CN108830780B - 图像处理方法及装置、电子设备、存储介质 - Google Patents

Abstract

本公开是关于一种图像处理方法及装置、电子设备、存储介质，涉及计算机技术领域，该方法包括：提取原始图像中前景区域的边缘，得到第一图像；对所述第一图像进行形态学处理得到第二图像，并根据所述第一图像以及所述第二图像生成所述前景区域的边缘图像；通过所述第二图像以及所述边缘图像得到所述原始图像的三色图，并根据所述三色图对所述前景区域进行自动抠图。本公开可以自动生成三色图，提高图像抠图的效率和精准度。

Description

图像处理方法及装置、电子设备、存储介质

技术领域

本公开涉及计算机技术领域，具体而言，涉及一种图像处理方法、图像处理装置、电子设备以及计算机可读存储介质。

背景技术

抠图是指把指定的前景从已有的自然图像中分离出来的一种技术，它作为图像、视频编辑的重要操作之一，具有很重要的实用性。相关技术中，抠图技术主要是利用Photoshop抠图，或者通过算法提供trimap三色图、画草图(scribbles)的方式去抠图。

但是，在利用Photoshop进行抠图时，需要人工手动进行大量精细操作，且抠图操作较复杂，抠图效率较低；通过算法进行抠图的方式也需要人工介入，不能实现自动智能抠图，并且对于图像细节的处理不够准确，导致抠图精准度较差。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种图像处理方法及装置、电子设备、存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的不能自动进行图像抠图的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种图像处理方法，包括：提取原始图像中前景区域的边缘，得到第一图像；对所述第一图像进行形态学处理得到第二图像，并根据所述第一图像以及所述第二图像生成所述前景区域的边缘图像；通过所述第二图像以及所述边缘图像得到所述原始图像的三色图，并根据所述三色图对所述前景区域进行自动抠图。

在本公开的一种示例性实施例中，提取原始图像中前景区域的边缘，得到第一图像包括：通过边缘检测算法将所述原始图像以灰度图的方式读取并输出，以将所述原始图像转换为灰度图；通过Laplacian算子对所述灰度图进行边缘检测，以对所述灰度图进行边界提取；利用Canny算子对所述灰度图进行边缘检测，以计算所述灰度图的梯度幅值和方向；通过非最大值抑制算法确定所述灰度图的所述梯度幅值，以根据所述梯度幅值确定所述第一图像。

在本公开的一种示例性实施例中，在对所述第一图像进行形态学处理得到第二图像之前，所述方法还包括：采用最大类间方差算法对所述第一图像进行二值化处理，得到二值化图像。

在本公开的一种示例性实施例中，对所述第一图像进行形态学处理得到第二图像包括：对所述二值化图像进行膨胀处理以及腐蚀处理，得到膨胀腐蚀图像；根据边缘特征对所述膨胀腐蚀图像的边缘坐标进行孔洞填充，得到第二图像。

在本公开的一种示例性实施例中，对所述二值化图像进行膨胀处理包括：通过卷积核对所述二值化图像进行卷积操作。

在本公开的一种示例性实施例中，根据边缘特征对所述膨胀腐蚀图像的边缘坐标进行孔洞填充，得到第二图像包括：对所述膨胀腐蚀图像进行延伸得到延伸图像，并通过对所述延伸图像进行背景填充得到填充图像；将所述填充图像裁剪为预设大小，并对裁剪后的所述填充图像与所述膨胀腐蚀图像进行加法操作，得到所述第二图像。

在本公开的一种示例性实施例中，根据所述第一图像以及所述第二图像生成所述前景区域的边缘图像包括：从所述第二图像中减去所述膨胀腐蚀图像，生成所述前景区域的所述边缘图像。

在本公开的一种示例性实施例中，通过所述第二图像以及所述边缘图像得到所述原始图像的三色图包括：对所述边缘图像与所述二值化图像进行除法操作，以获取预设图像；对所述预设图像以及所述第二图像进行加法操作，得到所述原始图像的三色图。

在本公开的一种示例性实施例中，根据所述三色图对所述前景区域进行自动抠图包括：通过半监督学习算法对所述三色图进行处理，得到通道图像；通过所述通道图像对所述前景区域进行自动抠图。

