CN109785347A - 图像处理方法、图像处理系统及存储介质 - Google Patents
图像处理方法、图像处理系统及存储介质 Download PDFInfo
- Publication number
- CN109785347A CN109785347A CN201810392273.3A CN201810392273A CN109785347A CN 109785347 A CN109785347 A CN 109785347A CN 201810392273 A CN201810392273 A CN 201810392273A CN 109785347 A CN109785347 A CN 109785347A
- Authority
- CN
- China
- Prior art keywords
- image
- image processing
- initial pictures
- pixel data
- processing method
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 79
- 238000012545 processing Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 37
- 230000005540 biological transmission Effects 0.000 claims abstract description 19
- 239000000284 extract Substances 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 79
- 230000015654 memory Effects 0.000 claims description 30
- 238000001914 filtration Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 17
- 230000002708 enhancing effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000005260 corrosion Methods 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 abstract description 6
- 101100325756 Arabidopsis thaliana BAM5 gene Proteins 0.000 description 29
- 101150046378 RAM1 gene Proteins 0.000 description 29
- 101100476489 Rattus norvegicus Slc20a2 gene Proteins 0.000 description 29
- 102100031584 Cell division cycle-associated 7-like protein Human genes 0.000 description 24
- 101000777638 Homo sapiens Cell division cycle-associated 7-like protein Proteins 0.000 description 24
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000001514 detection method Methods 0.000 description 10
- 238000007781 pre-processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000005530 etching Methods 0.000 description 5
- 241001269238 Data Species 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 229910044991 metal oxide Inorganic materials 0.000 description 2
- 150000004706 metal oxides Chemical class 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/60—Memory management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F12/00—Accessing, addressing or allocating within memory systems or architectures
- G06F12/02—Addressing or allocation; Relocation
- G06F12/08—Addressing or allocation; Relocation in hierarchically structured memory systems, e.g. virtual memory systems
- G06F12/0802—Addressing of a memory level in which the access to the desired data or data block requires associative addressing means, e.g. caches
- G06F12/0875—Addressing of a memory level in which the access to the desired data or data block requires associative addressing means, e.g. caches with dedicated cache, e.g. instruction or stack
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0007—Image acquisition
-
- G06T5/70—
-
- 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
- G06T7/136—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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
-
- 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
- G06T2207/20024—Filtering details
Abstract
一种图像处理方法、图像处理系统及存储介质。该图像处理方法包括:获取初始图像并且在初始图像的像素数据的传输过程中,提取初始图像中包括的预定目标的轮廓;根据初始图像中包括的预定目标的轮廓,得到预定目标的信息。该图像处理方法能够对获取的视频或图像进行实时处理,无需借助帧缓存,从而可以降低设备的运行功耗,提高设备的响应速度,使顾客获得更好的使用体验。
Description
技术领域
本公开的实施例涉及一种图像处理方法、图像处理系统及存储介质。
背景技术
随着社会的发展和科技的进步,智能家居已经逐渐进入到大众的生活中。例如,在智能家居的发展过程中,智能试衣镜的出现使得顾客不需要真实试穿服装就可以知道穿上后的效果,从而可以使顾客获得更好的试衣体验。
发明内容
本公开至少一实施例提供一种图像处理方法,包括:获取初始图像并且在所述初始图像的像素数据的传输过程中,提取所述初始图像中包括的预定目标的轮廓;根据所述初始图像中包括的所述预定目标的轮廓,得到所述预定目标的信息。
例如,在本公开一实施例提供的图像处理方法中,提取所述初始图像中包括的预定目标的轮廓包括:对所述传输过程中依序获取的所述初始图像的像素数据进行图像预处理操作,以依序获取与所述初始图像对应的二值化图像的二值化像素数据;基于获取的所述二值化像素数据,提取所述二值化图像中的至少一个连通域以确定所述初始图像中包括的预定目标的轮廓。
例如,在本公开一实施例提供的图像处理方法中,所述图像预处理操作包括:对所述初始图像的像素数据进行灰度转换以得到所述初始图像的像素数据的灰度值;将所述像素数据的灰度值与阈值参数比较,并且在所述像素数据的灰度值大于所述阈值参数的情况下,则对应的二值化像素数据的灰度值为0,在所述像素数据的灰度值小于或等于所述阈值参数的情况下,则对应的二值化像素数据的灰度值为1。
例如,在本公开一实施例提供的图像处理方法中,所述图像预处理操作还包括:对所述初始图像的像素数据的灰度值进行对比度增强操作。
例如,在本公开一实施例提供的图像处理方法中,所述图像预处理操作还包括:将所述初始图像的像素数据的灰度值或对比度增强操作后的图像的部分的灰度值依序进行缓存操作;对缓存的多行灰度值进行高斯滤波操作。
