CN111563517A

CN111563517A - 图像处理方法、装置、电子设备及存储介质

Info

Publication number: CN111563517A
Application number: CN202010311209.5A
Authority: CN
Inventors: 黄惟洁
Original assignee: Tencent Technology Shenzhen Co Ltd
Current assignee: Tencent Technology Shenzhen Co Ltd
Priority date: 2020-04-20
Filing date: 2020-04-20
Publication date: 2020-08-21
Anticipated expiration: 2040-04-20
Also published as: CN111563517B

Abstract

本申请涉及计算机技术领域，公开了一种图像处理方法、装置、电子设备及存储介质，可在过滤掉图像中大部分无用细节信息的同时，突出图像中的主体轮廓，进而降低后续图像识别的难度，提高图像识别的准确率。所述方法包括：将第一图像中像素点的灰度分布区间划分为至少两个灰度区间，每个灰度区间对应一个色阶等级；根据第一图像中各个像素点的灰度值所处的灰度等级，确定各个像素点所处的色阶等级；将第一图像中各个像素点的灰度值分别设置为各个像素点所处的色阶等级对应的预设灰度值，获得第二图像，第二图像用于进行图像识别处理，以获得针对第一图像的图像识别结果。

Description

图像处理方法、装置、电子设备及存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种图像处理方法、装置、电子设备及存储介质。

背景技术

为了提高图像识别的准确率，现有图像识别技术中通常先对图像进行预处理，如滤波降噪处理等，然后基于预处理后的图像进行图像识别。但是，单纯使用滤波降噪算法对图像进行预处理，无法过滤掉图像中的无用信息，增加了后续图像识别的难度。

发明内容

本申请实施例提供一种图像处理方法、装置、电子设备及存储介质，可在过滤掉图像中大部分无用细节信息的同时，突出图像中的主体轮廓，进而降低后续图像识别的难度，提高图像识别的准确率。

一方面，本申请一实施例提供了一种图像处理方法，包括：

将第一图像中像素点的灰度分布区间划分为至少两个灰度区间，每个灰度区间对应一个色阶等级；

根据所述第一图像中各个像素点的灰度值所处的灰度区间，确定各个像素点所处的色阶等级；

将所述第一图像中各个像素点的灰度值分别设置为各个像素点所处的色阶等级对应的预设灰度值，获得第二图像，所述第二图像用于进行图像识别处理，以获得针对所述第一图像的图像识别结果。

一方面，本申请一实施例提供了一种图像处理装置，包括：

区间划分单元，用于将第一图像中像素点的灰度分布区间划分为至少两个灰度区间，每个灰度区间对应一个色阶等级；

等级确定单元，用于根据所述第一图像中各个像素点的灰度值所处的灰度区间，确定各个像素点所处的色阶等级；

灰度重置单元，用于将所述第一图像中各个像素点的灰度值分别设置为各个像素点所处的色阶等级对应的预设灰度值，获得第二图像，所述第二图像用于进行图像识别处理，以获得针对所述第一图像的图像识别结果。

一方面，本申请一实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行计算机程序时实现上述任一种方法的步骤。

一方面，本申请一实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，该计算机程序指令被处理器执行时实现上述任一种方法的步骤。

一方面，本申请一实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现上述任一种方法的步骤。

本申请实施例提供的图像处理方法、装置、电子设备及存储介质，将待识别图像中属于同一色阶等级的像素点设置成同一预设灰度值，减少了待识别图像中包含的灰度值种类的数量，这样可过滤掉待识别图像中大部分无用的、繁复的细节信息(如物体表面的纹理)的同时，保留下待识别图像中物体的主体轮廓，进而降低后续图像识别的难度，提高图像识别的准确率。尤其是针对如扫地机器人这类要求能够进行快速、实时图像识别的应用场景，降低所使用的图像识别算法的难度，可大大提高图像识别效率和准确率，并降低实现成本。此外，本申请实施例的图像处理方法，能够基于待识别图像自身的灰度分布区间，自适应确定各个色阶等级对应的灰度区间，因此，本申请实施例的图像处理方法可很好地识别各种应用场景下获取到的图像，尤其是当图像整体过暗或过亮时，可扩大图像中各个像素点之间的明暗对比度，从而降低图像识别的难度，提高图像识别准确度。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，显而易见地，下面所介绍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为本申请实施例提供的图像处理方法的应用场景示意图；

图2为本申请一实施例提供的图像处理方法的流程示意图；

图3为本申请一实施例提供的确定色阶等级对应的灰度区间的流程示意图；

图4A为本申请一实施例提供的在较暗环境下采集到的洗衣机面板的图像；

图4B为基于本申请实施例提供的图像处理方法对图4A进行处理后获得的图像；

图4C为对图4A循环进行3次图像处理方法后获得的图像；

图5为本申请一实施例提供的图像处理方法的流程示意图；

图6为本申请一实施例提供的图像处理方法的流程示意图；

图7为本申请一实施例提供的图像处理装置的结构示意图；

图8为本申请一实施例提供的电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，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。

为了方便理解，下面对本申请实施例中涉及的名词进行解释：

色阶：是表示图像亮度强弱的指数标准，在数字图像处理中，指的是灰度分辨率(又称为灰度级分辨率或者幅度分辨率)。图像的色彩丰满度和精细度是由色阶决定的，色阶指亮度，和颜色无关，但最亮的只有白色，最不亮的只有黑色。

灰度：指由于景物各点颜色及亮度不同，摄成的黑白照片(或黑白图像)上的各像素点呈现不同深度的灰色。在计算机中，图像灰度值的范围一般是0～255，其中，0代表黑色，255代表是白色。

RGB：是工业界的一种颜色标准，是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，RGB即是代表红、绿、蓝三个通道的颜色，这个标准几乎包括了人类视力所能感知的所有颜色，是运用最广的颜色系统之一。

中值滤波：是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。

均值滤波：取该像素点临近的所有像素点的值，用整体像素点的像素值的均值代替该点像素点的值。

双边滤波(Bilateral filter)：是一种非线性的滤波方法，是结合图像的空间邻近度和像素值相似度的一种折中处理，同时考虑空域信息和灰度相似性，达到保边去噪的目的。

引导影像滤波器(Guided Image Filter)：是一种能使影像平滑化的非线性滤波方法。

附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。

在具体实践过程中，为了提高图像识别的准确率，通常需要先对图像进行预处理，如滤波降噪处理等，然后基于预处理后的图像进行图像识别。但是，单纯使用滤波降噪算法对图像进行预处理，无法过滤掉图像中的无用信息，增加了后续图像识别的难度，尤其是在待识别图像整体过暗或过亮的情况下，待识别图像中的目标对象往往淹没在背景中，这给后续的图像识别带来了极大的困难。

为此，本申请实施例提供了一种图像处理方法，先获取待识别的第一图像的灰度分布区间，将灰度分布区间划分成多个灰度区间，每个灰度区间对应一个色阶等级，每个色阶等级对应一个预设灰度值；然后，根据第一图像中各个像素点的灰度值所处的灰度区间，确定各个像素点所处的色阶等级，再将第一图像中各个像素点的灰度值分别设置为各个像素点所处的色阶等级对应的预设灰度值，从而获得第二图像。将第一图像中属于同一色阶等级的像素点设置成同一预设灰度值，使得第二图中仅包含数量有限的几种灰度值，这样可过滤掉第一图像中大部分无用的细节信息(如物体表面的纹理)，同时保留下第一图像中物体的主体轮廓，进而降低后续图像识别的难度，提高图像识别的准确率，尤其是针对如扫地机器人这类要求能够进行快速、实时图像识别的应用场景，降低所使用的图像识别算法的难度，可大大提高图像识别效率和准确率，并降低实现成本。其中，各个色阶等级对应的预设灰度值之间的差值较大，这可以提高第二图像中不同色阶等级的像素点之间的明暗对比度，进一步降低图像识别的难度，提高图像识别准确度。此外，本申请实施例的图像处理方法，能够基于图像自身的灰度分布区间，自适应确定各个色阶等级对应的灰度区间，因此，本申请实施例的图像处理方法可很好地识别各种应用场景下获取到的图像，尤其是当图像整体过暗或过亮时，可扩大图像中各个像素点之间的明暗对比度，从而降低图像识别的难度，提高图像识别准确度。

在介绍完本申请实施例的设计思想之后，下面对本申请实施例的技术方案能够适用的应用场景做一些简单介绍，需要说明的是，以下介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施时，可以根据实际需要灵活地应用本申请实施例提供的技术方案。

本申请实施例提供的图像处理方法可应用于自动导航、自动驾驶、目标定位、图形识别等需要结合图像识别技术的应用领域。参考图1，其为本申请实施例提供的图像处理方法的应用场景示意图。该应用场景包括摄像头101、图像识别模块102和业务处理模块103，摄像头101将采集的图像作为待识别图像发送给图像识别模块102，图像识别模块102对待识别图像进行预处理和图像识别，获得图像识别结果，业务处理模块103基于图像识别结果进行后续业务处理。其中，图像识别模块102和业务处理模块103可以是设置在终端设备内的软件模块或硬件模块，终端设备包括但不限于桌面计算机、智能手机、移动电脑、平板电脑、媒体播放器、智能可穿戴设备、智能电视、机器人等电子设备，图像识别模块102和业务处理模块103还可以是设置在自动驾驶系统、目标定位系统等系统内的软件模块或硬件模块。其中，摄像头101可以是终端设备内置的摄像头，也可以是外接的摄像头，本申请实施例不作限定。

例如，当终端设备为可自主移动的机器人时，机器人在移动过程中通过内置的摄像头采集周围环境的图像作为待识别图像，机器人内置的图像识别模块对待识别图像进行预处理和图像识别，避障模块(即一种业务处理模块)基于图像识别结果识别障碍物并控制机器人躲避避障物，实现机器人自动避障。

例如，在目标定位系统中，通过摄像头采集周围的图像作为待识别图像，图像识别模块对待识别图像进行预处理和图像识别，识别出待识别图像中的目标对象，定位模块(即一种业务处理模块)基于识别出的目标对象实现自动定位，如控制被控对象移动至目标对象所在位置。目标定位系统可应用于各种工业自动化系统中，例如控制机械手臂移动至目标位置，实现精准定位，又如可应用于自动仓储系统，实现货物的定位、取放等。

例如，在自动驾驶系统中，通过摄像头采集周围的图像作为待识别图像，图像识别模块对待识别图像进行预处理和图像识别，自动驾驶模块(即一种业务处理模块)基于图像识别结果辅助判断周围的路况，如识别周围的车辆、行人，识别路面的行车线等等，辅助实现自动驾驶。

当然，图像识别模块102也可以设置在服务器内，由终端设备将采集到的待识别图像发送给服务器，由服务器调用图像识别模块102对应待识别图像进行预处理和图像识别，获得图像识别结果，并返回给终端设备内的业务处理模块103，由业务处理模块103基于图像识别结果进行后续业务处理。业务处理模块103同样也可以设置在服务器中，业务处理模块103基于图像识别结果获得业务处理结果后再返回给终端设备。其中，终端设备和服务器之间可通过无线或有线网络连接，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。

当然，本申请实施例提供的方法并不限用于图1所示的应用场景中，还可以用于其它可能的应用场景，本申请实施例并不进行限制。对于图1所示的应用场景的各个设备所能实现的功能将在后续的方法实施例中一并进行描述，在此先不过多赘述。

为进一步说明本申请实施例提供的技术方案，下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。

下面结合图1所示的应用场景，对本申请实施例提供的技术方案进行说明。

参考图2，本申请实施例提供一种图像处理方法，应用于图1所示的图像识别模块，包括以下步骤：

S201、将第一图像中像素点的灰度分布区间划分为至少两个灰度区间，每个灰度区间对应一个色阶等级。

其中，第一图像是指需要进行图像识别处理的图像，即待识别图像。第一图像可以是用户通过终端设备输入的图像，也可以是搭载图像识别模块的终端设备通过摄像头采集到的图像，也可以是终端设备上显示的图像，还可以是终端设备或服务器对包含图像的文件(如视频数据、图像数据、网页数据)进行处理后得到的图像，例如对视频数据进行分帧处理后获得的图像，本申请实施例不作限定。

其中，第一图像可以是彩色图像(如RGB图像)，也可以是灰度图像。若第一图像为灰度图像，则直接可以从第一图像中获取各个像素点的灰度值。若第一图像是彩色图像，如RGB图像，则需要先根据一定的转换规则对第一图像中的像素点进行灰度化处理，从而获得第一图像中各个像素点的灰度值，例如可通过如下公式得到RGB图像中每个像素点的灰度值：gray＝R×0.299+G×0.587+B×0.114，当然，也可以采用其它公式获得第一图像中像素点的灰度图像，本申请实施例不作限定。

本申请实施例中，一个色阶等级对应一个灰度区间，且任意两个色阶等级对应的灰度区间不重合。每个色阶等级对应一个预设灰度值，且每个色阶等级对应的预设灰度值均不相同，各个色阶等级对应的预设灰度值之间的差值可以设置的大一些，例如色阶等级L1的预设灰度值为0，色阶等级L2的预设灰度值为85，色阶等级L3的预设灰度值为170，色阶等级L4的预设灰度值为255，这样基于色阶等级调整后的各个像素点之间的明暗对比度会显著提高，有助于降低后续图像识别的难度，提高图像识别准确度。

具体实施时，可统计第一图像中各个像素点的灰度值，获得第一图像的灰度分布区间，基于获得的灰度分布区间，确定多个色阶等级分别对应的灰度区间。例如，第一图像的灰度分布区间为[0,150]，假设色阶等级的数量为3，则可以将第一图像的灰度分布区间[0,150]等间距划分成3个灰度区间，色阶等级L1对应的灰度区间可以是[0,50]，色阶等级L2对应的灰度区间可以是[51,100]，色阶等级L3对应的灰度区间可以是[101,150]。当然，上述例子中，也可以采用不等间距的划分方式，则色阶等级L1、L2和L3分别对应的灰度区间可以是[0,40]、[41,110]和[111,150]，本申请实施例对区间划分方式不作限定，可以通过等间距划分灰度分布区间的方式获得多个灰度区间，也可以通过不等间距划分灰度分布区间的方式获得多个灰度区间。

具体实施时，色阶等级的数量可以预先设定，也可以根据第一图像的灰度分布区间动态确定，例如色阶等级的数量与第一图像的灰度分布区间的大小正相关，即第一图像的灰度分布区间越大，色阶等级的数量越多。

S202、根据第一图像中各个像素点的灰度值所处的灰度区间，确定各个像素点所处的色阶等级。

具体地，若像素点的灰度值落在某一色阶等级对应的灰度区间内，则确定该像素点的灰度值处于该色阶等级。例如，色阶等级L1、L2和L3对应的灰度区间分别为[0,50]、[51,100]和[101,150]，像素点P1的灰度值为0，像素点P2的灰度值为10，像素点P3的灰度值为120，则像素点P1和P2所处的色阶等级为L1，像素点P3所处的色阶等级为L3。

S203、将第一图像中各个像素点的灰度值分别设置为各个像素点所处的色阶等级对应的预设灰度值，获得第二图像。

例如，色阶等级为L1、L2、L3分别对应的预设灰度值为0、120和255，将第一图像中所有处于色阶等级L1的像素点的灰度值设置为0，将第一图像中所有处于色阶等级L2的像素点的灰度值设置为120，将第一图像中所有处于色阶等级L1的像素点的灰度值设置为255，将重新设置灰度值后获得的图像作为第二图像。

可基于步骤S203获得的第二图像进行图像识别处理，获得针对第一图像的图像识别结果。也可以对步骤S203中获得的第二图像进行进一步处理，基于进一步处理后获得的图像进行图像识别处理，进而获得针对第一图像的图像识别结果。

本申请实施例提供的图像处理方法，将待识别图像中属于同一色阶等级的像素点设置成同一预设灰度值，减少了待识别图像中包含的灰度值种类的数量，这样可过滤掉待识别图像中大部分无用的、繁复的细节信息(如物体表面的纹理)的同时，保留下待识别图像中物体的主体轮廓，进而降低后续图像识别的难度，提高图像识别的准确率。尤其是针对如扫地机器人这类要求能够进行快速、实时图像识别的应用场景，降低所使用的图像识别算法的难度，可大大提高图像识别效率和准确率，并降低实现成本。

此外，本申请实施例的图像处理方法，能够基于待识别图像自身的灰度分布区间，自适应确定各个色阶等级对应的灰度区间，因此，本申请实施例的图像处理方法可很好地识别各种应用场景下获取到的图像，尤其是当图像整体过暗或过亮时，可扩大图像中各个像素点之间的明暗对比度，从而降低图像识别的难度，提高图像识别准确度。

在上述任一实施方式的基础上，参考图3，步骤S201具体包括如下步骤：

S301、从第一图像中各个像素点的灰度值中，确定出最小灰度值和最大灰度值。

S302、从最小灰度值和最大灰度值之间的灰度值中，确定出至少一个区间划分点。

S303、根据至少一个区间划分点，将最小灰度值和最大灰度值之间的区间划分为至少两个灰度区间。

其中，最小灰度值和最大灰度值之间的区间即为第一图像的灰度分布区间。

具体地，区间划分点的数量可根据所需的色阶等级的数量确定，如果色阶等级的数量为n，则区间划分点的数量为n-1，这样就可以将最小灰度值和最大灰度值对应的灰度分布区间划分为n个灰度区间，每个灰度区间对应一个色阶等级。且根据第一图像中的最小灰度值和最大灰度值，动态确定各个色阶等级对应的灰度区间，进而自适应调整图像的明暗对比度，尤其是在图像整体过暗或过亮的情况下，可显著增强图像的明暗对比度，进而提高图像识别准确度。

具体实施时，可通过以下至少一种方式，从最小灰度值和最大灰度值之间的灰度值中，确定出至少一个区间划分点：

第一种方式：根据第一图像中各个像素点的灰度值，确定第一图像对应的灰度平均值，将灰度平均值确定为区间划分点。

具体实施时，将第一图像中所有像素点的灰度值相加后，除以第一图像中的像素点个数，即可得到第一图像的灰度平均值M，然后将灰度平均值作为区间划分点。

例如，第一图像中的最小灰度值为0，最大灰度值为200，虽然第一图像的灰度分布区间很大，但是第一图像中大部分像素点的灰度值都处在0～50的范围，具体可参考图4A所示的图像。在这种情况下，如果对灰度分布区间等间距划分，例如灰度分布区间将划分为[0,100]和[101,200]，或者[0,50]、[51,100]、[101,150]和[151,200]，则大量灰度值较低的像素点处于同一色阶等级，因此获得的第二图像中无法很好地区分开这些灰度值较低的像素点，导致无法凸显出第一图像中过暗区域的细节，这会降低图像识别的准确率。而当基于第一图像的灰度平均值进行灰度区间划分时，由于第一图像中大部分像素点的灰度值都处在0～50的范围，因此灰度平均值落在0～50内，假设第一图像的灰度平均值为35，则基于灰度平均值，第一图像的灰度分布区间可被划分为[0,35]和[36,200]两个灰度区间，这样灰度值较低的像素点(如灰度值处于0～50之间的像素点)会被划分到不同的色阶等级，可以有效缓解等间距划分方式导致处理后的图像无法凸显细节的问题，尤其是针对明暗对比度较低的图像，处理效果尤为明显。

在基于灰度平均值将第一图像的灰度分布区间划分成两个区间(后续称为第一区域和第二区域)后，还可以将继续对第一区域和第二区域进行划分，以获得更多的灰度区间，使得第二图像包含更多的色阶等级，进而丰富第二图像中包含的细节信息，提高后续图像识别的准确度。其中，可对第一区域和第二区域进行等间距划分，也可以计算落入第一区域内的所有像素点的平均灰度值M₁，基于M₁将第一区域划分为两个区域，采用同样的方式将第二区域划分为两个区域。

第二种方式：根据第一图像的灰度平均值和最大灰度值，确定出至少一个区间划分点。

具体地，可通过如下公式确定区间划分点L＝(Lest-M)/2+M，其中，Lest表示第一图像中的最大灰度值，M表示第一图像的灰度平均值，L表示中间亮度值。

第三种方式：根据第一图像的灰度平均值和最小灰度值，确定出至少一个区间划分点。

具体地，可通过如下公式确定区间划分点D＝M-(M-Dest)/2，其中，Dest表示第一图像中的最小灰度值，M表示第一图像的灰度平均值，D表示中间暗度值。

具体实施时，可结合上述三种方式确定出多个区间划分点，基于确定出的多个区间划分点，将第一图像的灰度分布区间划分成多个灰度区间，进而确定出每个色阶等级分别对应的灰度区间。例如，第一图像的最小灰度值为Dest，最大灰度值为Lest，确定出的区间划分点包括第一图像的灰度平均值M、中间暗度值D和中间亮度值L，则可将第一图像的灰度分布区间[Dest,Lest]划分为[Dest,D]、(D,M]、(M,L]和(L,Lest]这四个灰度区间，色阶等级L1对应[Dest,D]，色阶等级L2对应(D,M]，色阶等级L3对应(M,L]，色阶等级L4对应(L,Lest]，若色阶等级L1的预设灰度值为0，色阶等级L2的预设灰度值为85，色阶等级L3的预设灰度值为170，色阶等级L4的预设灰度值为255，则将第一图像中灰度值处于[Dest,D]中的像素点的灰度值设置为0，将第一图像中灰度值处于(D,M]中的像素点的灰度值设置为85，将第一图像中灰度值处于(M,L]中的像素点的灰度值设置为170，将第一图像中灰度值处于(L,Lest]中的像素点的灰度值设置为255。

当然，实际应用中还可以确定出更多的区间划分点，以获得更多的灰度区间，使得第二图像包含更多的色阶等级，进而丰富第二图像中包含的细节信息，提高后续图像识别的准确度。但是，色阶等级越多，第二图像中包含的细节信息也越多，这会增加图像识别的难度，因此，需要在色阶等级数量和图像识别难度之间作出平衡。

参考图4A，为在较暗环境下采集到的洗衣机面板的图像，图像整体偏暗，各个区域的明暗对比度很低，无法准确识别图像中的物体。基于本申请实施例提供的图像处理方法对图4A所示的图像进行处理，具体过程可包括：获取第一图像的最小灰度值Dest和最大灰度值Lest，并计算第一图像的灰度平均值M，基于最小灰度值Dest和灰度平均值M，确定中间暗度值D，基于最大灰度值Lest和灰度平均值M，确定中间亮度值L；然后，确定色阶等级L1对应的灰度区间为[Dest,D]、色阶等级L2对应的灰度区间为(D,M]、色阶等级L3对应的灰度区间为(M,L]、以及色阶等级L4对应的灰度区间为(L,Lest]；然后，将第一图像中灰度值处于[Dest,D]中的像素点的灰度值设置为色阶等级L1的预设灰度值0(对应图4B中的黑色401)，将第一图像中灰度值处于(D,M]中的像素点的灰度值设置为色阶等级L2的预设灰度值85(对应图4B中的深灰色402)，将第一图像中灰度值处于(M,L]中的像素点的灰度值设置为色阶等级L3的预设灰度值170(对应图4B中的浅灰色403)，将第一图像中灰度值处于(L,Lest]中的像素点的灰度值设置为色阶等级L4的预设灰度值255(对应图4B中的白色404)，即可得到如图4B所示的图像。显然，与处理前的第一图像相比，图4B所示的图像凸显出了洗衣机面板的整体轮廓，有助于提高后续图像识别的准确率。

通过对比图4A和图4B可发现，基于本申请实施例提供的图像处理方法获得的第二图像，提升了图像的明暗对比度，凸显出了图像中主体部分的轮廓，有助于提高后续图像识别的准确率，尤其针对过暗或过亮环境下获取的图像，能够很好地还原图像中目标对象的主体轮廓，提升明暗对比度，环境适应力极强。

在上述任一实施方式的基础上，在执行步骤S204之前，本申请实施例提供的图像处理方法还包括以下步骤：对第二图像进行滤波降噪处理。其中，滤波降噪处理包括但不限于：中值滤波、均值滤波、双边滤波、引导影像滤波等滤波降噪算法。通过对第二图像进行滤波降噪处理，可过滤掉第二图像中的噪声，基于滤波降噪处理后的第二图像进行图形识别，提高图像识别的准确率。

具体地，参考图5，本申请实施例提供另一种图像处理方法，可应用于图1所示的图像识别模块，包括以下步骤：

S501、将第一图像中像素点的灰度分布区间划分为至少两个灰度区间，每个灰度区间对应一个色阶等级。

S502、根据第一图像中各个像素点的灰度值所处的灰度区间，确定各个像素点所处的色阶等级。

S503、将第一图像中各个像素点的灰度值分别设置为各个像素点所处的色阶等级对应的预设灰度值，获得第二图像。

S504、对第二图像进行滤波降噪处理，获得预处理图像。

可基于步骤S504获得的预处理图像进行图像识别处理，获得针对第一图像的图像识别结果。也可以对步骤S504中获得的预处理图像进行进一步地处理，基于进一步处理后获得的图像进行图像识别处理，进而获得针对第一图像的图像识别结果。

图5所示的图像处理方法中的各个步骤的具体实施方式可参考图2、图3所示的方法，不再赘述。

实际应用中，经过滤波降噪处理后的图像一般会存在毛刺，为了使得处理后的图像具有更清晰的轮廓，可对滤波降噪处理后的图像再次进行色阶处理(即对应步骤S501～S503),以便过滤掉影响主体轮廓的噪点。为此，本申请实施例的图像处理方法还包括：循环执行N次步骤S501～S504，获得第一图像对应的预处理图像，其中，N为大于1的整数，第n次执行步骤S501～S504时的第一图像为第n-1次执行步骤S501～S504时获得的滤波降噪处理后的第二图像。

可基于循环执行N次图像处理方法对应的步骤后获得的预处理图像，进行图像识别处理，获得针对第一图像的图像识别结果，以提高图像识别准确度。

具体实施时，N的取值可由本领域技术人员基于试验结果以及处理效率确定，本申请实施例不作限定。例如，本领域技术人员发现循环执行3～4次步骤S501～S504后，大部分图像可获得较清晰的轮廓，则N的取值可设置为3或4。

具体地，参考图6，本申请实施例提供另一种图像处理方法，可应用于图1所示的图像识别模块，包括以下步骤：

S601、将图像P_n中像素点的灰度分布区间划分为至少两个灰度区间，每个灰度区间对应一个色阶等级。

其中，图像P₁即为采集的待识别图像，即步骤S201中的第一图像。

S602、根据图像P_n中各个像素点的灰度值所处的灰度区间，确定各个像素点所处的色阶等级。

S603、将图像P_n中各个像素点的灰度值分别设置为各个像素点所处的色阶等级对应的预设灰度值，获得图像P’_n。

S604、对图像P’_n进行滤波降噪处理，获得图像P_n+1。

S605、判断n是否小于N；若是，则n的数值加1，并返回步骤S601；否则执行步骤S606。

其中，当n＝N时，表明已经循环执行了N次图像处理方法对应的步骤(包括步骤S601～S604)。

S606、对图像P_n+1进行图像识别处理。

图6所示的图像处理方法中的各个步骤的具体实施方式可参考图2、图3所示的方法，不再赘述。

图4C为对图4A所示的图像循环进行3次图像处理方法对应的步骤后获得的图像，图4B中洗衣机面板的面板区域(对应图4B中间部分的浅灰色403)中的大部分像素点在图4C中被设置为白色404，增加了面板区域和图4C正中间的圆形旋钮之间的明暗对比度，因此更容易识别出图4C正中间的圆形旋钮。与图4B所示的执行一次图像处理方法对应的步骤后获得的图像相比，图4C所示的图像的明暗对比度更高，且图4C中的洗衣机面板的主体轮廓更加清晰，这有助于提高后期图像识别的准确度。

基于上述实施例提供的图像处理方法，针对过暗或过亮的图像、过度曝光或欠曝光的图像、以及噪声大的图像，均能获得明暗对比度大、主体轮廓清晰的处理结果，便于提高后续图像识别的准确度。

本申请实施例的图像处理方法，能够显著降低待识别图像的复杂度，从而降低后续图像识别算法的难度，因此能够在处理能力较低的终端设备上实现高效的图像识别功能，降低了图像识别的实现成本。例如，本申请实施例的图像处理方法可基于纯web(WorldWide Web，全球广域网)环境和JavaScript语言实现，大大降低的实现成本，当然，本申请实施例的图像处理方法也可以使用其他程序语言在其他平台上实现。

下面以智能手机为例，说明本申请实施例的图像处理方法的实现方式。首先，用户打开智能手机内的应用程序，应用程序已预先插入<canvas>元素，canvas具备像素读写能力。然后，用户可使用智能手机的摄像头拍摄照片或者从本地相册读取照片，作为待识别图像，应用程序将待识别图像写入<canvas>元素内，读取<canvas>元素内的每个点的像素信息，基于各个点的像素信息计算出各个点的灰度值，从而得到待识别图像中各个像素点的灰度值。应用程序根据待识别图像中各个像素点的灰度值，确定至少两个色阶等级分别对应的灰度区间，根据待识别图像中各个像素点的灰度值，确定各个像素点所处的色阶等级，将待识别图像中各个像素点的灰度值分别设置为各个像素点所处的色阶等级对应的预设灰度值，获得第二图像，对第二图像进行滤波降噪处理，然后循环执行N次上述步骤，即可获得预处理图像，对预处理图像进行图像识别处理，获得图像识别结果。

如图7所示，基于与上述图像处理方法相同的发明构思，本申请实施例还提供了一种图像处理装置70，包括区间划分单元701、等级确定单元702和灰度重置单元703。

区间划分单元701，用于将第一图像中像素点的灰度分布区间划分为至少两个灰度区间，每个灰度区间对应一个色阶等级。

等级确定单元702，用于根据第一图像中各个像素点的灰度值所处的灰度区间，确定各个像素点所处的色阶等级。

灰度重置单元703，用于将第一图像中各个像素点的灰度值分别设置为各个像素点所处的色阶等级对应的预设灰度值，获得第二图像，第二图像用于进行图像识别处理，以获得针对第一图像的图像识别结果。

可选地，区间划分单元701，具体用于：

从第一图像中各个像素点的灰度值中，确定出最小灰度值和最大灰度值；

从最小灰度值和最大灰度值之间的灰度值中，确定出至少一个区间划分点；

根据至少一个区间划分点，将最小灰度值和最大灰度值之间的区间划分为至少两个灰度区间。

可选地，区间划分单元701，具体用于通过以下至少一种方式，从最小灰度值和最大灰度值之间的灰度值中，确定出至少一个区间划分点：

根据第一图像中各个像素点的灰度值，确定第一图像对应的灰度平均值，将灰度平均值确定为区间划分点；

根据第一图像的灰度平均值和最大灰度值，确定出至少一个区间划分点；

根据第一图像的灰度平均值和最小灰度值，确定出至少一个区间划分点。

可选地，图像处理装置70还包括滤波降噪单元704，用于对第二图像进行滤波降噪处理。

可选地，图像处理装置70还包括循环控制单元705，用于控制区间划分单元701、等级确定单元702、灰度重置单元703以及滤波降噪单元704循环执行N次，以获得针对第一图像的图像识别结果，其中，N为大于1的整数，区间划分单元第n次执行时的第一图像为滤波降噪单元第n-1次执行时获得的滤波降噪处理后的第二图像。

本申请实施例提的图像处理装置与上述图像处理方法采用了相同的发明构思，能够取得相同的有益效果，在此不再赘述。

基于与上述图像处理方法相同的发明构思，本申请实施例还提供了一种电子设备，该电子设备具体可以为桌面计算机、便携式计算机、智能手机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)、服务器等。如图8所示，该电子设备80可以包括处理器801和存储器802。

处理器801可以是通用处理器，例如中央处理器(CPU)、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器802作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random Access Memory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器802还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。

本申请实施例提供了一种计算机可读存储介质，用于储存为上述电子设备所用的计算机程序指令，其包含用于执行上述图像处理方法的程序。

上述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。

以上，以上实施例仅用以对本申请的技术方案进行了详细介绍，但以上实施例的说明只是用于帮助理解本申请实施例的方法，不应理解为对本申请实施例的限制。本技术领域的技术人员可轻易想到的变化或替换，都应涵盖在本申请实施例的保护范围之内。

Claims

1.一种图像处理方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述将第一图像中像素点的灰度分布区间划分为至少两个灰度区间，具体包括：

从所述最小灰度值和所述最大灰度值之间的灰度值中，确定出至少一个区间划分点；

根据所述至少一个区间划分点，将所述最小灰度值和所述最大灰度值之间的区间划分为至少两个灰度区间。

3.根据权利要求2所述的方法，其特征在于，所述从所述最小灰度值和所述最大灰度值之间的灰度值中，确定出至少一个区间划分点，包括以下至少一种方式：

根据所述第一图像中各个像素点的灰度值，确定所述第一图像对应的灰度平均值，将所述灰度平均值确定为区间划分点；

根据所述第一图像的灰度平均值和所述最大灰度值，确定出至少一个区间划分点；以及

根据所述第一图像的灰度平均值和所述最小灰度值，确定出至少一个区间划分点。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述方法，还包括：

对所述第二图像进行滤波降噪处理。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

循环执行N次如权利要求1所述的图像处理方法，获得预处理图像，所述预处理图像用于进行图像识别处理，以获得针对所述第一图像的图像识别结果，其中，所述N为大于1的整数，第n次执行所述图像处理方法时的第一图像为第n-1次执行所述图像处理方法时获得的滤波降噪处理后的第二图像。

6.一种图像处理装置，其特征在于，包括：

7.根据权利要求6所述的装置，其特征在于，所述区间划分单元，具体用于：

8.根据权利要求7所述的装置，其特征在于，所述区间划分单元，具体用于通过以下至少一种方式，从所述最小灰度值和所述最大灰度值之间的灰度值中，确定出至少一个区间划分点：

9.根据权利要求6至8任一项所述的装置，其特征在于，所述装置还包括滤波降噪单元，用于对所述第二图像进行滤波降噪处理。

10.根据权利要求9所述的装置，其特征在于，所述装置还包括循环控制单元，用于控制所述区间划分单元、所述等级确定单元、所述灰度重置单元以及所述滤波降噪单元循环执行N次，以获得针对所述第一图像的图像识别结果，其中，所述N为大于1的整数，所述区间划分单元第n次执行时的第一图像为所述滤波降噪单元第n-1次执行时获得的滤波降噪处理后的第二图像。

11.一种电子设备，包括存储器、处理器及存储在存储器上并可在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权利要求1至5任一项所述方法的步骤。

12.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该计算机程序指令被处理器执行时实现权利要求1至5任一项所述方法的步骤。