CN107610149B - 图像分割结果边缘优化处理方法、装置及计算设备 - Google Patents
图像分割结果边缘优化处理方法、装置及计算设备 Download PDFInfo
- Publication number
- CN107610149B CN107610149B CN201710875187.3A CN201710875187A CN107610149B CN 107610149 B CN107610149 B CN 107610149B CN 201710875187 A CN201710875187 A CN 201710875187A CN 107610149 B CN107610149 B CN 107610149B
- Authority
- CN
- China
- Prior art keywords
- image
- processing
- foreground image
- edge
- foreground
- 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.)
- Active
Links
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
- Studio Devices (AREA)
Abstract
本发明公开了一种图像分割结果边缘优化处理方法、装置、计算设备及计算机存储介质。其中,方法包括:获取待处理的包含特定对象的第一图像;对第一图像进行图像分割处理,得到针对于特定对象的前景图像;对前景图像的边缘进行模糊处理;利用从第一图像提取的协方差矩阵对经过模糊处理后的前景图像进行边缘优化处理,得到边缘优化处理后的前景图像。本发明采用了深度学习方法,完成了场景分割处理得到场景分割结果,通过对场景分割结果的优化处理使得分割后的前景图像的效果更为精细,便于前景图像能够更好地与其他背景图像组合,避免了由于图像分割技术差而导致前景图像的边缘处无法很好的与其他背景图像组合的问题。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种图像分割结果边缘优化处理方法、装置、计算设备及计算机存储介质。
背景技术
图像分割是指将图像按照一定的规则或目的分割为多个部分的过程,例如将一幅山水画的图像分割为包含山的部分、包含水的部分以及其他部分,又如将一幅人像的图像中的人物同背景分割出来的过程。
然而,现有图像分割处理并不能准确、完美地将图像进行分割,例如,对于一幅包含人像的图像,当需要将人物从图像中分割出来时,最后的分割出来的人像的边缘总是带有背景的信息,俗称白边,分割效果差,而且严重影响分割后得到的人物图像与其他背景图像的组合。
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图像分割结果边缘优化处理方法、图像分割结果边缘优化处理装置、计算设备及计算机存储介质。
根据本发明的一个方面,提供了一种图像分割结果边缘优化处理方法,其包括:
获取待处理的包含特定对象的第一图像;
对第一图像进行图像分割处理,得到针对于特定对象的前景图像;
对前景图像的边缘进行模糊处理;
利用从第一图像提取的协方差矩阵对经过模糊处理后的前景图像进行边缘优化处理,得到边缘优化处理后的前景图像。
可选地,所述对前景图像的边缘进行模糊处理进一步包括:利用扩散算法对前景图像的边缘进行模糊处理。
可选地,所述对前景图像的边缘进行模糊处理进一步包括:
针对所述前景图像的边缘的多个像素点中的任一个像素点,从预设像素值范围内选择一像素值,并将所述像素值赋值给所述前景图像的边缘的像素点。
可选地,所述方法还包括:提取所述图像分割处理的分割概率信息,所述分割概率信息记录了用于反映所述前景图像各个像素点的分割不确定性的概率。
可选地,在所述得到边缘优化处理后的前景图像之后,所述方法还包括:根据所述分割概率信息,对所述经过图像分割处理得到的前景图像和经过边缘优化处理后的前景图像进行融合处理,得到融合处理后的前景图像。
可选地,所述方法还包括:对经过融合处理后的前景图像进行锐化处理,得到锐化处理后的前景图像。
可选地,在所述得到边缘优化处理后的前景图像之后,所述方法还包括:
将经过边缘优化处理后的前景图像与预设背景图像进行组合处理,得到第二图像;
显示所述第二图像。
可选地,在所述得到融合处理后的前景图像之后,所述方法还包括:
将经过融合处理后的前景图像与预设背景图像进行组合处理,得到第二图像;
显示所述第二图像。
可选地,在所述得到锐化处理后的前景图像之后,所述方法还包括:
将经过锐化处理后的前景图像与预设背景图像进行组合处理,得到第二图像;
显示所述第二图像。
可选地,所述获取待处理的包含特定对象的第一图像进一步包括:
实时获取图像采集设备捕捉的包含特定对象的第一图像。
可选地,所述方法还包括:
根据用户触发的拍摄指令,保存所述第二图像。
可选地,所述方法还包括:
根据用户触发的录制指令,保存由所述第二图像作为帧图像组成的视频。
根据本发明的另一方面,提供了一种图像分割结果边缘优化处理装置,其包括:
获取模块,适于获取待处理的包含特定对象的第一图像;
