CN108876795A - 一种图像中物体的分割方法及系统 - Google Patents

Abstract

本发明提供了一种图像中物体的分割方法及系统，该方法包括：S10：识别原图像，获取初始物体区域；S20：对所述初始物体区域进行物体分割；S40：获取物体分割后图像的最大连通域边界，计算所述最大连通域边界的外接矩形区域，以形成最终物体区域。采用本发明，通过物体分割方法有效消除图像中的背景干扰信息，提高细粒度图像分析的精度。

Description

一种图像中物体的分割方法及系统

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像中物体的分割方法及系统。

背景技术

物体分割在细粒度图像分析任务如物体分类识别中是一个非常关键的部件，其能够有效的降低分类识别精度的背景干扰信息进行消除。细粒度图像分析不同于通用图像分析任务，细粒度图像分析的所属类别和粒度更为精细，它不仅能在更细分的类别下对物体进行识别，就连相似度极高的同一物种也能区别开来。但图像中的背景信息很容易对细粒度图像分析产生干扰，降低了细粒度图像分析的精度，例如，对于两幅不同的图像，细粒度图像分析任务需要根据图像中物体的类别来对两幅图像进行分类，但是由于物体图像中除了包括物体以外，还存在背景信息，这些背景信息并不是细粒度图像分析任务中的目标，反而会干扰到对图像中物体的识别，影响分类的准确度，同时也会降低分类效率。

为了降低背景信息带来的干扰，需要将图像中的物体区域与背景信息分割开来，目前最好的分割方法包括语义分割方法以及实例分割方法，都能够分割图像中物体区域，消除背景信息带来的干扰。语义分割一般都是像素级别的，也就是对图像中的每个像素都划分出对应的类别，以实现像素级别的分类，而实例分割不但要进行像素级别的分类，还需在具体的类别基础上区别开不同的实例。这两种方法都是基于深度神经网络或卷积神经网络，通过训练以及机器学习完成的，这种方式需要对物体与背景之间的边界进行精确的标注，耗费大量的人力及物力，分割效率不高。

公开号为CN108062756A的专利公开了一种基于深度全卷积网络和条件随机场的图像语义分割方法，包括步骤：深度全卷积语义分割网络模型搭建，基于全连接条件随机场的像素标签结构化预测，模型训练与参数学习和图像语义分割。该方法采用的语义分割方法在保证了物体边界精度的同时，也加大了对边界之间标注的投入。

