CN111160358B - 一种图像二值化方法、装置、设备、介质 - Google Patents
一种图像二值化方法、装置、设备、介质 Download PDFInfo
- Publication number
- CN111160358B CN111160358B CN201911398177.0A CN201911398177A CN111160358B CN 111160358 B CN111160358 B CN 111160358B CN 201911398177 A CN201911398177 A CN 201911398177A CN 111160358 B CN111160358 B CN 111160358B
- Authority
- CN
- China
- Prior art keywords
- target
- target image
- local
- image
- threshold
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000011159 matrix material Substances 0.000 claims description 82
- 238000004590 computer program Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
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
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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)
- Multimedia (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本申请公开了一种图像二值化方法、装置、设备、介质,该方法包括:获取待二值化的目标图像以及预设局部区域尺寸;利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像的全局阈值;利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像中各像素点的局部阈值;根据所述全局阈值以及所述局部阈值,确定所述目标图像中各像素点的目标阈值;利用所述目标阈值对所述目标图像进行二值化。这样能够将全局阈值和局部阈值结合起来进行图像二值化,增强图像二值化效果,且适用于图像模糊等复杂场景。
Description
技术领域
本申请涉及图像处理技术领域,特别涉及一种图像二值化方法、装置、设备、介质。
背景技术
在数字图像处理中,图像二值化占有非常重要的地位,经过二值化处理后的图像数据量大大减少,能凸显出图像中目标的轮廓。因此,图像二值化常常作为众多图像处理方法的预处理技术,例如直线检测、边缘提取、目标定位、字符切分等。图像二值化分为全局阈值法和局部阈值法。全局阈值法是指根据整幅图像相关信息计算出一个或多个阈值,然后比较当前像素灰度值与阈值,再依据比较结果将当前位置分为前景或背景,常见算法有Abutaleb、Otsu、Kitter等。全局阈值法执行速度快,对于背景较为简单情况处理效果比较好,但对于待处理的图像存在阴影、模糊、低分辨率、光照不均匀等复杂场景时往往失效,会降低图像二值化效果。
发明内容
有鉴于此,本申请的目的在于提供一种图像二值化方法、装置、设备、介质,能够将全局阈值和局部阈值结合起来进行图像二值化,增强图像二值化效果,且适用于图像模糊等复杂场景。其具体方案如下:
第一方面,本申请公开了一种图像二值化方法,包括:
获取待二值化的目标图像以及预设局部区域尺寸;
利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像的全局阈值;
利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像中各像素点的局部阈值;
根据所述全局阈值以及所述局部阈值,确定所述目标图像中各像素点的目标阈值;
利用所述目标阈值对所述目标图像进行二值化。
可选的,所述利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像的全局阈值,包括:
利用所述预设局部区域尺寸、所述目标图像以及第一预设算法,确定所述目标图像的全局阈值。
可选的,所述利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像中各像素点的局部阈值,包括:
利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像对应的目标行矩阵和目标列矩阵;
利用所述目标图像、所述目标行矩阵以及所述目标列矩阵,分别确定所述目标图像的局部均值和局部方差;
利用所述局部均值、所述局部方差,确定所述目标图像中各像素点的局部阈值。
可选的,所述利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像对应的目标行矩阵和目标列矩阵,包括:
利用所述预设局部区域尺寸、所述目标图像以及第二预设算法,确定所述目标图像对应的目标行矩阵和目标列矩阵。
可选的,所述利用所述局部均值、所述局部方差,确定所述目标图像中各像素点的局部阈值,包括:
利用所述局部均值、所述局部方差以及第一预设公式,确定所述目标图像中各像素点的局部阈值,其中,所述第一预设公式为:
其中,t(x,y)表示(x,y)点的所述局部阈值,m(x,y)表示(x,y)点的所述局部均值,S(x,y)表示(x,y)点的所述局部方差,k、R均为预设常数。
可选的,所述根据所述全局阈值以及所述局部阈值,确定所述目标图像中各像素点的目标阈值,包括:
根据所述全局阈值、所述局部阈值以及第二预设公式,确定所述目标图像中各像素点的目标阈值,其中,所述第二预设公式为:
T(x,y)=α*t(x,y)+β*thr,β=1-α
其中,T(x,y)表示(x,y)点的所述目标阈值,t(x,y)表示(x,y)点的所述局部阈值,thr表示所述全局阈值,α、β均为预设常数。
可选的,所述利用所述目标阈值对所述目标图像进行二值化,包括:
利用所述目标阈值以及第三预设公式对所述目标图像进行二值化,其中,所述第三预设公式为:
其中,bin_res(x,y)表示(x,y)点的二值化结果,G(x,y)表示(x,y)点的灰度值,T(x,y)表示(x,y)点的目标阈值。
第二方面,本申请公开了一种图像二值化装置,包括:
信息获取模块,用于获取待二值化的目标图像以及预设局部区域尺寸;
第一阈值确定模块,用于利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像的全局阈值;
第二阈值确定模块,用于利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像中各像素点的局部阈值;
第三阈值确定模块,用于根据所述全局阈值以及所述局部阈值,确定所述目标图像中各像素点的目标阈值;
图像二值化模块,用于利用所述目标阈值对所述目标图像进行二值化。
第三方面,本申请公开了一种图像二值化设备,包括:
存储器和处理器;
其中,所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序,以实现前述公开的图像二值化方法。
第四方面,本申请公开了一种计算机可读存储介质,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现前述公开的图像二值化方法。
可见,本申请先获取待二值化的目标图像以及预设局部区域尺寸;然后利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像的全局阈值;再利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像中各像素点的局部阈值;接着根据所述全局阈值以及所述局部阈值,确定所述目标图像中各像素点的目标阈值;利用所述目标阈值对所述目标图像进行二值化。由此可见,本申请在获取到二值化的目标图像以及预设局部区域尺寸之后,利用所述目标图像以及所述预设局部区域尺寸,确定所述目标图像中各像素点的局部阈值和局部阈值,然后根据所述局部阈值与所述全局阈值,确定出所述目标图像中各像素点的目标阈值,利用所述目标阈值对所述目标图像进行二值化,这样能够将全局阈值和局部阈值结合起来进行图像二值化,增强图像二值化效果,且适用于图像模糊等复杂场景。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种图像二值化方法流程图;
图2为本申请公开的一种具体的图像二值化方法流程图;
图3为本申请公开的一种具体的算法代码截图;
图4为本申请公开的一种具体的灰度图像图;
图5为对图4进行相应操作得到的结果图;
图6为对图5进行相应操作得到的结果图;
图7为本申请公开的一种具体的算法代码截图;
图8为本申请公开的一种具体的灰度图像图;
图9为对图8进行相应操作得到的目标行矩阵结果图;
图10为对图8进行相应操作得到的目标列矩阵结果图;
图11为对图8进行相应操作得到的均值行操作结果图;
图12为对图11进行相应操作得到的均值列操作结果图;
图13为本申请公开的一种图像二值化装置结构示意图;
图14为本申请公开的一种图像二值化设备结构图;
图15为本申请公开的一种电子设备结构图。
具体实施方式
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,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
目前,单一的基于全局阈值的图像二值化方法对于待处理的图像存在阴影、模糊、低分辨率、光照不均匀等复杂场景时往往失效,会降低图像二值化效果。有鉴于此,本申请提出了一种图像二值化方法,能够将全局阈值和局部阈值结合起来进行图像二值化,增强图像二值化效果,且适用于图像模糊等复杂场景。
参见图1所示,本申请实施例公开了一种图像二值化方法,该方法包括:
步骤S11:获取待二值化的目标图像以及预设局部区域尺寸。
可以理解的是,需要先获取待二值化的目标图像以及预设局部区域尺寸,其中,所述目标图像为灰度图像。在获取到所述目标图像之后,相应的可以得到所述目标图像的尺寸以及灰度值,通过所述目标图像的尺寸和灰度值,以及所述预设局部区域尺寸,可以对所述目标图像进行二值化。
步骤S12:利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像的全局阈值。
在获取到所述目标图像和所述预设局部区域尺寸之后,需要利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像的全局阈值。具体的,可以利用预设局部区域尺寸、所述目标图像以及相应的第一类预设算法,确定出所述目标图像的全局阈值,其中,所述第一类预设算法包括但不限于Abutaleb、Otsu、Kitter。