分割处理模块,适于对第一图像进行图像分割处理,得到针对于特定对象的前景图像;
模糊处理模块,适于对前景图像的边缘进行模糊处理;
边缘优化处理模块,适于利用从第一图像提取的协方差矩阵对经过模糊处理后的前景图像进行边缘优化处理,得到边缘优化处理后的前景图像。
可选地,所述模糊处理模块进一步适于:利用扩散算法对前景图像的边缘进行模糊处理。
可选地,所述模糊处理模块进一步适于:针对所述前景图像的边缘的多个像素点中的任一个像素点,从预设像素值范围内选择一像素值,并将所述像素值赋值给所述前景图像的边缘的像素点。
可选地,所述装置还包括:分割概率信息提取模块,适于提取所述图像分割处理的分割概率信息,所述分割概率信息记录了用于反映所述前景图像各个像素点的分割不确定性的概率。
可选地,所述装置还包括:融合处理模块,适于根据所述分割概率信息,对所述经过图像分割处理得到的前景图像和经过边缘优化处理后的前景图像进行融合处理,得到融合处理后的前景图像。
可选地,所述装置还包括:锐化处理模块,适于对经过融合处理后的前景图像进行锐化处理,得到锐化处理后的前景图像。
可选地,所述装置还包括:组合处理模块,适于将经过边缘优化处理后的前景图像与预设背景图像进行组合处理,得到第二图像;
显示模块,适于显示所述第二图像。
可选地,所述装置还包括:组合处理模块,适于将经过融合处理后的前景图像与预设背景图像进行组合处理,得到第二图像;
显示模块,适于显示所述第二图像。
可选地,所述装置还包括:组合处理模块,适于将经过锐化处理后的前景图像与预设背景图像进行组合处理,得到第二图像;
显示模块,适于显示所述第二图像。
可选地,所述获取模块进一步适于:实时获取图像采集设备捕捉的包含特定对象的第一图像。
可选地,所述装置还包括:
第一保存模块,适于根据用户触发的拍摄指令,保存所述第二图像。
可选地,所述装置还包括:
第二保存模块,适于根据用户触发的录制指令,保存由所述第二图像作为帧图像组成的视频。
根据本发明的又一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,处理器、存储器和通信接口通过通信总线完成相互间的通信;
存储器用于存放至少一可执行指令,可执行指令使处理器执行上述图像分割结果边缘优化处理方法对应的操作。
根据本发明的再一方面,提供了一种计算机存储介质,存储介质中存储有至少一可执行指令,可执行指令使处理器执行如上述图像分割结果边缘优化处理方法对应的操作。
根据本发明提供的方案,在利用图像分割算法对包含特定图像的第一图像进行图像分割处理后,对得到的前景图像的边缘进行模糊处理,然后利用从第一图像提取的协方差矩阵对经过模糊处理后的前景图像进行边缘优化处理,得到边缘优化处理后的前景图像,使得分割后的前景图像的效果更为精细,便于前景图像能够更好地与其他背景图像组合,避免了由于图像分割技术差而导致前景图像的边缘处无法很好的与其他背景图像组合的问题。
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示出了根据本发明一个实施例的图像分割结果边缘优化处理方法的流程示意图;
图2示出了根据本发明另一个实施例的图像分割结果边缘优化处理方法的流程示意图;
图3示出了根据本发明一个实施例的图像分割结果边缘优化处理装置的结构示意图;
图4示出了根据本发明一个实施例的图像分割结果边缘优化处理装置的结构示意图;
图5示出了根据本发明一个实施例的一种计算设备的结构示意图。
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。
图1示出了根据本发明一个实施例的图像分割结果边缘优化处理方法的流程示意图。如图1所示,该方法包括以下步骤:
步骤S100,获取待处理的包含特定对象的第一图像。
在本发明实施例中,待处理的包含特定对象的第一图像可以是用户利用图像采集设备所拍摄的,也可以是根据用户针对图像的选定操作来确定的,还可以是用户上传或从网络下载的,这里不做具体限定;另外,特定对象可以是人体,当然还可以是萌宠、古堡等,本领域技术人员可以根据实际需要选定特定对象。
步骤S101,对第一图像进行图像分割处理,得到针对于特定对象的前景图像。
对第一图像进行图像分割处理,主要是将特定对象从第一图像中分割出来,得到针对于特定对象的前景图像,该前景图像可以仅包含特定对象。
在对第一图像进行图像分割处理时,可以利用深度学习方法。深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如,人脸识别或面部表情识别)。如利用深度学习的人体分割方法可以对第一图像进行场景分割,得到包含人体的前景图像。
步骤S102,对前景图像的边缘进行模糊处理。
在进行图像分割处理时,可能由于分割技术的限制导致所得到的前景图像的边缘可能携带了非前景图像的像素信息,例如,经过图像分割处理后得到的针对于特定对象的前景图像的边缘可能还带有第一图像的背景图像的像素信息,而前景图像的边缘所带有的第一图像的背景图像的像素信息会直接影响到前景图像的美观等,更会严重地影响该前景图像与其他背景图像的组合,因此,在得到针对于特定对象的前景图像后,需要对前景图像的边缘进行模糊处理,例如,可以使前景图像的边缘的像素半透明化。
