CN109829361B - 图像的处理方法及应用该方法的机器人、装置 - Google Patents

Abstract

本发明涉及图像处理技术领域，公开了一种图像的处理方法及应用该方法的机器人、装置。该处理方法包括：获取样本图像；其中，样本图像包括第一图像区域；定义能量函数；获取阈值取值范围并从阈值取值范围中选取多个阈值参数；将多个阈值参数逐一用于获取第一图像区域的计算边界以及求解能量函数；其中，能量函数的最优解对应第一图像区域的最优计算边界。通过上述方式，本发明能够简化图像中目标区域(即第一图像区域)的检测过程。

Description

图像的处理方法及应用该方法的机器人、装置

技术领域

本发明涉及图像处理技术领域，特别是涉及一种图像的处理方法及应用该方法的机器人、装置。

背景技术

天空区域是户外图像的重要组成部分，用于提供环境信息。在图像中识别出天空区域，其在用于室外的地面机器人自主导航中有十分重要的作用。

常用的检测算法根据其测距传感器可分为两种：第一种是使用主动式传感器，比如雷达，激光传感器等，这类传感器比较精确，但缺点是比较成本较高。而第二种是使用被动式传感器，比如视觉传感器等。这类传感器成本较低，但其主要依赖于算法实现，而目前基于被动式传感器的天空区域检测算法精度较低。

发明内容

有鉴于此，本发明主要解决的技术问题是提供一种图像的处理方法及应用该方法的机器人、装置，能够简化图像中目标区域(即第一图像区域)的检测过程。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种图像的处理方法，该处理方法包括：获取样本图像；其中，样本图像包括第一图像区域；定义能量函数；获取阈值取值范围并从阈值取值范围中选取多个阈值参数；将多个阈值参数逐一用于获取第一图像区域的计算边界以及求解能量函数；其中，能量函数的最优解对应第一图像区域的最优计算边界。

在本发明的一实施例中，获取样本图像的步骤之后包括：将样本图像转换为灰度图像；将样本图像的灰度图像分别与Sobel算子在水平以及竖直方向上的两个运算符进行卷积，得到两个样本图像的梯度图像；根据两个样本图像的梯度图像，计算出样本图像的梯度幅值图像。

在本发明的一实施例中，样本图像还包括第二图像区域；定义能量函数的步骤包括：能量函数定义为

其中，Σ_S、Σ_G用于描述样本图像中的第一图像区域和第二图像区域的像素值，

是对应Σ_S、Σ_G的特征值。

在本发明的一实施例中，定义能量函数的步骤还包括：优化能量函数；其中，优化后的能量函数如下：

其中，γ表示第一图像区域的同质性系数，且令γ＝2。

在本发明的一实施例中，将多个阈值参数逐一用于获取第一图像区域的计算边界的步骤包括：从多个阈值参数中选取一阈值参数；遍历梯度幅值图像，确定梯度幅值图像中梯度大于所选取的阈值参数的图像坐标；其中，梯度大于所选取的阈值参数且位于梯度幅值图像最上方的图像坐标组成第一图像区域的计算边界；更换阈值参数，再次遍历梯度幅值图像，以确定梯度幅值图像中梯度大于所选取的阈值参数的图像坐标，直至遍历多个阈值参数。

在本发明的一实施例中，遍历梯度幅值图像，确定梯度幅值图像中梯度大于所选取的阈值参数的图像坐标的步骤包括：逐列扫描梯度幅值图像，得到梯度幅值图像的多个图像列；逐列确定多个图像列中梯度大于所选取的阈值参数的图像坐标；

处理方法还包括：定义边界位置函数b(x)：

其中，t为阈值参数；grad(y，x)为图像坐标(x，y)处的梯度；W为样本图像的宽度；H为样本图像的高度；b(x)用于描述多个图像列中梯度大于所选取的阈值参数的图像坐标；