步骤S13:利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像中各像素点的局部阈值。
可以理解的是,在获取到所述目标图像和所述预设局部区域尺寸之后,需要利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像中各像素点的局部阈值。具体的,可以利用预设局部区域尺寸、所述目标图像以及相应的第二类预设算法,确定出所述目标图像各像素点的局部阈值,其中,所述第二类算法包括但不限于Niblack、Adaptive、Sauvola、Bernsen。
步骤S14:根据所述全局阈值以及所述局部阈值,确定所述目标图像中各像素点的目标阈值。
在具体的实施过程中,在确定出所述全局阈值与所述局部阈值之后,还需要利用所述全局阈值和所述局部阈值,确定所述目标图像中各像素点的目标阈值,以便根据所述目标阈值对所述目标图像进行二值化。
步骤S15:利用所述目标阈值对所述目标图像进行二值化。
可以理解的是,在确定出所述目标阈值之后,需要利用所述目标阈值对所述目标图像进行二值化,得到二值化目标图像。
可见,本申请先获取待二值化的目标图像以及预设局部区域尺寸;然后利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像的全局阈值;再利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像中各像素点的局部阈值;接着根据所述全局阈值以及所述局部阈值,确定所述目标图像中各像素点的目标阈值;利用所述目标阈值对所述目标图像进行二值化。由此可见,本申请在获取到二值化的目标图像以及预设局部区域尺寸之后,利用所述目标图像以及所述预设局部区域尺寸,确定所述目标图像中各像素点的局部阈值和局部阈值,然后根据所述局部阈值与所述全局阈值,确定出所述目标图像中各像素点的目标阈值,利用所述目标阈值对所述目标图像进行二值化,这样能够将全局阈值和局部阈值结合起来进行图像二值化,增强图像二值化效果,且适用于图像模糊等复杂场景。
参见图2所示,本申请实施例公开了一种具体的图像二值化方法,该方法包括:
步骤S21:获取待二值化的目标图像以及预设局部区域尺寸。
步骤S22:利用所述预设局部区域尺寸、所述目标图像以及第一预设算法,确定所述目标图像的全局阈值。
在具体的实施过程中,所述利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像的全局阈值,具体可以是,利用所述预设局部区域尺寸、所述目标图像以及第一预设算法,确定所述目标图像的全局阈值。参见图3所示,为所述第一预设算法代码展示图。所述第一预设算法需要将所述目标图像的灰度图像、预设局部区域尺寸的宽w以及高h、常量c作为输入,并输出相应的全局阈值thr。例如,参见图4所示,输入的目标图像为W为12,H为12的灰度图像,预设局部区域尺寸为w为5,h为5,先将所述灰度图像中的第w+1列到第W列均向左移动w列,得到第一灰度图像,得到结果如图5所示,再利用所述灰度图像的最后一个宽为w的区域替换所述第一灰度图像中的相应区域,得到第二灰度图像,得到结果如图6所示。再基于相邻区域的统计信息从所述第二灰度图像中,确定出所述灰度图像对应的全局阈值thr。
步骤S23:利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像对应的目标行矩阵和目标列矩阵。
在具体的实施过程中,在确定出所述目标图像的所述全局阈值之后,需要利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像中各像素点的局部阈值。所述利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像中各像素点的局部阈值,可以包括:利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像对应的目标行矩阵和目标列矩阵;利用所述目标图像、所述目标行矩阵以及所述目标列矩阵,分别确定所述目标图像的局部均值和局部方差;利用所述局部均值、所述局部方差,确定所述目标图像中各像素点的局部阈值。首先,利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像对应的目标行矩阵和目标列矩阵。具体的,可以利用所述预设局部区域尺寸、所述目标图像以及第二预设算法,确定所述目标图像对应的目标行矩阵和目标列矩阵。参见图7所示,为所述第二预设算法代码展示图,将目标图像尺寸S以及所述预设局部区域尺寸s作为输入,并输出所述目标图像中各像素点的局部阈值,其中,所述预设局部区域尺寸也即滑动窗口尺寸。在确定所述目标行矩阵时,S取所述目标图像尺寸中的宽W,s取所述预设局部区域尺寸中的宽w,在确定所述目标行矩阵时,S取所述目标图像尺寸中的高H,s取所述预设局部区域尺寸中的高h。例如,参见图8所示,输入一个宽为10,高为8的灰度图像时,得到目标行矩阵如图9所示,为一个10×10的矩阵,目标列矩阵如图10所示为一个8×8的矩阵。
步骤S24:利用所述目标图像、所述目标行矩阵以及所述目标列矩阵,分别确定所述目标图像的局部均值和局部方差。
在确定出所述目标行矩阵和所述目标列矩阵之后,需要利用所述目标图像、所述目标行矩阵和所述目标列矩阵,分别确定所述目标图像的局部均值和局部方差。
