CN109978890A

CN109978890A - 基于图像处理的目标提取方法、装置及终端设备

Info

Publication number: CN109978890A
Application number: CN201910137625.5A
Authority: CN
Inventors: 叶明�
Original assignee: Ping An Technology Shenzhen Co Ltd
Current assignee: Ping An Technology Shenzhen Co Ltd
Priority date: 2019-02-25
Filing date: 2019-02-25
Publication date: 2019-07-05
Anticipated expiration: 2039-02-25
Also published as: CN109978890B

Abstract

本发明适用于数据处理技术领域，提供了基于图像处理的目标提取方法、装置、终端设备以及计算机可读存储介质，包括：对包含目标的原始图像进行语义分割得到置信图像；对置信图像进行高斯滤波，更新置信图像中每个像素点的置信度；根据置信度对置信图像中每个像素点的灰度值进行设置，生成二值图；分析出二值图中的前景区域、背景区域以及待定区域；将待定区域内的每个像素点归入至与该像素点最接近的目标区域；将原始图像中位于前景区域的部分图像确定为目标图像，并输出目标图像。本发明通过划分待定区域并对待定区域内的像素点进行归属判定，提升了目标提取的准确性，并且本发明对原始图像的背景并不存在严格要求，提升了目标提取的适用性。

Description

基于图像处理的目标提取方法、装置及终端设备

技术领域

本发明属于数据处理技术领域，尤其涉及基于图像处理的目标提取方法、装置、终端设备以及计算机可读存储介质。

背景技术

随着图像处理技术的快速发展，目标提取作为图像处理的一个分支领域，现已应用到特效制作、证件合成以及警情勘探等多种场景中，目标提取具体是在图像中抠取出特定的目标，而如何从样式多变的图像快速且准确地提取出目标是目前亟待解决的问题。

在现有技术中，通常依靠人工或特定的算法进行目标提取，但依靠人工进行目标提取的效率较低，而目前的算法依赖于纯色背景，且要求图像中目标与背景的差异较大，否则便无法达到较好的提取效果。综上，现有技术中进行目标提取的效率和适用性较低。

发明内容

有鉴于此，本发明实施例提供了基于图像处理的目标提取方法、装置、终端设备以及计算机可读存储介质，以解决现有技术中进行目标提取的效率和适用性的问题。

本发明实施例的第一方面提供了一种基于图像处理的目标提取方法，包括：

对包含目标的原始图像进行语义分割得到置信图像，所述置信图像中的每个像素点都对应一个置信度，所述置信度用于指示所述像素点与待测目标的相关程度；

对所述置信图像进行高斯滤波，更新所述置信图像中每个像素点的所述置信度；

将所述置信图像中大于或等于预设置信度阈值的所述置信度所对应的所述像素点的灰度值更新为第一预设值，并将小于所述预设置信度阈值的所述置信度所对应的所述像素点的所述灰度值更新为第二预设值，生成二值图；

分析出所述二值图中的前景区域、背景区域以及待定区域，所述前景区域是所述待测目标所在的预期区域；

将所述待定区域内的每个所述像素点归入至与所述像素点最接近的目标区域，所述目标区域为所述前景区域或所述背景区域；

将所述原始图像中位于所述前景区域的部分图像确定为目标图像，并输出所述目标图像。

本发明实施例的第二方面提供了一种基于图像处理的目标提取装置，包括：

语义分割单元，用于对包含目标的原始图像进行语义分割得到置信图像，所述置信图像中的每个像素点都对应一个置信度，所述置信度用于指示所述像素点与待测目标的相关程度；

滤波单元，用于对所述置信图像进行高斯滤波，更新所述置信图像中每个像素点的所述置信度；

更新单元，用于将所述置信图像中大于或等于预设置信度阈值的所述置信度所对应的所述像素点的灰度值更新为第一预设值，并将小于所述预设置信度阈值的所述置信度所对应的所述像素点的所述灰度值更新为第二预设值，生成二值图；

