CN107895377B - 一种前景目标提取方法、装置、设备及存储介质 - Google Patents
一种前景目标提取方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN107895377B CN107895377B CN201711130190.9A CN201711130190A CN107895377B CN 107895377 B CN107895377 B CN 107895377B CN 201711130190 A CN201711130190 A CN 201711130190A CN 107895377 B CN107895377 B CN 107895377B
- Authority
- CN
- China
- Prior art keywords
- foreground
- target image
- image
- foreground target
- function
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种前景目标提取方法、装置、设备及存储介质。该方法包括:获取在相同环境下对同一区域进行拍摄获得的无前景目标图像和有前景目标图像;初始化目标函数,根据无前景目标图像、有前景目标图像及目标函数构建全变分模型;迭代更新目标函数,对全变分模型进行求解,获得最优目标函数;按照预设过滤规则对最优目标函数进行阈值过滤,根据过滤结果与有前景目标图像确定有前景目标图像对应的前景目标。本发明实施例的技术方案克服了现有方法只能在指定位置检测、不能适应前景目标的形状变化,且提取过程容易受到光照不均匀及环境变化影响等缺陷,实现了前景目标的完整提取。
Description
技术领域
本发明实施例涉及机器视觉领域,尤其涉及一种前景目标提取方法、装置、设备及存储介质。
背景技术
在机器视觉领域,前景目标检测是一个非常重要的分支。其检测的准确与否对于之后的跟踪、学习或识别都有着非常大的影响。
目前对于前景目标提取,尤其是给定物体上的前景目标提取,普遍使用的是一维的边缘检测法来对预设位置上的目标的边缘进行定位。但是,由于光源很难调节,很难实现将前景目标和背景的对比度达到最大,只能调节到一个折衷的值,增加了算法的难度。另外,光源具有不均匀和不稳定的特性,使得物体不同位置上的阈值要单独设置,而且由于光照环境不能发生变换,只能检测物体固定位置的边缘突变,无法适用于任意前景目标形状变化时的完整提取。
发明内容
本发明实施例提供一种前景目标提取方法、装置、设备及存储介质,以实现前景目标的完整提取。
第一方面,本发明实施例提供了一种前景目标提取方法,该方法:
获取在相同环境下对同一区域进行拍摄获得的无前景目标图像和有前景目标图像;
初始化目标函数,并根据所述无前景目标图像、所述有前景目标图像以及所述目标函数构建全变分模型;
迭代更新所述目标函数,对所述全变分模型进行求解,获得最优目标函数;
按照预设过滤规则对所述最优目标函数进行阈值过滤,并根据过滤结果与所述有前景目标图像确定所述有前景目标图像对应的前景目标。
第二方面,本发明实施例还提供了一种前景目标提取装置,该装置包括:
图像获取模块,用于获取在相同环境下对同一区域进行拍摄获得的无前景目标图像和有前景目标图像;
模型构建模块,用于初始化目标函数,并根据所述无前景目标图像、所述有前景目标图像以及所述目标函数构建全变分模型;
函数求解模块,用于迭代更新所述目标函数,对所述全变分模型进行求解,获得最优目标函数;
前景目标确定模块,用于按照预设过滤规则对所述最优目标函数进行阈值过滤,并根据过滤结果与所述有前景目标图像确定所述有前景目标图像对应的前景目标。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明实施例中任一所述的方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例中任一所述的方法。
本发明实施例的技术方案,获取相同环境下的无前景目标图像和有前景目标图像后,建立全变分模型,求解最优目标函数,进而确定有前景目标图像对应的前景目标,克服了现有方法只能在指定位置检测、不能适应前景目标的形状变化,且提取过程容易受到光照不均匀及环境变化影响等缺陷,实现了前景目标的完整提取。
附图说明
图1为本发明实施例一提供的一种前景目标提取方法的流程图;
图2是本发明实施例二提供的一种前景目标提取装置的结构示意图;