在本公开的一种示例性实施例中，通过半监督学习算法对所述三色图进行处理，得到通道图像包括：通过所述半监督学习算法建立每一未知像素的透明度与颜色之间的映射关系；通过所述映射关系对所述三色图进行处理，以得到所述通道图像；其中，所述映射关系包括线性关系。

根据本公开的一个方面，提供一种图像处理装置，包括：边缘提取模块，用于通过边缘检测算法提取原始图像中前景区域的边缘，得到第一图像；边缘图像生成模块，用于对所述第一图像进行形态学处理得到第二图像，并根据所述第一图像以及所述第二图像生成所述前景区域的边缘图像；图像抠图模块，用于通过所述第二图像以及所述边缘图像得到所述原始图像的三色图，并根据所述三色图对所述前景区域进行自动抠图。

根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的图像处理方法。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的图像处理方法。

本公开示例性实施例中提供的一种图像处理方法、图像处理装置、电子设备以及计算机可读存储介质中，通过提取原始图像中前景区域的边缘得到第一图像，接下来对第一图像进行形态学处理生成前景区域的边缘图像，进而通过第二图像以及边缘图像得到原始图像的三色图，并根据三色图对前景区域进行自动抠图。一方面，能够通过提取边缘、形态学处理操作自动得到原始图像的三色图，而不需要人工操作，减少了操作步骤，能够更智能化地进行自动抠图，同时提高了图像抠图的操作效率；另一方面，通过自动得到的三色图进行抠图，减少了人工操作的误差，能够提高图像抠图的精准度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示意性示出本公开示例性实施例中用于实现图像处理方法的系统架构示意图；

图2示意性示出本公开示例性实施例中图像处理方法的示意图；

图3示意性示出本公开示例性实施例中图像处理方法的具体流程图；

图4示意性示出本公开示例性实施例中的图像处理过程；

图5示意性示出本公开示例性实施例中一种图像处理装置的框图；

图6示意性示出本公开示例性实施例中一种电子设备的框图；

图7示意性示出本公开示例性实施例中一种程序产品。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

本示例实施方式中首先提供了一种用于实现图像处理方法的系统架构，可以应用于各种需要抠图的图像处理场景。参考图1所示，该系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送请求指令等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图片处理应用、购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。

需要说明的是，本申请实施例所提供的图像处理方法一般由服务器105执行，相应地，图像处理装置一般设置于客户端101中。

基于上述系统架构100，本示例中提供了一种图像处理方法，参考图2所示，该图像处理方法可以包括以下步骤：

在步骤S210中，提取原始图像中前景区域的边缘，得到第一图像；

在步骤S220中，对所述第一图像进行形态学处理得到第二图像，并根据所述第一图像以及所述第二图像生成所述前景区域的边缘图像；

在步骤S230中，通过所述第二图像以及所述边缘图像得到所述原始图像的三色图，并根据所述三色图对所述前景区域进行自动抠图。

在本示例性实施例中提供的图像处理方法中，一方面，能够通过提取边缘、形态学处理操作自动得到原始图像的三色图，而不需要人工操作，减少了操作步骤，能够更智能化地进行自动抠图，同时提高了图像抠图的操作效率；另一方面，通过自动得到的三色图进行抠图，减少了人工操作的误差，能够提高图像抠图的精准度。

接下来，结合附图对本示例性实施例中的图像处理方法进行进一步解释说明。

在步骤S210中，提取原始图像中前景区域的边缘，得到第一图像。

本示例中，原始图像可以为各种类型、各种大小的待处理图像，例如存在复杂背景的图像。前景区域指的是需要在原始图像中进行抠图的图像。对前景区域进行抠图的核心问题为解决公式I_i＝αF_i+(1-α)B_i,(0＜α＜1)，其中，I_i为已知量，用于代表原始图像中的像素；α代表透明度，F_i代表前景区域的像素，B_i代表背景区域的像素，且这三个变量均为未知量。对于确定的前景区域而言，α＝1,I_i＝F_i；对于确定的背景区域而言，α＝0,I_i＝B_i。本示例中，提供了自动计算α、F_i、B_i的技术。