分析单元，用于分析出所述二值图中的前景区域、背景区域以及待定区域，所述前景区域是所述待测目标所在的预期区域；

归入单元，用于将所述待定区域内的每个所述像素点归入至与所述像素点最接近的目标区域，所述目标区域为所述前景区域或所述背景区域；

输出单元，用于将所述原始图像中位于所述前景区域的部分图像确定为目标图像，并输出所述目标图像。

本发明实施例的第三方面提供了一种终端设备，终端设备包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如下步骤：

本发明实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如下步骤：

本发明实施例与现有技术相比存在的有益效果是：

本发明实施例对包含目标的原始图像进行分割得到置信图像，并对置信图像进行高斯滤波以及二值化，生成二值图，再分析出二值图中的前景区域、待定区域以及背景区域，对待定区域内的像素点进行归属判定，最后将原始图像中位于前景区域的部分图像确定为目标图像进行输出，本发明实施例对于原始图像没有严格要求，提升了目标提取的适用性，并且通过划分待定区域并对待定区域内的像素点进行归属判定，提升了目标提取的准确性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的基于图像处理的目标提取方法的实现流程图；

图2是本发明实施例二提供的基于图像处理的目标提取方法的实现流程图；

图3是本发明实施例三提供的基于图像处理的目标提取方法的实现流程图；

图4是本发明实施例四提供的基于图像处理的目标提取方法的实现流程图；

图5是本发明实施例五提供的基于图像处理的目标提取装置的结构框图；

图6是本发明实施例六提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

图1示出了本发明实施例提供的基于图像处理的目标提取方法的实现流程，详述如下：

在S101中，对包含目标的原始图像进行语义分割得到置信图像，所述置信图像中的每个像素点都对应一个置信度，所述置信度用于指示所述像素点与待测目标的相关程度。

面向从包含待测目标的原始图像中抠取出待测目标的场景，在本发明实施例中，首先根据预设的语义分割网络对原始图像进行分割得到置信图像，该语义分割网络可基于开源架构实现，比如本发明实施例中的语义分割网络可基于开源的deeplabv3+架构实现。进行分割后得到的置信图像的尺寸与原始图像相同，比如原始图像的尺寸为300px*400px(px指像素)，则置信图像的尺寸同样为300px*400px。在得到的置信图像中，每个像素点都对应一个置信度，该置信度用于指示该像素点与待测目标的相关程度，置信度越高，则像素点与待测目标的相关程度越高，为了便于说明，在本发明实施例中，限定置信度的数值范围在0到1之间(包括0和1)，若某个像素点对应的置信度越接近1，则代表该像素点与目标的相关程度越大，即该像素点位于前景区域的概率越大。置信度的具体计算方式可根据实际的语义分割网络确定，在本发明实施例中不做赘述。

另外，本发明实施例对待测目标的种类并不做限定，比如待测目标可为人脸、车辆或建筑等，在待测目标为人脸的情况下，举例来说，面向的场景可为从证件照中抠取出人脸。值得一提的是，在将原始图像输入语义分割网络之前，可根据语义分割网络对输入尺寸的要求对原始图像进行尺寸缩放，比如语义分割网络对输入尺寸的要求为600px*800px，而原始图像的尺寸为300px*400px，故可将原始图像放大两倍后，再将放大后的原始图像输入至语义分割网络。

在S102中，对所述置信图像进行高斯滤波，更新所述置信图像中每个像素点的所述置信度。

在分割出的置信图像中，各个像素点的置信度之间往往为离散关系，而在真实的目标分割图中，位于非边界区域的多个像素点的置信度通常是相对连续的，故在本发明实施例中，对置信图像进行高斯滤波，以消除置信图像中置信度的噪点，提升置信图像的平滑度。具体地，通过高斯滤波中的离散化窗口滑动卷积算法对置信图像进行高斯滤波，离散化窗口滑动卷积算法即是构建一个矩形窗口(即为卷积核)，使该矩形窗口在置信图像中滑动，并在滑动过程中，将矩形窗口内部每个像素点的置信度与矩阵窗口提供的权值进行乘积运算，并将乘积运算的结果作为更新后的该像素点的置信度，实则是对置信度进行加权平均。

