CN111223115A - 一种图像分割方法、装置、设备及介质 - Google Patents
一种图像分割方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111223115A CN111223115A CN202010321730.7A CN202010321730A CN111223115A CN 111223115 A CN111223115 A CN 111223115A CN 202010321730 A CN202010321730 A CN 202010321730A CN 111223115 A CN111223115 A CN 111223115A
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- segmentation
- gray
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003709 image segmentation Methods 0.000 title claims abstract description 62
- 230000011218 segmentation Effects 0.000 claims abstract description 150
- 230000000877 morphologic effect Effects 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 19
- 239000003550 marker Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000007797 corrosion Effects 0.000 claims description 12
- 238000005260 corrosion Methods 0.000 claims description 12
- 230000002146 bilateral effect Effects 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 6
- 238000005530 etching Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
- G06T2207/20041—Distance transform
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
本申请公开了一种图像分割方法、装置、设备及介质,包括:对目标灰度图像进行第一次分割,得到第一子图像集;目标灰度图像为目标彩色图像的灰度图;利用第一子图像集中每个第一子图像的灰度直方图确定对应的目标灰度数据包括灰度均值、最大灰度值、最小灰度值;利用目标灰度数据判断第一子图像是否满足预设分割条件;若满足,则对第一子图像进行第二次分割,得到第二子图像集;利用OTSU最大类间方差法分别对第二子图像集中的第二子图像以及未经过第二次分割的所述第一子图像进行二值化处理,得到对应的第一二值化图像;利用第一二值化图像进行分水岭分割,得到分割图像。能够避免图像分割的目标缺失,从而提高了图像分割的有效性。
Description
技术领域
本申请涉及图像处理技术领域,特别涉及一种图像分割方法、装置、设备及介质。
背景技术
图像分割是指把图像分成各具特性的区域,并提取出感兴趣目标的技术和过程,是图像处理和检测分析中一个非常重要的步骤。在图像分割中,目标缺失一直是一个难点。
在现有技术中,针对目标分割缺失的问题,通常采用OTSU最大类间方差法,但是对于存在噪声干扰、光照不均匀、背景灰度变化较大等情况的复杂背景图像,使用OTSU算法获得的全局单一阈值往往不能兼顾图像各个区域的实际情况,造成目标的缺失,难以进行有效的图像分割。
发明内容
有鉴于此,本申请的目的在于提供一种图像分割方法、装置、设备及介质,能够避免图像分割的目标缺失,从而提高了图像分割的有效性。其具体方案如下:
第一方面,本申请公开了一种图像分割方法,包括:
对目标灰度图像进行第一次分割,得到对应的第一子图像集;所述目标灰度图像为目标彩色图像对应的灰度图;
利用所述第一子图像集中每个第一子图像对应的灰度直方图确定出所述第一子图像对应的目标灰度数据;所述目标灰度数据包括灰度均值、最大灰度值以及最小灰度值;
利用所述目标灰度数据判断对应的所述第一子图像是否满足预设分割条件;
若所述第一子图像满足所述预设分割条件,则对所述第一子图像进行第二次分割,得到对应的第二子图像集;若所述第一子图像不满足所述预设分割条件,则不对所述第一子图像进行分割;
利用OTSU最大类间方差法分别对所述第二子图像集中的第二子图像以及未经过第二次分割的所述第一子图像进行二值化处理,得到所述目标灰度图像对应的第一二值化图像;
利用所述第一二值化图像对所述目标彩色图像进行分水岭分割,得到对应的分割图像。
可选的,所述对目标灰度图像进行第一次分割,得到对应的第一子图像集之前,还包括
将采集到的所述目标彩色图像转换为灰度图像;
对转换后的灰度图像进行滤波处理,得到对应的滤波后图像。
可选的,所述对转换后的灰度图像进行滤波处理,得到对应的滤波后图像之后,还包括:
对所述滤波后图像进行锐化增强处理,得到对应的所述目标灰度图像。
可选的,所述对转换后的灰度图像进行滤波处理,得到对应的滤波后图像,包括:
对转换后的灰度图像进行双边滤波,得到所述滤波后图像。
可选的,所述利用所述第一二值化图像对所述目标彩色图像进行分水岭分割,得到对应的分割图像,包括:
对所述第一二值化图像进行距离变换,得到距离变换后图像;
对所述距离变换后图像进行归一化处理,得到归一化后图像;
利用OTSU最大类间方差法对所述归一化后图像进行二值化处理,得到第二二值化图像;
将所述第二二值化图像确定为第一标记图像,利用所述第一标记图像对所述目标彩色图像进行分水岭分割,得到对应的分割图像。
可选的,所述对所述第一二值化图像进行距离变换,得到距离变换后图像之前,还包括:
对所述第一二值化图像进行形态学开运算处理,得到形态学开运算处理后的所述第一二值化图像。
可选的,所述对所述第一二值化图像进行形态学开运算处理,得到形态学开运算处理后的所述第一二值化图像,包括:
对所述第一二值化图像进行腐蚀处理,将腐蚀处理后的所述第一二值化图像确定为第二标记图像;
将腐蚀处理前的所述第一二值化图像确定为掩模图像;
不断膨胀处理所述第二标记图像,直到所述第二标记图像逼近所述掩模图像,以得到形态学开运算处理后的所述第一二值化图像。