第一图像区域的计算边界用于定义第一图像区域的计算区域，第一图像区域的计算区域描述为：

sky＝{(x,y)|1≤x≤W,1≤y≤b(x)}。

在本发明的一实施例中，该处理方法还包括：

定义搜索区间为[thresh_min,thresh_max]；

定义阈值参数为：

从而得到阈值取值范围。

在本发明的一实施例中，将多个阈值参数逐一用于求解能量函数的步骤包括：令b_tmp＝b(x)；其中，b(x)为阈值参数t对应的边界位置函数；遍历多个阈值参数，分别计算各阈值参数对应的b_tmp所对应的能量函数J_n(t)；确定能量函数J_n(t)的最大值所对应的b_tmp并令其为b_opt；其中，b_opt为最优边界位置函数，b_opt所包括图像坐标的集合为第一图像区域的最优计算边界。

在本发明的一实施例中，该处理方法还包括：

定义边界位置函数b(x)的平均值border_ave：

定义第一图像区域的计算边界位置绝对差之和的平均值ASADSBP：

定义第一图像区域的计算边界位置的绝对差值：

diff_abs(x)＝|b(x+1)-b(x)|，(1≤x≤W-1)；

其中，若满足(border_ave<H/30)∨(border_ave<H/10∧ASADSBP>5)，或满足diff_abs(x)>H/3(x∈[1,W-1])，则判定第一图像区域的最优计算边界所定义的第一图像区域的最优计算区域存在杂质区域。

在本发明的一实施例中，第一图像区域的最优计算区域中除杂质区域之外的其他区域为第一图像区域的第一子区域，第一子区域属于第一图像区域的真实区域；

该处理方法还包括：遍历样本图像中除第一子区域之外的其他区域；判断是否有部分区域为弱纹理区域并且其像素值与第一子区域的平均像素值的差值小于阈值；若有，则判定部分区域为第一图像区域的第二子区域，第一子区域和第二子区域组成第一图像区域的真实区域。

为解决上述技术问题，本发明采用的又一个技术方案是：提供一种机器人，该机器人包括处理器和传感器，处理器连接传感器，处理器用于控制传感器获取样本图像；其中，样本图像包括第一图像区域；处理器还用于定义能量函数；以及获取阈值取值范围并从阈值取值范围中选取多个阈值参数；之后将多个阈值参数逐一用于获取第一图像区域的计算边界以及求解能量函数；其中，能量函数的最优解对应第一图像区域的最优计算边界。

为解决上述技术问题，本发明采用的又一个技术方案是：提供一种具有存储功能的装置，该具有存储功能的装置存储有程序数据，程序数据能够被执行以实现如上述实施例所阐述的图像的处理方法。

本发明的有益效果是：区别于现有技术，本发明提供一种图像的处理方法，该处理方法中通过获取阈值取值范围并从该阈值取值范围中选取多个阈值参数，逐一用于获取第一图像区域的计算边界以及求解能量函数，进而得到能量函数的最优解，而能量函数的最优解对应第一图像区域的最优计算边界，从而检测出样本图像中的第一图像区域。本发明所提供图像的处理方法基于阈值参数的能量函数解算，能够简化图像中目标区域的检测过程，并且提高检测精度。

附图说明

图1是本发明图像的处理方法一实施例的流程示意图；

图2是本发明图像的处理方法另一实施例的流程示意图；

图3是图2所示图像的处理方法所检测出第一图像区域的效果示意图；

图4是本发明机器人一实施例的结构示意图；

图5是本发明具有存储功能的装置一实施例的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

请参阅图1，图1是本发明图像的处理方法一实施例的流程示意图。

S101：获取样本图像；

本实施例旨在获取样本图像，并检测出样本图像中所包括的目标区域(即第一图像区域)，可以应用于室外的机器人自主导航，以提供对应的环境信息。

S102：定义能量函数；

在本实施例中，为检测出样本图像中所包括的第一图像区域，需要定义一能量函数，用于描述样本图像中的第一图像区域。通过优化、解算能量函数，以得到样本图像中的第一图像区域的真实边界，也就检测出样本图像中第一图像区域所处的位置。

S103：获取阈值取值范围并从阈值取值范围中选取多个阈值参数；

在本实施例中，根据大量实验总结出经验值，并由实验所得的经验值计算出阈值取值范围，并从中选取多个阈值参数，用于检测样本图像中的第一图像区域的真实边界。

S104：将多个阈值参数逐一用于获取第一图像区域的计算边界以及求解能量函数；

在本实施例中，将从阈值取值范围中选取的多个阈值参数逐一用于获取第一图像区域的计算边界以及求解能量函数，即一个阈值参数对应一组第一图像区域的计算边界以及能量函数。其中，第一图像区域的计算边界为计算所得的第一图像区域的边界，并非是第一图像区域的真实边界。并且，该多个阈值参数对应的能量函数中，最优者即为能量函数的最优解，其所对应的第一图像区域的计算边界，即为第一图像区域的最优计算边界，用于检测样本图像中的第一图像区域的真实边界。

由此可见，本发明所提供图像的处理方法，通过获取阈值取值范围并从该阈值取值范围中选取多个阈值参数，逐一用于获取第一图像区域的计算边界以及求解能量函数，进而得到能量函数的最优解，而能量函数的最优解对应第一图像区域的最优计算边界，从而检测出样本图像中的第一图像区域。本发明所提供图像的处理方法基于阈值参数的能量函数解算，能够简化图像中目标区域的检测过程，并且提高检测精度。

请参阅图2，图2是本发明图像的处理方法另一实施例的流程示意图。

在室外，天空区域是弱纹理区域(弱纹理区域的概念在本领域技术人员的理解范畴之内，在此就不再赘述)的典型代表。对于应用于室外的地面机器人的自主导航而言，其通过传感器获取图像，以获取对应的环境信息，用于机器人的自主导航。其中就包括检测出传感器所获取的图像中的天空区域，这对机器人的自主导航起到至关重要的作用。

而对于诸如雷达、激光传感器等主动式传感器而言，诸如视觉传感器等被动式传感器其成本较低，依靠算法能够准确检测出图像中弱纹理区域及其边界(例如上述的天空区域)。有鉴于此，本发明的一实施例提供一种图像的处理方法，基于被动式传感器所获取的单幅图像，准确检测出该单幅图像中的目标区域(例如上述的天空区域)。

需要说明的是，本实施例所阐述图像的处理方法并不局限于以下步骤：

S201：获取样本图像；

在本实施例中，可以利用上述诸如视觉传感器等被动式传感器获取单幅图像，该图像即为样本图像。样本图像中包括第一图像区域，即目标区域。第一图像区域可以为上述的天空区域(本实施例以第一图像区域为天空区域为例进行阐述，仅为论述需要)，当然也可以按照需求设置为其他区域，例如地面区域等，在此不做限定。

S202：样本图像预处理；

在本实施例中，在获取样本图像后，需要进行样本图像的预处理工作。其中包括如果所获取的样本图像为彩色图像，需要将样本图像转换为灰度图像，以减少第一图像区域检测过程的运算量，同时还能降低对传感器所获取图像的RGB值的要求。

进一步地，样本图像的预处理工作还包括：将样本图像的灰度图像分别与Sobel算子在水平以及竖直方向上的两个运算符进行卷积，以得到两个该样本图像的梯度图像；并根据所得两个该样本图像的梯度图像，计算出样本图像的梯度幅值图像，梯度幅值图像包含样本图像中各像素处的梯度，用于获取第一图像区域的计算边界。其中，Sobel算子及其在水平以及竖直方向上的两个运算符在本领域技术人员的理解范畴中，在此就不再赘述。

S203：定义能量函数；

在本实施例中，样本图像还包括除目标区域(即第一图像区域)之外的第二图像区域，第一图像区域和第二图像区域组成样本图像的完整区域。

样本图像分为第一图像区域和第二图像区域，利用第一图像区域和第二图像区域各自的RGB值分量表示第一图像区域和第二图像区域，如此能量函数定义为：

其中，Σ_S、Σ_G用于描述样本图像中的第一图像区域和第二图像区域的像素值(即RGB值)。Σ_S、Σ_G是两个3×3的协方差矩阵，并且定义如下：

其中，N_S、N_G分别为第一图像区域和第二图像区域的像素数量。μ^S、μ^G是3×1的列向量，分别代表第一图像区域和第二图像区域的平均像素值(即平均RGB值)。

是对应Σ_S、Σ_G的特征值，以测量第一图像区域和第二图像区域像素分布的方差或体积。在能量函数中引入特征值之和的平方来处理样本图像丢失颜色信息的情况(本实施例中样本图像为灰度图像，不包括颜色信息，认为属于所述丢失颜色信息的情况)。

进一步地，对上述能量函数进行优化。本实施例所阐述图像的处理方法基于以下假设：第一图像区域具备一致性；第一图像区域位于样本图像的上方，第二图像区域位于样本图像的下方。

根据上述假设，强调第一图像区域的一致性。当样本图像转换为灰度图像时，矩阵Σ_S、Σ_G的行列式是奇异的，且矩阵Σ_S、Σ_G的秩几乎都是1。因此，根据矩阵理论得到如下关系：

|Σ|＝λ₁·λ₂·λ₃≈0；

对应的特征值满足如下关系：

|λ₁|>>|λ₂|≈|λ₃|≈0；

因此，优化后的能量函数如下：

其中，γ表示所述第一图像区域的同质性系数，且令γ＝2。|λ₂|和|λ₃|的最大特征值相比|λ₁|非常小，因此忽略。

S204：获取阈值取值范围并从阈值取值范围中选取多个阈值参数；

在本实施例中，获取阈值取值范围包括：

定义搜索区间为[thresh_min,thresh_max]；

并定义阈值参数为：

结合上述搜索区间，即可得到阈值取值范围。

根据大量实验已知，当阈值参数t超过600时，其对应的能量函数几乎是一个常数。并且根据Sobel算子的定义，对于自然图像转化的传统8位灰度图像，相邻像素之间的强度差不太可能达到255。同时考虑到搜索精度与计算复杂度之间的平衡，结合实验所得数据，给出以下经验值：令搜索区间中的采样步长为5，即thresh_min＝5，thresh_max＝600，样本数量n＝120。

综上，即可确定阈值参数t的阈值取值范围以及所选取的阈值参数t。由于阈值参数t与能量函数之间的关系相当复杂并且呈现非线性，传统的方法难以全局优化能量函数。本实施例所提出的基于一个阈值参数t的能量函数，通过在一维的搜索区间中搜索，能够全局优化能量函数。

并且，发明人发现由实验所得的上述经验值应用于能量函数的解算以及第一图像区域的分割，能够在保证结果精度足够满足使用的同时，最大限度地降低计算过程的复杂度，简化图像中目标区域的检测过程。

S205：将多个阈值参数逐一用于获取第一图像区域的计算边界以及求解能量函数；

在本实施例中，将从阈值取值范围中选取的多个阈值参数逐一用于获取第一图像区域的计算边界以及求解能量函数，即一个阈值参数对应一组第一图像区域的计算边界以及能量函数。

其具体可以为：从所选取的多个阈值参数中选取一阈值参数。遍历上述步骤中所得的梯度幅值图像，确定梯度幅值图像中梯度大于所选取的阈值参数的图像坐标；其中，梯度大于所选取的阈值参数且位于梯度幅值图像最上方的图像坐标组成第一图像区域的计算边界。更换阈值参数，再次遍历梯度幅值图像，以确定梯度幅值图像中梯度大于所选取的阈值参数的图像坐标，直至遍历多个阈值参数。

