种图像分割方法中步骤S100的流程示意图；

图4是本发明提供的图像分割方法中轮廓曲线流程示意图；

图5是本发明提供的一种图像分割装置的结构示意图；

图6是本发明提供的电子设备的结构示意图。

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，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，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。

本发明实施例提供一种图像分割方法，参见图1，该方法包括：

S101：将目标图像转换至Lab颜色空间后，提取Lab颜色空间中a分量图像；

在本步骤中，获取自然条件下的农作物叶片的目标图像，将该目标图像转换至Lab颜色空间，并提取a分量图像，以降低光照强度变化的影响；Lab是一种不常用的色彩空间，也是一种基于生理特征的颜色系统。它是用数字化的方法来描述人的视觉感应。Lab颜色空间中的L分量用于表示像素的亮度，取值范围是[0,100]，表示从纯黑到纯白；a分量表示从红色到绿色的范围，取值范围是[127,-128]；b分量表示从黄色到蓝色的范围，取值范围是[127,-128]。

S102：对所述a分量图像中分割目标的边缘进行检测，并提取出闭合的分割目标的轮廓曲线；

在本步骤中，采用目标图像轮廓检测的方法对a分量图像的农作物叶片图像中分割目标的边缘进行检测，并提取出闭合的分割目标的轮廓曲线。

S103：将所述轮廓曲线进行填充处理和开运算处理，得到覆盖所述分割目标的二值图像；

在本步骤中，将上述步骤S102中获得的轮廓曲线内部进行填充处理，并对填充后的图像进行圆盘为3的开运算处理，获得覆盖整个轮廓曲线区域的二值图像。

S104：将所述二值图像与所述目标图像进行交集运算，获取目标图像的分割图像。

在本步骤中，将上述步骤S104获得的二值图像与自然环境下的目标图像进行交集运算，即得到自然环境下的目标图像的分割图像。

从上述描述可知，本发明实施例提供的一种图像分割方法，实现了自然环境下的植物叶片图像中分割目标与复杂背景的准确自动分割，以及农作物区域的准确提取，提高自然环境中植物叶片图像的分割精度和效率。

本发明实施例提供一种图像分割方法，参见图2，在上述实施例的基础上，该方法还包括：

S100：对含有分割目标的图像进行均值滤波处理获得目标图像。

在本步骤中，采用均值滤波对图像进行处理，可以简单快速的对含有分割目标的图像进行优化，获取平滑的目标图像。

本发明实施例提供一种上述步骤S100的实现方法，参见图3，该方法包括：

S1001：提取含有分割目标的图像的R分量图像、G分量图像和B分量图像；

在本步骤中，提取含有分割目标的图像的RGB三个颜色通道的分量，可以精准的获取单一颜色，并进行滤波处理，可以获取平滑的目标图像

S1002：分别对所述R分量图像、所述G分量图像和所述B分量图像进行均值滤波处理；

在本步骤中，分别对R分量图像、G分量图像以及B分量图像进行3×3的均值滤波处理。

S1003：采用CAT函数将均值滤波处理后的R分量图像、G分量图像和B分量图像进行组合，以得到目标图像。

在本步骤中，将上述步骤S1002中RGB三个颜色通道的分量进行组合获取平滑的目标图像。

从上述描述可知，对含有分割目标的图像进行均值滤波处理，可以获取平滑的目标图像，提高植物叶片图像的分割精度。

本发明实施例提供一种上述步骤S102的实现方法，该方法包括：

采用轮廓检测模型对检测分割目标的边缘并提取分割目标的轮廓曲线；

所述轮廓检测模型的能量函数为：

其中，E(f₁,f₂,g,φ)为能量函数；x、y分别表示a分量图像的长度和宽度；I(y)为a分量图像；K_σ()为高斯核函数，σ为高斯核函数带宽；g()为边缘复合函数；φ()为惩罚函数；H()为Heaviside函数；f₁(x)是轮廓曲线内均值，f₂(x)是轮廓曲线外均值；λ₁、λ₂、ν、μ为正系数；h为梯度。

在本步骤中，通过计算高斯核函数获取病叶边缘内与边缘外的局部信息；

高斯核函数为：

函数中的σ为尺度因子，其值越大表示局部区域尺寸越大，设置为6。

通过计算Canny梯度算子作为全局梯度；

通过Canny梯度算子，构建一个分段单调递减的边缘复合函数g(h)：

h＝|▽G*I|

其中，s＝τ×max{|▽G*I|²}，τ∈(0,0.1]，L为分段边缘复合函数的下降因子，取值区间为L∈[2,5]；I为农作物叶片图像，h为梯度，▽G为Canny梯度算子，其公式为：

正常数L为边缘复合函数的下降因子，取值越小表明收敛速度越快，边缘复合函数不同L值的下降趋势，不同的L影响着函数的收敛速度，同时需要在边缘与同质区域的演化中达到较好平衡，因此，L选取3。引入边缘复合函数后的模型能量函数为：

