CN110248113A - 图像处理装置、方法及计算机可读取的记录媒介物 - Google Patents
图像处理装置、方法及计算机可读取的记录媒介物 Download PDFInfo
- Publication number
- CN110248113A CN110248113A CN201810185853.5A CN201810185853A CN110248113A CN 110248113 A CN110248113 A CN 110248113A CN 201810185853 A CN201810185853 A CN 201810185853A CN 110248113 A CN110248113 A CN 110248113A
- Authority
- CN
- China
- Prior art keywords
- image
- target image
- current
- processed
- unit
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/222—Studio circuitry; Studio devices; Studio equipment
- H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种用于从待处理图像中自动提取需要的目标图像的图像处理装置、图像处理方法及计算机可读取的记录媒介物。本发明提供的图像处理装置包括:特征信息存储部;轮廓线识别部,识别出待处理图像中所有目标图像的轮廓线;目标图像获取部,基于所有轮廓线获取分别当前目标图像;图像特征解析获取部,依次对当前目标图像进行解析得到当前目标识别信息;分类判定部,判定出当前目标图像的当前分类;画面存储部;输入显示部,显示分类选择画面和目标图像确认画面让用户确认需要的当前目标图像;目标图像提取部,根据用户确认的当前目标图像从待处理图像中提取对应的当前目标图像;以及目标图像输出部,对被提取出的当前目标图像进行输出。
Description
技术领域
本发明具体涉及一种图像处理装置、图像处理方法以及计算机可读取的记录媒介物。
背景技术
现实生活中,在视频编辑、虚拟现实、影像编辑、影视特效等领域中,经常需要将感兴趣的目标从一幅背景图像中精确分离,并且分离出的目标图像作为独立素材或者与新的背景图像合成。
为了将目标图像从背景图像中分离,用户一般采用手动描绘目标图像的轮廓线,再根据轮廓线选择需要保留的图像区域和去除的部分,但是这样存在以下几个弊端:1.用户需要花费大量的时间全神贯注去描绘目标图像的轮廓线,一旦描绘轮廓线时发生失误,就需要从头开始,费时费力;2.即使用户在描绘轮廓时付出大量的精力,目标图像中的细小区域也可能没有被选取,导致被识别出的图像比较呆板;3.对于一张背景图像中同一类的多个物体,需要进行多次标记选择,不能一次完成标记。
发明内容
本发明是为了解决上述问题而进行的,目的在于提供一种用于从待处理图像中自动提取需要的目标图像的图像处理装置、图像处理方法以及计算机可读取的记录媒介物。
本发明为了达到以上的目的,采用了以下结构:
<结构1>
本发明提供了一种图像处理装置,用于从待处理图像中提取需要的目标图像,具有这样的特征,包括:特征信息存储部,存储有与目标图像相关联的多个归属分类、与该归属分类分别对应的包括轮廓特征信息和图像特征信息的目标识别信息;轮廓线识别部,识别出待处理图像中所有目标图像的轮廓线;目标图像获取部,基于识别出的所有轮廓线对待处理图像进行划分并获取分别与目标图像对应的图像区域作为当前目标图像;图像特征解析获取部,依次对当前目标图像进行解析得到对应的轮廓特征信息和图像特征信息作为当前目标识别信息;分类判定部,基于预定算法根据解析出的当前目标识别信息和特征信息存储部中存储的目标识别信息依次判定出当前目标图像对应的分类作为当前分类;画面存储部,存储有分类选择画面以及目标图像选择画面;输入显示部,显示分类选择画面并在该分类选择画面内至少显示待处理图像中的当前目标图像的当前分类的分类名称,让用户查看并选择需要的当前目标图像的分类,进一步根据用户选择的分类在目标图像确认画面中显示对应的当前目标图像让用户确认需要的当前目标图像;目标图像提取部,根据用户确认的当前目标图像从待处理图像中提取对应的当前目标图像;以及目标图像输出部,对被提取出的当前目标图像进行输出。
<结构2>
本发明还提供了一种图像处理方法,用于从待处理图像中提取需要的目标图像,其特征在于,包括:存储步骤,存储与目标图像相关联的多个归属分类、与该归属分类分别对应的包括轮廓特征信息和图像特征信息的目标识别信息、分类选择画面以及目标图像选择画面;轮廓线识别步骤,识别出待处理图像中所有目标图像的轮廓线;目标图像获取步骤,基于识别出的所有轮廓线对待处理图像进行划分并获取分别与目标图像对应的图像区域作为当前目标图像;图像特征解析获取步骤,依次对当前目标图像进行解析得到对应的轮廓特征信息和图像特征信息作为当前目标识别信息;分类判定步骤,基于预定算法根据解析出的当前目标识别信息和特征信息存储部中存储的目标识别信息依次判定出当前目标图像对应的分类作为当前分类;输入显示步骤,显示分类选择画面并在该分类选择画面内至少显示待处理图像中的当前目标图像的当前分类的分类名称,让用户查看并选择需要的当前目标图像的分类,进一步根据用户选择的分类在目标图像确认画面中显示对应的当前目标图像让用户确认需要的当前目标图像;目标图像提取步骤,根据用户确认的当前目标图像从待处理图像中提取对应的当前目标图像;以及目标图像输出步骤,对被提取出的当前目标图像进行输出。
