CN108986119A - 图像分割方法及装置、计算机设备及可读存储介质 - Google Patents
图像分割方法及装置、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN108986119A CN108986119A CN201810823610.XA CN201810823610A CN108986119A CN 108986119 A CN108986119 A CN 108986119A CN 201810823610 A CN201810823610 A CN 201810823610A CN 108986119 A CN108986119 A CN 108986119A
- Authority
- CN
- China
- Prior art keywords
- block
- pixel
- super
- image
- gray value
- 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.)
- Granted
Links
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
- G06T7/11—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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20036—Morphological image processing
- G06T2207/20041—Distance transform
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种图像分割方法及装置、计算机设备及可读存储介质。该方法包括：对待分割图像进行超像素预分割以得到超像素图像，并对待分割图像进行二值化处理，得到二值图像；将超像素图像与二值图像结合，得到二值化超像素图像；对二值化超像素图像进行距离变化，得到梯度均匀的灰度超像素图像；对灰度超像素图像进行种子点标记，得到种子点灰度值大于1且整体目标区域中除种子点之外其他像素块的灰度值为1的种子点超像素图像；对种子点超像素图像中灰度值为1的像素块进行标记填充，得到不同目标区域中像素块灰度值为各目标区域中种子点灰度值且标记出不同目标区域之间的边界像素块的分割图像。本发明可精确高效地实现图像分割。
Description
技术领域
本发明涉及计算机视觉技术领域。更具体地，涉及一种图像分割方法及装置、计算机设备及可读存储介质。
背景技术
针对包含相互粘连目标的图像，现有的图像分割方法包括以下几种：
第一种为腐蚀膨胀法：腐烛膨胀法是主要针对凝聚颗粒二值图像处理所采取的方法，通过采用二值腐烛算法处理目标图像，直至得到清晰的单一目标。去除目标以外的对象，利用膨胀算法对提取的目标进行再次处理，便可得到还原颗粒，若以此二值图像为窗口，就可以从原始图像中找出对应区域。
第二种为测地重建法：测地重建法对于连通性图像的处理效果极为明显，通过引入测地形态学中的几个重要概念，重新构造图像处理算法。得到的算法比腐烛膨胀法用到的两种算法更为有效。
第三种为分水岭算法：分水岭算法实际上是对灰度图像进行了测地形态变换，其将边缘得到增强的灰度图像近似为地质图，地理高度利用像素亮度值进行描述；山脉利用图像边缘和边界进行描述；低谷以及盆地利用图像背景(或目标区)进行描述。
上述三种方法均从数学形态学演变而来，具有易于实现的优点。但由于二值图像本身的限制，对于粘连现象较严重的图像，上述三种方法均会出现较严重的欠分割或过分割现象，图像分割的精度较低且效率较低。
因此，需要提供一种可精确高效地实现图像分割的图像分割方法及装置、计算机设备及可读存储介质。
发明内容
本发明的目的在于提供一种可精确高效地实现图像分割的图像分割方法及装置、计算机设备及可读存储介质。
为达到上述目的，本发明采用下述技术方案：
本发明第一方面提供了一种图像分割方法，包括：
对待分割图像进行超像素预分割以得到超像素图像，并对待分割图像进行二值化处理，得到整体目标区域像素点灰度值为1且背景区域像素点灰度值为0的二值图像；
根据与超像素图像中各像素块位置对应的二值图像中像素点的灰度值为1与为0的个数比例，得到整体目标区域像素块灰度值为1且背景区域像素块灰度值为0的二值化超像素图像；
对二值化超像素图像进行距离变化，得梯度均匀的灰度超像素图像；
对灰度超像素图像进行种子点标记，得到种子点灰度值大于1且整体目标区域中除种子点之外其他像素块的灰度值为1的种子点超像素图像；
对种子点超像素图像中灰度值为1的像素块进行标记填充，得到不同目标区域中像素块灰度值为各目标区域中种子点灰度值且标记出不同目标区域之间的边界像素块的分割图像。
本发明第一方面提供的图像分割方法，在现有的分水岭算法的原理上进行改进，能够有效定位出图像中相互粘连的各目标的轮廓曲线，实现完整的分割，且不会出现欠分割和过分割现象，图像分割的精度高。另一方面，本发明第一方面提供的图像分割方法结合了超像素图像分割算法，通过利用超像素图像分割算法进行预分割，有效的提高了图像分割效率。综上，本发明第一方面提供的图像分割方法可精确高效地实现图像分割，适用于各种包含相互粘连目标的图像的分割，尤其是适用于对粘连、重叠的细胞图像或拥挤人群图像等多种场景的包含相互粘连的同类目标的图像的分割。
优选地，所述对二值化超像素图像进行距离变化，得到梯度均匀的灰度超像素图像进一步包括：
设置与二值化超像素中像素块位置对应且像素块灰度值初值为0的灰度超像素图像；
遍历二值化超像素图像中的各像素块：若当前像素块灰度值非0且当前像素块的相邻像素块中存在至少一个灰度值为0的像素块，则将灰度超像素图像中的与所述当前像素块对应的像素块的灰度值赋值为0，并将灰度超像素图像中的与所述当前像素块的相邻像素块中的灰度值非0的像素块对应的像素块的灰度值+1；
遍历完二值化超像素图像中的所有像素块后，得到梯度均匀的灰度超像素图像。
该优选方式可精确高效地得到各目标区域中心至边缘的灰度值逐渐降低的梯度均匀的灰度超像素图像。
优选地，所述对灰度超像素图像进行种子点标记，得到种子点灰度值大于1且各目标区域中除种子点之外其他像素块的灰度值为1的种子点超像素图像进一步包括：