在S103中，将所述置信图像中大于或等于预设置信度阈值的所述置信度所对应的所述像素点的灰度值更新为第一预设值，并将小于所述预设置信度阈值的所述置信度所对应的所述像素点的所述灰度值更新为第二预设值，生成二值图。

在进行高斯滤波后，置信图像内各个像素点对应的置信度的数值范围仍为0到1之间，为了方便分析，在本发明实施例中对置信图像进行二值化，具体地，将置信图像中大于或等于预设置信度阈值的置信度所对应的像素点的灰度值更新为第一预设值，将小于预设置信度阈值的置信度所对应的像素点的灰度值更新为第二预设值，生成二值图。其中，灰度值是指该像素点的灰度等级，若灰度值为255，则代表该像素点的像素值为(255，255，255)，即该像素点在红色通道、绿色通道以及蓝色通道上的值均为255，该像素点的人眼中的颜色为白色。此外，限定二值图为黑白图像，即第一预设值与第二预设值的取值只能为0或255，且第一预设值与第二预设值的取值不相同。为了便于说明，在后文中假设第一预设值为255，第二预设值为0。值得一提的是，预设置信度阈值可预先进行自定义设置，并根据目标提取的结果进行手动调整，比如在置信度的数值范围为0到1之间的情况下，可将预设置信度阈值设置为0.78。

在S104中，分析出所述二值图中的前景区域、背景区域以及待定区域，所述前景区域是所述待测目标所在的预期区域。

在得到二值图后，分析出该二值图中的前景区域、背景区域以及待定区域，其中，前景区域是待测目标所在的预期区域，背景区域是待测目标之外的背景所在的预期区域，待定区域是仍未确认归属的像素点构成的区域。前景区域、背景区域以及待定区域可预先进行设置，比如在原始图像为证件照的情况下，可预先标记出证件照中人脸(待测目标)所在的区域以及背景幕布(背景)所在的区域，并将人脸与背景幕布相接的区域确定为待定区域。当然，在本发明实施例中还可应用其他的分析方式，具体内容在后文进行阐述。

在S105中，将所述待定区域内的每个所述像素点归入至与所述像素点最接近的目标区域，所述目标区域为所述前景区域或所述背景区域。

由于待定区域内的像素点并未确定归属，故将待定区域内的每个像素点归入至与该像素点最接近的目标区域，其中，最接近的目标区域可为与待定区域的像素点相隔的距离最短的区域。举例来说，待定区域内的像素点A与前景区域相隔的距离最短为3个像素点，而像素点A与背景区域相隔的距离最短为4个像素点，故将像素点A归入至距离较近的前景区域。当然，在本发明实施例中还可应用其他的分析方式，具体内容在后文进行阐述。

在S106中，将所述原始图像中位于所述前景区域的部分图像确定为目标图像，并输出所述目标图像。

在完成对待定区域中所有像素点的归入操作后，最终只存在前景区域和背景区域，由于前景区域所在的二值图与原始图像的尺寸一致，故将前景区域置于原始图像中，将原始图像中位于前景区域的部分图像确定为目标图像，并输出目标图像，完成对待测目标的提取。