可以理解的是，梯度大于所选取的阈值参数的图像坐标集合中非位于梯度幅值图像最上方的图像坐标定义出样本图像的其他区域，包括第二图像区域等，其可能存在部分区域也属于第一图像区域，将在下文详细阐述。

优选地，遍历梯度幅值图像，确定梯度幅值图像中梯度大于所选取的阈值参数的图像坐标的过程具体可以为：逐列扫描梯度幅值图像，得到梯度幅值图像的多个图像列；逐列确定多个图像列中梯度大于所选取的阈值参数的图像坐标。

定义边界位置函数b(x)：

其中，t为阈值参数；grad(y，x)为图像坐标(x，y)处的梯度；W为样本图像的宽度；H为样本图像的高度；b(x)用于描述上述多个图像列中梯度大于所选取的阈值参数的图像坐标，其决定了第x^th列的第一图像区域的计算边界位置；

第一图像区域的计算边界用于定义第一图像区域的计算区域，第一图像区域的计算区域描述为：

sky＝{(x,y)|1≤x≤W,1≤y≤b(x)}。

而第二图像区域的计算区域可以描述为：

ground＝{(x,y)|1≤x≤W,b(x)<y≤H}。

如此一来，即可得到与选取的阈值参数数量对应的第一图像区域的计算边界组数，各第一图像区域的计算边界的图像坐标集合对应一能量函数以及一个阈值参数t。确定阈值参数t，即可获得对应的一组第一图像区域的计算边界的图像坐标集合，而一组第一图像区域的计算边界的图像坐标集合对应一个能量函数。

基于此，能量函数的最优解求解过程可以为：

令b_tmp＝b(x)；其中，b(x)为阈值参数t对应的边界位置函数；

遍历多个阈值参数，分别计算各阈值参数对应的b_tmp所对应的能量函数J_n(t)；

确定能量函数J_n(t)的最大值(即能量函数J_n(t)的最优解)所对应的b_tmp并令其为b_opt；其中，b_opt为最优边界位置函数，b_opt所包括图像坐标的集合为第一图像区域的最优计算边界，从而得到样本图像中第一图像区域的最优计算区域，并且样本图像中除第一图像区域的最优计算区域之外的区域即为第二图像区域的计算区域。

S206：检测出第一图像区域的真实区域；

在本实施例中，第一图像区域的最优计算边界并非是第一图像区域的真实边界。并且由于第一图像区域的计算边界由一阈值参数分割而得，第一图像区域的计算区域中必然包含有杂质区域。杂质区域具备以下三点特征：1、第一图像区域的区域大小较小；2、第一图像区域的边界存在灰度跳跃；3、梯度幅值图像的部分图像列不包括第一图像区域。

针对上述第一种情况，定义边界位置函数b(x)的平均值border_ave：

如果平均值border_ave小于预设的阈值，这意味着检测到的第一图像区域只占样本图像的很小一部分，认为该幅样本图像不包含第一图像区域。

针对上述第二种情况，定义所述第一图像区域的计算边界位置绝对差之和的平均值ASADSBP：

如果ASADSBP大于预设的阈值，意味着边界位置函数频繁变化，存在灰度跳跃。

针对上述第三种情况，定义所述第一图像区域的计算边界位置的绝对差值：

diff_abs(x)＝|b(x+1)-b(x)|，(1≤x≤W-1)；

综上，若满足(border_ave<H/30)∨(border_ave<H/10∧ASADSBP>5)，或满足diff_abs(x)>H/3(x∈[1,W-1])，则判定第一图像区域的最优计算边界所定义的第一图像区域的最优计算区域存在杂质区域。上述所给出的阈值均为由大量实验所得的经验值，能够贴切描述第一图像区域的最优计算区域存在杂质区域的情况。