<结构3>
一种计算机可读取的记录媒介物,用于记录计算机程序,其特征在于,该计算机程序是为了从待处理图像中提取需要的目标图像,让图像处理装置执行:存储步骤,存储与目标图像相关联的多个归属分类、与该归属分类分别对应的包括轮廓特征信息和图像特征信息的目标识别信息、分类选择画面以及目标图像选择画面;轮廓线识别步骤,识别出待处理图像中所有目标图像的轮廓线;目标图像获取步骤,基于识别出的所有轮廓线对待处理图像进行划分并获取分别与目标图像对应的图像区域作为当前目标图像;图像特征解析获取步骤,依次对当前目标图像进行解析得到对应的轮廓特征信息和图像特征信息作为当前目标识别信息;分类判定步骤,基于预定算法根据解析出的当前目标识别信息和特征信息存储部中存储的目标识别信息依次判定出当前目标图像对应的分类作为当前分类;输入显示步骤,显示分类选择画面并在该分类选择画面内至少显示待处理图像中的当前目标图像的当前分类的分类名称,让用户查看并选择需要的当前目标图像的分类,进一步根据用户选择的分类在目标图像确认画面中显示对应的当前目标图像让用户确认需要的当前目标图像;目标图像提取步骤,根据用户确认的当前目标图像从待处理图像中提取对应的当前目标图像;以及目标图像输出步骤,对被提取出的当前目标图像进行输出。
发明的作用与效果
根据本发明所涉及的图像处理装置、图像处理方法以及计算机可读取的记录媒介物,因为采用轮廓线识别部识别出待处理图像中所有目标图像的轮廓线;目标图像获取部基于识别出的所有轮廓线获取分别与目标图像对应的图像区域作为当前目标图像;图像特征解析获取部依次对当前目标图像进行解析得到当前目标识别信息;分类判定部判定出当前目标图像对应的分类作为当前分类;输入显示部显示分类选择画面以及目标图像确认画面让用户确认需要的当前目标图像;目标图像提取部根据用户确认的当前目标图像从待处理图像中提取对应的当前目标图像,所以,本发明的图像处理装置可以自动识别出待处理图像中的目标图像,不需要用户进行手动标记,不需要繁琐的描绘,进而避免标记不准确。不仅花费的时间远小于用户描绘轮廓线的时间,而且目标图像中的细小区域也会被选取,使得被识别出的图像生动活泼。并且本发明的图像处理装置还会对目标图像对应的归属分类进行自动判定,而后在分类选择画面以及目标图像确认画面中对同一类事物,快速标记。不仅一次性将待处理图像中的多个归属分类进行呈现、还一次性将待处理图像中的同一个归属分类下的目标图像全部呈现,进而让用户快速确认需要的当前目标图像,进一步缩短了图片处理的时间,并提高了图片处理的效率。
附图说明
图1是本发明的实施例一中图像处理装置的结构框图;
图2a~2c是本发明的实施例一中用户选择当前目标的示意图;
图3是本发明的实施例一中图像处理装置的动作流程图;
图4是本发明的实施例一中轮廓线识别部的动作流程图;
图5是本发明的实施例二中图像处理装置的结构框图;
图6是本发明的实施例二中轮廓线识别部的动作流程图;
图7是本发明的实施例三中图像处理装置的结构框图;以及
图8是本发明的实施例三中轮廓线识别部的动作流程图。
具体实施方式
以下,参照附图对本发明的图像处理装置、连同本发明的图像处理方法以及本发明的记录媒介物进行详细阐述。
作为第一种实施形态,本发明提供了一种图像处理装置,用于从待处理图像中提取需要的目标图像,具有这样的特征,包括:特征信息存储部,存储有与目标图像相关联的多个归属分类、与该归属分类分别对应的包括轮廓特征信息和图像特征信息的目标识别信息;轮廓线识别部,识别出待处理图像中所有目标图像的轮廓线;目标图像获取部,基于识别出的所有轮廓线对待处理图像进行划分并获取分别与目标图像对应的图像区域作为当前目标图像;图像特征解析获取部,依次对当前目标图像进行解析得到对应的轮廓特征信息和图像特征信息作为当前目标识别信息;分类判定部,基于预定算法根据解析出的当前目标识别信息和特征信息存储部中存储的目标识别信息依次判定出当前目标图像对应的分类作为当前分类;画面存储部,存储有分类选择画面以及目标图像选择画面;输入显示部,显示分类选择画面并在该分类选择画面内至少显示待处理图像中的当前目标图像的当前分类的分类名称,让用户查看并选择需要的当前目标图像的分类,进一步根据用户选择的分类在目标图像确认画面中显示对应的当前目标图像让用户确认需要的当前目标图像;目标图像提取部,根据用户确认的当前目标图像从待处理图像中提取对应的当前目标图像;以及目标图像输出部,对被提取出的当前目标图像进行输出。
在第一种实施形态中,还可以具有这样的特征,还包括:显示控制部,其中,目标图像确认画面包括被选目标图像预览区域,显示控制部控制输入显示部还在目标图像确认画面的被选目标图像预览区域显示与用户选择的分类对应的多个当前目标图像让用户选择并确认至少一个当前目标图像。
在第一种实施形态中,还可以具有这样的特征,还包括:其中,样本图像存储部,其中,样本图像存储部存储有与归属分类分别对应的大量的样本图像,图像特征解析获取部依次对样本图像进行解析获取得到对应的包含样本轮廓特征信息以及样本图像特征信息的样本特征信息,特征信息存储部将样本特征信息作为目标识别信息与多个归属分类分别进行对应存储。
在第一种实施形态中,还可以具有这样的特征:其中,轮廓线识别部包含:灰度图像处理单元,根据待处理图像得到对应的灰度图像;二值化处理单元,对灰度图像进行二值化处理得到含有多个初始轮廓的轮廓图像;删除单元,删除轮廓图像中小于预定面积的初始轮廓;以及膨胀单元,对删除后的轮廓图像进行膨胀处理得到目标图像的轮廓线。