可选地，将原始图像中位于前景区域的部分图像确定为目标图像之前，确定原始图像中的前景区域与背景区域之间的边界区域，并对边界区域对应的像素点进行羽化处理。为了提升目标提取的效果，在本发明实施例中，在得到最终的前景区域和背景区域后，确定前景区域和背景区域之间的边界区域，具体地，在最终生成的二值图中确定出位置相邻的且灰度值不同的两个像素点，由其中灰度值为第一预设值的像素点向前景区域的方向再延伸数量为预设边界值的像素点，由其中灰度值为第二预设值的像素点向背景区域方向再延伸数量为预设边界值的像素点，将所有延伸出的像素点以及作为延伸起点的像素点本身所构成的区域确定为边界区域，其中，预设边界值可根据实际应用场景进行设置，如设置为1。对于边界区域中的像素点，以前景区域为内侧，以背景区域为外侧，按照从内侧向外侧的顺序依次为每个像素点设置透明度，透明度的设置趋势为越来越低，从而完成羽化处理，虚化边界区域，提升视觉效果。举例来说，边界区域中某个从内侧到外侧的方向存在4个像素点，则可设置4个像素点的透明度依次为80％，60％，40％，20％。通过上述方式可提升后续提取出的目标图像的显示效果，使目标图像不突兀。

通过图1所示实施例可知，在本发明实施例中，对包含目标的原始图像进行语义分割得到置信图像，并对置信图像进行高斯滤波及二值化得到二值图，再分析出二值图中的前景区域、背景区域以及待定区域，将待定区域内的每个像素点归入至与像素点最接近的目标区域，最终将原始图像中位于前景区域的部分图像确定为目标图像，并输出目标图像。本发明实施例通过划分待定区域并对待定区域内的像素点进行归属判定，提升了目标提取的准确性，且本发明实施例对于原始图像中的背景并不存在严格要求，提升了目标提取的适用性。

图2所示，是在本发明实施例一的基础上，对分析出二值图中的前景区域、背景区域以及待定区域的过程进行细化后得到的一种方法。本发明实施例提供了基于图像处理的目标提取方法的实现流程图，如图2所示，该目标提取方法可以包括以下步骤：

在S201中，分析出所述二值图中的最大连通区域，将所述最大连通区域确定为所述前景区域，并将所述二值图中除所述前景区域之外的区域确定为所述背景区域，其中，所述最大连通区域是指所述灰度值为所述第一预设值且位置相邻的至少两个所述像素点组成的面积最大的区域。

由于原始图像中可能出现干扰待测目标的小物体，如在待测目标为树木时，原始图像中可能会出现飞鸟，故置信图像可能会被小物体的噪点影响，导致小物体所在的区域被误认为是待测目标，该区域的置信度较高。在本发明实施例中，为了防止非待测目标的小物体所在的区域被误认为前景区域，分析出二值图中的最大连通区域，并将最大连通区域确定为前景区域，其中，最大连通区域是指灰度值为第一预设值且位置相邻的至少两个像素点组成的面积最大的区域。在确定出前景区域后，将二值图中除前景区域之外的区域确定为背景区域。

在S202中，确定位于所述前景区域与所述背景区域之间的边界的所有所述像素点，并基于每个所述像素点向所述前景区域和所述背景区域的方向分别进行延伸，将延伸出所有所述像素点所构成的区域确定为所述待定区域。

为了提升目标提取的准确性，还对前景区域与背景区域之间的边界进行分析，具体地，确定位于前景区域与背景区域之间的边界的所有像素点，并基于每个像素点分别向前景区域和背景区域进行延伸，在进行延伸操作时，可预先设定延伸的像素点个数，比如预先设定位于边界的每个像素点向前景区域延伸5个像素点，向背景区域延伸5个像素点，也可基于开源的膨胀函数或腐蚀函数来实现延伸操作。完成延伸操作后，将延伸出的所有像素点以及位于前景区域与背景区域之间的边界的所有像素点所构成的区域确定为待定区域。

在S203中，根据所述待定区域更新所述前景区域和所述背景区域。

在确定待定区域后，在原前景区域中删除与待定区域重合的区域，并在原背景区域中删除与待定区域重合的区域，进行对前景区域和背景区域的更新，便于后续对每个区域进行针对分析。

