CN110910409B - 一种灰度图像处理方法、装置和计算机可读存储介质 - Google Patents

Abstract

本发明提供一种灰度图像处理方法、装置和计算机可读存储介质，所述方法包括：接收灰度图像，并将所述灰度图像的灰度和轮廓属性信息配置在预设文件中；解析所述灰度图像中的轮廓并提取所述轮廓对应的灰度和顺序点；根据预设文件中的配置信息，生成所述灰度图像对应的数据文件；加载所述灰度图像对应的原图像；根据所述数据文件，将所述轮廓显示在原图像的对应位置。本发明能够使得灰度图像的轮廓提取过程更加方便和可控，出现问题时便于排查，并且针对复杂形状的轮廓，提取性能较佳，且不会发生崩溃现象。本发明还将轮廓提取方法集成到标注工具中，方便查看AI分割模型的运行结果，针对该结果并结合工具中已有的功能，便于后续的编辑和调整。

Description

一种灰度图像处理方法、装置和计算机可读存储介质

技术领域

本发明涉及图像处理技术和AI技术领域，尤其涉及一种灰度图像处理方法、装置和计算机可读存储介质。

背景技术

在临床医疗诊断中，通常会采用电子计算机断层扫描(CT，Computed Tomography)成像、核磁成像(MRI，Magnetic Resonance Image)和X光成像等医疗成像技术对人体进行透射，并最终通过记录透视的灰度信息来表征人体内组织器官的形态信息。医生通过对医疗成像中的器官组织形态信息进行分析来针对病人的病例给出诊断意见。因此，在医疗成像中，对人体器官的清晰表征以及精准形态识别是提高医生诊断准确率的重要条件。

在对器官组织完成医疗成像后，需要进行医疗图像的识别和分割两个过程。具体来说，医疗图像的识别过程是针对医疗图像判别和检测某种器官或组织的过程，而医疗图像的分割是将各种器官或组织从医疗图像中分离的过程。精确的医疗图像识别与分割过程，是后续针对器官或组织进行三维模型重建的基础，是辅助医生进行疾病诊断和治疗的重要前提，也是辅助外科手术成功的重要保障。

为了进一步帮助医生进行疾病诊断和治疗，目前市面上出现了一些针对医疗图像的标注工具，然而这些标注工具只有部分功能，例如只支持分类任务等，但是对于分割类任务的整体功能支持比较有限，对模型从数据标注到模型分割结果输出，对输出结果灰度图点的提取等整个流程支持还不完善。而且在分割类任务中，传统多采用OpenCV库提取灰度图像的轮廓(contour)点，但是在某些复杂轮廓形状的情况下，使用OpenCV库提取轮廓点将会出现崩溃情况，提取性能不高。

