CN111563898B - 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
- CN111563898B CN111563898B CN202010355343.5A CN202010355343A CN111563898B CN 111563898 B CN111563898 B CN 111563898B CN 202010355343 A CN202010355343 A CN 202010355343A CN 111563898 B CN111563898 B CN 111563898B
- Authority
- CN
- China
- Prior art keywords
- component
- contours
- target
- preset
- determining
- 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.)
- Active
Links
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
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (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边缘检测,得到M个轮廓,所述M为大于1的整数;从所述M个轮廓中提取出属于所述目标构件的轮廓,得到N个轮廓,所述N为小于或等于所述M且大于1的正整数;将所述N个轮廓串联起来,得到所述目标构件的轮廓图像。采用本申请实施例由于能够边缘检测,且识别出需要构件的轮廓,并串联出需要的构件的轮廓图像,如此,能够精准提取建筑图纸中的构件。
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
在图像分割领域,scikit Image是应用较为广泛的计算机视觉库,在建筑图纸构件分割也有一定的应用。scikit-image是一个基于numpy数组的开源Python包。它实现了用于研究、教育和工业应用的算法和实用程序。对于Python的初学者来说,它也是一个相当简单的库。此库的代码质量高,由一个活跃的志愿者社区编写,并已经过同行评审。但是它只提供最基础的数字图像处理功能,只能对图像进行一些基础的操作,无法对图像进行更加复杂的处理。
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边缘检测,得到M个轮廓,所述M为大于1的整数;
从所述M个轮廓中提取出属于所述目标构件的轮廓,得到N个轮廓,所述N为小于或等于所述M且大于1的正整数;
将所述N个轮廓串联起来,得到所述目标构件的轮廓图像。
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、检测单元、提取单元和串联单元,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;
所述检测单元,用于对所述输入图像进行边缘检测,得到M个轮廓,所述M为大于1的整数;
所述提取单元,用于从所述M个轮廓中提取出属于所述目标构件的轮廓,得到N个轮廓,所述N为小于或等于所述M且大于1的正整数;
所述串联单元,用于将所述N个轮廓串联起来,得到所述目标构件的轮廓图像。
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,该输入图像为建筑图纸中包括目标构件的图像,对输入图像进行边缘检测,得到M个轮廓,M为大于1的整数,从M个轮廓中提取出属于目标构件的轮廓,得到N个轮廓,N为小于或等于M且大于1的正整数,将N个轮廓串联起来,得到目标构件的轮廓图像,由于能够边缘检测,且识别出需要构件的轮廓,并串联出需要的构件的轮廓图像,如此,能够精准提取建筑图纸中的构件。
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计算机辅助设计(Computer Aided Design,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,例如,输入图像可以为用户通过截图软件截图得到的图像。输入图像中可以包括目标构件的部分或者全部图像。上述目标构件可以为以下构件或者多个构件。具体实现中,电子设备可以通过OpenCV获取输入图像。
具体实现中,目标构件可以由电子设备初步识别或者用户自行设置,例如,电子设备可以通过图像识别方式初步识别输入图像中包括目标构件,或者,用户可以通过肉眼发现建筑图纸中存在目标构件,进而,在建筑图纸中进行标记。
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。例如,电子设备可以通过BIM导入建筑图纸以获取目标图像,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边缘检测,得到M个轮廓,所述M为大于1的整数。
具体实现中,电子设备可以采用边缘检测算子对第一图像进行边缘检测,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。当然,电子设备还可以对输入图像进行霍夫变换,得到M个轮廓,M为大于1的整数。
当然,电子设备也可以使用高斯滤波器对图像进行去噪,在边缘上使用非最大抑制(NMS),即检查每一个像素,看此像素是否是周围具有相同梯度方向中最大的。在检测到的边缘上使用双阈值去除假阳性,可以采用两个参数minVal和maxVal。图像灰度梯度高于maxVal可以认为是真正的边界,低于minVal的可以舍弃。分析所有边缘及其之间的连接,以保留真正的边缘并消除不明显的边缘。即minVal和maxVal之间的值要判断是否与真正的边界相连,相连就保留,不相连舍弃。因为scikit Image库所能实现的功能较为基础,所以需要自行编写相关的算法,而在OpenCV中,Canny边缘检测算法已经封装好,使用者直接调用即可。
可选地,上述步骤102,对所述输入图像进行边缘检测,得到M个轮廓,可以包括如下步骤:
21、将所述输入图像输入到预设神经网络模型,得到X个轮廓,所述X为大于或等于所述M的整数;
22、确定所述X个轮廓中每一轮廓的长度,得到X个长度;
23、从所述X个长度中选取大于预设长度的目标长度,并获取该目标长度对应的轮廓,得到所述M个轮廓。
其中,预设神经网络模型可以为以下至少一种:循环神经网络模型、卷积神经网络模型、脉冲神经网络模型等等,在此不做限定。预设长度可以由用户自行设置或者系统默认。
具体实现中,电子设备可以将输入图像输入到预设神经网络模型,得到X个轮廓,X为大于或等于M的整数,并且可以确定X个轮廓中每一轮廓的长度,得到X个长度,具体地,可以确定每一轮廓抽象成一条线,确定该线的像素点数量,以及建筑图纸的比例尺,可以确定每一轮廓的长度,从X个长度中选取大于预设长度的目标长度,并获取该目标长度对应的轮廓,得到M个轮廓,如此,可以过滤掉一些小轮廓,或者,毛刺,有助于提升轮廓识别精度,也有助于后续完整分割目标构件的轮廓图像。
103、从所述M个轮廓中提取出属于所述目标构件的轮廓,得到N个轮廓,所述N为小于或等于所述M且大于1的正整数。
其中,由于M个轮廓中不仅存在属于目标构件的轮廓,也有可能存在一些不属于目标构件的轮廓,相当于是一个筛选过程,筛选出构件可能的轮廓,能够降低轮廓误提取概率,因此,电子设备可以从M个轮廓中提取出属于目标构件的轮廓,得到M个轮廓,N为小于或等于M且大于1的正整数。
可选地,上述步骤103,从所述M个轮廓中提取出属于所述目标构件的轮廓,得到N个轮廓,可以包括如下步骤:
31、确定所述M个轮廓中每个轮廓对应的构件标识,得到M个构件标识,每一轮廓对应至少一个构件标识;
32、从所述M个构件标识中选取与所述目标构件的目标构件标识对应的构件标识,得到P个构件标识,所述P为大于或等于所述N的整数;
33、确定所述P个构件标识对应的轮廓,得到P个第一轮廓;
34、对所述P个第一轮廓进行特征点标定,得到Q个特征点,所述Q个特征点满足预设要求,所述Q为大于1的整数;
35、基于所述Q个特征点生成一个闭合区域;
36、保留所述P个第一轮廓中属于所述闭合区域所在区域范围内的第一轮廓,得到所述N个轮廓。
其中,具体实现中,不同的轮廓属于不同的构件,当然,也有可能不同的构件可能存在相同的轮廓。因此,电子设备可以确定M个轮廓中每个轮廓对应的构件标识,得到M个构件标识,每一轮廓对应至少一个构件标识,进而,可以从M个构件标识中选取与目标构件的目标构件标识对应的构件标识,得到P个构件标识,P为大于或等于N的整数,并且可以确定P个构件标识对应的轮廓,得到P个第一轮廓,当然,有可能这些轮廓中可能存在一些不属于目标构件的轮廓。
进一步地,电子设备可以对P个第一轮廓进行特征点标定,得到Q个特征点,Q个特征点满足预设要求,Q为大于1的整数,例如,Q可以为3或者4,预设要求可以由用户自行设置或者系统默认,例如,预设要求可以为Q个特征的位置关系满足一定要求,或者,特征点的模满足一定范围要求等等,进而,可以基于Q个特征点生成一个闭合区域,例如,可以确定Q个特征点的中心,将中心一定范围内的区域作为一个闭合区域,最后,可以保留P个第一轮廓中属于闭合区域所在区域范围内的第一轮廓,得到N个轮廓。
可选地,在所述Q为大于2的整数时,上述步骤35,基于所述Q个特征点生成一个闭合区域,可以包括如下步骤:
A351、确定所述Q个特征点对应的外接圆圆心以及外接圆半径;
A352、依据所述外接圆圆心、以及所述外接圆半径生成一个闭合区域。
其中,具体实现中,电子设备可以确定Q个特征点对应的外接圆圆心以及外接圆半径,具体可以通过数学计算方法实现,进而,可以依据外接圆圆心、以及外接圆半径生成一个闭合区域,如此,可以精准确定目标构件的轮廓范围所在区域。
可选地,在所述Q为大于2的整数时,上述步骤35,基于所述Q个特征点生成一个闭合区域,可以包括如下步骤:
B351、确定所述Q个特征点之间的两两欧式距离,得到多个欧式距离;
B352、选取所述多个欧式距离中的最大值;
B353、获取所述建筑图标的比例尺,并确定所述目标构件的最大两点距离;
B354、依据所述比例尺、所述最大值、所述最大两点距离确定缩放系数;
B355、依据所述缩放系数、所述最大值确定所述闭合区域。
其中,目标构件的最大两点距离为目标构件中轮廓上两点之间的最大距离,缩放系数可以按照如下公式确定:
缩放系数=比例尺*最大值/最大两点距离
具体实现中,电子设备可以确定Q个特征点之间的两两欧式距离,得到多个欧式距离,并且可以选取多个欧式距离中的最大值,进而,可以获取建筑图标的比例尺,并确定目标构件的最大两点距离,以及依据比例尺、最大值、最大两点距离确定缩放系数,依据缩放系数、最大值确定闭合区域,如此,可以尽量确定目标构件所在区域范围,保证完整提取目标构件的轮廓。
进一步可选地,上述步骤31,确定所述M个轮廓中每个轮廓对应的构件标识,可以包括如下步骤:
311、将轮廓i与预设构件j进行匹配,得到匹配值,所述轮廓i为所述M个轮廓中的任一轮廓,所述预设构件j为预设构件集中的任一预设构件;
312、在所述匹配值处于第一预设范围时,将所述预设构件j的构件标识作为所述轮廓i的构件标识。
其中,本申请实施例中,第一预设范围可以由用户自行设置或者系统默认。电子设备中可以预先保存预设构件集,该预设构件集中可以包括至少一个预设构件。
具体实现中,电子设备可以将轮廓i与预设构件j进行匹配,得到匹配值,轮廓i为M个轮廓中的任一轮廓,预设构件j为预设构件集中的任一预设构件,并且在匹配值处于第一预设范围时,将预设构件j的构件标识作为轮廓i的构件标识,反之,在匹配值不处于第一预设范围时,则可以继续将轮廓i与其他的预设构件进行比对。
可选地,上述步骤34,对所述P个第一轮廓进行特征标定,得到Q个特征点,可以包括如下步骤:
341、对所述P个第一轮廓进行特征提取,得到M个特征点,所述M为大于1的整数;
342、确定所述M个特征点的模,得到M个模,每一特征点对应一个模;
343、选取所述M个模中处于第二预设范围的模,得到K个目标模,所述K为大于1的整数;
344、确定所述K个目标模对应的特征点,得到K个特征点;
345、确定所述K个特征点中两两特征点之间的欧式距离,得到A个欧式距离,所述A为大于1的整数;
346、确定所述A个欧式距离中两两欧式距离之间的比值,得到B个比值,所述B为大于1的整数;
347、选取所述B个比值中符合预设要求的比值,得到目标比值;
348、确定所述目标比值对应的特征点,得到所述Q个特征点。
其中,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。其中,第二预设范围、预设要求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P个第一轮廓进行特征提取,得到M个特征点,M为大于1的整数,由于每一特征点可以视为一个向量,向量的话,存在大小和方向,因此,电子设备可以确定M个特征点的模,得到M个模,每一特征点对应一个模,进而,可以选取M个模中处于第二预设范围的模,得到K个目标模,K为大于1的整数,如此,可以选取稳定性强的一些特征点。
进一步地,电子设备可以确定K个目标模对应的特征点,得到K个特征点,并且确定K个特征点中两两特征点之间的欧式距离,得到A个欧式距离,A为大于1的整数,还可以确定A个欧式距离中两两欧式距离之间的比值,得到B个比值,B为大于1的整数,选取B个比值中符合预设要求的比值,得到目标比值,上述预设要求可以依据目标构件的轮廓特征确定,进而,可以确定目标比值对应的特征点,得到Q个特征点。
104、将所述N个轮廓串联起来,得到所述目标构件的轮廓图像。
具体实现中,电子设备可以将N个轮廓串联起来,具体地,可以依据形态学原理对N个轮廓进行串联操作,得到目标构件的轮廓图像。或者,电子设备可以通过边缘跟踪方法,将N个轮廓串联起来,得到目标构件的轮廓图像,如此,有效提取目标构件的边缘轮廓。
具体实现中,基于上述步骤,本申请实施例可以提供一种基于OpenCV的建筑图纸构件分割方法,其主要步骤为:1、读取建筑图纸;2、对构件的边缘进行检测;3、提取构件轮廓。4、跟踪提取的构件轮廓后,将离散的边缘串接起来。
具体地,电子设备可以读取建筑图纸,如:导入OpenCV库,通过OpenCV中的imread函数实现图纸的导入。
其次,电子设备可以对构件的边缘进行检测,即使用OpenCV中封装好的的Canny边缘检测算法进行检测,具体步骤如下。可以使用高斯滤波器对图像进行去噪,在边缘上使用非最大抑制(NMS),即检查每一个像素,看此像素是否是周围具有相同梯度方向中最大的。在检测到的边缘上使用双阈值去除假阳性,需要两个参数minVal和maxVal。图像灰度梯度高于maxVal被认为是真正的边界,低于minVal的被舍弃。分析所有边缘及其之间的连接,以保留真正的边缘并消除不明显的边缘。即minVal和maxVal之间的值要判断是否与真正的边界相连,相连就保留,不相连舍弃。因为scikit Image库所能实现的功能较为基础,所以需要自行编写相关的算法,而在OpenCV中,Canny边缘检测算法已经封装好,使用者直接调用即可。
进一步地,提取构件轮廓。虽然边缘检测就可以做到轮廓提取,不过得到的轮廓比较粗糙。图像轮廓的提取是先对图像二值化,再通过findContours函数提取轮廓,最后通过drawContours函数将轮廓绘制出来。
最后,跟踪提取的构件轮廓后,将离散的边缘串接起来。通常在进行边缘检测之后,需要通过边缘跟踪来将离散的边缘串接起来,常使用的方法边缘跟踪法。
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,该输入图像为建筑图纸中包括目标构件的图像,对输入图像进行边缘检测,得到M个轮廓,M为大于1的整数,从M个轮廓中提取出属于目标构件的轮廓,得到N个轮廓,N为小于或等于M且大于1的正整数,将N个轮廓串联起来,得到目标构件的轮廓图像,一方面可以过滤掉一些小轮廓,或者,毛刺,另一方面,由于能够边缘检测,且识别出需要构件的轮廓,并串联出需要的构件的轮廓图像,如此,能够精准提取建筑图纸中的构件。
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。
202、将所述输入图像输入到预设神经网络模型,得到X个轮廓,所述X为大于1的整数。
203、确定所述X个轮廓中每一轮廓的长度,得到X个长度。
204、从所述X个长度中选取大于预设长度的目标长度,并获取该目标长度对应的轮廓,得到M个轮廓,所述M为大于1且小于等于所述X的整数。
205、从所述M个轮廓中提取出属于所述目标构件的轮廓,得到N个轮廓,所述N为小于或等于所述M且大于1的正整数。
206、将所述N个轮廓串联起来,得到所述目标构件的轮廓图像。
其中,上述步骤201-步骤206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,获取输入图像,该输入图像为建筑图纸中包括目标构件的图像,将输入图像输入到预设神经网络模型,得到X个轮廓,X为大于1的整数,确定X个轮廓中每一轮廓的长度,得到X个长度,从X个长度中选取大于预设长度的目标长度,并获取该目标长度对应的轮廓,得到M个轮廓,M为大于1且小于等于X的整数,从M个轮廓中提取出属于目标构件的轮廓,得到N个轮廓,N为小于或等于M且大于1的正整数,将N个轮廓串联起来,得到目标构件的轮廓图像,由于能够边缘检测,且识别出需要构件的轮廓,并串联出需要的构件的轮廓图像,如此,能够精准提取建筑图纸中的构件。
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边缘检测,得到M个轮廓,所述M为大于1的整数;
从所述M个轮廓中提取出属于所述目标构件的轮廓,得到N个轮廓,所述N为小于或等于所述M且大于1的正整数;
将所述N个轮廓串联起来,得到所述目标构件的轮廓图像。
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,该输入图像为建筑图纸中包括目标构件的图像,对输入图像进行边缘检测,得到M个轮廓,M为大于1的整数,从M个轮廓中提取出属于目标构件的轮廓,得到N个轮廓,N为小于或等于M且大于1的正整数,将N个轮廓串联起来,得到目标构件的轮廓图像,由于能够边缘检测,且识别出需要构件的轮廓,并串联出需要的构件的轮廓图像,如此,能够精准提取建筑图纸中的构件。
在一个可能的示例中,在所述从所述M个轮廓中提取出属于所述目标构件的轮廓,得到N个轮廓方面,上述程序包括用于执行以下步骤的指令:
确定所述M个轮廓中每个轮廓对应的构件标识,得到M个构件标识,每一轮廓对应至少一个构件标识;
从所述M个构件标识中选取与所述目标构件的目标构件标识对应的构件标识,得到P个构件标识,所述P为大于或等于所述N的整数;
确定所述P个构件标识对应的轮廓,得到P个第一轮廓;
对所述P个第一轮廓进行特征点标定,得到Q个特征点,所述Q个特征点满足预设要求,所述Q为大于1的整数;
基于所述Q个特征点生成一个闭合区域;
保留所述P个第一轮廓中属于所述闭合区域所在区域范围内的第一轮廓,得到所述N个轮廓。
在一个可能的示例中,在所述确定所述M个轮廓中每个轮廓对应的构件标识方面,上述程序包括用于执行以下步骤的指令:
将轮廓i与预设构件j进行匹配,得到匹配值,所述轮廓i为所述M个轮廓中的任一轮廓,所述预设构件j为预设构件集中的任一预设构件;
在所述匹配值处于第一预设范围时,将所述预设构件j的构件标识作为所述轮廓i的构件标识。
在一个可能的示例中,在所述对所述P个第一轮廓进行特征标定,得到Q个特征点方面,上述程序包括用于执行以下步骤的指令:
对所述P个第一轮廓进行特征提取,得到M个特征点,所述M为大于1的整数;
确定所述M个特征点的模,得到M个模,每一特征点对应一个模;
选取所述M个模中处于第二预设范围的模,得到K个目标模,所述K为大于1的整数;
确定所述K个目标模对应的特征点,得到K个特征点;
确定所述K个特征点中两两特征点之间的欧式距离,得到A个欧式距离,所述A为大于1的整数;
确定所述A个欧式距离中两两欧式距离之间的比值,得到B个比值,所述B为大于1的整数;
选取所述B个比值中符合预设要求的比值,得到目标比值;
确定所述目标比值对应的特征点,得到所述Q个特征点。
在一个可能的示例中,在所述对所述输入图像进行边缘检测,得到M个轮廓方面,上述程序包括用于执行以下步骤的指令:
将所述输入图像输入到预设神经网络模型,得到X个轮廓,所述X为大于或等于所述M的整数;
确定所述X个轮廓中每一轮廓的长度,得到X个长度;
从所述X个长度中选取大于预设长度的目标长度,并获取该目标长度对应的轮廓,得到所述M个轮廓。
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、检测单元402、提取单元403和串联单元404,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;
所述检测单元402,用于对所述输入图像进行边缘检测,得到M个轮廓,所述M为大于1的整数;
所述提取单元403,用于从所述M个轮廓中提取出属于所述目标构件的轮廓,得到N个轮廓,所述N为小于或等于所述M且大于1的正整数;
所述串联单元404,用于将所述N个轮廓串联起来,得到所述目标构件的轮廓图像。
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,该输入图像为建筑图纸中包括目标构件的图像,对输入图像进行边缘检测,得到M个轮廓,M为大于1的整数,从M个轮廓中提取出属于目标构件的轮廓,得到N个轮廓,N为小于或等于M且大于1的正整数,将N个轮廓串联起来,得到目标构件的轮廓图像,由于能够边缘检测,且识别出需要构件的轮廓,并串联出需要的构件的轮廓图像,如此,能够精准提取建筑图纸中的构件。
在一个可能的示例中,在所述从所述M个轮廓中提取出属于所述目标构件的轮廓,得到N个轮廓方面,所述提取单元403具体用于:
确定所述M个轮廓中每个轮廓对应的构件标识,得到M个构件标识,每一轮廓对应至少一个构件标识;
从所述M个构件标识中选取与所述目标构件的目标构件标识对应的构件标识,得到P个构件标识,所述P为大于或等于所述N的整数;
确定所述P个构件标识对应的轮廓,得到P个第一轮廓;
对所述P个第一轮廓进行特征点标定,得到Q个特征点,所述Q个特征点满足预设要求,所述Q为大于1的整数;
基于所述Q个特征点生成一个闭合区域;
保留所述P个第一轮廓中属于所述闭合区域所在区域范围内的第一轮廓,得到所述N个轮廓。
在一个可能的示例中,在所述确定所述M个轮廓中每个轮廓对应的构件标识方面,所述提取单元403具体用于:
将轮廓i与预设构件j进行匹配,得到匹配值,所述轮廓i为所述M个轮廓中的任一轮廓,所述预设构件j为预设构件集中的任一预设构件;
在所述匹配值处于第一预设范围时,将所述预设构件j的构件标识作为所述轮廓i的构件标识。
在一个可能的示例中,在所述对所述P个第一轮廓进行特征标定,得到Q个特征点方面,所述提取单元403具体用于:
对所述P个第一轮廓进行特征提取,得到M个特征点,所述M为大于1的整数;
确定所述M个特征点的模,得到M个模,每一特征点对应一个模;
选取所述M个模中处于第二预设范围的模,得到K个目标模,所述K为大于1的整数;
确定所述K个目标模对应的特征点,得到K个特征点;
确定所述K个特征点中两两特征点之间的欧式距离,得到A个欧式距离,所述A为大于1的整数;
确定所述A个欧式距离中两两欧式距离之间的比值,得到B个比值,所述B为大于1的整数;
选取所述B个比值中符合预设要求的比值,得到目标比值;
确定所述目标比值对应的特征点,得到所述Q个特征点。
在一个可能的示例中,在所述对所述输入图像进行边缘检测,得到M个轮廓方面,所述检测单元402具体用于:
将所述输入图像输入到预设神经网络模型,得到X个轮廓,所述X为大于或等于所述M的整数;
确定所述X个轮廓中每一轮廓的长度,得到X个长度;
从所述X个长度中选取大于预设长度的目标长度,并获取该目标长度对应的轮廓,得到所述M个轮廓。
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 (7)
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边缘检测,得到M个轮廓,所述M为大于1的整数;
从所述M个轮廓中提取出属于所述目标构件的轮廓,得到N个轮廓,所述N为小于或等于所述M且大于1的正整数;
将所述N个轮廓串联起来,得到所述目标构件的轮廓图像;
其中,所述从所述M个轮廓中提取出属于所述目标构件的轮廓,得到N个轮廓,包括:
确定所述M个轮廓中每个轮廓对应的构件标识,得到M个构件标识,每一轮廓对应至少一个构件标识;
从所述M个构件标识中选取与所述目标构件的目标构件标识对应的构件标识,得到P个构件标识,所述P为大于或等于所述N的整数;
确定所述P个构件标识对应的轮廓,得到P个第一轮廓;
对所述P个第一轮廓进行特征点标定,得到Q个特征点,所述Q个特征点满足预设要求,所述Q为大于1的整数;
基于所述Q个特征点生成一个闭合区域;
保留所述P个第一轮廓中属于所述闭合区域所在区域范围内的第一轮廓,得到所述N个轮廓;
其中,所述对所述P个第一轮廓进行特征标定,得到Q个特征点,包括:
对所述P个第一轮廓进行特征提取,得到W个特征点,所述W为大于1的整数;
确定所述W个特征点的模,得到W个模,每一特征点对应一个模;
选取所述W个模中处于第二预设范围的模,得到K个目标模,所述K为大于1的整数;
确定所述K个目标模对应的特征点,得到K个特征点;
确定所述K个特征点中两两特征点之间的欧式距离,得到A个欧式距离,所述A为大于1的整数;
确定所述A个欧式距离中两两欧式距离之间的比值,得到B个比值,所述B为大于1的整数;
选取所述B个比值中符合预设要求的比值,得到目标比值;
确定所述目标比值对应的特征点,得到所述Q个特征点。
2.根据权利要求1所述的方法,其特征在于,所述确定所述M个轮廓中每个轮廓对应的构件标识,包括:
将轮廓i与预设构件j进行匹配,得到匹配值,所述轮廓i为所述M个轮廓中的任一轮廓,所述预设构件j为预设构件集中的任一预设构件;
在所述匹配值处于第一预设范围时,将所述预设构件j的构件标识作为所述轮廓i的构件标识。
3.根据权利要求1或2所述的方法,其特征在于,所述对所述输入图像进行边缘检测,得到M个轮廓,包括:
将所述输入图像输入到预设神经网络模型,得到X个轮廓,所述X为大于或等于所述M的整数;
确定所述X个轮廓中每一轮廓的长度,得到X个长度;
从所述X个长度中选取大于预设长度的目标长度,并获取该目标长度对应的轮廓,得到所述M个轮廓。
4.一种图像分割装置,其特征在于,应用于电子设备,所述装置包括:获取单元、检测单元、提取单元和串联单元,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;
所述检测单元,用于对所述输入图像进行边缘检测,得到M个轮廓,所述M为大于1的整数;
所述提取单元,用于从所述M个轮廓中提取出属于所述目标构件的轮廓,得到N个轮廓,所述N为小于或等于所述M且大于1的正整数;
所述串联单元,用于将所述N个轮廓串联起来,得到所述目标构件的轮廓图像;
其中,在所述从所述M个轮廓中提取出属于所述目标构件的轮廓,得到N个轮廓方面,所述提取单元具体用于:
确定所述M个轮廓中每个轮廓对应的构件标识,得到M个构件标识,每一轮廓对应至少一个构件标识;
从所述M个构件标识中选取与所述目标构件的目标构件标识对应的构件标识,得到P个构件标识,所述P为大于或等于所述N的整数;
确定所述P个构件标识对应的轮廓,得到P个第一轮廓;
对所述P个第一轮廓进行特征点标定,得到Q个特征点,所述Q个特征点满足预设要求,所述Q为大于1的整数;
基于所述Q个特征点生成一个闭合区域;
保留所述P个第一轮廓中属于所述闭合区域所在区域范围内的第一轮廓,得到所述N个轮廓;
其中,所述对所述P个第一轮廓进行特征标定,得到Q个特征点,包括:
对所述P个第一轮廓进行特征提取,得到W个特征点,所述W为大于1的整数;
确定所述W个特征点的模,得到W个模,每一特征点对应一个模;
选取所述W个模中处于第二预设范围的模,得到K个目标模,所述K为大于1的整数;
确定所述K个目标模对应的特征点,得到K个特征点;
确定所述K个特征点中两两特征点之间的欧式距离,得到A个欧式距离,所述A为大于1的整数;
确定所述A个欧式距离中两两欧式距离之间的比值,得到B个比值,所述B为大于1的整数;
选取所述B个比值中符合预设要求的比值,得到目标比值;
确定所述目标比值对应的特征点,得到所述Q个特征点。
5.根据权利要求4所述的装置,其特征在于,在所述确定所述M个轮廓中每个轮廓对应的构件标识方面,所述提取单元具体用于:
将轮廓i与预设构件j进行匹配,得到匹配值,所述轮廓i为所述M个轮廓中的任一轮廓,所述预设构件j为预设构件集中的任一预设构件;
在所述匹配值处于第一预设范围时,将所述预设构件j的构件标识作为所述轮廓i的构件标识。
6.一种电子设备,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1-3任一项所述的方法中的步骤的指令。
7.一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1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010355343.5A CN111563898B (zh) | 2020-04-29 | 2020-04-29 | 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 |
---|---|---|---|
CN202010355343.5A CN111563898B (zh) | 2020-04-29 | 2020-04-29 | 图像分割方法、电子设备及相关产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563898A CN111563898A (zh) | 2020-08-21 |
CN111563898B true CN111563898B (zh) | 2023-05-16 |
Family
ID=72068970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010355343.5A Active CN111563898B (zh) | 2020-04-29 | 2020-04-29 | 图像分割方法、电子设备及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563898B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239438B (zh) * | 2021-05-20 | 2022-11-25 | 中机中联工程有限公司 | 一种在bim模型中的快速排布点位方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009470B (zh) * | 2017-10-20 | 2020-06-16 | 深圳市朗形网络科技有限公司 | 一种图像提取的方法和装置 |
CN109522254B (zh) * | 2017-10-30 | 2022-04-12 | 上海寒武纪信息科技有限公司 | 运算装置及方法 |
CN110767292A (zh) * | 2019-10-12 | 2020-02-07 | 腾讯科技(深圳)有限公司 | 病理编号识别方法、信息识别方法、装置及信息识别系统 |
CN110910414B (zh) * | 2019-10-31 | 2022-05-17 | 五邑大学 | 图像轮廓生成方法、图像标注方法、电子装置及存储介质 |
CN111008597B (zh) * | 2019-12-05 | 2023-03-24 | 万翼科技有限公司 | Cad图纸的空间识别方法、装置、电子设备及存储介质 |
CN111047616B (zh) * | 2019-12-10 | 2021-03-19 | 中国人民解放军陆军勤务学院 | 一种遥感图像滑坡目标约束性主动轮廓特征提取方法 |
-
2020
- 2020-04-29 CN CN202010355343.5A patent/CN111563898B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111563898A (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711243B (zh) | 一种基于深度学习的静态三维人脸活体检测方法 | |
CN108681743B (zh) | 图像对象识别方法和装置、存储介质 | |
WO2021139324A1 (zh) | 图像识别方法、装置、计算机可读存储介质及电子设备 | |
CN110765891B (zh) | 工程图纸识别方法、电子设备及相关产品 | |
CN105303514A (zh) | 图像处理方法和装置 | |
CN107545223B (zh) | 图像识别方法及电子设备 | |
CN110728196A (zh) | 一种人脸识别的方法、装置及终端设备 | |
CN114155365B (zh) | 模型训练方法、图像处理方法及相关装置 | |
CN109815823B (zh) | 数据处理方法及相关产品 | |
CN112651380A (zh) | 人脸识别方法、人脸识别装置、终端设备及存储介质 | |
CN104951440B (zh) | 一种图像处理方法及电子设备 | |
CN111260564A (zh) | 一种图像处理方法和装置及计算机存储介质 | |
CN112907569A (zh) | 头部图像区域的分割方法、装置、电子设备和存储介质 | |
CN111563898B (zh) | 图像分割方法、电子设备及相关产品 | |
CN115761826A (zh) | 掌静脉有效区域提取方法、系统、介质及电子设备 | |
CN111339884A (zh) | 图像识别方法以及相关设备、装置 | |
CN109711287B (zh) | 人脸采集方法及相关产品 | |
CN111126250A (zh) | 一种基于ptgan的行人重识别方法及装置 | |
CN108764248B (zh) | 图像特征点的提取方法和装置 | |
CN110598771A (zh) | 一种基于深度语义分割网络的视觉目标识别方法和装置 | |
CN111476801B (zh) | 图像分割方法、电子设备及相关产品 | |
CN111783910B (zh) | 建筑项目管理方法、电子设备及相关产品 | |
CN109034059B (zh) | 静默式人脸活体检测方法、装置、存储介质及处理器 | |
CN114140320B (zh) | 图像迁移方法和图像迁移模型的训练方法、装置 | |
CN111368602A (zh) | 人脸图像模糊程度评价方法、装置、可读存储介质及设备 |
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 |