CN111476801A - 图像分割方法、电子设备及相关产品 - Google Patents
图像分割方法、电子设备及相关产品 Download PDFInfo
- Publication number
- CN111476801A CN111476801A CN202010247368.3A CN202010247368A CN111476801A CN 111476801 A CN111476801 A CN 111476801A CN 202010247368 A CN202010247368 A CN 202010247368A CN 111476801 A CN111476801 A CN 111476801A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- input image
- smoothing
- edge detection
- 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 56
- 238000003709 image segmentation Methods 0.000 title claims abstract description 41
- 238000009499 grossing Methods 0.000 claims abstract description 53
- 238000003708 edge detection Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims description 44
- 238000013507 mapping Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000005764 inhibitory process Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 description 11
- 238000013441 quality evaluation Methods 0.000 description 11
- 238000001914 filtration Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 239000010410 layer Substances 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram 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
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 235000020061 kirsch Nutrition 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种图像分割方法、电子设备及相关产品,应用于电子设备,所述方法包括:获取输入图像,所述输入图像为建筑图纸中包括目标构件的图像;对所述输入图像进行平滑处理,得到第一图像;对所述第一图像进行边缘检测,得到所述目标构件。采用本申请实施例一方面,能够对输入图像进行平滑处理,可以保留图像中的低频信息,另一方面,低频信息保留了图像的主体信息,因此,能够从平滑处理后的输入图像中提取出构件的边缘轮廓,有助于精准提取构件。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种图像分割方法、电子设备及相关产品。
背景技术
建筑图纸构件的边缘检测技术是指对建筑图纸中的构件边缘进行检测和标定的过程。它是机器将建筑图纸中构件按照准确位置进行拆分的关键,对建筑图纸进行语义理解的重要基础,在机器自动建筑图纸审查技术中发挥重要的作用。边缘检测对提取目标区域特别有意义,通常所研究的图纸中构件的边缘,一般都在像素值较为剧烈的区域。利用边缘检测算法可在大幅降低图像的背景干扰的同时,保留图像的系统结构特性。因此边缘检测算子也可在视为一种滤波算法,只保留了图像的边缘结构信息。传统的建筑图纸中构件的边缘检测采用Sobel算子进行边缘检测,Sobel算子是离散微分算子,它结合了高斯平滑和微分求导,用于计算图像灰度函数的近似梯度。计算过程如下:
假定输入图像为I(x,y),卷积核大小为3×3,则输出图像为G(x,y)为:
但是,实验表明Sobel算子对细节的提取不够精细,建筑图纸复杂多变,针对建筑图纸图像,由于建筑图纸的干扰噪声太多,Sobel算子难以提取完整的细致构件。
发明内容
本申请实施例提供了一种图像分割方法、电子设备及相关产品,能够精准提取建筑图纸中的构件。
第一方面,本申请实施例提供一种图像分割方法,应用于电子设备,所述方法包括:
获取输入图像,所述输入图像为建筑图纸中包括目标构件的图像;
对所述输入图像进行平滑处理,得到第一图像;
对所述第一图像进行边缘检测,得到所述目标构件。