发明内容

本发明要解决的技术问题目的在于提供一种图像中物体的分割方法及系统，用以解决细粒度图像分析容易受到背景信息干扰，降低分析精度的问题。

为了实现上述目的，本发明采用的技术方案如下：

一种图像中物体的分割方法，其特征在于，包括步骤：

S10：识别原图像，获取初始物体区域；

S20：对所述初始物体区域进行物体分割；

S40：获取物体分割后图像的最大连通域边界，计算所述最大连通域边界的外接矩形区域，以形成最终物体区域。

进一步的，所述步骤S20、S40之间还包括步骤：

S30：对物体分割后图像进行闭运算，去除所述物体分割后图像中的不连通区域。

进一步的，所述步骤S20具体包括步骤：

S201：将所述原图像按预设比例缩小，作为采样图像；

S202：通过预设图像分割方法对所述采样图像进行物体分割，得到分割后的物体图像；

S203：将所述分割后的物体图像进行二值掩膜，将所述二值掩膜后的物体图像按原图像比例映射到所述原图像，得到分割后图像。

进一步的，所述步骤S40还包括步骤：

S401：采集所述物体分割后图像中所有的连通域；

S402：获取所述连通域中最大的连通域作为目标区域；

S403：通过边界查找算法获取所述目标区域的边界，作为最大连通域边界。

进一步的，所述步骤S40之后还包括步骤：

S50：对所述最终物体区域进行细粒度图像分析，获取分析结果。

一种图像中物体的分割系统，包括：

物体检测模块：用于识别原图像获取初始物体区域；

物体分割模块：用于对所述初始物体区域进行物体分割；

区域提取模块：用于获取物体分割后图像的最大连通域边界，计算所述最大连通域边界的外接矩形区域，以形成最终物体区域。

进一步的，所述系统还包括：

图像处理模块：用于对物体分割后图像进行闭运算，去除所述物体分割后图像中的不连通区域。

进一步的，所述物体分割模块包括：

调整单元：用于将所述原图像按预设比例缩小，作为采样图像；

分割单元：用于通过预设图像分割方法对所述采样图像进行物体分割，得到分割后的物体图像；

掩膜映射单元：用于将所述分割后的物体图像进行二值掩膜，将所述二值掩膜后的物体图像按原图像比例映射到所述原图像，得到分割后图像。

进一步的，所述区域提取模块还包括：

连通域采集单元：用于采集物体分割后图像中所有的连通域；

计算单元：用于获取所述连通域中最大的连通域作为目标区域；

边界查找单元：用于通过边界查找算法获取所述目标区域的边界，作为最大连通域边界。

进一步的，所述系统还包括：

分析模块：用于对所述最终物体区域进行细粒度图像分析，获取分析结果。

采用本发明，通过对图像分割方法的优化，提高了物体分割的效率，减少投入成本，同时有效的消除了背景信息的干扰，能够提高细粒度图像分析的精度。

附图说明

图1是本发明一个实施方式提供的一种图像中物体的分割方法流程图；

图2是本发明一个实施方式提供的一种物体区域的分割方法流程图；

图3是本发明一个实施方式提供的原图像中的初始物体区域；

图4是本发明一个实施方式提供的分割后图像；

图5是本发明一个实施方式提供的二值掩膜后的分割后图像；

图6是本发明一个实施方式提供的最终物体区域图；

图7是本发明一个实施方式提供的一种图像中物体的分割系统结构图。

具体实施方式

以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

本发明中，原图像中包括有要识别的物体图像以及背景的图像，其中，物体图像与背景图像都具有类似或不同的颜色特征。

实施例一

参考图1，本实施例提供了一种图像中物体的分割方法，包括步骤：

S10：识别原图像，获取初始物体区域；

S20：对所述初始物体区域进行物体分割；

S40：获取物体分割后图像的最大连通域边界，计算所述最大连通域边界的外接矩形区域，以形成最终物体区域。

原图像中包括了背景信息以及物体，在进行细粒度图像分析时，其中背景信息容易对细粒度图像分析产生干扰，需要将物体与背景进行分割，提取出更精确的物体区域。

步骤S10中，识别原图像中的初始物体区域采用的是物体检测方法，物体检测是一种图像检测方法，能够从图像中识别物体的位置区域，例如通过矩形框把识别到的物体框出来，作为初始物体区域。可参考图3，图3中矩形框框住的区域即检测识别到的初始物体区域。

其中，物体检测方法有多种，例如R-CNN、YOLO等方法，其中，R-CNN的检测方法精度较高。需要了解的是，本实施例不对物体检测方法进行限定，可以采用任意的图像检测方法，在此不做详细说明。

步骤S20中，对步骤S10中初始物体区域进行分割，得到物体图像，本实施例中，采用Grabcut算法进行自适应分割。

其中，Grabcut算法是一种直接基于图切算法的图像分割技术，只需要在前景和背景处各画几笔作为输入，算法将建立各个像素点与前景背景相似度的赋权图，抓取得到原图像中的物体区域。

在采用Grabcut算法进行分割后，得到物体图像，参考图4，图4为分割得到的物体图像。

再对分割得到的物体图像进行二值化掩膜处理，最后得到分割后图像，参考图5，图5中白色的像素点部分构成的区域即为物体区域。

在一个实施方式中，步骤S20之后还包括步骤：

对物体分割后图像进行闭运算，去除所述物体分割后图像中的不连通区域。

参考图5，由于Grabcut算法容易造成物体分割结果的不连贯，物体区域中可能存在黑色像素点，其为不连通区域，可通过闭运算对不连通区域进行去除。

其中，闭运算是一种形态学图像处理中的方法，与其相对的还有开运算，闭运算能够排除小型黑色区域，平滑对象的轮廓。

步骤S40中，连通域是指像素点之间互相连接构成的一个连通区域，参考图5，图5中各个白色像素点互相连接，构成一个白色的连通区域，一旦白色像素点之间没有互相连接，则不能构成一个连通区域。

