CN110415263A - 图像分割方法以及图像分割装置 - Google Patents
图像分割方法以及图像分割装置 Download PDFInfo
- Publication number
- CN110415263A CN110415263A CN201910689723.XA CN201910689723A CN110415263A CN 110415263 A CN110415263 A CN 110415263A CN 201910689723 A CN201910689723 A CN 201910689723A CN 110415263 A CN110415263 A CN 110415263A
- Authority
- CN
- China
- Prior art keywords
- image
- processed
- pixel
- foreground object
- background object
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003709 image segmentation Methods 0.000 title claims abstract description 30
- 238000005192 partition Methods 0.000 title claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 40
- 238000003384 imaging method Methods 0.000 claims abstract description 29
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 65
- 238000005260 corrosion Methods 0.000 claims description 35
- 230000007797 corrosion Effects 0.000 claims description 35
- 230000000877 morphologic effect Effects 0.000 claims description 34
- 238000013316 zoning Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims 1
- 230000015654 memory Effects 0.000 description 32
- 238000010586 diagram Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 16
- 238000003860 storage Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 238000004590 computer program Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 238000005530 etching Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000007373 indentation Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 229910052701 rubidium Inorganic materials 0.000 description 2
- IGLNJRXAVVLDKE-UHFFFAOYSA-N rubidium atom Chemical compound [Rb] IGLNJRXAVVLDKE-UHFFFAOYSA-N 0.000 description 2
- 241001085205 Prenanthella exigua Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例提供了一种图像分割方法及图像分割装置,图像分割方法包括:将待处理图像转换为灰度图像;对所述灰度图像进行水平方向和竖直方向的滤波得到梯度模值图像;在所述待处理图像进行背景对象和前景对象的标记;根据标记的所述背景对象以及所述前景对象,在所述梯度模值图像上确定像素灰度级局部最大值以及像素灰度级局部最小值;根据所述像素灰度级局部最大值以及像素灰度级局部最大值在所述梯度模值图像上进行所述背景对象与所述前景对象的边界分割;根据边界分割后的背景对象以及所述前景对象确定目标物体在所述待处理图像中的成像位置。本申请实施例提供了一种通用的图像分割方案。
Description
技术领域
本申请实施例涉及图像技术领域,尤其涉及一种图像分割方法以及图像分割装置。
背景技术
随着计算机技术的飞速发展,图像处理技术被广泛的应用于医学、遥感、测绘、军事、农业、交通、航天、工业自动化和办公自动化等诸多领域。在图像处理技术的研究和应用中,人们往往只对一幅图像中的某些区域感兴趣,通常称之为目标或感兴趣区域。图像分割就是根据图像的特定性质将目标从复杂背景中准确提取出来过程和技术。
现有技术中,大都针对某一类型的图像,或者是某一个具体应用而提出一种特定的图像分割处理方案,而没有通用的图像分割处理方案。
发明内容
有鉴于此,本申请实施例所解决的技术问题之一在于提供一种图像分割方法以及图像分割装置,用以克服现有技术中的上述缺陷。
本申请实施例提供了一种图像分割方法,其包括:
将待处理图像转换为灰度图像;
对所述灰度图像进行水平方向和竖直方向的滤波得到梯度模值图像;
在所述待处理图像进行背景对象和前景对象的标记;
根据标记的所述背景对象以及所述前景对象,在所述梯度模值图像上确定像素灰度级局部最大值以及像素灰度级局部最小值;
根据所述像素灰度级局部最大值以及像素灰度级局部最大值在所述梯度模值图像上进行所述背景对象与所述前景对象的边界分割;
根据边界分割后的背景对象以及所述前景对象确定目标物体在所述待处理图像中的成像位置。