例如,在本公开一实施例提供的图像处理方法中,所述阈值参数可以通过固定阈值法或动态阈值法获得。
例如,在本公开一实施例提供的图像处理方法中,所述图像预处理操作还包括:对所述二值化图像的像素数据进行边界腐蚀和/或膨胀操作。
例如,在本公开一实施例提供的图像处理方法中,提取所述二值化图像中的至少一个连通域以确定所述初始图像中包括的预定目标的轮廓包括:依序提取所述二值化图像中的边界像素;对所述边界像素进行归类以提取所述至少一个连通域;根据所述至少一个连通域确定最大连通域以获得所述初始图像中包括的预定目标的轮廓。
例如,在本公开一实施例提供的图像处理方法中,依序提取所述二值化图像的边界像素包括:将所述二值化图像的部分的二值化像素数据依序进行缓存操作;采用四邻域法提取缓存的多行二值化像素数据中的边界像素,并缓存提取的所述边界像素。
例如,在本公开一实施例提供的图像处理方法中,依序提取所述二值化图像的边界像素还包括:采用乒乓操作对所述缓存的多行二值化像素数据进行所述四邻域法的计算。
例如,在本公开一实施例提供的图像处理方法中,对所述边界像素进行归类以提取所述至少一个连通域包括:采用八邻域法对缓存的所述边界像素进行归类以提取所述至少一个连通域。
例如,在本公开一实施例提供的图像处理方法中,根据所述至少一个连通域确定最大连通域以获得所述初始图像中包括的预定目标的轮廓包括:将所述边界像素的坐标的个数最多的连通域确定为所述最大连通域,所述最大连通域为所述初始图像中包括的预定目标的轮廓。
例如,在本公开一实施例提供的图像处理方法中,根据所述初始图像中包括的所述预定目标的轮廓,得到所述预定目标的信息包括:提取所述初始图像中包括的预定目标的轮廓的坐标并进行存储;对所述预定目标的轮廓的坐标进行计算以求解出所述预定目标的信息。
例如,本公开一实施例提供的图像处理方法,还包括:在获取所述初始图像之前,获取关于截取区域的截取参数,基于所述截取参数,仅从图像拍摄装置获取所述初始图像对应于所述截取区域的部分以进行处理。
例如,在本公开一实施例提供的图像处理方法中,所述截取参数包括基于所述图像拍摄装置的场同步控制信号和/或时钟信号进行计数时需要保留的所述初始图像部分的数据。
例如,在本公开一实施例提供的图像处理方法中,所述预定目标为人体。
例如,在本公开一实施例提供的图像处理方法中,对所述边界像素进行归类以提取所述至少一个连通域以及根据所述初始图像中包括的预定目标的轮廓得到所述预定目标的信息在帧消隐区中进行。
本公开至少一实施例还提供一种图像处理系统,包括:处理器;存储器;一个或多个计算机程序模块,所述一个或多个计算机程序模块被存储在所述存储器中并被配置为由所述处理器执行,所述一个或多个计算机程序模块包括用于执行实现本公开任一实施例提供的图像处理方法的指令。
例如,本公开一实施例提供的图像处理系统还包括图像拍摄装置,所述图像拍摄装置配置为获取所述初始图像。
本公开至少一实施例还提供一种存储介质,用于非暂时性存储计算机可读指令,当所述非暂时性计算机可读指令由计算机执行时可以执行本公开任一实施例提供的图像处理方法。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例的附图作简单地介绍,显而易见地,下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1A为本公开一实施例提供的一种图像处理过程的示意图;
图1B为本公开一实施例涉及的图像拍摄装置的一个示例的示意图;
图2为本公开一实施例中提供的一种图像处理方法的流程图;
图3为本公开一实施例中提供的图像处理方法中截取区域的示意图;
图4为图2所示的步骤S120的一个示例的图像处理方法的流程图;
图5为图4所示的步骤S121的一个示例的图像预处理操作的流程图;
图6为本公开一实施例中提供的图像处理方法中高斯滤波操作的示意图;
图7为本公开一实施例中提供的图像处理方法中对边界进行腐蚀操作的示意图;
图8为图4所示的步骤S122的一个示例的图像处理方法的流程图;
图9为图8中所示的步骤S1221的一个示例的图像处理方法的流程图;
图10为本公开一实施例中提供的一种图像处理方法中四邻域法的示意图;
图11为本公开一实施例中提供的一种图像处理方法中八邻域法的示意图;
图12为图2所示的步骤S130的一个示例的图像处理方法的流程图;
图13为本公开一实施例中提供的一种图像处理方法的示意框图;以及
图14为本公开一实施例提供的一种图像处理系统的示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例的附图,对本公开实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本公开的一部分实施例,而不是全部的实施例。基于所描述的本公开的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
除非另外定义,本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,“一个”、“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
下面,将参照附图详细描述根据本公开的各个实施例。需要注意的是,在附图中,将相同的附图标记赋予基本上具有相同或类似结构和功能的组成部分,并且将省略关于它们的重复描述。
图1A示出了根据本公开至少一实施例的一种智能试衣镜进行图像处理时的示意图。如图1A所示,在图像处理系统中,图像拍摄装置20拍摄包含人体的图像,且将拍摄的图像帧(一帧图像)缓存至帧缓存单元31中以便对该缓存的图像帧进行后续的处理。例如,该帧缓存单元31可以使用外部存储(例如双倍速率同步动态随机存储器(Double Data Rate,DDR))或内部存储(例如随机存取存储器(Random Access Memory,RAM))进行一帧图像的缓存。例如,在后续的图像处理过程中,将缓存的图像帧上传至系统的控制器40中,控制器40对其进行处理,例如计算出图像中包括的人体的例如身高、腰围或胸围等各项参数,从而控制器40可以根据这些参数,获取相应的图片等信息,并且控制显示器50显示和顾客尺码或风格相匹配的服饰,并将该服饰显示在试衣镜中顾客的身上,使得顾客不需要真实试穿服装就可以知道该服装穿上后的效果,从而可以使顾客获得更好的试衣体验。
图1B示出了该图像拍摄装置20的一个示例的示意图。如图1B所示,该图像拍摄装置20包括像素单元阵列和周边电路,它们例如可以集成在同一硅基芯片上。像素单元阵列包括排成阵列的像素单元,例如图1B所示,像素单元阵列按X和Y方向排列成方阵,方阵中的每一个像素单元都有它在X、Y方向(例如行方向和列方向)上的地址,并可分别经由相应的行线和相应的列线在这两个方向上的地址译码器进行选择;输出的电流/电压信号被放大之后,输送到A/D转换器进行模数转换变成数字信号输出。该图像拍摄装置20的同步控制电路和时序脉冲电路控制像素单元阵列,以逐行将像素单元的数字信号输出至帧缓存单元中,当整个像素单元阵列的数字信号均输出、缓存后,将得到完整的一帧图像,即缓存的图像帧。
在上述图像处理的过程中,一方面,当存储多帧图像时,例如,存储16帧图像,例如每一帧图像的分辨率为640*480,那么帧缓存单元31的存储量需要为640*480*16字节,会占用相当大的存储资源,然而存储资源和集成电路的成本是成正比的,因此,大量的存储资源会耗费较高的成本;另一方面,由于图像拍摄装置例如摄像头拍摄的图像数据在传输至显示器的过程中需要进行帧缓存以进行图像处理,因此在显示器的显示过程中会有一帧图像的延迟,从而会影响顾客的观看效果和使用体验。
本公开一实施例提供一种图像处理方法。该图像处理方法包括:获取初始图像并且在初始图像的像素数据的传输过程中,提取初始图像中包括的预定目标的轮廓;根据初始图像中包括的预定目标的轮廓,得到预定目标的信息。本公开至少一实施例还提供一种对应于上述图像处理方法的图像处理系统和存储介质。
如图1A所示,除了帧缓存单元31之外,还提供本公开实施例的图像处理装置32,该图像处理装置32可使得图像拍摄装置20输出的每一帧图像在其像素数据的逐个(例如逐行)传输过程中进行像素数据的处理以及人体各项参数的计算,计算得到的各项参数被提供给控制器40以用于后续处理,例如再与来自帧缓存单元31的图像帧结合以供用户使用,从而本公开实施例的图像处理装置32在保证设备在正常运行的同时,避免帧缓存造成的时延等。
该图像处理方法能够对采集的视频或图像进行实时处理,无需借助帧缓存,从而可以降低设备的运行功耗和制造成本,提高设备的响应速度,从而使顾客获得更好的使用体验。
下面结合附图对本公开的实施例进行详细说明。
本公开一实施例提供一种图像处理方法。例如,适用于智能试衣镜以对人体进行检测,如图2所示,该显示图像的处理方法包括步骤S110至步骤S130。下面,参考图2对本公开实施例的图像处理方法进行说明。
步骤S110:获取初始图像。
例如,该初始图像可以通过图像拍摄装置获得。例如,该图像拍摄装置可以包括CMOS(互补金属氧化物半导体)传感器、CCD(电荷耦合器件)传感器等。