步骤S103,利用从第一图像提取的协方差矩阵对经过模糊处理后的前景图像进行边缘优化处理,得到边缘优化处理后的前景图像。
在本发明实施例中,第一图像由像素构成,像素特征包括像素点的位置和像素点的属性,从第一图像中提取像素点的位置和像素点的属性,利用这些特征用于构建一个协方差矩阵,其中,协方差用于描述两个像素点之间的相关度,该协方差矩阵中的每一个元素表示的是随机向量的不同分量之间的协方差,由于本步骤提取的是第一图像的协方差矩阵,因此,该协方差矩阵可以用于对后续处理前景图像的边缘进行指导。
步骤S102是对前景图像的边缘的所有像素点进行模糊处理,但是对于一些能够确定属于前景图像的像素点而言,对前景图像的边缘进行模糊处理将会降低图像的清晰度,降低前景图像的展示效果,因此,在本步骤中,可以利用从第一图像提取的协方差矩阵来对经过模糊处理后的前景图像的边缘进行边缘优化处理,从而使得分割后的前景图像的效果更为精细。
根据本发明上述实施例提供的方法,在利用图像分割算法对包含特定图像的第一图像进行图像分割处理后,对得到的前景图像的边缘进行模糊处理,然后利用从第一图像提取的协方差矩阵对经过模糊处理后的前景图像进行边缘优化处理,得到边缘优化处理后的前景图像,使得分割后的前景图像的效果更为精细,便于前景图像能够更好地与其他背景图像组合,避免了由于图像分割技术差而导致前景图像的边缘处无法很好的与其他背景图像组合的问题。
图2示出了根据本发明另一个实施例的图像分割结果边缘优化处理方法的流程示意图。如图2所示,该方法包括以下步骤:
步骤S200,实时获取图像采集设备捕捉的包含特定对象的第一图像。
本实施例中图像采集设备以移动终端为例进行说明。实时获取到移动终端摄像头捕捉到的第一图像,其中,第一图像包含了特定对象,如人体、萌宠、古堡等。
步骤S201,对第一图像进行图像分割处理,得到针对于特定对象的前景图像。
对第一图像进行图像分割处理,主要是将特定对象从第一图像中分割出来,得到针对于特定对象的前景图像,该前景图像可以仅包含特定对象,其中,特定对象可以为人体。
在对第一图像进行图像分割处理时,可以利用深度学习方法。深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如,人脸识别或面部表情识别)。如利用深度学习的人体分割方法可以对第一图像进行场景分割,得到包含人体的前景图像。
在得到前景图像后,需要对前景图像的边缘进行模糊处理,例如,可以利用扩散算法对前景图像的边缘进行模糊处理,具体地,可以采用步骤S202中的方法:
步骤S202,针对前景图像的边缘的多个像素点中的任一个像素点,从预设像素值范围内选择一像素值,并将像素值赋值给前景图像的边缘的像素点。
在进行图像分割处理时,可能由于分割技术的限制导致所得到的前景图像的边缘可能携带了非前景图像的像素信息,例如,经过图像分割处理后得到的针对于特定对象的前景图像的边缘可能还带有第一图像的背景图像的像素信息,而前景图像的边缘所带有的第一图像的背景图像的像素信息会直接影响到前景图像的美观等,更会严重地影响该前景图像与其他背景图像的组合,因此,在得到针对于特定对象的前景图像后,需要对前景图像的边缘进行模糊处理,具体地,针对前景图像的边缘的多个像素点中的任一个像素点,可以从预设像素值范围内选择一像素值,然后将所选择的像素值赋值给前景图像的边缘的像素点,其中,预设像素值范围可以为(0,1),举例说明,从(0,1)内随机选取一像素值0.5,将像素值0.5赋值给前景图像的边缘的像素点,这里需要对前景图像的边缘的所有像素点都进行处理,但是像素点被赋予的像素值是随机的,例如,一个像素点被赋予的像素值可以是0.5,另一个像素点被赋予的像素值可以是0.3,这里进行举例说明,不具有任何限定作用。
步骤S203,利用从第一图像提取的协方差矩阵对经过模糊处理后的前景图像进行边缘优化处理,得到边缘优化处理后的前景图像。
步骤S202是对前景图像的边缘的所有像素点进行模糊处理后,但是对于一些能够确定属于前景图像的像素点而言,对前景图像的边缘进行模糊处理将会降低图像的清晰度,降低前景图像的展示效果,而RGB协方差矩阵能够用于确定经过模糊处理后的前景图像的边缘的像素点的颜色信息是与第一图像的背景图像的像素点的颜色信息更相似,还与是第一图像的前景图像的像素点的颜色信息更相似,在本步骤中,可以利用RGB协方差矩阵来对经过模糊处理后的前景图像的边缘进行边缘优化处理,从而使得分割后的前景图像的效果更为精细,例如,经过模糊处理后,前景图像的边缘的一个像素点的像素值为0.5,根据RGB协方差矩阵能够确定该像素点与第一图像的前景图像的像素点的颜色更相似,因此,将该像素点的像素值由0.5更改为1,再例如,经过模糊处理后,前景图像的边缘的一个像素点的像素值为0.2,根据RGB协方差矩阵能够确定该像素点与第一图像的背景图像的像素点的颜色更相似,因此,保持该像素点的像素值为0.2,利用RGB协方差矩阵对经过模糊处理的前景图像进行校正,使前景图像的分割结果更为精细,并在一定程度上保持了图像的梯度信息。
步骤S204,提取图像分割处理的分割概率信息。