当判定第一图像区域的最优计算区域存在杂质区域时，使用K-means算法将第一图像区域的最优计算区域分割成两个簇。每个像素在RGB颜色空间中描述(灰度图像也可以在RGB颜色空间中通过将红、绿、蓝通道设置为相同的值来描述)，得到两个集群并计算与第二图像区域的计算区域的马氏距离，将差值较大的区域设置为第一图像区域的最优计算区域，而另一区域则为杂质区域。其中，K-means算法在本领域技术人员的理解范畴之内，在此就不再赘述。

第一图像区域的最优计算区域中除杂质区域之外的其他区域为第一图像区域的第一子区域，第一子区域属于第一图像区域的真实区域(第一图像区域的真实区域为由第一图像区域的真实边界所定义的区域)。

进一步地，遍历样本图像中除第一子区域之外的其他区域。判断是否有部分区域为弱纹理区域并且其像素值与第一子区域的平均像素值的差值小于阈值：若有，则判定该部分区域为第一图像区域的第二子区域，第一子区域和第二子区域组成第一图像区域的真实区域，即检测出第一图像区域的真实区域。图3展示了第一子区域A和第二子区域B的情况，其中第二子区域B为被地表物体分割出的小范围的第一图像区域。

可见，本实施例对样本图像中除第一子区域之外的其他区域进行二次检测，将其中弱纹理区域与第一子区域进行比较，可以检测出样本图像中除第一子区域之外的其他同属于第一图像区域的区域，例如被地表物体(例如电线、桥梁等)分割出的小范围的第一图像区域，使得检测结果更加精确。

综上所述，本发明所提供图像的处理方法，通过获取阈值取值范围并从该阈值取值范围中选取多个阈值参数，逐一用于获取第一图像区域的计算边界以及求解能量函数，进而得到能量函数的最优解，而能量函数的最优解对应第一图像区域的最优计算边界，从而检测出样本图像中的第一图像区域。本发明所提供图像的处理方法基于阈值参数的能量函数解算，能够简化图像中目标区域的检测过程，并且提高检测精度。

请参阅图4，图4是本发明机器人一实施例的结构示意图。

在本实施例中，机器人1能够实现上述实施例所阐述图像的处理方法，在此就不再赘述。

具体地，机器人1包括处理器11和传感器12，处理器11连接传感器12，处理器11用于控制传感器12获取样本图像；其中，样本图像包括第一图像区域；处理器11还用于定义能量函数；以及获取阈值取值范围并从阈值取值范围中选取多个阈值参数；之后将多个阈值参数逐一用于获取第一图像区域的计算边界以及求解能量函数；其中，能量函数的最优解对应第一图像区域的最优计算边界。

请参阅图5，图5是本发明具有存储功能的装置一实施例的结构示意图。

在本实施例中，具有存储功能的装置2存储有程序数据21，程序数据21能够被执行以实现如上述实施例所阐述的图像的处理方法，在此就不再赘述。

在本发明所提供的几个实施方式中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施方式为示意性的，例如，所述模块或单元的划分，为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式的目的。

另外，在本发明各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个具有存储功能的装置中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的具有存储功能的装置包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存储器(RAM，Random AccessMemory)、磁碟或者光盘、服务器等各种可以存储程序代码的介质。

以上所述仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种图像的处理方法，其特征在于，所述处理方法包括：

获取样本图像；其中，所述样本图像包括第一图像区域以及第二图像区域；

将所述样本图像转换为灰度图像；

将所述样本图像的灰度图像分别与Sobel算子在水平以及竖直方向上的两个运算符进行卷积，得到两个所述样本图像的梯度图像；

根据所述两个所述样本图像的梯度图像，计算出所述样本图像的梯度幅值图像；

定义能量函数；具体包括：所述能量函数定义为

其中，Σ_S、Σ_G用于描述所述样本图像中的所述第一图像区域和所述第二图像区域的像素值，

是对应Σ_S、Σ_G的特征值；优化所述能量函数；其中，优化后的能量函数如下：

其中，γ表示所述第一图像区域的同质性系数，且令γ＝2；

获取阈值取值范围并从所述阈值取值范围中选取多个阈值参数；

将所述多个阈值参数逐一用于获取所述第一图像区域的计算边界以及求解所述能量函数；具体包括：从所述多个阈值参数中选取一阈值参数；

遍历所述梯度幅值图像，确定所述梯度幅值图像中梯度大于所选取的阈值参数的图像坐标；其中，梯度大于所选取的阈值参数且位于所述梯度幅值图像最上方的图像坐标组成所述第一图像区域的计算边界；