可选地,在本申请的任一实施例中,在所述待处理图像进行背景对象和前景对象的标记,包括:对所述待处理图像进行腐蚀处理以及对腐蚀处理后的所述待处理图像进行形态学重建处理,在形态学重建处理后的所述待处理图像上进行背景对象和前景对象的标记。
可选地,在本申请的任一实施例中,在所述待处理图像进行背景对象和前景对象的标记,包括:对所述待处理图像进行开关操作以对所述待处理图像进行平滑处理,对平滑处理后的所述待处理图像进行形态学重建处理,在形态学重建处理后的所述待处理图像上进行背景对象和前景对象的标记。
可选地,在本申请的任一实施例中,对所述待处理图像进行开关操作以对所述待处理图像进行平滑处理,包括:对所述待处理图像进行开操作,以断开所述待处理图像上狭窄的间断和消除细的突出物;对所述待处理图像进行关操作,以消除所述待处理图像上狭窄的间断和长细的鸿沟。
可选地,在本申请的任一实施例中,根据边界分割后的背景对象以及所述前景对象确定目标物体在所述待处理图像中的成像位置,包括:
根据边界分割后的背景对象以及所述前景对象进行边缘像素检测;
根据所述边缘像素检测计算区域连通量;
根据所述区域连通量,确定目标物体在所述待处理图像中的成像位置。
本申请实施例还提供一种图像分割装置,其包括:
图像转换单元,用于将待处理图像转换为灰度图像;
滤波单元,用于对所述灰度图像进行水平方向和竖直方向的滤波得到梯度模值图像;
标记单元,用于在所述待处理图像进行背景对象和前景对象的标记;
像素灰度级单元,用于根据标记的所述背景对象以及所述前景对象,在所述梯度模值图像上确定像素灰度级局部最大值以及像素灰度级局部最小值;
边界分割单元,用于根据所述像素灰度级局部最大值以及像素灰度级局部最大值在所述梯度模值图像上进行所述背景对象与所述前景对象的边界分割;
成像位置确定单元,用于根据边界分割后的背景对象以及所述前景对象确定目标物体在所述待处理图像中的成像位置。
可选地,在本申请的任一实施例中,所述标记单元包括:
腐蚀处理子单元,用于对所述待处理图像进行腐蚀处理;
重建子单元,用于对腐蚀处理后的所述待处理图像进行形态学重建处理;
标记子单元,用于在形态学重建处理后的所述待处理图像上进行背景对象和前景对象的标记。
可选地,在本申请的任一实施例中,所述标记单元包括:
平滑子单元,用于对所述待处理图像进行开关操作以对所述待处理图像进行平滑处理;
重建子单元,用于对平滑处理后的所述待处理图像进行形态学重建处理;
标记子单元,用于在形态学重建处理后的所述待处理图像上进行背景对象和前景对象的标记。
可选地,在本申请的任一实施例中,所述平滑子单元包括:
开操作子单元,用于对所述待处理图像进行开操作,以断开所述待处理图像上狭窄的间断和消除细的突出物;
关操作子单元,用于对所述待处理图像进行关操作,以消除所述待处理图像上狭窄的间断和长细的鸿沟。
可选地,在本申请的任一实施例中,所述成像位置确定单元包括:
边缘检测子单元,用于根据边界分割后的背景对象以及所述前景对象进行边缘像素检测;
区域连通量计算子单元,由于根据所述边缘像素检测计算区域连通量;
位置子单元,用于根据所述区域连通量,确定目标物体在所述待处理图像中的成像位置。
本申请实施例的图像分割方案,由于将待处理图像转换为灰度图像;对所述灰度图像进行水平方向和竖直方向的滤波得到梯度模值图像;在所述待处理图像进行背景对象和前景对象的标记;根据标记的所述背景对象以及所述前景对象,在所述梯度模值图像上确定像素灰度级局部最大值以及像素灰度级局部最小值;根据所述像素灰度级局部最大值以及像素灰度级局部最大值在所述梯度模值图像上进行所述背景对象与所述前景对象的边界分割;根据边界分割后的背景对象以及所述前景对象确定目标物体在所述待处理图像中的成像位置,因此可以摆脱特定场景应用的要求或者特定的图像分割的限制,从而提供了一种通用的图像分割方案。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请实施例的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1为本申请实施例一中图像分割方法的流程示意图;
图2为本申请实施例二中进行标记处理的流程示意图;
图3为本申请实施例三中进行标记处理的流程示意图;
图4为本申请实施例四中平滑处理的流程示意图;
图5为本申请实施例五中确定成像位置的流程示意图;
图6为本申请实施例六中图像分割装置的结构示意图;
图7为本申请实施例七中标记单元的结构示意图;
图8为本申请实施例八中标记单元的结构示意图;
图9为本申请实施例九中平滑子单元的结构示意图;
图10为本申请实施例十中成像位置确定单元的结构示意图;
图11是本申请实施例十一中执行图像分割的一些电子设备的硬件结构示意图。
具体实施方式
实施本申请实施例的任一技术方案必不一定需要同时达到以上的所有优点。
为了使本领域的人员更好地理解本申请实施例中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本申请实施例保护的范围。
本申请实施例的图像分割方案,由于将待处理图像转换为灰度图像;对所述灰度图像进行水平方向和竖直方向的滤波得到梯度模值图像;在所述待处理图像进行背景对象和前景对象的标记;根据标记的所述背景对象以及所述前景对象,在所述梯度模值图像上确定像素灰度级局部最大值以及像素灰度级局部最小值;根据所述像素灰度级局部最大值以及像素灰度级局部最大值在所述梯度模值图像上进行所述背景对象与所述前景对象的边界分割;根据边界分割后的背景对象以及所述前景对象确定目标物体在所述待处理图像中的成像位置,因此可以摆脱特定场景应用的要求或者特定的图像分割的限制,从而提供了一种通用的图像分割方案。
下面结合本申请实施例附图进一步说明本申请实施例具体实现。
图1为本申请实施例一中图像分割方法的流程示意图;如图1所示,其包括:
S101、将待处理图像转换为灰度图像;
本实施例中,待处理图像可以为通过摄像设备拍摄的彩色图像,具体的图像格式不做特别限定。
灰度图像是每个像素只有一个采样颜色的图像。这类图像通常显示为从最暗黑色到最亮的白色的灰度,尽管理论上这个采样可以任何颜色的不同深浅,甚至可以是不同亮度上的不同颜色。灰度图像与黑白图像不同,在计算机图像领域中黑白图像只有黑白两种颜色,灰度图像在黑色与白色之间还有许多级的颜色深度。