为了避免图像分割处理时将前景图像的一些像素点错误的分割到背景图像的问题,在对图像进行分割处理得到前景图像后,还需要提取图像分割处理的分割概率信息,该分割概率信息记录了用于反映前景图像各个像素点的分割不确定性的概率,分割概率信息可以包括:像素点的位置、像素点的属性以及分割不确定的概率,其中,该分割不确定的概率表示了不确定一像素点是属于前景图像或属于背景图像的概率,若一像素点能够明确的确定出是属于前景图像或背景图像,则该像素点的分割不确定的概率很低;若一像素点不能够明确的确定出是属于前景图像或背景图像,则该像素点的分割不确定的概率很高,在本发明实施例中,前景图像边缘的像素点的分割不确定的概率大于前景图像内部的像素点的分割不确定的概率。
在本发明实施例中,可以先执行步骤S204再执行步骤S202和步骤S203,也可以先执行步骤S202和步骤S203再执行步骤S204,当然也可以同时执行步骤S202和步骤S204,这里不做具体限定。
步骤S205,根据分割概率信息,对经过图像分割处理得到的前景图像和经过边缘优化处理后的前景图像进行融合处理,得到融合处理后的前景图像。
在得到图像分割处理的分割概率信息后,为了得到更高质量的前景图像,可以根据分割概率信息对经过图像分割处理得到的前景图像和经过边缘优化处理后的前景图像进行融合处理,对前景图像的像素点进行修正,具体地,对于分割不确定的概率大的像素点,则经过边缘优化处理后的前景图像来作为主要分割结果,对于分割不确定的概率大的像素点,则经过图像分割处理得到的前景图像来作为主要分割结果,例如可以依据如下公式进行融合处理,Δ=Δ1 *a+Δ2 *(1-a),其中,Δ表示融合处理后的前景图像,Δ1表示经过边缘优化处理后的前景图像,Δ2表示经过图像分割处理得到的前景图像,a表示分割不确定的概率。
步骤S206,对经过融合处理后的前景图像进行锐化处理,得到锐化处理后的前景图像。
图像锐化处理的目的是为了使图像的边缘、轮廓线以及图像的细节变的清晰,图像的锐化处理就是补偿图像的轮廓,增强图像的边缘及灰度跳变的部分,图像的边缘和轮廓常常位于图像中灰度突变的地方,因而可以直观地想到用灰度的差分对边缘和轮廓进行提取并处理,具体地,可以分为空域处理和频域处理两类,本领域技术人员可以根据常用的锐化处理方法对经过融合处理后的前景图像进行锐化处理,这里不做具体解释说明。
步骤S207,将经过锐化处理后的前景图像与预设背景图像进行组合处理,得到第二图像。
其中,预设背景图像可以是用户根据需要选定的,例如,可以是山水背景图像、明星背景图像,这里不做具体限定,该预设背景可以来源于移动终端的背景图像库,也可以是用户从网络下载存储至移动终端,还可以是接收其他移动终端的用户传输的背景图像,在获取到预设背景图像后,将经过锐化处理后的前景图像与预设背景图像进行组合处理,使得预设背景图像更真实的与经过锐化处理后的前景图像融合在一起,得到第二图像。
步骤S208,显示第二图像。
将得到的第二图像后,将其实时的进行显示,用户可以直接看到对第一图像处理后得到的第二图像。在得到第二图像后,立刻使用第二图像替换捕捉的第一图像进行显示,一般在1/24秒之内进行替换,对于用户而言,由于替换时间相对短,人眼没有明显的察觉,相当于实时的显示第二图像。
步骤S209,根据用户触发的拍摄指令,保存第二图像。
在显示第二图像后,还可以根据用户触发的拍摄指令,保存第二图像。如用户点击相机的拍摄按钮,触发拍摄指令,将显示的第二图像进行保存。
步骤S210,根据用户触发的录制指令,保存由第二图像作为帧图像组成的视频。
在显示第二图像时,还可以根据用户触发的录制指令,保存由第二图像作为帧图像组成的视频。如用户点击相机的录制按钮,触发录制指令,将显示的第二图像作为视频中的帧图像进行保存,从而保存多个第二图像作为帧图像组成的视频。
步骤S209和步骤S210都是本实施例的可选步骤,且不存在执行先后顺序,根据用户触发的不同指令选择执行对应的步骤。
在本发明一种优选实施例中,还可以在对前景图像进行边缘优化处理后,将经过边缘优化处理后的前景图像与预设背景图像进行组合处理,得到第二图像,显示第二图像。若将经过边缘优化处理后的前景图像与预设背景图像进行组合处理,得到第二图像,则将不再执行步骤S204-步骤S207。
在本发明一种优选实施例中,还可以在根据分割概率信息对经过图像分割处理得到的前景图像和经过边缘优化处理后的前景图像进行融合处理后,将经过融合处理后的前景图像与预设背景图像进行组合处理,得到第二图像;显示第二图像。若将经过融合处理后的前景图像与预设背景图像进行组合处理,得到第二图像,则将不再执行步骤S206-步骤S207。
根据本发明上述实施例提供的方法,在利用图像分割算法对包含特定图像的第一图像进行图像分割处理后,对得到的前景图像的边缘进行模糊处理、边缘优化处理,再根据分割概率信息,对经过图像分割处理得到的前景图像和经过边缘优化处理后的前景图像进行融合处理,对经过融合处理后的前景图像进行锐化处理,将经过锐化处理后的前景图像与预设背景图像进行组合处理,得到第二图像,使得分割后的前景图像的效果更为精细,便于前景图像能够更好地与预设背景图像组合,避免了由于图像分割技术差而导致前景图像的边缘处无法很好的与预设背景图像组合的问题。本发明对用户技术水平不做限制,不需要用户对图像进行额外处理,节省用户时间,还可以实时反馈处理后的图像,方便用户查看。