通过图2所示实施例可知，在本发明实施例中，将二值图中的最大连通区域确定为前景区域，将二值图中除前景区域之外的区域确定为背景区域，然后确定位于前景区域与背景区域之间的边界的所有像素点，基于每个像素点向前景区域和背景区域的方向分别进行延伸，将延伸出的所有像素点所构成的区域确定为待定区域，最后根据待定区域更新前景区域和背景区域。本发明实施例通过将最大连通区域确定为前景区域，并通过延伸操作确定待定区域，使得前景区域、背景区域以及待定区域的确定不依赖于预先制定的格式，更适用于多样化的原始图像。

图3所示，是在本发明实施例一的基础上，对将待定区域内的每个像素点归入至与该像素点最接近的目标区域的过程进行细化后得到的一种方法。本发明实施例提供了基于图像处理的目标提取方法的实现流程图，如图3所示，该目标提取方法可以包括以下步骤：

在S301中，将所述二值图中所述待定区域内所有所述像素点的所述灰度值设置为第三预设值，生成三值图。

在本发明实施例中，可利用深度学习的思想确定待定区域内每个像素点的归属，具体地，首先将三值图的特定区域内所有像素点的灰度值设置为第三预设值，第三预设值的取值范围同样为0到255，且限定第三预设值的数值不同于第一预设值和第二预设值，为了便于说明，假设第三预设值的数值为127。完成对待定区域内所有像素点的灰度值设置后，生成三值图，该三值图即为灰度图像。

在S302中，将所述原始图像和所述三值图输入预设的深度学习模型中，并根据所述深度学习模型的输出结果更新所述待定区域内的每个所述像素点的所述灰度值。

将原始图像和三值图作为输入参数输入至预设的深度学习模型中，该深度学习模型用于确定三值图中待定区域内每个像素点的归属。为了提升对待定区域内像素点进行归属判断的准确性，可对深度学习模型进行训练，具体初始化深度学习模型，并获取至少两张已知待测目标区域的样本图像，按照上述方式生成每张样本图像对应的三值图，将样本图像以及对应的三值图输入深度学习模型，并计算深度学习模型的输出结果与待测目标区域之间的差异参数，根据差异参数来调整深度学习模型的权重，在输入完毕所有的样本图像以及对应的三值图后，完成对深度学习模型的训练，并在本步骤中，将原始图像以及对应的三值图输入训练完毕的深度学习模型。上述的深度学习模型可应用Deep Image Matting深度网络架构，但这并不构成对本发明实施例的限定。将原始图像以及对应的三值图输入深度学习模型后，根据深度学习模型的输出结果更新待定区域内的每个像素点的灰度值，待定区域内每个像素点的灰度值的更新结果仅限于第一预设值或第二预设值，在完成更新后得到新的二值图，该二值图中的前景区域和背景区域已更新。在深度学习模型的输出结果为待定区域内每个像素点的置信度结果时，可将置信度结果与预设的区域置信度阈值进行比较，若待定区域内某个像素点的置信度结果大于或等于区域置信度阈值，则将该像素点归入前景区域；若待定区域内某个像素点的置信度结果小于区域置信度阈值，则将该像素点归入背景区域。当然，也可调整深度学习模型的算法，直接使归入操作在深度学习模型内完成，使得深度学习模型直接输出仅含有前景区域和背景区域的二值图。

通过图3所示实施例可知，在本发明实施例中，将二值图中待定区域内所有像素点的灰度值设置为第三预设值，生成三值图，并将原始图像和三值图输入预设的深度学习模型中，根据深度学习模型的输出结果更新待定区域内的每个像素点的灰度值。本发明实施例基于深度学习模型完成对待定区域内每个像素点的归属判定，提升了归属判定的准确性。

图4所示，是在本发明实施例一的基础上，对将待定区域内的每个像素点归入至与该像素点最接近的目标区域的过程进行细化后得到的一种方法。本发明实施例提供了基于图像处理的目标提取方法的实现流程图，如图4所示，该目标提取方法可以包括以下步骤：

在S401中，将所述原始图像中所述待定区域内的所述像素点确定为待定像素点，并获取所述待定像素点在所述原始图像中的HSV值，所述HSV值是所述待定像素点在HSV颜色空间中的数值。