首先可通过Robert、Sobel、Prewitt、Laplacian或Canny边缘检测算法中的任意一种算法提取原始图像中前景区域的边缘，此处以Canny算法为例进行说明。具体而言，通过Canny边缘检测算法提取原始图像中前景区域的边缘包括：通过边缘检测算法将所述原始图像以灰度图的方式读取并输出，以将所述原始图像转换为灰度图；通过Laplacian算子对所述灰度图进行边缘检测，以对所述灰度图进行边界提取；利用Canny算子对所述灰度图进行边缘检测，以计算所述灰度图的梯度幅值和方向；通过非最大值抑制算法确定所述灰度图的所述梯度幅值，以根据所述梯度幅值确定所述第一图像。

第一步，可通过OpenCV程序将原始图像以灰度图的方式读取然后输出，从而将原始图像转换成灰度图进行显示。第二步，为了保留原始图像的边缘一个像素，可通过Laplacian算子计算得到的每个像素的值，进而设定阈值例如0.21，并根据设定的阈值对原始图像转换成的灰度图进行初次边缘检测，以提取灰度图的边界。第三步，可以利用高斯滤波对灰度图进行滤波，以去除噪声。利用高斯滤波进行滤波处理的方法类似于LoG算子(Laplacian of Gaussian)作高斯模糊一样，主要作用就是去除噪声。因为噪声也集中于高频信号，很容易被识别为伪边缘，因此可应用高斯模糊去除噪声，降低伪边缘的识别。由于图像边缘信息也是高频信号，因此高斯模糊的半径选择很重要，过大的半径很容易让一些弱边缘检测不到。其中，滤波时使用的卷积核为5。第四步，可利用Canny算子再次对图像进行边缘检测，由于图像的边缘可以指向不同方向，因此Canny算法用了四个梯度算子来分别计算水平方向、垂直方向以及对角线方向的梯度。常用的边缘差分算子计算水平和垂直方向的差分Gx和Gy。这样就可以通过如下公式计算梯度幅值和方向：

其中，可用θ来代表灰度图的方向。接下来，由于通常得出来的梯度边缘不止一个像素宽，而是多个像素宽，因此需要将得到的边缘进行细化，例如可通过非最大值抑制算法确定所述灰度图的所述梯度幅值，以通过非最大值抑制算法帮助保留局部最大梯度幅值而抑制所有其他梯度幅值，只保留了梯度变化中最锐利的位置，从而根据梯度变化中最锐利的位置对应的梯度幅值确定第一图像。参考图4所示，由原始图像a得到灰度图b，进而通过Laplacian算子对灰度图b进行初次边缘检测提取边界得到图像c，进一步通过高斯滤波、Canny算子进行再次边缘检测，以及非最大值抑制得到图像d。通过这种方式得到的第一图像，可提高准确率。

在步骤S220中，对所述第一图像进行形态学处理得到第二图像，并根据所述第一图像以及所述第二图像生成所述前景区域的边缘图像。

本示例性实施例中，形态学处理例如可以包括膨胀处理和腐蚀处理。膨胀处理指的是求局部最大值的操作。膨胀处理可以看作是将图像或者是图像那个的一部分区域与卷积核进行卷积操作。其中，卷积核可以是任何的形状和大小。卷积核与图像进行卷积操作，可以理解为计算卷积核覆盖的区域的像素点的最大值，并把这个最大值赋值给参考点指定的像素，从而使图像中的高亮区域逐渐增长。腐蚀处理与膨胀处理相反，其指的是求局部最小值的操作，通过膨胀腐蚀处理，可以提高图像对比度，更利于获取前景区域。

需要说明的是，膨胀腐蚀处理一般上是基于二值化图像进行操作，因此在对第一图像进行图像形态学处理之前，所述方法还包括：采用最大类间方差算法对所述第一图像进行二值化处理，得到二值化图像。