具体地,可以对3个通道(RGB)的通道值进行平均处理,从而转换成1个通道值,在一种应用场景中,其可以通过如下公式(1)来实现。
I(x,y)=1/3*I_R(x,y)+1/3*I_G(x,y)+1/3*I_B(x,y) (1)
在上述公式(1)中,I(x,y)表示在灰度图像上像素位置(x,y)处的灰度等级值,R(x,y)、G(x,y)、B(x,y)分别表示在待处理图像上RGB的像素值。
可替代地,在其他实施中,可以通过取同一个像素位置的RGB通道值中亮度最大的和最小的进行平均从而转换成1个通道值。具体可通过如下公式(2)来实现:
I(x,y)=0.5*max(I_R(x,y),I_G(x,y),I_B(x,y))+0.5*min(I_R(x,y),I_G(x,y),I_B(x,y))。
在上述公式(2)中,0.5为权重,其具体数值可以根据应用场景需求灵活设置。
可替代地,也可以通过对3个通道(RGB)的通道值进行加权平均处理,从而转换成1个通道值。具体可通过如下公式(3)来实现。
I(x,y)=0.3*I_R(x,y)+0.59*I_G(x,y)+0.11*I_B(x,y) (3)
在上述公式(3)中,加权系数0.3,0.59,0.11是根据人的亮度感知系统而定。
S102、对所述灰度图像进行水平方向和竖直方向的滤波得到梯度模值图像;
本实施例中,考虑到当待处理图像中存在边缘时,一定有较大的梯度值,相反,当图像中有比较平滑的部分时,灰度值变化较小,则相应的梯度也较小,因此,本实施例中,通过滤波的方式计算每个像素沿着水平方向和竖直方向的梯度,以得到梯度模值图像。
考虑待处理图像的每个像素的某个邻域内的灰度变化,利用边缘临近的一阶或二阶导数变化规律,对待处理图像中像素邻域设置梯度算子,进一步使用用小区域模板进行卷积来计算像素的梯度,最终得到梯度模值图像。
S103、在所述待处理图像进行背景对象和前景对象的标记;
本实施例中,通过对所述待处理图像进行了背景对象和前景对象的标记,从而更准确地从待处理图像上区别出目标物体,进一步可以实现更好的分割效果。在进行前景对象或者背景对象的标记时,相当于对前景对象或者背景对象内部的斑点像素进行连接。
S104、根据标记的所述背景对象以及所述前景对象,在所述梯度模值图像上确定像素灰度级局部最大值以及像素灰度级局部最小值;
如前所述,由于梯度模值图像是可以反应出待处理图像上像素值的变化趋势,因此,基于该梯度模值图像可以直接确定出像素灰度级局部最大值以及像素灰度级局部最小值。具体地,可以统计出待处理图线上所有像素点的灰度等级,再结合梯度模值图像上的像素点的灰度等级变化趋势,从而可快速且直接确定出像素灰度级局部最大值以及像素灰度级局部最小值。
S105、根据所述像素灰度级局部最大值以及像素灰度级局部最大值在所述梯度模值图像上进行所述背景对象与所述前景对象的边界分割;
本实施例中,通过像素灰度级局部最大值以及像素灰度级局部最小值可以将梯度模值图像分割成若干个任意大小且区域上不重叠的图像区域,进一步再根据图像区域的一致性,对图像区域进行合并或者再次分裂处理。具体地,可以采用四叉树进行图像区域的分割或者合并。在四叉树中,每一个节点代表一个图像区域,而其中的根节点代表整幅梯度模值图像。基于此,从而可以在梯度模值图像上有效地将所述背景对象与所述前景对象的边界清晰的分割开来。
S106、根据边界分割后的背景对象以及所述前景对象确定目标物体在所述待处理图像中的成像位置。
本实施例中,通过对背景对象和前景对象进行准确的分割,再结合上述所述像素灰度级局部最大值以及像素灰度级局部最大值,从而可以直接确定目标物体在所述待处理图像中的成像位置。
图2为本申请实施例二中进行标记处理的流程示意图;如图2所示,在所述待处理图像进行背景对象和前景对象的标记,包括:
S201、对所述待处理图像进行腐蚀处理;
本实施例中,步骤S201中,在对所述待处理图像进行腐蚀处理时,具体可以首先定义结构因子,通过求解该结构化因子与每一个像素点的像素值进行逻辑运算,从而得到腐蚀后的像素点,所有腐蚀后的像素点的像素值即可组成腐蚀处理后的待处理图像。具体地,该结构因子可以直接像素点在对应灰度图像上的灰度等级。因此,通过腐蚀处理有效滤出了噪声,提高了图像分割的准确度。
具体从整体来看,腐蚀的运算符是“-”,其定义如下述公式(3)所示:
该公式表示待处理图像A,用卷积模板B(即结构因子)来进行腐蚀处理,通过模板B与图像A进行卷积计算,得出B覆盖区域的像素点最小值,并用这个最小值来替代参考点的像素值。通过上述腐蚀处理之后得到的待处理图像,从容消除了目标物体的边界点,使得目标物体在图像的表现上变小。
在利用上述公式(3)进行腐蚀处理时,可使用卷积模板B扫描待处理图像上的每一个像素点,并使用卷积模板B与扫描到的像素的像素值进行与运算,运算的结果为1或者0。
S202、对腐蚀处理后的所述待处理图像进行形态学重建处理;
本实施例中,在进行形态学重建处理时,主要基于两幅图像,其中一幅待处理图像,另外一幅为掩模图像,掩模图像用于对待处理图像进行遮挡使得待处理图像上某些区域(尤其是背景对象)作屏蔽,使其不参加后续处理。与此同时,还可以提取包括目标物体成像的感兴趣区,提取待处理图像中与掩模图像相似的结构特征。
具体地,在一种应用场景中,具体可以下述公式(4)进行形态学重建处理,其中,J记为待处理图像,I记为掩模图像,这两个图像上的像素灰度等级范围为0-255,同时,掩模图像I为待处理图像的子集;
p(x,y)∈I,q(x,y)∈I,且x=m,y=n;
kq=max{J(s),s∈Nj(q)},NJ(q)表示在待处理图像上q(x,y)的邻接像素 (4)
I(p)←min(kq,I(p));
不断重复执行上述公式(4)的处理,直到掩模图像中每个像素的灰度等级不再改变为止即收敛,从而完成对待处理图像的重建处理。
当然,可替代地,在其他实施例中,如果考虑到算法执行的效率或者快速需求,可以首先利用掩模图像对待处理图像进行两次有序扫描,比如先栅格扫描、再逆栅格扫描,再进行逆栅格扫描时把下次栅格扫描过程中可能被修改值的像素保存到一个队列中;最后按照先进先出将队列中的像素逐个取出,再按照宽度优先的原则进行收敛运算,直到掩模图像中每个像素的灰度等级不再改变为止即收敛,从而完成对待处理图像的重建处理。