发明内容

为了解决上述至少一个技术问题，本发明提出了一种灰度图像处理方法、装置和计算机可读存储介质。

为了实现上述目的，本发明第一方面提出了一种灰度图像处理方法，包括：

接收灰度图像，并将所述灰度图像的灰度和轮廓属性信息配置在预设文件中；

解析所述灰度图像中的轮廓并提取所述轮廓对应的灰度和顺序点；

根据预设文件中的配置信息，生成所述灰度图像对应的数据文件；

加载所述灰度图像对应的原图像；

根据所述数据文件，将所述轮廓显示在原图像的对应位置。

本方案中，解析所述灰度图像中的轮廓并提取所述轮廓对应的灰度和顺序点，还包括：

读入灰度图像，并提取第一轮廓的边界点；

以第一轮廓的边界点为第一种子点，并将第一种子点添加至一容器中，以标记所述边界点已被提取过；

基于第一种子点提取所述第一种子点的八领域点，将灰度值与第一种子点相同且不在所述容器中的一个八领域点作为第二种子点，并将其添加至所述容器；

循环执行上两步，直至添加至容器的种子点的一个八领域点与第一个种子点相同，则第一轮廓提取完毕；

循环执行上四步，并将所述灰度图像的所有轮廓提取出来。

进一步的，提取第一轮廓的边界点，还包括：

从所述灰度图像的第一行进行读取，当读取出第一个字节的灰度值不为零时，则提取出第一轮廓点；

以第一轮廓点为基准点，搜索所述第一轮廓点的四领域点；

若其四领域点中，至少一个点的灰度值与基准点不同，则所述基准点即为第一轮廓的边界点。

进一步的，若其四领域点的灰度值与基准点的灰度值一样，则所述基准点不为第一轮廓的边界点。

优选的，所述灰度值的范围为0至255，其中，0表示灰度图像的背景。

本方案中，在将所述轮廓显示在原图像的对应位置之后，还包括：

接收指令，所述指令用于对原图像上轮廓进行修改和调整。

本方案中，所述接收灰度图像，并将所述灰度图像的灰度和轮廓属性信息配置在预设文件中包括，通过标注工具接收灰度图像，并将所述灰度图像的灰度和轮廓属性信息配置在预设文件中；

在所述根据所述数据文件，将所述轮廓显示在原图像的对应位置之后还包括：

生成与所述标注工具对应的AI分割模型的运行结果并进行显示，所述运行结果用于通过标注工具实现浏览、编辑和调整。

本发明第二方面还提出一种灰度图像处理装置，所述灰度图像处理装置包括：

配置模块，用于接收灰度图像，并将所述灰度图像的灰度和轮廓属性信息配置在预设文件中；

轮廓提取模块，用于解析所述灰度图像中的轮廓并提取所述轮廓对应的灰度和顺序点；

数据生成模块，根据预设文件中的配置信息，生成所述灰度图像对应的数据文件；

图像加载模块，用于加载所述灰度图像对应的原图像；

轮廓显示模块，根据所述数据文件，将所述轮廓显示在原图像的对应位置。

本发明第三方面还提出一种电子设备，包括存储器、处理器及存储在所述存储器上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上述的一种灰度图像处理方法的步骤。

本发明第四方面还提出一种计算机可读存储介质，所述计算机可读存储介质中包括一种灰度图像处理方法程序，所述灰度图像处理方法程序被处理器执行时，实现如上述的一种灰度图像处理方法的步骤。

本发明通过接收灰度图像，并将所述灰度图像的灰度和轮廓属性信息配置在预设文件中；解析所述灰度图像中的轮廓并提取所述轮廓对应的灰度和顺序点；根据预设文件中的配置信息，生成所述灰度图像对应的数据文件；加载所述灰度图像对应的原图像；根据所述数据文件，将所述轮廓显示在原图像的对应位置。本发明能够使得灰度图像的轮廓提取过程更加方便和可控，出现问题时便于排查，并且针对某些复杂形状的轮廓，提取时性能更好，且不会发生崩溃现象。本发明还将轮廓提取方法集成到标注工具中，可以更方便快捷的查看AI分割模型的运行结果，针对该结果并结合工具中已有的功能，进行后续的编辑和调整；更加方便对AI分割模型结果的迭代验证，使得模型推导，结果提取，结果展示和后续浏览集成到一套工具中，有效提升了医生的诊断和治疗效率。

本发明的附加方面和优点将在下面的描述部分中给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1示出了本发明一种灰度图像处理方法的流程图；

图2示出了本发明灰度图像处理中轮廓提取方法的流程图；

图3示出了本发明灰度图像处理中轮廓的边界点提取方法的流程图；

图4示出了本发明灰度图像处理中轮廓提取的效果图；

图5示出了本发明一种灰度图像处理装置的框图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

图1示出了本发明一种灰度图像处理方法的流程图。

如图1所示，本发明第一方面提出一种灰度图像处理方法，包括：

S102，接收灰度图像，并将所述灰度图像的灰度和轮廓属性信息配置在预设文件中；

S104，解析所述灰度图像中的轮廓并提取所述轮廓对应的灰度和顺序点；

S106，根据预设文件中的配置信息，生成所述灰度图像对应的数据文件；

S108，加载所述灰度图像对应的原图像；

S110，根据所述数据文件，将所述轮廓显示在原图像的对应位置。

需要说明的是，灰度图像是每个像素只有一个采样颜色的图像。此类图像通常显示为从最暗黑色到最亮的白色的灰度，理论上这个采样可以是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。