第二方面,本申请公开了一种图像分割装置,包括:
第一图像分割模块,用于对目标灰度图像进行第一次分割,得到对应的第一子图像集;所述目标灰度图像为目标彩色图像对应的灰度图;
灰度数据确定模块,用于利用所述第一子图像集中每个第一子图像对应的灰度直方图确定出所述第一子图像对应的目标灰度数据;所述目标灰度数据包括灰度均值、最大灰度值以及最小灰度值;
分割条件判断模块,用于利用所述目标灰度数据判断对应的所述第一子图像是否满足预设分割条件;
第二图像分割模块,用于若所述分割条件判断模块判定所述第一子图像满足所述预设分割条件,则对所述第一子图像进行第二次分割,得到对应的第二子图像集;若所述分割条件判断模块判定所述第一子图像不满足所述预设分割条件,则不对所述第一子图像进行分割;
图像二值化模块,用于利用OTSU最大类间方差法分别对所述第二子图像集中的第二子图像以及未经过第二次分割的所述第一子图像进行二值化处理,得到所述目标灰度图像对应的第一二值化图像;
分水岭分割模块,用于利用所述第一二值化图像对所述目标彩色图像进行分水岭分割,得到对应的分割图像。
第三方面,本申请公开了一种图像分割设备,包括处理器和存储器;其中,
所述存储器,用于保存计算机程序;
所述处理器,用于执行所述计算机程序以实现前述的图像分割方法。
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的图像分割方法。
可见,本申请先对目标灰度图像进行第一次分割,得到对应的第一子图像集;所述目标灰度图像为目标彩色图像对应的灰度图,然后利用所述第一子图像集中每个第一子图像对应的灰度直方图确定出所述第一子图像对应的目标灰度数据;所述目标灰度数据包括灰度均值、最大灰度值以及最小灰度值,之后利用所述目标灰度数据判断对应的所述第一子图像是否满足预设分割条件,若所述第一子图像满足所述预设分割条件,则对所述第一子图像进行第二次分割,得到对应的第二子图像集;若所述第一子图像不满足所述预设分割条件,则不对所述第一子图像进行分割,以及利用OTSU最大类间方差法分别对所述第二子图像集中的第二子图像以及未经过第二次分割的所述第一子图像进行二值化处理,得到所述目标灰度图像对应的第一二值化图像,最后利用所述第一二值化图像对所述目标彩色图像进行分水岭分割,得到对应的分割图像。这样,分别确定出第一次分割得到的每个第一子图像对应的灰度直方图的灰度均值、最大灰度值以及最小灰度值,利用每个第一子图像对应的灰度均值、最大灰度值以及最小灰度值来判断第一子图像是否满足预设分割条件,对满足预设分割条件的第一子图像进行第二次分割,然后利用OTSU算法分别对每个子图像进行二值化,得到对应的二值化图像,以进行图像分割,克服了OTSU算法获得的全局单一阈值不能兼顾图像各个区域的实际情况的问题,能够避免图像分割的目标缺失,从而提高了图像分割的有效性。
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分割方法流程图;
图2为本申请公开的一种自适应局部动态阈值分割算法流程图;
图3为本申请公开的一种具体的图像分割方法流程图;
图4为本申请公开的一种具体的图像分割方法流程图;
图5为本申请公开的一种图像分割装置结构示意图;
图6为本申请公开的一种图像分割设备结构图;
图7为本申请公开的一种电子终端结构图。
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。
在现有技术中,针对目标分割缺失的问题,通常采用OTSU最大类间方差法,但是对于存在噪声干扰、光照不均匀、背景灰度变化较大等情况的复杂背景图像,使用OTSU算法获得的全局单一阈值往往不能兼顾图像各个区域的实际情况,造成目标的缺失,难以进行有效的图像分割。为此,本申请提供了一种图像分割方案,能够避免图像分割的目标缺失,从而提高了图像分割的有效性。
参见图1所示,本申请实施例公开了一种图像分割方法,包括:
步骤S11:对目标灰度图像进行第一次分割,得到对应的第一子图像集;所述目标灰度图像为目标彩色图像对应的灰度图。
在具体的实施方式中,本申请实施例可以对目标灰度图像进行第一次分割,得到对应的第一子图像集;其中,所述第一子图像集中的所述第一子图像的大小均相等。
也即,本申请实施例可以将所述目标灰度图像进行第一次分割,得到包括第一预设数量个大小相等的第一子图像的第一子图像集。
步骤S12:利用所述第一子图像集中每个第一子图像对应的灰度直方图确定出所述第一子图像对应的目标灰度数据;所述目标灰度数据包括灰度均值、最大灰度值以及最小灰度值。
也即,本实施例可以分析计算每个第一图像的灰度直方图,得到每个子图像灰度直方图对应的灰度均值、最大灰度值以及最小灰度值。
步骤S13:利用所述目标灰度数据判断对应的所述第一子图像是否满足预设分割条件。
在具体的实施方式中,本实施例可以判断所述第一子图像对应的第一差值或第二差值是否小于预设阈值,若所述第一差值或所述第二差值小于所述预设阈值,则判定所述第一子图像满足所述预设分割条件,若所述第一差值或所述第二差值均大于或等于所述预设阈值,则判定所述第一子图像不满足所述预设分割条件;其中,所述第一差值为所述灰度均值与所述最大灰度值的差值,所述第二差值为所述灰度均值与所述最小灰度值的差值。
步骤S14:若所述第一子图像满足所述预设分割条件,则对所述第一子图像进行第二次分割,得到对应的第二子图像集;若所述第一子图像不满足所述预设分割条件,则不对所述第一子图像进行分割。
步骤S15:利用OTSU最大类间方差法分别对所述第二子图像集中的第二子图像以及未经过第二次分割的所述第一子图像进行二值化处理,得到所述目标灰度图像对应的第一二值化图像。
在具体的实施方式中,本实施例在利用OTSU最大类间方差法分别对所述第二子图像集中的第二子图像以及未经过第二次分割的所述第一子图像进行二值化处理之后,对得到的第二子图像和第一子图像对应的二值化图像进行拼接,得到所述目标灰度图像对应的第一二值化图像。
也即,第一二值化图像为对第二子图像和第一子图像对应的二值化图像进行拼接得到二值化图像。
也即,本申请实施例提出了一种自适应局部动态分割算法,具体可以包括首先对目标灰度图像的第一次分割,得到大小相等的第一子图像集合;为第一子图像集合中第一子图像的数量。然后分析每个第一子图像的灰度直方图,计算第一子图像的灰度均值,最大灰度值,最小灰度值,当图像中目标和背景比例过于悬殊,图像的平均灰度接近于最高灰度或者最低灰度,即当或小于某一阈值时,满足分割条件,其他情况视为不满足分割条件,若第一子图像不满足分割条件,则停止继续分割,若第一子图像满足分割条件,则进行二次分割,将满足分割条件的第一子图像划分成四个大小相等的第二子图像,然后对分割得到的所有的子图像采用OTSU最大类间方差法,最终得到二值化图像。该算法克服了对复杂背景图像全局阈值难以有效分割的问题,提高了复杂背景图像分割的有效性。例如,参见图2所示,图2为本申请实施例公开的一种自适应局部动态阈值分割算法流程图。