所述利用所述目标图像、所述目标行矩阵以及所述目标列矩阵,分别确定所述目标图像的局部均值,包括:将所述目标图像与所述目标行矩阵相乘,得到均值行操作结果;将所述目标列矩阵与所述均值行操作结果相乘,得到均值列操作结果;将所述均值列操作结果中各个值相应的除以预设局部区域尺寸中宽和高的乘积,得到所述目标图像的局部均值。用公式可以表示为D=A*B,E=C*D,其中,A表示所述目标图像,B表示所述目标行矩阵,C表示所述目标列矩阵,D表示均值行操作结果,E表示均值列操作结果。例如,利用所述图8、所述图9以及图10,得到均值行操作结果如图11所示,得到均值列操作结果如图12所示,由于所述预设局部区域尺寸为宽为5、高为5,所以将所述图12中的各个值均除以25即可得带所述目标图像的局部均值。
所述利用所述目标图像、所述目标行矩阵以及所述目标列矩阵,分别确定所述目标图像的局部方差,包括:由所述目标图像确定对应的二次方矩阵;将所述二次方矩阵与所述目标行矩阵相乘,得到方差行操作结果;将所述目标列矩阵与所述方差行操作结果相乘,得到方差列操作结果;利用所述方差列操作结果和所述局部均值,得到所述目标图像的局部方差。
步骤S25:利用所述局部均值、所述局部方差,确定所述目标图像中各像素点的局部阈值。
在确定出所述局部均值和所述局部方差之后,需要利用所述局部均值和所述局部方差,确定所述目标图像中各像素点的局部阈值。所述利用所述局部均值、所述局部方差,确定所述目标图像中各像素点的局部阈值,包括:利用所述局部均值、所述局部方差以及第一预设公式,确定所述目标图像中各像素点的局部阈值,其中,所述第一预设公式为:
其中,t(x,y)表示(x,y)点的所述局部阈值,m(x,y)表示(x,y)点的所述局部均值,S(x,y)表示(x,y)点的所述局部方差,k、R均为预设常数,k∈[0,1],通常可以设置为0.5,R在灰度级为[0,255]时设置为128。
步骤S26:根据所述全局阈值以及所述局部阈值,确定所述目标图像中各像素点的目标阈值。
在确定出所述全局阈值和所述局部阈值之后,需要利用所述全局阈值和所述局部阈值,确定所诉目标图像中各像素点的目标阈值。所述根据所述全局阈值以及所述局部阈值,确定所述目标图像中各像素点的目标阈值,包括:根据所述全局阈值、所述局部阈值以及第二预设公式,确定所述目标图像中各像素点的目标阈值,其中,所述第二预设公式为:
T(x,y)=α*t(x,y)+β*thr,β=1-α
其中,T(x,y)表示(x,y)点的所述目标阈值,t(x,y)表示(x,y)点的所述局部阈值,thr表示所述全局阈值,α、β均为预设常数。且α∈[0,1],β∈[0,1]。
此外,还可以通过积分图值法到所述局部均值和所述局部方差。
利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像对应的目标行矩阵和目标列矩阵;利用所述目标图像、所述目标行矩阵以及所述目标列矩阵,分别确定所述目标图像的局部均值和局部方差;利用所述局部均值、所述局部方差,确定所述目标图像中各像素点的局部阈值。这样利用所述目标行矩阵、所述目标列矩阵以及所述目标图像确定出所述目标图像的局部均值和局部方差,在提高图像二值化效果的同时,加快了图像二值化速度。
步骤S27:利用所述目标阈值对所述目标图像进行二值化。
在具体的实施过程中,在确定出所述目标图像中各像素点的目标阈值之后,利用所述目标阈值对所述目标图像进行二值化。所述利用所述目标阈值对所述目标图像进行二值化,包括:利用所述目标阈值以及第三预设公式对所述目标图像进行二值化,其中,所述第三预设公式为:
其中,bin_res(x,y)表示(x,y)点的二值化结果,G(x,y)表示(x,y)点的灰度值,T(x,y)表示(x,y)点的目标阈值。也即,在得到所述目标图像中各像素点的所述目标阈值之后,将所述目标阈值与相应的灰度值进行比较,可确定出所述目标图像中各像素点的二值化结果,以实现所述目标图像二值化。
参见图13所示,本申请实施例公开了一种图像二值化装置,包括:
信息获取模块11,用于获取待二值化的目标图像以及预设局部区域尺寸;
第一阈值确定模块12,用于利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像的全局阈值;
第二阈值确定模块13,用于利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像中各像素点的局部阈值;
第三阈值确定模块14,用于根据所述全局阈值以及所述局部阈值,确定所述目标图像中各像素点的目标阈值;
图像二值化模块15,用于利用所述目标阈值对所述目标图像进行二值化。
可见,本申请先获取待二值化的目标图像以及预设局部区域尺寸;然后利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像的全局阈值;再利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像中各像素点的局部阈值;接着根据所述全局阈值以及所述局部阈值,确定所述目标图像中各像素点的目标阈值;利用所述目标阈值对所述目标图像进行二值化。由此可见,本申请在获取到二值化的目标图像以及预设局部区域尺寸之后,利用所述目标图像以及所述预设局部区域尺寸,确定所述目标图像中各像素点的局部阈值和局部阈值,然后根据所述局部阈值与所述全局阈值,确定出所述目标图像中各像素点的目标阈值,利用所述目标阈值对所述目标图像进行二值化,这样能够将全局阈值和局部阈值结合起来进行图像二值化,增强图像二值化效果,且适用于图像模糊等复杂场景。
进一步的,参见图14所示,本申请实施例还公开了一种图像二值化设备,包括:处理器21和存储器22。
其中,所述存储器22,用于存储计算机程序;所述处理器22,用于执行所述计算机程序,以实现前述实施例中公开的图像二值化方法。