需要说明的是，在接收灰度图像时，首先将灰度图像准备好，比如放在一个文件夹中，且灰度图像中各个轮廓的灰度需要提前知晓，并将灰度和轮廓的名称等属性配置到config.xml文件中。

需要说明的是，基于步骤S102基础上，打开标注工具，并加载灰度图像序列文件夹，此时标注工具会自动解析序列中每张灰度图像中的轮廓，并提取所述轮廓对应的灰度和顺序点。

需要说明的是，当序列中的每张灰度图像都处理完毕后，所述标注工具会自动根据config.xml文件中的设置，生成对应灰度图像的数据文件，且所述数据文件为.xml格式。

需要说明的是，当所有轮廓点均提取完毕后，此时标注工具可以直接加载对应灰度图像的原图像序列，所述原图像序列即为上述文件夹中的灰度图像序列，加载原图像序列后，标注工具可以自动加载所述数据文件，并将mask轮廓显示在原图像的对应位置中，后续可以结合标注工具中的其他功能可对分割的mask病灶轮廓进行修改和调整，这样就可以对分割模型的输出结果进行直接的分析和浏览，而无需再依赖第三方OpenCV库。

图2示出了本发明灰度图像处理中轮廓提取方法的流程图。

如图2所示，解析所述灰度图像中的轮廓并提取所述轮廓对应的灰度和顺序点，还包括：

S202，读入灰度图像，并提取第一轮廓的边界点；

S204，以第一轮廓的边界点为第一种子点，并将第一种子点添加至一容器中，以标记所述边界点已被提取过；

S206，基于第一种子点提取所述第一种子点的八领域点，将灰度值与第一种子点相同且不在所述容器中的一个八领域点作为第二种子点，并将其添加至所述容器；

S208，循环执行上两步，直至添加至容器的种子点的一个八领域点与第一个种子点相同，则第一轮廓提取完毕；

S210，循环执行上四步，并将所述灰度图像的所有轮廓提取出来。

需要说明的是，所述八领域点是指：以某个点为基准点，该基准点的上、下、左、右、左上、右上、左下、右下八个方向的领域点。

需要说明的是，以上述步骤S204中标记的种子点提取其八邻域点，将灰度值和该种子点相同的八领域点作为基准点，并判断该八领域点是否已经在标记容器中，若已经在容器中。则寻找八邻域点中下一个灰度值和种子点相同的点，直到找到不在标记容器中的八邻域点，并将该点作为下一个种子点，然后继续按照上述步骤S204、步骤S206迭代执行。

需要说明的是，每次添加边界点到标记容器中后，都要判断该种子点的八领域点，是否有其中一个点和标记容器中的第一个种子点相同，若相同则第一轮廓提取完毕；若不相同，则继续按照上述步骤S204、步骤S206、步骤S208迭代提取。

需要说明的是，若第一轮廓提取完毕，然后依次按照上述步骤S204、步骤S206、步骤S208、步骤S210进行迭代提取，最终可将整幅灰度图像中的所有的轮廓提取出来，并可以将轮廓点按顺序排列且和灰度一一对应。