E(f₁,f₂,g)＝λ₁∫(∫g(h)K_σ(x-y))|I(y)-f₁(x)|²dy)dx

+λ₂∫(∫g(h)K_σ(x-y)|I(y)-f₂(x)|²)dy)dx

+ν|C|

参见图4，在能量函数中不仅有所述分段边缘复合函数g(h)，同时，在本文模型的能量函数中引入Heaviside函数用于平滑活动轮廓，并增加了惩罚函数φ(x)，以校准水平集函数的偏差，使轮廓监测模型得到平滑闭合的边缘轮廓曲线，由所述分段边缘复合函数g(h)、所述Heavis ide函数、所述惩罚函数φ(x)构建能量函数可表示如下：

根据，Euler-Lagrange方法对其极小化计算，可表示为：

根据变分理论方法，最小化能量函数E(φ)，使其满足Euler-Lagrange方法，能量函数的梯度下降流公式如下：

式中，e₁(x)和e₂(x)公式为：

e₁(x)＝∫K_σ(x-y)|I(y)-f₁(x)|²dy

e₂(x)＝∫K_σ(x-y)|I(y)-f₂(x)|²dy

在能量函数的梯度下降流公式中，-δ_ε(φ)g(h)(λ₁e₁-λ₂e₂)作用是推动轮廓曲线演化，

是保持曲线平滑，

是内部能量项。

通过迭代计算：φ^m+1＝φ^m+Δt·L(φ^m)，更新轮廓曲线；

当φ^m+1＝φ^m时，轮廓曲线结束迭代。

进一步的，所述轮廓检测模型的初始轮廓为圆形曲线，所述圆形曲线的半径R的公式为：

其中，x和y分别为a分量图像的长度和宽度。

从上述描述可知，采用轮廓检测模型对检测分割目标的边缘并提取分割目标的轮廓曲线，能够推动轮廓曲线演化并保持曲线平滑，融合了全局梯度与局部信息，构造了分段单调递减的边缘复合函数，在能量函数中引入Heaviside函数和惩罚函数，使模型得到平滑闭合的农作物叶片图像中分割目标的边缘轮廓曲线，通过开运算和交集运算，得到自然环境下分割图像，具有简单实用的特点，实现对自然条件下农作物叶片图像进行自动分割，以提高自然环境中农作物叶片图像的分割精度和效率。

本发明实施例提供一种图像分割装置，参见图5，该装置包括：

提取单元10，用于将目标图像转换至Lab颜色空间后，提取Lab颜色空间中a分量图像；

轮廓曲线单元20，用于对所述a分量图像中分割目标的边缘进行检测，提取出闭合的分割目标的轮廓曲线；

处理单元30，用于将所述轮廓曲线进行填充处理和开运算处理，得到覆盖所述分割目标的二值图像；

分割单元40，用于将所述二值图像与所述目标图像进行交集运算，获取目标图像的分割图像。

可选地，所述装置还包括：

滤波单元c，用于对含有分割目标的图像进行均值滤波处理获得目标图像。

可选的，所述滤波单元包括：

分解模块，用于提取含有分割目标的图像的R分量图像、G分量图像和B分量图像；

计算模块，用于分别对所述R分量图像、所述G分量图像和所述B分量图像进行均值滤波处理；

组合模块，用于采用CAT函数将均值滤波处理后的R分量图像、G分量图像和B分量图像进行组合，以得到目标图像。

从上述描述可知，本发明实施例提供的图像分割装置与上述图像分割方法实施例一一对应，其原理和技术效果类似，此处不再赘述。

本发明实施例提供了一种电子设备，参见图6，该电子设备可以包括：处理器11、存储器12、总线13及存储在存储器12上并可在处理器11上运行的计算机程序；

其中，所述处理器11，存储器12通过所述总线13完成相互间的通信；

所述处理器11执行所述计算机程序时实现上述各方法实施例所提供的方法，例如包括：将目标图像转换至Lab颜色空间后，提取Lab颜色空间中a分量图像；对所述a分量图像中分割目标的边缘进行检测，并提取出闭合的分割目标的轮廓曲线；将所述轮廓曲线进行填充处理和开运算处理，得到覆盖所述分割目标的二值图像；将所述二值图像与所述目标图像进行交集运算，获取目标图像的分割图像。

本发明实施例提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例所提供的方法，例如包括：将目标图像转换至Lab颜色空间后，提取Lab颜色空间中a分量图像；对所述a分量图像中分割目标的边缘进行检测，并提取出闭合的分割目标的轮廓曲线；将所述轮廓曲线进行填充处理和开运算处理，得到覆盖所述分割目标的二值图像；将所述二值图像与所述目标图像进行交集运算，获取目标图像的分割图像。

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、装置、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、装置、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/系统。

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。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”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。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，可以根据具体情况理解上述术语在本发明中的具体含义。

