CN109191481B - 不良曝光条件下的鞋印图像快速阈值分割方法 - Google Patents
不良曝光条件下的鞋印图像快速阈值分割方法 Download PDFInfo
- Publication number
- CN109191481B CN109191481B CN201810874870.XA CN201810874870A CN109191481B CN 109191481 B CN109191481 B CN 109191481B CN 201810874870 A CN201810874870 A CN 201810874870A CN 109191481 B CN109191481 B CN 109191481B
- Authority
- CN
- China
- Prior art keywords
- image
- shoe print
- value
- shoe
- print image
- 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
- G06T7/136—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
- G06T7/187—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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种适用于曝光质量不良的鞋印图像的快速阈值分割方法,首先,对图像进行预分割,并根据其4‑连通区域的分布特点,自适应地确定形态学运算使用的结构元素半径;其次,采用形态学开运算消除曝光不良或设备伪影的影响,再进行灰度变换增强图像对比度;最后,利用形态学膨胀去除残留的非鞋印像素,获得最终的鞋印图像。该方法无需人工交互,可以大批量、全自动地分割鞋印图像,在时间效率上明显优于人工分割方法和迭代分割方法,并且分割准确率高于传统的全局阈值分割方法和迭代分割方法。
Description
技术领域
本发明涉及数字图像处理领域,尤其是一种能够有效改善在曝光质量较低的情况下传统全局阈值分割存在的误分割现象,分割准确率高、实时性好的不良曝光条件下的鞋印图像快速阈值分割方法。
背景技术
鞋印是犯罪现场上最常遇到的痕迹之一,也是侦查者发现破案线索、揭露和证实犯罪的重要依据之一。在鞋印图像处理中,人们往往只需要提取特定的鞋印部分,而几乎不关注其背景区域。在这种情况下,有必要将鞋印部分从图像中分割出来。
一个案件在侦破过程中会接触到两种鞋印图像:犯罪现场提取到的案犯遗留的鞋印图像。这种图像中的鞋印纹理图案受到地面纹理的影响非常大,采用计算机自动分割的难度很高,目前主要采取手工分割方式。破案过程中锁定的犯罪嫌疑人的鞋印图像。这种图像采用压模成像,鞋印纹理与背景之间的对比度比较明显,便于计算机自动分割。
图像分割是图像处理和机器视觉领域的基础研究问题之一,目前已出现了多种图像分割方法,如基于区域的图像分割方法、基于边缘的图像分割方法、基于数学形态学的图像分割方法、基于特定理论的图像分割方法、基于阈值的图像分割方法等。
基于区域的图像分割方法是根据区域之间的相似性将相似区域进行合并,并分裂内部差异较大的区域,进而获得内部特征一致的区域。这类方法适用于分割目标和背景颜色差异较大的图像,而在其他情况下的分割效果欠佳。
基于边缘检测的图像分割方法一般是通过计算图像的偏导数和梯度,来获得图像目标区域的边缘信息。但是,该类方法的抗噪性能较差,如果图像中含有噪声,那么求导运算会加重噪声的影响,导致分割准确率下降。
基于数学形态学的图像分割方法以数学形态学作为基本理论,综合运用膨胀和腐蚀等形态学运算,得到最后的分割结果。这类方法一般通过计算参数来获取边界特征,具备一定的抗噪能力,但容易出现边界缺失、区域内部丢失等现象。
基于特定理论的图像分割方法通常需要结合一些数学理论,来弥补运用单一理论进行分割的不足,形成了许多基于不同理论模型的图像分割方法,比如:基于模糊集的图像分割、基于智能优化的图像分割、基于图论的图像分割和基于偏微分方程的图像分割等。不过,这些方法的计算复杂度均较高,无法满足实时性较高的应用需求,而且个别方法还需人工干预(如设置初始分割轮廓、反复手工调试模型参数等)。
基于阈值的分割是最为经典和流行的图像分割方法之一,也是最简单的图像分割方法,其基本思想是根据图像的灰度直方图寻找一个或几个灰度阈值,将图像的灰度级分为若干等级,并认为处于同一个灰度等级的像素属于同一个物体。阈值分割特别适用于目标和背景处于不同灰度级范围的图像,并且计算简单、无需人工干预,在运算效率要求高的应用场合中得到了广泛应用。
研究表明,对于成像质量高、曝光质量好的鞋印图像,基于阈值的分割方法,如最大类间方差法(亦称“大津法”),能够取得令人满意的结果。反之,对于灰度差异较小、目标和背景的灰度值相差不大、光照条件复杂的一类鞋印图像,其分割结果却易于出现误分割的情况。尤其在压模成像设备老化或者使用次数过多时,鞋印图像会出现曝光不足、曝光过度或印迹残留的现象,典型的阈值分割算法无法准确地将鞋印图案从背景中分离出来。