图3示出了本发明灰度图像处理中轮廓的边界点提取方法的流程图。

如图3所示，提取第一轮廓的边界点，还包括：

S302，从所述灰度图像的第一行进行读取，当读取出第一个字节的灰度值不为零时，则提取出第一轮廓点；

S304，以第一轮廓点为基准点，搜索所述第一轮廓点的四领域点；

S306，若其四领域点中，至少一个点的灰度值与基准点不同，则所述基准点即为第一轮廓的边界点。

进一步的，若其四领域点的灰度值与基准点的灰度值一样，则所述基准点不为第一轮廓的边界点。

需要说明的是，所述四领域点是指：以某个点为基准点，该基准点的上、下、左、右四个方向的领域点。

具体的，标注工具从灰度图像序列中读入一张灰度图像，从灰度图像的第一行进行读取，读取第一个字节的灰度值，若灰度值不为零，则提取出第一轮廓点，以第一个轮廓点为基准点，搜索所述第一轮廓点的四领域点，若其四领域点的灰度值和基准点的灰度值一样，则该基准点不是第一轮廓的边界点；若其四领域点中，只要有一个点的灰度值和基准点不同，则该基准点即为第一轮廓的边界点。同理，读取所述灰度图像第一行的第二个字节、第三个字节…第n个字节，分别提取所述灰度图像的第二轮廓的边界点、第三轮廓的边界点…第n轮廓的边界点。

需要说明的是，所述灰度值的范围为0至255，其中0表示灰度图像的背景。优选的，所述背景为黑色。但不限于此。

上述轮廓的提取方法，首先依赖种子点的四领域点的灰度值来判断该种子点是否为边界点；其次以该点的八领域点判断是否存在下一个种子点；最后根据轮廓点的封闭性，来判断一个轮廓是否提取完毕，并作为提取一个轮廓的结束条件。

如图4所示，图像(1)为简单灰度图像，图像(2)为稍复杂灰度图像，图像(3)为极端复杂灰度图像；图像(4)为图像(1)的提取结果，图像(5)为图像(2)的提取结果，图像(6)为图像(3)的提取结果。经测试，在同等灰度图数量下，上述提取方法的性能比OpenCV库里的对应功能要快，且可以处理OpenCV库中无法处理的情况，比如一些极端形状的轮廓和边界的轮廓。具体的，针对极端复杂灰度图像3，在使用传统OpenCV库的相关功能提取时会发生崩溃现象，而使用本发明的提取方法可保证对复杂灰度图像的正常提取，且性能优异。

上述灰度图像处理方法可提取各种复杂形状的轮廓，包括中间有空洞的等等；另外可将灰度图像中不同灰度的轮廓点与对应灰度一一映射起来；并将该功能集成到标注工具中，结合标注工具中其他的一些功能，对于分割模型的输出结果(灰度图像)，可以立即提取出轮廓和对应的mask类型，如此一来，对于AI分割模型的验证和反馈提供了一种很有效地方式，且性能优异。

根据本发明的实施例，在将所述轮廓显示在原图像的对应位置之后，还包括：

接收指令，所述指令用于对原图像上轮廓进行修改和调整。

根据本发明的实施例，所述方法还包括：

通过标注工具接收灰度图像，并将所述灰度图像的灰度和轮廓属性信息配置在预设文件中；

解析所述灰度图像中的轮廓并提取所述轮廓对应的灰度和顺序点；

根据预设文件中的配置信息，生成所述灰度图像对应的数据文件；

加载所述灰度图像对应的原图像；

根据所述数据文件，将所述轮廓显示在原图像的对应位置，生成AI分割模型的运行结果并进行显示；

针对所述运行结果并结合所述标注工具已有的功能，进行后续的浏览、编辑和调整。

图5示出了本发明一种灰度图像处理装置的框图。

如图5所示，本发明第二方面还提出一种灰度图像处理装置5，所述灰度图像处理装置包括：

配置模块51，用于接收灰度图像，并将所述灰度图像的灰度和轮廓属性信息配置在预设文件中；

轮廓提取模块52，用于解析所述灰度图像中的轮廓并提取所述轮廓对应的灰度和顺序点；

数据生成模块53，根据预设文件中的配置信息，生成所述灰度图像对应的数据文件；

图像加载模块54，用于加载所述灰度图像对应的原图像；

轮廓显示模块55，根据所述数据文件，将所述轮廓显示在原图像的对应位置。

需要说明的是，灰度图像是每个像素只有一个采样颜色的图像。此类图像通常显示为从最暗黑色到最亮的白色的灰度，理论上这个采样可以是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。

