CN109427067A - 图像处理方法、装置及计算机可读存储介质 - Google Patents

图像处理方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN109427067A
CN109427067A CN201710736520.2A CN201710736520A CN109427067A CN 109427067 A CN109427067 A CN 109427067A CN 201710736520 A CN201710736520 A CN 201710736520A CN 109427067 A CN109427067 A CN 109427067A
Authority
CN
China
Prior art keywords
pixel
value
detected
image
prospect
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.)
Pending
Application number
CN201710736520.2A
Other languages
English (en)
Inventor
王红
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.)
China Mobile Communications Group Co Ltd
China Mobile Communications Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Communications 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 China Mobile Communications Group Co Ltd, China Mobile Communications Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201710736520.2A priority Critical patent/CN109427067A/zh
Publication of CN109427067A publication Critical patent/CN109427067A/zh
Pending legal-status Critical Current

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
    • G06T7/194—Segmentation; Edge detection involving foreground-background 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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像处理方法，包括：在RGB空间，基于码本(Codebook)算法建立Codebook模型；利用建立的Codebook模型检测待检测图像的像素是前景或背景，得到检测结果；利用置信传播算法，通过多邻域方向上传递消息值得到的所述待检测图像的像素的消息值和，并进行归一化处理，得到概率值；所述消息值表征一个像素与邻域像素的连续性；利用所述概率值，对所述检测结果进行修正。本发明同时还公开了一种图像处理装置及计算机可读存储介质。

Description

图像处理方法、装置及计算机可读存储介质
技术领域
本发明涉及图像处理领域，尤其涉及一种图像处理方法、装置及计算机可读存储介质。
背景技术
图像前景分割是目标检测、目标跟踪、目标识别、智能图像等一系列分析的首要步骤。而背景减图法是图像前景分割处理中一个非常重要的方法，适用于监控过程中摄像机位置固定的场合。在背景减图法中，码本(Codebook)算法通过对背景进行动态建模，更新适应背景变化，鲁棒性较好地实现前景分割。
然而，Codebook算法是基于像素独立性建模，没有考虑像素之间的相关性，所以在进行前景分割时，目标物体容易出现“空洞”现象，当“空洞”较大时，简单的形态学处理不能得到完整的目标分割结果。
发明内容
为解决现有存在的技术问题，本发明实施例提供一种图像处理方法、装置及计算机可读存储介质。
本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种图像处理方法，包括：
在RGB空间，基于Codebook算法建立Codebook模型；
利用建立的Codebook模型检测待检测图像的像素是前景或背景，得到检测结果；
利用置信传播算法，通过多邻域方向上传递消息值得到的所述待检测图像的像素的消息值和，并进行归一化处理，得到概率值；所述消息值表征一个像素与邻域像素的连续性；