其中,关于上述图像二值化方法的具体过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
图15为本申请实施例提供的一种电子设备20的结构示意图,所述电子设备能够实现前述实施例中所述的图像二值化方法中的步骤,该电子设备具体可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
通常,本实施例中的电子设备20包括:处理器21和存储器22。
其中,处理器21可以包括一个或多个处理核心,比如四核心处理器、八核心处理器等。处理器21可以采用DSP(digital signal processing,数字信号处理)、FPGA(field-programmable gate array,现场可编程们阵列)、PLA(programmable logic array,可编程逻辑阵列)中的至少一种硬件来实现。处理器21也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(central processing unit,中应处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器21可以集成有GPU(graphics processing unit,图像处理器),GPU用于负责显示屏所需要显示的图像的渲染和绘制。一些实施例中,处理器31可以包括AI(artificialintelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器22可以包括一个或多个计算机可读存储介质,计算机可读存储介质可以是非暂态的。存储器22还可以包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器22至少用于存储以下计算机程序221,其中,该计算机程序被处理器21加载并执行之后,能够实现前述任一实施例中公开的图像二值化方法的步骤。另外,存储器22所存储的资源还可以包括操作系统222和数据223等,存储方式可以是短暂存储也可以是永久存储。其中,操作系统222可以是Windows、Unix、Linux等。数据223可以包括各种各样的数据。
在一些实施例中,电子设备20还可包括有显示屏23、输入输出接口24、通信接口25、传感器26、电源27以及通信总线28。
本技术领域人员可以理解,图中示出的结构并不构成对电子设备20的限定,可以包括比图示更多或更少的组件。
进一步的,本申请实施例还公开了一种计算机可读存储介质,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现前述实施例中公开的图像二值化方法。
其中,关于上述图像二值化方法的具体过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或者操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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,从而使得一系列包含其他要素的过程、方法、物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、物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、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的一种图像二值化方法、装置、设备、介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (8)
1.一种图像二值化方法,其特征在于,包括:
获取待二值化的目标图像以及预设局部区域尺寸;
利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像的全局阈值;
利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像中各像素点的局部阈值;
根据所述全局阈值以及所述局部阈值,确定所述目标图像中各像素点的目标阈值;
利用所述目标阈值对所述目标图像进行二值化;
其中,所述利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像的全局阈值,包括:利用所述预设局部区域尺寸、所述目标图像以及第一预设算法,确定所述目标图像的全局阈值;并且,所述第一预设算法将所述目标图像的灰度图像、所述预设局部区域尺寸的宽、高以及预设的常量作为输入,并将相应的所述全局阈值作为输出;
所述利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像中各像素点的局部阈值,包括:利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像对应的目标行矩阵和目标列矩阵;利用所述目标图像、所述目标行矩阵以及所述目标列矩阵,分别确定所述目标图像的局部均值和局部方差;利用所述局部均值、所述局部方差,确定所述目标图像中各像素点的局部阈值;所述利用所述目标图像、所述目标行矩阵以及所述目标列矩阵,分别确定所述目标图像的局部均值,包括:将所述目标图像与所述目标行矩阵相乘,得到均值行操作结果;将所述目标列矩阵与所述均值行操作结果相乘,得到均值列操作结果;将所述均值列操作结果中各个值相应的除以预设局部区域尺寸中宽和高的乘积,得到所述目标图像的局部均值;所述利用所述目标图像、所述目标行矩阵以及所述目标列矩阵,分别确定所述目标图像的局部方差,包括:由所述目标图像确定对应的二次方矩阵;将所述二次方矩阵与所述目标行矩阵相乘,得到方差行操作结果;将所述目标列矩阵与所述方差行操作结果相乘,得到方差列操作结果;利用所述方差列操作结果和所述局部均值,得到所述目标图像的局部方差。