在第一种实施形态中,还可以具有这样的特征:其中,轮廓线识别部包含:噪声去除单元,对待处理图像进行噪声去除处理,得到第一处理图像;梯度计算单元,计算第一处理图像的所有像素点的梯度值;边缘像素点设定单元,基于计算得到的所有梯度值将与邻近像素点之间相比具有梯度值极大值的像素点设定为边缘像素点;轮廓像素点设定单元,至少将梯度值大于第一阈值的边缘像素点设定为目标图像的轮廓像素点;以及轮廓线生成单元,根据轮廓像素点生成目标图像的轮廓线。
在第一种实施形态中,还可以具有这样的特征:其中,轮廓线识别部包含:颜色值获取单元,获取待处理图像的所有像素点的颜色值;像素点归集单元,将颜色值落入相应色相预设颜色值范围的像素点进行归集,并获取归集后的像素点的色相号;色相分割单元,根据色相号对待处理图像进行色块分割,获取具有相同色相号的色块图像;以及轮廓线生成单元,将色块图像中至少一个或一个以上预设方向上连续连接的像素点连线生成目标图像的轮廓线。
在第一种实施形态中,还可以具有这样的特征:其中,预定算法为深度神经网络学习算法。
作为第二种实施形态,本发明还提供了一种图像处理方法,用于从待处理图像中提取需要的目标图像,其特征在于,包括:存储步骤,存储与目标图像相关联的多个归属分类、与该归属分类分别对应的包括轮廓特征信息和图像特征信息的目标识别信息、分类选择画面以及目标图像选择画面;轮廓线识别步骤,识别出待处理图像中所有目标图像的轮廓线;目标图像获取步骤,基于识别出的所有轮廓线对待处理图像进行划分并获取分别与目标图像对应的图像区域作为当前目标图像;图像特征解析获取步骤,依次对当前目标图像进行解析得到对应的轮廓特征信息和图像特征信息作为当前目标识别信息;分类判定步骤,基于预定算法根据解析出的当前目标识别信息和特征信息存储部中存储的目标识别信息依次判定出当前目标图像对应的分类作为当前分类;输入显示步骤,显示分类选择画面并在该分类选择画面内至少显示待处理图像中的当前目标图像的当前分类的分类名称,让用户查看并选择需要的当前目标图像的分类,进一步根据用户选择的分类在目标图像确认画面中显示对应的当前目标图像让用户确认需要的当前目标图像;目标图像提取步骤,根据用户确认的当前目标图像从待处理图像中提取对应的当前目标图像;以及目标图像输出步骤,对被提取出的当前目标图像进行输出。
作为第三种实施形态,本发明还提供了一种计算机可读取的记录媒介物,用于记录计算机程序,其特征在于,该计算机程序是为了从待处理图像中提取需要的目标图像,让图像处理装置执行:存储步骤,存储与目标图像相关联的多个归属分类、与该归属分类分别对应的包括轮廓特征信息和图像特征信息的目标识别信息、分类选择画面以及目标图像选择画面;轮廓线识别步骤,识别出待处理图像中所有目标图像的轮廓线;目标图像获取步骤,基于识别出的所有轮廓线对待处理图像进行划分并获取分别与目标图像对应的图像区域作为当前目标图像;图像特征解析获取步骤,依次对当前目标图像进行解析得到对应的轮廓特征信息和图像特征信息作为当前目标识别信息;分类判定步骤,基于预定算法根据解析出的当前目标识别信息和特征信息存储部中存储的目标识别信息依次判定出当前目标图像对应的分类作为当前分类;输入显示步骤,显示分类选择画面并在该分类选择画面内至少显示待处理图像中的当前目标图像的当前分类的分类名称,让用户查看并选择需要的当前目标图像的分类,进一步根据用户选择的分类在目标图像确认画面中显示对应的当前目标图像让用户确认需要的当前目标图像;目标图像提取步骤,根据用户确认的当前目标图像从待处理图像中提取对应的当前目标图像;以及目标图像输出步骤,对被提取出的当前目标图像进行输出。
<实施例一>
图1是本发明的实施例一中图像处理装置的结构框图。
如图1所示,在本实施例中,图像处理装置10用于从待处理图像中提取需要的目标图像。图像处理装置10包括特征信息存储部11、轮廓线识别部12、目标图像获取部13、图像特征解析获取部14、分类判定部15、画面存储部16、输入显示部17、目标图像提取部18、目标图像输出部19、暂存部20、显示控制部21、样本图像存储部22以及控制上述各部的控制部23。
特征信息存储部11存储有与目标图像相关联的多个归属分类、与该归属分类分别对应的包括轮廓特征信息和图像特征信息的目标识别信息。在本实施例中,归属分类可以为植物、动物、风景、静物几个大类中任意一类。每个大类下还包括若干个小类。例如,植物的归属分类包括以下几个小类:花、树木、苔藓以及菌菇;动物的归属分类包括以下几个小类:人物、马、羊、猴以及鸟等等;风景的归属分类包括以下几个小类:山川、河流、大海以及天空等等;静物的归属分类包括以下几个小类:水果、器皿、服装以及饰品等等。归属分类为“人物”的轮廓特征信息包括多个轮廓特征,这些轮廓特征有头部轮廓特征、上半身轮廓特征以及下半身轮廓特征。归属分类为“人物”的图像特征信息包括面部图像特征、发型图像特征、躯干图像特征以及四肢图像特征。
轮廓线识别部12识别出待处理图像中所有目标图像的轮廓线。在本实施例中,轮廓线识别部12包括灰度图像处理单元121、二值化处理单元122、删除单元123以及膨胀单元124。
灰度图像处理单元121根据待处理图像得到对应的灰度图像。
二值化处理单元122对灰度图像处理单元121处理得到的灰度图像进行二值化处理得到含有多个初始轮廓线的轮廓图像。
删除单元123删除轮廓图像中小于预定面积的初始轮廓线。在本实施例中,预定面积为5×5个像素点。
膨胀单元124对删除后的轮廓图像进行膨胀处理得到目标图像的轮廓线。