需要说明的是，在接收灰度图像时，首先将灰度图像准备好，比如放在一个文件夹中，且灰度图像中各个轮廓的灰度需要提前知晓，并将灰度和轮廓的名称等属性配置到config.xml文件中。

可以理解，打开标注工具，并加载灰度图像序列文件夹，此时标注工具会自动解析序列中每张灰度图像中的轮廓，并提取所述轮廓对应的灰度和顺序点。

需要说明的是，当序列中的每张灰度图像都处理完毕后，所述标注工具会自动根据config.xml文件中的设置，生成对应灰度图像的数据文件，且所述数据文件为.xml格式。

需要说明的是，当所有轮廓点均提取完毕后，此时标注工具可以直接加载对应灰度图像的原图像序列，所述原图像序列即为上述文件夹中的灰度图像序列，加载原图像序列后，标注工具可以自动加载所述数据文件，并将mask轮廓显示在原图像的对应位置中，后续可以结合标注工具中的其他功能可对分割的mask病灶轮廓进行修改和调整，这样就可以对分割模型的输出结果进行直接的分析和浏览，而无需再依赖第三方OpenCV库。

根据本发明的实施例，解析所述灰度图像中的轮廓并提取所述轮廓对应的灰度和顺序点，具体包括：

读入灰度图像，并提取第一轮廓的边界点；

以第一轮廓的边界点为第一种子点，并将第一种子点添加至一容器中，以标记所述边界点已被提取过；

基于第一种子点提取所述第一种子点的八领域点，将灰度值与第一种子点相同且不在所述容器中的一个八领域点作为第二种子点，并将其添加至所述容器；

循环执行上两步，直至添加至容器的种子点的一个八领域点与第一个种子点相同，则第一轮廓提取完毕；

循环执行上四步，并将所述灰度图像的所有轮廓提取出来。

需要说明的是，所述八领域点是指：以某个点为基准点，该基准点的上、下、左、右、左上、右上、左下、右下八个方向的领域点。

需要说明的是，以第一种子点提取其八邻域点，将灰度值和第一种子点相同的八领域点作为基准点，并判断该八领域点是否已经在标记容器中，若已经在容器中。则寻找八邻域点中下一个灰度值和种子点相同的点，直到找到不在标记容器中的八邻域点，并将该点作为下一个种子点，然后继续迭代执行。

需要说明的是，每次添加边界点到标记容器中后，都要判断该种子点的八领域点，是否有其中一个点和标记容器中的第一个种子点相同，若相同则第一轮廓提取完毕；若不相同，则继续迭代提取。

