CN108960246B - 一种用于图像识别的二值化处理装置及方法 - Google Patents

一种用于图像识别的二值化处理装置及方法 Download PDF

Info

Publication number
CN108960246B
CN108960246B CN201810610963.1A CN201810610963A CN108960246B CN 108960246 B CN108960246 B CN 108960246B CN 201810610963 A CN201810610963 A CN 201810610963A CN 108960246 B CN108960246 B CN 108960246B
Authority
CN
China
Prior art keywords
image
layer
pixel points
pixel point
pixel
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
Application number
CN201810610963.1A
Other languages
English (en)
Other versions
CN108960246A (zh
Inventor
腾云
杨景刚
贾勇勇
魏旭
谢天喜
魏靖一
邓洁清
陶加贵
丁然
刘洋
高山
陶风波
张量
赵科
刘媛
李玉杰
李洪涛
刘通
宋思齐
卞超
谭婷月
陈双
钟岚
关为民
余亚玲
段晶晶
周仁彬
张略轩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
OPERATION BRANCH STATE GRID Corp OF CHINA
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Shenzhen Launch Digital Technology Co Ltd
Maintenance Branch of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
OPERATION BRANCH STATE GRID Corp OF CHINA
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Shenzhen Launch Digital Technology Co Ltd
Maintenance Branch of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by OPERATION BRANCH STATE GRID Corp OF CHINA, State Grid Corp of China SGCC, State Grid Jiangsu Electric Power Co Ltd, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd, Shenzhen Launch Digital Technology Co Ltd, Maintenance Branch of State Grid Jiangsu Electric Power Co Ltd filed Critical OPERATION BRANCH STATE GRID Corp OF CHINA
Priority to CN201810610963.1A priority Critical patent/CN108960246B/zh
Publication of CN108960246A publication Critical patent/CN108960246A/zh
Application granted granted Critical
Publication of CN108960246B publication Critical patent/CN108960246B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform

Abstract

本发明公开了一种用于图像识别的二值化处理装置及方法，包括：根据预设分辨率对待处理图像进行下采样操作构建图像金字塔；建立所述图像金字塔的顶层图像像素点和底层图像像素点之间的对应关系；对所述顶层图像像素点进行分类，并设定第一目标类；根据所述顶层图像像素点和所述底层图像像素点之间的对应关系将与顶层图像像素点中设定为第一目标类的像素点相对应的底层图像像素点标记为第二目标类，得到标记后的待处理图像；对标记后的待处理图像进行二值化处理，得到所述待处理图像的二值化图像。通过本发明方法，能够完整地、信息最大化地将目标物体从背景中分割出来。