在对第一图像进行二值化时，可采用最大类间方差算法otsu自动选取阈值进行二值化处理，其中背景区域为黑色，前景区域为白色。otsu算法使用的是聚类的思想，把第一图像的灰度数按灰度级分成2个部分，使得两个部分之间的灰度值差异最大，每个部分之间的灰度差异最小，通过方差的计算来寻找一个合适的灰度级别来划分。然后可以将二值化图像与步骤S210中输出的第一图像进行融合，以提高图像处理的准确率，便于进行后续操作。

基于此，在对二值化图像进行膨胀处理时，将第一图像或第一图像的一部分区域A与卷积核B进行卷积，即把结构元素B平移a后得到Ba，使得Ba与A有共同区域，a点组成的集合称做X被B膨胀的结果，以实现将一些不连通处连通起来的目的。

然后利用腐蚀操作，把结构元素B平移a后得到Ba，使得Ba包含于第一图像A，a点组成的集合就是A被B腐蚀的结果，以实现去除背景区域中的噪声斑点的目的。

在对二值化图像进行膨胀腐蚀处理之后，得到膨胀腐蚀图像，接下来可根据膨胀腐蚀图像的边缘特征对其边缘坐标进行孔洞填充，得到第二图像。孔洞填充指的是重建膨胀操作，每次的膨胀操作都会使图像的黑色像素慢慢减少，而白色像素慢慢增加，然后每次和模版图像做与运算，当标记图像继续膨胀想要越过模版黑色边界时，每次的与运算会使膨胀进去的多余部分消除掉，所以，当标记图像达到稳定时，标记图像就膨胀填满了所有外部，而内部却没有一个像素。此时直接取反，就能得到全部孔洞被填充满的图像。

根据边缘特征对所述膨胀腐蚀图像的边缘坐标进行孔洞填充，得到第二图像包括：对所述膨胀腐蚀图像进行延伸得到延伸图像，并通过对所述延伸图像进行背景填充得到填充图像；将所述填充图像裁剪为预设大小，并对裁剪后的所述填充图像与所述膨胀腐蚀图像进行加法操作，得到所述第二图像。举例而言，设待处理的图像即膨胀腐蚀图像为图像1。首先图像1向外延展一到两个像素，并将值填充为背景色0，得到延伸图像2。接下来使用floodFill函数将延伸图像2的大背景填充，填充值为前景色255，种子点为(0，0)即可，得到填充图像3。将填充图像3裁剪为预设大小，预设大小例如可以为膨胀腐蚀图像的大小，以去掉延展区域，并标记为图像4。接下来可将图像4取反并与膨胀腐蚀图像1进行加法操作，即得到第二图像。

接下来，可以从根据边缘特征填充好的第二图像中减去腐蚀处理得到的膨胀腐蚀图像，生成待抠图的前景区域的边缘图像。此处的边缘图像为较粗的边缘图像。继续参考图4所示，对第二图像d进行二值化处理，得到二值化图像e，再对图像e进行膨胀腐蚀处理，得到图像f，进而进行减法操作得到图像g。本示例中通过膨胀腐蚀以及边缘填充，可得到更准确的前景区域的边缘图像。

在步骤S230中，通过所述第二图像以及所述边缘图像得到所述原始图像的三色图，并根据所述三色图对所述前景区域进行自动抠图。

本示例性实施例中，三色图trimap是一个与原始图像同等大小、包括前景区域、背景区域以及未知区域的前背景划分图，可对原始图像进行粗略划分。其中，黑色为背景区域，白色为前景区域，灰色为未知区域。

具体而言，生成三色图可以包括：对边缘图像与二值化图像进行除法操作，以获取预设图像；对预设图像以及所述第二图像进行加法操作，得到所述原始图像的三色图。其中，每一个图像均可以用图像矩阵来表示，本示例中可以将步骤S220中得到的前景区域的边缘图像与步骤S210中得到的第一图像进行除法操作，得到一个预设图像对应的预设图像矩阵；进而可以将预设图像矩阵加上孔洞填充后的第二图像得到原始图像的三色图。通过本示例性实施例中的第二图像和边缘图像，能够自动获得原始图像的三色图。能够通过提取边缘、形态学处理操作自动得到原始图像的三色图，而不需要人工操作，减少了操作步骤，能够根据生成的三色图更智能化地进行自动抠图；除此之外，通过自动得到的三色图进行抠图，减少了人工生成三色图造成的误差。参考图4所示，根据图像g和二值化图像e得到图像h，即三色图。