S203、在形态学重建处理后的所述待处理图像上进行背景对象和前景对象的标记。
本实施例中,由于通过上述形态学重建可以确定出待处理图像上区域像素最大值,而由于对于目标物体的确定来说,其更多关注的是区域像素最大值,再结合阈值法即可实现对背景对象和前景对象的标记处理。
图3为本申请实施例三中进行标记处理的流程示意图;如图3所示,在所述待处理图像进行背景对象和前景对象的标记,包括:
S301、对所述待处理图像进行开关操作以对所述待处理图像进行平滑处理;
本实施例中,对图像进行开关操作最主要的目的是通过对待处理图像进行平滑处理从而达到降噪的目的。
具体地,开关操作可以为开操作、关操作,或者二者的结合。具体地,开操作具体包括先对待处理图像进行腐蚀处理,之后再进行膨胀操作,其中关于腐蚀处理可参照上述图2实施例记载,而对于膨胀操作,从达到的技术效果来看,可简单的理解为腐蚀操作的逆处理。从实际的技术处理过程来看,通过膨胀操作使得与目标物体有接触的所有背景像素合并到所述目标物体中,从而使得在待处理图像上目标物体增大,从而填补目标物体中的空洞。具体地,开操作、关操作详见下述图4实施例记载。
S302、对平滑处理后的所述待处理图像进行形态学重建处理;
本实施例中,与上述图2实施例类似,在进行形态学重建处理时,主要基于两幅图像,其中一幅待处理图像,另外一幅为掩模图像,掩模图像用于对待处理图像进行遮挡使得待处理图像上某些区域(尤其是背景对象)作屏蔽,使其不参加后续处理。与此同时,还可以提取包括目标物体成像的感兴趣区,提取待处理图像中与掩模图像相似的结构特征。具体的实现可参见上述公式(4)所示。
当然,可替代地,在其他实施例中,如果考虑到算法执行的效率或者快速需求,可以首先利用掩模图像对待处理图像进行两次有序扫描,比如先栅格扫描、再逆栅格扫描,再进行逆栅格扫描时把下次栅格扫描过程中可能被修改值的像素保存到一个队列中;最后按照先进先出将队列中的像素逐个取出,再按照宽度优先的原则进行收敛运算,直到掩模图像中每个像素的灰度等级不再改变为止即收敛,从而完成对待处理图像的重建处理。
S303、在形态学重建处理后的所述待处理图像上进行背景对象和前景对象的标记。
本实施例中,由于通过上述形态学重建可以确定出待处理图像上区域像素最大值,而由于对于目标物体的确定来说,其更多关注的是区域像素最大值,再结合阈值法即可实现对背景对象和前景对象的标记处理。
图4为本申请实施例四中平滑处理的流程示意图;如图4所示,对所述待处理图像进行开关操作以对所述待处理图像进行平滑处理,包括:
S401、对所述待处理图像进行开操作,以断开所述待处理图像上狭窄的间断和消除细的突出物;
本实施例中,开操作是先腐蚀后膨胀,有关腐蚀操作可参见上述实施例记载,而对于其中的膨胀操作,换言之,又可以理解为在图像的边缘添加像素值,使得整体的像素值扩张,进而达到图像的膨胀效果。其具体的膨胀处理过程如下:
将结构元素的原点,放置在待处理图像向上的每个区域上;
根据此时结构元素在待处理图像占据的所有位置,对相应所有位置涂黑,
重复上述步骤,直到遍历完待处理图像上所有的图像区域,从而完成了膨胀操作,最终断开了所述待处理图像上狭窄的间断和消除细的突出物;
S402、对所述待处理图像进行关操作,以消除所述待处理图像上狭窄的间断和长细的鸿沟。
本实施例中,关操作与开操作相反,即先进行膨胀,后进行腐蚀,从而消除所述待处理图像上狭窄的间断和长细的鸿沟。单独对于腐蚀或者膨胀来说,具体可以参见本实施例或者其他实施例记载。
图5为本申请实施例五中确定成像位置的流程示意图;如图5所示,根据边界分割后的背景对象以及所述前景对象确定目标物体在所述待处理图像中的成像位置,包括:
S501、根据边界分割后的背景对象以及所述前景对象进行边缘像素检测;
本实施例中,具体地,步骤S501可以包括:
S511、生成针对边界分割后的背景对象以及所述前景对象的模图像族M(x,y)以及幅角图像族A(x,y);
S521、根据所述模图像族以及幅角图像族,确定模的局部极大点;
S531、根据所述模的局部极大点,初步进行边缘图像Edge(x,y)分割;
S541、对分割得到的所述边缘图像进行筛选,以确定最终的边缘像素E(x,y)。
按照上述步骤S511-S521的处理过程可得:
Edge(x,y)=E(x,y)+e(x,y),其中,e(x,y)表示噪声;
S502、根据所述边缘像素检测计算区域连通量;
本实施例中,具体通过边缘像素的相邻性来计算区域连通量。
具体地,通过遍历待处理图像,并记下每一行(或列)中连续的团(run)和标记的等价对,然后通过等价对对原来的边缘像素进行重新标记,确定出边缘像素的相邻性,从而进一步计算出区域连通量。
可替代地,可以从上到下,从左到右按行扫描待处理图像,当碰到一个元素的像素值为1把它当作一个种子,给这个元素一个新标签,并将此元素压入栈底;判断栈是否为空,如果不空,给该元素标记为前面(1)中的标签,将栈里的元素取出,然后依次访问该元素四邻域中的4个元素,这4个元素中像素值为1的压入栈中。重复步骤上述步骤,直到栈为空,通过上述步骤即可得到一个区域连通量。
S503、根据所述区域连通量,确定目标物体在所述待处理图像中的成像位置。
本实施例中,由于之前标记出了前景对象以及背景对象,再结合区域连通量,尤其对于目标物体实际上是位于前景对象中,那在前景对象中的区域连通量必然大于背景对象中区域连通量。
图6为本申请实施例六中图像分割装置的结构示意图;如图6所示,其包括:
图像转换单元,用于将待处理图像转换为灰度图像;
滤波单元,用于对所述灰度图像进行水平方向和竖直方向的滤波得到梯度模值图像;
标记单元,用于在所述待处理图像进行背景对象和前景对象的标记;
像素灰度级单元,用于根据标记的所述背景对象以及所述前景对象,在所述梯度模值图像上确定像素灰度级局部最大值以及像素灰度级局部最小值;
边界分割单元,用于根据所述像素灰度级局部最大值以及像素灰度级局部最大值在所述梯度模值图像上进行所述背景对象与所述前景对象的边界分割;
成像位置确定单元,用于根据边界分割后的背景对象以及所述前景对象确定目标物体在所述待处理图像中的成像位置。
在本实施例中,对于图像转换单元来说,其在转换时,可以对3个通道(RGB)的通道值进行平均处理,从而转换成1个通道值,在一种应用场景中,其可以通过如下公式(1)来实现。
I(x,y)=1/3*I_R(x,y)+1/3*I_G(x,y)+1/3*I_B(x,y) (1)
在上述公式(1)中,I(x,y)表示在灰度图像上像素位置(x,y)处的灰度等级值,R(x,y)、G(x,y)、B(x,y)分别表示在待处理图像上RGB的像素值。
可替代地,在其他实施中,可以通过取同一个像素位置的RGB通道值中亮度最大的和最小的进行平均从而转换成1个通道值。具体可通过上述公式(2)来实现。
可替代地,对于图像转换单元来说,其在转换时,也可以通过对3个通道(RGB)的通道值进行加权平均处理,从而转换成1个通道值。具体可通过上述公式(3)来实现。
本实施例中,对于滤波单元来说,本实施例中,考虑到当待处理图像中存在边缘时,一定有较大的梯度值,相反,当图像中有比较平滑的部分时,灰度值变化较小,则相应的梯度也较小,因此,本实施例中,通过滤波的方式计算每个像素沿着水平方向和竖直方向的梯度,以得到梯度模值图像。
考虑待处理图像的每个像素的某个邻域内的灰度变化,滤波单元进一步用于利用边缘临近的一阶或二阶导数变化规律,对待处理图像中像素邻域设置梯度算子,进一步使用用小区域模板进行卷积来计算像素的梯度,最终得到梯度模值图像。
本实施例中,标记单元通过对所述待处理图像进行了背景对象和前景对象的标记,从而更准确地从待处理图像上区别出目标物体,进一步可以实现更好的分割效果。在进行前景对象或者背景对象的标记时,相当于对前景对象或者背景对象内部的斑点像素进行连接。
如前所述,由于梯度模值图像是可以反应出待处理图像上像素值的变化趋势,因此,像素灰度级单元基于该梯度模值图像可以直接确定出像素灰度级局部最大值以及像素灰度级局部最小值。具体地,可以统计出待处理图线上所有像素点的灰度等级,再结合梯度模值图像上的像素点的灰度等级变化趋势,从而可快速且直接确定出像素灰度级局部最大值以及像素灰度级局部最小值。
本实施例中,边界分割单元通过像素灰度级局部最大值以及像素灰度级局部最小值可以将梯度模值图像分割成若干个任意大小且区域上不重叠的图像区域,进一步再根据图像区域的一致性,对图像区域进行合并或者再次分裂处理。具体地,可以采用四叉树进行图像区域的分割或者合并。在四叉树中,每一个节点代表一个图像区域,而其中的根节点代表整幅梯度模值图像。基于此,从而可以在梯度模值图像上有效地将所述背景对象与所述前景对象的边界清晰的分割开来。
本实施例中,成像位置确定单元通过对背景对象和前景对象进行准确的分割,再结合上述所述像素灰度级局部最大值以及像素灰度级局部最大值,从而可以直接确定目标物体在所述待处理图像中的成像位置。
图7为本申请实施例七中标记单元的结构示意图;如图7所示,所述标记单元包括:
腐蚀处理子单元,用于对所述待处理图像进行腐蚀处理;
重建子单元,用于对腐蚀处理后的所述待处理图像进行形态学重建处理;
标记子单元,用于在形态学重建处理后的所述待处理图像上进行背景对象和前景对象的标记。
本实施例中,腐蚀处理子单元在对所述待处理图像进行腐蚀处理时,具体可以首先定义结构因子,通过求解该结构化因子与每一个像素点的像素值进行逻辑运算,从而得到腐蚀后的像素点,所有腐蚀后的像素点的像素值即可组成腐蚀处理后的待处理图像。具体地,该结构因子可以直接像素点在对应灰度图像上的灰度等级。因此,通过腐蚀处理有效滤出了噪声,提高了图像分割的准确度。
本实施例中,重建子单元在进行形态学重建处理时,主要基于两幅图像,其中一幅待处理图像,另外一幅为掩模图像,掩模图像用于对待处理图像进行遮挡使得待处理图像上某些区域(尤其是背景对象)作屏蔽,使其不参加后续处理。与此同时,还可以提取包括目标物体成像的感兴趣区,提取待处理图像中与掩模图像相似的结构特征。具体地,在一种应用场景中,具体可以上述公式(4)进行形态学重建处理。
当然,可替代地,在其他实施例中,如果考虑到算法执行的效率或者快速需求,重建子单元可以首先利用掩模图像对待处理图像进行两次有序扫描,比如先栅格扫描、再逆栅格扫描,再进行逆栅格扫描时把下次栅格扫描过程中可能被修改值的像素保存到一个队列中;最后按照先进先出将队列中的像素逐个取出,再按照宽度优先的原则进行收敛运算,直到掩模图像中每个像素的灰度等级不再改变为止即收敛,从而完成对待处理图像的重建处理。
本实施例中,由于重建子单元通过上述形态学重建可以确定出待处理图像上区域像素最大值,而由于对于目标物体的确定来说,其更多关注的是区域像素最大值,标记子单元再结合阈值法即可实现对背景对象和前景对象的标记处理。
图8为本申请实施例八中标记单元的结构示意图;如图8所示,所述标记单元包括:
平滑子单元,用于对所述待处理图像进行开关操作以对所述待处理图像进行平滑处理;
重建子单元,用于对平滑处理后的所述待处理图像进行形态学重建处理;
标记子单元,用于在形态学重建处理后的所述待处理图像上进行背景对象和前景对象的标记。
本实施例中,对图像进行开关操作最主要的目的是通过对待处理图像进行平滑处理从而达到降噪的目的。
具体地,平滑子单元在进行开关操作时可以为开操作、关操作,或者二者的结合。具体地,开操作具体包括先对待处理图像进行腐蚀处理,之后再进行膨胀操作,其中关于腐蚀处理可参照上述图2实施例记载,而对于膨胀操作,从达到的技术效果来看,可简单的理解为腐蚀操作的逆处理。从实际的技术处理过程来看,通过膨胀操作使得与目标物体有接触的所有背景像素合并到所述目标物体中,从而使得在待处理图像上目标物体增大,从而填补目标物体中的空洞。具体地,开操作、关操作详见下述图4实施例记载。
本实施例中,与上述图2实施例类似,重建子单元,在进行形态学重建处理时,主要基于两幅图像,其中一幅待处理图像,另外一幅为掩模图像,掩模图像用于对待处理图像进行遮挡使得待处理图像上某些区域(尤其是背景对象)作屏蔽,使其不参加后续处理。与此同时,还可以提取包括目标物体成像的感兴趣区,提取待处理图像中与掩模图像相似的结构特征。具体的实现可参见上述公式(4)所示。
当然,可替代地,在其他实施例中,如果考虑到算法执行的效率或者快速需求,重建子单元,可以首先利用掩模图像对待处理图像进行两次有序扫描,比如先栅格扫描、再逆栅格扫描,再进行逆栅格扫描时把下次栅格扫描过程中可能被修改值的像素保存到一个队列中;最后按照先进先出将队列中的像素逐个取出,再按照宽度优先的原则进行收敛运算,直到掩模图像中每个像素的灰度等级不再改变为止即收敛,从而完成对待处理图像的重建处理。
本实施例中,由于通过上述形态学重建可以确定出待处理图像上区域像素最大值,而由于对于目标物体的确定来说,其更多关注的是区域像素最大值,标记子单元再结合阈值法即可实现对背景对象和前景对象的标记处理。
图9为本申请实施例九中平滑子单元的结构示意图;如图9所示,所述平滑子单元包括:
开操作子单元,用于对所述待处理图像进行开操作,以断开所述待处理图像上狭窄的间断和消除细的突出物;
关操作子单元,用于对所述待处理图像进行关操作,以消除所述待处理图像上狭窄的间断和长细的鸿沟。
本实施例中,开操作子单元禁止南方开操作时可以先腐蚀后膨胀,有关腐蚀操作可参见上述实施例记载,而对于其中的膨胀操作,换言之,又可以理解为在图像的边缘添加像素值,使得整体的像素值扩张,进而达到图像的膨胀效果。其具体的膨胀处理过程如下:
将结构元素的原点,放置在待处理图像向上的每个区域上;
根据此时结构元素在待处理图像占据的所有位置,对相应所有位置涂黑,
重复上述步骤,直到遍历完待处理图像上所有的图像区域,从而完成了膨胀操作,最终断开了所述待处理图像上狭窄的间断和消除细的突出物;
本实施例中,关操作子单元在进行关操作时与开操作相反,即先进行膨胀,后进行腐蚀,从而消除所述待处理图像上狭窄的间断和长细的鸿沟。单独对于腐蚀或者膨胀来说,具体可以参见本实施例或者其他实施例记载。
图10为本申请实施例十中成像位置确定单元的结构示意图;如图10所示,所述成像位置确定单元包括:
边缘检测子单元,用于根据边界分割后的背景对象以及所述前景对象进行边缘像素检测;
区域连通量计算子单元,由于根据所述边缘像素检测计算区域连通量;
位置子单元,用于根据所述区域连通量,确定目标物体在所述待处理图像中的成像位置。
本实施例中,具体地,边缘检测子单元可以通过如下步骤实现边缘像素的检测:生成针对边界分割后的背景对象以及所述前景对象的模图像族M(x,y)以及幅角图像族A(x,y);根据所述模图像族以及幅角图像族,确定模的局部极大点;根据所述模的局部极大点,初步进行边缘图像Edge(x,y)分割;对分割得到的所述边缘图像进行筛选,以确定最终的边缘像素E(x,y)。
本实施例中,区域连通量计算子单元,具体通过边缘像素的相邻性来计算区域连通量。具体地,通过遍历待处理图像,并记下每一行(或列)中连续的团(run)和标记的等价对,然后通过等价对对原来的边缘像素进行重新标记,确定出边缘像素的相邻性,从而进一步计算出区域连通量。
可替代地,可以从上到下,从左到右按行扫描待处理图像,当碰到一个元素的像素值为1把它当作一个种子,给这个元素一个新标签,并将此元素压入栈底;判断栈是否为空,如果不空,给该元素标记为前面(1)中的标签,将栈里的元素取出,然后依次访问该元素四邻域中的4个元素,这4个元素中像素值为1的压入栈中。重复步骤上述步骤,直到栈为空,通过上述步骤即可得到一个区域连通量。
图11是本申请实施例十一中执行图像分割的一些电子设备的硬件结构示意图。根据图11所示,该设备包括:
一个或多个处理器1110以及存储器1120,图11中以一个处理器1110为例。
执行图像分割方法的设备还可以包括:输入装置1130和输出装置1140。
处理器1110、存储器1120、输入装置1130和输出装置1140可以通过总线或者其他方式连接,图11中以通过总线连接为例。
存储器1120作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的图像分割方法对应的程序指令/模块。处理器1110通过运行存储在存储器1120中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中图像分割方法。
存储器1120可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据图像分割装置的使用所创建的数据等。此外,存储器1120可以包括高速随机存取存储器1120,还可以包括非易失性存储器1120,例如至少一个磁盘存储器1120件、闪存器件、或其他非易失性固态存储器1120件。在一些实施例中,存储器1120可选包括相对于处理器1110远程设置的存储器1120,这些远程存储器1120可以通过网络连接至图像分割装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置1130可接收输入的数字或字符信息,以及产生与图像分割装置的用户设置以及功能控制有关的键信号输入。输入装置1130可包括按压模组等设备。
所述一个或者多个模块存储在所述存储器1120中,当被所述一个或者多个处理器1110执行时,执行上述任意方法实施例中的图像分割方法。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请实施例所提供的方法。
本申请实施例的电子设备以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod),掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备,服务器的构成包括处理器810、硬盘、内存、系统总线等,服务器和通用的计算机架构类似,但是由于需要提供高可靠的服务,因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
至此,已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序,以实现期望的结果。在某些实施方式中,多任务处理和并行处理可以是有利的。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种图像分割方法,其特征在于,包括:
将待处理图像转换为灰度图像;
对所述灰度图像进行水平方向和竖直方向的滤波得到梯度模值图像;
在所述待处理图像进行背景对象和前景对象的标记;
根据标记的所述背景对象以及所述前景对象,在所述梯度模值图像上确定像素灰度级局部最大值以及像素灰度级局部最小值;
根据所述像素灰度级局部最大值以及像素灰度级局部最大值在所述梯度模值图像上进行所述背景对象与所述前景对象的边界分割;
根据边界分割后的背景对象以及所述前景对象确定目标物体在所述待处理图像中的成像位置。
2.根据权利要求1所述的图像分割方法,其特征在于,在所述待处理图像进行背景对象和前景对象的标记,包括:对所述待处理图像进行腐蚀处理以及对腐蚀处理后的所述待处理图像进行形态学重建处理,在形态学重建处理后的所述待处理图像上进行背景对象和前景对象的标记。
3.根据权利要求1所述的图像分割方法,其特征在于,在所述待处理图像进行背景对象和前景对象的标记,包括:对所述待处理图像进行开关操作以对所述待处理图像进行平滑处理,对平滑处理后的所述待处理图像进行形态学重建处理,在形态学重建处理后的所述待处理图像上进行背景对象和前景对象的标记。
4.根据权利要求3所述的图像分割方法,其特征在于,对所述待处理图像进行开关操作以对所述待处理图像进行平滑处理,包括:对所述待处理图像进行开操作,以断开所述待处理图像上狭窄的间断和消除细的突出物;对所述待处理图像进行关操作,以消除所述待处理图像上狭窄的间断和长细的鸿沟。
5.根据权利要求1-4任一项所述的图像分割方法,其特征在于,根据边界分割后的背景对象以及所述前景对象确定目标物体在所述待处理图像中的成像位置,包括:
根据边界分割后的背景对象以及所述前景对象进行边缘像素检测;
根据所述边缘像素检测计算区域连通量;
根据所述区域连通量,确定目标物体在所述待处理图像中的成像位置。
6.一种图像分割装置,其特征在于,包括:
图像转换单元,用于将待处理图像转换为灰度图像;
滤波单元,用于对所述灰度图像进行水平方向和竖直方向的滤波得到梯度模值图像;
标记单元,用于在所述待处理图像进行背景对象和前景对象的标记;
像素灰度级单元,用于根据标记的所述背景对象以及所述前景对象,在所述梯度模值图像上确定像素灰度级局部最大值以及像素灰度级局部最小值;
边界分割单元,用于根据所述像素灰度级局部最大值以及像素灰度级局部最大值在所述梯度模值图像上进行所述背景对象与所述前景对象的边界分割;
成像位置确定单元,用于根据边界分割后的背景对象以及所述前景对象确定目标物体在所述待处理图像中的成像位置。
7.根据权利要求6所述的图像分割装置,其特征在于,所述标记单元包括:
腐蚀处理子单元,用于对所述待处理图像进行腐蚀处理;
重建子单元,用于对腐蚀处理后的所述待处理图像进行形态学重建处理;
标记子单元,用于在形态学重建处理后的所述待处理图像上进行背景对象和前景对象的标记。
8.根据权利要求6所述的图像分割装置,其特征在于,所述标记单元包括:
平滑子单元,用于对所述待处理图像进行开关操作以对所述待处理图像进行平滑处理;
重建子单元,用于对平滑处理后的所述待处理图像进行形态学重建处理;
标记子单元,用于在形态学重建处理后的所述待处理图像上进行背景对象和前景对象的标记。
9.根据权利要求8所述的图像分割方法,其特征在于,所述平滑子单元包括:
开操作子单元,用于对所述待处理图像进行开操作,以断开所述待处理图像上狭窄的间断和消除细的突出物;
关操作子单元,用于对所述待处理图像进行关操作,以消除所述待处理图像上狭窄的间断和长细的鸿沟。
10.根据权利要求6-9任一项所述的图像分割装置,其特征在于,所述成像位置确定单元包括:
边缘检测子单元,用于根据边界分割后的背景对象以及所述前景对象进行边缘像素检测;
区域连通量计算子单元,由于根据所述边缘像素检测计算区域连通量;
位置子单元,用于根据所述区域连通量,确定目标物体在所述待处理图像中的成像位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910689723.XA CN110415263A (zh) | 2019-07-29 | 2019-07-29 | 图像分割方法以及图像分割装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910689723.XA CN110415263A (zh) | 2019-07-29 | 2019-07-29 | 图像分割方法以及图像分割装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110415263A true CN110415263A (zh) | 2019-11-05 |
Family
ID=68363833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910689723.XA Pending CN110415263A (zh) | 2019-07-29 | 2019-07-29 | 图像分割方法以及图像分割装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110415263A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814599A (zh) * | 2020-06-22 | 2020-10-23 | 河南工业职业技术学院 | 一种嵌入式摄像整纬智能控制方法及其装置 |
CN112184744A (zh) * | 2020-11-29 | 2021-01-05 | 惠州高视科技有限公司 | 显示屏边缘缺陷检测方法和装置 |
CN113033314A (zh) * | 2021-02-26 | 2021-06-25 | 浙江方大通信有限公司 | 一种旅游高峰部署的移动式景区智能服务系统及服务方法 |
CN113470053A (zh) * | 2020-03-30 | 2021-10-01 | 杭州海康威视数字技术股份有限公司 | 一种合成图分割方法、装置和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914843A (zh) * | 2014-04-04 | 2014-07-09 | 上海交通大学 | 基于分水岭算法和形态学标记的图像分割方法 |
CN106296675A (zh) * | 2016-08-04 | 2017-01-04 | 山东科技大学 | 一种高噪声灰度不均匀图像的分割方法 |
