CN111311610A - 图像分割的方法及终端设备 - Google Patents
图像分割的方法及终端设备 Download PDFInfo
- Publication number
- CN111311610A CN111311610A CN202010093512.2A CN202010093512A CN111311610A CN 111311610 A CN111311610 A CN 111311610A CN 202010093512 A CN202010093512 A CN 202010093512A CN 111311610 A CN111311610 A CN 111311610A
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- gray value
- target area
- probability
- 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 50
- 238000003709 image segmentation Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 86
- 238000001914 filtration Methods 0.000 claims abstract description 36
- 230000002146 bilateral effect Effects 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 230000005764 inhibitory process Effects 0.000 claims abstract description 3
- 238000004590 computer program Methods 0.000 claims description 21
- 230000001629 suppression Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 7
- 238000005286 illumination Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G06T7/136—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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于图像处理技术领域，提供了一种图像分割的方法及终端设备，该方法包括：对待分割图像的光线进行高频增强处理获得第一图像；对第一图像进行双边滤波处理获得第二图像；对第二图像的每个像素点进行梯度计算并应用非极大值抑制获得第三图像；根据第三图像的灰度值计算第三图像的目标区域和背景区域的灰度值阈值；根据灰度值阈值分割第三图像。本方法在进行图像高频增强处理以及进行双边滤波处理后，获得了更加清晰的图像，解决了光照弱对分割效果的影响，之后自动选择合适的灰度值阈值，进而识别出目标区域，从而有效降低了噪声的干扰，快速分割出了图像的目标区域，且不存在边缘断裂现象。
Description
技术领域
本发明属于图像处理技术领域，尤其涉及一种图像分割的方法及终端设备。
背景技术
通常在图像识别之前，需要对其进行分割，然后针对分割后的图像依次进行识别等处理。对图像进行分割的关键是识别图像边缘，由于图像边缘决定了图像的轮廓，因此成为背景区域和目标区域分割的关键部分，故图像边缘检测技术也就成为了研究的重点。目前，经典的边缘检测算子以微分算子最为流行例如微分算子包括Soble算子、Laplace算子以及Canny算子等，但是每一种微分算子都有其适用的范围，并且在处理过程中存在局限性。其中，Canny算子是目前比较成熟的算法，但是在图像处理过程中受到光照因素影响较大，导致无法精确识别图像边缘，从而影响图像分割效果。
发明内容
有鉴于此，本发明实施例提供了一种图像分割的方法及终端设备，以解决现有技术中无法精确识别图像边缘，导致影响图像分割效果的问题。
本发明实施例的第一方面提供了一种图像分割的方法，包括：
获取待分割图像，对所述待分割图像的光线进行高频增强处理，获得第一图像；
对所述第一图像进行双边滤波处理滤除所述第一图像中的高斯白噪声，获得第二图像；
对所述第二图像的每个像素点进行梯度计算并应用非极大值抑制，获得第三图像；
根据所述第三图像的灰度值，计算所述第三图像的目标区域和背景区域的灰度值阈值；
根据确定的所述灰度值阈值分割所述第三图像，获得所述第三图像的目标区域。
在一实施例中，所述对所述待分割图像的光线进行高频增强处理，获得第一图像，包括：
对所述待分割图像进行低通滤波处理，获得滤波后的图像；
对所述滤波后的图像和所述待分割图像的所有对应像素进行相减，得到高频增强图像；
对所述高频增强图像的所有像素取对数，得到所述第一图像。
在一实施例中，所述对所述第一图像进行双边滤波处理滤除所述第一图像中的高斯白噪声，获得第二图像，包括：
对所述第一图像进行灰度值处理，获得灰度值处理后的图像；
对所述灰度值处理后的图像进行双边滤波处理滤除高斯白噪声，获得第二图像。
在一实施例中，所述对所述第一图像进行灰度值处理，获得灰度值处理后的图像，包括：
根据g(x,y)＝f(x,y)+n(x,y)获得灰度值处理后的图像；
其中，g(x,y)表示灰度值处理后的图像，f(x,y)表示所述第一图像，n(x,y)表示为服从均值为0的高斯白噪声图像，(x,y)表示图像的二维像素点。
在一实施例中，所述根据所述第三图像的灰度值，计算所述第三图像的目标区域和背景区域的灰度值阈值，包括：
根据所述第三图像的灰度值，确定灰度等级i的概率，其中，i＝0,1,2…,L-1，L为所述第三图像中最大灰度等级；
根据所述灰度等级i的概率，分别计算所述第三图像中像素点在背景区域和目标区域出现的概率；
根据像素点在所述第三图像中背景区域和目标区域出现的概率，分别计算所述背景区域和所述目标区域的平均灰度值；
根据所述背景区域和所述目标区域的平均灰度值以及所述灰度等级i的概率，确定所述第三图像的目标区域和背景区域的灰度值阈值。
在一实施例中，所述根据所述背景区域和所述目标区域的平均灰度值以及所述灰度等级i的概率，确定所述第三图像的目标区域和背景区域的灰度值阈值，包括：
根据所述背景区域和所述目标区域的平均灰度值以及所述灰度等级i的概率，计算所述第三图像的平均灰度值；
根据所述背景区域和所述目标区域的平均灰度值以及所述第三图像的平均灰度值，确定所述第三图像的目标区域和背景区域的灰度值阈值。
在一实施例中，所述根据所述灰度等级i的概率，分别计算所述第三图像中像素点在背景区域和目标区域出现的概率，包括：
根据
计算所述第三图像中像素点在背景区域出现的概率；
其中，ω0表示所述第三图像中像素点在背景区域出现的概率，P(i)表示图像灰度等级i出现的概率，t表示灰度值，并以t为灰度值分割点，fi表示灰度等级为i的所有像素的个数，M*N为所述第三图像的像素；
根据
计算所述第三图像中像素点在目标区域出现的概率；
其中，ω1表示所述第三图像中像素点在目标区域出现的概率，L表示图像的灰度最大等级。
本发明实施例的第二方面提供了一种图像分割的装置，包括：
增强处理模块，用于获取待分割图像，对所述待分割图像的光线进行高频增强处理，获得第一图像；
滤波模块，用于对所述第一图像进行双边滤波处理滤除所述第一图像中的高斯白噪声，获得第二图像；
图像梯度处理模块，用于对所述第二图像的每个像素点进行梯度计算并应用非极大值抑制，获得第三图像；
阈值计算模块，用于根据所述第三图像的灰度值，计算所述第三图像的目标区域和背景区域的灰度值阈值；
分割模块，用于根据确定的所述灰度值阈值分割所述第三图像，获得所述第三图像的目标区域。
本发明实施例的第三方面提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中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任一实施例所述的图像分割的方法所述的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一实施例所述的图像分割的方法所述的步骤。
本发明实施例与现有技术相比存在的有益效果是：通过获取待分割图像，对所述待分割图像的光线进行高频增强处理，获得第一图像；对所述第一图像进行双边滤波处理滤除所述第一图像中的高斯白噪声，获得第二图像；对所述第二图像的每个像素点进行梯度计算并应用非极大值抑制，获得第三图像；根据所述第三图像的灰度值，计算所述第三图像的目标区域和背景区域的灰度值阈值；根据确定的所述灰度值阈值分割所述第三图像，获得所述第三图像的目标区域。本方法在进行图像高频增强处理以及进行双边滤波处理后，获得了更加清晰的图像，解决了光照弱对分割效果的影响，之后自动选择合适的灰度值阈值，进而准确识别出目标区域，从而有效降低了噪声的干扰，快速准确分割出了图像的目标区域，且不存在边缘断裂现象。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的图像分割的方法实现流程示意图；
图2是本发明实施例提供的获得第一图像的实现流程示意图；
图3是本发明实施例提供的计算灰度值阈值的方法示意图；
图4是本发明实施例提供的图像分割的装置的示例图；
图5是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1为本发明实施例提供的图像分割的方法的实现流程示意图，详述如下。
步骤101，获取待分割图像，对所述待分割图像的光线进行高频增强处理，获得第一图像。
图像分割成功的关键在于是否可以最大限度的识别出图像边缘，因为图像边缘是区分背景区域和目标区域的临界部分，带有更多的图像信息，带有图像最本质的特征，是图像分割和识别过程中十分重要的环节，直接决定着图像识别效果的好坏。由于图片在拍摄过程中受外部光照条件以及设备自身性能的影响，导致出现双边缘现象，此时，需要对图像进行图像增强。
可选的，如图2所示，本步骤对所述待分割图像的光线进行高频增强处理，获得第一图像，可以包括以下步骤。
步骤201，对所述待分割图像进行低通滤波处理，获得滤波后的图像。
可选的，物体对红色、绿色、蓝色三种颜色光线的反射能力决定了最终呈现出的色彩，所以对于任何一幅给定的图像S(x,y)，我们都可以依据此原理分解为两幅不同的图像，记为入射光分量R(x,y)和反射光分量L(x,y)，即：
S(x,y)＝R(x,y)·L(x,y)； (1)
可选的，将自然光线分解为两部分，即入射光分量和反射光分量，即：
S'(x,y)＝R(x,y)+L(x,y)； (2)
为了方便后期计算，将公式(2)取对数后表示为：
S'(x,y)＝log[R(x,y)]+log[L(x,y)]； (3)
然后对待分割图像进行低通滤波处理，消除图像中带有的噪声，此处使用高斯模板进行卷积，即：
D(x,y)＝S'(x,y)·F(x,y)； (4)
其中D(x,y)为滤波后的图像，F(x,y)为高斯滤波函数。
步骤202，对所述滤波后的图像和所述待分割图像的所有对应像素进行相减，得到高频增强图像。
可选的，根据G(x,y)＝S'(x,y)-log[D(x,y)]得到高频增强图像。
步骤203，对所述高频增强图像的所有像素取对数，得到所述第一图像。
可选的，还可以对所述高频增强图像的所有像素取对数之后，再增强对比度，从而得到第一图像，这样第一图像中的光线增强较大，为后续图像分割提供高质量的基础图像。
步骤102，对所述第一图像进行双边滤波处理滤除所述第一图像中的高斯白噪声，获得第二图像。
可选的，对图像分割时常用的算子包括Sobel算子，Canny算子，Laplacian算子，每种算子适用的场景都不相同，其中以Canny算子的处理精度最高。然而，Canny算子选用高斯滤波器虽然处理速度快，但高斯滤波器虽然对高斯白噪声处理是最明显的，而噪声分为低频信号和高频信号，边缘信号属于高频信号，既然高斯滤波器不加区分的对所有的高频信息进行了处理，必然导致部分边缘信息丢失。因此针对现有技术中采用高斯滤波器进行滤波的弊端，本申请采用下述方式进行滤波。
可选的，本步骤可以包括：对所述第一图像进行灰度值处理，获得灰度值处理后的图像；对所述灰度值处理后的图像进行双边滤波处理滤除高斯白噪声，获得第二图像。
可选的，首先从空间距离和像素值的关系上对第一图像进行灰度值处理，根据g(x,y)＝f(x,y)+n(x,y)获得灰度值处理后的图像；其中，g(x,y)表示灰度值处理后的图像，即噪声图像；f(x,y)表示所述第一图像，即无噪声图像；n(x,y)表示为服从均值为0的高斯白噪声图像，(x,y)表示图像的二维像素点。
为了滤除噪声污染图像中的高斯白噪声，重建无噪声图像，根据
对含噪声图像作加权处理，获得第二图像；其中，
表示加权处理后的图像，s(m,n)表示灰度值处理后的图像的中心点(x,y)的(2N+1)·(2N+1)大小的邻域，ω(x,y)表示加权系数。新像素值等于s(m,n)邻域内每个像素点的加权和，加权系数可以表示为：ω(x,y)＝ωs(x,y)ωr(x,y)，其中，
步骤103，对所述第二图像的每个像素点进行梯度计算并应用非极大值抑制，获得第三图像。
第二图像中的边缘可以指向各个方向，因此可以检测第二图像中的水平、垂直和对角边缘。边缘检测的算子返回水平Gx和垂直Gy方向的一阶导数值，由此便可以确定像素点的梯度和方向。
图像梯度幅值矩阵中的元素值越大，说明图像中该像素点的梯度值越大，但这不能说明该像素点就是边缘，因为这仅仅是属于图像增强的过程。在改进的Canny算法中，非极大值抑制是进行边缘检测的重要步骤，通俗意义上是指寻找像素点局部最大值，将非极大值点所对应的灰度值置为0，这样可以剔除掉一大部分非边缘的点。
步骤104，根据所述第三图像的灰度值，计算所述第三图像的目标区域和背景区域的灰度值阈值。
可选的，原Canny算法中边缘阈值参数的选取需要人为设定，既浪费时间，缺乏实时性，又不能很精确找到合适的阈值参数，因此适应性差，容易造成漏检或者出现伪边缘的现象，尤其在光照分布不均匀时，处理过程中会出现双边缘现象，更加不利于后期的分析处理。我们可以采用阈值自动选取的方法确定阈值。
可选的，如图3所示，本步骤可以包括以下步骤。
步骤301，根据所述第三图像的灰度值，确定灰度等级i的概率，其中，i＝0,1,2…,L-1，L为所述第三图像中最大灰度等级。
可选的，假设f(x,y)为第三图像IM*N于(x,y)处的灰度等级，灰度等级为L，则f(x,y)∈[0,L-1]，则灰度等级i的概率为：
步骤302，根据所述灰度等级i的概率，分别计算所述第三图像中像素点在背景区域和目标区域出现的概率。
可选的，假设灰度值以t为灰度值分割点，将第三图像中的像素值划分为背景区域C0和目标区域C1两部分，则第三图像中像素点在背景区域出现的概率可以根据
计算；其中，ω0表示所述第三图像中像素点在背景区域出现的概率，P(i)表示图像灰度等级i出现的概率，t表示灰度值，并以t为灰度值分割点，fi表示灰度等级为i的所有像素的个数，M*N为所述第三图像的像素；
根据
计算所述第三图像中像素点在目标区域出现的概率；
其中，ω1表示所述第三图像中像素点在目标区域出现的概率，L表示图像的灰度最大等级。
步骤303，根据像素点在所述第三图像中背景区域和目标区域出现的概率，分别计算所述背景区域和所述目标区域的平均灰度值。
可选的，ω0+ω1＝1，因此背景区域C0和目标区域C1两部分的平均灰度值可以为：
根据
计算所述背景区域的平均灰度值，其中，μ0(t)表示背景区域的平均灰度值；
根据
计算所述目标区域的平均灰度值，其中，μ1(t)表示背景区域的平均灰度值。
步骤304，根据所述背景区域和所述目标区域的平均灰度值以及所述灰度等级i的概率，确定所述第三图像的目标区域和背景区域的灰度值阈值。
可选的，步骤304可以包括：根据所述背景区域和所述目标区域的平均灰度值以及所述灰度等级i的概率，计算所述第三图像的平均灰度值；可选的，根据
计算所述第三图像的平均灰度值，其中，μ表示第三图像的平均灰度值。
根据所述背景区域和所述目标区域的平均灰度值以及所述第三图像的平均灰度值，确定所述第三图像的目标区域和背景区域的灰度值阈值。
可选的，背景区域和目标区域的类间方差可以表示为：
δ2(t)＝μ0(μ-μ0)2+μ1(μ-μ1)2。
可选的，背景区域和目标区域的类间方差越大，说明构成第三图像的两部分的差别越大，当部分目标错分为背景或部分背景错分为目标时都会导致两部分的差别变小，因此，使用类间方差最大的分割意味着错分概率最小，从而可以根据计算的类间方差中确定最大的类间方差，并将最大类间方差作为所述第三图像的目标区域和背景区域的灰度值阈值。
步骤105，根据确定的所述灰度值阈值分割所述第三图像，获得所述第三图像的目标区域。
上述图像分割的方法，通过获取待分割图像，对所述待分割图像的光线进行高频增强处理，获得第一图像；对所述第一图像进行双边滤波处理滤除所述第一图像中的高斯白噪声，获得第二图像；对所述第二图像的每个像素点进行梯度计算并应用非极大值抑制，获得第三图像；根据所述第三图像的灰度值，计算所述第三图像的目标区域和背景区域的灰度值阈值；根据确定的所述灰度值阈值分割所述第三图像，获得所述第三图像的目标区域。本方法在进行图像高频增强处理以及进行双边滤波处理后，获得了更加清晰的图像，解决了光照弱对分割效果的影响，之后自动选择合适的灰度值阈值，进而识别出目标区域，从而有效降低了噪声的干扰，快速分割出了图像的目标区域，且不存在边缘断裂现象。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的图像分割的方法，图4示出了本发明实施例提供的图像分割的装置的示例图。如图4所示，该装置可以包括：增强处理模块401、滤波模块402、图像梯度处理模块403、阈值计算模块404和分割模块405。
增强处理模块401，用于获取待分割图像，对所述待分割图像的光线进行高频增强处理，获得第一图像；
滤波模块402，用于对所述第一图像进行双边滤波处理滤除所述第一图像中的高斯白噪声，获得第二图像；
图像梯度处理模块403，用于对所述第二图像的每个像素点进行梯度计算并应用非极大值抑制，获得第三图像；
阈值计算模块404，用于根据所述第三图像的灰度值，计算所述第三图像的目标区域和背景区域的灰度值阈值；
分割模块405，用于根据确定的所述灰度值阈值分割所述第三图像，获得所述第三图像的目标区域。
可选的，所述增强处理模块401对所述待分割图像的光线进行高频增强处理，获得第一图像时，可以用于：
对所述待分割图像进行低通滤波处理，获得滤波后的图像；
对所述滤波后的图像和所述待分割图像的所有对应像素进行相减，得到高频增强图像；
对所述高频增强图像的所有像素取对数，得到所述第一图像。
可选的，所述滤波模块402对所述第一图像进行双边滤波处理滤除所述第一图像中的高斯白噪声，获得第二图像时，可以用于：
对所述第一图像进行灰度值处理，获得灰度值处理后的图像；
对所述灰度值处理后的图像进行双边滤波处理滤除高斯白噪声，获得第二图像。
可选的，所述滤波模块402对所述第一图像进行灰度值处理，获得灰度值处理后的图像时，可以用于：
根据g(x,y)＝f(x,y)+n(x,y)获得灰度值处理后的图像；
其中，g(x,y)表示灰度值处理后的图像，f(x,y)表示所述第一图像，n(x,y)表示为服从均值为0的高斯白噪声图像，(x,y)表示图像的二维像素点。
可选的，所述阈值计算模块404根据所述第三图像的灰度值，计算所述第三图像的目标区域和背景区域的灰度值阈值时，可以用于：
根据所述第三图像的灰度值，确定灰度等级i的概率；
根据所述灰度等级i的概率，分别计算所述第三图像中像素点在背景区域和目标区域出现的概率；
根据像素点在所述第三图像中背景区域和目标区域出现的概率，分别计算所述背景区域和所述目标区域的平均灰度值；
根据所述背景区域和所述目标区域的平均灰度值以及所述灰度等级i的概率，确定所述第三图像的目标区域和背景区域的灰度值阈值。
可选的，所述阈值计算模块404根据所述背景区域和所述目标区域的平均灰度值以及所述灰度等级i的概率，确定所述第三图像的目标区域和背景区域的灰度值阈值时，可以用于：
根据所述背景区域和所述目标区域的平均灰度值以及所述灰度等级i的概率，计算所述第三图像的平均灰度值；
根据所述背景区域和所述目标区域的平均灰度值以及所述第三图像的平均灰度值，确定所述第三图像的目标区域和背景区域的灰度值阈值。
可选的，所述阈值计算模块404根据所述灰度等级i的概率，分别计算所述第三图像中像素点在背景区域和目标区域出现的概率时，可以用于：
根据
计算所述第三图像中像素点在背景区域出现的概率；
其中，ω0表示所述第三图像中像素点在背景区域出现的概率，P(i)表示图像灰度等级i出现的概率，t表示灰度值，并以t为灰度值分割点，fi表示灰度等级为i的所有像素的个数，M*N为所述第三图像的像素；
根据
计算所述第三图像中像素点在目标区域出现的概率；
其中，ω1表示所述第三图像中像素点在目标区域出现的概率，L表示图像的灰度最大等级。
上述图像分割的装置，通过获取待分割图像，增强处理模块对所述待分割图像的光线进行高频增强处理，获得第一图像；滤波模块对所述第一图像进行双边滤波处理滤除所述第一图像中的高斯白噪声，获得第二图像；图像梯度处理模块对所述第二图像的每个像素点进行梯度计算并应用非极大值抑制，获得第三图像；根据所述第三图像的灰度值，阈值计算模块计算所述第三图像的目标区域和背景区域的灰度值阈值；分割模块根据确定的所述灰度值阈值分割所述第三图像，获得所述第三图像的目标区域。本装置在进行图像高频增强处理以及进行双边滤波处理后，获得了更加清晰的图像，解决了光照弱对分割效果的影响，之后自动选择合适的灰度值阈值，进而识别出目标区域，从而有效降低了噪声的干扰，快速分割出了图像的目标区域，且不存在边缘断裂现象。
图5是本发明一实施例提供的终端设备的示意图。如图5所示，该实施例的终端设备500包括：处理器501、存储器502以及存储在所述存储器502中并可在所述处理器501上运行的计算机程序503，例如图像分割的程序。所述处理器501执行所述计算机程序503时实现上述图像分割的方法实施例中的步骤，例如图1所示的步骤101至105，或者图2所示的步骤201至步骤203，或者图3所示的步骤301至步骤304，所述处理器501执行所述计算机程序503时实现上述各装置实施例中各模块的功能，例如图4所示模块401至405的功能。
示例性的，所述计算机程序503可以被分割成一个或多个程序模块，所述一个或者多个程序模块被存储在所述存储器502中，并由所述处理器501执行，以完成本发明。所述一个或多个程序模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序503在所述图像分割的装置或者终端设备500中的执行过程。例如，所述计算机程序503可以被分割成增强处理模块401、滤波模块402、图像梯度处理模块403、阈值计算模块404和分割模块405，各模块具体功能如图4所示，在此不再一一赘述。
所述终端设备500可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器501、存储器502。本领域技术人员可以理解，图5仅仅是终端设备500的示例，并不构成对终端设备500的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器501可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器502可以是所述终端设备500的内部存储单元，例如终端设备500的硬盘或内存。所述存储器502也可以是所述终端设备500的外部存储设备，例如所述终端设备500上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器502还可以既包括所述终端设备500的内部存储单元也包括外部存储设备。所述存储器502用于存储所述计算机程序以及所述终端设备500所需的其他程序和数据。所述存储器502还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像分割的方法，其特征在于，包括：
获取待分割图像，对所述待分割图像的光线进行高频增强处理，获得第一图像；
对所述第一图像进行双边滤波处理滤除所述第一图像中的高斯白噪声，获得第二图像；
对所述第二图像的每个像素点进行梯度计算并应用非极大值抑制，获得第三图像；
根据所述第三图像的灰度值，计算所述第三图像的目标区域和背景区域的灰度值阈值；
根据确定的所述灰度值阈值分割所述第三图像，获得所述第三图像的目标区域。
2.如权利要求1所述的图像分割的方法，其特征在于，所述对所述待分割图像的光线进行高频增强处理，获得第一图像，包括：
对所述待分割图像进行低通滤波处理，获得滤波后的图像；
对所述滤波后的图像和所述待分割图像的所有对应像素进行相减，得到高频增强图像；
对所述高频增强图像的所有像素取对数，得到所述第一图像。
3.如权利要求1所述的图像分割的方法，其特征在于，所述对所述第一图像进行双边滤波处理滤除所述第一图像中的高斯白噪声，获得第二图像，包括：
对所述第一图像进行灰度值处理，获得灰度值处理后的图像；
对所述灰度值处理后的图像进行双边滤波处理滤除高斯白噪声，获得第二图像。
4.如权利要求3所述的图像分割的方法，其特征在于，所述对所述第一图像进行灰度值处理，获得灰度值处理后的图像，包括：
根据g(x,y)＝f(x,y)+n(x,y)获得灰度值处理后的图像；
其中，g(x,y)表示灰度值处理后的图像，f(x,y)表示所述第一图像，n(x,y)表示为服从均值为0的高斯白噪声图像，(x,y)表示图像的二维像素点。
5.如权利要求1至4中任一项所述的图像分割的方法，其特征在于，所述根据所述第三图像的灰度值，计算所述第三图像的目标区域和背景区域的灰度值阈值，包括：
根据所述第三图像的灰度值，确定灰度等级i的概率，其中，i＝0,1,2…,L-1，L为所述第三图像中最大灰度等级；
根据所述灰度等级i的概率，分别计算所述第三图像中像素点在背景区域和目标区域出现的概率；
根据像素点在所述第三图像中背景区域和目标区域出现的概率，分别计算所述背景区域和所述目标区域的平均灰度值；
根据所述背景区域和所述目标区域的平均灰度值以及所述灰度等级i的概率，确定所述第三图像的目标区域和背景区域的灰度值阈值。
6.如权利要求5所述的图像分割的方法，其特征在于，所述根据所述背景区域和所述目标区域的平均灰度值以及所述灰度等级i的概率，确定所述第三图像的目标区域和背景区域的灰度值阈值，包括：
根据所述背景区域和所述目标区域的平均灰度值以及所述灰度等级i的概率，计算所述第三图像的平均灰度值；
根据所述背景区域和所述目标区域的平均灰度值以及所述第三图像的平均灰度值，确定所述第三图像的目标区域和背景区域的灰度值阈值。
7.如权利要求5所述的图像分割的方法，其特征在于，所述根据所述灰度等级i的概率，分别计算所述第三图像中像素点在背景区域和目标区域出现的概率，包括：
根据
计算所述第三图像中像素点在背景区域出现的概率；
其中，ω0表示所述第三图像中像素点在背景区域出现的概率，P(i)表示图像灰度等级i出现的概率，t表示灰度值，并以t为灰度值分割点，fi表示灰度等级为i的所有像素的个数，M*N为所述第三图像的像素；
根据
计算所述第三图像中像素点在目标区域出现的概率；
其中，ω1表示所述第三图像中像素点在目标区域出现的概率，L表示图像的灰度最大等级。
8.一种图像分割的装置，其特征在于，包括：
增强处理模块，用于获取待分割图像，对所述待分割图像的光线进行高频增强处理，获得第一图像；
滤波模块，用于对所述第一图像进行双边滤波处理滤除所述第一图像中的高斯白噪声，获得第二图像；
图像梯度处理模块，用于对所述第二图像的每个像素点进行梯度计算并应用非极大值抑制，获得第三图像；
阈值计算模块，用于根据所述第三图像的灰度值，计算所述第三图像的目标区域和背景区域的灰度值阈值；
分割模块，用于根据确定的所述灰度值阈值分割所述第三图像，获得所述第三图像的目标区域。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010093512.2A CN111311610A (zh) | 2020-02-14 | 2020-02-14 | 图像分割的方法及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010093512.2A CN111311610A (zh) | 2020-02-14 | 2020-02-14 | 图像分割的方法及终端设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111311610A true CN111311610A (zh) | 2020-06-19 |
Family
ID=71147113
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010093512.2A Pending CN111311610A (zh) | 2020-02-14 | 2020-02-14 | 图像分割的方法及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111311610A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114298985A (zh) * | 2021-12-16 | 2022-04-08 | 苏州凌云视界智能设备有限责任公司 | 缺陷检测方法、装置、设备及存储介质 |
| CN115235991A (zh) * | 2022-08-30 | 2022-10-25 | 华创威新材料(广东)有限公司 | 基于纤维套管的耐磨性智能检测方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170301081A1 (en) * | 2015-09-30 | 2017-10-19 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for determining a breast region in a medical image |
| CN107895376A (zh) * | 2017-12-11 | 2018-04-10 | 福州大学 | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 |
| CN110245600A (zh) * | 2019-06-11 | 2019-09-17 | 长安大学 | 自适应起始快速笔画宽度无人机道路检测方法 |
-
2020
- 2020-02-14 CN CN202010093512.2A patent/CN111311610A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170301081A1 (en) * | 2015-09-30 | 2017-10-19 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for determining a breast region in a medical image |
| CN107895376A (zh) * | 2017-12-11 | 2018-04-10 | 福州大学 | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 |
| CN110245600A (zh) * | 2019-06-11 | 2019-09-17 | 长安大学 | 自适应起始快速笔画宽度无人机道路检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张彬 等: "《图像复原优化算法》", 31 August 2019, 国防工业出版社 * |
| 王星: "基于视觉的煤矿井下带式输送机异常状态监测方法研究", 《中国优秀博硕士学位论文全文数据库（硕士）工程科技I辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114298985A (zh) * | 2021-12-16 | 2022-04-08 | 苏州凌云视界智能设备有限责任公司 | 缺陷检测方法、装置、设备及存储介质 |
| CN114298985B (zh) * | 2021-12-16 | 2023-12-22 | 苏州凌云光工业智能技术有限公司 | 缺陷检测方法、装置、设备及存储介质 |
| CN115235991A (zh) * | 2022-08-30 | 2022-10-25 | 华创威新材料(广东)有限公司 | 基于纤维套管的耐磨性智能检测方法及装置 |
| CN115235991B (zh) * | 2022-08-30 | 2023-03-07 | 华创威新材料(广东)有限公司 | 基于纤维套管的耐磨性智能检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107358586B (zh) | 一种图像增强方法、装置及设备 | |
| CN111080661B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
| Zhou et al. | Retinex-based laplacian pyramid method for image defogging | |
| CN110706174B (zh) | 一种图像增强方法、终端设备及存储介质 | |
| CN110766679A (zh) | 镜头脏污检测方法、装置及终端设备 | |
| CN110675334A (zh) | 一种图像增强方法及装置 | |
| WO2014070273A1 (en) | Recursive conditional means image denoising | |
| CN111079764A (zh) | 一种基于深度学习的低照度车牌图像识别方法及装置 | |
| CN110969046B (zh) | 人脸识别方法、设备及计算机可读存储介质 | |
| CN112508816B (zh) | 一种红外图像锐化方法、锐化处理系统及终端设备 | |
| CN111882565B (zh) | 一种图像二值化方法、装置、设备及存储介质 | |
| Kumari et al. | Fast and efficient visibility restoration technique for single image dehazing and defogging | |
| CN111311610A (zh) | 图像分割的方法及终端设备 | |
| CN109712134B (zh) | 虹膜图像质量评价方法、装置及电子设备 | |
| CN114943649A (zh) | 图像去模糊方法、装置及计算机可读存储介质 | |
| Pandey et al. | A fast and effective vision enhancement method for single foggy image | |
| CN111126248A (zh) | 一种遮挡下的车辆识别方法及装置 | |
| CN114140481A (zh) | 一种基于红外图像的边缘检测方法、装置 | |
| Yang et al. | Single image dehazing using elliptic curve scattering model | |
| CN110633705A (zh) | 一种低照度成像车牌识别方法及装置 | |
| CN111062984A (zh) | 视频图像区域面积的测量方法、装置、设备及存储介质 | |
| CN111754413A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN113239738B (zh) | 一种图像的模糊检测方法及模糊检测装置 | |
| CN115841632A (zh) | 输电线路提取方法、装置以及双目测距方法 | |
| CN114596210A (zh) | 噪声估计方法、装置、终端设备及计算机可读存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200619 |
|
| RJ01 | Rejection of invention patent application after publication |