例如,在获取该初始图像之前,获取关于截取区域的截取参数,基于截取参数,仅从图像拍摄装置获取初始图像对应于截取区域的部分以进行处理,因此,在后续步骤中仅传输该截取区域对应的图像的像素数据,从而减少了数据的处理量,降低设备的运行功耗,提高设备的响应速度。该截取区域例如为感兴趣的区域,例如,当用于智能试衣镜的人体检测时,为人体所在的区域。相应地,该截取参数可以根据使用经验设置。
例如,截取参数包括基于图像拍摄装置的场同步控制信号和/或时钟信号进行计数时需要保留的初始图像部分的数据。例如,图像拍摄装置拍摄的整帧图像的区域为图3中所示的区域101,例如该区域的分辨率为640*480(640列480行)。例如,图3中所示的截取区域102为人体图像所在的区域。例如,该截取区域102包括多行,每行表示一行像素数据。例如该截取区域(即人体图像通常所在的区域)对应于整个图像帧的中下部480列320行的区域(即480*320),其余的区域为不需要的背景区域,因此,在从图像拍摄装置接收拍摄的图像帧的数据时,假设对于像素单元阵列(参见图1B)从上至下逐行扫描以读取数据,则跳过前160行像素单元的数据不读取(即截取图像),而从第161行像素单元开始读取,且对每行也仅读取中间的480列的像素单元,因此相应地在本实施例的示例中,截取参数为截取区域(即人体图像所在的区域)的所在行和列。由于图像中的各行和各列对应相应的场同步控制信号和时钟信号,因此该截取参数也可以为场同步控制信号和时钟信号对应于需要保留的图像拍摄装置拍摄的初始图像部分的序号和个数等数据。需要注意的是,该截取区域(即人体图像通常所在的区域)的位置和大小视具体情况而定,本公开的实施例对此不作限制。
例如,图像拍摄装置将拍摄的初始图像的像素数据(例如行数、列数等)实时发送给一个控制器例如现场可编程门阵列(Field-Programmable Gate Array,FPGA),其可以为不同于例如图1A所示的系统的控制器40而是为实现本公开实施例的图像处理方法单独提供的或定制的控制器,或者也可以由控制器40复用实现。根据上述截取参数(即人体图像所在的区域为560*280),该控制器通过对例如图1B所示的图像拍摄装置的同步控制电路输出的场同步控制信号(包括水平同步控信号HSYNC和垂直同步控信号VSYNC)进行计数,将不在该截取参数范围的像素数据去掉,从而只保留并传输初始图像中截取区域(即人体图像所在的区域)中的像素数据,从而减少了数据的处理量,提高设备的响应速度。例如,同时也可以对图1B所示的图像拍摄装置的时序脉冲电路输出的时钟信号进行计数。
步骤S120:提取初始图像中包括的预定目标的轮廓。
例如,该初始图像为步骤S110中描述的初始图像中对应于截取区域部分的图像。例如,该初始图像中的最大连通域可以作为初始图像中包括的预定目标的轮廓。例如,该最大连通域的提取方法将在下面进行详细地介绍,这里不再赘述。例如,通过该预定目标的轮廓,以确定预定目标的相关信息。
例如,预定目标包括人体,且本公开实施例以人体检测为例进行说明,以下实施例与此相同,这里不再赘述。需要注意的是,预定目标可以视具体的应用场景而定,本公开的实施例对此不作限制。
该步骤以及后续步骤是在初始图像的像素数据逐个或逐行传输的过程中实现的,从而实现初始图像的像素数据的实时处理,避免借助帧缓存。
步骤S130:得到所述预定目标的信息。
例如,根据步骤S120中提取的初始图像中包括的预定目标的轮廓,以确定预定目标的相关信息。例如,在该预定目标为人体时,该预定目标的相关信息例如包括人体的身高、腰围或胸围等各项信息。例如,当该图像处理方法应用于智能试衣镜时,可以将该人体(即顾客)的各项信息上传至系统的控制器,例如中央处理单元(CPU),从而控制器可以根据该人体的身高、腰围或胸围等控制显示器显示适合顾客尺寸以及风格的服装以实现智能试衣,从而可以使顾客获得更好的试衣体验。
需要说明的是,本公开各实施例中的各个步骤可以通过中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元来实现,例如,该处理单元可以为通用处理器或专用处理器,可以是基于X86或ARM架构的处理器等,以下实施例与此相同,不再赘述。
本公开实施例的图像处理方法能够对采集的视频或图像进行实时处理,无需借助帧缓存,从而可以降低设备的运行功耗和制造成本,提高设备的响应速度,从而使顾客获得更好的使用体验。
图4是本公开一实施例的一个示例提供的一种初始图像中包括的预定目标的轮廓的提取方法的流程图。也就是说图4是图2中所示的步骤S120的一个示例的操作流程图。如图4所示,该提取方法包括步骤S121至步骤S122。下面,参考图4对本公开实施例的图像处理方法进行说明。
步骤S121:对传输过程中依序获取的初始图像的像素数据进行图像预处理操作。
例如,该依序获取表示逐个或逐行获取。例如,在灰度转换、对比度增强或二值化操作等操作过程中像素数据是被逐个获取并进行相应地处理;在高斯滤波、边界提取以及连通域的提取操作中像素数据是被逐行获取并进行相应地处理,具体过程将在下面进行详细的介绍,在此不再赘述。例如,该图像预处理操作包括二值化操作,且通过该二值化操作逐个获取与初始图像对应的二值化图像的二值化像素数据。例如,该步骤可以将彩色的RGB图像转化为二值化图像,以进行连通域的提取。由于像素数据在传输过程中是按顺序逐个或逐行传输的,因此可以对该依序传输的像素数据逐个或逐行进行图像预处理操作以依序获得与该初始图像对应的二值化图像的二值化像素数据,以实现数据的实时处理,无需对已经缓存的图像帧进行操作,由此避免借助帧缓存对拍摄的图像进行处理。例如,可以对图3中所示的截取区域102中的一行进行图像预处理操作。该图像预处理操作的具体示例的操作方法如图5所示,将在下面进行详细地介绍,这里不再赘述。
步骤S122:提取二值化图像中的至少一个连通域以确定初始图像中包括的预定目标的轮廓。
例如,基于步骤S121中获取的二值化像素数据,提取二值化图像中的至少一个连通域以确定初始图像中包括的预定目标的轮廓。例如,在步骤S121中已逐个获取了初始图像所对应的二值化图像中的部分二值化像素数据,可以随着对该二值化像素数据进行实时读写操作以进行连通域的提取,直至所有的像素数据全部读完为止,从而实现在像素数据的传输过程中实现数据的实时处理。图8示出了该步骤的具体示例的操作的流程图,该具体示例的操作过程将在下面进行详细地介绍,这里不再赘述。
例如,图5示出了本公开一实施例提供的图像预处理操作的流程图。也就是说,图5为图4中所示的步骤S121的一个示例的图像预处理方法的操作流程图。如图5所示,该图像预处理操作包括步骤S1211至步骤S1215。
步骤S1211:对初始图像的像素数据依序进行灰度转换以得到初始图像的像素数据的灰度值。
例如,在像素数据的逐个传输过程中,可以对像素数据逐个进行灰度转换。例如,可以采用加权法、均值法或最大值法等将彩色图像转换为灰度图像。例如,像素数据的灰度值的范围为0-255。需要说明的是,该灰度转换的实现方法(例如加权法、均值法或最大值法等)可以采用本领域中常规的方法或部件进行实现,在此不再详述。
例如,该图像预处理操作还可以包括对初始图像的像素数据的灰度值进行对比度增强操作,将高于预定值的灰度值增加,将低于预定值的灰度值减小。例如,将初始图像转换为灰度图像后,为了更好地将预定目标(例如人体)与背景图像进行分离,可以对该灰度图像的像素数据的灰度值进行对比度增强操作。例如,该对比度增强操作可以采用直方图均衡化、线性变换或非线性变换等方法进行。例如,可以根据实际情况选择用于定义高灰度值和低灰度值的预定值。例如,该对比度增强操作将高于该预定值的灰度值增加,将低于该预定值的灰度值减小。例如,在像素数据的逐个传输过程中,可以对像素数据逐个进行对比度增强操作。
例如,在本公开实施例中,可以通过线性变换的方法来实现对比度增强的操作。该方法可以表示为:
g(x)=a*f(x)+b*(1-a)
其中,g(x)表示对比度增强操作后的灰度值,f(x)表示灰度变换后对比度增强操作前的灰度值,a表示固定参数,b表示调整的中心灰阶值。
例如,可以通过调整上述公式中a和b的取值划分高灰度值和低灰度值以及调整对比度增强的程度。
例如,该图像预处理操作还可以包括将初始图像的像素数据的灰度值或对比度增强操作后的图像的像素数据的灰度值依序进行缓存操作(而非帧缓存操作),并对缓存的多行灰度值进行高斯滤波操作。例如,该依序进行缓存操作表示逐行缓存。例如,本公开实施例通过采用高斯滤波的方法对灰度图像进行去噪处理以获得更加平滑的图像以保证图像处理结果的准确性。例如,该高斯滤波采用离散化窗口滑窗卷积法,例如,该离散化窗口滑窗卷积法中采用如图6所示的3*3的窗口模板(即高斯核)遍历缓存的多行灰度值以进行滤波处理,并且在有新的1行或多行灰度值被缓存后,将该新的1行或多行灰度值结合已有的灰度值滚动进行滤波处理。例如,可以将对比度增强操作后的图像部分的2行灰度值逐行缓存至两个相同的双端口存储器RAM1和RAM2中。
需要注意的是,该RAM1和RAM2和四邻域法中的RAM1和RAM2类似,将在步骤S12211中对其进行详细地介绍,在此不再赘述。另需要注意的是,该高斯滤波操作的遍历方法和步骤S12212中执行四邻域法时的遍历方法类似,其具体遍历过程将在步骤S12212中进行详细介绍,在此不再赘述。