Description

一种用于图像识别的二值化处理装置及方法
技术领域
本发明属于图像处理技术领域，尤其涉及一种用于图像识别的二值化处理装置及方法。
背景技术
图像的二值化处理是一种依据阈值将图像上的像素点的灰度值设置为0或255的过程。图像经过二值化处理后呈现出明显的黑白效果，有效提高了图像后处理(如轮廓检索、目标识别等)的效率，因此图像的二值化处理有着重要的意义。
通常情况下，一幅图像的形成包含目标物体以及背景(包括噪声)。如何完整地、信息最大化地将目标物体从各类背景中分割出来，是图像二值化处理的关键目标。
发明内容
本发明旨在以完整地、信息最大化地将目标物体从背景中分割出来实现图像二值化处理。
本发明第一方面提供了一种用于图像识别的二值化处理方法，包括：
步骤S101：根据预设分辨率对待处理图像进行下采样操作构建图像金字塔；
步骤S102：建立所述图像金字塔的顶层图像像素点和底层图像像素点之间的对应关系；
步骤S103：对所述顶层图像像素点进行分类，并设定第一目标类；
步骤S104：根据所述顶层图像像素点和所述底层图像像素点之间的对应关系将与顶层图像像素点中设定为第一目标类的像素点相对应的底层图像像素点标记为第二目标类，得到标记后的待处理图像；
步骤S105：对标记后的待处理图像进行二值化处理，得到所述待处理图像的二值化图像。
进一步地，对图像进行下采样操作确定图像金字塔层级的表达式如下；
Pi+1＝Γ(Pi) (1)
式(1)中，Pi+1表示所述图像金字塔的第i+1层图像，Pi表示所述图像金字塔的第i层图像，Γ(Pi)表示对所述图像金字塔的第i层图像进行下采样处理，i∈[1,N]，N表示所述图像金字塔的层数。
进一步地，对所述图像金字塔的第i层图像进行下采样处理的具体方法包括以下步骤：
步骤S11：通过式(2)求解第i层图像在像素点(x,y)处的高斯滤波器；
Figure GDA0002442421450000021
式(2)中，(m,n)指滤波器的维数，σ为正态分布标准偏差；
步骤S12：通过式(3)对所述第i层图像进行高斯卷积处理，并去除高斯卷积处理后的第i层图像中的偶数行列，获得第i+1层图像，表达式如下：
Figure GDA0002442421450000031
式(3)中，w(p,q)表示滤波器w(m,n)在(p,q)处的值，Ii+1(x,y)表示第i+1层图像在(x,y)处的像素值，Ii(2x+p,2y+q)表示第i层图像在(2x+p,2y+q)处的像素值。
进一步地，建立所述图像金字塔的顶层图像像素点和底层图像像素点之间的对应关系，包括：
步骤S21：根据图像像素点的RGB值依次计算所述图像金字塔从顶层到底层的每一层级的各像素点的三维特征向量；
步骤S22：依次计算第i层Pi中的每个像素点的三维特征向量与第i+1层Pi+1中的每个像素点的三维特征向量之间的距离；
步骤S23：基于最小距离分类的原则，依次以第i+1层中的每个像素点作为聚类中心，将第i层中的每个像素点分别归类到第i+1层中对应的聚类中心，确定第i+1层的像素点与第i层的像素点之间的对应关系；
步骤S24：根据所述第i+1层的像素点与所述第i层的像素点之间的对应关系，确定所述顶层图像像素点与所述底层像素点之间的对应关系。
进一步地，所述对所述顶层图像像素点进行分类，具体包括：
步骤S31：从所述顶层图像像素点中选取一个标准点，并分别计算每个顶层图像像素点与所述标准点的三维特征向量差值，生成三维特征向量差值点集；
步骤S32：基于密度可达的原则，分别对所述三维特征向量差值点集中的各个点进行分类并对类别标记；
进一步地，所述对标记后的图像进行二值化处理包括：
步骤S51：预先设定RGB的第一预定值和第二预定值；
步骤S52：将标记后的图像中所述第二目标类的像素点的RGB值设置为第一预设值；
步骤S53：将标记后的图像中未被标记为第二目标类的像素点的RGB值设置为第二预设值。
本发明第二方面还提供了一种图像的二值化处理装置，包括：
下采样单元，用于根据预设分辨率对待处理图像进行下采样操作构建图像金字塔；
建立单元，用于建立所述图像金字塔的顶层图像像素点和底层图像像素点之间的对应关系；
分类单元，用于对所述顶层图像像素点进行分类，并设定第一目标类；
标记单元，用于根据所述顶层图像像素点和所述底层图像像素点之间的对应关系将与顶层图像像素点中设定为第一目标类的像素点相对应的底层图像像素点标记为第二目标类；
二值化单元，用于对标记后的图像进行二值化处理，得到所述待处理图像的二值化图像。
本发明第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例第一方面提供的所述方法的步骤。
本发明第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明与现有技术相比存在的有益效果是：
本发明实施例通过建立图像金字塔，对顶层图像像素点进行分类，并通过顶层图像像素点与底层图像像素点支架的关系对底层图像像素点进行标记，根据标记结果对标记后的图像进行二值化处理。通过上述方法，能够完整地、信息最大化地将目标物体从背景中分割出来。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的图像的二值化处理方法的实现流程示意图；
图2是本发明实施例提供的图像的二值化处理装置的示意图；