步骤S16:利用所述第一二值化图像对所述目标彩色图像进行分水岭分割,得到对应的分割图像。
在具体的实施方式,可以将所述第一二值化图像确定为标记图像,然后对所述目标彩色图像进行分水岭分割,得到对应的分割图像。
可见,本申请实施例先对目标灰度图像进行第一次分割,得到对应的第一子图像集;所述目标灰度图像为目标彩色图像对应的灰度图,然后利用所述第一子图像集中每个第一子图像对应的灰度直方图确定出所述第一子图像对应的目标灰度数据;所述目标灰度数据包括灰度均值、最大灰度值以及最小灰度值,之后利用所述目标灰度数据判断对应的所述第一子图像是否满足预设分割条件,若所述第一子图像满足所述预设分割条件,则对所述第一子图像进行第二次分割,得到对应的第二子图像集;若所述第一子图像不满足所述预设分割条件,则不对所述第一子图像进行分割,以及利用OTSU最大类间方差法分别对所述第二子图像集中的第二子图像以及未经过第二次分割的所述第一子图像进行二值化处理,得到所述目标灰度图像对应的第一二值化图像,最后利用所述第一二值化图像对所述目标彩色图像进行分水岭分割,得到对应的分割图像。这样,分别确定出第一次分割得到的每个第一子图像对应的灰度直方图的灰度均值、最大灰度值以及最小灰度值,利用每个第一子图像对应的灰度均值、最大灰度值以及最小灰度值来判断第一子图像是否满足预设分割条件,对满足预设分割条件的第一子图像进行第二次分割,然后利用OTSU算法分别对每个子图像进行二值化,得到对应的二值化图像,以进行图像分割,克服了OTSU算法获得的全局单一阈值不能兼顾图像各个区域的实际情况的问题,能够避免图像分割的目标缺失,从而提高了图像分割的有效性。
参见图3所示,本申请实施例公开了一种具体的图像分割方法,包括:
步骤S201:将采集到的所述目标彩色图像转换为灰度图像。
步骤S202:对转换后的灰度图像进行滤波处理,得到对应的滤波后图像。
在具体的实施方式中,可以对转换后的灰度图像进行双边滤波,得到所述滤波后图像。
需要指出的是,双边滤波不仅能很好的消除噪声,还能够平滑细小的结构。
步骤S203:对所述滤波后图像进行锐化增强处理,得到对应的所述目标灰度图像。
在具体的实施方式中,本实施例可以对所述滤波后图像进行Laplace锐化处理,得到锐化增强后的图像。
需要指出的是,图像锐化为一种图像增强的处理方法,可使图像更清晰、细节更明显。本实施例采用Laplace算子进行锐化,应用的模板如下:
步骤S204:对目标灰度图像进行第一次分割,得到对应的第一子图像集;所述目标灰度图像为目标彩色图像对应的灰度图。
步骤S205:利用所述第一子图像集中每个第一子图像对应的灰度直方图确定出所述第一子图像对应的目标灰度数据;所述目标灰度数据包括灰度均值、最大灰度值以及最小灰度值。
步骤S206:利用所述目标灰度数据判断对应的所述第一子图像是否满足预设分割条件。
步骤S207:若所述第一子图像满足所述预设分割条件,则对所述第一子图像进行第二次分割,得到对应的第二子图像集;若所述第一子图像不满足所述预设分割条件,则不对所述第一子图像进行分割。
步骤S208:利用OTSU最大类间方差法分别对所述第二子图像集中的第二子图像以及未经过第二次分割的所述第一子图像进行二值化处理,得到所述目标灰度图像对应的第一二值化图像。
其中,关于上述步骤S204至S208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。
步骤S209:对所述第一二值化图像进行形态学开运算处理,得到形态学开运算处理后的所述第一二值化图像。
在具体的实施方式中,对所述第一二值化图像进行腐蚀处理,将腐蚀处理后的所述第一二值化图像确定为第二标记图像;将腐蚀处理前的所述第一二值化图像确定为掩模图像;不断膨胀处理所述第二标记图像,直到所述第二标记图像逼近所述掩模图像,以得到形态学开运算处理后的所述第一二值化图像。利用形态学开运算有利于去除图像中的微小细节和大量噪声。
步骤S210:对所述第一二值化图像进行距离变换,得到距离变换后图像。
也即,本实施例可以对开运算处理后的所述第一二值化图像进行距离变换,距离变换的结果是得到一张与目标灰度图像类似的灰度图像,但是灰度值只出现在前景区域,并且越远离背景边缘的像素灰度值越大。
在具体的实施方式中,本实施例距离变换公式具体为
其中,为所述第一二值化图像中连通域内每一个内部点到非内部点集的最短距离构成的集合,为集合中的最小值,为集合中的最大值,为距离变换后连通域中每一个内部像素点所对应的灰度值,为像素点坐标,并且,本实施例利用欧式距离计算连通域内每一个内部点到非内部点集的距离。假设连通域边缘像素点坐标为集合,连通域内部像素点为集合,欧式距离的计算公式为:
需要指出的是,每个连通域中,中心像素点距离边界所有零像素点最远,灰度值也最大,将在连通域中心形成一条亮纹,最终二值图像将转换为灰度图像,每个像素点的灰度值既为对应的距离值。
步骤S211:对所述距离变换后图像进行归一化处理,得到归一化后图像。
在具体实施方式中,本实施例可以在距离变换之后进行归一化操作,将距离变换后的原始数据范围转换到[0,1]范围,归一化公式如下:
步骤S212:利用OTSU最大类间方差法对所述归一化后图像进行二值化处理,得到第二二值化图像。
也即,第二二值化图像为利用OTSU最大类间方差法对所述归一化后图像进行二值化处理后得到的二值化图像。
步骤S213:将所述第二二值化图像确定为第一标记图像,利用所述第一标记图像对所述目标彩色图像进行分水岭分割,得到对应的分割图像。
例如,参见图4所示,本申请实施例公开了一种具体的图像分割方法流程图。
参见图5所示,本申请实施例公开了一种图像分割装置,包括:
第一图像分割模块11,用于对目标灰度图像进行第一次分割,得到对应的第一子图像集;所述目标灰度图像为目标彩色图像对应的灰度图;
灰度数据确定模块12,用于利用所述第一子图像集中每个第一子图像对应的灰度直方图确定出所述第一子图像对应的目标灰度数据;所述目标灰度数据包括灰度均值、最大灰度值以及最小灰度值;
分割条件判断模块13,用于利用所述目标灰度数据判断对应的所述第一子图像是否满足预设分割条件;
第二图像分割模块14,用于若所述分割条件判断模块判定所述第一子图像满足所述预设分割条件,则对所述第一子图像进行第二次分割,得到对应的第二子图像集;若所述分割条件判断模块判定所述第一子图像不满足所述预设分割条件,则不对所述第一子图像进行分割;