本实施例中，步骤S40具体还包括步骤：

采集所述物体分割后图像中所有的连通域；

获取所述连通域中最大的连通域作为目标区域；

通过边界查找算法获取所述目标区域的边界，作为最大连通域边界。

参考图5，步骤S20中得到的分割后图像是由白色像素点构成的，其连通域就为白色区域，最大的连通域即为所有白色像素点构成的区域，最大连通域边界即为所有白色像素点构成的区域的边界。

图像中物体一般呈现出不规则的形状，其边界也为不规则形状，本实施例中，从步骤S20中分割得到的白色像素点区域也多为不规则图形，因此不利于后续的图像分类识别。为了能够得到包含物体的规则区域如外接矩形，先通过边界查找方法找到最大连通域的边界，而后基于边界信息计算物体区域的外接矩形，进而完成对物体区域的获取，最后获取到的规则区域即为最终物体区域，后续通过最终物体区域进行细粒度图像分析。

参考图6，分割后图像的边界存在一个外接矩形，通过提取出该外接矩形区域，形成最终物体区域。

在一个实施方式中，还包括步骤：

对所述最终物体区域进行细粒度图像分析，获取分析结果。

在步骤S40提取得到最终物体区域之后，再根据不同的分析任务，对最终物体区域进行分析，得到相应的分析结果，其中，分析任务包括物体分类、物体识别等，例如，当分析任务为物体识别时，即。

相对于图3中通过物体检测得到的物体区域，图6中外接矩形区域更小，包含的背景信息更低，有效的消除了复杂的背景信息对细粒度图像分析带来的干扰。

实施例二

参考图2，本实施例提供了一种初始物体区域的分割方法，包括步骤：

S201：将所述原图像按预设比例缩小，作为采样图像；

S202：通过预设图像分割方法对所述采样图像进行物体分割，得到物体图像；

S203：将所述物体图像进行二值掩膜，将所述二值掩膜后的物体图像按原图像比例映射到所述原图像，得到分割后图像。

在实施例一中，采用的分割方法为Grabcut算法，其中，Grabcut算法在对物体进行分割时分割时间较长，分割效率较低，通过本实施例对Grabcut算法的分割过程进行优化，能够有效的提高分割效率，减少分割时间。

步骤S201中，预设比例是提前设置的，在通过Grabcut算法进行分割前，先根据原图像的初始尺寸，按预设比例将原图像缩小。

步骤S202中，预设图像分割方法即本文中实施例一的Grabcut算法，在将原图像缩小之后，通过Grabcut算法从缩小后的原图像中分割得到缩小的物体图像，由于分割对象尺寸缩小，在进行分割时能够有效的提高分割效率以及降低分割时间。

步骤S203中，二值掩膜是指将图像进行二值化处理之后再进行掩膜处理，图像二值化指的是将图像上的像素点的灰度值设置为0或255，使得图像呈现出黑白效果，而掩膜处理指的是将图像转换为由0和1组成的二进制图像。

可参考图5以及图4，将图4进行二值掩膜处理之后，得到图5，图5中，白色像素点的值用二进制数1表示，黑色像素点的值用二进制数值0表示。

分割得到缩小的物体图像通过二值掩膜处理之后，再将该物体图像按原预设比例放大并映射到原图像，从而从原图像中提取得到与原图像尺寸比例的分割后图像。

本实施例通过对Grabcut算法的分割过程进行优化，提高了Grabcut算法的对图像进行分割的分割效率，缩短了Grabcut算法分割的时间开销。

实施例三

参考图7，本实施例提供了一种图像中物体的分割系统，包括：

物体检测模块81：用于识别原图像，获取初始物体区域；

物体分割模块82：用于对所述初始物体区域进行物体分割；

区域提取模块84：用于获取物体分割后图像的最大连通域边界，计算所述最大连通域边界的外接矩形区域，以形成最终物体区域。

本实施例中，物体检测模块81设置在计算机内，能够接收计算机中存储装置或写入接口例如USB存储设备发送的原图像。

物体分割模块82包括：

调整单元821：用于将所述原图像按预设比例缩小，作为采样图像；

分割单元822：用于通过预设图像分割技术对所述采样图像进行物体分割，得到物体图像；

掩膜映射单元823：用于将所述物体图像进行二值掩膜，将所述二值掩膜后的物体图像按原图像比例映射到所述原图像，得到物体区域。

在物体检测模块81识别到原图像中的初始物体区域后，将原图像以及识别的初始物体区域信息发送到物体分割模块82，物体分割模块82再依次将信息通过调整单元821、分割单元822以及掩膜映射单元823进行处理。