尽管国内外学者已经提出了上述众多图像分割算法,可是目前尚没有一种适合于曝光质量不良的通用图像分割算法,特别是缺少一种准确率高、实时性好、无需人工交互的自动鞋印图像分割算法。
发明内容
本发明是为了解决现有技术所存在的上述技术问题,提供一种分割准确率高、实时性好的不良曝光条件下的鞋印图像快速阈值分割方法。
本发明的技术解决方案是:一种不良曝光条件下的鞋印图像快速阈值分割方法,其特征在于按照如下步骤进行:
步骤1. 输入待分割的鞋印图像I,设其高度为H,宽度为W;
步骤2. 将图像I的颜色空间转换到HSV空间,并保留其亮度分量V;
步骤3. 采用最大类间方差法对亮度分量V进行分割,得到预分割结果I1;
步骤4. 计算I1的4-连通区域,并根据连通区域的面积,对I1的各个4-连通区域进行非递增排列,形成一个连通区域序列;
步骤5. 计算各个4-连通区域的外接矩形,然后将外接矩形高度大于aH、且宽度大于bW的那些4-连通区域从连通区域序列中删除,所述a和b为预设常数;
步骤6. 在剩余的连通区域序列中,统计外接矩形的高度最大值H max和宽度最大值W max;
步骤7. 利用直径为max{H max, W max}的平坦圆盘型结构元素对输入图像的亮度分量V进行形态学开运算,得到输入图像的背景估计值B,所述max为取最大值运算;
步骤8. 将输入图像的亮度分量V减去背景估计值B,得到消除了光照影响的鞋印图像I2;
步骤9. 统计I2的灰度值范围,设其最小值为I min,最大值为I max,根据公式(1)对I2进行线性灰度拉伸,将其像素灰度范围拉伸到0~255之间:
所述x表示鞋印图像I2中的某个待拉伸像素值,y表示拉伸后的像素值,令增强后的图像为I3;
步骤10. 采用传统的最大类间方差法对I3进行全局阈值分割,得到分割后的二值图像I4;
步骤11. 利用半径为R的平坦圆盘型结构元素对I4进行形态学膨胀运算,使得残留的过曝光区域与图像边界接触,得到二值图像I5,所述R为一个预设常数;
步骤12. 计算I5的4-连通区域及其外接矩形,对于每个4-连通区域,若其外接矩形与图像的外边界相接,则采用形态学区域填充运算,将I4中与该4-连通区域相对应的全部像素用背景像素值填充,并令结果图像为M;
所述O(p)表示图像O中像素p的值,M(p)表示二值掩膜图像M中像素p的值,I(p)表示待分割的鞋印图像I中像素p的值;
步骤14. 输出鞋印图像O。
与现有技术相比,本发明的优点在于:第一,通过对鞋印图像进行预处理并分析连通区域的分布,自适应确定形态学运算的结构元素尺寸,可以去除由曝光过度、曝光不足以及由设备老化导致的印迹残留而出现的大部分伪前景,对出现在图像边界附近的伪前景尤为有效,较好地保留前景目标即鞋印;第二,无需人工交互,可以批量自动处理鞋印图像,在时间效率上明显优于人工鞋印图像分割方法和迭代分割方法(如基于偏微分方程的图像分割方法),并且分割准确率高于传统的全局阈值分割方法和迭代分割方法。
附图说明
图1是本发明实施例的流程图。
具体实施方式
一种不良曝光条件下的鞋印图像快速阈值分割方法,如图1所示,按照如下步骤进行;
步骤1. 输入待分割的鞋印图像I,设其高度为H,宽度为W;
步骤2. 将图像I的颜色空间转换到HSV空间,并保留其亮度分量V;
步骤3. 采用最大类间方差法对亮度分量V进行分割,得到预分割结果I1;
步骤4. 计算I1的4-连通区域,并根据连通区域的面积,对I1的各个4-连通区域进行非递增排列,形成一个连通区域序列;
步骤5. 计算各个4-连通区域的外接矩形,然后将外接矩形高度大于aH、且宽度大于bW的那些4-连通区域从连通区域序列中删除,所述a和b为预设常数,本实施例中,令a=1/15,b=1/5;
步骤6. 在剩余的连通区域序列中,统计外接矩形的高度最大值H max和宽度最大值W max;
步骤7. 利用直径为max{H max, W max}的平坦圆盘型结构元素对输入图像的亮度分量V进行形态学开运算,得到输入图像的背景估计值B,所述max为取最大值运算;
步骤8. 将输入图像的亮度分量V减去背景估计值B,得到消除了光照影响的鞋印图像I2;
步骤9. 统计I2的灰度值范围,设其最小值为I min,最大值为I max,根据公式(1)对I2进行线性灰度拉伸,将其像素灰度范围拉伸到0~255之间:
所述x表示鞋印图像I2中的某个待拉伸像素值,y表示线性拉伸后的像素值,令增强后的图像为I3;
步骤10. 采用传统的最大类间方差法对I3进行全局阈值分割,得到分割后的二值图像I4;
步骤11. 利用半径为R的平坦圆盘型结构元素对I4进行形态学膨胀运算,使得残留的过曝光区域与图像边界接触,得到二值图像I5,所述R为一个预设常数,本实施例中,令R=6;
步骤12. 计算I5的4-连通区域及其外接矩形,对于每个4-连通区域,若其外接矩形与图像的外边界相接,则采用形态学区域填充运算,将I4中与该4-连通区域相对应的全部像素用背景像素值填充,并令结果图像为M;
所述O(p)表示图像O中像素p的值,M(p)表示二值掩膜图像M中像素p的值,I(p)表示待分割的鞋印图像I中像素p的值;