目标图像获取部13基于识别出的所有轮廓线对待处理图像进行划分并获取分别与目标图像对应的图像区域作为当前目标图像。
图像特征解析获取部14依次对当前目标图像进行解析得到对应的轮廓特征信息和图像特征信息作为当前目标识别信息;依次对样本图像进行解析获取得到对应的包含样本轮廓特征信息以及样本图像特征信息的样本特征信息。
分类判定部15基于预定算法根据解析出的当前目标识别信息和特征信息存储部中存储的目标识别信息依次判定出当前目标图像对应的分类作为当前分类。在本实施例中,预定算法为深度神经网络学习算法。
画面存储部16存储有分类选择画面以及目标图像选择画面。目标图像确认画面包括分类确认区域以及被选目标图像预览区域。分类确认区域让用户确认选择的当前目标图像的分类是否正确。被选目标图像预览区域显示与用户选择的分类对应的多个当前目标图像让用户选择并确认至少一个当前目标图像。
输入显示部17显示分类选择画面并在该分类选择画面内至少显示待处理图像中的当前目标图像的当前分类的分类名称,让用户查看并选择需要的当前目标图像的分类,进一步根据用户选择的分类在目标图像确认画面中显示对应的当前目标图像让用户确认需要的当前目标图像。
图2a~2c是本发明的实施例一中用户选择当前目标的示意图。
如图2a所示,输入显示部17显示分类选择画面并在该分类选择画面内显示待处理图像中的当前目标图像的当前分类的分类名称“人物”和“马匹”,让用户查看并选择需要的当前目标图像的分类。
如图2b所示,用户可以单选也可以多选分类。当用户选中“马匹”分类时,输入显示部17在目标图像确认画面中显示对应的所有马匹让用户确认需要的当前目标图像。
如图2c所示,对于显示在目标图像确认画面中所有马匹,用户如果不需要全部保留,可以长时间(3秒左右)按压不需要的图像,该图像就会消失,只保留轮廓。如果想撤销原来的消除操作。在消失图像所在的轮廓内,再次长按(3秒左右),又重新出现刚才消失的图像。只有当用户点击“确认”按键,目标图像提取部18才会运行。
目标图像提取部18根据用户确认的当前目标图像从待处理图像中提取对应的当前目标图像。
目标图像输出部19对被提取出的当前目标图像进行输出。
暂存部20用于暂存储图像处理装置10的各个组成部分之间所交换的数据信息以及待处理图像。
显示控制部21用于控制输入显示部17在目标图像确认画面的被选目标图像预览区域显示与用户选择的分类对应的多个当前目标图像让用户选择并确认至少一个当前目标图像。
样本图像存储部22存储有与归属分类分别对应的大量的样本图像。每个样本图像均为只包含一个归属分类类别下的一个物体的图像。
控制部23包含用于控制特征信息存储部11、轮廓线识别部12、目标图像获取部13、图像特征解析获取部14、分类判定部15、画面存储部16、输入显示部17、目标图像提取部18、目标图像输出部19、暂存部20、显示控制部21以及样本图像存储部22运行的计算机程序。
图3是本发明的实施例一中图像处理装置的动作流程图。
如图3所示,本实施例一的图像处理装置10的动作流程包含以下步骤:
步骤S1,图像特征解析获取部14依次对样本图像存储部22中的样本图像进行解析获取得到对应的包含样本轮廓特征信息以及样本图像特征信息的样本特征信息,然后进入步骤S2。
步骤S2,特征信息存储部11将样本特征信息作为目标识别信息与多个归属分类分别进行对应存储,然后进入步骤S3。
步骤S3,轮廓线识别部12识别出待处理图像中所有目标图像的轮廓线,然后进入步骤S4。
步骤S4,目标图像获取部13基于识别出的所有轮廓线对待处理图像进行划分并获取分别与目标图像对应的图像区域作为当前目标图像,然后进入步骤S5。
步骤S5,图像特征解析获取部14依次对当前目标图像进行解析得到对应的轮廓特征信息和图像特征信息作为当前目标识别信息,然后进入步骤S6。
步骤S6,分类判定部15基于预定算法根据解析出的当前目标识别信息和特征信息存储部中存储的目标识别信息依次判定出当前目标图像对应的分类作为当前分类,然后进入步骤S7。
步骤S7,输入显示部17显示分类选择画面并在该分类选择画面内至少显示待处理图像中的当前目标图像的当前分类的分类名称,让用户查看并选择需要的当前目标图像的分类,然后进入步骤S8。
步骤S8,输入显示部17根据用户选择的分类在目标图像确认画面中显示对应的当前目标图像让用户确认需要的当前目标图像,然后进入步骤S9。
步骤S9,目标图像提取部18根据用户确认的当前目标图像从待处理图像中提取对应的当前目标图像,然后进入步骤S10。
步骤S10,目标图像输出部19对被提取出的当前目标图像进行输出,然后进入结束状态。
图4是本发明的实施例一中轮廓线识别部的动作流程图。
如图4所示,本实施例一的轮廓线识别部12的动作流程包含以下步骤:
步骤S3-1,灰度图像处理单元121根据待处理图像得到对应的灰度图像,然后进入步骤S3-2。
步骤S3-2,二值化处理单元122对灰度图像处理单元121处理得到的灰度图像进行二值化处理得到含有多个初始轮廓线的轮廓图像,然后进入步骤S3-3。
步骤S3-3,删除单元123删除轮廓图像中小于预定面积的初始轮廓线,然后进入步骤S3-4。
步骤S3-4,膨胀单元124对删除后的轮廓图像进行膨胀处理得到目标图像的轮廓线,然后进入结束状态。
<实施例二>
在实施例二中,对于与实施例一中相同的结构,使用相同的符号并省略相同的说明。
图5是本发明的实施例二中图像处理装置的结构框图。
如图5所示,在图像处理装置210中的轮廓线识别部212含有噪声去除单元2121、梯度计算单元2122、边缘像素点设定单元2123、轮廓像素点设定单元2124以及轮廓线生成单元2125。