第二方面,本申请实施例提供一种图像分割装置,应用于电子设备,所述装置包括:获取单元、平滑处理单元和边缘检测单元,其中,
所述获取单元,用于获取输入图像,所述输入图像为建筑图纸中包括目标构件的图像;
所述平滑处理单元,用于对所述输入图像进行平滑处理,得到第一图像;
所述边缘检测单元,用于对所述第一图像进行边缘检测,得到所述目标构件。
第三方面,本申请实施例提供了一种电子设备,包括处理器、存储器、通信接口以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,上述程序包括用于执行本申请实施例第一方面中的步骤的指令。
第四方面,本申请实施例提供了一种计算机可读存储介质,其中,上述计算机可读存储介质存储用于电子数据交换的计算机程序,其中,上述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。
第五方面,本申请实施例提供了一种计算机程序产品,其中,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
实施本申请实施例,具备如下有益效果:
可以看出,本申请实施例中所描述的图像分割方法、电子设备及相关产品,应用于电子设备,获取输入图像,输入图像为建筑图纸中包括目标构件的图像,对输入图像进行平滑处理,得到第一图像,对第一图像进行边缘检测,得到目标构件,一方面,能够对输入图像进行平滑处理,可以保留图像中的低频信息,另一方面,低频信息保留了图像的主体信息,因此,能够从平滑处理后的输入图像中提取出构件的边缘轮廓,有助于精准提取构件。
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的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种图像分割方法的流程示意图;
图2是本申请实施例提供的另一种图像分割方法的流程示意图;
图3是本申请实施例提供的一种电子设备的结构示意图;
图4是本申请实施例提供的一种图像分割装置的功能单元组成框图。
具体实施方式
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,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作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。
本申请实施例所描述电子设备可以包括智能手机(如Android手机、iOS手机、Windows Phone手机等)、平板电脑、掌上电脑、笔记本电脑、视频矩阵、监控平台、移动互联网设备(MID,Mobile Internet Devices)或穿戴式设备等,上述仅是举例,而非穷举,包含但不限于上述装置,当然,上述电子设备还可以为服务器。
下面对本申请实施例进行详细介绍。
图1是本申请实施例提供的一种图像分割方法的流程示意图,如图所示,本图像分割方法包括:
101、获取输入图像,所述输入图像为建筑图纸中包括目标构件的图像。
其中,本申请实施例可以应用于CAD场景或者其他作图工具场景,在此不做限定。可以将CAD建筑图纸导入到建筑信息化模型(Building Information Modeling,BIM)模型软件。电子设备可以将BIM中的任一图层中的图像作为输入图像,例如,输入图像可以为建筑图纸中包括目标构件的图像,输入图像可以为建筑图纸中某一图层的部分区域图像或者全部区域图像。
在一个可能的示例中,上述步骤101,获取输入图像,可以包括如下步骤:
11、获取目标图像;
12、确定所述目标图像的目标属性信息;
13、按照所述目标属性信息对所述目标图像进行图像分割,得到所述输入图像。
其中,本申请实施例中,属性信息可以为以下至少一种:图层位置、图层标识、图层备注信息、建筑高度等等,在此不做限定。
具体实现中,目标图像可以为建筑图纸中的一个图层或者多个图层对应的图像。具体地,电子设备可以获取目标图像,并且确定目标图像的目标属性信息,具体地,可以直接读取目标图像的属性信息,电子设备中还可以预先存储属性信息与图像分割参数之间的映射关系,图像分割参数可以为以下至少一种:图像分割算法、图像分割控制参数(图像分割程度)、图像分割区域大小、图像分割位置等等,在此不做限定。进而,电子设备可以依据该映射关系确定目标属性信息对应的目标图像分割参数,并依据目标图像分割参数对目标图像进行图像分割,得到输入图像。
102、对所述输入图像进行平滑处理,得到第一图像。
其中,电子设备可以对输入图像进行平滑处理,图像平滑处理是从信号处理的角度看就是去除其中的高频信息,保留低频信息。因此,可以对图像实施低通滤波。低通滤波可以去除图像中的噪音,模糊图像(噪音是图像中变化比较大的区域,也就是高频信息)。而高通滤波能够提取图像的边缘(边缘也是高频信息集中的区域)。平滑处理可以包括以下至少一种:中值滤波、均值滤波、高斯滤波、双边滤波等等,在此不做限定,平滑处理之后,可以得到第一图像。
在一个可能的示例中,上述步骤102,对所述输入图像进行平滑处理,得到第一图像,可以包括如下步骤:
21、对所述输入图像进行目标提取,得到目标区域;
22、对所述目标区域进行识别,得到目标标识;
23、按照预设的标识与平滑处理参数之间的映射关系,确定所述目标标识对应的目标平滑处理参数;
24、依据所述目标平滑处理参数对所述输入图像进行平滑处理,得到所述第一图像。
其中,本申请实施例中,平滑处理参数可以为以下至少一种:平滑算法、平滑控制参数(控制平滑处理参数程度)、平滑处理区域、平滑处理位置等等,在此不做限定。
具体地,电子设备可以对输入图像进行目标提取,得到目标区域,相当于目标粗识别,目的在于区分目标和背景,进而,可以对目标区域进行识别,得到目标标识,目标标识用于标记目标具体是啥,本申请实施例中,标识可以为构件名称、构件类别、构件编号等等,在此不做限定。电子设备中可以预先存储预设的标识与平滑处理参数之间的映射关系,进而,可以按照预设的标识与平滑处理参数之间的映射关系,确定目标标识对应的目标平滑处理参数,依据目标平滑处理参数对输入图像进行平滑处理,得到第一图像,如此,可以依据不同构件的特性,针对性地实现平滑处理,有助于提升平滑处理效果。
进一步地,上述步骤22,对所述目标区域进行识别,得到目标标识,可以包括如下步骤:
221、对所述目标区域进行轮廓提取,得到第一轮廓;
222、对所述目标区域进行特征点提取,得到第一特征点集;
223、将所述第一轮廓与预设模板i的第二轮廓进行匹配,得到第一匹配值;
224、将所述第一特征点集与所述预设模板i的第二特征点集进行匹配,得到第二匹配值,所述预设模板i为预设构件模板集中的任一模板;
225、在所述第一匹配值大于第一匹配阈值且所述第二匹配值大于第二匹配阈值时,确定所述目标区域的目标清晰度;
226、按照预设的清晰度与权值对之间的映射关系,确定所述目标清晰度对应的目标权值对,所述目标权值对包括目标第一权值和目标第二权值;
227、依据所述第一匹配值、所述第二匹配值、所述目标第一权值和所述目标第二权值进行加权运算,得到目标匹配值;
228、在所述目标匹配值大于第三预设阈值时,将所述预设模板i对应的标识作为所述目标区域的目标标识。
具体实现中,电子设备中可以预先存储预设构件模板集,该预设构件模板集中包括多个构件的模板,每一模板对应一个标识。第一匹配阈值、第二匹配阈值和第三匹配阈值均可以由用户自行设置或者系统默认。
其中,电子设备可以对目标区域进行轮廓提取,得到第一轮廓,轮廓提取算法可以为以下至少一种:霍夫变换、canny算子、sobel算子、prewitt算子等等,在此不做限定,进而,可以对目标区域进行特征点提取,得到第一特征点集,特征点提取算法可以为以下至少一种:harris角点检测、尺度不变特征变换(scale invariant feature transform,SIFT)、拉普拉斯变换、小波变换、轮廓波变换、剪切波变换等等,在此不做限定。
进一步地,以预设模板i为例,预设模板i为预设构件模板集中的任一模板,电子设备可以将第一轮廓与预设模板i的第二轮廓进行匹配,得到第一匹配值,将第一特征点集与预设模板i的第二特征点集进行匹配,得到第二匹配值,在第一匹配值大于第一匹配阈值且第二匹配值大于第二匹配阈值时,确定目标区域的目标清晰度。电子设备中还可以预先存储预设的清晰度与权值对之间的映射关系,权值对可以包括第一权值和第二权值,第一权值+第二权值=1,且第一权值、第二权值均处于0~1。
进而,电子设备可以按照预设的清晰度与权值对之间的映射关系,确定目标清晰度对应的目标权值对,目标权值对包括目标第一权值和目标第二权值,则可以依据第一匹配值、第二匹配值、目标第一权值和目标第二权值进行加权运算,得到目标匹配值,具体如下:
目标匹配值=目标第一权值*第一匹配值+目标第二权值*第二匹配值
进一步地,在目标匹配值大于第三预设阈值时,将预设模板i对应的标识作为所述目标区域的目标标识,否则,则可以预设构件模板集中继续寻找与目标区域对应的标识。
进一步地,在一个可能的示例中,上述步骤223,将所述第一轮廓与预设模板i的第二轮廓进行匹配,得到第一匹配值,可以包括如下步骤:
A1、对所述第一轮廓进行二值化处理,得到二值化第一轮廓;
A2、对所述二值化第一轮廓划分为多个区域;
A3、将所述二值化第一轮廓进行特征点提取,得到多个特征点;
A4、依据所述多个特征点确定所述多个区域中每一区域对应的特征点分布密度,得到多个特征点分布密度;
A5、依据所述多个特征点分布密度确定目标均方差;
A6、按照预设的均方差与图像质量评价值之间的映射关系,确定所述目标均方差对应的目标图像质量评价值;
A7、在所述目标图像质量评价值小于所述预设图像质量评价值时,对所述第一轮廓进行图像增强处理,将图像增强处理后的所述第一轮廓与所述预设模板i的第二轮廓进行匹配,得到第一匹配值。
其中,上述预设阈值、预设图像质量评价值均可以由用户自行设置或者系统默认。
具体实现中,电子设备可以对目标区域进行二值化处理,得到二值化第一轮廓,对二值化第一轮廓划分为多个区域,将二值化第一轮廓进行特征点提取,得到多个特征点,特征点提取算法可以参照上述描述,在此不做限定。