例如,高斯滤波通过该3*3的窗口模板(即高斯核)对像素数据邻域内的像素进行加权求平均值来取代该像素数据以实现对图像的平滑滤波。例如,该3*3的高斯模板可以通过高斯函数获得。例如,该高斯函数可以表示为:
其中,G(x,y)为高斯函数,x2,y2分别表示邻域内其他像素与邻域内中心像素的距离,σ决定模板的宽度,σ越大,模板的宽度越小。
需要注意的是,还可以采用5*5以及其他大小的窗口模板对每帧灰度图像进行高斯滤波,本公开的实施例对此不作限制。
需要注意的是,还可以采用线性滤波或中值滤波等滤波方法,本公开的实施例对此不作限制。
例如,在本公开实施例中,在图像的像素数据的逐个传输过程中,每次缓存对比度增强操作后的图像中的部分像素数据的灰度值,并依序对该部分像素数据的灰度值逐行进行高斯滤波,从而实现数据的实时处理。由于该部分像素数据的灰度值与整体相比仅为极小的数据量,因此不会影响数据的实时处理,可以减小数据在图像处理过程中的资源占有量。需要注意的是,缓存的像素数据的灰度值可以是2行,也可以是多行,具体的行数视具体情况而定,本公开的实施例对此不作限制。
步骤S1212:设定阈值参数。
例如,该阈值参数可以通过固定阈值法或动态阈值法获得。例如,固定阈值法就是对图像采集装置采集的大量图像进行测试以确定一个固定阈值,例如,该阈值可有效地识别预定目标(例如人体)。例如,该测试包括统计该初始图像的灰阶分布,以确定预定目标(例如人体)的灰度值,从而将该灰度值作为阈值。例如,该动态阈值法可以通过统计每帧图像的直方图,以根据该直方图中灰阶分布特性得到人体图像的灰阶分布,从而确定将灰度图像分割为二值化图像的阈值。
例如,该阈值参数可以存储在用于实现本公开实施例的图像处理方法的控制器(例如FPGA)的寄存器中,需要使用时该控制器可以从寄存器中读取。
步骤S1213:判断像素数据的灰度值是否大于阈值参数,如果是,则执行步骤S1214;如果否,则执行步骤S1215。
例如,将像素数据的灰度值与阈值参数比较,并且在像素数据的灰度值大于阈值参数的情况下,则对应的二值化像素数据的灰度值为0,在像素数据的灰度值小于或等于阈值参数的情况下,则对应的二值化像素数据的灰度值为1。通过该步骤可以实现将灰度图像向二值化图像的转化,从而进一步减少了数据的处理量。
步骤S1214:对应的二值化像素数据的灰度值为0。
步骤S1215:对应的二值化像素数据的灰度值为1。
例如,在一个示例中,该图像预处理操作还包括对二值化图像的像素数据进行边界腐蚀和/或膨胀操作。例如,在对二值化图像的边界进行腐蚀操作时可以采用图7中所示的1*3的腐蚀模板。例如,该腐蚀操作的操作原理为若第i(i为大于等于2的整数)个像素数据的灰度值为0,则与其相邻的第i-1和i+1个像素数据的灰度值也置为0,从而达到滤波的目的。需要注意的是,腐蚀操作还可以采用3*3的腐蚀模板对缓存的多行二值化像素数据进行遍历。例如,该遍历的过程与高斯滤波以及步骤S12212中描述的四邻域法的遍历过程类似,在此不再赘述。例如,可以采用和高斯滤波中类似的RAM1和RAM2对二值化像素数据进行缓存。
需要说明的是,膨胀操作为腐蚀操作的反操作,原理相似,在此不再赘述。
通过腐蚀和/或膨胀操作(即开运算)对二值化图像的边界进行滤波处理,以使得二值化图像的边界更加平滑和清晰,以便于后续步骤中对该二值化图像的边界进行更准确地提取,但是本公开的实施例不限于此。
图8为本公开一实施例提供的一种确定预定目标轮廓的流程图,也就是说,图8是图4中所示的步骤S122的一个示例的操作流程图。如图8所示,该操作包括步骤S1221至步骤S1223。
步骤S1221:依序提取二值化图像中的边界像素。
例如,图9示出了该二值化图像中的边界像素的提取方法的流程图。例如,如图9所示,该提取方法包括步骤S12211至步骤S12213。
步骤S12211:将二值化图像的部分的二值化像素数据依序进行缓存操作。
例如,在该步骤中采用两个相同的双端口存储器RAM1和RAM2作为缓存操作的存储器。例如,RAM1和RAM2每个有两套总线,分别有独立的时钟、使能端、数据总线和读写地址总线。当其中一端进行读操作时,另一端可以同时进行写操作。例如,RAM1存储二值化图像的部分的奇数行二值化像素数据,例如该奇数行为第1行,RAM2存储二值化图像的部分的偶数行二值化像素数据,例如,该偶数行为第2行。例如,在RAM1存储的当前奇数行(例如第1行)的像素数据的逐个输出的过程中,下一奇数行(例如第3行)的像素数据逐个缓存至RAM1,以此类推……。例如,RAM2的存储原理与RAM1类似,在此不再赘述。需要注意的是,RAM1和RAM2的存储内容也可以互换,例如,RAM1也可以存储二值化图像的部分的偶数行二值化像素数据,例如该偶数行为第2行,相应地RAM2也可以存储二值化图像的部分的奇数行二值化像素数据,例如,该奇数行为第1行,本公开的实施例对此不作限制。
步骤S12212:采用四邻域法提取缓存的多行二值化像素数据中的边界像素。
例如,采用四邻域法对步骤S12211中RAM1和RAM2中缓存的数据进行边界像素的提取。例如,采用乒乓操作对缓存操作中的多行二值化像素数据进行四邻域法的计算。该乒乓操作的原理为:在RAM1中缓存奇数行的二值化像素数据,在RAM2中缓存一个偶数行的二值化像素数据,当采用四邻域法对RAM1中缓存的奇数行的像素数据进行边界像素的提取并输出时,RAM2中缓存的偶数行的像素数据的是不工作的(即不对其进行边界像素的提取),同理,当采用四邻域法对RAM2中缓存的偶数行的像素数据进行边界像素的提取并输出时,RAM1中缓存的奇数行的像素数据是不工作的,就像打乒乓球一样,同一时间点总有一个人是不打球的。例如,在步骤S12211中,RAM1缓存了图像数据的第3行的像素数据的边界像素,RAM2缓存了图像数据的第4行的像素数据的边界像素,可以采用四邻域法并结合第3行、第4行以及第5行的像素数据对第4行的像素数据的边界像素进行提取。
例如,将RAM1中存储的第3行的3个像素数据逐个读取至图10所示的模板中的第1行(例如,数字1所在的行);同时,将第5行的像素数据中的3个像素数据逐个写入RAM1并同时从RAM1中将其逐个读取至图10所示的模板中的第3行(例如数字2所在的行);同时,将RAM2中存储的第4行的3个像素数据逐个读取至图10所示的模板中的第2行(例如,数字3和4所在的行),在此基础上,对图10所示的模板内的第2行(即图像数据的第4行)的像素数据now1采用四邻域法进行边界像素的提取,以此类推,直至所有行的像素数据遍历完成为止。
由于在进行下一奇数行(例如第5行)的像素数据的传输时,输出的是当前偶数行(例如第4行)的像素数据的边界像素。因此,该方法在时间上只须延迟一行的时间即可输出结果,从而实现了数据的实时传输。
例如,该四邻域法中像素数据之间的邻接关系如图10所示。例如,如图10所示,判断一个像素数据now1是否为边界像素,可以对图10中所示的四个位置1,2,3,4中的二值化像素数据的数值进行判断。例如,若四个位置1,2,3,4中的二值化像素数据的数值中至少有一个为0,则当前像素now1为边界像素,且将该边界像素的灰度值置为1并进行输出;反之,若四个位置1,2,3,4中的二值化像素数据的数值全部都是1,则当前像素now1不是边界像素,且将该当前像素数据的灰度值置为0并进行输出。
步骤S12213:缓存提取的边界像素。
例如,将步骤S12212中提取的边界像素及其他像素逐行缓存至上述RAM1和RAM2,或与上述RAM1和RAM2相同的两个其他存储器中。
步骤S1222:对边界像素进行归类以提取至少一个连通域。
例如,该步骤以及后续步骤是在帧消隐区(简称为VBlanking)进行的。例如,该帧消隐区可以通俗理解为是两帧图像数据之间非传输有效数据的时间段,即像素数据传输过程中的空闲区间。
例如,采用八邻域法对缓存的边界像素进行归类以提取至少一个连通域。例如,该八邻域法中与当前像素邻接的各个像素数据的位置如图11所示。例如,将步骤S12213中依序缓存至RAM1和RAM2中的边界像素按地址读取。例如,首先找到一个边界像素,记为第一像素数据,例如,图11中所示的当前像素now2。然后,按顺序判断与该第一像素数据now2相邻的八个位置1,2,3,4,5,6,7,8的像素数据的数值。如果顺序判断至该八个位置的某一位置(例如图11中所示的位置2)的像素数据的数值为1,则跳至该位置(例如图11中所示的位置2)且将第一像素数据now2的灰度值置为0。例如,图11中所示的位置2的像素数据为另一边界像素。例如,跳至该位置(例如图11中所示的位置2)后通过该八邻域法继续进行上述像素数据的判断,直至判断至该第一像素数据now2的位置,至此提取出该边界图中的一个连通域。例如,判断出一个连通域后,随着像素数据的依序传输,继续进行下一个连通域的判断,直至判断出所有的连通域为止。例如,在判断连通域的过程中,将连通域的所有边界像素的坐标存入存储器中。
例如,所有边界像素的坐标可以通过用于实现本公开实施例的图像处理方法的控制器(例如FPGA)的计数器获得。例如,在步骤S110中,该控制器通过对场同步控制信号和时钟信号进行计数以保留截取区域中所有的像素数据(包括边界像素)。在计数的过程中,例如,时钟信号为截取区域中的像素数据的横(行)坐标,场同步控制信号例如为截取区域中的像素数据的纵(列)坐标。因此,通过在步骤S110中对该边界像素的时钟信号和场同步控制信号的个数进行计数,以获得该边界像素的横纵坐标。