噪声去除单元2121对待处理图像进行噪声去除处理,得到第一处理图像。
梯度计算单元2122计算第一处理图像的所有像素点的梯度值。对平滑后的图像使用Sobel算子计算像素点的水平方向和竖直方向的一阶导数,该一阶导数即为像素点的梯度值。
边缘像素点设定单元2123基于计算得到的所有梯度值将与邻近像素点之间相比具有梯度值极大值的像素点设定为边缘像素点。
轮廓像素点设定单元2124将梯度值大于第一阈值的边缘像素点设定为目标图像的轮廓像素点。在本实施例中,轮廓像素点设定单元2124只根据第一阈值对目标图像进行判断,但是为了避免阈值设定过大,导致轮廓像素点无法连接成轮廓线,也可以设定第一阈值以及第二阈值,第一阈值大于第二阈值,如果边缘像素点的梯度值大于第一阈值,则被认为是强边缘像素点。如果边缘梯度值小于第一阈值,大于第二阈值,则标记为弱边缘像素点。轮廓像素点设定单元2124将强边缘像素点以及与之相连的弱边缘像素点均设定为轮廓像素点。
轮廓线生成单元2125根据轮廓像素点生成目标图像的轮廓线。
图6是本发明的实施例二中轮廓线识别部的动作流程图。
如图6所示,本实施例一的轮廓线识别部212的动作流程包含以下步骤:
步骤S23-1,噪声去除单元2121对待处理图像进行噪声去除处理,得到第一处理图像,然后进入步骤S23-2。
步骤S23-2,梯度计算单元2122计算第一处理图像的所有像素点的梯度值,然后进入步骤S23-3。
步骤S23-3,边缘像素点设定单元2123基于计算得到的所有梯度值将与邻近像素点之间相比具有梯度值极大值的像素点设定为边缘像素点,然后进入步骤S23-4。
步骤S23-4,轮廓像素点设定单元2124将梯度值大于第一阈值的边缘像素点设定为目标图像的轮廓像素点,然后进入步骤S23-5。
步骤S23-5,轮廓线生成单元2125根据轮廓像素点生成目标图像的轮廓线,然后进入结束状态。
<实施例三>
在实施例三中,对于与实施例一中相同的结构,使用相同的符号并省略相同的说明。
图7是本发明的实施例三中图像处理装置的结构框图。
如图7所示,在图像处理装置310中的轮廓线识别部312含有颜色值获取单元3121、像素点归集单元3122、色相分割单元3123以及轮廓线生成单元3124。
颜色值获取单元3121获取待处理图像的所有像素点的颜色值。待处理图像为彩色图像、灰度图像或黑白图像;颜色值为彩色图像的RGB颜色值、灰度图像的灰度值或黑白图像的灰度值。
像素点归集单元3122将颜色值落入相应色相预设颜色值范围的像素点进行归集,并获取归集后的像素点的色相号。在待处理图像为彩色图像时,将彩色图像中RGB颜色值落入相应彩色色相预设颜色值范围的像素点进行归集,获取各像素点的彩色色相号;彩色色相预设颜色值为在相邻色相RGB标准值的差的范围内取值得到的;彩色色相号为根据大小获取的顺序号。在待处理图像为灰度图像或黑白图像时,将灰度图像或黑白图像的灰度值落入相应的灰度色相预设值范围的像素点进行归集,并获取各像素点的灰度色相号;灰度色相预设值为根据色块中心灰度值和有效波长确定的;灰度色相号为根据大小获取的顺序号。
色相分割单元3123根据色相号对待处理图像进行色块分割,获取具有相同色相号的色块图像。
轮廓线生成单元3124将色块图像中至少一个或一个以上预设方向上连续连接的像素点连线生成目标图像的轮廓线。
图8是本发明的实施例三中轮廓线识别部的动作流程图。
如图8所示,本实施例三的轮廓线识别部312的动作流程包含以下步骤:
步骤S33-1,颜色值获取单元3121获取待处理图像的所有像素点的颜色值,然后进入步骤S33-2。
步骤S33-2,像素点归集单元3122将颜色值落入相应色相预设颜色值范围的像素点进行归集,并获取归集后的像素点的色相号,然后进入步骤S33-3。
步骤S33-3,色相分割单元3123根据色相号对待处理图像进行色块分割,获取具有相同色相号的色块图像,然后进入步骤S33-4。
步骤S33-4,轮廓线生成单元3124将色块图像中至少一个或一个以上预设方向上连续连接的像素点连线生成目标图像的轮廓线,然后进入结束状态。
实施例的作用与效果
根据本实施例一至三所涉及的图像处理装置、图像处理方法以及计算机可读取的记录媒介物,因为采用轮廓线识别部识别出待处理图像中所有目标图像的轮廓线;目标图像获取部基于识别出的所有轮廓线获取分别与目标图像对应的图像区域作为当前目标图像;图像特征解析获取部依次对当前目标图像进行解析得到当前目标识别信息;分类判定部判定出当前目标图像对应的分类作为当前分类;输入显示部显示分类选择画面以及目标图像确认画面让用户确认需要的当前目标图像;目标图像提取部根据用户确认的当前目标图像从待处理图像中提取对应的当前目标图像,所以,本实施例的图像处理装置可以自动识别出待处理图像中的目标图像,不需要用户进行手动标记,不需要繁琐的描绘,进而避免标记不准确。不仅花费的时间远小于用户描绘轮廓线的时间,而且目标图像中的细小区域也会被选取,使得被识别出的图像生动活泼。并且本实施例的图像处理装置还会对目标图像对应的归属分类进行自动判定,而后在分类选择画面以及目标图像确认画面中对同一类事物,快速标记。不仅一次性将待处理图像中的多个归属分类进行呈现、还一次性将待处理图像中的同一个归属分类下的目标图像全部呈现,进而让用户快速确认需要的当前目标图像,进一步缩短了图片处理的时间,并提高了图片处理的效率。
因为目标图像确认画面包括被选目标图像预览区域,所以可以让用户通过类似单击等操作,取消同类事物中的某一物体的标记,提高工作效率。