CN106599793A (zh) * | 2016-11-21 | 2017-04-26 | 江苏大学 | 一种基于标记分水岭分割的钢材晶粒晶界自动提取方法 |
CN109658430A (zh) * | 2017-10-12 | 2019-04-19 | 南京敏光视觉智能科技有限公司 | 一种基于分水岭算法的图像分割方法 |
-
2019
- 2019-07-29 CN CN201910689723.XA patent/CN110415263A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914843A (zh) * | 2014-04-04 | 2014-07-09 | 上海交通大学 | 基于分水岭算法和形态学标记的图像分割方法 |
CN106296675A (zh) * | 2016-08-04 | 2017-01-04 | 山东科技大学 | 一种高噪声灰度不均匀图像的分割方法 |
CN106599793A (zh) * | 2016-11-21 | 2017-04-26 | 江苏大学 | 一种基于标记分水岭分割的钢材晶粒晶界自动提取方法 |
CN109658430A (zh) * | 2017-10-12 | 2019-04-19 | 南京敏光视觉智能科技有限公司 | 一种基于分水岭算法的图像分割方法 |
Non-Patent Citations (1)
Title |
---|
刘娜: "形态学重建在图像处理中的应用", 《数字技术与应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470053A (zh) * | 2020-03-30 | 2021-10-01 | 杭州海康威视数字技术股份有限公司 | 一种合成图分割方法、装置和电子设备 |
CN113470053B (zh) * | 2020-03-30 | 2024-03-05 | 杭州海康威视数字技术股份有限公司 | 一种合成图分割方法、装置和电子设备 |
CN111814599A (zh) * | 2020-06-22 | 2020-10-23 | 河南工业职业技术学院 | 一种嵌入式摄像整纬智能控制方法及其装置 |
CN112184744A (zh) * | 2020-11-29 | 2021-01-05 | 惠州高视科技有限公司 | 显示屏边缘缺陷检测方法和装置 |
CN112184744B (zh) * | 2020-11-29 | 2021-03-30 | 惠州高视科技有限公司 | 显示屏边缘缺陷检测方法和装置 |
CN113033314A (zh) * | 2021-02-26 | 2021-06-25 | 浙江方大通信有限公司 | 一种旅游高峰部署的移动式景区智能服务系统及服务方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110415263A (zh) | 图像分割方法以及图像分割装置 | |
JP6730690B2 (ja) | シーン内に存在する不要なオブジェクトの除去に基づくシーンの画像の動的生成 | |
TWI694381B (zh) | 圖像處理的方法及裝置 | |
EP2947627B1 (en) | Light field image depth estimation | |
CN111062981B (zh) | 图像处理方法、装置及存储介质 | |
US9495755B2 (en) | Apparatus, a method and a computer program for image processing | |
US10620826B2 (en) | Object selection based on region of interest fusion | |
US20170032551A1 (en) | Image Distractor Detection and Processing | |
US10277806B2 (en) | Automatic image composition | |
CN112819944A (zh) | 三维人体模型重建方法、装置、电子设备及存储介质 | |
CN110163831B (zh) | 三维虚拟沙盘的物体动态展示方法、装置及终端设备 | |
CN109389038A (zh) | 一种信息的检测方法、装置及设备 | |
US10380796B2 (en) | Methods and systems for 3D contour recognition and 3D mesh generation | |
CN111179159B (zh) | 消除视频中目标影像的方法、装置、电子设备及存储介质 | |
CN111192190B (zh) | 消除图像水印的方法、装置及电子设备 | |
CN104574358A (zh) | 从聚焦堆图像进行场景分割的方法和设备 | |
CN106575364A (zh) | 使用定向滤波的目标检测 | |
CN107766703B (zh) | 水印添加处理方法、装置及客户端 | |
CN107066520B (zh) | 一种基于多个语义层次的图片检索方法及系统 | |
CN111275824A (zh) | 用于交互式增强现实的表面重建 | |
CN110069125B (zh) | 虚拟对象的控制方法和装置 | |
CN110858409A (zh) | 动画生成方法和装置 | |
CN106537462A (zh) | 利用深度或视差对来自图像的视图插补进行自适应网格重构 | |
EP2991036B1 (en) | Method, apparatus and computer program product for disparity estimation of foreground objects in images | |
CN110910478B (zh) | Gif图生成方法、装置、电子设备及存储介质 |
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 |