需要说明的是，若第一轮廓提取完毕，然后继续迭代提取，最终可将整幅灰度图像中的所有的轮廓提取出来，并可以将轮廓点按顺序排列且和灰度一一对应。

根据本发明的实施例，提取第一轮廓的边界点，具体包括：

从所述灰度图像的第一行进行读取，当读取出第一个字节的灰度值不为零时，则提取出第一轮廓点；

以第一轮廓点为基准点，搜索所述第一轮廓点的四领域点；

若其四领域点中，至少一个点的灰度值与基准点不同，则所述基准点即为第一轮廓的边界点。

进一步的，若其四领域点的灰度值与基准点的灰度值一样，则所述基准点不为第一轮廓的边界点。

需要说明的是，所述四领域点是指：以某个点为基准点，该基准点的上、下、左、右四个方向的领域点。

具体的，标注工具从灰度图像序列中读入一张灰度图像，从灰度图像的第一行进行读取，读取第一个字节的灰度值，若灰度值不为零，则提取出第一轮廓点，以第一个轮廓点为基准点，搜索所述第一轮廓点的四领域点，若其四领域点的灰度值和基准点的灰度值一样，则该基准点不是第一轮廓的边界点；若其四领域点中，只要有一个点的灰度值和基准点不同，则该基准点即为第一轮廓的边界点。同理，读取所述灰度图像第一行的第二个字节、第三个字节…第n个字节，分别提取所述灰度图像的第二轮廓的边界点、第三轮廓的边界点…第n轮廓的边界点。

需要说明的是，所述灰度值的范围为0至255，其中0表示灰度图像的背景。优选的，所述背景为黑色。但不限于此。

上述轮廓的提取方法，首先依赖种子点的四领域点的灰度值来判断该种子点是否为边界点；其次以该点的八领域点判断是否存在下一个种子点；最后根据轮廓点的封闭性，来判断一个轮廓是否提取完毕，并作为提取一个轮廓的结束条件。

经测试，在同等灰度图数量下，该系统的性能比OpenCV库里的对应功能要快，且可以处理OpenCV库中无法处理的情况，比如一些极端形状的轮廓和边界的轮廓。具体的，针对极端复杂灰度图像，在使用传统OpenCV库的相关功能提取时会发生崩溃现象，而使用本发明的提取方法可保证对复杂灰度图像的正常提取，且性能优异。

上述灰度图像处理方法可提取各种复杂形状的轮廓，包括中间有空洞的等等；另外可将灰度图像中不同灰度的轮廓点与对应灰度一一映射起来；并将该功能集成到标注工具中，结合标注工具中其他的一些功能，对于分割模型的输出结果(灰度图像)，可以立即提取出轮廓和对应的mask类型，如此一来，对于AI分割模型的验证和反馈提供了一种很有效地方式，且性能优异。

本发明第三方面还提出一种电子设备，包括存储器、处理器及存储在所述存储器上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上述的一种灰度图像处理方法的步骤。

本发明第四方面还提出一种计算机可读存储介质，所述计算机可读存储介质中包括一种灰度图像处理方法程序，所述灰度图像处理方法程序被处理器执行时，实现如上述的一种灰度图像处理方法的步骤。

本发明通过接收灰度图像，并将所述灰度图像的灰度和轮廓属性信息配置在预设文件中；解析所述灰度图像中的轮廓并提取所述轮廓对应的灰度和顺序点；根据预设文件中的配置信息，生成所述灰度图像对应的数据文件；加载所述灰度图像对应的原图像；根据所述数据文件，将所述轮廓显示在原图像的对应位置。本发明能够使得灰度图像的轮廓提取过程更加方便和可控，出现问题时便于排查，并且针对某些复杂形状的轮廓，提取时性能更好，且不会发生崩溃现象。本发明还将轮廓提取方法集成到标注工具中，可以更方便快捷的查看AI分割模型的运行结果，针对该结果并结合工具中已有的功能，进行后续的编辑和调整；更加方便对AI分割模型结果的迭代验证，使得模型推导，结果提取，结果展示和后续浏览集成到一套工具中，有效提升了医生的诊断和治疗效率。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献的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存储介质中，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)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种灰度图像处理方法，其特征在于，包括：