接下来，可以根据三色图对前景区域进行自动抠图，以将前景区域从原始图像中分离出来。具体包括：通过半监督学习算法对所述三色图进行处理，得到通道图像；通过所述通道图像对所述前景区域进行自动抠图。

其中，通道图像即为alpha图，alpha图是一个8位的灰度通道，该通道用256级灰度来记录图像中的透明度信息，定义透明、不透明和半透明区域，其中白表示不透明，黑表示透明，灰表示半透明。半监督学习算法例如可以包括支持向量机算法。半监督学习算法的核心在于：在给定标记数据的情况下，预测结果不止和标记数据有关，还和未标记数据有关，更精确地说，和数据的相对位置有关。

基于此，通过半监督学习算法对所述三色图进行处理，得到通道图像包括：通过所述半监督学习算法建立每一未知区域像素的透明度与颜色之间的映射关系；通过所述映射关系对所述三色图进行处理，以得到所述通道图像；其中，所述映射关系包括线性关系。本示例性实施例中首先作出两个假设：1、假设任何未知像素的透明度α，是周围像素的透明度α线性组合，从而可以使用半监督学习算法中相对位置的概念将线性组合关系表达为矩阵的形式；2、假设透明度α和该像素点的颜色向量呈线性相关关系；如此一来，对于每一个像素的透明度α，则可使用周围像素透明度α的线性组合来预测，而该线性组合的参数，可通过半监督学习算法得到，学习的过程即为建立透明度α和颜色特征向量之间相关关系的过程。

举例而言，映射关系例如可以为正比例关系。如颜色越深，说明透明度越高，当透明度接近于1时，根据公式I_i＝αF_i+(1-α)B_i,(0＜α＜1)以及三色图可以认定该未知像素的透明度为透明，也就是说，可以将该未知像素确定为前景区域。当接近于0时，根据公式I_i＝αF_i+(1-α)B_i,(0＜α＜1)以及三色图可以认定该未知像素的透明度为不透明，也就是说，可以将该未知像素确定为背景区域。依次类推，可以通过未知像素的颜色与透明度之间的映射关系确定每一个未知像素的透明度，进而确定该未知像素属于前景区域还是背景区域，以实现自动抠图过程。需要说明的是，自动生成trimap图的具体步骤可以通过Matlab程序或者是OpenCV程序完成，本示例性实施例中对此不作特殊限定。通过本示例性实施例中像素透明度与颜色之间的映射关系，只通过像素的颜色即可确定每一个像素属于前景区域还是背景区域，因此能够实现自动快速抠图操作，并且可以提高抠图的精准度。

图3中示意性示出了图像处理的具体流程图，参考图3所示，具体包括以下步骤：

在步骤S31中，自动获取trimap图像；具体包括：

步骤S311，通过Canny边缘检测算子确定原始图像中的前景区域边缘，得到图像A；

步骤S312，对图像A进行二值化处理并与图像A进行融合；

步骤S313，对图像A做膨胀腐蚀处理，并联通各处进行去噪，得到图像B；

步骤S314，对图像A的边缘坐标进行孔洞填充，得到图像C；

步骤S315，对图像B与图像A进行减法操作，得到较粗的边缘图像D；

步骤S316，对边缘图像D与二值化处理后的图像A进行除法操作得到预设图像，并对预设图像以及图像C进行加法操作，得到原始图像的三色图trimap图E。

在步骤S32中，对trimap图像E进行算法处理，得到alpha图像F。

在步骤S33中，通过图像F进行算法处理，获取前景图像或前景区域。

通过图3中所示的步骤，能够通过提取边缘、形态学处理操作自动得到原始图像的三色图，而不需要人工操作，减少了操作步骤，能够根据生成的三色图更智能化地进行自动抠图；除此之外，通过自动得到的三色图进行抠图，减少了人工生成三色图造成的误差。