本实施例中，还包括：

图像处理模块83：用于对所述物体分割后图像进行闭运算，去除所述物体区域中的不连通区域。

其中，图像处理模块83接收物体分割模块82处理分割后的初始物体区域数据，再对初始物体区域进行处理，去除不连通区域。

区域提取模块84还包括：

连通域采集单元841：用于采集所述物体分割后图像中所有的连通域；

计算单元842：用于获取所述连通域中最大的连通域作为目标区域；

边界查找单元843：用于通过边界查找算法获取所述目标区域的边界，作为最大连通域边界。

区域提取模块84与图像处理模块83连接，接收图像处理模块83处理后的数据信息，并依次通过连通域采集单元841、计算单元842以及边界查找单元843进行数据处理。

本实施例中，还包括：

分析模块85：用于对所述最终物体区域进行细粒度图像分析，获取分析结果。

区域提取模块84通过将提取得到的最终物体区域发送给分析模块85，通过分析模块85进行细粒度图像分析。

通过对图像分割方法的优化，提高了物体分割的效率，减少投入成本，同时有效的消除了背景信息的干扰，能够提高细粒度图像分析的精度。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种图像中物体的分割方法，其特征在于，包括步骤：

S10：识别原图像，获取初始物体区域；

S20：对所述初始物体区域进行物体分割；

S40：获取物体分割后图像的最大连通域边界，计算所述最大连通域边界的外接矩形区域，以形成最终物体区域。

2.根据权利要求1所述的一种图像中物体的分割方法，其特征在于，所述步骤S20、S40之间还包括步骤：

S30：对物体分割后图像进行闭运算，去除所述物体分割后图像中的不连通区域。

3.根据权利要求1所述的一种图像中物体的分割方法，其特征在于，所述步骤S20具体包括步骤：

S201：将所述原图像按预设比例缩小，作为采样图像；

S202：通过预设图像分割方法对所述采样图像进行物体分割，得到物体图像；

S203：将所述物体图像进行二值掩膜，将所述二值掩膜后的物体图像按原图像比例映射到所述原图像，得到分割后图像。

4.根据权利要求1所述的一种图像中物体的分割方法，其特征在于，所述步骤S40还包括步骤：

S401：采集所述物体分割后图像中所有的连通域；

S402：获取所述连通域中最大的连通域作为目标区域；

S403：通过边界查找算法获取所述目标区域的边界，作为最大连通域边界。

5.根据权利要求1所述的一种图像中物体的分割方法，其特征在于，所述步骤S40之后还包括步骤：

S50：对所述最终物体区域进行细粒度图像分析，获取分析结果。

6.一种图像中物体的分割系统，其特征在于，包括：

物体检测模块：用于识别原图像，获取初始物体区域；

物体分割模块：用于对所述初始物体区域进行物体分割；

区域提取模块：用于获取物体分割后图像的最大连通域边界，计算所述最大连通域边界的外接矩形区域，以形成最终物体区域。

7.根据权利要求6所述的一种图像中物体的分割系统，其特征在于，所述系统还包括：

图像处理模块：用于对物体分割后图像进行闭运算，去除所述物体分割后图像中的不连通区域。

8.根据权利要求6所述的一种图像中物体的分割系统，其特征在于，所述物体分割模块包括：

调整单元：用于将所述原图像按预设比例缩小，作为采样图像；

分割单元：用于通过预设图像分割方法对所述采样图像进行物体分割，得到物体图像；

掩膜映射单元：用于将所述物体图像进行二值掩膜，将所述二值掩膜后的物体图像按原图像比例映射到所述原图像，得到分割后图像。

9.根据权利要求6所述的一种图像中物体的分割系统，其特征在于，所述区域提取模块还包括：

连通域采集单元：用于采集物体分割后图像中所有的连通域；

计算单元：用于获取所述连通域中最大的连通域作为目标区域；

边界查找单元：用于通过边界查找算法获取所述目标区域的边界，作为最大连通域边界。

10.根据权利要求6所述的一种图像中物体的分割系统，其特征在于，所述系统还包括：

分析模块：用于对所述最终物体区域进行细粒度图像分析，获取分析结果。