图3是本发明实施例三提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种前景目标提取方法的流程图,本实施例可适用于对图像中的前景目标进行提取的情况,该方法可以由前景目标提取装置来执行,该装置可由软件和/或硬件来执行,该装置可集成于计算机中,该方法具体包括如下步骤:
S110、获取在相同环境下对同一区域进行拍摄获得的无前景目标图像和有前景目标图像。
其中,可以在相同环境下采用摄像头采集图像,获取对同一区域进行拍摄的无前景目标图像和有前景目标图像各一张,图像可以是灰度图,也可以是彩色图,在此不进行限制。无前景目标图像可以记为fA和有前景目标图像可以记为fB。相同环境可以是相同的光照条件,这样能够保证两幅图像的光照特性基本保持一致,能够克服光照不均匀或者环境变化对方案实施带来的影响。
优选的,在所述获取在相同环境下拍摄的包含同一目标对象的无前景目标图像和有前景目标图像之后,还包括:将所述无前景目标图像和所述有前景目标图像配准至像素对齐状态。
具体的,可以在无前景目标图像中截取一个物体的图像作为子图像模板,采用模板匹配的方式确定该模板在有前景目标图像中的位置和缩放比例,并根据该位置和缩放比例,通过图像转换对无前景目标图像和有前景目标图像进行配准,使二者达到像素对齐的状态。优选的,利用广义Hough变换等模板匹配算法,找到无前景目标图像和有前景目标图像之间的映射关系,据此将无前景目标图像平移旋转缩放,从而和有前景目标图像中的像素对齐,得到配准后无前景目标图像。
可选的,在所述获取在相同环境下对同一区域进行拍摄获得的无前景目标图像和有前景目标图像之后,还包括:采用低通滤波器对所述无前景目标图像和所述有前景目标图像进行滤波。
其中,为了去除由于背景区域的反光、透光等因素引起的局部干扰变化,同时要保持边缘的位置不变,可以采用低通滤波器对无前景目标图像和有前景目标图像进行滤波,得到滤波后的无前景目标图像和滤波后的有前景目标图像。所述低通滤波器应当具有边缘保持特性。优选的,可以在滤波前进行上述配准操作。优选的,可以选择双边滤波器作为本发明实施例中的低通滤波器。使用双边滤波器等具有边缘保持特性的滤波器,设置好滤波器的大小和方差以便得到平滑的结果,边缘保持特性是为了使提取出来的轨迹的轮廓位置准确。
S120、初始化目标函数,并根据所述无前景目标图像、所述有前景目标图像以及所述目标函数构建全变分模型。
具体地,目标函数可以是一个与无前景目标图像大小相同的函数,具体表现形式可以是矩阵形式,每个像素的值是0至1之间的小数,其中,像素值的大小越偏离0.5,则该像素处为前景目标的可能性越大。对目标函数进行初始化时,可以将每个像素的值均设置为0.5。
全变分模型具体可以是由无前景目标图像、有前景目标图像以及目标函数构建而成的数学模型表达式,可总结为是求能量泛函的最小值。全变分模型具体为:
其中,E[f]表示能量泛函的最小值,λ是预设平滑因子,表示滤波后的无前景目标图像,表示滤波后的有前景目标图像,w代表目标函数,f表示由滤波后的无前景目标图像的背景部分和滤波后的有前景目标图像中的前景部分的合成图像,满足·表示点乘运算,β1、β2、β3和β4代表常量系数,满足β1+β2=1,β3+β4=1。一般地,可以取β1=β2=β3=β4=0.5,由于滤波后的无前景目标图像和滤波后的有前景目标图像的背景部分是基本相同的,因此,在确定目标函数w的过程中,目的是使目标函数中对应于背景部分的像素值接近0.5,而对应于二者差异较大的部分,像素值为偏离0.5的值。E[f]中,λ能量项使得合成图像f尽量地平滑,β1和β2能量项是使f中来自和的分量尽量地平滑,β3和β4能量项是使f的加权分量尽量与原图中相似,因此迫使w在差异处的像素值尽量偏离0.5。
S130、迭代更新所述目标函数,对所述全变分模型进行求解,获得最优目标函数。
其中,定义F做如下表示:
再结合f和F的表达式,可以推导出偏分公式:
S140、按照预设过滤规则对所述最优目标函数进行阈值过滤,并根据过滤结果与所述有前景目标图像确定所述有前景目标图像对应的前景目标。
其中,预设过滤规则可以是对最优目标函数的各像素值进行过滤的规则。可以根据预设过滤规则对最优目标函数进行过滤。具体可以是按照预设过滤规则生成一个与最优目标函数等大的矩阵T,矩阵T为二值矩阵,当最优目标函数中某一像素点的像素值满足预设过滤规则时,将矩阵T中与该像素点相同坐标位置的元素赋为1,其余元素赋为0。将二值矩阵T与有前景目标图像做点乘运算,获得有前景目标图像对应的前景目标。可以是预先根据图像的实际情况制定多种不同的预设过滤规则。在使用时,根据图像的前景部分和背景部分的亮度先验知识,匹配合适的预设过滤规则。预设过滤规则可以是当先验知识为前景部分亮度值大于背景部分亮度值时,将矩阵T中与像素值大于第一阈值的像素点相同坐标位置的元素赋为1,其余元素赋为0。可选的,第一阈值可以为0.7。预设过滤规则也可以是当先验知识为前景部分亮度值小于背景部分亮度值时,将矩阵T中与像素值小于第二阈值的像素点相同坐标位置的元素赋为1,其余元素赋为0。可选的,第二阈值可以为0.3。或者有时会存在先验知识为前景目标亮度比较复杂,一部分前景目标亮度值大于背景部分亮度值,另一部分的前景目标亮度值小于背景部分亮度值时,预设过滤规则可以是将矩阵T中与像素值大于第一阈值的像素点相同坐标位置的元素赋为1,与像素值小于第二阈值的像素点相同坐标位置的元素也赋为1,其他元素赋为0。