本公开还提供了一种图像处理装置。参考图5所示，该图像处理装置500可以包括：

边缘提取模块501，用于通过边缘检测算法提取原始图像中前景区域的边缘，得到第一图像；

图像生成模块502，用于对所述第一图像进行形态学处理得到第二图像，并根据所述第一图像以及所述第二图像生成所述前景区域的边缘图像；

图像抠图模块503，用于通过所述第二图像以及所述边缘图像得到所述原始图像的三色图，并根据所述三色图对所述前景区域进行自动抠图。

在本公开的一种示例性实施例中，边缘提取模块包括：灰度处理模块，用于通过边缘检测算法将所述原始图像以灰度图的方式读取并输出，以将所述原始图像转换为灰度图；边界提取模块，用于通过Laplacian算子对所述灰度图进行边缘检测，以对所述灰度图进行边界提取；幅值计算模块，用于利用Canny算子对所述灰度图进行边缘检测，以计算所述灰度图的梯度幅值和方向；第一图像确定模块，用于通过非最大值抑制算法确定所述灰度图的所述梯度幅值，以根据所述梯度幅值确定所述第一图像。

在本公开的一种示例性实施例中，所述装置还包括：二值化处理模块，用于采用最大类间方差算法对所述第一图像进行二值化处理，得到二值化图像。

在本公开的一种示例性实施例中，图像生成模块包括：膨胀腐蚀模块，用于对所述二值化图像进行膨胀处理以及腐蚀处理，得到膨胀腐蚀图像；孔洞填充模块，用于根据边缘特征对所述膨胀腐蚀图像的边缘坐标进行孔洞填充，得到第二图像。

在本公开的一种示例性实施例中，膨胀腐蚀模块包括：卷积控制模块，用于通过卷积核对所述二值化图像进行卷积操作。

在本公开的一种示例性实施例中，孔洞填充模块包括：延伸填充模块，用于对所述膨胀腐蚀图像进行延伸得到延伸图像，并通过对所述延伸图像进行背景填充得到填充图像；第二图像生成模块，用于将所述填充图像裁剪为预设大小，并对裁剪后的所述填充图像与所述膨胀腐蚀图像进行加法操作，得到所述第二图像。

在本公开的一种示例性实施例中，图像生成模块包括：边缘图像生成模块，用于从所述第二图像中减去所述膨胀腐蚀图像，生成所述前景区域的所述边缘图像。

在本公开的一种示例性实施例中，图像抠图模块包括：除法控制模块，用于对所述边缘图像与所述二值化图像进行除法操作，以获取预设图像；三色图生成模块，用于对所述预设图像以及所述第二图像进行加法操作，得到所述原始图像的三色图。

在本公开的一种示例性实施例中，图像抠图模块包括：通道图像获取模块，用于通过半监督学习算法对所述三色图进行处理，得到通道图像；自动抠图模块，用于通过所述通道图像对所述前景区域进行自动抠图。

在本公开的一种示例性实施例中，通道图像获取模块包括：映射建立模块，用于通过所述半监督学习算法建立每一未知像素的透明度与颜色之间的映射关系；三色图处理模块，用于通过所述映射关系对所述三色图进行处理，以得到所述通道图像；其中，所述映射关系包括线性关系。

需要说明的是，上述图像处理装置中各模块的具体细节已经在对应的图像处理方法中进行了详细描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600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6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图2中所示的步骤：在步骤S210中，提取原始图像中前景区域的边缘，得到第一图像；在步骤S220中，对所述第一图像进行形态学处理得到第二图像，并根据所述第一图像以及所述第二图像生成所述前景区域的边缘图像；在步骤S230中，通过所述第二图像以及所述边缘图像得到所述原始图像的三色图，并根据所述三色图对所述前景区域进行自动抠图。

存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。

存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205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。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、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650进行。并且，电子设备600还可以通过网络适配器660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560通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600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。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

参考图7所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。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。

计算机可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。

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、有线、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的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

Claims (8)