步骤14. 输出鞋印图像O。
利用300幅鞋印图像进行测试,并采用Jaccard Similarity相似度(简称JS)进行评估,评估得分越接近1,表明分割结果就越接近手工分割结果。传统最大类间方差法、基于传统活动轮廓模型的分割方法和本发明算法的平均得分和标准差如表1。
表1 客观分割质量和分割时间比较
Claims (1)
1.一种不良曝光条件下的鞋印图像快速阈值分割方法,其特征在于按照如下步骤进行:
步骤1. 输入待分割的鞋印图像I,设其高度为H,宽度为W;
步骤2. 将图像I的颜色空间转换到HSV空间,并保留其亮度分量V;
步骤3. 采用最大类间方差法对亮度分量V进行分割,得到预分割结果I1;
步骤4. 计算I1的4-连通区域,并根据连通区域的面积,对I1的各个4-连通区域进行非递增排列,形成一个连通区域序列;
步骤5. 计算各个4-连通区域的外接矩形,然后将外接矩形高度大于aH、且宽度大于bW的那些4-连通区域从连通区域序列中删除,所述a和b为预设常数;
步骤6. 在剩余的连通区域序列中,统计外接矩形的高度最大值H max和宽度最大值W max;
步骤7. 利用直径为max{H max, W max }的平坦圆盘型结构元素对输入图像的亮度分量V进行形态学开运算,得到输入图像的背景估计值B,所述max为取最大值运算;
步骤8. 将输入图像的亮度分量V减去背景估计值B,得到消除了光照影响的鞋印图像I2;
步骤9. 统计I2的灰度值范围,设其最小值为I min,最大值为I max,根据公式(1)对I2进行线性灰度拉伸,将其像素灰度范围拉伸到0~255之间:
所述x表示鞋印图像I2中的某个待拉伸像素值,y表示拉伸后的像素值,令增强后的图像为I3;
步骤10. 采用传统的最大类间方差法对I3进行全局阈值分割,得到分割后的二值图像I4;
步骤11. 利用半径为R的平坦圆盘型结构元素对I4进行形态学膨胀运算,使得残留的过曝光区域与图像边界相接,得到二值图像I5,所述R为一个预设常数;
步骤12. 计算I5的4-连通区域及其外接矩形,对于每个4-连通区域,若其外接矩形与图像的外边界相接,则采用形态学区域填充运算,将I4中与该4-连通区域相对应的全部像素用背景像素值填充,并令结果图像为M;
所述O(p)表示图像O中像素p的值,M(p)表示二值掩膜图像M中像素p的值,I(p)表示待分割的鞋印图像I中像素p的值;
步骤14. 输出鞋印图像O。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810874870.XA CN109191481B (zh) | 2018-08-03 | 2018-08-03 | 不良曝光条件下的鞋印图像快速阈值分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810874870.XA CN109191481B (zh) | 2018-08-03 | 2018-08-03 | 不良曝光条件下的鞋印图像快速阈值分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109191481A CN109191481A (zh) | 2019-01-11 |
CN109191481B true CN109191481B (zh) | 2021-07-06 |
Family
ID=64919986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810874870.XA Active CN109191481B (zh) | 2018-08-03 | 2018-08-03 | 不良曝光条件下的鞋印图像快速阈值分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109191481B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800267A (zh) * | 2021-02-03 | 2021-05-14 | 大连海事大学 | 一种细粒度鞋印图像检索方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329725A (zh) * | 2008-07-30 | 2008-12-24 | 电子科技大学 | 基于梯度投影和形态学的指纹图像分割方法 |
CN101327126A (zh) * | 2008-07-23 | 2008-12-24 | 天津大学 | 人体赤足迹形态学特征提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101244220B1 (ko) * | 2011-10-21 | 2013-03-18 | 주식회사 유니온커뮤니티 | 지문인식장치 및 그 지문 인식방법 |
-
2018