图3示出了根据本发明一个实施例的图像分割结果边缘优化处理装置的结构示意图。如图3所示,该装置包括:获取模块300、分割处理模块301、模糊处理模块302和边缘优化处理模块303。
获取模块300,适于获取待处理的包含特定对象的第一图像。
分割处理模块301,适于对第一图像进行图像分割处理,得到针对于特定对象的前景图像。
模糊处理模块302,适于对前景图像的边缘进行模糊处理。
边缘优化处理模块303,适于利用从第一图像提取的协方差矩阵对经过模糊处理后的前景图像进行边缘优化处理,得到边缘优化处理后的前景图像。
根据本发明上述实施例提供的装置,在利用图像分割算法对包含特定图像的第一图像进行图像分割处理后,对得到的前景图像的边缘进行模糊处理,然后利用从第一图像提取的协方差矩阵对经过模糊处理后的前景图像进行边缘优化处理,得到边缘优化处理后的前景图像,使得分割后的前景图像的效果更为精细,从而使得前景图像能够更好地与其他背景图像组合,避免了由于图像分割技术差而导致前景图像的边缘处无法很好的与其他背景图像组合的问题。
图4示出了根据本发明一个实施例的图像分割结果边缘优化处理装置的结构示意图。如图4所示,该装置包括:获取模块400、分割处理模块401、模糊处理模块402和边缘优化处理模块403。
获取模块400,适于实时获取图像采集设备捕捉的包含特定对象的第一图像。
分割处理模块401,适于对第一图像进行图像分割处理,得到针对于特定对象的前景图像。
模糊处理模块402,适于利用扩散算法对前景图像的边缘进行模糊处理。
具体地,模糊处理模块402,适于针对前景图像的边缘的多个像素点中的任一个像素点,从预设像素值范围内选择一像素值,并将像素值赋值给前景图像的边缘的像素点。
边缘优化处理模块403,适于利用从第一图像提取的协方差矩阵对经过模糊处理后的前景图像进行边缘优化处理,得到边缘优化处理后的前景图像。
分割概率信息提取模块404,适于提取图像分割处理的分割概率信息,分割概率信息记录了用于反映前景图像各个像素点的分割不确定性的概率。
融合处理模块405,适于根据分割概率信息,对经过图像分割处理得到的前景图像和经过边缘优化处理后的前景图像进行融合处理,得到融合处理后的前景图像。
锐化处理模块406,适于对经过融合处理后的前景图像进行锐化处理,得到锐化处理后的前景图像。
组合处理模块407,适于将经过锐化处理后的前景图像与预设背景图像进行组合处理,得到第二图像;
显示模块408,适于显示第二图像。
在本发明一种优选实施例中,还可以在对前景图像进行边缘优化处理后,组合处理模块将经过边缘优化处理后的前景图像与预设背景图像进行组合处理,得到第二图像;显示模块显示第二图像。若将经过边缘优化处理后的前景图像与预设背景图像进行组合处理,得到第二图像,则该装置无需再包括:分割概率信息提取模块、融合处理模块和锐化处理模块。
在本发明一种优选实施例中,还可以在根据分割概率信息对经过图像分割处理得到的前景图像和经过边缘优化处理后的前景图像进行融合处理后,组合处理模块将经过融合处理后的前景图像与预设背景图像进行组合处理,得到第二图像;显示模块显示第二图像。若将经过融合处理后的前景图像与预设背景图像进行组合处理,得到第二图像,则该装置无需再包括:锐化处理模块。
装置还包括:第一保存模块409,适于根据用户触发的拍摄指令,保存第二图像。
第二保存模块410,适于根据用户触发的录制指令,保存由第二图像作为帧图像组成的视频。
根据本发明上述实施例提供的装置,在利用图像分割算法对包含特定图像的第一图像进行图像分割处理后,对得到的前景图像的边缘进行模糊处理、边缘优化处理,再根据分割概率信息,对经过图像分割处理得到的前景图像和经过边缘优化处理后的前景图像进行融合处理,对经过融合处理后的前景图像进行锐化处理,将经过锐化处理后的前景图像与预设背景图像进行组合处理,得到第二图像,使得分割后的前景图像的效果更为精细,从而使得前景图像能够更好地与预设背景图像组合,避免了由于图像分割技术差而导致前景图像的边缘处无法很好的与预设背景图像组合的问题。本发明对用户技术水平不做限制,不需要用户对图像进行额外处理,节省用户时间,还可以实时反馈处理后的图像,方便用户查看。
本申请还提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的图像分割结果边缘优化处理方法。
图5示出了根据本发明一个实施例的一种计算设备的结构示意图,本发明具体实施例并不对计算设备的具体实现做限定。
如图5所示,该计算设备可以包括:处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中:
处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器502,用于执行程序510,具体可以执行上述图像分割结果边缘优化处理方法实施例中的相关步骤。