利用所述概率值，对所述检测结果进行修正。
上述方案中，所述利用所述概率值，对所述检测结果进行修正，包括：
将所述概率值与预设值进行比较，当所述概率值大于所述预设值时，所述待检测图像的像素为前景。
上述方案中，所述利用所述概率值，对所述检测结果进行修正，包括：
将所述概率值与预设值进行比较，当所述概率值小于或等于所述预设值时，所述待检测图像的像素为背景。
上述方案中，所述进行归一化处理，包括：
利用所述待检测图像的像素的相邻像素的个数和所述待检测图像的像素得到的消息值和，进行归一化处理。
上述方案中，所述利用建立的Codebook模型检测待检测图像的像素是前景或背景，包括：
确定所述待检测图像的像素的灰度值和对应的梯度值；
利用确定的灰度值和梯度值，确定所述待检测图像的像素不属于图像边缘或者场景暗的区域时，利用所述建立的Codebook模型检测所述待检测图像的像素是前景或背景。
上述方案中，所述方法还包括：
当利用所述确定灰度值和梯度值，确定所述待检测图像的像素属于图像边缘或者场景暗的区域时，利用建立的灰度模型匹配条件，检测所述待检测图像的像素是前景或背景。
上述方案中，所述利用建立的灰度模型匹配条件，检测所述待检测图像的像素是前景或背景，包括：
求取所述确定的灰度值与基准灰度值差值的绝对值；
将所述绝对值与预设值比较，得到比较结果；
根据比较结果，确定所述待检测图像的像素是前景或背景。
本发明实施例还提供了一种图像处理装置，包括：
建立单元，用于在RGB空间，基于Codebook算法建立Codebook模型；
检测单元，用于利用建立的Codebook模型检测待检测图像的像素是前景或背景，得到检测结果；
修正单元，用于利用置信传播算法，通过多邻域方向上传递消息值得到的所述待检测图像的像素的消息值和，并进行归一化处理，得到概率值；以及利用所述概率值，对所述检测结果进行修正；所述消息值表征一个像素与邻域像素的连续性。
本发明实施例又提供了一种图像处理装置，包括：处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序；
其中，所述处理器用于运行所述计算机程序时，执行上述任一方法的步骤。
本发明实施例还提供了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上述任一方法的步骤。
本发明实施例提供的图像处理方法、装置及计算机可读存储介质，在RGB空间，基于Codebook算法建立Codebook模型；利用建立的Codebook模型检测待检测图像的像素是前景或背景，得到检测结果；利用置信传播算法，通过在多邻域方向上传递消息值得到的所述待检测图像的像素的消息值和，并进行归一化处理，得到概率值；所述消息值表征一个像素与邻域像素的连续性；利用所述概率值，对所述检测结果进行修正。采用了置信传播算法对检测结果进行优化，这种方式充分考虑了像素的上下文信息，对于目标图像中出现的“空洞”现象有很好的抑制效果，得到更加完整的前景目标，同时还能够减少可能的噪音。
附图说明
在附图(其不一定是按比例绘制的)中，相似的附图标记可在不同的视图中描述相似的部件。附图以示例而非限制的方式大体示出了本文中所讨论的各个实施例。
图1为本发明实施例图像处理的方法流程示意图；
图2为本发明实施例消息传递方向示意图；
图3为本发明实施例图像处理装置结构示意图；
图4为本发明实施例图像处理装置硬件结构示意图。
具体实施方式
下面结合附图及实施例对本发明再作进一步详细的描述。
Codebook算法的基本思想是：通过训练视频序列帧对场景中的像素建立颜色和时间的信息模型，首先在一定程度上处理亮度变化引起的高亮区和阴影区，然后对模型进行时域滤波，滤除场景中一闪而过的运动物体和噪音干扰。该方法在运动场景建模中得到较好的实验结果。
虽然目前有对Codebook算法的改进算法，然而在这些改进算法中，有的是基于颜色空间的改进，这种改进算法简化了像素的颜色信息，并没有解决像素的相关性。有的融合了邻域信息的改进，这种改进算法只是简单地把像素N的邻域内有背景模型就设置为背景的做法，不能解决“空洞”现象(目标检测中检测出来的前景目标应当是一个整体，例如检测出来前景是一个足球，显示出来是一个连续的圆形，空洞现象是指在足球中间会有不连续的点，看上去像目标物体的一个空洞)，相反还会加大“空洞”现象，引入更多误差。
基于此，在本发明的各种实施例中：在RGB空间，基于Codebook算法建立Codebook模型；利用建立的Codebook模型检测待检测图像的像素是前景或背景，得到检测结果；利用置信传播算法，通过多领域方向上传递消息值得到的所述待检测图像的像素的消息值和，并进行归一化处理，得到概率值；所述消息值表征一个像素与邻域像素的连续性；利用所述概率值，对所述检测结果进行修正。