另外,本实施例的图像处理装置还包括了样本图像存储部,可以根据样本图像存储部中的样本图像实时更新对应的目标识别信息,避免对目标图像的分类判断失误,进而导致目标图像提取失败。
另外,本实施例的图像处理装置还采用了深度神经网络学习算法将解析出的当前目标识别信息与特征信息存储部中存储的目标识别信息进行比对并判定出当前目标图像对应的当前分类,实现了快速准确地分类,而且出错率低。
上述实施方式为本发明的优选案例,并不用来限制本发明的保护范围。
Claims (9)
1.一种图像处理装置,用于从待处理图像中提取需要的目标图像,其特征在于,包括:
特征信息存储部,存储有与所述目标图像相关联的多个归属分类、与该归属分类分别对应的包括轮廓特征信息和图像特征信息的目标识别信息;
轮廓线识别部,识别出所述待处理图像中所有目标图像的轮廓线;
目标图像获取部,基于识别出的所有所述轮廓线对所述待处理图像进行划分并获取分别与所述目标图像对应的图像区域作为当前目标图像;
图像特征解析获取部,依次对所述当前目标图像进行解析得到对应的轮廓特征信息和图像特征信息作为当前目标识别信息;
分类判定部,基于预定算法根据解析出的所述当前目标识别信息和所述特征信息存储部中存储的所述目标识别信息依次判定出所述当前目标图像对应的分类作为当前分类;
画面存储部,存储有分类选择画面以及目标图像选择画面;
输入显示部,显示所述分类选择画面并在该分类选择画面内至少显示所述待处理图像中的所述当前目标图像的当前分类的分类名称,让用户查看并选择需要的所述当前目标图像的分类,进一步根据用户选择的所述分类在所述目标图像确认画面中显示对应的所述当前目标图像让用户确认需要的所述当前目标图像;
目标图像提取部,根据所述用户确认的所述当前目标图像从所述待处理图像中提取对应的所述当前目标图像;以及
目标图像输出部,对被提取出的所述当前目标图像进行输出。
2.根据权利要求1所述的图像处理装置,其特征在于,还包括:
显示控制部,
其中,所述目标图像确认画面包括被选目标图像预览区域,
所述显示控制部控制所述输入显示部还在所述目标图像确认画面的被选目标图像预览区域显示与所述用户选择的分类对应的多个所述当前目标图像让所述用户选择并确认至少一个当前目标图像。
3.根据权利要求1所述的图像处理装置,其特征在于,还包括:
样本图像存储部,
其中,所述样本图像存储部存储有与所述归属分类分别对应的大量的样本图像,
所述图像特征解析获取部依次对所述样本图像进行解析获取得到对应的包含样本轮廓特征信息以及样本图像特征信息的样本特征信息,
所述特征信息存储部将所述样本特征信息作为所述目标识别信息与所述多个归属分类分别进行对应存储。
4.根据权利要求1所述的图像处理装置,其特征在于:
其中,所述轮廓线识别部包含:
灰度图像处理单元,根据所述待处理图像得到对应的灰度图像;
二值化处理单元,对所述灰度图像进行二值化处理得到含有多个初始轮廓线的轮廓图像;
删除单元,删除所述轮廓图像中小于预定面积的初始轮廓线;以及
膨胀单元,对删除后的所述轮廓图像进行膨胀处理得到所述目标图像的轮廓线。
5.根据权利要求1所述的图像处理装置,其特征在于:
其中,所述轮廓线识别部包含:
噪声去除单元,对所述待处理图像进行噪声去除处理,得到第一处理图像;
梯度计算单元,计算所述第一处理图像的所有像素点的梯度值;
边缘像素点设定单元,基于计算得到的所有所述梯度值将与邻近像素点之间相比具有梯度值极大值的所述像素点设定为边缘像素点;
轮廓像素点设定单元,至少将所述梯度值大于第一阈值的所述边缘像素点设定为所述目标图像的轮廓像素点;以及
轮廓线生成单元,根据所述轮廓像素点生成所述目标图像的轮廓线。
6.根据权利要求1所述的图像处理装置,其特征在于:
其中,所述轮廓线识别部包含:
颜色值获取单元,获取所述待处理图像的所有像素点的颜色值;
像素点归集单元,将所述颜色值落入相应色相预设颜色值范围的像素点进行归集,并获取归集后的所述像素点的色相号;
色相分割单元,根据所述色相号对所述待处理图像进行色块分割,获取具有相同色相号的色块图像;以及
轮廓线生成单元,将所述色块图像中至少一个或一个以上预设方向上连续连接的像素点连线生成所述目标图像的轮廓线。
7.根据权利要求1所述的图像处理装置,其特征在于:
其中,所述预定算法为深度神经网络学习算法。
8.一种图像处理方法,用于从待处理图像中提取需要的目标图像,其特征在于,包括:
存储步骤,存储与所述目标图像相关联的多个归属分类、与该归属分类分别对应的包括轮廓特征信息和图像特征信息的目标识别信息、分类选择画面以及目标图像选择画面;
轮廓线识别步骤,识别出所述待处理图像中所有目标图像的轮廓线;
目标图像获取步骤,基于识别出的所有所述轮廓线对所述待处理图像进行划分并获取分别与所述目标图像对应的图像区域作为当前目标图像;
图像特征解析获取步骤,依次对所述当前目标图像进行解析得到对应的轮廓特征信息和图像特征信息作为当前目标识别信息;
分类判定步骤,基于预定算法根据解析出的所述当前目标识别信息和所述特征信息存储部中存储的所述目标识别信息依次判定出所述当前目标图像对应的分类作为当前分类;
输入显示步骤,显示所述分类选择画面并在该分类选择画面内至少显示所述待处理图像中的所述当前目标图像的当前分类的分类名称,让用户查看并选择需要的所述当前目标图像的分类,进一步根据用户选择的所述分类在所述目标图像确认画面中显示对应的所述当前目标图像让用户确认需要的所述当前目标图像;
目标图像提取步骤,根据所述用户确认的所述当前目标图像从所述待处理图像中提取对应的所述当前目标图像;以及