图3是本实施例提供的图像金字塔的一个示意图；
图4是本实施例提供的顶层图像像素点的三维特征向量差值点集的示意图；
图5是本实施例提供的对顶层图像像素点进行分类的示意图；
图6是本实施例提供的待处理图像的二值化图像示意图；
图7是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1是本发明实施例提供的图像的二值化处理方法的实现流程示意图，如图所示，所述方法可以包括以下步骤：
步骤S101，：根据预设分辨率对待处理图像进行下采样操作构建图像金字塔。
其中，下采样是指对于一个样值序列间隔几个样值取样一次，这样得到新序列就是原序列的下采样。图像的下采样是指，对于一幅分辨率为M*N的图像，对其进行s倍下采样，即得到分辨率为(M/s)*(N/s)的图像，这里的s应该是M和N的公约数；换句话说，就是用大小为s*s的窗口对原始图像进行平滑，使得窗口内只存在一个像素点，这个像素点的值就是窗口内所有像素点的均值。
参见图3，图3是本实施例提供的图像金字塔的一个示意图。
图像金字塔是一系列以金字塔形状排列的分辨率逐步降低，且来源于同一张原始图像的图像集合。图像金字塔是通过对原始图像的下采样获得的，直到达到某个终止条件才停止采样。通常，将原始图像作为图像金字塔的底层图像。图像金字塔中，层级越高，则图像越小，分辨率越低。
可选的，所述根据预设分辨率对待处理图像进行下采样操作构建图像金字塔的表达式如下：
Pi+1＝Γ(Pi) (1)
式(1)中，Pi+1表示所述图像金字塔的第i+1层图像，Pi表示所述图像金字塔的第i层图像，Γ(Pi)表示对所述图像金字塔的第i层图像进行下采样处理，i∈[1,N]，N表示所述图像金字塔的层数。
其中，P1表示所述图像金字塔的底层图像，即所述待处理图像，PN表示所述图像金字塔的顶层图像，且分辨率小于或等于预设分辨率，预设分辨率可以是人为预先设定的。
示例性的，预设分辨率为16*16，待处理图像的分辨率为64*64，待处理图像为所述图像金字塔的底层图像。通过公式Pi+1＝Γ(Pi)对待处理图像进行下采样，得到第二层图像，第二层图像的分辨率为32*32，第二层图像的分辨率大于预设分辨率，所以继续对第二层图像进行下采样处理；通过公式Pi+1＝Γ(Pi)对第二层图像进行下采样，得到第三层图像，第三层图像的分辨率为16*16，第三层图像的分辨率等于预设分辨率，所以停止对第三层图像的下采样，并将第三层图像作为图像金字塔的顶层图像；到此为止，构建出待处理图像的图像金字塔，图像金字塔一共有三层图像。需要说明的是，上述只是对“图像进行下采样操作确定图像金字塔层级”的一个示例，并不对预设分辨率、待处理图像分辨率做具体限定。
进一步的，所述对图像金字塔的第i层图像进行下采样处理，包括以下步骤：
步骤S11：通过式(2)求解第i层图像在像素点(x,y)处的高斯滤波器；
Figure GDA0002442421450000091
式(2)中，(m,n)指滤波器的维数，σ为正态分布标准偏差；
步骤S12：通过式(3)对所述第i层图像进行高斯卷积处理，并去除高斯卷积处理后的第i层图像中的偶数行列，获得第i+1层图像，表达式如下：
Figure GDA0002442421450000092
式(3)中，w(p,q)表示滤波器w(m,n)在(p,q)处的值，Ii+1(x,y)表示第i+1层图像在(x,y)处的像素值，Ii(2x+p,2y+q)表示第i层图像在(2x+p,2y+q)处的像素值。
示例性的，预设分辨率为16*16，待处理图像的分辨率为64*64，待处理图像为所述图像金字塔的底层图像。对待处理图像按照公式
Figure GDA0002442421450000093
求解高斯滤波器，并通过公式
Figure GDA0002442421450000094
进行高斯卷积处理，去除高斯卷积处理后的底层图像中的偶数行列，得到第二层图像，第二层图像的分辨率为32*32，第二层图像的分辨率大于预设分辨率，所以继续对第二层图像进行下采样处理；对第二层图像按照公式
Figure GDA0002442421450000095
求解高斯滤波器，并通过公式
Figure GDA0002442421450000101
进行高斯卷积处理，去除高斯卷积处理后的第二层图像中的偶数行列，得到第三层图像，第三层图像的分辨率为16*16，第三层图像的分辨率等于预设分辨率，所以停止对第三层图像的下采样，并将第三层图像作为图像金字塔的顶层图像；到此为止，构建出待处理图像的图像金字塔。需要说明的是，上述只是对“图像金字塔的第i层图像进行下采样处理”的一个示例，并不对预设分辨率、待处理图像分辨率做具体限定。
步骤S102：建立所述图像金字塔的顶层图像像素点和底层图像像素点之间的对应关系；
可选的，所述建立所述顶层图像像素点和所述底层图像像素点之间的对应的关系，包括：
步骤S21：根据图像像素点的RGB值依次计算所述图像金字塔从顶层到底层的每一层级的各像素点的三维特征向量；
步骤S22：依次计算第i层Pi中的每个像素点的三维特征向量与第i+1层Pi+1中的每个像素点的三维特征向量之间的距离；
步骤S23：基于最小距离分类的原则，依次以第i+1层中的每个像素点作为聚类中心，将第i层中的每个像素点分别归类到第i+1层中对应的聚类中心，确定第i+1层的像素点与第i层的像素点之间的对应关系；