例如,在该步骤中提取出的连通域包括人体区域以及背景区域。例如,在该实施例中,背景区域为噪声区域。
需要注意的是,该步骤中采用八邻域法时的缓存操作和乒乓操作和步骤S12212中类似,且该步骤中采用的RAM1和RAM2可以复用高斯滤波过程中或步骤S12211中的RAM1和RAM2,在此不再赘述。
步骤S1223:确定最大连通域以获得初始图像中包括的预定目标的轮廓。
例如,将边界像素的坐标的个数最多的连通域确定为最大连通域。例如,最大连通域为初始图像中包括的预定目标(即人体)的轮廓。例如,根据步骤S1222中获取的至少一个连通域确定最大连通域以获得初始图像中包括的预定目标的轮廓。例如,复用步骤S12211中的RAM1和RAM2,分别存储两个连通域的边界像素的坐标。例如,在将连通域的边界像素的坐标写入相应的存储器时对存储器中的坐标的个数进行计数并比较。
例如,首先提取出第一个连通域的边界像素的坐标,存储至RAM1;然后提取出第二个连通域的边界像素的坐标,存储至RAM2,并与RAM1中坐标的个数做比较。例如,将连通域的边界像素的坐标个数较少的存储器清空,保留连通域的边界像素的坐标个数较多的存储器中的数据。继续提取出第三个连通域的边界像素的坐标并存入之前清空的存储器中,再与之前保留的存储器中的连通域的边界像素的坐标的个数作比较,直至将整帧图像的所有连通域的坐标全部提取并比较完成为止,最终保留的存储器中存储的连通域的边界像素的边界像素的坐标个数最多,且该边界像素的坐标个数最多的连通域即为最大的连通域。例如,在该实施例中,坐标个数较少的连通域为背景区域(即噪声区域)。
图12示出了预定目标的信息的求解方法的流程图。也就是说,图12是图2中所示的步骤S130的一个示例的图像处理方法的流程图。如图12所示,该求解方法包括步骤S131至步骤S132。例如,该预定目标的信息的求解方法也是在帧消隐区进行的。
步骤S131:提取初始图像中包括的预定目标的轮廓的坐标并进行存储。
例如,本公开实施例中预定目标(即人体)的轮廓的坐标即在步骤S1223中确定的最大连通域的坐标。例如,将人体的轮廓的坐标存储在存储器中。例如,该存储器可以复用上述步骤S12211中使用的RAM1或RAM2。
步骤S132:对预定目标的轮廓的坐标进行计算。
例如,对预定目标的轮廓的坐标进行计算以求解出预定目标(即人体)的信息。例如,该预定目标(即人体)的信息包括身高、腰围或胸围等。
例如,通过在帧消隐区对预定目标(即人体)的轮廓的坐标进行读写控制以及坐标的计算求解预定目标(即人体)的信息。例如,将人体的比例等各项参数提前存储在系统的控制器(例如FPGA)的寄存器中以用于判断人体的头部或腰部等各个部位的具体位置。
下面以腰围的计算为例进行说明。例如,通过人体的比例确定腰部在人体轮廓中的具体位置,根据该具体位置提取出人体轮廓中腰部位置的左右两侧的两个坐标,通过对该两个坐标进行减法计算大致求得人体的腰围。
需要注意的,人体中的各项参数的计算不限于此,也可以采用本领域中其他的常规方法进行计算,本公开的实施例对此不作限制。另外,需要说明的是,其他各项参数的计算与腰围的计算类似,在此不再赘述。
例如,将求解出的人体的各项参数上传至系统的控制器,例如CPU,从而控制器根据该各项参数控制显示器显示适合顾客尺寸和风格的衣服。
图13示出了本公开一个实施例提供的图像处理方法示意图,该图像处理方法完整地包括上述步骤的示意框图。参考图13,本公开实施例的图像处理方法包括图像拍摄模块200、图像预处理模块300、目标检测模块400、控制模块500和显示器600。例如,该图像处理方法应用于智能试衣镜。
例如,图像拍摄模块200可以实现图2中所示的步骤S110。例如,该图像拍摄模块200可以拍摄图像信息以获得初始图像,并截取初始图像中对应于截取区域的部分。例如,将该初始图像中对应于截取区域的部分传输至图像预处理模块300进行图像预处理操作。例如,在图像拍摄模块200中的图像都是彩色图像,当然也可以是黑白图像。
例如,图像预处理模块300是在像素数据的传输的过程中进行。例如,图像预处理模块300可以实现图4中所示的步骤S121。例如,该图像预处理模块300将图像拍摄模块200逐个传输过来的初始图像中对应于截取区域的部分彩色图像的像素数据依序进行灰度转换操作转换为灰度图像,并将该灰度图像的像素数据逐个进行对比度增强操作以更好地将预定目标(例如人体)和背景分离,将该对比度增强操作后的灰度图像的像素数据逐行进行高斯滤波以对该灰度图像进行去噪,从而得到更准确的轮廓信息。例如,对该高斯滤波后的图像逐个进行二值化操作(例如,阈值分割)以将灰度图像转化为二值化图像,从而减少数据的处理量。例如,该图像预处理模块300还对该二值化图像逐行进行边界腐蚀与膨胀操作,以便于目标检测模块400中边界像素的提取。
例如,目标检测模块400可以实现图4中所示的步骤S122。例如,目标检测模块400通过四邻域法对图像预处理模块300中传输过来的二值化像素数据逐行进行边界像素的提取,并通过八邻域法对该边界像素进行处理以提取所有的连通域。例如,目标检测模块400中边界提取的过程是在数据传输过程中进行的,提取连通域的过程是在帧消隐区进行的,即该部分是两帧图像数据之间非传输有效数据的时间段,即像素数据传输过程中的空闲区间。例如,该目标检测模块400通过比较各个连通域的边界像素的坐标的个数确定最大的连通域,该最大的连通域即为预定目标的轮廓。例如,通过该预定目标的轮廓(即最大的连通域的边界像素)的坐标求解预定目标的各项参数。例如,在预定目标为人体时,该各项参数可以是身高、腰围或胸围等。目标检测模块400将求解的各项参数传输至控制模块500。
例如,控制模块500(例如CPU)根据该各项参数为顾客推荐合适的服饰显示在显示器600上,还可以结合另外由帧缓存单元缓存的图像帧显示,从而顾客可以不需要真实试穿服装就可以知道穿上后的效果,从而可以使顾客获得更好的试衣体验。
例如,该显示器600可以为OLED显示屏或薄膜晶体管液晶显示屏(LCD)等,本公开的实施例对此不作限制。
由于上述图像预处理模块300和目标检测模块400中的边界提取过程是在数据传输过程中实现的,目标检测模块400中连通域的提取和坐标参数的计算是在帧消隐区实现的,所以该图像处理方法能够对采集的视频或图像进行实时处理,无需借助帧缓存,从而降低设备的运行功耗及制作成本,提高设备的响应速度,从而使顾客获得更好的使用体验。
需要注意的是,上述各个模块可以通过软件、固件、硬件(例如FPGA)或它们的任意组合方式实现。
需要说明的是,本公开的实施例中,该用于图像处理方法的流程可以包括更多或更少的操作,这些操作可以顺序执行或并行执行。虽然上文描述的训练方法的流程包括特定顺序出现的多个操作,但是应该清楚的了解,多个操作的顺序并不受限制。上文描述的图像处理方法可以执行一次,也可以按照预定条件执行多次。
本公开一实施例还提供一种图像处理系统1,配置为执行本公开实施例的上述图像处理方法。例如,该图像处理系统1可以通过软件、固件、硬件或它们的任意组合方式实现。
图14为本公开一实施例提供的一种示例性图像处理系统1的示意框图。例如,如图14所示的图像处理系统1可以包括图像拍摄装置10、处理器11、存储器12和一个或多个计算机程序模块121。
例如,图像拍摄装置10配置为获取初始图像。例如,该图像拍摄装置10可以是CMOS(互补金属氧化物半导体)传感器、CCD(电荷耦合器件)传感器等。
例如,处理器11与存储器12通过总线系统13连接。例如,一个或多个计算机程序模块121可以被存储在存储器12中。例如,一个或多个计算机程序模块121可以包括用于执行实现上述图像处理方法的指令。例如,一个或多个计算机程序模块121中的指令可以由处理器11执行。例如,总线系统13可以是常用的串行、并行通信总线等,本公开的实施例对此不作限制。
例如,该处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,可以为通用处理器或专用处理器,并且可以控制图像处理系统1中的其它组件以执行期望的功能。存储器12可以包括一个或多个计算机程序产品,该计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。该非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行该程序指令,以实现本公开实施例中(由处理器11实现)的功能以及/或者其它期望的功能,例如图像处理方法等。在该计算机可读存储介质中还可以存储各种应用程序和各种数据,例如阈值参数以及应用程序使用和/或产生的各种数据等。
需要说明的是,为表示清楚,并没有给出该图像处理系统1的全部组成单元。为实现图像处理系统1的必要功能,本领域技术人员可以根据具体需要提高、设置其他未示出的组成单元,本公开对此不做限制。
关于图像处理系统1的技术效果可以参考本公开的实施例中提供的图像处理方法的技术效果,这里不再赘述。
本公开一实施例还提供一种存储介质。例如,该存储介质用于非暂时性存储计算机可读指令,当非暂时性计算机可读指令由计算机(包括处理器)执行时可以执行本公开任一实施例提供的图像处理方法。