设置与灰度超像素图像中像素块位置对应且像素块灰度值初值为0的种子点超像素图像；
获取灰度超像素图像中像素块灰度值的最大值，设置种子点灰度阈值并设置搜索灰度值的初值为1；
标记步骤：遍历灰度超像素图像中灰度值为搜索灰度值的像素块：若当前像素块的N邻域内的像素块的灰度值之和为0，则将种子点超像素图像中的与所述当前像素块对应的像素块的灰度值赋值为0；若当前像素块的N邻域内的像素块的灰度值之和非0，则判断当前像素块的N邻域内的像素块的灰度值之和是否大于等于种子点灰度阈值，如果是则将种子点超像素图像中的与所述当前像素块对应的像素块作为种子点并将其灰度值赋值为所述当前像素块的灰度值，如果否则将种子点超像素图像中的与所述当前像素块对应的像素块的灰度值赋值为1；其中，所述N邻域为当前像素块的相邻像素块和相隔1至N-1个像素块的像素块组成的邻域；
将搜索灰度值+1，转入上述标记步骤，直至搜索灰度值大于灰度超像素图像中像素块灰度值的最大值，得到种子点灰度值大于1且各目标区域中除种子点之外其他像素块的灰度值为1的种子点超像素图像。
该优选方式可精确高效地得到各目标中作为种子点的像素块，并剔除灰度值异常的像素块。
优选地，在所述对种子点超像素图像中各目标区域中的除种子点之外其他像素块进行标记填充，得到不同目标区域中像素块灰度值为各目标区域中种子点灰度值且标记出不同目标区域之间的边界像素块的分割图像之前，该方法还包括对种子点超像素图像中位置相近的种子点进行合并，并更新种子点超像素图像。
优选地，所述对种子点超像素图像中位置相近的种子点进行合并，并更新种子点超像素图像进一步包括：
遍历种子点超像素图像中各种子点，若当前种子点的N邻域内存在另外至少一个种子点，则以当前种子点和所述另外至少一个种子点之间相对中心位置的像素块作为新的种子点，将新的种子点的灰度值赋值为所述当前种子点的灰度值并将当前种子点和所述另外至少一个种子点的灰度值赋值为1，更新种子点超像素图像。
该优选方式可进一步保证避免出现过分割现象。
优选地，所述对种子点超像素图像中灰度值为1的像素块进行标记填充，得到不同目标区域中像素块灰度值为各目标区域中种子点灰度值且标记出不同目标区域之间的边界像素块的分割图像进一步包括：
遍历种子点超像素图像中灰度值为1的各像素块：若当前像素块的N邻域内存在一个种子点，则将当前像素块的灰度值赋值为该种子点的灰度值，实现填充；若当前像素块的N邻域内存在多个种子点，则将当前像素块标记为不同目标区域之间的边界像素块；
遍历完种子点超像素图像中灰度值为1的所有像素块后，得到不同目标区域中像素块灰度值为各目标区域中种子点灰度值且标记出不同目标区域之间的边界像素块的分割图像。
该优选方式可精确高效地得到标记出不同目标区域之间的边界像素块的分割图像。
优选地，所述对种子点超像素图像中灰度值为1的像素块进行标记填充，得到不同目标区域中像素块灰度值为各目标区域中种子点灰度值且标记出不同目标区域之间的边界像素块的分割图像之后，该方法还包括：
标记边界线，所述边界线由边界像素块组成的边界区域中相对中心位置的像素点组成，且所述边界线与相邻目标区域的种子点之间的连线垂直。
该优选方式可得到更加精确的图像分割标识。
本发明第二方面提供了一种执行如本发明第一方面提供的图像分割方法的图像分割装置，包括：
超像素图像生成单元，对待分割图像进行超像素预分割，得到超像素图像；
二值图像生成单元，对待分割图像进行二值化处理，得到整体目标区域像素点灰度值为1且背景区域像素点灰度值为0的二值图像；
二值化超像素图像生成单元，根据与超像素图像中各像素块位置对应的二值图像中像素点的灰度值为1与为0的个数比例，得到整体目标区域像素块灰度值为1且背景区域像素块灰度值为0的二值化超像素图像；
灰度超像素图像生成单元，对二值化超像素图像进行距离变化，得到梯度均匀的灰度超像素图像；
种子点超像素图像生成单元，得到种子点灰度值大于1且整体目标区域中除种子点之外其他像素块的灰度值为1的种子点超像素图像；
分割图像生成单元，对种子点超像素图像中灰度值为1的像素块进行标记填充，得到不同目标区域中像素块灰度值为各目标区域中种子点灰度值且标记出不同目标区域之间的边界像素块的分割图像。
本发明第三方面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第一方面提供的图像分割方法。
本发明第四方面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第一方面提供的图像分割方法。
本发明的有益效果如下：
本发明所述技术方案能够有效定位出图像中相互粘连的各目标的轮廓曲线，实现完整的分割，且不会出现欠分割和过分割现象，图像分割的精度高。另一方面，本发明所述技术方案结合了超像素图像分割算法，通过利用超像素图像分割算法进行预分割，有效的提高了图像分割效率。综上，本发明第一方面提供的图像分割方法可精确高效地实现图像分割，适用于各种包含相互粘连目标的图像的分割，尤其是适用于对粘连、重叠的细胞图像或拥挤人群图像等多种场景的包含相互粘连的同类目标的图像的分割。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明；
图1示出本发明实施例提供的图像分割方法的流程图。
图2示出待分割图像的示意图。
图3示出超像素图像的示意图。
图4示出二值图像的示意图。
图5示出二值化超像素图像的示意图。
图6示出灰度超像素图像的示意图。
图7示出种子点超像素图像的示意图。
图8示出分割图像的示意图。
图9示出本发明实施例提供的图像分割装置的示意图。
图10示出适于用来实现本实施例提供的图像分割装置的计算机系统的结构示意图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
如图1所示，本发明的一个实施例提供了一种提供了一种图像分割方法，包括：
对待分割图像进行超像素预分割以得到超像素图像，并对待分割图像进行二值化处理，得到整体目标区域像素点灰度值为1且背景区域像素点灰度值为0的二值图像，其中，超像素分割是根据像素之间纹理、颜色、灰度等特征的相似程度将像素点进行分类，在后续的处理中将每一类像素看作一个像素块(或者说超像素块)，可以大幅降低后续的图像处理的计算复杂度；