具体地,程序510可以包括程序代码,该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器506,用于存放程序510。存储器506可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行图1所示实施例和图2所示实施例中的方法。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,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成反映如下意图: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,如下面的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。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的图像分割结果边缘优化处理设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (24)
1.一种图像分割结果边缘优化处理方法,其包括:
获取待处理的包含特定对象的第一图像;
对所述第一图像进行图像分割处理,得到针对于所述特定对象的前景图像;
对所述前景图像的边缘进行模糊处理;
利用从所述第一图像提取的协方差矩阵对经过模糊处理后的前景图像进行边缘优化处理,得到边缘优化处理后的前景图像;
其中,所述对前景图像的边缘进行模糊处理进一步包括:针对所述前景图像的边缘的多个像素点中的任一个像素点,从预设像素值范围内选择一像素值,并将所述像素值赋值给所述前景图像的边缘的像素点;
利用从所述第一图像提取的协方差矩阵对经过模糊处理后的前景图像进行边缘优化处理,得到边缘优化处理后的前景图像进一步包括:根据协方差矩阵确定模糊处理后的前景图像的边缘的像素点的颜色信息与第一图像的前景图像的像素点的颜色信息的相似程度是否大于与第一图像的背景图像的像素点的颜色信息的相似程度;若是,则更新模糊处理后的前景图像的边缘的像素点的像素值;若否,则保持模糊处理后的前景图像的边缘的像素点的像素值。
2.根据权利要求1所述的方法,其中,所述对前景图像的边缘进行模糊处理进一步包括:
利用扩散算法对前景图像的边缘进行模糊处理。
3.根据权利要求1或2所述的方法,其中,所述方法还包括:提取所述图像分割处理的分割概率信息,所述分割概率信息记录了用于反映所述前景图像各个像素点的分割不确定性的概率。
4.根据权利要求3所述的方法,其中,在所述得到边缘优化处理后的前景图像之后,所述方法还包括:根据所述分割概率信息,对所述经过图像分割处理得到的前景图像和经过边缘优化处理后的前景图像进行融合处理,得到融合处理后的前景图像。
5.根据权利要求4所述的方法,其中,所述方法还包括:对经过融合处理后的前景图像进行锐化处理,得到锐化处理后的前景图像。
6.根据权利要求1或2所述的方法,其中,在所述得到边缘优化处理后的前景图像之后,所述方法还包括:
将经过边缘优化处理后的前景图像与预设背景图像进行组合处理,得到第二图像;
显示所述第二图像。
7.根据权利要求4所述的方法,其中,在所述得到融合处理后的前景图像之后,所述方法还包括:
将经过融合处理后的前景图像与预设背景图像进行组合处理,得到第二图像;
显示所述第二图像。
8.根据权利要求5所述的方法,其中,在所述得到锐化处理后的前景图像之后,所述方法还包括:
将经过锐化处理后的前景图像与预设背景图像进行组合处理,得到第二图像;
显示所述第二图像。
9.根据权利要求1或2所述的方法,其中,所述获取待处理的包含特定对象的第一图像进一步包括:
实时获取图像采集设备捕捉的包含特定对象的第一图像。
10.根据权利要求8所述的方法,其中,所述方法还包括:
根据用户触发的拍摄指令,保存所述第二图像。
11.根据权利要求8所述的方法,其中,所述方法还包括:
根据用户触发的录制指令,保存由所述第二图像作为帧图像组成的视频。
12.一种图像分割结果边缘优化处理装置,其包括:
获取模块,适于获取待处理的包含特定对象的第一图像;
分割处理模块,适于对所述第一图像进行图像分割处理,得到针对于所述特定对象的前景图像;
模糊处理模块,适于对所述前景图像的边缘进行模糊处理;
边缘优化处理模块,适于利用从所述第一图像提取的协方差矩阵对经过模糊处理后的前景图像进行边缘优化处理,得到边缘优化处理后的前景图像;
其中,所述模糊处理模块进一步适于:针对所述前景图像的边缘的多个像素点中的任一个像素点,从预设像素值范围内选择一像素值,并将所述像素值赋值给所述前景图像的边缘的像素点;
边缘优化处理模块进一步适于:根据协方差矩阵确定模糊处理后的前景图像的边缘的像素点的颜色信息与第一图像的前景图像的像素点的颜色信息的相似程度是否大于与第一图像的背景图像的像素点的颜色信息的相似程度;若是,则更新模糊处理后的前景图像的边缘的像素点的像素值;若否,则保持模糊处理后的前景图像的边缘的像素点的像素值。
13.根据权利要求12所述的装置,其中,所述模糊处理模块进一步适于:利用扩散算法对前景图像的边缘进行模糊处理。
14.根据权利要求12或13所述的装置,其中,所述装置还包括:分割概率信息提取模块,适于提取所述图像分割处理的分割概率信息,所述分割概率信息记录了用于反映所述前景图像各个像素点的分割不确定性的概率。
15.根据权利要求14所述的装置,其中,所述装置还包括:融合处理模块,适于根据所述分割概率信息,对所述经过图像分割处理得到的前景图像和经过边缘优化处理后的前景图像进行融合处理,得到融合处理后的前景图像。
16.根据权利要求15所述的装置,其中,所述装置还包括:锐化处理模块,适于对经过融合处理后的前景图像进行锐化处理,得到锐化处理后的前景图像。
17.根据权利要求12或13所述的装置,其中,所述装置还包括:组合处理模块,适于将经过边缘优化处理后的前景图像与预设背景图像进行组合处理,得到第二图像;
显示模块,适于显示所述第二图像。
18.根据权利要求15所述的装置,其中,所述装置还包括:组合处理模块,适于将经过融合处理后的前景图像与预设背景图像进行组合处理,得到第二图像;
显示模块,适于显示所述第二图像。
19.根据权利要求16所述的装置,其中,所述装置还包括:组合处理模块,适于将经过锐化处理后的前景图像与预设背景图像进行组合处理,得到第二图像;
显示模块,适于显示所述第二图像。
20.根据权利要求12或13所述的装置,其中,所述获取模块进一步适于:实时获取图像采集设备捕捉的包含特定对象的第一图像。
21.根据权利要求19所述的装置,其中,所述装置还包括:
第一保存模块,适于根据用户触发的拍摄指令,保存所述第二图像。
22.根据权利要求19所述的装置,其中,所述装置还包括:
第二保存模块,适于根据用户触发的录制指令,保存由所述第二图像作为帧图像组成的视频。
23.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-11中任一项所述的图像分割结果边缘优化处理方法对应的操作。
24.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-11中任一项所述的图像分割结果边缘优化处理方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710875187.3A CN107610149B (zh) | 2017-09-25 | 2017-09-25 | 图像分割结果边缘优化处理方法、装置及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710875187.3A CN107610149B (zh) | 2017-09-25 | 2017-09-25 | 图像分割结果边缘优化处理方法、装置及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107610149A CN107610149A (zh) | 2018-01-19 |
CN107610149B true CN107610149B (zh) | 2020-03-03 |
Family
ID=61057955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710875187.3A Active CN107610149B (zh) | 2017-09-25 | 2017-09-25 | 图像分割结果边缘优化处理方法、装置及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107610149B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805849B (zh) * | 2018-05-22 | 2020-07-31 | 京东数字科技控股有限公司 | 图像融合方法、装置、介质及电子设备 |
CN109089097A (zh) * | 2018-08-28 | 2018-12-25 | 恒信东方文化股份有限公司 | 一种基于vr图像处理的焦点对象选取方法 |
CN109785264B (zh) * | 2019-01-15 | 2021-11-16 | 北京旷视科技有限公司 | 图像增强方法、装置及电子设备 |
CN110033463B (zh) * | 2019-04-12 | 2021-06-04 | 腾讯科技(深圳)有限公司 | 一种前景数据生成及其应用方法、相关装置和系统 |
CN111815505A (zh) * | 2020-07-14 | 2020-10-23 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法、装置、设备和计算机可读介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101599174A (zh) * | 2009-08-13 | 2009-12-09 | 哈尔滨工业大学 | 基于边缘和统计特征的水平集医学超声图像区域轮廓提取方法 |
CN102609723A (zh) * | 2012-02-08 | 2012-07-25 | 清华大学 | 一种基于图像分类的全自动视频分割方法及装置 |
CN102999901A (zh) * | 2012-10-17 | 2013-03-27 | 中国科学院计算技术研究所 | 基于深度传感器的在线视频分割后的处理方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9153031B2 (en) * | 2011-06-22 | 2015-10-06 | Microsoft Technology Licensing, Llc | Modifying video regions using mobile device input |
US20140003711A1 (en) * | 2012-06-29 | 2014-01-02 | Hong Kong Applied Science And Technology Research Institute Co. Ltd. | Foreground extraction and depth initialization for multi-view baseline images |
-
2017
- 2017-09-25 CN CN201710875187.3A patent/CN107610149B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101599174A (zh) * | 2009-08-13 | 2009-12-09 | 哈尔滨工业大学 | 基于边缘和统计特征的水平集医学超声图像区域轮廓提取方法 |
CN102609723A (zh) * | 2012-02-08 | 2012-07-25 | 清华大学 | 一种基于图像分类的全自动视频分割方法及装置 |
CN102999901A (zh) * | 2012-10-17 | 2013-03-27 | 中国科学院计算技术研究所 | 基于深度传感器的在线视频分割后的处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107610149A (zh) | 2018-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107507155B (zh) | 视频分割结果边缘优化实时处理方法、装置及计算设备 | |
CN107610149B (zh) | 图像分割结果边缘优化处理方法、装置及计算设备 | |
CN107547803B (zh) | 视频分割结果边缘优化处理方法、装置及计算设备 | |
US10872420B2 (en) | Electronic device and method for automatic human segmentation in image | |
JP6501092B2 (ja) | オブジェクトセグメンテーションのための前景マスク補正のための画像処理装置及び方法 | |
US11004179B2 (en) | Image blurring methods and apparatuses, storage media, and electronic devices | |
KR20200027030A (ko) | 얼굴 표정 합성 방법과 장치, 전자 기기, 및 저장 매체 | |
CN107665482B (zh) | 实现双重曝光的视频数据实时处理方法及装置、计算设备 | |
CN108234858B (zh) | 图像虚化处理方法、装置、存储介质及电子设备 | |
CN108230333B (zh) | 图像处理方法、装置、计算机程序、存储介质和电子设备 | |
CN108229344A (zh) | 图像处理方法和装置、电子设备、计算机程序和存储介质 | |
CN108111911B (zh) | 基于自适应跟踪框分割的视频数据实时处理方法及装置 | |
CN112258440B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN108234865A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN112272832A (zh) | 用于基于dnn的成像的方法和系统 | |
Liu et al. | Blur-kernel bound estimation from pyramid statistics | |
CN107705279B (zh) | 实现双重曝光的图像数据实时处理方法及装置、计算设备 | |
WO2017173578A1 (zh) | 一种图像增强方法及装置 | |
CN107564085B (zh) | 图像扭曲处理方法、装置、计算设备及计算机存储介质 | |
CN107808372B (zh) | 图像穿越处理方法、装置、计算设备及计算机存储介质 | |
US20220398704A1 (en) | Intelligent Portrait Photography Enhancement System | |
CN111080546B (zh) | 一种图片处理方法及装置 | |
CN108010038B (zh) | 基于自适应阈值分割的直播服饰装扮方法及装置 | |
Liu et al. | Deblurring saturated night image with function-form kernel | |
CN112788254B (zh) | 摄像头抠像方法、装置、设备及存储介质 |
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 |