步骤S24：根据所述第i+1层的像素点与所述第i层的像素点之间的对应关系，确定所述顶层图像像素点与所述底层像素点之间的对应关系。
示例性的，假设图像金字塔中某一层图像的某个像素点的坐标为(x，y)，这一像素点的RGB值分别为rx，y、gx，y、bx，y，则该像素点的三维特征向量为：
fi(x，y)＝(rx，y、gx，y、bx，y)，
式中，fi(x，y)表示图像金字塔的第i层图像中的坐标为(x，y)的像素点的三维特征向量。
在实际应用中，按照从图像金字塔的顶层图像到底层图像的顺序，即图像金字塔从上到下的顺序，依次计算Pi中的每个像素点的三维特征向量与Pi+1中的每个像素点的三维特征向量之间的距离。示例性的，假设图像金字塔共有三层，则顶层图像为第三层图像，底层图像为第一层图像。按照图像金字塔从上到下的顺序，先计算第三层图像的每个像素点的三维特征向量与第二层图像的每个像素点的三维特征向量之间的距离，再计算第二层图像的每个像素点的三维特征向量与第一层图像的每个像素点的三维特征向量之间的距离。
在实际应用中，最小距离分类是分类器里面最基本的一种分类方法，它是通过求出待分类的向量到已知的各类别的中心向量的距离，然后将待分类的向量归类到最小距离对应的那一类别中。示例性的，第二层图像中有2个像素点，分别为A、B，第三层图像中有4个像素点，分别为1、2、3、4。以第二层图像中的A、B为聚类中心，即共有两类。分别计算像素点A与像素点1、2、3、4的三维特征向量之间的距离，分别计算像素点B与像素点1、2、3、4的三维二撰向量之间的距离(Dij表示第二层图像的第i个像素点与第三层图像的第j个像素点的三维特征向量之间的距离)；如果DA1<DB1,则基于最小分类的原则，将第三层图像的第1个像素点归类到第二层图像的A；依次类推，直到第三层图像中的4个像素点都被归类到第二层图像中的相应的像素点，即可获得第三层图像的像素点与第二层图像的像素点之间的对应关系。需要说明的是，上述只是根据最小距离分类原则进行分类的一个示例，其中，A、B、1、2、3、4只是用来表示不同的像素点，并不对像素点的个数及像素点的归类情况做具体限定。
其中，计算Pi中的每个像素点的三维特征向量与Pi+1中的每个像素点的三维特征向量之间的距离，这里的距离包括：欧式距离、马氏距离、曼哈顿距离、闵可夫斯基距离，这里不做具体限定。
在实际应用中，根据所述Pi+1的像素点与所述Pi的像素点之间的对应关系，得到所述顶层图像像素点与所述底层图像像素点之间的对应关系，换句话说，在获得图像金字塔的每两层相邻图像的像素点之间的对应关系之后，即可得到顶层图像像素点与底层图像像素点之间的对应关系。示例性的，假设图像金字塔共有三层，底层图像像素点有1、2、3、4、5、6、7、8，第二层图像像素点有A、B、C、D，顶层图像像素点有I、II。其中，获取到的顶层图像像素点与第二层图像像素点之间的对应关系为，像素点A、B归类为I，像素点C、D归类为II；获取到的第二层图像像素点与底层图像像素点的对应关系为，像素点1、2归类为A，像素点3、4归类为B，像素点5、6归类为C，像素点7、8归类为D；根据上述对应关系，可以得到顶层图像像素点与底层图像像素点之间的对应关系为，像素点1、2、3、4归类为I，像素点5、6、7、8归类为II。需要说明的是，上述只是“得到所述顶层图像像素点与所述底层图像像素点之间的对应关系”的一个示例，其中A、B、C、D和1-8以及I、II只是用来表示图像金字塔的不同层的不同像素点，并不对像素点的个数及像素点的归类情况做具体限定。
步骤S103：对所述顶层图像像素点进行分类，并设定第一目标类。
可选的，所述对所述顶层图像像素点进行分类，包括：
步骤S31：从所述顶层图像像素点中选取一个标准点，并分别计算每个顶层图像像素点与所述标准点的三维特征向量差值，生成三维特征向量差值点集；
步骤S32：基于密度可达的原则，分别对所述三维特征向量差值点集中的各个点进行分类并对类别标记。
参见图4，图4是本实施例提供的顶层图像像素点的三维特征向量差值点集的示意图。图4中，坐标系中的横纵坐标值分别表示三维特征向量的差值。
参见图5，图5是本实施例提供的对顶层图像像素点进行分类的示意图。
在实际应用中，直接密度可达是指，对于样本集合D，，如果样本点q在样本点p的E邻域内，并且p为核心对象，那么对象q从对象p直接密度可达。密度可达是指，对于样本集合D，给定一串样本点p1,p2,p3,...pn,p＝p1,q＝pn，假如对象pi从pi-1直接密度可达，那么对象q从对象p密度可达。密度可达是单向的，密度可达即可容纳同一类。
示例性的，顶层图像像素点共有4个，分别为A、B、C、D，将像素点1作为标准点，依次计算出4个像素点与像素点A的三维特征向量的差值为0、1、2、3(像素点A与其自身的三维特征向量的差值为0)，得到的三维特征向量差值点集为{0,1,2,3}；基于密度可达原则，对三维特征向量差值点集中的各个点进行类别标记，其中，差值0、1被标记为I类，差值2、3被标记为II类；从上述两类中选出第一目标类，假设I类为第一目标类；根据上述标记可知，差值0、1属于第一目标类，差值0、1对应的顶层图像像素点为A、B，所以，像素点A、B属于第一目标类。需要说明的是，其中A、B、C、D用来表示不同的顶层图像像素点，I和II只是用来表示不同的目标类，上述只是一个示例，并不对顶层图像像素点的个数、像素点的归类情况、目标类的数量以及三维特征向量差值做具体限定。