本发明实施例的技术方案,获取相同环境下的无前景目标图像和有前景目标图像后,建立全变分模型,求解最优目标函数,进而确定有前景目标图像对应的前景目标,克服了现有方法只能在指定位置检测、不能适应前景目标的形状变化,且提取过程容易受到光照不均匀及环境变化影响等缺陷,实现了前景目标的完整提取。
实施例二
图2是本发明实施例二提供的一种前景目标提取装置的结构示意图,该装置可执行本发明实施例提供的任意的前景目标提取方法,该装置可由软件和/或硬件来实现,该装置可集成于计算机中,该装置包括:
图像获取模块210,用于获取在相同环境下对同一区域进行拍摄获得的无前景目标图像和有前景目标图像;
模型构建模块220,用于初始化目标函数,并根据所述无前景目标图像、所述有前景目标图像以及所述目标函数构建全变分模型;
函数求解模块230,用于迭代更新所述目标函数,对所述全变分模型进行求解,获得最优目标函数;
前景目标确定模块240,用于按照预设过滤规则对所述最优目标函数进行阈值过滤,并根据过滤结果与所述有前景目标图像确定所述有前景目标图像对应的前景目标。
进一步地,还包括图像滤波模块,具体用于:
在所述获取在相同环境下对同一区域进行拍摄获得的无前景目标图像和有前景目标图像之后,采用低通滤波器对所述无前景目标图像和所述有前景目标图像进行滤波。
进一步地,所述全变分模型具体为:
其中,E[f]表示能量泛函的最小值,λ是预设平滑因子,表示滤波后的无前景目标图像,表示滤波后的有前景目标图像,w代表目标函数,f表示滤波后的无前景目标图像的背景部分和滤波后的有前景目标图像中的前景部分的合成图像,满足·表示点乘运算,β1、β2、β3和β4代表常量系数,满足β1+β2=1,β3+β4=1;
相应的,函数求解模块230具体用于:
采用下降流公式和所述合成图像的表达式交替迭代,求解使所述全变分模型中能量泛函为最小值时对应的目标函数,作为最优目标函数。
进一步地,前景目标确定模块240具体用于:
按照预设过滤规则,生成与所述最优目标函数对应的二值矩阵,将所述二值矩阵与所述有前景目标图像做点乘运算,获得所述有前景目标图像对应的前景目标。
进一步地,还包括规则匹配模块,用于根据前景部分和背景部分的亮度先验知识,匹配阈值过滤对应的预设过滤规则。
进一步地,还包括像素对齐模块,具体用于:
在所述获取在相同环境下拍摄的包含同一目标对象的无前景目标图像和有前景目标图像之后,还包括:将所述无前景目标图像和所述有前景目标图像配准至像素对齐状态。
上述前景目标提取装置可执行本发明任意实施例所提供的前景目标提取方法,具备执行方法相应的功能模块和有益效果。
实施例三
图3是本发明实施例三提供的一种计算机设备的结构示意图。图3示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图3显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图3未显示,通常称为“硬盘驱动器”)。尽管图3中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图3中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的前景目标提取方法:
也即,所述处理单元执行所述程序时实现:
获取在相同环境下对同一区域进行拍摄获得的无前景目标图像和有前景目标图像;
初始化目标函数,并根据所述无前景目标图像、所述有前景目标图像以及所述目标函数构建全变分模型;
迭代更新所述目标函数,对所述全变分模型进行求解,获得最优目标函数;
按照预设过滤规则对所述最优目标函数进行阈值过滤,并根据过滤结果与所述有前景目标图像确定所述有前景目标图像对应的前景目标。
实施例四
本发明实施例四提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请所有发明实施例提供的前景目标提取方法:
也即,该程序被处理器执行时实现:
获取在相同环境下对同一区域进行拍摄获得的无前景目标图像和有前景目标图像;