图像二值化模块15,用于利用OTSU最大类间方差法分别对所述第二子图像集中的第二子图像以及未经过第二次分割的所述第一子图像进行二值化处理,得到所述目标灰度图像对应的第一二值化图像;
分水岭分割模块16,用于利用所述第一二值化图像对所述目标彩色图像进行分水岭分割,得到对应的分割图像。
可见,本申请实施例先对目标灰度图像进行第一次分割,得到对应的第一子图像集;所述目标灰度图像为目标彩色图像对应的灰度图,然后利用所述第一子图像集中每个第一子图像对应的灰度直方图确定出所述第一子图像对应的目标灰度数据;所述目标灰度数据包括灰度均值、最大灰度值以及最小灰度值,之后利用所述目标灰度数据判断对应的所述第一子图像是否满足预设分割条件,若所述第一子图像满足所述预设分割条件,则对所述第一子图像进行第二次分割,得到对应的第二子图像集;若所述第一子图像不满足所述预设分割条件,则不对所述第一子图像进行分割,以及利用OTSU最大类间方差法分别对所述第二子图像集中的第二子图像以及未经过第二次分割的所述第一子图像进行二值化处理,得到所述目标灰度图像对应的第一二值化图像,最后利用所述第一二值化图像对所述目标彩色图像进行分水岭分割,得到对应的分割图像。这样,分别确定出第一次分割得到的每个第一子图像对应的灰度直方图的灰度均值、最大灰度值以及最小灰度值,利用每个第一子图像对应的灰度均值、最大灰度值以及最小灰度值来判断第一子图像是否满足预设分割条件,对满足预设分割条件的第一子图像进行第二次分割,然后利用OTSU算法分别对每个子图像进行二值化,得到对应的二值化图像,以进行图像分割,克服了OTSU算法获得的全局单一阈值不能兼顾图像各个区域的实际情况的问题,能够避免图像分割的目标缺失,从而提高了图像分割的有效性。
所述图像分割装置还包括图像灰度处理模块,用于将采集到的所述目标彩色图像转换为灰度图像。
所述图像分割装置还包括图像滤波处理模块,用于对转换后的灰度图像进行滤波处理,得到对应的滤波后图像。在具体的实施方式中,所述图像滤波处理模块,具体用于对转换后的灰度图像进行双边滤波,得到所述滤波后图像。
所述图像分割装置还包括图像增强处理模块,用于对所述滤波后图像进行锐化增强处理,得到对应的所述目标灰度图像。
所述分水岭分割模块16具体可以包括:
距离变换子模块,用于对所述第一二值化图像进行距离变换,得到距离变换后图像;
归一化处理子模块,用于对所述距离变换后图像进行归一化处理,得到归一化后图像;
二值化处理子模块,用于利用OTSU最大类间方差法对所述归一化后图像进行二值化处理,得到第二二值化图像;
图像分割子模块,用于将所述第二二值化图像确定为第一标记图像,利用所述第一标记图像对所述目标彩色图像进行分水岭分割,得到对应的分割图像。
所述图像分割装置还还包括,开运算处理模块,用于对所述第一二值化图像进行形态学开运算处理,得到形态学开运算处理后的所述第一二值化图像。
在具体的实施方式中,开运算处理模块具体用于对所述第一二值化图像进行腐蚀处理,将腐蚀处理后的所述第一二值化图像确定为第二标记图像;将腐蚀处理前的所述第一二值化图像确定为掩模图像;不断膨胀处理所述第二标记图像,直到所述第二标记图像逼近所述掩模图像,以得到形态学开运算处理后的所述第一二值化图像。
参见图6所示,图6为本申请实施例公开的一种图像分割设备,包括处理器21和存储器22;其中,所述存储器22,用于保存计算机程序;所述处理器21,用于执行所述计算机程序,以实现以下步骤:
对目标灰度图像进行第一次分割,得到对应的第一子图像集;所述目标灰度图像为目标彩色图像对应的灰度图;利用所述第一子图像集中每个第一子图像对应的灰度直方图确定出所述第一子图像对应的目标灰度数据;所述目标灰度数据包括灰度均值、最大灰度值以及最小灰度值;利用所述目标灰度数据判断对应的所述第一子图像是否满足预设分割条件;若所述第一子图像满足所述预设分割条件,则对所述第一子图像进行第二次分割,得到对应的第二子图像集;若所述第一子图像不满足所述预设分割条件,则不对所述第一子图像进行分割;利用OTSU最大类间方差法分别对所述第二子图像集中的第二子图像以及未经过第二次分割的所述第一子图像进行二值化处理,得到所述目标灰度图像对应的第一二值化图像;利用所述第一二值化图像对所述目标彩色图像进行分水岭分割,得到对应的分割图像。
可见,本申请实施例先对目标灰度图像进行第一次分割,得到对应的第一子图像集;所述目标灰度图像为目标彩色图像对应的灰度图,然后利用所述第一子图像集中每个第一子图像对应的灰度直方图确定出所述第一子图像对应的目标灰度数据;所述目标灰度数据包括灰度均值、最大灰度值以及最小灰度值,之后利用所述目标灰度数据判断对应的所述第一子图像是否满足预设分割条件,若所述第一子图像满足所述预设分割条件,则对所述第一子图像进行第二次分割,得到对应的第二子图像集;若所述第一子图像不满足所述预设分割条件,则不对所述第一子图像进行分割,以及利用OTSU最大类间方差法分别对所述第二子图像集中的第二子图像以及未经过第二次分割的所述第一子图像进行二值化处理,得到所述目标灰度图像对应的第一二值化图像,最后利用所述第一二值化图像对所述目标彩色图像进行分水岭分割,得到对应的分割图像。这样,分别确定出第一次分割得到的每个第一子图像对应的灰度直方图的灰度均值、最大灰度值以及最小灰度值,利用每个第一子图像对应的灰度均值、最大灰度值以及最小灰度值来判断第一子图像是否满足预设分割条件,对满足预设分割条件的第一子图像进行第二次分割,然后利用OTSU算法分别对每个子图像进行二值化,得到对应的二值化图像,以进行图像分割,克服了OTSU算法获得的全局单一阈值不能兼顾图像各个区域的实际情况的问题,能够避免图像分割的目标缺失,从而提高了图像分割的有效性。
本实施例中,所述处理器21执行所述存储器22中保存的计算机子程序时,可以具体实现以下步骤:将采集到的所述目标彩色图像转换为灰度图像;对转换后的灰度图像进行滤波处理,得到对应的滤波后图像。
本实施例中,所述处理器21执行所述存储器22中保存的计算机子程序时,可以具体实现以下步骤:对所述滤波后图像进行锐化增强处理,得到对应的所述目标灰度图像。
本实施例中,所述处理器21执行所述存储器22中保存的计算机子程序时,可以具体实现以下步骤:对转换后的灰度图像进行双边滤波,得到所述滤波后图像。
本实施例中,所述处理器21执行所述存储器22中保存的计算机子程序时,可以具体实现以下步骤:对所述第一二值化图像进行距离变换,得到距离变换后图像;对所述距离变换后图像进行归一化处理,得到归一化后图像;利用OTSU最大类间方差法对所述归一化后图像进行二值化处理,得到第二二值化图像;将所述第二二值化图像确定为第一标记图像,利用所述第一标记图像对所述目标彩色图像进行分水岭分割,得到对应的分割图像。