根据与超像素图像中各像素块位置对应的二值图像中像素点的灰度值为1与为0的个数比例，得到整体目标区域像素块灰度值为1且背景区域像素块灰度值为0的二值化超像素图像；
对二值化超像素图像进行距离变化，得梯度均匀的灰度超像素图像；
对灰度超像素图像进行种子点标记，得到种子点灰度值大于1且整体目标区域中除种子点之外其他像素块的灰度值为1的种子点超像素图像；
对种子点超像素图像中灰度值为1的像素块进行标记填充，得到不同目标区域中像素块灰度值为各目标区域中种子点灰度值且标记出不同目标区域之间的边界像素块的分割图像。
本实施例提供的图像分割方法，在现有的分水岭算法的原理上进行改进，能够有效定位出图像中相互粘连的各目标的轮廓曲线，实现完整的分割，且不会出现欠分割和过分割现象，图像分割的精度高。另一方面，本实施例提供的图像分割方法结合了超像素图像分割算法，通过利用超像素图像分割算法进行预分割，有效的提高了图像分割效率。综上，本发明第一方面提供的图像分割方法可精确高效地实现图像分割，适用于各种包含相互粘连目标的图像的分割，尤其是适用于对粘连、重叠的细胞图像或拥挤人群图像等多种场景的包含相互粘连的同类目标的图像的分割。
其中，以图2所示的包含两个相互粘连目标的待分割图像为例，对待分割图像进行超像素预分割得到的超像素图像如图3所示，对待分割图像进行二值化处理，得到的整体目标区域像素点灰度值为1且背景区域像素点灰度值为0的二值图像如图4所示。
在本实施例的一些可选的实现方式中，根据与超像素图像中各像素块位置对应的二值图像中像素点的灰度值为1和为0的个数比例，得到目标区域像素块灰度值为1且背景区域像素块灰度值为0的二值化超像素图像进一步包括：
判断与超像素图像中各像素块位置对应的二值图像中像素点的灰度值为1与为0的个数比例：若像素块位置对应的二值图像中像素点的灰度值为1的个数大于等于为0的个数，则将该像素块的灰度值赋值为1；若像素块位置对应的二值图像中像素点的灰度值为1的个数小于为0的个数，则将该像素块的灰度值赋值为0；
根据灰度值赋值后的各像素块得到目标区域像素块灰度值为1且背景区域像素块灰度值为0的二值化超像素图像。
其中，根据与如图3所示的超像素图像中各像素块位置对应的如图4所示的二值图像中像素点的灰度值为1与为0的个数比例得到的整体目标区域像素块灰度值为1且背景区域像素块灰度值为0的二值化超像素图像如图5所示。
在本实施例的一些可选的实现方式中，对二值化超像素图像进行距离变化，得到梯度均匀的灰度超像素图像进一步包括：
设置与二值化超像素中像素块位置对应且像素块灰度值初值为0的灰度超像素图像；
遍历二值化超像素图像中的各像素块：若当前像素块灰度值非0且当前像素块的相邻像素块中存在至少一个灰度值为0的像素块，说明当前像素块属于整体目标区域的边缘，则将灰度超像素图像中的与当前像素块对应的像素块的灰度值赋值为0，并将灰度超像素图像中的与当前像素块的相邻像素块中的灰度值非0的像素块对应的像素块的灰度值+1；
遍历完二值化超像素图像中的所有像素块后，得到梯度均匀的灰度超像素图像。
该实现方式可精确高效地得到各目标区域中心至边缘的灰度值逐渐降低的梯度均匀的灰度超像素图像。
其中，对如图5所示的二值化超像素图像进行距离变化，得到的梯度均匀的灰度超像素图像如图6所示，图6中，数字1、2、3代表的是像素块的灰度值。
在本实施例的一些可选的实现方式中，对灰度超像素图像进行种子点标记，得到种子点灰度值大于1且各目标区域中除种子点之外其他像素块的灰度值为1的种子点超像素图像进一步包括：
设置与灰度超像素图像中像素块位置对应且像素块灰度值初值为0的种子点超像素图像；
获取灰度超像素图像中像素块灰度值的最大值，设置种子点灰度阈值并设置搜索灰度值的初值为1；
标记步骤：遍历灰度超像素图像中灰度值为搜索灰度值的像素块：若当前像素块的N邻域内的像素块的灰度值之和为0，则将种子点超像素图像中的与当前像素块对应的像素块的灰度值赋值为0；若当前像素块的N邻域内的像素块的灰度值之和非0，则判断当前像素块的N邻域内的像素块的灰度值之和是否大于等于种子点灰度阈值，如果是则将种子点超像素图像中的与当前像素块对应的像素块作为种子点并将其灰度值赋值为当前像素块的灰度值，如果否则将种子点超像素图像中的与当前像素块对应的像素块的灰度值赋值为1；其中，N邻域为当前像素块的相邻像素块和相隔1至N-1个像素块的像素块组成的邻域，例如2领域为当前像素块的相邻像素块和相隔1个像素块的像素块组成的邻域，3领域为当前像素块的相邻像素块和相隔1个与相隔2个像素块的像素块组成的邻域；
将搜索灰度值+1，转入上述标记步骤，直至搜索灰度值大于灰度超像素图像中像素块灰度值的最大值，得到种子点灰度值大于1且各目标区域中除种子点之外其他像素块的灰度值为1的种子点超像素图像。
需要说明的是，N的取值可根据实际情况及实际需求设定，例如，可根据超像素预分割的分割密度设置N的取值，该分割密度可由像素块的个数表征，通常来说，超像素预分割的分割密度越大则N的取值应越大，反之亦然。之类似的是，种子点灰度阈值的取值同样可根据实际情况及实际需求设定，也可根据超像素预分割的分割密度设置N的取值，通常来说，超像素预分割的分割密度越大则种子点灰度阈值的取值应越大，反之亦然。
该实现方式可精确高效地得到各目标中作为种子点的像素块，并剔除灰度值异常的像素块。
其中，对如图6所示的梯度均匀的灰度超像素图像进行种子点标记，得到的种子点灰度值大于1且各目标区域中除种子点之外其他像素块的灰度值为1的种子点超像素图像如图7所示，图7中，a和b分别代表两个种子点的灰度值。
在本实施例的一些可选的实现方式中，在对种子点超像素图像中各目标区域中的除种子点之外其他像素块进行标记填充，得到不同目标区域中像素块灰度值为各目标区域中种子点灰度值且标记出不同目标区域之间的边界像素块的分割图像之前，该方法还包括对种子点超像素图像中位置相近的种子点进行合并，并更新种子点超像素图像。
进一步，对种子点超像素图像中位置相近的种子点进行合并，并更新种子点超像素图像进一步包括：
遍历种子点超像素图像中各种子点，若当前种子点的N邻域内存在另外至少一个种子点，则以当前种子点和另外至少一个种子点之间相对中心位置的像素块作为新的种子点，将新的种子点的灰度值赋值为当前种子点的灰度值并将当前种子点和另外至少一个种子点的灰度值赋值为1，更新种子点超像素图像。