例如,该存储介质可以是一个或多个计算机可读存储介质的任意组合,例如一个计算机可读存储介质包含图像预处理操作的计算机可读的程序代码,另一个计算机可读存储介质包含连通域提取的计算机可读的程序代码。例如,当该程序代码由计算机读取时,计算机可以执行该计算机存储介质中存储的程序代码,执行例如本公开任一实施例提供的图像预处理操作、连通域提取或图像处理等操作方法。
例如,存储介质可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、闪存、或者上述存储介质的任意组合,也可以为其他适用的存储介质。
有以下几点需要说明:
(1)本公开实施例附图只涉及到与本公开实施例涉及到的结构,其他结构可参考通常设计。
(2)在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合以得到新的实施例。
以上所述仅是本发明的示范性实施方式,而非用于限制本发明的保护范围,本发明的保护范围由所附的权利要求确定。
Claims (20)
1.一种图像处理方法,包括:
获取初始图像并且在所述初始图像的像素数据的传输过程中,提取所述初始图像中包括的预定目标的轮廓;
根据所述初始图像中包括的所述预定目标的轮廓,得到所述预定目标的信息。
2.根据权利要求1所述的图像处理方法,其中,提取所述初始图像中包括的预定目标的轮廓包括:
对所述传输过程中依序获取的所述初始图像的像素数据进行图像预处理操作,以依序获取与所述初始图像对应的二值化图像的二值化像素数据;
基于获取的所述二值化像素数据,提取所述二值化图像中的至少一个连通域以确定所述初始图像中包括的预定目标的轮廓。
3.根据权利要求2所述的图像处理方法,其中,所述图像预处理操作包括:
对所述初始图像的像素数据依序进行灰度转换以得到所述初始图像的像素数据的灰度值;
将所述像素数据的灰度值与阈值参数比较,并且在所述像素数据的灰度值大于所述阈值参数的情况下,则对应的二值化像素数据的灰度值为0,在所述像素数据的灰度值小于或等于所述阈值参数的情况下,则对应的二值化像素数据的灰度值为1。
4.根据权利要求3所述的图像处理方法,其中,所述图像预处理操作还包括:
对所述初始图像的像素数据的灰度值进行对比度增强操作。
5.根据权利要求3或4所述的图像处理方法,其中,所述图像预处理操作还包括:
将所述初始图像的像素数据的灰度值或对比度增强操作后的图像的像素数据的灰度值依序进行缓存操作;
对缓存的多行灰度值进行高斯滤波操作。
6.根据权利要求3所述的图像处理方法,其中,所述阈值参数可以通过固定阈值法或动态阈值法获得。
7.根据权利要求3所述的图像处理方法,其中,所述图像预处理操作还包括:
对所述二值化图像的像素数据进行边界腐蚀和/或膨胀操作。
8.根据权利要求2所述的图像处理方法,其中,提取所述二值化图像中的至少一个连通域以确定所述初始图像中包括的预定目标的轮廓包括:
依序提取所述二值化图像中的边界像素;
对所述边界像素进行归类以提取所述至少一个连通域;
根据所述至少一个连通域确定最大连通域以获得所述初始图像中包括的预定目标的轮廓。
9.根据权利要求8所述的图像处理方法,其中,依序提取所述二值化图像的边界像素包括:
将所述二值化图像的二值化像素数据依序进行缓存操作;
采用四邻域法提取缓存的多行二值化像素数据中的边界像素,并缓存提取的所述边界像素。
10.根据权利要求8所述的图像处理方法,其中,依序提取所述二值化图像的边界像素还包括:
采用乒乓操作对所述缓存的多行二值化像素数据进行所述四邻域法的计算。
11.根据权利要求8所述的图像处理方法,其中,对所述边界像素进行归类以提取所述至少一个连通域包括:
采用八邻域法对缓存的所述边界像素进行归类以提取所述至少一个连通域。
12.根据权利要求8所述的图像处理方法,其中,根据所述至少一个连通域确定最大连通域以获得所述初始图像中包括的预定目标的轮廓包括:
将所述边界像素的坐标的个数最多的连通域确定为所述最大连通域;
其中,所述最大连通域为所述初始图像中包括的预定目标的轮廓。
13.根据权利要求1所述的图像处理方法,其中,根据所述初始图像中包括的所述预定目标的轮廓,得到所述预定目标的信息包括:
提取所述初始图像中包括的预定目标的轮廓的坐标并进行存储;
对所述预定目标的轮廓的坐标进行计算以求解出所述预定目标的信息。
14.根据权利要求1-13任一所述的图像处理方法,还包括:
在获取所述初始图像之前,获取关于截取区域的截取参数,基于所述截取参数,仅从图像拍摄装置获取所述初始图像对应于所述截取区域的部分以进行处理。
15.根据权利要求14所述的图像处理方法,其中,所述截取参数包括基于所述图像拍摄装置的场同步控制信号和/或时钟信号进行计数时需要保留的所述初始图像部分的数据。
16.根据权利要求1-13任一所述的图像处理方法,其中,所述预定目标为人体。
17.根据权利要求1-13任一所述的图像处理方法,其中,对所述边界像素进行归类以提取所述至少一个连通域以及根据所述初始图像中包括的预定目标的轮廓得到所述预定目标的信息在帧消隐区中进行。
18.一种图像处理系统,包括:
处理器;
存储器;一个或多个计算机程序模块,所述一个或多个计算机程序模块被存储在所述存储器中并被配置为由所述处理器执行,所述一个或多个计算机程序模块包括用于执行实现权利要求1-17任一所述的图像处理方法的指令。
19.根据权利要求18所述的图像处理系统,还包括图像拍摄装置,其中,所述图像拍摄装置配置为获取所述初始图像。
20.一种存储介质,用于非暂时性存储计算机可读指令,当所述非暂时性计算机可读指令由计算机执行时可以执行根据权利要求1-17任一所述的图像处理方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810392273.3A CN109785347A (zh) | 2018-04-27 | 2018-04-27 | 图像处理方法、图像处理系统及存储介质 |
PCT/CN2019/083691 WO2019206082A1 (zh) | 2018-04-27 | 2019-04-22 | 图像处理方法、图像处理系统及存储介质 |
US16/618,873 US11216925B2 (en) | 2018-04-27 | 2019-04-22 | Image processing method, image processing system, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810392273.3A CN109785347A (zh) | 2018-04-27 | 2018-04-27 | 图像处理方法、图像处理系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109785347A true CN109785347A (zh) | 2019-05-21 |
Family
ID=66495726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810392273.3A Pending CN109785347A (zh) | 2018-04-27 | 2018-04-27 | 图像处理方法、图像处理系统及存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11216925B2 (zh) |
CN (1) | CN109785347A (zh) |
WO (1) | WO2019206082A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503086A (zh) * | 2019-08-14 | 2019-11-26 | 中国科学院近代物理研究所 | 一种基于奇偶位置的目标质心定位系统及方法 |
CN111429360A (zh) * | 2020-01-14 | 2020-07-17 | 湖南城市学院 | 一种用于图形图像处理的双显示器装置及其控制方法 |
CN111583157A (zh) * | 2020-05-13 | 2020-08-25 | 杭州睿琪软件有限公司 | 图像处理方法、系统及计算机可读存储介质 |
CN111833276A (zh) * | 2020-07-20 | 2020-10-27 | 浙江大华技术股份有限公司 | 一种图像的中值滤波处理方法及装置 |
CN113099109A (zh) * | 2021-03-23 | 2021-07-09 | 南昌欧菲光电技术有限公司 | 抓拍控制装置及方法、摄像设备和计算机可读存储介质 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11450087B2 (en) * | 2018-04-18 | 2022-09-20 | Trustees Of Tufts College | System and method for multimedia analytic processing and display |
US11423175B1 (en) * | 2019-07-30 | 2022-08-23 | NortonLifeLock Inc. | Systems and methods for protecting users |