本发明实施例的方案，采用了置信传播算法对检测结果进行优化，即结合置信传播思想，从四个一维方向进行消息传递，对于每个像素，根据邻域像素得到消息值，修正对应像素的消息值，并将对应像素的消息值传递出去影响邻域像素。消息值传递结束后，针对每个像素，汇总得到的消息值并计算出归一化的置信度，根据置信度进行前景分割结果优化，这种方式充分考虑了像素的上下文信息，对于目标图像中出现的“空洞”现象有很好的抑制效果，得到更加完整的前景目标，同时，如果一个像素的背景建模有误，由于考虑了上下文环境的概率值会修正这个失误的像素，所以采用本发明实施例的方案还能够减少可能的噪音。
其中，所述前景和背景是图像检测领域的名词，一般来说，所述前景是指像素是要检测的目标，而其余都是背景。对背景进行建模，检测出来的是前景。
本发明实施例提供一种图像处理方法，可以应用于目标检测。举个例子来说，展示牌在没人的时候黑屏，检测人物出现就可以点亮广告等。再比如，仓库报警器检测出非工作时间有目标出现就可以启动报警；智能家居领域检测出有人出现在机器面前就可以启动机器等众多交互场景。
本发明实施例提供的图像处理方法，如图1所示，该方法包括：
步骤101：在RGB空间，基于Codebook算法建立Codebook模型；
这里，一般来说，Codebook算法是采集大小为M×N的视频帧训练图像，对图像集中的像素建立Codebook模型：
其中，称为一个Codebook模型，每个像素有L个Codebook模型。每个Codebook模型都是一个颜色信息vi和时间信息auxi的数据组合，表示为(vi,auxi)|(i＝1,2,……，L)。
这里，
其中，Ii,分别表示该Codebook的最大及最小亮度值；f表示训练时间内该Codebook出现的频率；λ表示在训练时间内没有出现的时间值，一般以次数表示；p和q表示训练时间内该Codebook第一次出现的时间和最后一次出现的时间。
创建背景模型的主要思路是：在第一帧训练视频图像中为每一个像素建立Codebook模型，后继的训练图像中对应像素的信息与已经建立的本像素的Codebook模型进行匹配，如果训练序列帧和模型不匹配，则在该像素的Codebook模型中添加新的模型信息；如果匹配，使用训练帧的像素信息更新模型。
具体地，在更新时，设背景模型像素的Codebook模型为vm,auxm，待检测像素信息为R、G、B、I，n是训练视频帧数，则更新公式如下：
对建立的背景滤波，滤除背景模型中的运动物体(例如飘落的树叶等)和噪声，如公式(3)所示。
background＝{cm|cm∈ψ∩λm＜Tm} (3)
其中，Tm表示时间滤波阈值，一般设置为n/2。
其中，利用公式(1)、公式(2)对每一个像素进行了建模，每一个像素都拥L个码本模型；而利用公式(3)是将L个码本模型中出现次数少的模型删除，只留下出现次数多的，这里是出现大于或等于n/2次就留下作为背景模型。
这里，时域滤波后的初始的Codebook模型，可用于前景分割，待检测像素通过匹配条件判断与Codebook模型的差值，得出是否是前景，即执行步骤102。
其中，在以下的描述中，将待检测图像中的所有像素称为待检测像素。
步骤102：利用建立的Codebook模型检测待检测像素是前景或背景，得到检测结果；
这里，实际应用时，图像中存在场景较暗和边缘区域的图像，这些区域指采用Codebook模型来检测是不够准确的。
基于此，在一些实施例中，本步骤的具体实现可以包括：
确定所述待检测像素的灰度值和对应的梯度值；
利用确定的灰度值和梯度值，确定所述待检测像素不属于图像边缘或者场景暗的区域时，利用所述建立的Codebook模型检测所述待检测像素是前景或背景。
这里，当利用所述确定灰度值和梯度值，确定所述待检测像素属于图像边缘或者场景暗的区域时，利用建立的灰度模型匹配条件，检测所述待检测像素是前景或背景。
加入了基于灰度值的双层匹配，如此，能够提高检测的准确性，而且能够减少可能的噪音。
在一些实施例中，所述利用建立的灰度模型匹配条件，检测所述待检测像素是前景或背景，包括：
求取所述确定的灰度值与基准灰度值差值的绝对值；
将所述绝对值与预设值比较，得到比较结果；
根据比较结果，确定所述待检测像素是前景或背景。
其中，确定梯度值时，先使Laplace算子提取所述待检测像素所在一帧图像的边缘，得到视频帧图像相应的梯度图像G；
然后计算梯度图像G的各像素的梯度值，从而得到所述待检测像素的梯度值。
下面采用更直观的方式详细描述步骤102的具体实现。
假设待检测像素的坐标为(xi,yi)。
首先，求像素坐标(xi,yi)的灰度值；
接着，使用边缘提取算子，比如Laplace算子等，提取图像边缘，得到视频帧图像相应的梯度图像G；
计算待检测像素梯度G(xi,yi)，然后进行匹配，具体匹配步骤包括：
步骤1：如果I(xi,yi)＞δ或者G(xi,yi)＞γ，则待检测像素(xi,yi)属于视频帧图像中的边缘或者场景较暗的区域，进行步骤2，否则进行步骤3；
这里，δ,γ均是阈值(预设值)。实际应用时，可以通过实验得到其最佳经验值。
步骤2：进行灰度模型匹配条件判断；