该实现方式可进一步保证避免出现过分割现象。
在本实施例的一些可选的实现方式中，对种子点超像素图像中灰度值为1的像素块进行标记填充，得到不同目标区域中像素块灰度值为各目标区域中种子点灰度值且标记出不同目标区域之间的边界像素块的分割图像进一步包括：
遍历种子点超像素图像中灰度值为1的各像素块：若当前像素块的N邻域内存在一个种子点，则将当前像素块的灰度值赋值为该种子点的灰度值，实现填充；若当前像素块的N邻域内存在多个种子点，则将当前像素块标记为不同目标区域之间的边界像素块；
遍历完种子点超像素图像中灰度值为1的所有像素块后，得到不同目标区域中像素块灰度值为各目标区域中种子点灰度值且标记出不同目标区域之间的边界像素块的分割图像。至此完成对图像中相互粘连目标的分割。
该实现方式可精确高效地得到标记出不同目标区域之间的边界像素块的分割图像。
其中，对如图7所示的种子点超像素图像中灰度值为1的像素块进行标记填充，得到不同目标区域中像素块灰度值为各目标区域中种子点灰度值且标记出不同目标区域之间的边界像素块的分割图像如图8所示，图8中，*代表标记出的不同目标区域之间的边界像素块。
在本实施例的一些可选的实现方式中，对种子点超像素图像中灰度值为1的像素块进行标记填充，得到不同目标区域中像素块灰度值为各目标区域中种子点灰度值且标记出不同目标区域之间的边界像素块的分割图像之后，该方法还包括：
标记边界线，边界线由边界像素块组成的边界区域中相对中心位置的像素点组成，且边界线与相邻目标区域的种子点之间的连线垂直。
该实现方式可得到更加精确的图像分割标识。
如图9所示，本发明的另一个实施例提供了一种执行上述图像分割方法的图像分割装置，包括：
超像素图像生成单元，对待分割图像进行超像素预分割，得到超像素图像；
二值图像生成单元，对待分割图像进行二值化处理，得到整体目标区域像素点灰度值为1且背景区域像素点灰度值为0的二值图像；
二值化超像素图像生成单元，根据与超像素图像中各像素块位置对应的二值图像中像素点的灰度值为1与为0的个数比例，得到整体目标区域像素块灰度值为1且背景区域像素块灰度值为0的二值化超像素图像；
灰度超像素图像生成单元，对二值化超像素图像进行距离变化，得到梯度均匀的灰度超像素图像；
种子点超像素图像生成单元，得到种子点灰度值大于1且整体目标区域中除种子点之外其他像素块的灰度值为1的种子点超像素图像；
分割图像生成单元，对种子点超像素图像中灰度值为1的像素块进行标记填充，得到不同目标区域中像素块灰度值为各目标区域中种子点灰度值且标记出不同目标区域之间的边界像素块的分割图像。
需要说明的是，本实施例提供的图像分割装置的原理及工作流程与上述图像分割方法相似，相关之处可以参照上述说明，在此不再赘述。
如图10所示，适于用来实现本实施例提供的图像分割装置的计算机系统，包括中央处理单元(CPU)，其可以根据存储在只读存储器(ROM)中的程序或者从存储部分加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中，还存储有计算机系统操作所需的各种程序和数据。CPU、ROM以及RAM通过总线被此相连。输入/输入(I/O)接口也连接至总线。
以下部件连接至I/O接口:包括键盘、鼠标等的输入部分；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器上，以便于从其上读出的计算机程序根据需要被安装入存储部分。
特别地，根据本实施例，上文流程图描述的过程可以被实现为计算机软件程序。例如，本实施例包括一种计算机程序产品，其包括有形地包含在计算机可读介质上的计算机程序，上述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。
附图中的流程图和示意图，图示了本实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或示意图中的每个方框可以代表一个模块、程序段或代码的一部分，上述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，示意图和/或流程图中的每个方框、以及示意和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括超像素图像生成单元、二值图像生成单元、二值化超像素图像生成单元、灰度超像素图像生成单元、种子点超像素图像生成单元和分割图像生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。例如，分割图像生成单元还可以被描述为“图像分割单元”。
作为另一方面，本实施例还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中上述装置中所包含的非易失性计算机存储介质，也可以是单独存在，未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序，当上述一个或者多个程序被一个设备执行时，使得上述设备：
对待分割图像进行超像素预分割以得到超像素图像，并对待分割图像进行二值化处理，得到整体目标区域像素点灰度值为1且背景区域像素点灰度值为0的二值图像；
根据与超像素图像中各像素块位置对应的二值图像中像素点的灰度值为1与为0的个数比例，得到整体目标区域像素块灰度值为1且背景区域像素块灰度值为0的二值化超像素图像；
对二值化超像素图像进行距离变化，得梯度均匀的灰度超像素图像；
对灰度超像素图像进行种子点标记，得到种子点灰度值大于1且整体目标区域中除种子点之外其他像素块的灰度值为1的种子点超像素图像；
对种子点超像素图像中灰度值为1的像素块进行标记填充，得到不同目标区域中像素块灰度值为各目标区域中种子点灰度值且标记出不同目标区域之间的边界像素块的分割图像。
在本发明的描述中，需要说明的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
还需要说明的是，在本发明的描述中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于本领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (10)