CN111414800B (zh) * | 2020-02-17 | 2023-08-01 | 妙微(杭州)科技有限公司 | 图像中小目标识别监控方法及其训练集的获取方法 |
CN111681256B (zh) * | 2020-05-07 | 2023-08-18 | 浙江大华技术股份有限公司 | 图像边缘检测方法、装置、计算机设备和可读存储介质 |
CN112150389B (zh) * | 2020-09-30 | 2023-01-03 | 北京小狗吸尘器集团股份有限公司 | 图像去噪方法、装置、计算机可读存储介质及电子设备 |
CN112613523B (zh) * | 2020-12-15 | 2023-04-07 | 中冶赛迪信息技术(重庆)有限公司 | 一种转炉出钢口钢流识别方法、系统、介质及电子终端 |
CN113283417A (zh) * | 2020-12-31 | 2021-08-20 | 深圳怡化电脑股份有限公司 | 一种图像数据处理方法、装置、电子设备和介质 |
CN112927148A (zh) * | 2021-01-27 | 2021-06-08 | 上海云深网络技术有限公司 | 图像处理方法及图像处理系统 |
CN112884826B (zh) * | 2021-03-26 | 2023-03-24 | 北京阅影科技有限公司 | 血管中心线的提取方法及装置 |
CN113096095B (zh) * | 2021-04-12 | 2023-07-25 | 江苏理工学院 | 基于机器视觉的粘连药片计数方法及计数系统 |
CN113240693B (zh) * | 2021-04-27 | 2023-10-20 | 珠海埃克斯智能科技有限公司 | 芯片切割控制方法、系统、设备及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104301584A (zh) * | 2013-07-18 | 2015-01-21 | 想象技术有限公司 | 图像处理系统 |
CN105184216A (zh) * | 2015-07-24 | 2015-12-23 | 山东大学 | 一种心二区掌纹的数字提取方法 |
CN106717000A (zh) * | 2016-12-12 | 2017-05-24 | 深圳市大疆创新科技有限公司 | 图像信号处理方法和装置 |
CN107025639A (zh) * | 2017-04-05 | 2017-08-08 | 中科微至智能制造科技江苏有限公司 | 一种复杂环境下的条码定位方法 |
Family Cites Families (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB9711024D0 (en) * | 1997-05-28 | 1997-07-23 | Rank Xerox Ltd | Image enhancement and thresholding of images |
US7570390B2 (en) * | 2003-01-09 | 2009-08-04 | Sony Corporation | Image processing device and method |
US8593542B2 (en) * | 2005-12-27 | 2013-11-26 | DigitalOptics Corporation Europe Limited | Foreground/background separation using reference images |
EP1931134A4 (en) * | 2005-09-28 | 2009-07-01 | Olympus Corp | IMAGING DEVICE |
US7773158B2 (en) * | 2005-10-12 | 2010-08-10 | Panasonic Corporation | Visual processing device, display device, and integrated circuit |
JP5117217B2 (ja) * | 2008-02-15 | 2013-01-16 | オリンパス株式会社 | 撮像システム及び画像処理方法並びに画像処理プログラム |
RU2484531C2 (ru) * | 2009-01-22 | 2013-06-10 | Государственное научное учреждение центральный научно-исследовательский и опытно-конструкторский институт робототехники и технической кибернетики (ЦНИИ РТК) | Устройство обработки видеоинформации системы охранной сигнализации |
US8290253B1 (en) * | 2009-10-30 | 2012-10-16 | Adobe Systems Incorporated | Method and apparatus for applying Gaussian Mixture Models to local image patches using an adaptive color lookup table |
CN102693429B (zh) | 2011-03-25 | 2015-10-14 | 阿里巴巴集团控股有限公司 | 特征模型选取方法与模拟体验平台设备 |
US8792718B2 (en) * | 2012-06-29 | 2014-07-29 | Adobe Systems Incorporated | Temporal matte filter for video matting |
US9891857B2 (en) * | 2013-07-15 | 2018-02-13 | International Business Machines Corporation | Utilizing global digests caching in similarity based data deduplication |
US9892048B2 (en) * | 2013-07-15 | 2018-02-13 | International Business Machines Corporation | Tuning global digests caching in a data deduplication system |
US9554048B2 (en) * | 2013-09-26 | 2017-01-24 | Apple Inc. | In-stream rolling shutter compensation |
KR20150037091A (ko) | 2013-09-30 | 2015-04-08 | 삼성전자주식회사 | 영상처리장치 및 그 제어방법 |
US9208403B1 (en) * | 2014-06-16 | 2015-12-08 | Qualcomm Incorporated | Systems and methods for processing image data associated with line detection |
US9449248B1 (en) * | 2015-03-12 | 2016-09-20 | Adobe Systems Incorporated | Generation of salient contours using live video |
CN106666903A (zh) | 2015-11-09 | 2017-05-17 | 恒基伟业投资发展集团有限公司 | 一种利用图像测量人体体型参数的方法及装置 |
CN105678792A (zh) | 2016-02-25 | 2016-06-15 | 中南大学 | 一种人体轮廓提取方法及系统 |
CN107292948B (zh) | 2016-04-12 | 2021-03-26 | 香港理工大学 | 一种人体建模方法、装置及电子设备 |
TWI620166B (zh) * | 2016-09-12 | 2018-04-01 | 友達光電股份有限公司 | 控制方法 |
CN106377264A (zh) | 2016-10-20 | 2017-02-08 | 广州视源电子科技股份有限公司 | 一种人体身高测量方法、装置及智能镜子 |
US11163359B2 (en) * | 2016-11-10 | 2021-11-02 | Neurotrack Technologies, Inc. | Method and system for correlating an image capturing device to a human user for analyzing gaze information associated with cognitive performance |