其中，所述遍历所述梯度幅值图像，确定所述梯度幅值图像中梯度大于所选取的阈值参数的图像坐标的步骤包括：逐列扫描所述梯度幅值图像，得到所述梯度幅值图像的多个图像列；

逐列确定所述多个图像列中梯度大于所选取的阈值参数的图像坐标；

所述处理方法还包括：

定义边界位置函数b(x)：

其中，t为阈值参数；grad(y，x)为图像坐标(x，y)处的梯度；W为所述样本图像的宽度；H为所述样本图像的高度；b(x)用于描述所述多个图像列中梯度大于所选取的阈值参数的图像坐标；

所述第一图像区域的计算边界用于定义所述第一图像区域的计算区域，所述第一图像区域的计算区域描述为：

sky＝{(x,y)|1≤x≤W,1≤y≤b(x)}；

更换阈值参数，再次遍历所述梯度幅值图像，以确定所述梯度幅值图像中梯度大于所选取的阈值参数的图像坐标，直至遍历所述多个阈值参数；

其中，所述能量函数的最优解对应所述第一图像区域的最优计算边界。

2.根据权利要求1所述的处理方法，其特征在于，所述处理方法还包括：

定义搜索区间为[thresh_min,thresh_max]；

定义所述阈值参数为：

从而得到所述阈值取值范围。

3.根据权利要求2所述的处理方法，其特征在于，所述将所述多个阈值参数逐一用于求解所述能量函数的步骤包括：

令b_tmp＝b(x)；其中，b(x)为阈值参数t对应的边界位置函数；

遍历所述多个阈值参数，分别计算各阈值参数对应的b_tmp所对应的能量函数J_n(t)；

确定能量函数J_n(t)的最大值所对应的b_tmp并令其为b_opt；其中，b_opt为最优边界位置函数，b_opt所包括图像坐标的集合为所述第一图像区域的最优计算边界。

4.根据权利要求3所述的处理方法，其特征在于，所述处理方法还包括：

定义边界位置函数b(x)的平均值border_ave：

定义所述第一图像区域的计算边界位置绝对差之和的平均值ASADSBP：

定义所述第一图像区域的计算边界位置的绝对差值：

diff_abs(x)＝|b(x+1)-b(x)|，(1≤x≤W-1)；

其中，若满足(border_ave<H/30)∨(border_ave<H/10∧ASADSBP>5)，或满足diff_abs(x)>H/3(x∈[1,W-1])，则判定所述第一图像区域的最优计算边界所定义的所述第一图像区域的最优计算区域存在杂质区域。

5.根据权利要求4所述的处理方法，其特征在于，所述第一图像区域的最优计算区域中除所述杂质区域之外的其他区域为所述第一图像区域的第一子区域，所述第一子区域属于所述第一图像区域的真实区域；

所述处理方法还包括：

遍历所述样本图像中除所述第一子区域之外的其他区域；

判断是否有部分区域为弱纹理区域并且其像素值与所述第一子区域的平均像素值的差值小于阈值；

若有，则判定所述部分区域为所述第一图像区域的第二子区域，所述第一子区域和所述第二子区域组成所述第一图像区域的真实区域。

6.一种机器人，其特征在于，所述机器人包括处理器和传感器，所述处理器连接所述传感器，所述处理器用于执行权利要求1-5任一项所述的图像的处理方法。

7.一种具有存储功能的装置，其特征在于，所述具有存储功能的装置存储有程序数据，所述程序数据能够被执行以实现如权利要求1至5任一项所述的图像的处理方法。

Images