- 2018-08-03 CN CN201810874870.XA patent/CN109191481B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101327126A (zh) * | 2008-07-23 | 2008-12-24 | 天津大学 | 人体赤足迹形态学特征提取方法 |
CN101329725A (zh) * | 2008-07-30 | 2008-12-24 | 电子科技大学 | 基于梯度投影和形态学的指纹图像分割方法 |
Non-Patent Citations (2)
Title |
---|
Classification of fingerprint images with the aid of morphological operation and AGNN classifier;Subba Reddy Borra等;《Applied Computing and Informatics》;20180731;第14卷(第2期);全文 * |
自动指纹识别系统的研究与实现;王娜;《电脑与信息技术》;20161031;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109191481A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | A simple and effective histogram equalization approach to image enhancement | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
WO2017121018A1 (zh) | 二维码图像处理的方法和装置、终端、存储介质 | |
CN108510499B (zh) | 一种基于模糊集和Otsu的图像阈值分割方法及装置 | |
CN109544583B (zh) | 一种提取皮革图像感兴趣区域的方法、装置及设备 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
Géraud et al. | Color image segmentation based on automatic morphological clustering | |
CN110309806B (zh) | 一种基于视频图像处理的手势识别系统及其方法 | |
CN110268442B (zh) | 在图像中检测背景物上的外来物的计算机实现的方法、在图像中检测背景物上的外来物的设备以及计算机程序产品 | |
Bibiloni et al. | A real-time fuzzy morphological algorithm for retinal vessel segmentation | |
CN110930321A (zh) | 一种能够自动选取目标区域的蓝/绿幕数字图像抠取方法 | |
CN112101370A (zh) | 一种纯色背景图像自动抠像算法、计算机可读存储介质及设备 | |
CN110378893A (zh) | 图像质量评价方法、装置和电子设备 | |
Srinivas et al. | Remote sensing image segmentation using OTSU algorithm | |
Meskini et al. | A new algorithm for skin lesion border detection in dermoscopy images | |
CN112529853A (zh) | 一种用于水下养殖网箱的网衣破损检测方法及装置 | |
CN112330561A (zh) | 基于交互式前景提取与信息熵分水岭的医学图像分割方法 | |
Arunachalam et al. | Identification of defects in fruits using digital image processing | |
CN109191481B (zh) | 不良曝光条件下的鞋印图像快速阈值分割方法 | |
Kumar et al. | Color channel extraction in RGB images for segmentation | |
Tabatabaei et al. | A novel method for binarization of badly illuminated document images | |
Zhang et al. | Motion detection based on improved Sobel and ViBe algorithm | |
CN109426770B (zh) | 虹膜识别方法 | |
CN115272362A (zh) | 一种数字病理全场图像有效区域分割方法、装置 | |
CN115205194A (zh) | 基于图像处理的粘虫板覆盖率检测方法、系统及装置 |
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 |