1.一种图像处理方法，其特征在于，包括：

提取原始图像中前景区域的边缘，得到用于表示原始图像的边界的第一图像；

采用最大类间方差算法对所述第一图像进行二值化处理，得到二值化图像；

对所述二值化图像进行膨胀腐蚀处理得到膨胀腐蚀图像，根据所述膨胀腐蚀图像的边缘特征对其边缘坐标进行孔洞填充得到第二图像，并根据所述第一图像以及所述第二图像，从所述第二图像中减去所述膨胀腐蚀图像，生成粗边缘的待抠图的所述前景区域的边缘图像；

通过所述第二图像以及所述边缘图像获取的预设图像得到所述原始图像的三色图，并通过半监督学习算法对所述三色图进行处理得到通道图像，通过所述通道图像对所述前景区域进行自动抠图；所述三色图为包括前景区域、背景区域以及未知区域的前背景划分图，用于对所述原始图像进行粗略划分；

其中，通过所述第二图像以及所述边缘图像获取的预设图像得到所述原始图像的三色图，包括：

对边缘图像与二值化图像进行除法操作，以获取预设图像；

对所述预设图像以及所述第二图像进行加法操作，得到所述原始图像的所述三色图，其中每一个图像用图像矩阵来表示。

2.根据权利要求1所述的图像处理方法，其特征在于，提取原始图像中前景区域的边缘，得到用于表示原始图像的边界的第一图像包括：

通过边缘检测算法将所述原始图像以灰度图的方式读取并输出，以将所述原始图像转换为灰度图；

通过Laplacian算子对所述灰度图进行边缘检测，以对所述灰度图进行边界提取；

利用Canny算子对所述灰度图进行边缘检测，以计算所述灰度图的梯度幅值和方向；

通过非最大值抑制算法确定所述灰度图的所述梯度幅值，以根据所述梯度幅值确定所述第一图像。

3.根据权利要求1所述的图像处理方法，其特征在于，对所述二值化图像进行膨胀处理包括：

通过卷积核对所述二值化图像进行卷积操作。

4.根据权利要求1所述的图像处理方法，其特征在于，根据边缘特征对所述膨胀腐蚀图像的边缘坐标进行孔洞填充，得到第二图像包括：

对所述膨胀腐蚀图像进行延伸得到延伸图像，并通过对所述延伸图像进行背景填充得到填充图像；

将所述填充图像裁剪为预设大小，并对裁剪后的所述填充图像与所述膨胀腐蚀图像进行加法操作，得到所述第二图像。

5.根据权利要求1所述的图像处理方法，其特征在于，通过半监督学习算法对所述三色图进行处理，得到通道图像包括：

通过所述半监督学习算法建立每一未知像素的透明度与颜色之间的映射关系；

通过所述映射关系对所述三色图进行处理，以得到所述通道图像；

其中，所述映射关系包括线性关系。

6.一种图像处理装置，其特征在于，包括：

边缘提取模块，用于提取原始图像中前景区域的边缘，得到用于表示原始图像的边界的第一图像；

采用最大类间方差算法对所述第一图像进行二值化处理，得到二值化图像；

边缘图像生成模块，用于对所述二值化图像进行膨胀腐蚀处理得到膨胀腐蚀图像，根据所述膨胀腐蚀图像的边缘特征对其边缘坐标进行孔洞填充得到第二图像，并根据所述第一图像以及所述第二图像，从所述第二图像中减去所述膨胀腐蚀图像，生成粗边缘的待抠图的前景区域的边缘图像；

图像抠图模块，用于通过所述第二图像以及所述边缘图像获取的预设图像得到所述原始图像的三色图，并通过半监督学习算法对所述三色图进行处理得到通道图像，通过所述通道图像对所述前景区域进行自动抠图；所述三色图为包括前景区域、背景区域以及未知区域的前背景划分图，用于对所述原始图像进行粗略划分；

其中，通过所述第二图像以及所述边缘图像获取的预设图像得到所述原始图像的三色图，包括：

对边缘图像与二值化图像进行除法操作，以获取预设图像；

对所述预设图像以及所述第二图像进行加法操作，得到所述原始图像的所述三色图，其中每一个图像用图像矩阵来表示。

7.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-5任意一项所述的图像处理方法。

8.一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，所述计算机程序被处理器执行时实现权利要求1-5任意一项所述的图像处理方法。

Images