US10506196B2 (en) * | 2017-04-01 | 2019-12-10 | Intel Corporation | 360 neighbor-based quality selector, range adjuster, viewport manager, and motion estimator for graphics |
US10453221B2 (en) * | 2017-04-10 | 2019-10-22 | Intel Corporation | Region based processing |
US10402932B2 (en) * | 2017-04-17 | 2019-09-03 | Intel Corporation | Power-based and target-based graphics quality adjustment |
US10424082B2 (en) * | 2017-04-24 | 2019-09-24 | Intel Corporation | Mixed reality coding with overlays |
US10939038B2 (en) * | 2017-04-24 | 2021-03-02 | Intel Corporation | Object pre-encoding for 360-degree view for optimal quality and latency |
CN107808397B (zh) | 2017-11-10 | 2020-04-24 | 京东方科技集团股份有限公司 | 瞳孔定位装置、瞳孔定位方法和视线追踪设备 |
JP7118678B2 (ja) * | 2018-03-19 | 2022-08-16 | キオクシア株式会社 | 欠陥検査装置および欠陥検査方法 |
-
2018
- 2018-04-27 CN CN201810392273.3A patent/CN109785347A/zh active Pending
-
2019
- 2019-04-22 US US16/618,873 patent/US11216925B2/en active Active
- 2019-04-22 WO PCT/CN2019/083691 patent/WO2019206082A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104301584A (zh) * | 2013-07-18 | 2015-01-21 | 想象技术有限公司 | 图像处理系统 |
CN105184216A (zh) * | 2015-07-24 | 2015-12-23 | 山东大学 | 一种心二区掌纹的数字提取方法 |
CN106717000A (zh) * | 2016-12-12 | 2017-05-24 | 深圳市大疆创新科技有限公司 | 图像信号处理方法和装置 |
CN107025639A (zh) * | 2017-04-05 | 2017-08-08 | 中科微至智能制造科技江苏有限公司 | 一种复杂环境下的条码定位方法 |
Non-Patent Citations (2)
Title |
---|
孙彪: "《亚像素图像轮廓提取算法研究及硬件实现》", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
杨冬梅: "《基于双目视觉的人体参数获取方法的研究》", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503086A (zh) * | 2019-08-14 | 2019-11-26 | 中国科学院近代物理研究所 | 一种基于奇偶位置的目标质心定位系统及方法 |
CN111429360A (zh) * | 2020-01-14 | 2020-07-17 | 湖南城市学院 | 一种用于图形图像处理的双显示器装置及其控制方法 |
CN111583157A (zh) * | 2020-05-13 | 2020-08-25 | 杭州睿琪软件有限公司 | 图像处理方法、系统及计算机可读存储介质 |
CN111583157B (zh) * | 2020-05-13 | 2023-06-02 | 杭州睿琪软件有限公司 | 图像处理方法、系统及计算机可读存储介质 |
CN111833276A (zh) * | 2020-07-20 | 2020-10-27 | 浙江大华技术股份有限公司 | 一种图像的中值滤波处理方法及装置 |
CN113099109A (zh) * | 2021-03-23 | 2021-07-09 | 南昌欧菲光电技术有限公司 | 抓拍控制装置及方法、摄像设备和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2019206082A1 (zh) | 2019-10-31 |
US11216925B2 (en) | 2022-01-04 |
US20200134795A1 (en) | 2020-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109785347A (zh) | 图像处理方法、图像处理系统及存储介质 | |
Jiang et al. | Enlightengan: Deep light enhancement without paired supervision | |
CN109754377B (zh) | 一种多曝光图像融合方法 | |
US9041834B2 (en) | Systems and methods for reducing noise in video streams | |
US20210341998A1 (en) | Gaze-point determining method, contrast adjusting method, and contrast adjusting apparatus, virtual reality device and storage medium | |
CN108304821A (zh) | 图像识别方法及装置、图像获取方法及设备、计算机设备及非易失性计算机可读存储介质 | |
US20100316254A1 (en) | Use of z-order data in an image sensor | |
CN102063704B (zh) | 一种机载视景增强方法及其装置 | |
US20170053379A1 (en) | Demosaicing methods and apparatuses using the same | |
CN106940791B (zh) | 一种基于低维方向梯度直方图的行人检测方法 | |
CN109313797B (zh) | 一种图像显示方法及终端 | |
Liu et al. | Large size single image fast defogging and the real time video defogging FPGA architecture | |
CN115883755A (zh) | 一种多类型场景下多曝光图像融合方法 | |
CN105279244B (zh) | 甘蔗种芽分类特征数据库的建立方法 | |
CN117152165B (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
CN117011291B (zh) | 一种手表外壳质量视觉检测方法 | |
Yan et al. | The research of building earthquake damage object-oriented segmentation based on multi feature combination with remote sensing image | |
CN116883893A (zh) | 基于红外热成像的隧道掌子面地下水智能判识方法及系统 | |
US9412036B2 (en) | Methods and systems for object detection based on column-wise and row-wise sums of pixel values | |
WO2019223067A1 (zh) | 基于多重处理的虹膜图像增强方法、装置、设备及介质 | |
CN111476750A (zh) | 对成像模组进行污点检测的方法、装置、系统及存储介质 | |
CN104318511B (zh) | 一种电脑显卡及其图像处理方法 | |
CN115620079A (zh) | 样本标签的获取方法和镜头失效检测模型的训练方法 | |
Prabha et al. | Defect detection of industrial products using image segmentation and saliency | |
CN115131355A (zh) | 利用电子设备数据检测防水布异常的智能方法 |
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 |