2.根据权利要求1所述的图像二值化方法,其特征在于,所述利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像对应的目标行矩阵和目标列矩阵,包括:
利用所述预设局部区域尺寸、所述目标图像以及第二预设算法,确定所述目标图像对应的目标行矩阵和目标列矩阵。
6.一种图像二值化装置,其特征在于,包括:
信息获取模块,用于获取待二值化的目标图像以及预设局部区域尺寸;
第一阈值确定模块,用于利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像的全局阈值;
第二阈值确定模块,用于利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像中各像素点的局部阈值;
第三阈值确定模块,用于根据所述全局阈值以及所述局部阈值,确定所述目标图像中各像素点的目标阈值;
图像二值化模块,用于利用所述目标阈值对所述目标图像进行二值化;
其中,所述第一阈值确定模块具体用于:利用所述预设局部区域尺寸、所述目标图像以及第一预设算法,确定所述目标图像的全局阈值;并且,所述第一预设算法将所述目标图像的灰度图像、所述预设局部区域尺寸的宽、高以及预设的常量作为输入,并将相应的所述全局阈值作为输出;
所述第二阈值确定模块具体用于:利用所述预设局部区域尺寸以及所述目标图像,确定所述目标图像对应的目标行矩阵和目标列矩阵;利用所述目标图像、所述目标行矩阵以及所述目标列矩阵,分别确定所述目标图像的局部均值和局部方差;利用所述局部均值、所述局部方差,确定所述目标图像中各像素点的局部阈值;所述利用所述目标图像、所述目标行矩阵以及所述目标列矩阵,分别确定所述目标图像的局部均值,包括:将所述目标图像与所述目标行矩阵相乘,得到均值行操作结果;将所述目标列矩阵与所述均值行操作结果相乘,得到均值列操作结果;将所述均值列操作结果中各个值相应的除以预设局部区域尺寸中宽和高的乘积,得到所述目标图像的局部均值;所述利用所述目标图像、所述目标行矩阵以及所述目标列矩阵,分别确定所述目标图像的局部方差,包括:由所述目标图像确定对应的二次方矩阵;将所述二次方矩阵与所述目标行矩阵相乘,得到方差行操作结果;将所述目标列矩阵与所述方差行操作结果相乘,得到方差列操作结果;利用所述方差列操作结果和所述局部均值,得到所述目标图像的局部方差。
7.一种图像二值化设备,其特征在于,包括:
存储器和处理器;
其中,所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序,以实现权利要求1至5任一项所述的图像二值化方法。
8.一种计算机可读存储介质,其特征在于,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的图像二值化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911398177.0A CN111160358B (zh) | 2019-12-30 | 2019-12-30 | 一种图像二值化方法、装置、设备、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911398177.0A CN111160358B (zh) | 2019-12-30 | 2019-12-30 | 一种图像二值化方法、装置、设备、介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160358A CN111160358A (zh) | 2020-05-15 |
CN111160358B true CN111160358B (zh) | 2022-07-05 |
Family
ID=70559263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911398177.0A Active CN111160358B (zh) | 2019-12-30 | 2019-12-30 | 一种图像二值化方法、装置、设备、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160358B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986222A (zh) * | 2020-08-21 | 2020-11-24 | 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) | 基于自适应混合阈值的智能电表芯片图像二值化处理方法 |
CN113592796A (zh) * | 2021-07-19 | 2021-11-02 | 深圳数联天下智能科技有限公司 | 嘴角下垂的检测方法、装置、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200211A (zh) * | 2014-09-03 | 2014-12-10 | 腾讯科技(深圳)有限公司 | 图像二值化方法及装置 |
CN105447491A (zh) * | 2014-07-25 | 2016-03-30 | 北京大学深圳研究生院 | 标识牌图像二值化方法及其装置 |