除了以像素距离作为衡量标准确定待定区域内像素点的归属外，在本发明实施例中，还可通过颜色距离来进行确定。具体地，将前景区域、背景区域以及待定区域迁移至原始图像中，由于经过语义分割和二值化后得到的图像的尺寸均与原始图像相同，故原始图像中的前景区域、背景区域以及待定区域均与二值图中的相同。然后，将原始图像中位于待定区域内的像素点均确定为待定像素点，并获取每个待定像素点的HSV值(可获取待定像素点的RGB值，再将RGB值转化为HSV值)，该HSV是待定像素点在HSV颜色空间中的数值，其中，H代表色调(Hue)，S代表饱和度(Saturation)，V代表明度(Value)。

在S402中，以所述待定像素点为中心，使长和宽均为N的矩形框覆盖所述待定像素点，其中，所述N为大于1的奇数。

为了判断每个待定像素点的倾向区域，以每个待定像素点为中心，使一个N*N的矩形框覆盖该待定像素点，其中，矩形框的长度和宽度的衡量单位均为像素点个数，且N为大于1的奇数，可根据实际应用场景进行取值，比如N可为5或7。

在S403中，筛选出所述矩形框中属于所述前景区域的所述像素点以及属于所述背景区域的所述像素点，将属于所述前景区域的所述像素点在所述原始图像中的HSV值的平均值确定为前景平均值，并将属于所述背景区域的所述像素点在所述原始图像中的HSV值的平均值确定为背景平均值。

为了便于说明，后文以单个待定像素点被矩形框覆盖的场景进行阐述，在完成覆盖后，筛选出矩形框中属于前景区域的像素点，并对属于前景区域的所有像素点的HSV值进行均值运算，得到前景平均值。对应地，筛选出矩形框中属于背景区域的像素点，并对属于背景区域的所有像素点的HSV值进行均值运算，得到背景平均值。

在S404中，计算所述待定像素点与所述前景平均值之间的前景欧式距离，并计算所述待定像素点与所述背景平均值之间的背景欧式距离。

在得到前景平均值和背景平均值后，基于欧式距离来判断待定像素点与前景区域和背景区域的接近程度，具体计算待定像素点与前景平均值之间的前景欧式距离，并计算待定像素点与背景平均值之间的背景欧式距离，值得一提的是，前景欧式距离指的是从待定像素点的HSV值到前景平均值的欧式距离，背景欧式距离同理。举例来说，假设待定像素点的HSV值为(H₁，S₁，V₁)，前景平均值为(H₂，S₂，V₂)，背景平均值为(H₃，S₃，V₃)，则前景欧式距离背景欧式距离

在S405中，若所述前景欧式距离大于所述背景欧式距离，则将所述待定像素点归入所述前景区域。

若得到的前景欧式距离的数值大于背景欧式距离，证明该待定像素点的倾向区域为前景区域，故将待定像素点归入前景区域。

在S406中，若所述前景欧式距离小于或等于所述背景欧式距离，则将所述待定像素点归入所述背景区域。

反之，若得到的前景欧式距离的数值小于或等于背景欧式距离，证明该待定像素点的倾向区域为背景区域，故将待定像素点归入背景区域。

通过图4所示实施例可知，在本发明实施例中，将原始图像中位于待定区域的像素点确定为待定像素点，并通过比对与待定像素点相关的前景欧式距离与背景欧式距离的大小，将待定像素点归入至较大的欧式距离所对应的区域中。本发明实施例基于“颜色距离”进行对待定区域内像素点的归属判断，结合了原始图像的具体颜色情况，从另一个角度上提升了归属判断的准确性。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

对应于上文实施例所述的基于图像处理的目标提取方法，图5示出了本发明实施例提供的基于图像处理的目标提取装置的结构框图，参照图5，该目标提取装置包括：

语义分割单元51，用于对包含目标的原始图像进行语义分割得到置信图像，所述置信图像中的每个像素点都对应一个置信度，所述置信度用于指示所述像素点与待测目标的相关程度；

滤波单元52，用于对所述置信图像进行高斯滤波，更新所述置信图像中每个像素点的所述置信度；

更新单元53，用于将所述置信图像中大于或等于预设置信度阈值的所述置信度所对应的所述像素点的灰度值更新为第一预设值，并将小于所述预设置信度阈值的所述置信度所对应的所述像素点的所述灰度值更新为第二预设值，生成二值图；

分析单元54，用于分析出所述二值图中的前景区域、背景区域以及待定区域，所述前景区域是所述待测目标所在的预期区域；

归入单元55，用于将所述待定区域内的每个所述像素点归入至与所述像素点最接近的目标区域，所述目标区域为所述前景区域或所述背景区域；

输出单元56，用于将所述原始图像中位于所述前景区域的部分图像确定为目标图像，并输出所述目标图像。

可选地，分析单元54包括：

分析子单元，用于分析出所述二值图中的最大连通区域，将所述最大连通区域确定为所述前景区域，并将所述二值图中除所述前景区域之外的区域确定为所述背景区域，其中，所述最大连通区域是指所述灰度值为所述第一预设值且位置相邻的至少两个所述像素点组成的面积最大的区域；

延伸单元，用于确定位于所述前景区域与所述背景区域之间的边界的所有所述像素点，并基于每个所述像素点向所述前景区域和所述背景区域的方向分别进行延伸，将延伸出所有所述像素点所构成的区域确定为所述待定区域；

区域更新单元，用于根据所述待定区域更新所述前景区域和所述背景区域。

可选地，归入单元55包括：

生成单元，用于将所述二值图中所述待定区域内所有所述像素点的所述灰度值设置为第三预设值，生成三值图；

输入单元，用于将所述原始图像和所述三值图输入预设的深度学习模型中，并根据所述深度学习模型的输出结果更新所述待定区域内的每个所述像素点的所述灰度值。

可选地，归入单元55包括：

颜色获取单元，用于将所述原始图像中所述待定区域内的所述像素点确定为待定像素点，并获取所述待定像素点在所述原始图像中的HSV值，所述HSV值是所述待定像素点在HSV颜色空间中的数值；

覆盖单元，用于以所述待定像素点为中心，使长和宽均为N的矩形框覆盖所述待定像素点，其中，所述N为大于1的奇数；

筛选单元，用于筛选出所述矩形框中属于所述前景区域的所述像素点以及属于所述背景区域的所述像素点，将属于所述前景区域的所述像素点在所述原始图像中的HSV值的平均值确定为前景平均值，并将属于所述背景区域的所述像素点在所述原始图像中的HSV值的平均值确定为背景平均值；

距离计算单元，用于计算所述待定像素点与所述前景平均值之间的前景欧式距离，并计算所述待定像素点与所述背景平均值之间的背景欧式距离；

第一归入单元，用于若所述前景欧式距离大于所述背景欧式距离，则将所述待定像素点归入所述前景区域；

第二归入单元，用于若所述前景欧式距离小于或等于所述背景欧式距离，则将所述待定像素点归入所述背景区域。

可选地，输出单元56还包括：

羽化单元，用于确定所述原始图像中的所述前景区域与所述背景区域之间的边界区域，并对所述边界区域对应的所述像素点进行羽化处理。

因此，本发明实施例提供的基于图像处理的目标提取装置通过划分待定区域并对待定区域内的像素点进行归属判定，提升了目标提取的准确性，并且对于原始图像没有严格的背景要求，提升了目标提取的适用性。

图6是本发明实施例提供的终端设备的示意图。如图6所示，该实施例的终端设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如基于图像处理的目标提取程序。所述处理器60执行所述计算机程序62时实现上述各个基于图像处理的目标提取方法实施例中的步骤，例如图1所示的步骤S101至S106。或者，所述处理器60执行所述计算机程序62时实现上述各基于图像处理的目标提取装置实施例中各单元的功能，例如图5所示单元51至56的功能。

示例性的，所述计算机程序62可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述终端设备6中的执行过程。例如，所述计算机程序62可以被分割成语义分割单元、滤波单元、更新单元、分析单元、归入单元以及输出单元，各单元具体功能如下：

所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端设备6的示例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器61可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元完成，即将所述终端设备的内部结构划分成不同的功能单元，以完成以上描述的全部或者部分功能。实施例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。另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的终端设备和方法，可以通过其它的方式实现。例如，以上所描述的终端设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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例方案的目的。

另外，在本发明各个实施例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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random AccessMemory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims

1.一种基于图像处理的目标提取方法，其特征在于，包括：

2.如权利要求1所述的目标提取方法，其特征在于，所述分析出所述二值图中的前景区域、背景区域以及待定区域，包括：

分析出所述二值图中的最大连通区域，将所述最大连通区域确定为所述前景区域，并将所述二值图中除所述前景区域之外的区域确定为所述背景区域，其中，所述最大连通区域是指所述灰度值为所述第一预设值且位置相邻的至少两个所述像素点组成的面积最大的区域；

确定位于所述前景区域与所述背景区域之间的边界的所有所述像素点，并基于每个所述像素点向所述前景区域和所述背景区域的方向分别进行延伸，将延伸出所有所述像素点所构成的区域确定为所述待定区域；

根据所述待定区域更新所述前景区域和所述背景区域。

3.如权利要求1所述的目标提取方法，其特征在于，所述将所述待定区域内的每个所述像素点归入至与所述像素点最接近的目标区域，包括：

将所述二值图中所述待定区域内所有所述像素点的所述灰度值设置为第三预设值，生成三值图；

将所述原始图像和所述三值图输入预设的深度学习模型中，并根据所述深度学习模型的输出结果更新所述待定区域内的每个所述像素点的所述灰度值。

4.如权利要求1所述的目标提取方法，其特征在于，所述将所述待定区域内的每个所述像素点归入至与所述像素点最接近的目标区域，包括：

将所述原始图像中所述待定区域内的所述像素点确定为待定像素点，并获取所述待定像素点在所述原始图像中的HSV值，所述HSV值是所述待定像素点在HSV颜色空间中的数值；

以所述待定像素点为中心，使长和宽均为N的矩形框覆盖所述待定像素点，其中，所述N为大于1的奇数；

筛选出所述矩形框中属于所述前景区域的所述像素点以及属于所述背景区域的所述像素点，将属于所述前景区域的所述像素点在所述原始图像中的HSV值的平均值确定为前景平均值，并将属于所述背景区域的所述像素点在所述原始图像中的HSV值的平均值确定为背景平均值；

计算所述待定像素点与所述前景平均值之间的前景欧式距离，并计算所述待定像素点与所述背景平均值之间的背景欧式距离；

若所述前景欧式距离大于所述背景欧式距离，则将所述待定像素点归入所述前景区域；

若所述前景欧式距离小于或等于所述背景欧式距离，则将所述待定像素点归入所述背景区域。

5.如权利要求1所述的目标提取方法，其特征在于，所述将所述原始图像中位于所述前景区域的部分图像确定为目标图像之前，还包括：

确定所述原始图像中的所述前景区域与所述背景区域之间的边界区域，并对所述边界区域对应的所述像素点进行羽化处理。

6.一种基于图像处理的目标提取装置，其特征在于，包括：

7.一种终端设备，其特征在于，所述终端设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：

8.如权利要求7所述的终端设备，其特征在于，所述分析出所述二值图中的前景区域、背景区域以及待定区域，包括：

根据所述待定区域更新所述前景区域和所述背景区域。

9.如权利要求7所述的终端设备，其特征在于，所述将所述待定区域内的每个所述像素点归入至与所述像素点最接近的目标区域，包括：

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述目标提取方法的步骤。