1.一种图像分割方法，其特征在于，包括：
对待分割图像进行超像素预分割以得到超像素图像，并对待分割图像进行二值化处理，得到整体目标区域像素点灰度值为1且背景区域像素点灰度值为0的二值图像；
根据与超像素图像中各像素块位置对应的二值图像中像素点的灰度值为1与为0的个数比例，得到整体目标区域像素块灰度值为1且背景区域像素块灰度值为0的二值化超像素图像；
对二值化超像素图像进行距离变化，得梯度均匀的灰度超像素图像；
对灰度超像素图像进行种子点标记，得到种子点灰度值大于1且整体目标区域中除种子点之外其他像素块的灰度值为1的种子点超像素图像；
对种子点超像素图像中灰度值为1的像素块进行标记填充，得到不同目标区域中像素块灰度值为各目标区域中种子点灰度值且标记出不同目标区域之间的边界像素块的分割图像。
2.根据权利要求1所述的图像分割方法，其特征在于，所述对二值化超像素图像进行距离变化，得到梯度均匀的灰度超像素图像进一步包括：
设置与二值化超像素中像素块位置对应且像素块灰度值初值为0的灰度超像素图像；
遍历二值化超像素图像中的各像素块：若当前像素块灰度值非0且当前像素块的相邻像素块中存在至少一个灰度值为0的像素块，则将灰度超像素图像中的与所述当前像素块对应的像素块的灰度值赋值为0，并将灰度超像素图像中的与所述当前像素块的相邻像素块中的灰度值非0的像素块对应的像素块的灰度值+1；
遍历完二值化超像素图像中的所有像素块后，得到梯度均匀的灰度超像素图像。
3.根据权利要求2所述的图像分割方法，其特征在于，所述对灰度超像素图像进行种子点标记，得到种子点灰度值大于1且各目标区域中除种子点之外其他像素块的灰度值为1的种子点超像素图像进一步包括：
设置与灰度超像素图像中像素块位置对应且像素块灰度值初值为0的种子点超像素图像；
获取灰度超像素图像中像素块灰度值的最大值，设置种子点灰度阈值并设置搜索灰度值的初值为1；
标记步骤：遍历灰度超像素图像中灰度值为搜索灰度值的像素块：若当前像素块的N邻域内的像素块的灰度值之和为0，则将种子点超像素图像中的与所述当前像素块对应的像素块的灰度值赋值为0；若当前像素块的N邻域内的像素块的灰度值之和非0，则判断当前像素块的N邻域内的像素块的灰度值之和是否大于等于种子点灰度阈值，如果是则将种子点超像素图像中的与所述当前像素块对应的像素块作为种子点并将其灰度值赋值为所述当前像素块的灰度值，如果否则将种子点超像素图像中的与所述当前像素块对应的像素块的灰度值赋值为1；其中，所述N邻域为当前像素块的相邻像素块和相隔1至N-1个像素块的像素块组成的邻域；
将搜索灰度值+1，转入上述标记步骤，直至搜索灰度值大于灰度超像素图像中像素块灰度值的最大值，得到种子点灰度值大于1且各目标区域中除种子点之外其他像素块的灰度值为1的种子点超像素图像。
4.根据权利要求3所述的图像分割方法，其特征在于，在所述对种子点超像素图像中各目标区域中的除种子点之外其他像素块进行标记填充，得到不同目标区域中像素块灰度值为各目标区域中种子点灰度值且标记出不同目标区域之间的边界像素块的分割图像之前，该方法还包括对种子点超像素图像中位置相近的种子点进行合并，并更新种子点超像素图像。
5.根据权利要求4所述的图像分割方法，其特征在于，所述对种子点超像素图像中位置相近的种子点进行合并，并更新种子点超像素图像进一步包括：
遍历种子点超像素图像中各种子点，若当前种子点的N邻域内存在另外至少一个种子点，则以当前种子点和所述另外至少一个种子点之间相对中心位置的像素块作为新的种子点，将新的种子点的灰度值赋值为所述当前种子点的灰度值并将当前种子点和所述另外至少一个种子点的灰度值赋值为1，更新种子点超像素图像。
6.根据权利要求3所述的图像分割方法，其特征在于，所述对种子点超像素图像中灰度值为1的像素块进行标记填充，得到不同目标区域中像素块灰度值为各目标区域中种子点灰度值且标记出不同目标区域之间的边界像素块的分割图像进一步包括：
遍历种子点超像素图像中灰度值为1的各像素块：若当前像素块的N邻域内存在一个种子点，则将当前像素块的灰度值赋值为该种子点的灰度值，实现填充；若当前像素块的N邻域内存在多个种子点，则将当前像素块标记为不同目标区域之间的边界像素块；
遍历完种子点超像素图像中灰度值为1的所有像素块后，得到不同目标区域中像素块灰度值为各目标区域中种子点灰度值且标记出不同目标区域之间的边界像素块的分割图像。
7.根据权利要求6所述的图像分割方法，其特征在于，所述对种子点超像素图像中灰度值为1的像素块进行标记填充，得到不同目标区域中像素块灰度值为各目标区域中种子点灰度值且标记出不同目标区域之间的边界像素块的分割图像之后，该方法还包括：
标记边界线，所述边界线由边界像素块组成的边界区域中相对中心位置的像素点组成，且所述边界线与相邻目标区域的种子点之间的连线垂直。
8.一种执行如权利要求1-7中任一项所述方法的图像分割装置，其特征在于，包括：
超像素图像生成单元，对待分割图像进行超像素预分割，得到超像素图像；
二值图像生成单元，对待分割图像进行二值化处理，得到整体目标区域像素点灰度值为1且背景区域像素点灰度值为0的二值图像；
二值化超像素图像生成单元，根据与超像素图像中各像素块位置对应的二值图像中像素点的灰度值为1与为0的个数比例，得到整体目标区域像素块灰度值为1且背景区域像素块灰度值为0的二值化超像素图像；
灰度超像素图像生成单元，对二值化超像素图像进行距离变化，得到梯度均匀的灰度超像素图像；
种子点超像素图像生成单元，得到种子点灰度值大于1且整体目标区域中除种子点之外其他像素块的灰度值为1的种子点超像素图像；
分割图像生成单元，对种子点超像素图像中灰度值为1的像素块进行标记填充，得到不同目标区域中像素块灰度值为各目标区域中种子点灰度值且标记出不同目标区域之间的边界像素块的分割图像。
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1-7中任一项所述的方法。
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1-7中任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810823610.XA CN108986119B (zh) | 2018-07-25 | 2018-07-25 | 图像分割方法及装置、计算机设备及可读存储介质 |