具体地，g(xi,yi)＝|I(xi,yi)test-I(xi,yi)train| (4)
判断结果：
步骤3：使用Codebook算法的匹配条件进行匹配；
其中，匹配条件为：
其中，xt为像素的RGB颜色值，θ为xt与背景像素模型(Codebook模型)在RGB坐标系中的向量夹角，[Ilow,Ihigh]为亮度变化范围，ε是颜色偏离值，实际应用时可以取训练的经验值。
当公式(6)、(7)的两个条件都满足时，匹配成功，此时说明像素是背景。
从上面的描述可以看出：利用公式(1)至(7)后，可以得到初始的前景分割结果；而本发明实施例还需要结合置信传播的算法对初始结果进行二次判断，旨在消除Codebook中基于单个像素的算法局限性。
步骤103：利用置信传播算法，通过多领域方向上传递消息值得到的所述待检测图像的像素的消息值和，并进行归一化处理，得到概率值；
这里，实际应用时，所述多邻域方向可以包括四个方向；所述四个方向包括：从右到左，从左到右、从上到下、从下到上，如图2所示。
所述消息值表征一个像素与邻域像素的连续性。
置信传播算法是一种迭代的求解概率图模型中概率推断问题的方法，通过消息迭代更新计算结点的置信度。本发明实施例的分割优化过程基于置信传播思想，通过像素之间的传播消息，把空间的相关性引入到背景分割方法中。
在一些实施例中，进行归一化处理时，利用所述待检测图像的像素的相邻像素的个数和所述待检测图像的像素得到的消息值和，进行归一化处理。
其中，实际应用时，通过像素的梯度值来具体体现一个像素与邻域像素的连续性。
基于此，定义像素的状态为：
定义下式表示图像像素的连续性：
其中，Z为最大梯度值，边缘像素与其邻域像素在颜色灰度等特征上不连续，像素点梯度值越大，公式(9)得到的像素的连续性值就越小。
在每个传递方向上，图像中的每个像素得到其上一个相邻像素点传递的消息指，并将这个消息值传递给下一个像素点。
其中，本发明实施例可以采用从左到右，从右到左，从上至下，从下至上四个一维方向在像素间传递消息。因此，在自左至右的传递方向上，第i个像素的消息指被传递给它右侧的第i+1个像素，第i+1个像素点利用传递过来的消息计算本身的消息，并传递给其右侧的i+2个像素，以此类推，在四个方向上采用相同的消息传递机制，直到传到最后一个像素结束。
这里，每个像素有一个消息值用于消息传递，定义像素i的消息为
实际应用时，初始化图像边界像素的消息值为1，k是像素i在不同传递方向上的上一个相邻像素。
四个方向消息传递完成后，进行结点置信度计算。
具体地，每个结点像素的置信度为此像素得到的消息和，归一化为概率值，即如下公式：
其中，num(xi,yi)为像素i的相邻像素的个数。
步骤104：利用所述概率值，对所述检测结果进行修正。
具体地，将所述概率值与预设值进行比较，当所述概率值大于所述预设值时，所述待检测像素为前景。
当所述概率值小于或等于所述预设值时，所述待检测像素为背景。
步骤104用公式表达则有：
其中，δ是设置的阈值。实际应用时，可以根据需要(实际情况)设置。
本发明实施例提供的图像处理方法，在RGB空间，基于Codebook算法建立Codebook模型；利用建立的Codebook模型检测待检测图像的像素是前景或背景，得到检测结果；利用置信传播算法，通过多邻域方向上传递消息值得到的所述待检测像素的消息值和，并进行归一化处理，得到概率值；所述消息值表征一个像素与邻域像素的连续性；利用所述概率值，对所述检测结果进行修正。
本发明实施例的方案，采用了置信传播算法对检测结果进行优化，即结合置信传播思想，从多邻域方向比如四个一维方向进行消息传递，对于每个像素，根据邻域像素得到消息值，修正对应像素的消息值，并将对应像素的消息值传递出去影响邻域像素。消息值传递结束后，针对每个像素，汇总得到的消息值并计算出归一化的置信度，根据置信度进行前景分割结果优化，采用四个方向的消息传播，充分考虑了像素之间的连续性，使每个像素有上下文信息，从而补充了Codebook算法基于独立像素建模的局限性。在信息传播步骤，使用梯度值作为像素的连续性值，对目标边缘两侧的像素可以切断消息传播，这种方式充分考虑了像素的上下文信息，对于目标图像中出现的“空洞”现象有很好的抑制效果，得到更加完整的前景目标，同时还能够减少可能的噪音。
另外，在得到检测结果时，基于Codebook算法，改进了原有的匹配条件，加入了基于灰度值的双层匹配，结合灰度信息的匹配条件，对于场景较暗和边缘区域有很好的适应性。
为实现本发明实施例的方法，本发明实施例提供了一种图像处理装置，如图3所示，该装置包括：
建立单元31，用于在RGB空间，基于Codebook算法建立Codebook模型；
检测单元32，用于利用建立的Codebook模型检测待检测图像的像素是前景或背景，得到检测结果；
修正单元33，用于利用置信传播算法，通过多邻域方向上传递消息值得到的所述待检测图像的像素的消息值和，并进行归一化处理，得到概率值；以及利用所述概率值，对所述检测结果进行修正；所述消息值表征一个像素与邻域像素的连续性。