步骤S104，根据所述顶层图像像素点和所述底层图像像素点之间的对应关系将与顶层图像像素点中设定为第一目标类的像素点相对应的底层图像像素点标记为第二目标类,得到标记后的待处理图像。
示例性的，顶层图像像素点A、B属于第一目标类，顶层图像像素点和底层图像像素点之间的对应关系为，底层图像像素点1、2归类与A，底层图像像素点3、4归类于B。在底层图像中，与第一目标类中的顶层图像像素点A、B对应的底层图像像素点为1、2、3、4，则底层图像像素点1、2、3、4被标记为第二目标类。
步骤S105，对标记后的待处理图像进行二值化处理，得到所述待处理图像的二值化图像。
可选的，所述对所述标记后的待处理图像进行二值化处理，包括：
步骤S51：预先设定RGB的第一预定值和第二预定值；
步骤S52：将标记后的图像中所述第二目标类的像素点的RGB值设置为第一预设值；
步骤S53：将标记后的图像中未被标记为第二目标类的像素点的RGB值设置为第二预设值。
在实际应用中个，只要第一预设值和第一预设值使得待处理图像中被标记为第一目标类的像素点能够明显区别于未被标记为第二目标类的像素点即可，并不对预设值做具体限定。示例性的，将所述待处理图像中被标记为第二目标类的像素点的RGB值设置为255，将所述待处理图像中未被标记为第二目标类的像素点的RGB值设置为0。
示例性的，参见图6，图6是本实施例提供的待处理图像的二值化图像示意图。图6中的(a)为待处理图像，图6中的(b)、(c)、(d)分别为标记不同第一目标类得到的待处理图像的二值化图像。将图6中的(a)的待处理图像的图像金字塔的顶层图像进行分类，共分为3类，将第1类标记为第一目标类时，得到的是图6中的(b)，将第2类标记为第一目标类时，得到的是图6中的(c)，将第3类标记为第一目标类时，得到的是图6中的(d)。
本实施例通过对待处理图像进行下采样，构建所述待处理图像的图像金字塔，所述图像金字塔的底层图像为所述待处理图像；将所述图像金字塔的顶层图像的像素点标记为顶层图像像素点，将所述图像金字塔的底层图像的像素点标记为底层图像像素点，并建立所述顶层图像像素点和底层图像像素点之间的对应的关系；对所述顶层图像像素点进行分类，并标记出第一目标类；根据所述顶层图像像素点和所述底层图像像素点之间的对应的关系，在所述待处理图像中，找到与所述目标类中的顶层图像像素点对应的底层图像像素点，并在所述待处理图像中，将找到的底层图像像素点标记为第二目标类，得到标记后的待处理图像；对所述标记后的待处理图像进行二值化处理，得到所述待处理图像的二值化图像。通过上述方法，能够完整地、信息最大化地将目标物体从背景中分割出来。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图2是本发明实施例提供的图像的二值化处理装置的示意图，为了便于说明，仅示出与本发明实施例相关的部分。
本发明还公开了一种用于图像识别的二值化处理装置2，包括：
下采样单元21，用于根据预设分辨率对待处理图像进行下采样操作构建图像金字塔。
建立单元22，用于建立所述图像金字塔的顶层图像像素点和底层图像像素点之间的对应关系。
分类单元23，用于对所述顶层图像像素点进行分类，并设定第一目标类。
标记单元24，用于根据所述顶层图像像素点和所述底层图像像素点之间的对应关系将与顶层图像像素点中设定为第一目标类的像素点相对应的底层图像像素点标记为第二目标类。
二值化单元25，用于对标记后的图像进行二值化处理，得到所述待处理图像的二值化图像。
可选的，所述下采样单元21通过下式对待处理图像进行下采样操作构建图像金字塔层级：：
Pi+1＝Γ(Pi) (1)
式(1)中，Pi+1表示所述图像金字塔的第i+1层图像，Pi表示所述图像金字塔的第i层图像，Γ(Pi)表示对所述图像金字塔的第i层图像进行下采样处理，i∈[1,N]，N表示所述图像金字塔的层数。
进一步的，所述下采样单元21还用于：
通过式(2)求解第i层图像在像素点(x,y)处的
Figure GDA0002442421450000171
式(2)中，(m,n)指滤波器的维数，σ为正态分布标准偏差。
通过式(3)对所述第i层图像进行高斯卷积处理，并去除高斯卷积处理后的第i层图像中的偶数行列，获得第i+1层图像，表达式如下：
Figure GDA0002442421450000172
式(3)中，w(p,q)表示滤波器w(m,n)在(p,q)处的值，Ii+1(x,y)表示第i+1层图像在(x,y)处的像素值，Ii(2x+p,2y+q)表示第i层图像在(2x+p,2y+q)处的像素值。
可选的，所述建立单元22包括：
获取模块，用于根据图像像素点的RGB值依次计算所述图像金字塔从顶层到底层的每一层级的各像素点的三维特征向量。
第一计算模块，用于依次计算第i层Pi中的每个像素点的三维特征向量与第i+1层Pi+1中的每个像素点的三维特征向量之间的距离。
归类模块，用于基于最小距离分类的原则，依次以第i+1层中的每个像素点作为聚类中心，将第i层中的每个像素点分别归类到第i+1层中对应的聚类中心，确定第i+1层的像素点与第i层的像素点之间的对应关系。
关系对应模块，用于根据所述第i+1层的像素点与所述第i层的像素点之间的对应关系，确定所述顶层图像像素点与所述底层像素点之间的对应关系。
可选的，所述分类单元23包括：
第二计算模块，用于从所述顶层图像像素点中选取一个标准点，并分别计算每个顶层图像像素点与所述标准点的三维特征向量差值，生成三维特征向量差值点集。
标记模块，用于基于密度可达的原则，分别对所述三维特征向量差值点集中的各个点进行分类并对类别标记。
可选的，所述二值化单元25包括：
预定模块，用于预先设定RGB的第一预定值和第二预定值。
第一设置模块，用于将标记后的图像中所述第二目标类的像素点的RGB值设置为第一预设值。
第二设置模块，用于将标记后的图像中未被标记为第二目标类的像素点的RGB值设置为第二预设值。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图7是本发明实施例提供的终端设备的示意图。如图7所示，该实施例的终端设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个图像的二值化处理方法实施例中的步骤，例如图1所示的步骤S101至步骤S105；或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块21至25的功能。
示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述终端设备7中的执行过程。例如，所述计算机程序72可以被分割成下采样单元、建立单元、分类单元、标记单元、二值化单元，各单元具体功能和处理器执行计算机程序实现各单元具体功能的步骤如下：
下采样单元21，用于根据预设分辨率对待处理图像进行下采样操作构建图像金字塔。
建立单元22，用于建立所述图像金字塔的顶层图像像素点和底层图像像素点之间的对应关系。
分类单元23，用于对所述顶层图像像素点进行分类，并设定第一目标类。
标记单元24，用于根据所述顶层图像像素点和所述底层图像像素点之间的对应关系将与顶层图像像素点中设定为第一目标类的像素点相对应的底层图像像素点标记为第二目标类。
二值化单元25，用于对标记后的图像进行二值化处理，得到所述待处理图像的二值化图像。
可选的，所述下采样单元21通过下式对待处理图像进行下采样操作构建图像金字塔层级：：
Pi+1＝Γ(Pi) (1)
式(1)中，Pi+1表示所述图像金字塔的第i+1层图像，Pi表示所述图像金字塔的第i层图像，Γ(Pi)表示对所述图像金字塔的第i层图像进行下采样处理，i∈[1,N]，N表示所述图像金字塔的层数。
进一步的，所述下采样单元21还用于：
通过式(2)求解第i层图像在像素点(x,y)处的高斯滤波器；
Figure GDA0002442421450000211
式(2)中，(m,n)指滤波器的维数，σ为正态分布标准偏差。
通过式(3)对所述第i层图像进行高斯卷积处理，并去除高斯卷积处理后的第i层图像中的偶数行列，获得第i+1层图像，表达式如下：
Figure GDA0002442421450000212
式(3)中，w(p,q)表示滤波器w(m,n)在(p,q)处的值，Ii+1(x,y)表示第i+1层图像在(x,y)处的像素值，Ii(2x+p,2y+q)表示第i层图像在(2x+p,2y+q)处的像素值。
可选的，所述建立单元22包括：
获取模块，用于根据图像像素点的RGB值依次计算所述图像金字塔从顶层到底层的每一层级的各像素点的三维特征向量。
第一计算模块，用于依次计算第i层Pi中的每个像素点的三维特征向量与第i+1层Pi+1中的每个像素点的三维特征向量之间的距离。
归类模块，用于基于最小距离分类的原则，依次以第i+1层中的每个像素点作为聚类中心，将第i层中的每个像素点分别归类到第i+1层中对应的聚类中心，确定第i+1层的像素点与第i层的像素点之间的对应关系。
关系对应模块，用于根据所述第i+1层的像素点与所述第i层的像素点之间的对应关系，确定所述顶层图像像素点与所述底层像素点之间的对应关系。
可选的，所述分类单元23包括：
第二计算模块，用于从所述顶层图像像素点中选取一个标准点，并分别计算每个顶层图像像素点与所述标准点的三维特征向量差值，生成三维特征向量差值点集。
标记模块，用于基于密度可达的原则，分别对所述三维特征向量差值点集中的各个点进行分类并对类别标记。
可选的，所述二值化单元25包括：
预定模块，用于预先设定RGB的第一预定值和第二预定值。
第一设置模块，用于将标记后的图像中所述第二目标类的像素点的RGB值设置为第一预设值。
第二设置模块，用于将标记后的图像中未被标记为第二目标类的像素点的RGB值设置为第二预设值。
所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是终端设备7的示例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备，例如所述终端设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以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；而这些修改或者替换，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，均应包含在本发明的保护范围之内。

Claims (9)

1.一种用于图像识别的二值化处理方法，其特征在于，包括：
步骤S101：根据预设分辨率对待处理图像进行下采样操作构建图像金字塔；
步骤S102：建立所述图像金字塔的顶层图像像素点和底层图像像素点之间的对应关系；
步骤S103：对所述顶层图像像素点进行分类，并设定第一目标类；
步骤S104：根据所述顶层图像像素点和所述底层图像像素点之间的对应关系将与顶层图像像素点中设定为第一目标类的像素点相对应的底层图像像素点标记为第二目标类，得到标记后的待处理图像；
步骤S105：对标记后的待处理图像进行二值化处理，得到所述待处理图像的二值化图像；其中建立所述图像金字塔的顶层图像像素点和底层图像像素点之间的对应关系，包括：
步骤S21：根据图像像素点的RGB值依次计算所述图像金字塔从顶层到底层的每一层级的各像素点的三维特征向量；
步骤S22：依次计算第i层Pi中的每个像素点的三维特征向量与第i+1层Pi+1中的每个像素点的三维特征向量之间的距离；
步骤S23：基于最小距离分类的原则，依次以第i+1层中的每个像素点作为聚类中心，将第i层中的每个像素点分别归类到第i+1层中对应的聚类中心，确定第i+1层的像素点与第i层的像素点之间的对应关系；
步骤S24：根据所述第i+1层的像素点与所述第i层的像素点之间的对应关系，确定所述顶层图像像素点与所述底层像素点之间的对应关系。
2.如权利要求1所述的一种用于图像识别的二值化处理方法，其特征在于，根据预设分辨率对待处理图像进行下采样操作构建图像金字塔的表达式如下：
Pi+1＝Γ(Pi) (1)
式(1)中，Pi+1表示所述图像金字塔的第i+1层图像，Pi表示所述图像金字塔的第i层图像，Γ(Pi)表示对所述图像金字塔的第i层图像进行下采样处理，i∈[1,N]，N表示所述图像金字塔的层数。
3.如权利要求2所述的一种用于图像识别的二值化处理方法，其特征在于，对所述图像金字塔的第i层图像进行下采样处理的具体方法包括以下步骤：
步骤S11：通过式(2)求解第i层图像在像素点(x,y)处的高斯滤波器：
Figure FDA0002442421440000021
式(2)中，(m,n)指滤波器的维数，σ为正态分布标准偏差；
步骤S12：通过式(3)对所述第i层图像进行高斯卷积处理，并去除高斯卷积处理后的第i层图像中的偶数行列，获得第i+1层图像，表达式如下：
Figure FDA0002442421440000031
式(3)中，w(p,q)表示滤波器在(p,q)处的值，Ii+1(x,y)表示第i+1层图像在(x,y)处的像素值，Ii(2x+p,2y+q)表示第i层图像在(2x+p,2y+q)处的像素值。
4.如权利要求1所述的一种用于图像识别的二值化处理方法，其特征在于，对所述顶层图像像素点进行分类，具体包括：
步骤S31：从所述顶层图像像素点中选取一个标准点，并分别计算每个顶层图像像素点与所述标准点的三维特征向量差值，生成三维特征向量差值点集；
步骤S32：基于密度可达的原则，分别对所述三维特征向量差值点集中的各个点进行分类并对类别标记。
5.如权利要求1所述的一种用于图像识别的二值化处理方法，其特征在于，所述对标记后的图像进行二值化处理包括：
步骤S51：预先设定RGB的第一预定值和第二预定值；
步骤S52：将标记后的图像中所述第二目标类的像素点的RGB值设置为第一预设值；
步骤S53：将标记后的图像中未被标记为第二目标类的像素点的RGB值设置为第二预设值。
6.一种用于图像识别的二值化处理装置，其特征在于，包括：
下采样单元，用于根据预设分辨率对待处理图像进行下采样操作构建图像金字塔；
建立单元，用于建立所述图像金字塔的顶层图像像素点和底层图像像素点之间的对应关系；
分类单元，用于对所述顶层图像像素点进行分类，并设定第一目标类；
标记单元，用于根据所述顶层图像像素点和所述底层图像像素点之间的对应关系将与顶层图像像素点中设定为第一目标类的像素点相对应的底层图像像素点标记为第二目标类；
二值化单元，用于对标记后的图像进行二值化处理，得到所述待处理图像的二值化图像；
所述建立单元，用于执行以下步骤：
步骤S21：根据图像像素点的RGB值依次计算所述图像金字塔从顶层到底层的每一层级的各像素点的三维特征向量；
步骤S22：依次计算第i层Pi中的每个像素点的三维特征向量与第i+1层Pi+1中的每个像素点的三维特征向量之间的距离；
步骤S23：基于最小距离分类的原则，依次以第i+1层中的每个像素点作为聚类中心，将第i层中的每个像素点分别归类到第i+1层中对应的聚类中心，确定第i+1层的像素点与第i层的像素点之间的对应关系；
步骤S24：根据所述第i+1层的像素点与所述第i层的像素点之间的对应关系，确定所述顶层图像像素点与所述底层像素点之间的对应关系。
7.如权利要求6所述一种用于图像识别的二值化处理装置，其特征在于，所述下采样单元通过下式对待处理图像进行下采样操作构建图像金字塔层级：
Pi+1＝Γ(Pi) (1)
式1中，Pi+1表示所述图像金字塔的第i+1层图像，Pi表示所述图像金字塔的第i层图像，Γ(Pi)表示对所述图像金字塔的第i层图像进行下采样处理，i∈[1,N]，N表示所述图像金字塔的层数。
8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行计算机程序按照以下步骤执行：
步骤S101：根据预设分辨率对待处理图像进行下采样操作构建图像金字塔；其中对图像进行下采样操作确定图像金字塔层级的表达式如下；
Pi+1＝Γ(Pi)； (1)
式1中，Pi+1表示所述图像金字塔的第i+1层图像，Pi表示所述图像金字塔的第i层图像，Γ(Pi)表示对所述图像金字塔的第i层图像进行下采样处理，i∈[1,N]，N表示所述图像金字塔的层数；
对所述图像金字塔的第i层图像进行下采样处理的具体方法包括以下步骤：
步骤S11：通过式2求解第i层图像在像素点(x,y)处的高斯滤波器；
Figure FDA0002442421440000051
式2中，(m,n)指滤波器的维数，σ为正态分布标准偏差；
步骤S12：通过式3对所述第i层图像进行高斯卷积处理，并去除高斯卷积处理后的第i层图像中的偶数行列，获得第i+1层图像，表达式如下：
Figure FDA0002442421440000061
式3中，w(p,q)表示滤波器w(m,n)在(p,q)处的值，Ii+1(x,y)表示第i+1层图像在(x,y)处的像素值，Ii(2x+p,2y+q)表示第i层图像在(2x+p,2y+q)处的像素值；
步骤S102：建立所述图像金字塔的顶层图像像素点和底层图像像素点之间的对应关系，具体包括：
步骤S21：根据图像像素点的RGB值依次计算所述图像金字塔从顶层到底层的每一层级的各像素点的三维特征向量；
步骤S22：依次计算第i层Pi中的每个像素点的三维特征向量与第i+1层Pi+1中的每个像素点的三维特征向量之间的距离；
步骤S23：基于最小距离分类的原则，依次以第i+1层中的每个像素点作为聚类中心，将第i层中的每个像素点分别归类到第i+1层中对应的聚类中心，确定第i+1层的像素点与第i层的像素点之间的对应关系；
步骤S24：根据所述第i+1层的像素点与所述第i层的像素点之间的对应关系，确定所述顶层图像像素点与所述底层像素点之间的对应关系；
步骤S103：对所述顶层图像像素点进行分类，并设定第一目标类；
对所述顶层像素点进行分类，具体包括：
步骤S31：从所述顶层图像像素点中选取一个标准点，并分别计算每个顶层像素点与所述标准点的三维特征向量差值，生成三维特征向量差值点集；
步骤S32：基于密度可达的原则，分别对所述三维特征向量差值点集中的各个点进行分类并对类别标记；
步骤S104：根据所述顶层图像像素点和所述底层图像像素点之间的对应关系将与顶层图像像素点中设定为第一目标类的像素点相对应的底层图像像素点标记为第二目标类，得到标记后的待处理图像；
步骤S105：对标记后的待处理图像进行二值化处理，得到所述待处理图像的二值化图像，具体包括：
步骤S51：预先设定RGB第一预定值和RGB第二预定值；
步骤S52：将标记后的图像中所述第二目标类的像素点的RGB值设置为第一预设值；
步骤S53：将标记后的图像中未被标记为第二目标类的像素点的RGB值设置为第二预设值。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～5任意一项项所述方法的步骤。
CN201810610963.1A 2018-06-14 2018-06-14 一种用于图像识别的二值化处理装置及方法 Active CN108960246B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810610963.1A CN108960246B (zh) 2018-06-14 2018-06-14 一种用于图像识别的二值化处理装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810610963.1A CN108960246B (zh) 2018-06-14 2018-06-14 一种用于图像识别的二值化处理装置及方法

Publications (2)

Publication Number Publication Date
CN108960246A CN108960246A (zh) 2018-12-07
CN108960246B true CN108960246B (zh) 2020-06-16

Family

ID=64488661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810610963.1A Active CN108960246B (zh) 2018-06-14 2018-06-14 一种用于图像识别的二值化处理装置及方法

Country Status (1)

Country Link
CN (1) CN108960246B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443820B (zh) * 2019-07-03 2023-07-14 平安科技（深圳）有限公司 一种图像处理方法以及装置
CN110390364B (zh) * 2019-07-31 2022-10-14 莆田学院 图像分类方法及装置
CN111161289B (zh) * 2019-12-26 2023-08-08 杭州格像科技有限公司 图像中物体轮廓精度提升方法、装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102063623A (zh) * 2010-12-28 2011-05-18 中南大学 一种结合自底向上和自顶向下的图像感兴趣区域提取方法
CN102800094A (zh) * 2012-07-13 2012-11-28 南京邮电大学 一种快速彩色图像分割方法
CN103020628A (zh) * 2012-11-30 2013-04-03 北京理工大学 一种基于rgb对比图像与目标形状的烟雾检测方法
CN108009542A (zh) * 2017-11-01 2018-05-08 华中农业大学 油菜大田环境下杂草图像分割方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184550B (zh) * 2011-05-04 2013-02-13 华中科技大学 一种动平台地面运动目标检测方法
CN102214298B (zh) * 2011-06-20 2013-10-16 复旦大学 基于选择性视觉注意机制的遥感图像机场目标检测与识别方法
CN102419820A (zh) * 2011-08-18 2012-04-18 电子科技大学 一种快速检测视频与图像中汽车车标的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102063623A (zh) * 2010-12-28 2011-05-18 中南大学 一种结合自底向上和自顶向下的图像感兴趣区域提取方法
CN102800094A (zh) * 2012-07-13 2012-11-28 南京邮电大学 一种快速彩色图像分割方法
CN103020628A (zh) * 2012-11-30 2013-04-03 北京理工大学 一种基于rgb对比图像与目标形状的烟雾检测方法
CN108009542A (zh) * 2017-11-01 2018-05-08 华中农业大学 油菜大田环境下杂草图像分割方法

Also Published As

Publication number Publication date
CN108960246A (zh) 2018-12-07

Similar Documents

Publication Publication Date Title
CN108920580B (zh) 图像匹配方法、装置、存储介质及终端
CN110414507B (zh) 车牌识别方法、装置、计算机设备和存储介质
JP5594852B2 (ja) 物体認識用のヒストグラム方法及びシステム
CN102667810B (zh) 数字图像中的面部识别
JP5775225B2 (ja) マルチレイヤ連結成分をヒストグラムと共に用いるテキスト検出
US20160307057A1 (en) Fully Automatic Tattoo Image Processing And Retrieval
CN109117773B (zh) 一种图像特征点检测方法、终端设备及存储介质
CN110852311A (zh) 一种三维人手关键点定位方法及装置
CN110991533B (zh) 图像识别方法、识别装置、终端设备及可读存储介质
CN111079785A (zh) 一种图像识别方法、装置及终端设备
JP2013012190A (ja) ガボールフィルターをブロックガボールフィルターとして近似する方法、及び、プロセッサ上で実行されているアプリケーションプログラムによるアクセスのためのデータ構造を格納するメモリ
CN108564579B (zh) 一种基于时空相关的混凝土裂缝检测方法及检测装置
CN108960246B (zh) 一种用于图像识别的二值化处理装置及方法
CN108717744B (zh) 识别金融单据上的印章序号的方法、装置及终端设备
CN107578011A (zh) 视频关键帧的判定方法及装置
CN110570442A (zh) 一种复杂背景下轮廓检测方法、终端设备及存储介质
CN111160169A (zh) 人脸检测方法、装置、设备及计算机可读存储介质
WO2021051939A1 (zh) 一种证件区域定位的方法及装置
CN112507897A (zh) 跨模态人脸识别方法、装置、设备及存储介质
CN110232381B (zh) 车牌分割方法、装置、计算机设备及计算机可读存储介质
CN112651953A (zh) 图片相似度计算方法、装置、计算机设备及存储介质
CN111373393A (zh) 图像检索方法和装置以及图像库的生成方法和装置
JP7121132B2 (ja) 画像処理方法、装置及び電子機器
CN111488811A (zh) 人脸识别方法、装置、终端设备及计算机可读介质
CN108629219B (zh) 一种识别一维码的方法及装置

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