本发明的说明书中，说明了大量具体细节。然而能够理解的是，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释呈反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和/或实施例的任意组合和/或置换。而且，可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。

以上实施例仅用于说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种图像分割方法，其特征在于，所述方法包括：

将目标图像转换至Lab颜色空间后，提取Lab颜色空间中a分量图像；

对所述a分量图像中分割目标的边缘进行检测，并提取出闭合的分割目标的轮廓曲线；

将所述轮廓曲线进行填充处理和开运算处理，得到覆盖所述分割目标的二值图像；

将所述二值图像与所述目标图像进行交集运算，获取目标图像的分割图像；

所述对所述a分量图像中分割目标的边缘进行检测并提取出闭合的分割目标的轮廓曲线的步骤包括：

采用轮廓检测模型检测分割目标的边缘，并提取分割目标的轮廓曲线；

所述轮廓检测模型的能量函数为：

其中，E(f₁,f₂,g,φ)为能量函数；x、y分别表示a分量图像的长度和宽度方向坐标；I(y)为a分量图像宽度方向坐标的取值；K_σ()为高斯核函数，σ为高斯核函数带宽；g()为边缘复合函数；φ()为惩罚函数；H()为Heaviside函数；f₁(x)是轮廓曲线内均值，f₂(x)是轮廓曲线外均值；λ₁、λ₂、ν、μ为正系数；h为梯度；

其中，

L为分段边缘复合函数的下降因子，取值区间为L∈[2,5]；I为农作物叶片图像的a分量图像，h为梯度，

为Canny梯度算子。

2.根据权利要求1所述的图像分割方法，其特征在于，所述将目标图像转换至Lab颜色空间后，提取Lab颜色空间中a分量图像的步骤，之前还包括：

对含有分割目标的图像进行均值滤波处理获得目标图像。

3.根据权利要求2所述的图像分割方法，其特征在于，所述对含有分割目标的图像进行均值滤波处理获得目标图像的步骤，包括：

提取含有分割目标的图像的R分量图像、G分量图像和B分量图像；

分别对所述R分量图像、所述G分量图像和所述B分量图像进行均值滤波处理；

采用CAT函数将均值滤波处理后的R分量图像、G分量图像和B分量图像进行组合，以得到目标图像。

4.根据权利要求1所述的图像分割方法，其特征在于，所述轮廓检测模型的初始轮廓为圆形曲线，所述圆形曲线的半径R的公式为：

其中，x和y分别为a分量图像的长度和宽度方向坐标。

5.一种图像分割装置，其特征在于，所述装置包括：

提取单元，用于将目标图像转换至Lab颜色空间后，提取Lab颜色空间中a分量图像；

轮廓曲线单元，用于对所述a分量图像中分割目标的边缘进行检测，提取出闭合的分割目标的轮廓曲线；

处理单元，用于将所述轮廓曲线进行填充处理和开运算处理，得到覆盖所述分割目标的二值图像；

分割单元，用于将所述二值图像与所述目标图像进行交集运算，获取目标图像的分割图像；

所述对所述a分量图像中分割目标的边缘进行检测并提取出闭合的分割目标的轮廓曲线的步骤包括：

采用轮廓检测模型检测分割目标的边缘，并提取分割目标的轮廓曲线；

所述轮廓检测模型的能量函数为：

其中，E(f₁,f₂,g,φ)为能量函数；x、y分别表示a分量图像的长度和宽度方向坐标；I(y)为a分量图像宽度方向坐标的取值；K_σ()为高斯核函数，σ为高斯核函数带宽；g()为边缘复合函数；φ()为惩罚函数；H()为Heaviside函数；f₁(x)是轮廓曲线内均值，f₂(x)是轮廓曲线外均值；λ₁、λ₂、ν、μ为正系数；h为梯度；

其中，

L为分段边缘复合函数的下降因子，取值区间为L∈[2,5]；I为农作物叶片图像的a分量图像，h为梯度，

为Canny梯度算子。

6.根据权利要求5所述的图像分割装置，其特征在于，所述装置还包括：

滤波单元，用于对含有分割目标的图像进行均值滤波处理获得目标图像。

7.根据权利要求6所述的图像分割装置，其特征在于，所述滤波单元包括：

分解模块，用于提取含有分割目标的图像的R分量图像、G分量图像和B分量图像；

计算模块，用于分别对所述R分量图像、所述G分量图像和所述B分量图像进行均值滤波处理；

组合模块，用于采用CAT函数将均值滤波处理后的R分量图像、G分量图像和B分量图像进行组合，以得到目标图像。

8.一种电子设备，其特征在于，包括：处理器、存储器和总线；其中，

处理器和存储器通过总线完成相互间的通信；

处理器用于调用存储器中的程序指令，以执行权利要求1-4任一项所述的图像分割方法。

9.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行权利要求1-4任一项所述的图像分割方法。

Images