进一步地,本申请实施例中,多个区域的面积可以相等或者不等,电子设备可以依据多个特征点确定多个区域中每一区域对应的特征点分布密度,得到多个特征点分布密度,特征点分布密度=一个区域内的特征点总数量/该区域的面积,可以依据该多个特征点分布密度确定目标均方差,均方差计算公式即可以实现,电子设备中可以预先存储预设的均方差与图像质量评价值之间的映射关系,按照预设的均方差与图像质量评价值之间的映射关系,确定目标均方差对应的目标图像质量评价值,当然均方差越小,则图像质量评价值越大,在目标图像质量评价值大于或等于预设图像质量评价值时,直接将该第一轮廓与预设模板i的第二轮廓进行匹配。进一步地,在目标图像质量评价值小于预设图像质量评价值时,可以对第一轮廓进行图像增强处理,将图像增强处理后的第一轮廓与预设模板i的第二轮廓进行匹配,得到第一匹配值。本申请实施例中,图像增强处理相应的算法可以为以下至少一种:拉普拉斯、直方图均衡化、Gamma算法、LOG算法等等,在此不做限定。
103、对所述第一图像进行边缘检测,得到所述目标构件。
具体实现中,电子设备可以采用一定算子对第一图像进行边缘检测,算子可以为以下至少一种:Prewitt算子、Sobel算子、Kirsch算子、Canny算子、Laplacian算子等等,在此不做限定。
在一个可能地示例中,上述步骤103,对所述第一图像进行边缘检测,得到所述目标构件,可以包括如下步骤:
31、确定所述第一图像的第一梯度幅值图像;
32、对所述第一梯度幅值图像进行非最大抑制处理,得到第二梯度幅值图像,采用双阈值处理和连接分析来对所述第二梯度幅值图像检测并连接边缘,得到第三图像;
33、采用Prewitt算子对所述第三图像进行边缘检测,得到所述目标构件。
其中,电子设备可以确定第一图像的第一梯度幅值图像,并且对第一梯度幅值图像进行非最大抑制处理,得到第二梯度幅值图像,采用双阈值处理和连接分析来对第二梯度幅值图像检测并连接边缘,得到第三图像,采用Prewitt算子对所述第三图像进行边缘检测,得到目标构件,Prewitt算子实际上是先对图像进行垂直方向的非归一化的均值平滑,然后进行水平方向的差分,这就是Prewitt算子能够抑制噪声的原因,因此,能够精准提取目标构件的轮廓。
具体实现中,电子设备可以根据建筑图纸中不同空间高度的物体具有不同层的特性,对建筑图纸按照图层进行分割。例如,主要按照楼层不同划分为不同的图层,楼层的计算主要为,当为坡屋面时,应为建筑物室外设计地面到其檐口与屋脊的平均高度;当为平屋面(包括有女儿墙的平屋面)时,应为建筑物室外设计地面到其屋面面层的高度;当同一座建筑物有多种屋面形式时,建筑高度应按上述方法分别计算后取其中最大值。局部突出屋顶的瞭望塔、冷却塔、水箱间、微波天线间或设施、电梯机房、排风和排烟机房以及楼梯出口小间等辅助用房占房屋面积不大于1/4者,可不计入建筑高度。
进一步地,可以用一个高斯滤波器平滑输入图像,得到第一图像。具体地,对任何一幅输入图像I(x,y)进行边缘检测,都不在原始数据上进行操作,必须有平滑滤波的过程。对原始图像进行高斯平滑滤波,高斯模板如下:
用该模板对原始图像进行卷积,可以得到平滑后的图像:
f(x,y)=R(x,y)*I(x,y)
进一步地,可以确定第一图像的梯度幅值图像和角度图像,其中,幅值图像M(x,y)和角度图像α(x,y)是与平滑后的图像尺寸相同的阵列。
进而,可以对梯度幅值图像应用非最大抑制,用双阈值处理和连接分析来检测并连接边缘。
G(x,y)=NMS(M(x,y))
最后,采用Prewitt算子在图像空间利用两个方向模板与图像进行邻域卷积,这两个方向模板一个检测水平边缘,一个检测垂直边缘。Prewitt算子实际上是先对图像进行垂直方向的非归一化的均值平滑,然后进行水平方向的差分,这就是Prewitt算子能够抑制噪声的原因。
基于本申请实施例,该方法能比Sobel算子检测出更多的细节,较显著地给出检测边缘。由于该方法是采用二阶导数过零点的检测方法,故对噪声更敏感一些。但是由于建筑图纸高度的标准,基本没有噪声的干扰,因此该方法的缺点不会对建筑图纸中构件的边缘检测产生影响。
可以看出,本申请实施例中所描述的图像分割方法,应用于电子设备,获取输入图像,输入图像为建筑图纸中包括目标构件的图像,对输入图像进行平滑处理,得到第一图像,对第一图像进行边缘检测,得到目标构件,一方面,能够对输入图像进行平滑处理,可以保留图像中的低频信息,另一方面,低频信息保留了图像的主体信息,因此,能够从平滑处理后的输入图像中提取出构件的边缘轮廓,有助于精准提取构件。
与上述图1所示的实施例一致地,请参阅图2,图2是本申请实施例提供的一种图像分割方法的流程示意图,如图所示,应用于电子设备,本图像分割方法包括:
201、获取目标图像,所述目标图像为建筑图纸中包括目标构件的图像。
202、确定所述目标图像的目标属性信息。
203、按照所述目标属性信息对所述目标图像进行图像分割,得到输入图像。
204、对所述输入图像进行平滑处理,得到第一图像。
205、对所述第一图像进行边缘检测,得到所述目标构件。
其中,上述步骤201-步骤205的具体描述可以参照上述图1所描述的图像分割方法的相应步骤,在此不再赘述。