本实施例中,所述处理器21执行所述存储器22中保存的计算机子程序时,可以具体实现以下步骤:对所述第一二值化图像进行形态学开运算处理,得到形态学开运算处理后的所述第一二值化图像。
本实施例中,所述处理器21执行所述存储器22中保存的计算机子程序时,可以具体实现以下步骤:对所述第一二值化图像进行腐蚀处理,将腐蚀处理后的所述第一二值化图像确定为第二标记图像;将腐蚀处理前的所述第一二值化图像确定为掩模图像;不断膨胀处理所述第二标记图像,直到所述第二标记图像逼近所述掩模图像,以得到形态学开运算处理后的所述第一二值化图像。
并且,所述存储器22作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,存储方式可以是短暂存储或者永久存储。
参见图7所示,本申请实施例公开了一种电子终端20,包括前述实施例中公开的处理器21和存储器22。关于上述处理器21具体可以执行的步骤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。
进一步的,本实施例中的电子终端20,还可以具体包括电源23、通信接口24、输入输出接口25和通信总线26;其中,所述电源23用于为所述终端20上的各硬件设备提供工作电压;所述通信接口24能够为所述终端20创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;所述输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
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以下步骤:
对目标灰度图像进行第一次分割,得到对应的第一子图像集;所述目标灰度图像为目标彩色图像对应的灰度图;利用所述第一子图像集中每个第一子图像对应的灰度直方图确定出所述第一子图像对应的目标灰度数据;所述目标灰度数据包括灰度均值、最大灰度值以及最小灰度值;利用所述目标灰度数据判断对应的所述第一子图像是否满足预设分割条件;若所述第一子图像满足所述预设分割条件,则对所述第一子图像进行第二次分割,得到对应的第二子图像集;若所述第一子图像不满足所述预设分割条件,则不对所述第一子图像进行分割;利用OTSU最大类间方差法分别对所述第二子图像集中的第二子图像以及未经过第二次分割的所述第一子图像进行二值化处理,得到所述目标灰度图像对应的第一二值化图像;利用所述第一二值化图像对所述目标彩色图像进行分水岭分割,得到对应的分割图像。
可见,本申请实施例先对目标灰度图像进行第一次分割,得到对应的第一子图像集;所述目标灰度图像为目标彩色图像对应的灰度图,然后利用所述第一子图像集中每个第一子图像对应的灰度直方图确定出所述第一子图像对应的目标灰度数据;所述目标灰度数据包括灰度均值、最大灰度值以及最小灰度值,之后利用所述目标灰度数据判断对应的所述第一子图像是否满足预设分割条件,若所述第一子图像满足所述预设分割条件,则对所述第一子图像进行第二次分割,得到对应的第二子图像集;若所述第一子图像不满足所述预设分割条件,则不对所述第一子图像进行分割,以及利用OTSU最大类间方差法分别对所述第二子图像集中的第二子图像以及未经过第二次分割的所述第一子图像进行二值化处理,得到所述目标灰度图像对应的第一二值化图像,最后利用所述第一二值化图像对所述目标彩色图像进行分水岭分割,得到对应的分割图像。这样,分别确定出第一次分割得到的每个第一子图像对应的灰度直方图的灰度均值、最大灰度值以及最小灰度值,利用每个第一子图像对应的灰度均值、最大灰度值以及最小灰度值来判断第一子图像是否满足预设分割条件,对满足预设分割条件的第一子图像进行第二次分割,然后利用OTSU算法分别对每个子图像进行二值化,得到对应的二值化图像,以进行图像分割,克服了OTSU算法获得的全局单一阈值不能兼顾图像各个区域的实际情况的问题,能够避免图像分割的目标缺失,从而提高了图像分割的有效性。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:将采集到的所述目标彩色图像转换为灰度图像;对转换后的灰度图像进行滤波处理,得到对应的滤波后图像。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:对所述滤波后图像进行锐化增强处理,得到对应的所述目标灰度图像。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:对转换后的灰度图像进行双边滤波,得到所述滤波后图像。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:对所述第一二值化图像进行距离变换,得到距离变换后图像;对所述距离变换后图像进行归一化处理,得到归一化后图像;利用OTSU最大类间方差法对所述归一化后图像进行二值化处理,得到第二二值化图像;将所述第二二值化图像确定为第一标记图像,利用所述第一标记图像对所述目标彩色图像进行分水岭分割,得到对应的分割图像。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:对所述第一二值化图像进行形态学开运算处理,得到形态学开运算处理后的所述第一二值化图像。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:对所述第一二值化图像进行腐蚀处理,将腐蚀处理后的所述第一二值化图像确定为第二标记图像;将腐蚀处理前的所述第一二值化图像确定为掩模图像;不断膨胀处理所述第二标记图像,直到所述第二标记图像逼近所述掩模图像,以得到形态学开运算处理后的所述第一二值化图像。
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。
以上对本申请所提供的一种图像分割方法、装置、设备及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 (10)
1.一种图像分割方法,其特征在于,包括:
对目标灰度图像进行第一次分割,得到对应的第一子图像集;所述目标灰度图像为目标彩色图像对应的灰度图;
利用所述第一子图像集中每个第一子图像对应的灰度直方图确定出所述第一子图像对应的目标灰度数据;所述目标灰度数据包括灰度均值、最大灰度值以及最小灰度值;
利用所述目标灰度数据判断对应的所述第一子图像是否满足预设分割条件;
若所述第一子图像满足所述预设分割条件,则对所述第一子图像进行第二次分割,得到对应的第二子图像集;若所述第一子图像不满足所述预设分割条件,则不对所述第一子图像进行分割;
利用OTSU最大类间方差法分别对所述第二子图像集中的第二子图像以及未经过第二次分割的所述第一子图像进行二值化处理,得到所述目标灰度图像对应的第一二值化图像;
利用所述第一二值化图像对所述目标彩色图像进行分水岭分割,得到对应的分割图像。
2.根据权利要求1所述的图像分割方法,其特征在于,所述对目标灰度图像进行第一次分割,得到对应的第一子图像集之前,还包括
将采集到的所述目标彩色图像转换为灰度图像;
对转换后的灰度图像进行滤波处理,得到对应的滤波后图像。
3.根据权利要求2所述的图像分割方法,其特征在于,所述对转换后的灰度图像进行滤波处理,得到对应的滤波后图像之后,还包括:
对所述滤波后图像进行锐化增强处理,得到对应的所述目标灰度图像。
4.根据权利要求2所述的图像分割方法,其特征在于,所述对转换后的灰度图像进行滤波处理,得到对应的滤波后图像,包括:
对转换后的灰度图像进行双边滤波,得到所述滤波后图像。
5.根据权利要求1至4任一项所述的图像分割方法,其特征在于,所述利用所述第一二值化图像对所述目标彩色图像进行分水岭分割,得到对应的分割图像,包括:
对所述第一二值化图像进行距离变换,得到距离变换后图像;
对所述距离变换后图像进行归一化处理,得到归一化后图像;
利用OTSU最大类间方差法对所述归一化后图像进行二值化处理,得到第二二值化图像;
将所述第二二值化图像确定为第一标记图像,利用所述第一标记图像对所述目标彩色图像进行分水岭分割,得到对应的分割图像。
6.根据权利要求5所述的图像分割方法,其特征在于,所述对所述第一二值化图像进行距离变换,得到距离变换后图像之前,还包括:
对所述第一二值化图像进行形态学开运算处理,得到形态学开运算处理后的所述第一二值化图像。
7.根据权利要求6所述的图像分割方法,其特征在于,所述对所述第一二值化图像进行形态学开运算处理,得到形态学开运算处理后的所述第一二值化图像,包括:
对所述第一二值化图像进行腐蚀处理,将腐蚀处理后的所述第一二值化图像确定为第二标记图像;
将腐蚀处理前的所述第一二值化图像确定为掩模图像;
不断膨胀处理所述第二标记图像,直到所述第二标记图像逼近所述掩模图像,以得到形态学开运算处理后的所述第一二值化图像。
8.一种图像分割装置,其特征在于,包括:
第一图像分割模块,用于对目标灰度图像进行第一次分割,得到对应的第一子图像集;所述目标灰度图像为目标彩色图像对应的灰度图;
灰度数据确定模块,用于利用所述第一子图像集中每个第一子图像对应的灰度直方图确定出所述第一子图像对应的目标灰度数据;所述目标灰度数据包括灰度均值、最大灰度值以及最小灰度值;
分割条件判断模块,用于利用所述目标灰度数据判断对应的所述第一子图像是否满足预设分割条件;
第二图像分割模块,用于若所述分割条件判断模块判定所述第一子图像满足所述预设分割条件,则对所述第一子图像进行第二次分割,得到对应的第二子图像集;若所述分割条件判断模块判定所述第一子图像不满足所述预设分割条件,则不对所述第一子图像进行分割;
图像二值化模块,用于利用OTSU最大类间方差法分别对所述第二子图像集中的第二子图像以及未经过第二次分割的所述第一子图像进行二值化处理,得到所述目标灰度图像对应的第一二值化图像;
分水岭分割模块,用于利用所述第一二值化图像对所述目标彩色图像进行分水岭分割,得到对应的分割图像。
9.一种图像分割设备,其特征在于,包括处理器和存储器;其中,
所述存储器,用于保存计算机程序;
所述处理器,用于执行所述计算机程序以实现如权利要求1至7任一项所述的图像分割方法。
10.一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7任一项所述的图像分割方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010321730.7A CN111223115B (zh) | 2020-04-22 | 2020-04-22 | 一种图像分割方法、装置、设备及介质 |
PCT/CN2020/141617 WO2021212913A1 (zh) | 2020-04-22 | 2020-12-30 | 一种图像分割方法、装置、设备及介质 |
US17/913,560 US20230377158A1 (en) | 2020-04-22 | 2020-12-30 | Image segmentation method, apparatus, device, and medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010321730.7A CN111223115B (zh) | 2020-04-22 | 2020-04-22 | 一种图像分割方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111223115A true CN111223115A (zh) | 2020-06-02 |
CN111223115B CN111223115B (zh) | 2020-07-14 |
Family
ID=70808073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010321730.7A Active CN111223115B (zh) | 2020-04-22 | 2020-04-22 | 一种图像分割方法、装置、设备及介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230377158A1 (zh) |
CN (1) | CN111223115B (zh) |
WO (1) | WO2021212913A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767920A (zh) * | 2020-06-30 | 2020-10-13 | 北京百度网讯科技有限公司 | 感兴趣区域的提取方法、装置、电子设备及存储介质 |
CN112365450A (zh) * | 2020-10-23 | 2021-02-12 | 安徽启新明智科技有限公司 | 基于图像识别的物品分类计数的方法、装置和存储介质 |
CN113503970A (zh) * | 2021-07-08 | 2021-10-15 | 江苏高速公路信息工程有限公司 | 一种火灾监控方法和监控系统 |
WO2021212913A1 (zh) * | 2020-04-22 | 2021-10-28 | 杭州涂鸦信息技术有限公司 | 一种图像分割方法、装置、设备及介质 |
CN113629574A (zh) * | 2021-08-18 | 2021-11-09 | 国网湖北省电力有限公司襄阳供电公司 | 基于视频监测技术的强风沙地区输电导线舞动预警系统 |
CN114972367A (zh) * | 2021-02-25 | 2022-08-30 | 上海复旦微电子集团股份有限公司 | 分割图像的方法、装置、设备和计算机可读存储介质 |
CN117689673A (zh) * | 2024-02-04 | 2024-03-12 | 湘潭大学 | 基于分水岭的wc颗粒电镜图像分割及粒度分布计算方法 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762220B (zh) * | 2021-11-03 | 2022-03-15 | 通号通信信息集团有限公司 | 目标识别方法、电子设备、计算机可读存储介质 |
CN114742749B (zh) * | 2022-02-27 | 2023-04-18 | 扬州盛强薄膜材料有限公司 | 基于图像处理的pvc薄膜质量检测方法 |
CN115880318B (zh) * | 2023-02-08 | 2023-05-09 | 合肥中科类脑智能技术有限公司 | 激光测距方法、介质、设备及装置 |
CN116310448B (zh) * | 2023-05-24 | 2023-08-04 | 山东曙岳车辆有限公司 | 基于计算机视觉的集装箱拼装匹配性检测方法 |
CN116600210B (zh) * | 2023-07-18 | 2023-10-10 | 长春工业大学 | 基于机器人视觉的图像采集优化系统 |
CN117934350A (zh) * | 2024-01-22 | 2024-04-26 | 北京富邦智达自动化科技有限公司 | 一种用于化工厂智能巡检机器人的图像处理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509296A (zh) * | 2011-11-10 | 2012-06-20 | 西安电子科技大学 | 基于最大相似性区域合并的胃部ct图像交互式分割方法 |
US20130216118A1 (en) * | 2010-11-05 | 2013-08-22 | Peter Keith Rogan | Centromere Detector and Method for Determining Radiation Exposure From Chromosome Abnormalities |
CN103426156A (zh) * | 2012-05-15 | 2013-12-04 | 中国科学院声学研究所 | 一种基于svm分类器的sas图像分割方法及系统 |
US20140294318A1 (en) * | 2013-03-29 | 2014-10-02 | Fujitsu Limited | Gray image processing method and apparatus |
CN107945200A (zh) * | 2017-12-14 | 2018-04-20 | 中南大学 | 图像二值化分割方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157323B (zh) * | 2016-08-30 | 2019-03-26 | 西安工程大学 | 一种动态分块阈值和块搜索结合的绝缘子分割提取方法 |
CN109559318B (zh) * | 2018-10-12 | 2023-08-29 | 昆山博泽智能科技有限公司 | 基于积分算法的局部自适应图像阈值处理方法 |
CN109816681A (zh) * | 2019-01-10 | 2019-05-28 | 中国药科大学 | 基于自适应局部阈值二值化的水体微生物图像分割方法 |
CN111223115B (zh) * | 2020-04-22 | 2020-07-14 | 杭州涂鸦信息技术有限公司 | 一种图像分割方法、装置、设备及介质 |
-
2020
- 2020-04-22 CN CN202010321730.7A patent/CN111223115B/zh active Active
- 2020-12-30 US US17/913,560 patent/US20230377158A1/en active Pending
- 2020-12-30 WO PCT/CN2020/141617 patent/WO2021212913A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130216118A1 (en) * | 2010-11-05 | 2013-08-22 | Peter Keith Rogan | Centromere Detector and Method for Determining Radiation Exposure From Chromosome Abnormalities |
CN102509296A (zh) * | 2011-11-10 | 2012-06-20 | 西安电子科技大学 | 基于最大相似性区域合并的胃部ct图像交互式分割方法 |
CN103426156A (zh) * | 2012-05-15 | 2013-12-04 | 中国科学院声学研究所 | 一种基于svm分类器的sas图像分割方法及系统 |
US20140294318A1 (en) * | 2013-03-29 | 2014-10-02 | Fujitsu Limited | Gray image processing method and apparatus |
CN107945200A (zh) * | 2017-12-14 | 2018-04-20 | 中南大学 | 图像二值化分割方法 |
Non-Patent Citations (3)
Title |
---|
吴文艺等: "采用二次灰度直方图的砂轮磨粒图像阈值分割", 《华侨大学学报(自然科学版)》 * |
易三莉等: "基于信息熵的OTSU二次分割算法", 《昆明理工大学学报(自然科学版)》 * |
杨漫: "基于顶帽_底帽变换和二次图像分割的目标提取", 《电子设计工程》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021212913A1 (zh) * | 2020-04-22 | 2021-10-28 | 杭州涂鸦信息技术有限公司 | 一种图像分割方法、装置、设备及介质 |
CN111767920A (zh) * | 2020-06-30 | 2020-10-13 | 北京百度网讯科技有限公司 | 感兴趣区域的提取方法、装置、电子设备及存储介质 |
CN111767920B (zh) * | 2020-06-30 | 2023-07-28 | 北京百度网讯科技有限公司 | 感兴趣区域的提取方法、装置、电子设备及存储介质 |
CN112365450A (zh) * | 2020-10-23 | 2021-02-12 | 安徽启新明智科技有限公司 | 基于图像识别的物品分类计数的方法、装置和存储介质 |
CN114972367A (zh) * | 2021-02-25 | 2022-08-30 | 上海复旦微电子集团股份有限公司 | 分割图像的方法、装置、设备和计算机可读存储介质 |
CN114972367B (zh) * | 2021-02-25 | 2024-06-07 | 上海复旦微电子集团股份有限公司 | 分割图像的方法、装置、设备和计算机可读存储介质 |
CN113503970A (zh) * | 2021-07-08 | 2021-10-15 | 江苏高速公路信息工程有限公司 | 一种火灾监控方法和监控系统 |
CN113629574A (zh) * | 2021-08-18 | 2021-11-09 | 国网湖北省电力有限公司襄阳供电公司 | 基于视频监测技术的强风沙地区输电导线舞动预警系统 |
CN117689673A (zh) * | 2024-02-04 | 2024-03-12 | 湘潭大学 | 基于分水岭的wc颗粒电镜图像分割及粒度分布计算方法 |
CN117689673B (zh) * | 2024-02-04 | 2024-04-23 | 湘潭大学 | 基于分水岭的wc颗粒电镜图像分割及粒度分布计算方法 |
Also Published As
Publication number | Publication date |
---|---|
US20230377158A1 (en) | 2023-11-23 |
CN111223115B (zh) | 2020-07-14 |
WO2021212913A1 (zh) | 2021-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111223115B (zh) | 一种图像分割方法、装置、设备及介质 | |
Lalimi et al. | A vehicle license plate detection method using region and edge based methods | |
CN115272346A (zh) | 一种基于边缘检测的pcb板生产过程在线检测方法 | |
CN116597392B (zh) | 基于机器视觉的液压油杂质识别方法 | |
CN109993161B (zh) | 一种文本图像旋转矫正方法及系统 | |
EP2545499A2 (en) | Text enhancement of a textual image undergoing optical character recognition | |
Kaur et al. | A review on various methods of image thresholding | |
CN111369570B (zh) | 一种视频图像的多目标检测跟踪方法 | |
CN112528868B (zh) | 一种基于改进Canny边缘检测算法的违章压线判别方法 | |
CN110688871A (zh) | 一种基于条码识别的边缘检测方法 | |
CN115797300A (zh) | 一种基于自适应梯度阈值canny算子的边缘检测方法及其装置 | |
CN113296095A (zh) | 一种用于脉冲探地雷达的目标双曲线边缘提取方法 | |
CN115908415A (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
CN114638818B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110751156A (zh) | 用于表格线大块干扰去除方法、系统、设备及介质 | |
CN113538498B (zh) | 一种基于局部二值化的印章图像分割方法、电子设备和可读存储介质 | |
CN110826360A (zh) | Ocr图像预处理与文字识别 | |
CN114550173A (zh) | 图像预处理方法、装置、电子设备以及可读存储介质 | |
CN116739943A (zh) | 图像平滑处理方法及目标轮廓提取方法 | |
CN110796076A (zh) | 一种高光谱图像河流检测方法 | |
CN114596210A (zh) | 噪声估计方法、装置、终端设备及计算机可读存储介质 | |
CN108961290B (zh) | 一种基于Otsu的Ratio算子自适应图像边缘检测方法 | |
CN111476800A (zh) | 一种基于形态学操作的文字区域检测方法及装置 | |
CN112102350A (zh) | 一种基于Otsu和Tsallis熵的二次图像分割方法 | |
CN108960222B (zh) | 图像二值化方法、装置、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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200602 Assignee: Guangdong Graffiti Intelligent Information Technology Co.,Ltd. Assignor: HANGZHOU TUYA INFORMATION TECHNOLOGY Co.,Ltd. Contract record no.: X2022330000777 Denomination of invention: An image segmentation method, device, equipment and medium Granted publication date: 20200714 License type: Common License Record date: 20221214 |
|
EE01 | Entry into force of recordation of patent licensing contract |