| US16/403,805 US10970844B2 (en) | 2018-07-25 | 2019-05-06 | Image segmentation method and device, computer device and non-volatile storage medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810823610.XA CN108986119B (zh) | 2018-07-25 | 2018-07-25 | 图像分割方法及装置、计算机设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108986119A true CN108986119A (zh) | 2018-12-11 |
| CN108986119B CN108986119B (zh) | 2020-07-28 |
Family
ID=64550941
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810823610.XA Active CN108986119B (zh) | 2018-07-25 | 2018-07-25 | 图像分割方法及装置、计算机设备及可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US10970844B2 (zh) |
| CN (1) | CN108986119B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111709955A (zh) * | 2020-06-17 | 2020-09-25 | 厦门美图之家科技有限公司 | 图像分割检验方法、装置、终端及存储介质 |
| CN112102284A (zh) * | 2020-09-14 | 2020-12-18 | 推想医疗科技股份有限公司 | 图像分割模型的训练样本的标记方法、训练方法及装置 |
| CN114119427A (zh) * | 2022-01-28 | 2022-03-01 | 深圳市明源云科技有限公司 | 图片转换方法、装置、设备及可读存储介质 |
| CN115439474A (zh) * | 2022-11-07 | 2022-12-06 | 山东天意机械股份有限公司 | 一种电力设备故障快速定位方法 |
| CN115661017A (zh) * | 2022-12-29 | 2023-01-31 | 华东交通大学 | 红外热成像超像素分割融合方法、系统、介质及计算机 |
| CN115937114A (zh) * | 2022-11-25 | 2023-04-07 | 无锡海纳智能科技有限公司 | 一种风机图片的预处理方法及设备 |
| CN117237596A (zh) * | 2023-11-15 | 2023-12-15 | 广州市易鸿智能装备股份有限公司 | 图像识别方法、装置、计算机设备及存储介质 |
Families Citing this family (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111311623A (zh) * | 2020-02-26 | 2020-06-19 | 歌尔股份有限公司 | 图像分界方法、装置、设备及存储介质 |
| CN111353957A (zh) * | 2020-02-28 | 2020-06-30 | 北京三快在线科技有限公司 | 图像处理方法、装置、存储介质及电子设备 |
| CN112070708B (zh) | 2020-08-21 | 2024-03-08 | 杭州睿琪软件有限公司 | 图像处理方法、图像处理装置、电子设备、存储介质 |
| CN114119722B (zh) * | 2020-08-26 | 2022-12-13 | 武汉高德智感科技有限公司 | 一种黑体光标自动定位方法及装置 |
| CN112215104A (zh) * | 2020-09-28 | 2021-01-12 | 国交空间信息技术（北京）有限公司 | 一种基于超像素分割的海冰提取方法、装置和设备 |
| CN112381811B (zh) * | 2020-11-20 | 2024-05-28 | 沈阳东软智能医疗科技研究院有限公司 | 一种实现医学影像数据标注的方法、装置及设备 |
| CN112465782A (zh) * | 2020-11-26 | 2021-03-09 | 江苏国和智能科技有限公司 | 一种基于数字图像处理的水体浑浊程度判定装置及方法 |
| CN112581398A (zh) * | 2020-12-22 | 2021-03-30 | 上海电机学院 | 基于区域生长标号的图像降噪方法 |
| CN112991238B (zh) * | 2021-02-22 | 2023-08-22 | 上海市第四人民医院 | 基于纹理色彩混合式的食物图像分割方法、系统、介质 |
| CN113160138B (zh) * | 2021-03-24 | 2022-07-19 | 山西大学 | 一种脑部核磁共振图像分割方法及系统 |
| CN114140462B (zh) * | 2021-12-10 | 2023-09-08 | 江苏牛犇轴承有限公司 | 一种基于图像处理的轴承磨损程度评估方法 |
| CN114298927B (zh) * | 2021-12-16 | 2022-10-04 | 北京朗视仪器股份有限公司 | 一种cbct图像去噪方法、装置、存储介质及电子设备 |
| CN114677384B (zh) * | 2022-03-13 | 2022-12-02 | 江苏神州新能源电力有限公司 | 一种太阳能电池镀膜缺陷检测方法 |
| CN114693816B (zh) * | 2022-04-02 | 2023-04-28 | 陕西合友网络科技有限公司 | 一种智能化图像大数据存储方法 |
| CN115063590B (zh) * | 2022-07-08 | 2024-06-18 | 清华大学 | 基于sar图像超像素融合的cfar目标检测方法、装置和设备 |
| CN115661173B (zh) * | 2022-11-10 | 2023-03-10 | 菏泽市土地储备中心 | 一种基于遥感图像的地块分割方法 |
| CN115661822B (zh) * | 2022-12-27 | 2023-03-21 | 苏州鸿安机械股份有限公司 | 一种用于输送机的远程控制系统及方法 |
| CN115841490B (zh) * | 2023-02-23 | 2023-05-09 | 山东泗水山岭石材厂 | 基于图像处理的采矿过程矿石颗粒分割方法及系统 |
| CN116402815B (zh) * | 2023-06-08 | 2023-08-22 | 岑科科技(深圳)集团有限公司 | 基于人工智能的电感线圈封装异常检测方法 |
| CN116452613B (zh) * | 2023-06-14 | 2023-08-29 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 一种地质调查中裂缝轮廓提取方法 |
| CN116596921B (zh) * | 2023-07-14 | 2023-10-20 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种焚烧炉渣分选方法及系统 |
| CN116805313B (zh) * | 2023-08-21 | 2023-12-01 | 山东大拇指喷雾设备有限公司 | 一种喷雾机喷头的缺陷检测方法 |
| CN116797598B (zh) * | 2023-08-22 | 2023-11-17 | 山东万牧农业科技有限公司郯城分公司 | 基于图像特征的养殖饲料质量精细化检测方法 |
| CN116823811B (zh) * | 2023-08-25 | 2023-12-01 | 汶上县誉诚制衣有限公司 | 一种功能性冲锋衣表面质量检测方法 |
| CN117115717B (zh) * | 2023-10-19 | 2024-02-02 | 深圳市鑫环宇网络科技有限公司 | 互联网网络数据解析方法及系统 |
| CN117115186B (zh) * | 2023-10-25 | 2024-02-02 | 高州市人民医院 | 基于区域生长的心血管分割方法 |
| CN117237339B (zh) * | 2023-11-10 | 2024-02-27 | 山东多沃基础工程有限公司 | 一种基于图像处理的地螺丝打孔点位选取方法及系统 |
| CN117705754A (zh) * | 2023-11-30 | 2024-03-15 | 浙江大学 | 一种基于高光谱成像的纺织品聚酯纤维含量在线检测方法 |
| CN117974651B (zh) * | 2024-03-29 | 2024-05-28 | 陕西彤山生物科技有限公司 | 基于图像识别的粉碎颗粒的均匀性检测方法及装置 |
| CN118097384A (zh) * | 2024-04-29 | 2024-05-28 | 江西赣粤高速公路股份有限公司 | 一种基于图像处理的预制桥梁铰缝破损检测方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070297657A1 (en) | 2006-06-23 | 2007-12-27 | Julian Mattes | Quantification and visualization of the motion and deformation of one or several objects inside a living entity |
| CN101710424B (zh) * | 2009-12-22 | 2012-04-25 | 中国矿业大学(北京) | 矿石图像分割方法 |
| US8761480B2 (en) * | 2010-09-22 | 2014-06-24 | Siemens Aktiengesellschaft | Method and system for vascular landmark detection |
| CN102005034B (zh) * | 2010-12-01 | 2012-07-04 | 南京大学 | 基于区域聚类的遥感影像分割方法 |
| US8579620B2 (en) * | 2011-03-02 | 2013-11-12 | Andy Wu | Single-action three-dimensional model printing methods |
| CN102663700B (zh) | 2012-04-13 | 2014-11-05 | 福州大学 | 粘连颗粒二值图像的分割方法 |
| CN103164858B (zh) | 2013-03-20 | 2015-09-09 | 浙江大学 | 基于超像素和图模型的粘连人群分割与跟踪方法 |
| CN103606152B (zh) * | 2013-11-15 | 2017-01-11 | 大连理工大学 | 基于sift特征点聚类及布尔差运算的dsa血管图像分割方法 |
| CN103942808B (zh) | 2014-05-12 | 2017-05-10 | 福州大学 | 粘连岩石颗粒图像的分割方法 |
| CN105844285B (zh) * | 2016-02-25 | 2019-06-14 | 中国农业大学 | 基于图像信息的黄瓜病害识别方法及装置 |
-
2018
- 2018-07-25 CN CN201810823610.XA patent/CN108986119B/zh active Active
-
2019
- 2019-05-06 US US16/403,805 patent/US10970844B2/en active Active
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111709955A (zh) * | 2020-06-17 | 2020-09-25 | 厦门美图之家科技有限公司 | 图像分割检验方法、装置、终端及存储介质 |
| CN111709955B (zh) * | 2020-06-17 | 2023-06-13 | 厦门美图宜肤科技有限公司 | 图像分割检验方法、装置、终端及存储介质 |
| CN112102284A (zh) * | 2020-09-14 | 2020-12-18 | 推想医疗科技股份有限公司 | 图像分割模型的训练样本的标记方法、训练方法及装置 |
| CN112102284B (zh) * | 2020-09-14 | 2024-05-28 | 推想医疗科技股份有限公司 | 图像分割模型的训练样本的标记方法、训练方法及装置 |
| CN114119427A (zh) * | 2022-01-28 | 2022-03-01 | 深圳市明源云科技有限公司 | 图片转换方法、装置、设备及可读存储介质 |
| CN115439474A (zh) * | 2022-11-07 | 2022-12-06 | 山东天意机械股份有限公司 | 一种电力设备故障快速定位方法 |
| CN115937114A (zh) * | 2022-11-25 | 2023-04-07 | 无锡海纳智能科技有限公司 | 一种风机图片的预处理方法及设备 |
| CN115937114B (zh) * | 2022-11-25 | 2024-06-04 | 无锡海纳智能科技有限公司 | 一种风机图片的预处理方法及设备 |
| CN115661017A (zh) * | 2022-12-29 | 2023-01-31 | 华东交通大学 | 红外热成像超像素分割融合方法、系统、介质及计算机 |
| CN115661017B (zh) * | 2022-12-29 | 2023-09-22 | 华东交通大学 | 红外热成像超像素分割融合方法、系统、介质及计算机 |
| CN117237596A (zh) * | 2023-11-15 | 2023-12-15 | 广州市易鸿智能装备股份有限公司 | 图像识别方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108986119B (zh) | 2020-07-28 |
| US10970844B2 (en) | 2021-04-06 |
| US20200034972A1 (en) | 2020-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108986119A (zh) | 图像分割方法及装置、计算机设备及可读存储介质 | |
| CN110232329B (zh) | 基于深度学习的点云分类方法、装置、存储介质及设备 | |
| CN107918931A (zh) | 图像处理方法及系统 | |
| Huang et al. | Weakly supervised learning of 3D deep network for neuron reconstruction | |
| US20200202174A1 (en) | Training method of image generator | |
| CN107085726A (zh) | 基于多方法去噪和连通区域分析的甲骨拓片单字定位方法 | |
| CN105844625A (zh) | 一种融合边缘和区域的活动轮廓图像分割方法 | |
| CN109886311B (zh) | 增量聚类方法、装置、电子设备和计算机可读介质 | |
| CN108364331A (zh) | 一种等值线生成方法、系统和存储介质 | |
| CN106326895A (zh) | 图像处理装置和图像处理方法 | |
| CN111582004A (zh) | 一种地面图像中的目标区域分割方法及装置 | |
| CN104077765B (zh) | 图像分割装置、图像分割方法 | |
| CN102881017A (zh) | 一种细胞分离方法 | |
| CN110992481B (zh) | 基于最邻近连线的建筑物白模一致性合并方法 | |
| Dai et al. | Multiscale residual convolution neural network and sector descriptor-based road detection method | |
| Ikonen et al. | Distance and nearest neighbor transforms on gray-level surfaces | |
| CN111383191A (zh) | 用于血管断裂修复的图像处理方法及装置 | |
| CN112509025B (zh) | 一种基于三维欧氏距离的岩石空间结构距离图的计算方法 | |
| CN1152341C (zh) | 房屋数字地图自动生成方法 | |
| Ling et al. | Flowacc: Real-time high-accuracy dnn-based optical flow accelerator in fpga | |
| Omidalizarandi et al. | Segmentation and classification of point clouds from dense aerial image matching | |
| CN115147359B (zh) | 肺叶分割网络模型训练方法、装置、电子设备及存储介质 | |
| US11988522B2 (en) | Method, data processing apparatus and computer program product for generating map data | |
| Bai et al. | Finding splitting lines for touching cell nuclei with a shortest path algorithm | |
| CN114463507A (zh) | 道路识别方法及装置 |
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 |