可以看出,本申请实施例中所描述的图像分割方法,应用于电子设备,获取目标图像,目标图像为建筑图纸中包括目标构件的图像,确定目标图像的目标属性信息,按照目标属性信息对目标图像进行图像分割,得到输入图像,对输入图像进行平滑处理,得到第一图像,对第一图像进行边缘检测,得到目标构件,一方面,能够对输入图像进行平滑处理,可以保留图像中的低频信息,另一方面,低频信息保留了图像的主体信息,因此,能够从平滑处理后的输入图像中提取出构件的边缘轮廓,有助于精准提取构件。
与上述实施例一致地,请参阅图3,图3是本申请实施例提供的一种电子设备的结构示意图,如图所示,该电子设备包括处理器、存储器、通信接口以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,本申请实施例中,上述程序包括用于执行以下步骤的指令:
获取输入图像,所述输入图像为建筑图纸中包括目标构件的图像;
对所述输入图像进行平滑处理,得到第一图像;
对所述第一图像进行边缘检测,得到所述目标构件。
可以看出,本申请实施例中所描述的电子设备,获取输入图像,输入图像为建筑图纸中包括目标构件的图像,对输入图像进行平滑处理,得到第一图像,对第一图像进行边缘检测,得到目标构件,一方面,能够对输入图像进行平滑处理,可以保留图像中的低频信息,另一方面,低频信息保留了图像的主体信息,因此,能够从平滑处理后的输入图像中提取出构件的边缘轮廓,有助于精准提取构件。
在一个可能的示例中,在所述获取输入图像方面,上述程序包括用于执行以下步骤的指令:
获取目标图像;
确定所述目标图像的目标属性信息;
按照所述目标属性信息对所述目标图像进行图像分割,得到所述输入图像。
在一个可能的示例中,在所述对所述第一图像进行边缘检测,得到所述目标构件方面,上述程序包括用于执行以下步骤的指令:
确定所述第一图像的第一梯度幅值图像;
对所述第一梯度幅值图像进行非最大抑制处理,得到第二梯度幅值图像,采用双阈值处理和连接分析来对所述第二梯度幅值图像检测并连接边缘,得到第三图像;
采用Prewitt算子对所述第三图像进行边缘检测,得到所述目标构件。
在一个可能的示例中,在所述对所述输入图像进行平滑处理,得到第一图像方面,上述程序包括用于执行以下步骤的指令:
对所述输入图像进行目标提取,得到目标区域;
对所述目标区域进行识别,得到目标标识;
按照预设的标识与平滑处理参数之间的映射关系,确定所述目标标识对应的目标平滑处理参数;
依据所述目标平滑处理参数对所述输入图像进行平滑处理,得到所述第一图像。
在一个可能的示例中,在所述对所述目标区域进行识别,得到目标标识方面,上述程序包括用于执行以下步骤的指令:
对所述目标区域进行轮廓提取,得到第一轮廓;
对所述目标区域进行特征点提取,得到第一特征点集;
将所述第一轮廓与预设模板i的第二轮廓进行匹配,得到第一匹配值,所述预设模板i为预设构件模板集中的任一模板;
将所述第一特征点集与所述预设模板i的第二特征点集进行匹配,得到第二匹配值;
在所述第一匹配值大于第一匹配阈值且所述第二匹配值大于第二匹配阈值时,确定所述目标区域的目标清晰度;
按照预设的清晰度与权值对之间的映射关系,确定所述目标清晰度对应的目标权值对,所述目标权值对包括目标第一权值和目标第二权值;
依据所述第一匹配值、所述第二匹配值、所述目标第一权值和所述目标第二权值进行加权运算,得到目标匹配值;
在所述目标匹配值大于第三预设阈值时,将所述预设模板i对应的标识作为所述目标区域的目标标识。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是,电子设备为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所提供的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,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申请的范围。
本申请实施例可以根据上述方法示例对电子设备进行功能单元的划分,例如,可以对应各个功能划分各个功能单元,也可以将两个或两个以上的功能集成在一个处理单元中。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。需要说明的是,本申请实施例中对单元的划分是示意性的,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。
图4是本申请实施例中所涉及的图像分割装置400的功能单元组成框图。该图像分割装置400,应用于电子设备,所述装置400包括:获取单元401、平滑处理单元402和边缘检测单元403,其中,
所述获取单元401,用于获取输入图像,所述输入图像为建筑图纸中包括目标构件的图像;
所述平滑处理单元402,用于对所述输入图像进行平滑处理,得到第一图像;
所述边缘检测单元403,用于对所述第一图像进行边缘检测,得到所述目标构件。
可以看出,本申请实施例中所描述的图像分割装置,应用于电子设备,获取输入图像,输入图像为建筑图纸中包括目标构件的图像,对输入图像进行平滑处理,得到第一图像,对第一图像进行边缘检测,得到目标构件,一方面,能够对输入图像进行平滑处理,可以保留图像中的低频信息,另一方面,低频信息保留了图像的主体信息,因此,能够从平滑处理后的输入图像中提取出构件的边缘轮廓,有助于精准提取构件。
在一个可能的示例中,在所述获取输入图像方面,所述获取单元401具体用于:
获取目标图像;
确定所述目标图像的目标属性信息;
按照所述目标属性信息对所述目标图像进行图像分割,得到所述输入图像。
在一个可能的示例中,在所述对所述第一图像进行边缘检测,得到所述目标构件方面,所述边缘检测单元403具体用于:
确定所述第一图像的第一梯度幅值图像;
对所述第一梯度幅值图像进行非最大抑制处理,得到第二梯度幅值图像,采用双阈值处理和连接分析来对所述第二梯度幅值图像检测并连接边缘,得到第三图像;
采用Prewitt算子对所述第三图像进行边缘检测,得到所述目标构件。
在一个可能的示例中,在所述对所述输入图像进行平滑处理,得到第一图像方面,所述平滑处理单元402具体用于:
对所述输入图像进行目标提取,得到目标区域;
对所述目标区域进行识别,得到目标标识;
按照预设的标识与平滑处理参数之间的映射关系,确定所述目标标识对应的目标平滑处理参数;
依据所述目标平滑处理参数对所述输入图像进行平滑处理,得到所述第一图像。
在一个可能的示例中,在所述对所述目标区域进行识别,得到目标标识方面,所述平滑处理单元402具体用于:
对所述目标区域进行轮廓提取,得到第一轮廓;
对所述目标区域进行特征点提取,得到第一特征点集;
将所述第一轮廓与预设模板i的第二轮廓进行匹配,得到第一匹配值,所述预设模板i为预设构件模板集中的任一模板;
将所述第一特征点集与所述预设模板i的第二特征点集进行匹配,得到第二匹配值;
在所述第一匹配值大于第一匹配阈值且所述第二匹配值大于第二匹配阈值时,确定所述目标区域的目标清晰度;
按照预设的清晰度与权值对之间的映射关系,确定所述目标清晰度对应的目标权值对,所述目标权值对包括目标第一权值和目标第二权值;
依据所述第一匹配值、所述第二匹配值、所述目标第一权值和所述目标第二权值进行加权运算,得到目标匹配值;
在所述目标匹配值大于第三预设阈值时,将所述预设模板i对应的标识作为所述目标区域的目标标识。
可以理解的是,本实施例的图像分割装置的各程序模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤,上述计算机包括电子设备。
本申请实施例还提供一种计算机程序产品,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,上述计算机包括电子设备。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
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的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,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,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上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,在本申请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。
上述集成的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器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,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,应用于电子设备,所述方法包括:
获取输入图像,所述输入图像为建筑图纸中包括目标构件的图像;
对所述输入图像进行平滑处理,得到第一图像;
对所述第一图像进行边缘检测,得到所述目标构件。
2.根据权利要求1所述的方法,其特征在于,所述获取输入图像,包括:
获取目标图像;
确定所述目标图像的目标属性信息;
按照所述目标属性信息对所述目标图像进行图像分割,得到所述输入图像。
3.根据权利要求1或2所述的方法,其特征在于,所述对所述第一图像进行边缘检测,得到所述目标构件,包括:
确定所述第一图像的第一梯度幅值图像;
对所述第一梯度幅值图像进行非最大抑制处理,得到第二梯度幅值图像,采用双阈值处理和连接分析来对所述第二梯度幅值图像检测并连接边缘,得到第三图像;
采用Prewitt算子对所述第三图像进行边缘检测,得到所述目标构件。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述对所述输入图像进行平滑处理,得到第一图像,包括:
对所述输入图像进行目标提取,得到目标区域;
对所述目标区域进行识别,得到目标标识;
按照预设的标识与平滑处理参数之间的映射关系,确定所述目标标识对应的目标平滑处理参数;
依据所述目标平滑处理参数对所述输入图像进行平滑处理,得到所述第一图像。
5.根据权利要求4所述的方法,其特征在于,所述对所述目标区域进行识别,得到目标标识,包括:
对所述目标区域进行轮廓提取,得到第一轮廓;
对所述目标区域进行特征点提取,得到第一特征点集;
将所述第一轮廓与预设模板i的第二轮廓进行匹配,得到第一匹配值,所述预设模板i为预设构件模板集中的任一模板;
将所述第一特征点集与所述预设模板i的第二特征点集进行匹配,得到第二匹配值;
在所述第一匹配值大于第一匹配阈值且所述第二匹配值大于第二匹配阈值时,确定所述目标区域的目标清晰度;
按照预设的清晰度与权值对之间的映射关系,确定所述目标清晰度对应的目标权值对,所述目标权值对包括目标第一权值和目标第二权值;
依据所述第一匹配值、所述第二匹配值、所述目标第一权值和所述目标第二权值进行加权运算,得到目标匹配值;
在所述目标匹配值大于第三预设阈值时,将所述预设模板i对应的标识作为所述目标区域的目标标识。
6.一种图像分割装置,其特征在于,应用于电子设备,所述装置包括:获取单元、平滑处理单元和边缘检测单元,其中,
所述获取单元,用于获取输入图像,所述输入图像为建筑图纸中包括目标构件的图像;
所述平滑处理单元,用于对所述输入图像进行平滑处理,得到第一图像;
所述边缘检测单元,用于对所述第一图像进行边缘检测,得到所述目标构件。
7.根据权利要求6所述的装置,其特征在于,在所述获取输入图像方面,所述获取单元具体用于:
获取目标图像;
确定所述目标图像的目标属性信息;
按照所述目标属性信息对所述目标图像进行图像分割,得到所述输入图像。
8.根据权利要求6或7所述的装置,其特征在于,在所述对所述第一图像进行边缘检测,得到所述目标构件方面,所述边缘检测单元具体用于:
确定所述第一图像的第一梯度幅值图像;
对所述第一梯度幅值图像进行非最大抑制处理,得到第二梯度幅值图像,采用双阈值处理和连接分析来对所述第二梯度幅值图像检测并连接边缘,得到第三图像;
采用Prewitt算子对所述第三图像进行边缘检测,得到所述目标构件。
9.一种电子设备,其特征在于,包括处理器、存储器,所述存储器用于存储一个或多个程序,并且被配置由所述处理器执行,所述程序包括用于执行如权利要求1-5任一项所述的方法中的步骤的指令。
10.一种计算机可读存储介质,其特征在于,存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010247368.3A CN111476801B (zh) | 2020-03-31 | 2020-03-31 | 图像分割方法、电子设备及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010247368.3A CN111476801B (zh) | 2020-03-31 | 2020-03-31 | 图像分割方法、电子设备及相关产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111476801A true CN111476801A (zh) | 2020-07-31 |
CN111476801B CN111476801B (zh) | 2023-04-18 |
Family
ID=71750283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010247368.3A Active CN111476801B (zh) | 2020-03-31 | 2020-03-31 | 图像分割方法、电子设备及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476801B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734564A (zh) * | 2021-01-11 | 2021-04-30 | 无锡锡商银行股份有限公司 | 一种房屋抵押贷款远程下户的房屋信息核验方法 |
CN116311333A (zh) * | 2023-02-21 | 2023-06-23 | 南京云阶电力科技有限公司 | 针对电气图纸中边缘细小文字识别的预处理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751431A (zh) * | 2013-12-31 | 2015-07-01 | 西门子医疗保健诊断公司 | 一种基于图像处理的方法和装置 |
CN107492141A (zh) * | 2017-06-30 | 2017-12-19 | 百度在线网络技术(北京)有限公司 | 三维城市模型的图形处理方法及装置、设备及可读介质 |
CN108416789A (zh) * | 2018-06-04 | 2018-08-17 | 武汉斑马快跑科技有限公司 | 图像边缘检测方法及系统 |
CN109002841A (zh) * | 2018-06-27 | 2018-12-14 | 淮阴工学院 | 一种基于Faster-RCNN模型的建筑构件提取方法 |
-
2020
- 2020-03-31 CN CN202010247368.3A patent/CN111476801B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751431A (zh) * | 2013-12-31 | 2015-07-01 | 西门子医疗保健诊断公司 | 一种基于图像处理的方法和装置 |
CN107492141A (zh) * | 2017-06-30 | 2017-12-19 | 百度在线网络技术(北京)有限公司 | 三维城市模型的图形处理方法及装置、设备及可读介质 |
CN108416789A (zh) * | 2018-06-04 | 2018-08-17 | 武汉斑马快跑科技有限公司 | 图像边缘检测方法及系统 |
CN109002841A (zh) * | 2018-06-27 | 2018-12-14 | 淮阴工学院 | 一种基于Faster-RCNN模型的建筑构件提取方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734564A (zh) * | 2021-01-11 | 2021-04-30 | 无锡锡商银行股份有限公司 | 一种房屋抵押贷款远程下户的房屋信息核验方法 |
CN116311333A (zh) * | 2023-02-21 | 2023-06-23 | 南京云阶电力科技有限公司 | 针对电气图纸中边缘细小文字识别的预处理方法及系统 |
CN116311333B (zh) * | 2023-02-21 | 2023-12-01 | 南京云阶电力科技有限公司 | 针对电气图纸中边缘细小文字识别的预处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111476801B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111008597B (zh) | Cad图纸的空间识别方法、装置、电子设备及存储介质 | |
CN110717489B (zh) | Osd的文字区域的识别方法、装置及存储介质 | |
CN110298802B (zh) | 路面裂缝检测方法及装置 | |
Nguyen et al. | An automatic approach for accurate edge detection of concrete crack utilizing 2D geometric features of crack | |
CN110502983B (zh) | 一种检测高速公路中障碍物的方法、装置及计算机设备 | |
CN108182383B (zh) | 一种车窗检测的方法及设备 | |
JP2017531883A (ja) | 画像の主要被写体を抽出する方法とシステム | |
CN109670500A (zh) | 一种文字区域获取方法、装置、存储介质及终端设备 | |
CN107545223B (zh) | 图像识别方法及电子设备 | |
CN111476801B (zh) | 图像分割方法、电子设备及相关产品 | |
CN110458855B (zh) | 图像提取方法及相关产品 | |
CN113781406B (zh) | 电子元器件的划痕检测方法、装置及计算机设备 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN109509200A (zh) | 基于轮廓提取的棋盘格角点检测方法、装置以及计算机可读存储介质 | |
CN110796016A (zh) | 工程图纸识别方法、电子设备及相关产品 | |
CN112150371A (zh) | 图像降噪方法、装置、设备及存储介质 | |
CN115457063A (zh) | Pcb板圆孔的边缘提取方法、装置、设备及存储介质 | |
CN112634301A (zh) | 设备区域图像提取方法及装置 | |
CN108229583B (zh) | 一种基于主方向差分特征的快速模板匹配的方法及装置 | |
CN112308872A (zh) | 基于多尺度Gabor一阶导数的图像边缘检测方法 | |
CN112634288A (zh) | 设备区域图像分割方法及装置 | |
CN110708568B (zh) | 一种视频内容突变检测方法及装置 | |
CN111783561A (zh) | 审图结果修正方法、电子设备及相关产品 | |
CN106599891A (zh) | 一种基于尺度相位谱显著性的遥感图像兴趣区快速提取方法 | |
CN111783910A (zh) | 建筑项目管理方法、电子设备及相关产品 |
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 |