其中，实际应用时，图像中存在场景较暗和边缘区域的图像，这些区域指采用Codebook模型来检测是不够准确的。
基于此，在一些实施例中，所述检测单元32，具体用于：
利用确定的灰度值和梯度值，确定所述待检测图像的像素不属于图像边缘或者场景暗的区域时，利用所述建立的Codebook模型检测所述待检测图像的像素是前景或背景。
这里，当利用所述确定灰度值和梯度值，所述检测单元32确定所述待检测图像的像素属于图像边缘或者场景暗的区域时，利用建立的灰度模型匹配条件，检测所述待检测图像的像素是前景或背景。
加入了基于灰度值的双层匹配，如此，能够提高检测的准确性，而且能够减少可能的噪音。
在一些实施例中，所述利用建立的灰度模型匹配条件，检测所述待检测图像的像素是前景或背景，包括：
所述检测单元32求取所述确定的灰度值与基准灰度值差值的绝对值；
所述检测单元32将所述绝对值与预设值比较，得到比较结果；
所述检测单元32根据比较结果，确定所述待检测图像的像素是前景或背景。
在一些实施例中，所述修正单元33，具体用于：
将所述概率值与预设值进行比较，当所述概率值大于所述预设值时，所述待检测图像的像素为前景。
其中，当所述概率值小于或等于所述预设值时，所述修正单元33确定所述待检测图像的像素为背景。
在一些实施例中，进行归一化处理时，所述修正单元33利用所述待检测图像的像素的相邻像素的个数和所述待检测图像的像素得到的消息值和，进行归一化处理。
需要说明的是：上述实施例提供的图像处理装置在进行图像处理时，仅以上述各程序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处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的图像处理装置与图像处理方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
实际应用时，所述建立单元31、检测单元32以及修正单元可由图像处理单元的处理器实现。
基于此，本发明实施例提供一种图像处理装置，如图4所示，该装置40包括：处理器41、存储器42及存储在所述存储器上并能够在所述处理器上运行的计算机程序；
其中，所述处理器41用于运行所述计算机程序时，执行：
在RGB空间，基于Codebook算法建立Codebook模型；
利用建立的Codebook模型检测待检测图像的像素是前景或背景，得到检测结果；
利用置信传播算法，通过多邻域方向上传递消息值得到的所述待检测像素的消息值和，并进行归一化处理，得到概率值；所述消息值表征一个像素与邻域像素的连续性；
利用所述概率值，对所述检测结果进行修正。
在一些实施例中，所述处理器41用于运行所述计算机程序时，执行：
将所述概率值与预设值进行比较，当所述概率值大于所述预设值时，所述待检测图像的像素为前景。
在一些实施例中，所述处理器41用于运行所述计算机程序时，执行：
将所述概率值与预设值进行比较，当所述概率值小于或等于所述预设值时，所述待检测图像的像素为背景。
在一些实施例中，所述处理器41用于运行所述计算机程序时，执行：
利用所述待检测图像的像素的相邻像素的个数和所述待检测图像的像素得到的消息值和，进行归一化处理。
在一些实施例中，所述处理器41用于运行所述计算机程序时，执行：
确定所述待检测图像的像素的灰度值和对应的梯度值；
利用确定的灰度值和梯度值，确定所述待检测图像的像素不属于图像边缘或者场景暗的区域时，利用所述建立的Codebook模型检测所述待检测图像的像素是前景或背景。
在一些实施例中，所述处理器41还用于运行所述计算机程序时，执行：
当利用所述确定灰度值和梯度值，确定所述待检测图像的像素属于图像边缘或者场景暗的区域时，利用建立的灰度模型匹配条件，检测所述待检测图像的像素是前景或背景。
在一些实施例中，所述处理器41用于运行所述计算机程序时，执行：
求取所述确定的灰度值与基准灰度值差值的绝对值；
将所述绝对值与预设值比较，得到比较结果；
根据比较结果，确定所述待检测像素是前景或背景。
当然，实际应用时，如图4所示，该装置40还可以包括至少一个网络接口43。图像处理装置40中的各个组件通过总线系统44耦合在一起。可理解，总线系统44用于实现这些组件之间的连接通信。总线系统44除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图4中将各种总线都标为总线系统44。
可以理解，存储器42可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器42旨在包括但不限于这些和任意其它适合类型的存储器。
本发明实施例中的存储器42用于存储各种类型的数据以支持图像处理装置40的操作。