CN106529534A (zh) * | 2016-11-07 | 2017-03-22 | 湖南源信光电科技有限公司 | 一种基于混合倾斜校正和投影法的不定长车牌字符分割方法 |
US10180339B1 (en) * | 2015-05-08 | 2019-01-15 | Digimarc Corporation | Sensing systems |
-
2019
- 2019-12-30 CN CN201911398177.0A patent/CN111160358B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447491A (zh) * | 2014-07-25 | 2016-03-30 | 北京大学深圳研究生院 | 标识牌图像二值化方法及其装置 |
CN104200211A (zh) * | 2014-09-03 | 2014-12-10 | 腾讯科技(深圳)有限公司 | 图像二值化方法及装置 |
US10180339B1 (en) * | 2015-05-08 | 2019-01-15 | Digimarc Corporation | Sensing systems |
CN106529534A (zh) * | 2016-11-07 | 2017-03-22 | 湖南源信光电科技有限公司 | 一种基于混合倾斜校正和投影法的不定长车牌字符分割方法 |
Non-Patent Citations (2)
Title |
---|
A Global-to-Local Approach to Binarization of Degraded Document Images;Barun Biswas等;《2014 22nd International Conference on Pattern Recognition》;20141231;第3008-3013页 * |
基于图像增强的双阈值二值化算法;胡笑莉等;《电光与控制》;20170531;第24卷(第5期);第10-14页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111160358A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11151712B2 (en) | Method and apparatus for detecting image defects, computing device, and computer readable storage medium | |
CN108596944B (zh) | 一种提取运动目标的方法、装置及终端设备 | |
US20220383463A1 (en) | Method and device for image fusion, computing processing device, and storage medium | |
CN110427932B (zh) | 一种识别图像中多个票据区域的方法及装置 | |
CN110708568B (zh) | 一种视频内容突变检测方法及装置 | |
CN110298858B (zh) | 一种图像裁剪方法及装置 | |
CN111368638A (zh) | 电子表格的创建方法、装置、计算机设备和存储介质 | |
JP7264929B2 (ja) | 背景なし画像の生成方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム | |
CN111160358B (zh) | 一种图像二值化方法、装置、设备、介质 | |
CN110210480B (zh) | 文字识别方法、装置、电子设备和计算机可读存储介质 | |
CN109729298B (zh) | 图像处理方法与图像处理装置 | |
CN110570442A (zh) | 一种复杂背景下轮廓检测方法、终端设备及存储介质 | |
CN111882565B (zh) | 一种图像二值化方法、装置、设备及存储介质 | |
CN112101386A (zh) | 文本检测方法、装置、计算机设备和存储介质 | |
CN111723634A (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
CN111724396A (zh) | 图像分割方法及装置、计算机可读存储介质、电子设备 | |
CN113449538A (zh) | 视觉模型的训练方法、装置、设备及存储介质 | |
CN114298985B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN112164013A (zh) | 人像换装方法、系统及介质 | |
CN109389628B (zh) | 图像配准方法、设备和存储介质 | |
CN113542868A (zh) | 视频关键帧选取方法、装置、电子设备、存储介质 | |
CN112118478B (zh) | 文本处理方法、装置、电子设备及存储介质 | |
CN114418848A (zh) | 视频处理方法、装置、存储介质及电子设备 | |
CN114648751A (zh) | 一种处理视频字幕的方法、装置、终端及存储介质 | |
CN118096732B (zh) | 显示屏漏光检测方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |