CN111383293A - 一种图像要素矢量化的方法和装置 - Google Patents

一种图像要素矢量化的方法和装置 Download PDF

Info

Publication number
CN111383293A
CN111383293A CN202010120941.4A CN202010120941A CN111383293A CN 111383293 A CN111383293 A CN 111383293A CN 202010120941 A CN202010120941 A CN 202010120941A CN 111383293 A CN111383293 A CN 111383293A
Authority
CN
China
Prior art keywords
points
pixel points
probability
image
point
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
Application number
CN202010120941.4A
Other languages
English (en)
Inventor
杨恒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Three Hundred And Sixty Degree E Commerce Co ltd
Original Assignee
Beijing Jingdong Three Hundred And Sixty Degree E Commerce Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Three Hundred And Sixty Degree E Commerce Co ltd filed Critical Beijing Jingdong Three Hundred And Sixty Degree E Commerce Co ltd
Priority to CN202010120941.4A priority Critical patent/CN111383293A/zh
Publication of CN111383293A publication Critical patent/CN111383293A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00Image coding
    • G06T9/008Vector quantisation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/13Edge detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/194Segmentation; Edge detection involving foreground-background segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像要素矢量化的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:基于对目标图像要素的分析统计得到全部像素点对应的概率值,根据全部像素点对应的概率值确定目标图像要素对应的概率图;对概率图进行二值化处理,得到二值化图像;根据细化算法和概率图中指示的概率值对二值化图像中的像素点进行删除处理,确定目标像素点;将目标像素点进行稀疏连线,实现目标图像要素的矢量化。该实施方式降低了方法流程的复杂度、避免了像素点的选取出现遗漏或多余的情形,提升了图像要素矢量化结果的精确度。

Description

一种图像要素矢量化的方法和装置
技术领域
本发明涉及计算机技术领域,尤其涉及一种图像要素矢量化的方法和装置。
背景技术
高精度图像的制作生产过程中,图像要素的高精度矢量化处理是提高制图效率的重要环节,也是大规模生产的前提。图像要素的矢量化需要首先确定位置精度高的像素点,然后根据像素点对应的位置提取线型完成图像要素的矢量化。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
1.由于二值化阈值选取不恰当导致像素点的选取出现遗漏或多余,进而导致图像要素矢量化结果偏差较大;
2.传统方法直接对概率图进行处理,处理方法复杂,计算量大,且存在像素点多余的问题,导致图像要素矢量化结果偏差较大。
发明内容
有鉴于此,本发明实施例提供一种图像要素矢量化的方法和装置,能够降低方法流程的复杂度、避免像素点的选取出现遗漏或多余的情形,提升图像要素矢量化结果的精确度。
为实现上述目的,根据本发明实施例的第一方面,提供了一种图像要素矢量化的方法,包括:
基于对目标图像要素的分析统计得到全部像素点对应的概率值,根据全部像素点对应的概率值确定目标图像要素对应的概率图;
对概率图进行二值化处理,得到二值化图像;
根据细化算法和概率图中指示的概率值对二值化图像中的像素点进行删除处理,确定目标像素点;
将目标像素点进行稀疏连线,实现目标图像要素的矢量化。
进一步地,对概率图进行二值化处理,得到二值化图像的步骤包括:根据二值化阈值对概率图进行二值化处理,得到二值化图像。
进一步地,根据细化算法和概率图中指示的概率值对二值化图像中的像素点进行删除处理,确定目标像素点的步骤包括:
根据细化算法遍历二值化图像中的像素点,确定既是边界点、8simple点,又不是端点和孤立点的像素点为标记点,组成标记集合;
根据概率图指示的概率值确定标记集合中各标记点对应的概率值,确定概率值小于概率阈值的标记点为删除点;
对二值化图像中删除点对应的像素点进行删除处理,确定目标像素点。
进一步地,在根据概率图指示的概率值确定标记集合中各标记点对应的概率值,确定概率值小于概率阈值的标记点为删除点的步骤之前,图像要素矢量化的方法还包括:确定标记集合不是空集。
进一步地,在标记集合是空集的情况下,确定二值化图像中的像素点为目标像素点。
进一步地,在对二值化图像中删除点对应的像素点进行删除处理,确定目标像素点的步骤之前,图像要素矢量化的方法还包括:确定删除点对应位置的八邻域内不存在既是边界点、8simple点,又不是端点和孤立点的像素点。
进一步地,若删除点对应位置的八邻域中存在既是边界点、8simple点,又不是端点和孤立点的像素点,图像要素矢量化的方法还包括:确定删除点对应位置的八邻域中既是边界点、8simple点,又不是端点和孤立点的像素点为标记点,置入标记集合中。
根据本发明实施例的第二方面,提供了一种图像要素矢量化的装置,包括:
概率图确定模块,用于基于对目标图像要素的分析统计得到全部像素点对应的概率值,根据全部像素点对应的概率值确定目标图像要素对应的概率图;
二值化处理模块,用于对概率图进行二值化处理,得到二值化图像;
目标像素点确定模块,用于根据细化算法和概率图中指示的概率值对二值化图像中的像素点进行删除处理,确定目标像素点;
矢量化模块,用于将目标像素点进行稀疏连线,实现图像要素的矢量化。
根据本发明实施例的第三方面,提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上述任一种图像要素矢量化的方法。
根据本发明实施例的第四方面,提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上述任一种图像要素矢量化的方法。
上述发明中的一个实施例具有如下优点或有益效果:因为采用基于对目标图像要素的分析统计得到全部像素点对应的概率值,根据全部像素点对应的概率值确定目标图像要素对应的概率图;对概率图进行二值化处理,得到二值化图像;根据细化算法和概率图中指示的概率值对二值化图像中的像素点进行删除处理,确定目标像素点;将目标像素点进行稀疏连线,实现目标图像要素的矢量化的技术手段,所以克服了现有技术中存在的方法流程复杂、计算量大、由于像素点的选取出现遗漏或多余等情形导致的图像要素矢量化结果偏差较大的技术问题,进而达到降低方法复杂度、避免像素点的选取出现遗漏或多余的情形,提升图像要素矢量化结果的精确度的技术效果。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明第一实施例提供的图像要素矢量化的方法的主要流程的示意图;
图2a是根据本发明第二实施例提供的图像要素矢量化的方法的主要流程的示意图;
图2b是图2a所述方法提供的图像要素的原始点云图;
图2c是图2a所述方法提供的图像要素的概率图;
图2d是图2a所述方法提供的图像要素的矢量化后得到的矢量线可视化图;
图3是根据本发明实施例提供的图像要素矢量化的装置的主要模块的示意图;
图4是本发明实施例可以应用于其中的示例性系统架构图;
图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明第一实施例提供的图像要素矢量化的方法的主要流程的示意图;如图1所示,本发明实施例提供的图像要素矢量化的方法主要包括:
步骤S101,基于对目标图像要素的分析统计得到全部像素点对应的概率值,根据全部像素点对应的概率值确定目标图像要素对应的概率图。
根据本发明实施例,上述分析统计包括边缘提取或语义分割等方法。具体地,根据本发明实施例的一具体实施方式,可通过边缘提取算法对图像要素进行自动化分析,确定目标图像要素对应的像素点的概率值(也称响应值),响应值越大表明该像素点对应位置是真实图像要素的概率越大,根据各像素点的概率值确定概率图,在边缘提取的过程中,若像素点构成的线条过宽,可将图像进行缩小后再进行相应的边缘提取操作,以获取地图要素中心线条的像素点对应的概率值。
语义分割则是通过计算机根据图像的语义来进行分割,其中语义指的是图像的内容,分割是指从像素的角度分割出图像中的不同对象(这里图像要素),对图像要素中的每个像素点进行标注,从而确定各个像素点对应的概率值。
步骤S102,对概率图进行二值化处理,得到二值化图像。
通过对概率图进行二值化处理,可以得到单像素宽的前景图像(即二值化图像),二值化处理是将背景像素点对应的值设置为0,将前景像素点对应的值设置为1。通过上述设置,使得目标像素点均处于前景区域内。
具体地,根据本发明实施例,上述对概率图进行二值化处理,得到二值化图像的步骤包括:根据二值化阈值对概率图进行二值化处理,得到二值化图像。
二值化阈值的设定对确定的二值化图像的影响较大,若二值化阈值设定的较严格(设定值较高),会导致二值化图像内的单像素点较少,存在像素点遗漏问题,影响最终真实图像要素的确定,导致图像要素矢量化结果的准确率较低;二值化阈值设定的较宽松(设定值较低),则会导致二值化图像内的单像素点较多,存在较多干扰像素点,导致后续根据该多个像素点进行稀疏连线,使得图像要素矢量化的准确率降低。而根据本发明实施例的一具体实施方式,可以通过设置较低的二值化阈值,避免像素点的遗漏问题。后续再通过结合概率图指示的各像素点的概率值取出多余像素点,解决干扰像素点的问题,从而提高图像要素矢量化的准确率。
步骤S103,根据细化算法和概率图中指示的概率值对二值化图像中的像素点进行删除处理,确定目标像素点。
上述设置通过细化算法和概率图中指示的概率值的结合对二值化图像中的像素点进行删除处理,不但简化了整个方法流程,降低了计算量(二值化阈值的合理确定需要较为繁琐的计算),解决干扰像素点的问题,从而提高图像要素矢量化的准确率。
具体地,根据本发明实施例,上述根据细化算法和概率图中指示的概率值对二值化图像中的像素点进行删除处理,确定目标像素点的步骤包括:
根据细化算法遍历二值化图像中的像素点,确定既是边界点、8simple点,又不是端点和孤立点的像素点为标记点,组成标记集合;
根据概率图指示的概率值确定标记集合中各标记点对应的概率值,确定概率值小于概率阈值的标记点为删除点;
对二值化图像中删除点对应的像素点进行删除处理,确定目标像素点。
具体地,根据本发明实施例,将二值化图像中的删除点进行删除处理的步骤,可以直接将删除点对应的像素点的值由1设定为0,即将原前景像素点设定为背景像素点,以完成删除点的删除处理。
其中,边界点:对于像素A而言,若像素点A的八邻域内与A直接相邻的像素点对应的值为0(即为背景像素点),则称A边界点,具体地,包括北部边界点、南部边界点、西部边界点和东部边界点。
孤立点:若像素点A的八邻域内的像素点对应的值全部为0,则称像素点A为孤立点。
端点:若像素点A的八邻域内的像素点对应的值中有且仅有一个像素点对应的值为1,其余像素点对应的值均为0,则称像素点A为端点。
8simple点:若把像素点A对应的值设置为0后,不会影响像素点A的八邻域内像素点的八连通性(八连通性:对于像素点A及其八邻域内像素点组成的集合而言,任意两个数值为1的像素点(即前景像素点)相邻,则称该两个像素点之间具备连通性;对于一个数值为1的像素点而言,将与其相邻的全部数值为1的像素点的值全部设置为0时,即使得该像素点与其他像素点之间不具备八连通性),则称像素点A为8simple点。
根据本发明实施例,在根据概率图指示的概率值确定标记集合中各标记点对应的概率值,确定概率值小于概率阈值的标记点为删除点的步骤之前,图像要素矢量化的方法还包括:确定标记集合不是空集。
只有标记集合不是空集的情况下,才需要进行进一步删除处理,确定需要进行删除的像素点。
进一步地,根据本发明实施例,在标记集合是空集的情况下,确定二值化图像中的像素点为目标像素点。
通过上述设置,若标记集合为空集,则表明上述二值化图像包括的像素点没有需要进行删除的点,因此,可以直接进行后续处理,完成图像要素的矢量化。
根据本发明实施例,在对二值化图像中删除点对应的像素点进行删除处理,确定目标像素点的步骤之前,图像要素矢量化的方法还包括:确定删除点对应位置的八邻域内不存在既是边界点、8simple点,又不是端点和孤立点的像素点。
进一步地,根据本发明实施例,若删除点对应位置的八邻域中存在既是边界点、8simple点,又不是端点和孤立点的像素点,图像要素矢量化的方法还包括:确定删除点对应位置的八邻域中既是边界点、8simple点,又不是端点和孤立点的像素点为标记点,置入标记集合中。
上述设置中通过对删除线的八邻域内的像素点进行标记确定,能够保证查找到全部需要删除的像素点,以提高图像要素矢量化结果的精确率。
步骤S104,将目标像素点进行稀疏连线,实现目标图像要素的矢量化。
通过对目标像素点进行稀疏连线得到位置精度较高的单像素点,进而实现位置精度更高的图像要素的矢量化。
根据本发明实施例的技术方案,因为采用基于对目标图像要素的分析统计得到全部像素点对应的概率值,根据全部像素点对应的概率值确定目标图像要素对应的概率图;对概率图进行二值化处理,得到二值化图像;根据细化算法和概率图中指示的概率值对二值化图像中的像素点进行删除处理,确定目标像素点;将目标像素点进行稀疏连线,实现目标图像要素的矢量化的技术手段,所以克服了现有技术中存在的方法流程复杂、计算量大、由于像素点的选取出现遗漏或多余等情形导致的图像要素矢量化结果偏差较大的技术问题,进而达到降低方法复杂度、避免像素点的选取出现遗漏或多余的情形,提升图像要素矢量化结果的精确度的技术效果。
图2a是根据本发明第二实施例提供的图像要素矢量化的方法的主要流程的示意图;如图2a所示,本发明实施例提供的图像要素矢量化的方法主要包括:
步骤S201,基于对目标图像要素的分析统计,确定目标图像要素对应的像素点的概率图。
根据本发明实施例,上述分析统计包括边缘提取或语义分割等方法。
根据本发明实施例,上述基于对目标图像要素的边缘提取,确定目标图像要素对应的像素点的概率图包括:基于对目标图像要素的边缘提取得到不同像素点对应的概率值,根据不同像素点对应的概率值确定目标图像要素对应的像素点的概率图。在边缘提取的过程中,若像素点构成的线条过宽,可将图像进行缩小后再进行相应的边缘提取操作,以获取地图要素中心线条的像素点对应的概率值。
具体地,可通过边缘提取算法对图像要素进行自动化分析,确定目标图像要素对应的像素点的概率值(也称响应值),响应值越大表明该像素点对应位置是真实图像要素的概率越大,根据各像素点的概率值确定概率图。
语义分割则是通过计算机根据图像的语义来进行分割,其中语义指的是图像的内容,分割是指从像素的角度分割出图像中的不同对象(这里图像要素),对图像要素中的每个像素点进行标注,从而确定各个像素点对应的概率值。
根据本发明实施例,上述基于对目标图像要素的边缘提取,确定目标图像要素对应的像素点的概率图包括:基于对目标图像要素的边缘提取得到不同像素点对应的概率值,根据不同像素点对应的概率值确定目标图像要素对应的像素点的概率图。
具体地,可通过边缘提取算法对图像要素进行自动化分析,确定目标图像要素对应的像素点的概率值(也称响应值),响应值越大表明该像素点对应位置是真实图像要素的概率越大,根据各像素点的概率值确定概率图。
根据本发明一实施例,上述图像要素可以为地图要素。通过对目标地图要素的原始点云图(如图2b所示)进行边缘提取,确定目标地图要素对应的像素点的概率图(如图2c所示),其中,各像素点对应的概率值未示出。
步骤S202,对概率图进行二值化处理,得到二值化图像。
通过对概率图进行二值化处理,可以得到单像素宽的前景图像(即二值化图像),二值化处理是将背景像素点对应的值设置为0,将前景像素点对应的值设置为1。通过上述设置,使得目标像素点均处于前景区域内。
具体地,根据本发明实施例,上述对概率图进行二值化处理,得到二值化图像的步骤包括:根据二值化阈值对概率图进行二值化处理,得到二值化图像。
二值化阈值的设定对确定的二值化图像的影响较大,若二值化阈值设定的较严格(设定值较高),会导致二值化图像内的单像素点较少,存在像素点遗漏问题,影响最终真实图像要素的确定,导致图像要素矢量化结果的准确率较低;二值化阈值设定的较宽松(设定值较低),则会导致二值化图像内的单像素点较多,存在较多干扰像素点,导致后续根据该多个像素点进行稀疏连线,使得图像要素矢量化的准确率降低。而根据本发明实施例的一具体实施方式,可以通过设置较低的二值化阈值,避免像素点的遗漏问题。后续再通过结合概率图指示的各像素点的概率值取出多余像素点,解决干扰像素点的问题,从而提高图像要素矢量化的准确率。
步骤S203,根据细化算法遍历二值化图像中的像素点,确定既是边界点、8simple点,又不是端点和孤立点的像素点为标记点,组成标记集合。
上述设置中通过细化算法确定标记点,然后通过后续处理从标记点中确定需要进行删除的像素点,以完成对多余像素点的剔除,获取目标像素点,进而提高图像要素矢量化的精确度。
其中,边界点:对于像素A而言,若像素点A的八邻域内与A直接相邻的像素点对应的值为0(即为背景像素点),则称A边界点,具体地,包括北部边界点、南部边界点、西部边界点和东部边界点。
孤立点:若像素点A的八邻域内的像素点对应的值全部为0,则称像素点A为孤立点。
端点:若像素点A的八邻域内的像素点对应的值中有且仅有一个像素点对应的值为1,其余像素点对应的值均为0,则称像素点A为端点。
8simple点:若把像素点A对应的值设置为0后,不会影响像素点A的八邻域内像素点的8连通性,则称像素点A为8simple点。
步骤S204,判断标记集合是否为空集。若是,即标记集合为空集,转到步骤S205;若否,即标记集合不是空集,执行步骤S206。
只有标记集合不是空集的情况下,才需要进行进一步删除处理,确定需要进行删除的像素点。若标记集合为空集,则表明二值化图像中的像素点不需要进行像素点剔除,可全部作为目标像素点。
步骤S205,确定二值化图像中的像素点为目标像素点。
步骤S206,根据概率图指示的概率值确定标记集合中各标记点对应的概率值,确定概率值小于概率阈值的标记点为删除点。
将细化算法处理得到的结果结合概率图指示额概率值进行删除点的确定,提高了图像要素矢量化的精确度。
步骤S207,判断删除点对应位置的八邻域内是否存在既是边界点、8simple点,又不是端点和孤立点的像素点。若是,即删除点对应位置的八邻域内存在既是边界点、8simple点,又不是端点和孤立点的像素点,转到步骤S208;若否,即删除点对应位置的八邻域内不存在既是边界点、8simple点,又不是端点和孤立点的像素点,执行步骤S209。
步骤S208,确定删除点对应位置的八邻域内既是边界点、8simple点,又不是端点和孤立点的像素点为标记点,置入标记集合中,执行步骤S206。
通过上述设置,利用循环处理确定全部删除点,以提高后续确定目标像素点和图像要素矢量化的精确度。
步骤S209,对二值化图像中删除点对应的像素点进行删除处理,确定目标像素点。
将上述方法中确定的删除点进行删除后,剩下的目标像素点即是单像素宽的概率值局部最高的像素点,后续通过对这些像素点进行稀疏连线,即可实现图像要素的矢量化。
步骤S210,将目标像素点进行稀疏连线,实现目标图像要素的矢量化。
具体地,图像要素矢量化后得到的矢量线可视化图如图2d所示。通过对目标像素点进行稀疏连线得到位置精度较高的单像素点,进而实现位置精度更高的图像要素的矢量化。
根据本发明实施例的技术方案,因为采用基于对目标图像要素的分析统计得到全部像素点对应的概率值,根据全部像素点对应的概率值确定目标图像要素对应的概率图;对概率图进行二值化处理,得到二值化图像;根据细化算法和概率图中指示的概率值对二值化图像中的像素点进行删除处理,确定目标像素点;将目标像素点进行稀疏连线,实现目标图像要素的矢量化的技术手段,所以克服了现有技术中存在的方法流程复杂、计算量大、由于像素点的选取出现遗漏或多余等情形导致的图像要素矢量化结果偏差较大的技术问题,进而达到降低方法复杂度、避免像素点的选取出现遗漏或多余的情形,提升图像要素矢量化结果的精确度的技术效果。
图3是根据本发明实施例提供的图像要素矢量化的装置的主要模块的示意图;如图3所示,本发明实施例提供的图像要素矢量化的装置300主要包括:
概率图确定模块301,用于基于对目标图像要素的分析统计得到全部像素点对应的概率值,根据全部像素点对应的概率值确定目标图像要素对应的概率图。
根据本发明实施例,上述分析统计包括边缘提取或语义分割等方法。具体地,根据本发明实施例的一具体实施方式,可通过边缘提取算法对图像要素进行自动化分析,确定目标图像要素对应的像素点的概率值(也称响应值),响应值越大表明该像素点对应位置是真实图像要素的概率越大,根据各像素点的概率值确定概率图,在边缘提取的过程中,若像素点构成的线条过宽,可将图像进行缩小后再进行相应的边缘提取操作,以获取地图要素中心线条的像素点对应的概率值。
语义分割则是通过计算机根据图像的语义来进行分割,其中语义指的是图像的内容,分割是指从像素的角度分割出图像中的不同对象(这里图像要素),对图像要素中的每个像素点进行标注,从而确定各个像素点对应的概率值。
二值化处理模块302,用于对概率图进行二值化处理,得到二值化图像。
通过对概率图进行二值化处理,可以得到单像素宽的前景图像(即二值化图像),二值化处理是将背景像素点对应的值设置为0,将前景像素点对应的值设置为1。通过上述设置,使得目标像素点均处于前景区域内。
具体地,根据本发明实施例,上述二值化处理模块302还用于:根据二值化阈值对概率图进行二值化处理,得到二值化图像。
二值化阈值的设定对确定的二值化图像的影响较大,若二值化阈值设定的较严格(设定值较高),会导致二值化图像内的单像素点较少,存在像素点遗漏问题,影响最终真实图像要素的确定,导致图像要素矢量化结果的准确率较低;二值化阈值设定的较宽松(设定值较低),则会导致二值化图像内的单像素点较多,存在较多干扰像素点,导致后续根据该多个像素点进行稀疏连线,使得图像要素矢量化的准确率降低。而根据本发明实施例的一具体实施方式,可以通过设置较低的二值化阈值,避免像素点的遗漏问题。后续再通过结合概率图指示的各像素点的概率值取出多余像素点,解决干扰像素点的问题,从而提高图像要素矢量化的准确率。
目标像素点确定模块303,用于根据细化算法和概率图中指示的概率值对二值化图像中的像素点进行删除处理,确定目标像素点。
通过上述设置通过细化算法和概率图中指示的概率值的结合对二值化图像中的像素点进行删除处理,不但简化了整个方法流程,降低了计算量(二值化阈值的合理确定需要较为繁琐的计算),解决干扰像素点的问题,从而提高图像要素矢量化的准确率。
具体地,根据本发明实施例,上述目标像素点确定模块303还用于:
根据细化算法遍历二值化图像中的像素点,确定既是边界点、8simple点,又不是端点和孤立点的像素点为标记点,组成标记集合;
根据概率图指示的概率值确定标记集合中各标记点对应的概率值,确定概率值小于概率阈值的标记点为删除点;
对二值化图像中删除点对应的像素点进行删除处理,确定目标像素点。
其中,边界点:对于像素A而言,若像素点A的八邻域内与A直接相邻的像素点对应的值为0(即为背景像素点),则称A边界点,具体地,包括北部边界点、南部边界点、西部边界点和东部边界点。
孤立点:若像素点A的八邻域内的像素点对应的值全部为0,则称像素点A为孤立点。
端点:若像素点A的八邻域内的像素点对应的值中有且仅有一个像素点对应的值为1,其余像素点对应的值均为0,则称像素点A为端点。
8simple点:若把像素点A对应的值设置为0后,不会影响像素点A的八邻域内像素点的8连通性,则称像素点A为8simple点。
根据本发明实施例,图像要素矢量化的装置300还包括标记集合确定模块,在根据概率图指示的概率值确定标记集合中各标记点对应的概率值,确定概率值小于概率阈值的标记点为删除点的步骤之前,标记集合确定模块用于确定标记集合不是空集。
只有标记集合不是空集的情况下,才需要进行进一步删除处理,确定需要进行删除的像素点。
进一步地,根据本发明实施例,在标记集合是空集的情况下,目标像素点确定模块303用于确定二值化图像中的像素点为目标像素点。
通过上述设置,若标记集合为空集,则表明上述二值化图像包括的像素点没有需要进行删除的点,因此,可以直接进行后续处理,完成图像要素的矢量化。
根据本发明实施例,上述图像要素矢量化的装置300还包括八邻域内像素点确定模块,在对二值化图像中删除点对应的像素点进行删除处理,确定目标像素点的步骤之前,八邻域内像素点确定模块用于确定删除点对应位置的八邻域内不存在既是边界点、8simple点,又不是端点和孤立点的像素点。
进一步地,根据本发明实施例,上述图像要素矢量化的装置300还包括八邻域内标记点确定模块,若删除点对应位置的八邻域中存在既是边界点、8simple点,又不是端点和孤立点的像素点,八邻域内标记点确定模块用于确定删除点对应位置的八邻域中既是边界点、8simple点,又不是端点和孤立点的像素点为标记点,置入标记集合中。
上述设置中通过对删除线的八邻域内的像素点进行标记确定,能够保证查找到全部需要删除的像素点,以提高图像要素矢量化结果的精确率。
矢量化模块304,用于将目标像素点进行稀疏连线,实现图像要素的矢量化。
通过对目标像素点进行稀疏连线得到位置精度较高的单像素点,进而实现位置精度更高的图像要素的矢量化。
根据本发明实施例的技术方案,因为采用基于对目标图像要素的分析统计得到全部像素点对应的概率值,根据全部像素点对应的概率值确定目标图像要素对应的概率图;对概率图进行二值化处理,得到二值化图像;根据细化算法和概率图中指示的概率值对二值化图像中的像素点进行删除处理,确定目标像素点;将目标像素点进行稀疏连线,实现目标图像要素的矢量化的技术手段,所以克服了现有技术中存在的方法流程复杂、计算量大、由于像素点的选取出现遗漏或多余等情形导致的图像要素矢量化结果偏差较大的技术问题,进而达到降低方法复杂度、避免像素点的选取出现遗漏或多余的情形,提升图像要素矢量化结果的精确度的技术效果。
图4示出了可以应用本发明实施例的图像要素矢量化的方法或图像要素矢量化的装置的示例性系统架构400。
如图4所示,系统架构400可以包括终端设备401、402、403,网络404和服务器405(此架构仅仅是示例,具体架构中包含的组件可以根据申请具体情况调整)。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405交互,以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器,例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的目标图像要素等数据进行分析等处理,并将处理结果(例如概率图、二值化图像、目标像素点--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的图像要素矢量化的方法一般由服务器405执行,相应地,图像要素矢量化的装置一般设置于服务器405中。
应该理解,图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图5,其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括概率图确定模块、二值化处理模块、目标像素点模块和矢量化模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,概率图确定模块还可以被描述为“用于基于对目标图像要素的分析统计得到全部像素点对应的概率值,根据全部像素点对应的概率值确定目标图像要素对应的概率图的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:基于对目标图像要素的分析统计得到全部像素点对应的概率值,根据全部像素点对应的概率值确定目标图像要素对应的概率图;对概率图进行二值化处理,得到二值化图像;根据细化算法和概率图中指示的概率值对二值化图像中的像素点进行删除处理,确定目标像素点;将目标像素点进行稀疏连线,实现目标图像要素的矢量化。
根据本发明实施例的技术方案,因为采用基于对目标图像要素的分析统计得到全部像素点对应的概率值,根据全部像素点对应的概率值确定目标图像要素对应的概率图;对概率图进行二值化处理,得到二值化图像;根据细化算法和概率图中指示的概率值对二值化图像中的像素点进行删除处理,确定目标像素点;将目标像素点进行稀疏连线,实现目标图像要素的矢量化的技术手段,所以克服了现有技术中存在的方法流程复杂、计算量大、由于像素点的选取出现遗漏或多余等情形导致的图像要素矢量化结果偏差较大的技术问题,进而达到降低方法复杂度、避免像素点的选取出现遗漏或多余的情形,提升图像要素矢量化结果的精确度的技术效果。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。

Claims (10)

1.一种图像要素矢量化的方法,其特征在于,包括:
基于对目标图像要素的分析统计得到全部像素点对应的概率值,根据所述全部像素点对应的概率值确定所述目标图像要素对应的概率图;
对所述概率图进行二值化处理,得到二值化图像;
根据细化算法和概率图中指示的概率值对所述二值化图像中的像素点进行删除处理,确定目标像素点;
将所述目标像素点进行稀疏连线,实现目标图像要素的矢量化。
2.根据权利要求1所述的图像要素矢量化的方法,其特征在于,所述对所述概率图进行二值化处理,得到二值化图像的步骤包括:根据二值化阈值对所述概率图进行二值化处理,得到所述二值化图像。
3.根据权利要求1所述的图像要素矢量化的方法,其特征在于,所述根据细化算法和概率图中指示的概率值对所述二值化图像中的像素点进行删除处理,确定目标像素点的步骤包括:
根据细化算法遍历所述二值化图像中的像素点,确定既是边界点、8simple点,又不是端点和孤立点的像素点为标记点,组成标记集合;
根据所述概率图指示的概率值确定所述标记集合中各标记点对应的概率值,确定概率值小于概率阈值的标记点为删除点;
对所述二值化图像中删除点对应的像素点进行删除处理,确定目标像素点。
4.根据权利要求3所述的图像要素矢量化的方法,其特征在于,在根据所述概率图指示的概率值确定所述标记集合中各标记点对应的概率值,确定概率值小于概率阈值的标记点为删除点的步骤之前,所述图像要素矢量化的方法还包括:确定所述标记集合不是空集。
5.根据权利要求4所述的图像要素矢量化的方法,其特征在于,在所述标记集合是空集的情况下,确定所述二值化图像中的像素点为目标像素点。
6.根据权利要求3所述的图像要素矢量化的方法,其特征在于,在所述对所述二值化图像中删除点对应的像素点进行删除处理,确定目标像素点的步骤之前,所述图像要素矢量化的方法还包括:确定所述删除点对应位置的八邻域内不存在既是边界点、8simple点,又不是端点和孤立点的像素点。
7.根据权利要求6所述的图像要素矢量化的方法,其特征在于,若所述删除点对应位置的八邻域中存在既是边界点、8simple点,又不是端点和孤立点的像素点,所述图像要素矢量化的方法还包括:确定所述删除点对应位置的八邻域中既是边界点、8simple点,又不是端点和孤立点的像素点为标记点,置入所述标记集合中。
8.一种图像要素矢量化的装置,其特征在于,包括:
概率图确定模块,用于基于对目标图像要素的分析统计得到全部像素点对应的概率值,根据所述全部像素点对应的概率值确定所述目标图像要素对应的概率图;
二值化处理模块,用于对所述概率图进行二值化处理,得到二值化图像;
目标像素点模块,用于根据细化算法和概率图中指示的概率值对所述二值化图像中的像素点进行删除处理,确定目标像素点;
矢量化模块,用于将所述目标像素点进行稀疏连线,实现图像要素的矢量化。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN202010120941.4A 2020-02-26 2020-02-26 一种图像要素矢量化的方法和装置 Pending CN111383293A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010120941.4A CN111383293A (zh) 2020-02-26 2020-02-26 一种图像要素矢量化的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010120941.4A CN111383293A (zh) 2020-02-26 2020-02-26 一种图像要素矢量化的方法和装置

Publications (1)

Publication Number Publication Date
CN111383293A true CN111383293A (zh) 2020-07-07

Family

ID=71218646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010120941.4A Pending CN111383293A (zh) 2020-02-26 2020-02-26 一种图像要素矢量化的方法和装置

Country Status (1)

Country Link
CN (1) CN111383293A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112489052A (zh) * 2020-11-24 2021-03-12 江苏科技大学 一种复杂环境下的线结构光中心线提取方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930277A (zh) * 2012-09-19 2013-02-13 上海珍岛信息技术有限公司 一种基于识别反馈的字符图像验证码识别方法
CN109598738A (zh) * 2018-11-12 2019-04-09 长安大学 一种线结构光中心线提取方法
CN110428394A (zh) * 2019-06-14 2019-11-08 北京迈格威科技有限公司 用于目标移动侦测的方法、装置及计算机存储介质
CN110570440A (zh) * 2019-07-19 2019-12-13 武汉珈和科技有限公司 一种基于深度学习边缘检测的图像自动分割方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930277A (zh) * 2012-09-19 2013-02-13 上海珍岛信息技术有限公司 一种基于识别反馈的字符图像验证码识别方法
CN109598738A (zh) * 2018-11-12 2019-04-09 长安大学 一种线结构光中心线提取方法
CN110428394A (zh) * 2019-06-14 2019-11-08 北京迈格威科技有限公司 用于目标移动侦测的方法、装置及计算机存储介质
CN110570440A (zh) * 2019-07-19 2019-12-13 武汉珈和科技有限公司 一种基于深度学习边缘检测的图像自动分割方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112489052A (zh) * 2020-11-24 2021-03-12 江苏科技大学 一种复杂环境下的线结构光中心线提取方法

Similar Documents

Publication Publication Date Title
CN111815738B (zh) 一种构建地图的方法和装置
CN110647596B (zh) 地图数据处理方法和装置
CN109903105B (zh) 一种完善目标商品属性的方法和装置
CN110633594A (zh) 一种目标检测方法和装置
CN110766348B (zh) 一种组合拣货任务的方法和装置
CN111368697A (zh) 一种信息识别方法和装置
CN110633717A (zh) 一种目标检测模型的训练方法和装置
CN113378855A (zh) 用于处理多任务的方法、相关装置及计算机程序产品
CN109697452B (zh) 数据对象的处理方法、处理装置及处理系统
CN114627239B (zh) 包围盒生成方法、装置、设备及存储介质
CN113837194A (zh) 图像处理方法、图像处理装置、电子设备以及存储介质
CN111383293A (zh) 一种图像要素矢量化的方法和装置
CN111815654A (zh) 用于处理图像的方法、装置、设备和计算机可读介质
CN112256254A (zh) 一种生成布局代码的方法和装置
CN111368693A (zh) 一种身份证信息的识别方法和装置
CN113239687B (zh) 一种数据处理方法和装置
CN110895550B (zh) 一种处理采集数据的方法和装置
CN110750602A (zh) 确定订单地址所属站点的方法和装置
CN113742485A (zh) 一种处理文本的方法和装置
CN111783572B (zh) 一种文本检测方法和装置
CN109657523B (zh) 一种可行驶区域检测方法和装置
CN110633595B (zh) 一种利用双线性插值的目标检测方法和装置
CN113284174A (zh) 处理图片的方法和装置
CN113762305A (zh) 一种脱发类型的确定方法和装置
CN110858240A (zh) 一种前端模块加载方法和装置

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