上述本发明实施例揭示的方法可以应用于处理器41中，或者由处理器41实现。处理器41可能是一种集成电路芯片，具有信号的处理能力，更具体地，内置有图像处理算法，即具有图像处理能力。在实现过程中，上述方法的各步骤可以通过处理器41中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器41可以是通用处理器、数字信号处理器(DSP，Digital Signal Processor)，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。处理器41可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器42，处理器41读取存储器42中的信息，结合其硬件完成前述方法的步骤。
在示例性实施例中，图像处理装置40可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或其他电子元件实现，用于执行前述方法。
在示例性实施例中，本发明实施例还提供了一种计算机可读存储介质，例如包括计算机程序的存储器42，上述计算机程序可由图像处理装置40的处理器41执行，以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、FlashMemory、磁表面存储器、光盘、或CD-ROM等存储器。
具体地，本发明实施例提供了一种计算机其上存储有计算机程序，该计算机程序被处理器运行时，执行：
在RGB空间，基于Codebook算法建立Codebook模型；
利用建立的Codebook模型检测待检测图像的像素是前景或背景，得到检测结果；
利用置信传播算法，确定通过在四个方向上传递消息值得到的所述待检测像素的消息值和，并进行归一化处理，得到概率值；所述四个方向包括：从右到左，从左到右、从上到下、从下到上；所述消息值表征一个像素与邻域像素的连续性；
利用所述概率值，对所述检测结果进行修正。
在一些实施例中，所述计算机程序被处理器运行时，执行：
将所述概率值与预设值进行比较，当所述概率值大于所述预设值时，所述待检测图像的像素为前景。
在一些实施例中，所述计算机程序被处理器运行时，执行：
将所述概率值与预设值进行比较，当所述概率值小于或等于所述预设值时，所述待检测像素为背景。
在一些实施例中，所述计算机程序被处理器运行时，执行：
利用所述待检测图像的像素的相邻像素的个数和所述待检测图像的像素得到的消息值和，进行归一化处理。
在一些实施例中，所述计算机程序被处理器运行时，执行：
确定所述待检测图像的像素的灰度值和对应的梯度值；
利用确定的灰度值和梯度值，确定所述待检测图像的像素不属于图像边缘或者场景暗的区域时，利用所述建立的Codebook模型检测所述待检测图像的像素是前景或背景。
在一些实施例中，所述计算机程序被处理器运行时，还执行：
当利用所述确定灰度值和梯度值，确定所述待检测图像的像素属于图像边缘或者场景暗的区域时，利用建立的灰度模型匹配条件，检测所述待检测图像的像素是前景或背景。
在一些实施例中，所述计算机程序被处理器运行时，执行：
求取所述确定的灰度值与基准灰度值差值的绝对值；
将所述绝对值与预设值比较，得到比较结果；
根据比较结果，确定所述待检测图像的像素是前景或背景。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (10)

1.一种图像处理方法，其特征在于，所述方法包括：
在RGB空间，基于码本Codebook算法建立Codebook模型；
利用建立的Codebook模型检测待检测图像的像素是前景或背景，得到检测结果；
利用置信传播算法，通过多邻域方向上传递消息值得到的所述待检测图像的像素的消息值和，并进行归一化处理，得到概率值；所述消息值表征一个像素与邻域像素的连续性；
利用所述概率值，对所述检测结果进行修正。
2.根据权利要求1所述的方法，其特征在于，所述利用所述概率值，对所述检测结果进行修正，包括：
将所述概率值与预设值进行比较，当所述概率值大于所述预设值时，所述待检测图像的像素为前景。
3.根据权利要求1所述的方法，其特征在于，所述利用所述概率值，对所述检测结果进行修正，包括：
将所述概率值与预设值进行比较，当所述概率值小于或等于所述预设值时，所述待检测图像的像素为背景。
4.根据权利要求1所述的方法，其特征在于，所述进行归一化处理，包括：
利用所述待检测图像的像素的相邻像素的个数和所述待检测图像的像素得到的消息值和，进行归一化处理。
5.根据权利要求1所述的方法，其特征在于，所述利用建立的Codebook模型检测待检测图像的像素是前景或背景，包括：
确定所述待检测图像的像素的灰度值和对应的梯度值；
利用确定的灰度值和梯度值，确定所述待检测图像的像素不属于图像边缘或者场景暗的区域时，利用所述建立的Codebook模型检测所述待检测图像的像素是前景或背景。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
当利用所述确定灰度值和梯度值，确定所述待检测图像的像素属于图像边缘或者场景暗的区域时，利用建立的灰度模型匹配条件，检测所述待检测图像的像素是前景或背景。
7.根据权利要求6所述的方法，其特征在于，所述利用建立的灰度模型匹配条件，检测所述待检测图像的像素是前景或背景，包括：
求取所述确定的灰度值与基准灰度值差值的绝对值；
将所述绝对值与预设值比较，得到比较结果；
根据比较结果，确定所述待检测图像的像素是前景或背景。
8.一种图像处理装置，其特征在于，所述装置包括：
建立单元，用于在RGB空间，基于码本Codebook算法建立Codebook模型；
检测单元，用于利用建立的Codebook模型检测待检测图像的像素是前景或背景，得到检测结果；
修正单元，用于利用置信传播算法，通过多邻域方向上传递消息值得到的所述待检测图像的像素的消息值和，并进行归一化处理，得到概率值；以及利用所述概率值，对所述检测结果进行修正；所述消息值表征一个像素与邻域像素的连续性。
9.一种图像处理装置，其特征在于，所述装置包括：处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序；
其中，所述处理器用于运行所述计算机程序时，执行权利要求1至7任一项所述方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
CN201710736520.2A 2017-08-24 2017-08-24 图像处理方法、装置及计算机可读存储介质 Pending CN109427067A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710736520.2A CN109427067A (zh) 2017-08-24 2017-08-24 图像处理方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710736520.2A CN109427067A (zh) 2017-08-24 2017-08-24 图像处理方法、装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN109427067A true CN109427067A (zh) 2019-03-05

Family

ID=65500365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710736520.2A Pending CN109427067A (zh) 2017-08-24 2017-08-24 图像处理方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN109427067A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163221A (zh) * 2019-05-28 2019-08-23 腾讯科技（深圳）有限公司 在图像中进行物体检测的方法、装置、车辆、机器人

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7574039B2 (en) * 2005-03-24 2009-08-11 Honeywell International Inc. Video based fire detection system
CN102855636A (zh) * 2012-06-26 2013-01-02 北京工业大学 一种前景分割问题的优化方法
CN103020986A (zh) * 2012-11-26 2013-04-03 哈尔滨工程大学 一种运动目标跟踪方法
CN103177456A (zh) * 2013-03-29 2013-06-26 上海理工大学 视频图像的运动目标检测方法
CN105139415A (zh) * 2015-09-29 2015-12-09 小米科技有限责任公司 图像前后景分割方法、装置及终端

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7574039B2 (en) * 2005-03-24 2009-08-11 Honeywell International Inc. Video based fire detection system
CN102855636A (zh) * 2012-06-26 2013-01-02 北京工业大学 一种前景分割问题的优化方法
CN103020986A (zh) * 2012-11-26 2013-04-03 哈尔滨工程大学 一种运动目标跟踪方法
CN103177456A (zh) * 2013-03-29 2013-06-26 上海理工大学 视频图像的运动目标检测方法
CN105139415A (zh) * 2015-09-29 2015-12-09 小米科技有限责任公司 图像前后景分割方法、装置及终端