接收灰度图像，并将所述灰度图像的灰度和轮廓属性信息配置在预设文件中；

解析所述灰度图像中的轮廓并提取所述轮廓对应的灰度和顺序点；

根据预设文件中的配置信息，生成所述灰度图像对应的数据文件；

加载所述灰度图像对应的原图像；

根据所述数据文件，将所述轮廓显示在原图像的对应位置；

其中，解析所述灰度图像中的轮廓并提取所述轮廓对应的灰度和顺序点，还包括：

读入灰度图像，并提取第一轮廓的边界点；

以第一轮廓的边界点为第一种子点，并将第一种子点添加至一容器中，以标记所述边界点已被提取过；

基于第一种子点提取所述第一种子点的八领域点，将灰度值与第一种子点相同且不在所述容器中的一个八领域点作为第二种子点，并将其添加至所述容器；

循环执行上两步，直至添加至容器的种子点的一个八领域点与第一个种子点相同，则第一轮廓提取完毕；

循环执行上四步，并将所述灰度图像的所有轮廓提取出来；

其中，提取第一轮廓的边界点，还包括：

从所述灰度图像的第一行进行读取，当读取出第一个字节的灰度值不为零时，则提取出第一轮廓点；

以第一轮廓点为基准点，搜索所述第一轮廓点的四领域点；

若其四领域点中，至少一个点的灰度值与基准点不同，则所述基准点即为第一轮廓的边界点。

2.根据权利要求1所述的一种灰度图像处理方法，其特征在于，若其四领域点的灰度值与基准点的灰度值一样，则所述基准点不为第一轮廓的边界点。

3.根据权利要求1或2所述的一种灰度图像处理方法，其特征在于，所述灰度值的范围为0至255，其中，0表示灰度图像的背景。

4.根据权利要求1所述的一种灰度图像处理方法，其特征在于，在将所述轮廓显示在原图像的对应位置之后，还包括：

接收指令，所述指令用于对原图像上轮廓进行修改和调整。

5.根据权利要求1所述的一种灰度图像处理方法，其特征在于，所述接收灰度图像，并将所述灰度图像的灰度和轮廓属性信息配置在预设文件中包括:

通过标注工具接收灰度图像，并将所述灰度图像的灰度和轮廓属性信息配置在预设文件中；

在所述根据所述数据文件，将所述轮廓显示在原图像的对应位置之后还包括：

生成与所述标注工具对应的AI分割模型的运行结果并进行显示，所述运行结果用于通过标注工具实现浏览、编辑和调整。

6.一种灰度图像处理装置，其特征在于，所述灰度图像处理装置包括：

配置模块，用于接收灰度图像，并将所述灰度图像的灰度和轮廓属性信息配置在预设文件中；

轮廓提取模块，用于解析所述灰度图像中的轮廓并提取所述轮廓对应的灰度和顺序点；

数据生成模块，根据预设文件中的配置信息，生成所述灰度图像对应的数据文件；

图像加载模块，用于加载所述灰度图像对应的原图像；

轮廓显示模块，根据所述数据文件，将所述轮廓显示在原图像的对应位置；

其中，解析所述灰度图像中的轮廓并提取所述轮廓对应的灰度和顺序点，还包括：

读入灰度图像，并提取第一轮廓的边界点；

以第一轮廓的边界点为第一种子点，并将第一种子点添加至一容器中，以标记所述边界点已被提取过；

基于第一种子点提取所述第一种子点的八领域点，将灰度值与第一种子点相同且不在所述容器中的一个八领域点作为第二种子点，并将其添加至所述容器；

循环执行上两步，直至添加至容器的种子点的一个八领域点与第一个种子点相同，则第一轮廓提取完毕；

循环执行上四步，并将所述灰度图像的所有轮廓提取出来；

其中，提取第一轮廓的边界点，还包括：

从所述灰度图像的第一行进行读取，当读取出第一个字节的灰度值不为零时，则提取出第一轮廓点；

以第一轮廓点为基准点，搜索所述第一轮廓点的四领域点；

若其四领域点中，至少一个点的灰度值与基准点不同，则所述基准点即为第一轮廓的边界点。

7.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上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权利要求1至5中任一项所述的一种灰度图像处理方法的步骤。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括一种灰度图像处理方法程序，所述灰度图像处理方法程序被处理器执行时，实现如权利要求1至5中任一项所述的一种灰度图像处理方法的步骤。