初始化目标函数,并根据所述无前景目标图像、所述有前景目标图像以及所述目标函数构建全变分模型;
迭代更新所述目标函数,对所述全变分模型进行求解,获得最优目标函数;
按照预设过滤规则对所述最优目标函数进行阈值过滤,并根据过滤结果与所述有前景目标图像确定所述有前景目标图像对应的前景目标。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种前景目标提取方法,其特征在于,包括:
获取在相同环境下对同一区域进行拍摄获得的无前景目标图像和有前景目标图像;
初始化目标函数,并根据所述无前景目标图像、所述有前景目标图像以及所述目标函数构建全变分模型;其中,所述目标函数包括与所述无前景目标图像大小相同的矩阵,所述全变分模型具体为:
其中,E[f]表示能量泛函的最小值,λ是预设平滑因子,表示滤波后的无前景目标图像,表示滤波后的有前景目标图像,w代表目标函数,f表示由滤波后的无前景目标图像的背景部分和滤波后的有前景目标图像中的前景部分的合成图像,满足·表示点乘运算,β1、β2、β3和β4代表常量系数,满足β1+β2=1,β3+β4=1;
迭代更新所述目标函数,对所述全变分模型进行求解,获得最优目标函数;
按照预设过滤规则对所述最优目标函数进行阈值过滤,并根据过滤结果与所述有前景目标图像确定所述有前景目标图像对应的前景目标。
2.根据权利要求1所述的方法,其特征在于,在所述获取在相同环境下对同一区域进行拍摄获得的无前景目标图像和有前景目标图像之后,还包括:
采用低通滤波器对所述无前景目标图像和所述有前景目标图像进行滤波。
3.根据权利要求2所述的方法,其特征在于,所述迭代更新所述目标函数,对所述全变分模型进行求解,获得最优目标函数具体为:
采用下降流公式和所述合成图像的表达式交替迭代,求解使所述全变分模型中能量泛函为最小值时对应的目标函数,作为最优目标函数。
4.根据权利要求3所述的方法,其特征在于,所述按照预设过滤规则对所述最优目标函数进行阈值过滤,并根据过滤结果与所述有前景目标图像确定所述有前景目标图像对应的前景目标,具体为:
按照预设过滤规则,生成与所述最优目标函数对应的二值矩阵,将所述二值矩阵与所述有前景目标图像做点乘运算,获得所述有前景目标图像对应的前景目标。
5.根据权利要求1所述的方法,其特征在于,还包括:根据前景部分和背景部分的亮度先验知识,匹配阈值过滤对应的预设过滤规则。
6.根据权利要求1-5任一所述的方法,其特征在于,在所述获取在相同环境下拍摄的包含同一目标对象的无前景目标图像和有前景目标图像之后,还包括:
将所述无前景目标图像和所述有前景目标图像配准至像素对齐状态。
7.一种前景目标提取装置,其特征在于,包括:
图像获取模块,用于获取在相同环境下对同一区域进行拍摄获得的无前景目标图像和有前景目标图像;
模型构建模块,用于初始化目标函数,并根据所述无前景目标图像、所述有前景目标图像以及所述目标函数构建全变分模型;其中,所述目标函数包括与所述无前景目标图像大小相同的矩阵,所述全变分模型具体为:
其中,E[f]表示能量泛函的最小值,λ是预设平滑因子,表示滤波后的无前景目标图像,表示滤波后的有前景目标图像,w代表目标函数,f表示由滤波后的无前景目标图像的背景部分和滤波后的有前景目标图像中的前景部分的合成图像,满足·表示点乘运算,β1、β2、β3和β4代表常量系数,满足β1+β2=1,β3+β4=1;
函数求解模块,用于迭代更新所述目标函数,对所述全变分模型进行求解,获得最优目标函数;
前景目标确定模块,用于按照预设过滤规则对所述最优目标函数进行阈值过滤,并根据过滤结果与所述有前景目标图像确定所述有前景目标图像对应的前景目标。
8.根据权利要求7所述的装置,其特征在于,还包括图像滤波模块,具体用于:
在所述获取在相同环境下对同一区域进行拍摄获得的无前景目标图像和有前景目标图像之后,采用低通滤波器对所述无前景目标图像和所述有前景目标图像进行滤波。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6中任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711130190.9A CN107895377B (zh) | 2017-11-15 | 2017-11-15 | 一种前景目标提取方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711130190.9A CN107895377B (zh) | 2017-11-15 | 2017-11-15 | 一种前景目标提取方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107895377A CN107895377A (zh) | 2018-04-10 |
CN107895377B true CN107895377B (zh) | 2020-07-10 |
Family
ID=61804212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711130190.9A Active CN107895377B (zh) | 2017-11-15 | 2017-11-15 | 一种前景目标提取方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107895377B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520259B (zh) * | 2018-04-13 | 2021-05-25 | 国光电器股份有限公司 | 一种前景目标的提取方法、装置、设备及存储介质 |
CN108564082B (zh) * | 2018-04-28 | 2023-06-09 | 苏州赛腾精密电子股份有限公司 | 图像处理方法、装置、服务器和介质 |
CN109903318B (zh) * | 2019-04-17 | 2021-05-11 | 中国科学院电子学研究所 | 基于高分辨率遥感影像的配准与变化检测一体化处理方法 |
CN110717925B (zh) * | 2019-09-18 | 2022-05-06 | 贵州民族大学 | 前景遮罩提取方法、装置、计算机设备及存储介质 |
CN111667426B (zh) * | 2020-06-04 | 2023-10-13 | 四川轻化工大学 | 一种基于频域变分的医学图像增强方法 |
CN111833263B (zh) * | 2020-06-08 | 2024-06-07 | 北京嘀嘀无限科技发展有限公司 | 图像处理方法、装置、可读存储介质和电子设备 |
CN113139953B (zh) * | 2021-05-10 | 2022-11-04 | 宁波永新光学股份有限公司 | 检测识别图像中的颗粒污染物的方法及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473749A (zh) * | 2013-01-09 | 2013-12-25 | 深圳信息职业技术学院 | 一种基于全变分图像融合的方法及装置 |
CN104809461A (zh) * | 2015-05-08 | 2015-07-29 | 内蒙古科技大学 | 结合序列图像超分辨率重建的车牌识别方法及系统 |
CN106250873A (zh) * | 2016-08-16 | 2016-12-21 | 四川大学 | 运动目标提取方法及装置 |
CN106815858A (zh) * | 2016-12-30 | 2017-06-09 | 首都师范大学 | 一种运动目标提取方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2024902A4 (en) * | 2006-02-13 | 2012-06-13 | Univ Chicago | IMAGE RECONSTRUCTION FROM INCOMPLETE OR LIMITED NUMBERS |
KR101636370B1 (ko) * | 2009-11-10 | 2016-07-05 | 삼성전자주식회사 | 영상 처리 장치 및 방법 |
-
2017
- 2017-11-15 CN CN201711130190.9A patent/CN107895377B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473749A (zh) * | 2013-01-09 | 2013-12-25 | 深圳信息职业技术学院 | 一种基于全变分图像融合的方法及装置 |
CN104809461A (zh) * | 2015-05-08 | 2015-07-29 | 内蒙古科技大学 | 结合序列图像超分辨率重建的车牌识别方法及系统 |
CN106250873A (zh) * | 2016-08-16 | 2016-12-21 | 四川大学 | 运动目标提取方法及装置 |
CN106815858A (zh) * | 2016-12-30 | 2017-06-09 | 首都师范大学 | 一种运动目标提取方法及装置 |
Non-Patent Citations (5)
Title |
---|
Moving object detection via low-rank total variation regularization;Pengcheng Wang 等;《Applications of Digital Image Processing XXXIX》;20160928;997132-1-997132-7 * |
TVSeg - Interactive Total Variation Based Image Segmentation;Markus Unger 等;《BMVC 2008》;20081231;1-10 * |
一种基于变分权值优化的多尺度图像融合方法;胡甚 等;《济南大学学报( 自然科学版)》;20150505;第30卷(第1期);36-40 * |
基于HOSVD和TV的动态背景下的运动目标提取;徐联微,杨晓梅;《计算机工程与设计》;20170416;第38卷(第4期);1045-1050 * |
基于全变分的权值优化的多尺度变换图像融合;邓苗 等;《电子与信息学报》;20130715;第35卷(第7期);1057-1663 * |
Also Published As
Publication number | Publication date |
---|---|
CN107895377A (zh) | 2018-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107895377B (zh) | 一种前景目标提取方法、装置、设备及存储介质 | |
CN111986178B (zh) | 产品缺陷检测方法、装置、电子设备和存储介质 | |
CN108701376B (zh) | 三维图像的基于识别的对象分割 | |
CN108564082B (zh) | 图像处理方法、装置、服务器和介质 | |
CN110222703B (zh) | 图像轮廓识别方法、装置、设备和介质 | |
CN110706262B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN113111212B (zh) | 一种图像匹配方法、装置、设备及存储介质 | |
CN111738045B (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
US20180253852A1 (en) | Method and device for locating image edge in natural background | |
CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
US20140104295A1 (en) | Transfusive image manipulation | |
US11720745B2 (en) | Detecting occlusion of digital ink | |
CN111598913B (zh) | 一种基于机器人视觉的图像分割方法和系统 | |
CN113516697B (zh) | 图像配准的方法、装置、电子设备及计算机可读存储介质 | |
Wu et al. | DT-SLAM: Dynamic thresholding based corner point extraction in SLAM system | |
CN111819567A (zh) | 使用语义特征来匹配图像的方法和装置 | |
CN113793349A (zh) | 目标检测方法及装置、计算机可读存储介质、电子设备 | |
CN108520259B (zh) | 一种前景目标的提取方法、装置、设备及存储介质 | |
CN111583225A (zh) | 缺陷检测方法、装置及存储介质 | |
JP2014102805A (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN115797533A (zh) | 模型描边方法、装置、设备及存储介质 | |
CN110503110A (zh) | 特征匹配方法和装置 | |
CN115953463A (zh) | 一种包裹打标识方法、装置、设备以及存储介质 | |
CN113766147A (zh) | 视频中嵌入图像的方法、平面预测模型获取方法和装置 | |
CN111507944A (zh) | 皮肤光滑度的确定方法、装置和电子设备 |
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 |