目标图像输出步骤,对被提取出的所述当前目标图像进行输出。
9.一种计算机可读取的记录媒介物,用于记录计算机程序,其特征在于,该计算机程序是为了从待处理图像中提取需要的目标图像,让图像处理装置执行:
存储步骤,存储与所述目标图像相关联的多个归属分类、与该归属分类分别对应的包括轮廓特征信息和图像特征信息的目标识别信息、分类选择画面以及目标图像选择画面;
轮廓线识别步骤,识别出所述待处理图像中所有目标图像的轮廓线;
目标图像获取步骤,基于识别出的所有所述轮廓线对所述待处理图像进行划分并获取分别与所述目标图像对应的图像区域作为当前目标图像;
图像特征解析获取步骤,依次对所述当前目标图像进行解析得到对应的轮廓特征信息和图像特征信息作为当前目标识别信息;
分类判定步骤,基于预定算法根据解析出的所述当前目标识别信息和所述特征信息存储部中存储的所述目标识别信息依次判定出所述当前目标图像对应的分类作为当前分类;
输入显示步骤,显示所述分类选择画面并在该分类选择画面内至少显示所述待处理图像中的所述当前目标图像的当前分类的分类名称,让用户查看并选择需要的所述当前目标图像的分类,进一步根据用户选择的所述分类在所述目标图像确认画面中显示对应的所述当前目标图像让用户确认需要的所述当前目标图像;
目标图像提取步骤,根据所述用户确认的所述当前目标图像从所述待处理图像中提取对应的所述当前目标图像;以及
目标图像输出步骤,对被提取出的所述当前目标图像进行输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810185853.5A CN110248113B (zh) | 2018-03-07 | 2018-03-07 | 图像处理装置、方法及计算机可读取的记录媒介物 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810185853.5A CN110248113B (zh) | 2018-03-07 | 2018-03-07 | 图像处理装置、方法及计算机可读取的记录媒介物 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110248113A true CN110248113A (zh) | 2019-09-17 |
CN110248113B CN110248113B (zh) | 2021-06-29 |
Family
ID=67882414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810185853.5A Active CN110248113B (zh) | 2018-03-07 | 2018-03-07 | 图像处理装置、方法及计算机可读取的记录媒介物 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110248113B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910409A (zh) * | 2019-10-15 | 2020-03-24 | 平安科技(深圳)有限公司 | 一种灰度图像处理方法、装置和计算机可读存储介质 |
CN111565300A (zh) * | 2020-05-22 | 2020-08-21 | 深圳市百川安防科技有限公司 | 基于对象的视频文件处理方法、设备及系统 |
CN111949352A (zh) * | 2020-08-13 | 2020-11-17 | 上海红印科技有限公司 | 印刷类广告产品线上下单系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160071261A1 (en) * | 2014-09-05 | 2016-03-10 | Samsung Electronics Co., Ltd. | Pattern analysis method of a semiconductor device |
CN106056594A (zh) * | 2016-05-27 | 2016-10-26 | 四川桑莱特智能电气设备股份有限公司 | 一种基于双光谱的可见光图像提取系统与方法 |
CN106127485A (zh) * | 2016-06-29 | 2016-11-16 | 韦醒妃 | 一种基于识别技术的电子交易认证系统 |
JP2017016654A (ja) * | 2015-06-30 | 2017-01-19 | キヤノンマーケティングジャパン株式会社 | プログラム、情報処理装置、及びその処理方法 |
CN107577982A (zh) * | 2017-06-29 | 2018-01-12 | 天津大学 | 采用深度学习的电网隔离开关状态识别方法 |
-
2018
- 2018-03-07 CN CN201810185853.5A patent/CN110248113B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160071261A1 (en) * | 2014-09-05 | 2016-03-10 | Samsung Electronics Co., Ltd. | Pattern analysis method of a semiconductor device |