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163221A (zh) * 2019-05-28 2019-08-23 腾讯科技（深圳）有限公司 在图像中进行物体检测的方法、装置、车辆、机器人
WO2020238484A1 (zh) * 2019-05-28 2020-12-03 腾讯科技（深圳）有限公司 在图像中进行物体检测的方法、装置、车辆、机器人
CN110163221B (zh) * 2019-05-28 2022-12-09 腾讯科技（深圳）有限公司 在图像中进行物体检测的方法、装置、车辆、机器人
US11816877B2 (en) 2019-05-28 2023-11-14 Tencent Technology (Shenzhen) Company Limited Method and apparatus for object detection in image, vehicle, and robot

Similar Documents

Publication Publication Date Title
CN109886997B (zh) 基于目标检测的识别框确定方法、装置及终端设备
Mansouri et al. Multiregion competition: A level set extension of region competition to multiple region image partitioning
CN111161311A (zh) 一种基于深度学习的视觉多目标跟踪方法及装置
CN108073864B (zh) 目标对象检测方法、装置及系统和神经网络结构
US9042648B2 (en) Salient object segmentation
CN101482923B (zh) 视频监控中人体目标的检测与性别识别方法
US20180181796A1 (en) Image processing method and apparatus
EP3182369B1 (en) Stereo matching method, controller and system
US11314989B2 (en) Training a generative model and a discriminative model
CN110047095A (zh) 基于目标检测的跟踪方法、装置及终端设备
CN105229697A (zh) 多模态前景背景分割
CN106887021B (zh) 立体视频的立体匹配方法、控制器和系统
WO2022134996A1 (en) Lane line detection method based on deep learning, and apparatus
US20140002591A1 (en) Apparatus, system, and method for temporal domain hole filling based on background modeling for view synthesis
CN106683110A (zh) 用户终端及其目标跟踪方法及装置
US9185270B2 (en) Ghost artifact detection and removal in HDR image creation using graph based selection of local reference
US20180357212A1 (en) Detecting occlusion of digital ink
CN107194948B (zh) 基于集成式预测与时空域传播的视频显著性检测方法
US20220270266A1 (en) Foreground image acquisition method, foreground image acquisition apparatus, and electronic device
CN112800850A (zh) 一种视频处理方法、装置、电子设备及存储介质
WO2023221608A1 (zh) 口罩识别模型的训练方法、装置、设备及存储介质
CN110866473B (zh) 目标对象的跟踪检测方法及装置、存储介质、电子装置
CN112634316A (zh) 目标跟踪方法、装置、设备和存储介质
CN112036381A (zh) 视觉跟踪方法、视频监控方法及终端设备
CN103985106A (zh) 用于对强噪声图像进行多帧融合的设备和方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190305

RJ01 Rejection of invention patent application after publication