JP2017016654A (ja) * | 2015-06-30 | 2017-01-19 | キヤノンマーケティングジャパン株式会社 | プログラム、情報処理装置、及びその処理方法 |
CN106056594A (zh) * | 2016-05-27 | 2016-10-26 | 四川桑莱特智能电气设备股份有限公司 | 一种基于双光谱的可见光图像提取系统与方法 |
CN106127485A (zh) * | 2016-06-29 | 2016-11-16 | 韦醒妃 | 一种基于识别技术的电子交易认证系统 |
CN107577982A (zh) * | 2017-06-29 | 2018-01-12 | 天津大学 | 采用深度学习的电网隔离开关状态识别方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910409A (zh) * | 2019-10-15 | 2020-03-24 | 平安科技(深圳)有限公司 | 一种灰度图像处理方法、装置和计算机可读存储介质 |
WO2021072873A1 (zh) * | 2019-10-15 | 2021-04-22 | 平安科技(深圳)有限公司 | 灰度图像处理方法、系统、装置和计算机可读存储介质 |
CN110910409B (zh) * | 2019-10-15 | 2023-10-27 | 平安科技(深圳)有限公司 | 一种灰度图像处理方法、装置和计算机可读存储介质 |
CN111565300A (zh) * | 2020-05-22 | 2020-08-21 | 深圳市百川安防科技有限公司 | 基于对象的视频文件处理方法、设备及系统 |
CN111949352A (zh) * | 2020-08-13 | 2020-11-17 | 上海红印科技有限公司 | 印刷类广告产品线上下单系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110248113B (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104463117B (zh) | 一种基于视频方式的人脸识别样本采集方法及系统 | |
CN108717524B (zh) | 一种基于双摄手机和人工智能系统的手势识别系统 | |
CN109154978A (zh) | 用于检测植物疾病的系统和方法 | |
CA2483615A1 (en) | Method of feature identification and analysis | |
JP7026456B2 (ja) | 画像処理装置、学習装置、フォーカス制御装置、露出制御装置、画像処理方法、学習方法、及びプログラム | |
CN105389581B (zh) | 一种胚芽米胚芽完整度智能识别系统及其识别方法 | |
CN105869159A (zh) | 一种图像分割方法及装置 | |
CN109559362B (zh) | 一种图像主体脸部替换方法及装置 | |
CN110248113A (zh) | 图像处理装置、方法及计算机可读取的记录媒介物 | |
CN109635811A (zh) | 空间植物的图像分析方法 | |
CN110097510B (zh) | 一种纯色花朵识别方法、装置及存储介质 | |
JP7350208B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
Raut et al. | Review on leaf disease detection using image processing techniques | |
Marzan et al. | Automated tobacco grading using image processing techniques and a convolutional neural network | |
Tang et al. | Leaf extraction from complicated background | |
CN108154176A (zh) | 一种针对单一深度图像的3d人体姿态估计算法 | |
CN105404682B (zh) | 一种基于数字图像内容的图书检索方法 | |
CN108876776A (zh) | 一种分类模型生成方法、眼底图像分类方法及装置 | |
Galphade et al. | Supervised learning approach for flower images using color, shape and texture features | |
CN109376746A (zh) | 一种图片识别方法及系统 | |
CN116071653A (zh) | 基于自然图像的树木多级枝干结构自动提取方法 | |
De Rosa et al. | Image segmentation and region filling for virtual restoration of artworks | |
CN108109125A (zh) | 基于遥感图像的信息提取方法和装置 | |
CN108805163A (zh) | 衣服图像自动标注方法 | |
CN106815848A (zh) | 基于grubcut和人工智能的人像背景分离及轮廓提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |