CN111784703A - 一种图像分割方法、装置、电子设备和存储介质 - Google Patents

一种图像分割方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111784703A
CN111784703A CN202010553563.9A CN202010553563A CN111784703A CN 111784703 A CN111784703 A CN 111784703A CN 202010553563 A CN202010553563 A CN 202010553563A CN 111784703 A CN111784703 A CN 111784703A
Authority
CN
China
Prior art keywords
color
image
lab
pixel point
value
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
Application number
CN202010553563.9A
Other languages
English (en)
Other versions
CN111784703B (zh
Inventor
付晓
马文伟
王亚领
刘设伟
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.)
Taikang Insurance Group Co Ltd
Taikang Online Property Insurance Co Ltd
Original Assignee
Taikang Insurance Group Co Ltd
Taikang Online Property Insurance 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 Taikang Insurance Group Co Ltd, Taikang Online Property Insurance Co Ltd filed Critical Taikang Insurance Group Co Ltd
Priority to CN202010553563.9A priority Critical patent/CN111784703B/zh
Publication of CN111784703A publication Critical patent/CN111784703A/zh
Application granted granted Critical
Publication of CN111784703B publication Critical patent/CN111784703B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G06V30/412—Layout analysis of documents structured with printed lines or input boxes, e.g. business forms or tables
    • 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
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Color Image Communication Systems (AREA)
  • Facsimile Image Signal Circuits (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种图像分割方法、装置、电子设备和存储介质，属于图像处理技术领域。本申请的图像分割方法，首先，在LAB颜色空间，获取彩色图像对应的LAB颜色显著性图中的有色区域，在RGB颜色空间，获取彩色图像对应的RGB颜色显著性图。然后，根据LAB颜色显著性图中的有色区域在RGB颜色显著性图中对应的颜色信息，确定对RGB颜色显著性图进行分割的分割阈值。该方法结合RGB颜色空间和LAB颜色空间的颜色信息区分目标对象和背景图像，可以对不同颜色的目标对象进行识别，普适性更强。并且，可以检测出目标对象与背景图像的更多区别，将目标对象更完整地从彩色图像中分离出来，提高图像分割结果的准确性。

Description

一种图像分割方法、装置、电子设备和存储介质
技术领域
本申请涉及图像处理技术领域，更具体地说，涉及一种图像分割方法、装置、电子设备和存储介质。
背景技术
利用计算机图像识别技术对图像中的文字进行识别在多个行业中具有广泛的应用。例如，在金融行业，对金融票据进行管理和统计的过程中，可以使用计算机图像识别技术对票据图像中的文字进行识别。
目前，为了使金融票据具有法律效力，会在金融票据上加盖印章或者按手印。印章或手印将不可避免地盖住金融票据上的部分文字，对计算机进行文字识别造成障碍。因此，在对票据图像进行文字识别之前，需要采用图像分割技术从票据图像中分离出印章等目标对象，以减少其对文字识别过程的干扰。
现有的图像分割技术通常是根据设置的经验阈值，将目标对象的图像从票据图像中分割出来。现有方法通常只能针对单一颜色的目标对象进行分割，普适性不强。并且，采用设定的阈值对不同的图像进行分割时，图像分割结果的准确性很难保证。
发明内容
为解决现有存在的技术问题，本申请实施例提供一种图像分割方法、装置、电子设备和存储介质，可以对不同颜色的目标对象进行识别，增强图像分割方法的普适性，并提高图像分割结果的准确性。
为达到上述目的，本申请实施例的技术方案是这样实现的：
第一方面，本申请实施例提供一种图像分割方法，所述方法包括：
获取待处理的彩色图像在LAB颜色空间对应的LAB颜色显著性图中的有色区域，以及所述彩色图像在RGB颜色空间对应的RGB颜色显著性图；所述彩色图像中包括具有颜色差异的目标对象和背景图像；
确定所述RGB颜色显著性图中的有效区域内的像素点的最小像素值；所述有效区域在所述RGB颜色显著性图中的位置与所述有色区域在所述LAB颜色显著性图中的位置相对应；
将所述最小像素值作为分割阈值，对所述RGB颜色显著性图进行图像分割，得到所述目标对象的图像。
本申请实施例提供的图像分割方法，用于对包括具有颜色差异的目标对象和背景图像的彩色图像进行处理，首先，在LAB颜色空间，获取彩色图像对应的LAB颜色显著性图中的有色区域，在RGB颜色空间，获取彩色图像对应的RGB颜色显著性图。然后，根据LAB颜色显著性图中的有色区域在RGB颜色显著性图中对应的颜色信息，确定对RGB颜色显著性图进行分割的分割阈值。该方法结合RGB颜色空间和LAB颜色空间的颜色信息区分目标对象和背景图像，可以对不同颜色的目标对象进行识别，因此普适性更强。并且，由于结合了两个颜色空间的颜色信息，可以检测出目标对象与背景图像的更多区别，将目标对象更完整地从彩色图像中分离出来，提高图像分割结果的准确性。
在一种可能的实现方式中，所述获取待处理的彩色图像在LAB颜色空间对应的LAB颜色显著性图中的有色区域，包括：
获取所述彩色图像在LAB颜色空间对应的LAB图像；
根据所述LAB图像中每个像素点的A颜色通道对应的颜色特征值和B颜色通道对应的颜色特征值，获得所述LAB图像对应的LAB颜色显著性图；
采用自适应阈值对所述LAB颜色显著性图进行分割，得到所述LAB颜色显著性图中的有色区域；所述自适应阈值是根据所述LAB颜色显著性图中的像素点的灰度值确定的。
上述方法中，分割LAB颜色显著性图的阈值是根据LAB颜色显著性图中的像素点的灰度值确定的自适应阈值，而非预先设定的经验值，可以进一步提高图像分割的准确性。
在一种可能的实现方式中，所述根据所述LAB图像中每个像素点的A颜色通道对应的颜色特征值和B颜色通道对应的颜色特征值，获得所述LAB图像对应的LAB颜色显著性图，包括：
对于所述LAB图像中的每个像素点，将所述像素点的A颜色通道对应的颜色特征值的绝对值和B颜色通道对应的颜色特征值的绝对值求和，得到所述像素点在LAB颜色显著性图中对应的像素点的灰度值；
根据得到的LAB颜色显著性图中每个像素点的灰度值，获得所述LAB图像对应的LAB颜色显著性图。
上述方法中，采用LAB图像中像素点的A、B两通道颜色特征值计算获得LAB颜色显著性图，去除了L亮度通道的特征值，减少了亮度对颜色信息的干扰，更容易找到与背景图像有颜色差异的目标对象。
在一种可能的实现方式中，所述自适应阈值的确定过程，包括：
分别将所述LAB颜色显著性图中的每个灰度值作为候选阈值；
根据所述LAB颜色显著性图中的像素点的灰度值，确定每个候选阈值对应的类间方差或类间均值；
将最大类间方差或最大类间均值对应的候选阈值作为自适应阈值。
上述方法中，将所述LAB颜色显著性图中的每个灰度值作为候选阈值，确定每个候选阈值对应的类间方差或类间均值，将最大类间方差或最大类间均值对应的候选阈值作为自适应阈值。该方法分别将所述LAB颜色显著性图中的每个灰度值作为候选阈值，充分考虑了LAB颜色显著性图中的每个灰度值来选取自适应阈值，使目标对象的分割效果得到提升。
在一种可能的实现方式中，所述根据所述LAB颜色显著性图中的像素点的灰度值，确定每个候选阈值对应的类间方差，包括：
对于每个候选阈值，根据所述LAB颜色显著性图中每个像素点的灰度值，采用所述候选阈值将所述LAB颜色显著性图中的像素点分配至两个像素点类集；
根据每个像素点类集中包含的像素点的数量，分别确定两个像素点类集对应的权重；
根据所述LAB颜色显著性图中每个像素点的灰度值以及两个像素点类集对应的权重，分别确定两个像素点类集对应的灰度均值；
根据所述LAB颜色显著性图中每个像素点的灰度值，确定所述LAB颜色显著性图的全局灰度均值；
根据所述全局灰度均值及两个像素点类集分别对应的灰度均值，确定所述候选阈值对应的类间方差。
上述方法可以实现根据LAB颜色显著性图中的像素点的灰度值，确定每个候选阈值对应的类间方差。由于采用了根据LAB颜色显著性图中每个像素点的灰度值以及两个像素点类集对应的权重去分别确定两个像素点类集对应的灰度均值，减少了确定灰度均值过程所需的数据计算量。
在一种可能的实现方式中，所述获取所述彩色图像在RGB颜色空间对应的RGB颜色显著性图，包括：
对于所述彩色图像中的每个像素点，确定所述像素点的R颜色通道、G颜色通道和B颜色通道的颜色特征值的通道颜色均值；
分别确定三个颜色通道的颜色差值；所述三个颜色通道的颜色差值分别为：所述像素点的R颜色通道的颜色特征值与所述通道颜色均值的差值的绝对值、所述像素点的G颜色通道的颜色特征值与所述通道颜色均值的差值的绝对值、所述像素点的B颜色通道的颜色特征值与所述通道颜色均值的差值的绝对值；
将所述三个颜色通道的颜色差值的平均值作为所述像素点在RGB颜色显著性图中对应的像素点的像素值；
根据得到的RGB颜色显著性图中每个像素点的像素值，获得所述彩色图像在RGB颜色空间对应的RGB颜色显著性图。
上述方法综合考虑R、G、B三个通道的颜色特征值的通道颜色均值、颜色差值，将三个颜色通道的颜色差值的平均值作为像素点在RGB颜色显著性图中对应的像素点的像素值，具有良好的图像分割区分效果。
在一种可能的实现方式中，所述得到所述目标对象的图像之后，还包括：
基于所述目标对象的图像进行文字识别；或者，
从所述彩色图像中去除所述目标对象，得到所述背景图像；基于所述背景图像进行文字识别。
上述方法中，可以基于目标对象的图像进行文字识别；或者从彩色图像中去除所述目标对象，得到背景图像；基于背景图像进行文字识别。该方法除了可以实现目标对象的分割，还可以对目标对象的图像或背景图像进行文字识别，与OCR(Optical CharacterRecognition，光学字符识别)技术相结合，兼具文字识别功能。
第二方面，本申请实施例还提供了一种图像分割装置，所述装置包括：
图像转换单元，用于获取待处理的彩色图像在LAB颜色空间对应的LAB颜色显著性图中的有色区域，以及所述彩色图像在RGB颜色空间对应的RGB颜色显著性图；所述彩色图像中包括具有颜色差异的目标对象和背景图像；
阈值确定单元，用于确定所述RGB颜色显著性图中的有效区域内的像素点的最小像素值；所述有效区域在所述RGB颜色显著性图中的位置与所述有色区域在所述LAB颜色显著性图中的位置相对应；
图像分割单元，用于将所述最小像素值作为分割阈值，对所述RGB颜色显著性图进行图像分割，得到所述目标对象的图像。
在一种可能的实现方式中，所述图像转换单元，具体用于：
获取所述彩色图像在LAB颜色空间对应的LAB图像；
根据所述LAB图像中每个像素点的A颜色通道对应的颜色特征值和B颜色通道对应的颜色特征值，获得所述LAB图像对应的LAB颜色显著性图；
采用自适应阈值对所述LAB颜色显著性图进行分割，得到所述LAB颜色显著性图中的有色区域；所述自适应阈值是根据所述LAB颜色显著性图中的像素点的灰度值确定的。
在一种可能的实现方式中，所述图像转换单元，具体用于：
对于所述LAB图像中的每个像素点，将所述像素点的A颜色通道对应的颜色特征值的绝对值和B颜色通道对应的颜色特征值的绝对值求和，得到所述像素点在LAB颜色显著性图中对应的像素点的灰度值；
根据得到的LAB颜色显著性图中每个像素点的灰度值，获得所述LAB图像对应的LAB颜色显著性图。
在一种可能的实现方式中，所述图像转换单元，具体用于：
分别将所述LAB颜色显著性图中的每个灰度值作为候选阈值；
根据所述LAB颜色显著性图中的像素点的灰度值，确定每个候选阈值对应的类间方差或类间均值；
将最大类间方差或最大类间均值对应的候选阈值作为自适应阈值。
在一种可能的实现方式中，所述图像转换单元，具体用于：
对于每个候选阈值，根据所述LAB颜色显著性图中每个像素点的灰度值，采用所述候选阈值将所述LAB颜色显著性图中的像素点分配至两个像素点类集；
根据每个像素点类集中包含的像素点的数量，分别确定两个像素点类集对应的权重；
根据所述LAB颜色显著性图中每个像素点的灰度值以及两个像素点类集对应的权重，分别确定两个像素点类集对应的灰度均值；
根据所述LAB颜色显著性图中每个像素点的灰度值，确定所述LAB颜色显著性图的全局灰度均值；
根据所述全局灰度均值及两个像素点类集分别对应的灰度均值，确定所述候选阈值对应的类间方差。
在一种可能的实现方式中，所述图像转换单元，具体用于：
对于所述彩色图像中的每个像素点，确定所述像素点的R颜色通道、G颜色通道和B颜色通道的颜色特征值的通道颜色均值；
分别确定三个颜色通道的颜色差值；所述三个颜色通道的颜色差值分别为：所述像素点的R颜色通道的颜色特征值与所述通道颜色均值的差值的绝对值、所述像素点的G颜色通道的颜色特征值与所述通道颜色均值的差值的绝对值、所述像素点的B颜色通道的颜色特征值与所述通道颜色均值的差值的绝对值；
将所述三个颜色通道的颜色差值的平均值作为所述像素点在RGB颜色显著性图中对应的像素点的像素值；
根据得到的RGB颜色显著性图中每个像素点的像素值，获得所述彩色图像在RGB颜色空间对应的RGB颜色显著性图。
在一种可能的实现方式中，所述图像分割装置还包括文字识别单元，所述文字识别单元用于：
基于所述目标对象的图像进行文字识别；或者，
从所述彩色图像中去除所述目标对象，得到所述背景图像；基于所述背景图像进行文字识别。
第三方面，本申请实施例还提供了一种电子设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器实现上述第一方面中任意一种图像分割方法。
第四方面，本申请实施例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内存储有计算机程序，所述计算机程序被处理器执行时，实现上述第一方面中任意一种图像分割方法。
第二方面至第四方面中任意一种实现方式所带来的技术效果可参见第一方面中对应的实现方式所带来的技术效果，此处不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，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为本申请实施例提供的图像分割方法的流程图；
图2为本申请实施例提供的获取LAB颜色显著性图中有色区域的流程图；
图3为本申请实施例提供的获取RGB颜色显著性图的流程图；
图4为本申请实施例提供的图像分割方法的分割效果对比图；
图5为本申请实施例提供的一种图像分割装置的结构框图；
图6为本申请实施例提供的另一种图像分割装置的结构框图；
图7为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，显然，所描述的实施例仅仅是本申请一部份实施例，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做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
以下对本申请实施例中的部分用语进行解释说明，以便于本领域技术人员理解。
(1)LAB(CIE Lab color space，国际照明委员会Lab颜色空间)：LAB是一种颜色空间，其是用数字化的方法来描述人的视觉感受。在LAB颜色空间中，一个像素点由L(亮度)、A、B三种参数表征。在一幅图像中，每一个像素点有对应的LAB值。一幅图像就有对应的L通道、A通道和B通道。LAB颜色空间中的L通道用于表示像素的亮度，取值范围是[0,100],表示从纯黑到纯白；A通道表示从红色到绿色的范围，取值范围是[127,-128]；B通道表示从黄色到蓝色的范围，取值范围是[127,-128]。正为暖色，负为冷色。它包括人眼所能看到的所有的颜色(可见光谱)，所以也是目前为止色域最宽的色彩空间，其每一组色值对应一种确定的与设备无关的色彩，这种用数学理论量化的色彩空间使不同设备的色彩能够相互比较、模拟和匹配。在LAB颜色空间中，亮度和颜色是分开的，L通道没有颜色，A通道和B通道只有颜色。
(2)RGB(Red Green Blue,红绿蓝三色)：RGB是一种颜色空间，RGB颜色空间以R(Red:红)、G(Green:绿)、B(Blue:蓝)三种基本色为基础，进行不同程度的叠加，产生丰富而广泛的颜色，称为三基色模式。该颜色空间中，R通道、G通道、B通道每一个既包含有明度又包含有颜色。RGB颜色空间是生活中最常用的一个模型，电视机、电脑的CRT显示器等大部分都是采用这种模型。自然界中的任何一种颜色都可以由红、绿、蓝三种色光混合而成，现实生活中人们见到的颜色大多是混合而成的色彩。红绿蓝代表可见光谱中的三种基本颜色或称为三原色，每一种颜色按其亮度的不同分为256个等级。当色光三原色重叠时，由于不同的混色比例能产生各种中间色，例如，三原色相加可产生白色。所以RGB模式是加色过程。屏幕显示的基础是RGB模式。
日常办公流程中，存在大量的图像信息需要处理，而使用计算机图像识别技术对这类图像信息进行自动采集，可以极大程度上提高数据采集整理的效率和准确度。然而，大部分图像上均存在目标对象信息(例如印章、手印等)，这些目标对象信息通常不是图像识别中所需要的主要关键信息。因此，图像分割通常是图像预处理阶段的主要工作。
为解决现有存在的技术问题，本申请实施例提供一种图像分割方法、装置、电子设备和存储介质，利用RGB和LAB两种颜色空间中有色像素点的显著性特性，分别计算对应颜色空间的颜色显著性图，然后根据自适应方法计算得到分割显著图的阈值，对票据图像中的有色印章进行分割。本申请的方法可以对不同颜色的目标对象进行识别，增强图像分割方法的普适性，并提高图像分割结果的准确性。
下文结合附图和具体实施方式对本申请实施例提供的图像分割方法作详细介绍，需要说明的是，以下介绍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。
图1示出了本申请实施例提供的一种图像分割方法的流程图，该方法可以由计算机、服务器或其它电子设备执行。下文中将执行该图像分割方法的电子设备称为图像处理设备。参见图1，该方法包括如下步骤：
步骤S101，获取待处理的彩色图像在LAB颜色空间对应的LAB颜色显著性图中的有色区域。
其中，待处理的彩色图像中包括具有颜色差异的目标对象和背景图像。待处理的彩色图像可以是图像处理设备通过扫描仪等输入设备获取的，也可以是由其它电子设备传输至图像处理设备的，或者是从图像处理设备互联网下载的。本申请实施例对彩色图像的获取方式不作限定。
待处理的彩色图像可以是票据图像，彩色图像也可以是票据图像之外的其他图像；目标对象可以是印章，也可以是手印等其他特征体；背景图像可以是票据图像除去印章或手印之外的部分。在下文的描述中，以彩色图像为票据图像进行举例说明。
在一些实施例中，为了获取票据图像在LAB颜色空间对应的LAB颜色显著性图中的印章，可以先将票据图像转化为在LAB颜色空间对应的LAB图像。然后，确定LAB图像中每个像素点的A、B两个颜色通道的颜色特征值，根据LAB图像中每个像素点的A颜色通道对应的颜色特征值和B颜色通道对应的颜色特征值，可以获得LAB图像对应的LAB颜色显著性图S1。
采用自适应阈值对LAB颜色显著性图S1进行分割，得到LAB颜色显著性图中的有色区域Color-tmp。其中，自适应阈值可以根据LAB颜色显著性图中的像素点的灰度值确定。
步骤S102，获取彩色图像在RGB颜色空间对应的RGB颜色显著性图。
在一些实施例中，为了获取票据图像在RGB颜色空间对应的RGB颜色显著性图，可以在RGB颜色空间，对于票据图像中的每个像素点，均进行如下运算：确定像素点的R、G和B三个颜色通道的颜色特征值的通道颜色均值；将3个通道的颜色特征值分别与通道颜色均值作减法，并取绝对值后求和，作为像素点在RGB颜色显著性图中对应的像素点的像素值。根据得到的RGB颜色显著性图中每个像素点的像素值，获得票据图像在RGB颜色空间的RGB颜色显著性图S2。
步骤S103，确定RGB颜色显著性图中的有效区域内的像素点的最小像素值。
其中，有效区域在RGB颜色显著性图中的位置与有色区域在LAB颜色显著性图中的位置相对应，即找到LAB颜色显著性图S1中的有色区域Color-tmp在RGB颜色显著性图S2中对应的区域，作为有效区域。确定RGB颜色显著性图中的有效区域之后，将有效区域内各像素点的像素值中的最小值，作为最小像素值。
步骤S104，将得到的最小像素值作为分割阈值，对RGB颜色显著性图进行图像分割，得到目标对象的图像。
将步骤S103得到的最小像素值作为分割阈值，对步骤S102得到的RGB颜色显著性图S2进行图像分割，得到目标对象的图像。如果目标对象是票据图像中的印章，则通过上述方法，可以得到印章的图像。
上述实施例中，步骤S101与步骤S102的顺序可以相互调换。
本申请实施例提供的图像分割方法，用于对包括具有颜色差异的目标对象和背景图像的彩色图像进行处理，首先，在LAB颜色空间，获取彩色图像对应的LAB颜色显著性图中的有色区域，在RGB颜色空间，获取彩色图像对应的RGB颜色显著性图。然后，根据LAB颜色显著性图中的有色区域在RGB颜色显著性图中对应的颜色信息，确定对RGB颜色显著性图进行分割的分割阈值。该方法结合RGB颜色空间和LAB颜色空间的颜色信息区分目标对象和背景图像，可以对不同颜色的目标对象进行识别，因此普适性更强。并且，由于结合了两个颜色空间的颜色信息，可以检测出目标对象与背景图像的更多区别，将目标对象更完整地从彩色图像中分离出来，提高图像分割结果的准确性。
在一种实施例中，上述步骤S101中，可以通过图2所示的方法获取彩色图像对应的LAB颜色显著性图中的有色区域。如图2所示，该方法包括如下步骤：
步骤S1011，获取彩色图像在LAB颜色空间对应的LAB图像。
示例性的，为了获取票据图像在LAB颜色空间对应的LAB颜色显著性图中的印章，先将票据图像转化为在LAB颜色空间对应的LAB图像。将接收到的票据图像转化为LAB颜色空间对应的LAB图像具有多种实现方式，本申请对实现的方式不作具体限定。
可选的，可以通过cv::cvtColor()函数，将票据图像转换到LAB空间。例如，票据图像是RGB颜色空间的图像，将票据图像转换到Lab颜色空间，可以调用通过下述转换码得以实现：
cv::Color_RGB2Lab
步骤S1012，根据LAB图像中每个像素点的A颜色通道对应的颜色特征值和B颜色通道对应的颜色特征值，获得LAB图像对应的LAB颜色显著性图。
在一些实施例中，对于LAB图像中的每个像素点，可以将像素点的A颜色通道对应的颜色特征值的绝对值和B颜色通道对应的颜色特征值的绝对值求和，得到该像素点在LAB颜色显著性图中对应的像素点的灰度值，根据得到的LAB颜色显著性图中每个像素点的灰度值，获得LAB图像对应的LAB颜色显著性图。
在LAB图像中，每个像素点的A、B两个颜色通道的颜色特征值分布为[-127,127]。由于印章通常是采用红色或蓝色的颜料盖在票据上，因此在票据图像中，相对于背景图像，印章区域的颜色较为显著。在对应的LAB图像中，印章区域对应的像素点在A、B两个通道上的颜色特征值的绝对值较大，而票据图像的背景图像中的打印字信息通常表现为接近0的数值。根据像素点在A、B两个通道上的颜色特征值的绝对值求和得到的LAB颜色显著性图中，印章区域的灰度更明显，而包含打印字信息的背景图像的灰度值接近0。所以，在通过上述方法得到的LAB颜色显著性图中，更容易区分出印章区域和背景图像。
示例性地，对于票据图像的LAB图像，可以采用公式Sxy＝|A|+|B|，将每个像素点的a、b两个颜色通道的颜色特征值A和B取绝对值并求和，得到该像素点在LAB颜色显著性图S1中对应的像素点的灰度值Sxy。通过该方法确定LAB颜色显著性图S1中每个像素点的灰度值，即可获得LAB图像对应的LAB颜色显著性图S1。
步骤S1013，采用自适应阈值对LAB颜色显著性图进行分割，得到LAB颜色显著性图中的有色区域。
在LAB颜色显著性图中，印章区域的灰度值明显高于包含打印字信息的背景图像的灰度值。为了获取印章区域，可以采用阈值分割的方式，从LAB颜色显著性图中分离出有色区域，该有色区域即为印章区域。为了提高阈值分割的准确性，可以根据每幅LAB颜色显著性图自身的灰度值特征，确定相应的分割阈值。具体地，可以采用自适应阈值对LAB颜色显著性图进行分割，自适应阈值可以根据LAB颜色显著性图中的像素点的灰度值确定。
在一些实施例中，自适应阈值的确定过程，包括：分别将LAB颜色显著性图中的每个灰度值作为候选阈值；根据LAB颜色显著性图中的像素点的灰度值，确定每个候选阈值对应的类间方差或类间均值；将最大类间方差或最大类间均值对应的候选阈值作为自适应阈值。
示例性地，LAB颜色显著性图S1的自适应阈值k*确定的过程如下：将LAB颜色显著性图S1中的每个灰度值作为候选阈值k；根据LAB颜色显著性图S1中的像素点的灰度值i，确定每个候选阈值对应的类间方差σ2或类间均值σ；将最大类间方差或最大类间均值对应的候选阈值k*作为自适应阈值。
具体地，可以通过下述方法确定每个候选阈值对应的类间方差，包括：
步骤一、对于每个候选阈值，根据LAB颜色显著性图中每个像素点的灰度值，采用该候选阈值将LAB颜色显著性图中的像素点分配至两个像素点类集，根据每个像素点类集中包含的像素点的数量，分别确定两个像素点类集对应的权重。
示例性地，记颜色显著性图S1的灰度级数为L,则灰度级的范围为[1，L]，记ni为灰度级为i的像素点个数，则pi＝ni/MN为灰度级为i的像素点个数与M×N的图像中像素点的总数之间的比值，可以称为灰度级i在M×N图像出现的概率。设图像分割阈值为k，使用该阈值将图像分割为C1和C2两个像素点类集，则两个像素点类集C1和C2对应的权重为：
Figure BDA0002543393220000141
Figure BDA0002543393220000142
步骤二、根据LAB颜色显著性图中每个像素点的灰度值以及两个像素点类集对应的权重，分别确定两个像素点类集对应的灰度均值；根据LAB颜色显著性图中每个像素点的灰度值，确定LAB颜色显著性图的全局灰度均值；根据该全局灰度均值及两个像素点类集分别对应的灰度均值，确定该候选阈值对应的类间方差。
示例性地，根据LAB颜色显著性图S1中的像素点的灰度值i，确定每个候选阈值对应的类间方差，可以通过如下方式实现：
由前述两个像素点类集C1和C2对应的权重可以计算得到两个像素点类集C1和C2对应的灰度均值分别为：
Figure BDA0002543393220000143
Figure BDA0002543393220000144
计算全局灰度均值：
Figure BDA0002543393220000151
计算该分割情况的类间方差：
σ2＝P1(k)(m1(k)-mG)2+P2(k)(m2(k)-mG)2
在一些实施例中，还可以计算下式确定的类间均值：
Figure BDA0002543393220000152
在一种实施例中，通过上述方法，可以确定每个候选阈值对应的类间方差σ2，然后从得到的所有类间方差σ2中，确定最大类间方差。将最大类间方差对应的候选阈值k*作为自适应阈值。采用自适应阈值k*对LAB颜色显著性图S1进行分割，得到LAB颜色显著性图中的有色区域Color-tmp。
在另一种实施例中，通过上述方法，可以确定每个候选阈值对应的类间均值σ，然后从得到的所有类间均值σ中，确定最大类间均值。将最大类间均值对应的候选阈值k*作为自适应阈值。采用自适应阈值k*对LAB颜色显著性图S1进行分割，得到LAB颜色显著性图中的有色区域Color-tmp。
在一些实施例中，上述步骤S102中，可以采用图3所示的方法获取彩色图像在RGB颜色空间对应的RGB颜色显著性图，包括：
步骤S1021，对于彩色图像中的每个像素点，确定该像素点的R颜色通道、G颜色通道和B颜色通道的颜色特征值的通道颜色均值。
示例性地，待处理的票据图像内像素点RGB颜色空间的三个通道的颜色特征分别为R、G、B,计算通道颜色均值可采用如下公式：
M_rgb＝(R+G+B)/3
步骤S1022，分别确定该像素点的三个颜色通道的颜色差值。
上述三个颜色通道的颜色差值分别为：该像素点的R颜色通道的颜色特征值与通道颜色均值的差值的绝对值、该像素点的G颜色通道的颜色特征值与通道颜色均值的差值的绝对值、该像素点的B颜色通道的颜色特征值与通道颜色均值的差值的绝对值。其中，该像素点的R颜色通道的颜色差值可以表示为abs(R-M_rgb)/3，G颜色通道的颜色差值可以表示为abs(R-M_rgb)/3，B颜色通道的颜色差值可以表示为abs(B-M_rgb)/3。
步骤S1023，将三个颜色通道的颜色差值的平均值作为像素点在RGB颜色显著性图中对应的像素点的像素值。
示例性地，RGB颜色显著性图中对应的像素点S2的像素值S2xy为：
S2xy＝(abs(R-M_rgb)+abs(G-M_rgb)+abs(B-M_rgb))/3
其中，x和y代表票据图像中与像素点S2对应的像素点的坐标，abs()表示绝对值。
步骤S1024，根据得到的RGB颜色显著性图中每个像素点的像素值，获得彩色图像在RGB颜色空间对应的RGB颜色显著性图。
通过上述步骤S1021～步骤S1023的方法，可以得到RGB颜色显著性图S2中每个像素点的像素值，进而获得彩色图像在RGB颜色空间对应的RGB颜色显著性图S2。
获得RGB颜色显著性图S2之后，找到LAB颜色显著性图S1中的有色区域Color-tmp在RGB颜色显著性图S2中对应的有效区域，确定有效区域内的像素点的最小像素值。将得到的最小像素值作为分割阈值，对RGB颜色显著性图进行图像S2分割，得到目标对象的图像。
图4示出本申请实施例提供的图像分割方法的分割效果图。如图4所示，左侧的图像为餐饮发票票据上的印章图像。中间的图像为经LAB颜色空间计算得到对应颜色空间的颜色显著性图后，根据自适应方法计算得到分割显著图的阈值，对票据图像进行分割得到的有色印章Color_tmp。右侧的图像为利用本申请实施例提供的图像分割方法，利用RGB和LAB两种颜色空间中有色像素点的显著性特性，分别计算对应颜色空间的颜色显著性图，然后根据自适应方法计算得到分割显著图的阈值，对票据图像中的有色印章进行分割后得到的印章信息。从图4中可以看出，采用本申请实施例提供的图像分割方法得到的印章图像更完整、更清楚。
本申请实施例提供的图像分割方法，可以应用于多种类型的票据图像文字识别系统中，有效地分割出票据图像中的有色印章和背景图像。相比于现有技术，本申请实施例提供的图像分割方法利用票据图像中印章像素点的颜色显著性特点对其进行分割，解决了只能分割单一颜色印章的问题，可以适用于不同类型颜色的印章分割，例如除了红色印章之外，蓝色或者绿色等其他类型颜色的印章分割亦可采用本申请的分割方法；在RGB和LAB两个颜色通道对显著颜色信息进行检测，解决了印章分割信息不充分不完整的情况。
另外，在现有技术中，根据设定的经验阈值对图像进行分割，由于不同图像的光照噪音等多方面的影响因素不同，因此现有方法对不同图像的分割并不准确，适应性差。本申请实施例根据图像像素值信息自适应计算用于分割印章的阈值，可以有效地提高分割阈值的自适应性，提供图像分割结果的准确性。
在一些实施例中，在通过本申请实施例提供的图像分割方法得到目标对象的图像之后，还可以基于分割得到的目标对象的图像进行文字识别。具体地，可以采用OCR识别技术对目标对象的图像进行文字识别。例如，假设目标对象为印章，由于通过本申请实施例提供的方法可以更完整更清楚地分割出印章图像，因此基于该印章图像进行文字识别，可以提高识别的准确度。
在另外一些实施例中，在通过本申请实施例提供的图像分割方法得到目标对象的图像之后，还可以从彩色图像中去除目标对象，得到背景图像，基于背景图像进行文字识别。例如，假设彩色图像为票据图像，其背景图像中包括交易项及交易金额等打印字信息，目标对象为印章。由于印章会对背景图像中的文字识别带来干扰，因此可以从票据图像中去除印章，得到背景图像。在一些实施例中，如果印章没有盖在票据中的打印字之上，可以直接将印章区域的像素点的像素值设置为0，从票据图像中剔除印章，得到背景图像。在另一些实施例中，如果印章盖在票据中的打印字之上，由于打印字与印章重合的区域与仅印章的区域的颜色有差异，因此可以通过二者的颜色差异从得到的印章图像中去除包含打印字的区域，得到纯印章区域，从票据图像中去除纯印章区域，得到背景图像，基于得到的背景图像进行文字识别。
由于通过本申请实施例提供的方法可以准确地检测出票据图像中的印章区域并对其进行抑制，因此，可以有效地缓解识别票据图像中的打印字信息时印章产生的干扰，提升图像文字识别的识别精度。
与图1所示的方法基于同一发明构思，本申请实施例还提供了一种图像分割装置。如图5所示，该图像分割装置包括：
图像转换单元501，用于获取待处理的彩色图像在LAB颜色空间对应的LAB颜色显著性图中的有色区域，以及彩色图像在RGB颜色空间对应的RGB颜色显著性图；彩色图像中包括具有颜色差异的目标对象和背景图像；
阈值确定单元502，用于确定RGB颜色显著性图中的有效区域内的像素点的最小像素值；有效区域在RGB颜色显著性图中的位置与有色区域在LAB颜色显著性图中的位置相对应；
图像分割单元503，用于将最小像素值作为分割阈值，对RGB颜色显著性图进行图像分割，得到目标对象的图像。
在一种实施例中，图像转换单元501，具体用于：
获取彩色图像在LAB颜色空间对应的LAB图像；
根据LAB图像中每个像素点的A颜色通道对应的颜色特征值和B颜色通道对应的颜色特征值，获得LAB图像对应的LAB颜色显著性图；
采用自适应阈值对LAB颜色显著性图进行分割，得到LAB颜色显著性图中的有色区域；自适应阈值是根据LAB颜色显著性图中的像素点的灰度值确定的。
在一种实施例中，图像转换单元501，具体用于：
对于LAB图像中的每个像素点，将像素点的A颜色通道对应的颜色特征值的绝对值和B颜色通道对应的颜色特征值的绝对值求和，得到像素点在LAB颜色显著性图中对应的像素点的灰度值；
根据得到的LAB颜色显著性图中每个像素点的灰度值，获得LAB图像对应的LAB颜色显著性图。
在一种实施例中，图像转换单元501，具体用于：
分别将LAB颜色显著性图中的每个灰度值作为候选阈值；
根据LAB颜色显著性图中的像素点的灰度值，确定每个候选阈值对应的类间方差或类间均值；
将最大类间方差或最大类间均值对应的候选阈值作为自适应阈值。
在一种实施例中，图像转换单元501，具体用于：
对于每个候选阈值，根据LAB颜色显著性图中每个像素点的灰度值，采用候选阈值将LAB颜色显著性图中的像素点分配至两个像素点类集；
根据每个像素点类集中包含的像素点的数量，分别确定两个像素点类集对应的权重；
根据LAB颜色显著性图中每个像素点的灰度值以及两个像素点类集对应的权重，分别确定两个像素点类集对应的灰度均值；
根据LAB颜色显著性图中每个像素点的灰度值，确定LAB颜色显著性图的全局灰度均值；
根据全局灰度均值及两个像素点类集分别对应的灰度均值，确定候选阈值对应的类间方差。
在一种实施例中，图像转换单元501，具体用于：
对于彩色图像中的每个像素点，确定像素点的R颜色通道、G颜色通道和B颜色通道的颜色特征值的通道颜色均值；
分别确定三个颜色通道的颜色差值；三个颜色通道的颜色差值分别为：像素点的R颜色通道的颜色特征值与通道颜色均值的差值的绝对值、像素点的G颜色通道的颜色特征值与通道颜色均值的差值的绝对值、像素点的B颜色通道的颜色特征值与通道颜色均值的差值的绝对值；
将三个颜色通道的颜色差值的平均值作为像素点在RGB颜色显著性图中对应的像素点的像素值；
根据得到的RGB颜色显著性图中每个像素点的像素值，获得彩色图像在RGB颜色空间对应的RGB颜色显著性图。
图6为本申请实施例提供的另一种图像分割装置的结构框图。如图6所示，在一种实施例中，图像分割装置还包括文字识别单元504，文字识别单元504用于：
基于目标对象的图像进行文字识别；或者，
从彩色图像中去除目标对象，得到背景图像；基于背景图像进行文字识别。
与图1所示的方法基于同一发明构思，本申请实施例还提供了一种电子设备。如图7所示，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，可参照本申请方法实施例部分。该电子设备可以为包括平板电脑、车载电脑、PC机等任意设备。
图7为本申请实施例提供的一种电子设备的结构示意图；如图7所示，本申请实施例中该电子设备100包括：处理器101、显示器102、存储器103、输入设备106、总线105和通讯模块104；该处理器101、存储器103、输入设备106、显示器102和通讯模块104均通过总线105连接，该总线105用于该处理器101、存储器103、显示器102、通讯模块104和输入设备106之间传输数据。
其中，存储器103可用于存储软件程序以及模块，如本申请实施例中的图像分割方法对应的程序指令/模块，处理器101通过运行存储在存储器103中的软件程序以及模块，从而执行电子设备100的各种功能应用以及数据处理，如本申请实施例提供的图像分割方法。存储器103可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个应用的应用程序等；存储数据区可存储根据电子设备100的使用所创建的数据(比如对话数据集)等。此外，存储器103可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器101是电子设备100的控制中心，利用总线105以及各种接口和线路连接整个电子设备100的各个部分，通过运行或执行存储在存储器103内的软件程序和/或模块，以及调用存储在存储器103内的数据，执行电子设备100的各种功能和处理数据。可选的，处理器101可包括一个或多个处理单元，如CPU、GPU、数字处理单元等。
处理器101可以将分割的图像通过显示器102展示给用户。
处理器101还可以通过通讯模块104连接网络，获取图像信息等。
输入设备106主要用于获得用户的输入操作，当该电子设备不同时，该输入设备106也可能不同。例如，当该电子设备为计算机时，该输入设备106可以为鼠标、键盘等输入设备；当该电子设备为智能手机、平板电脑等便携设备时，该输入设备106可以为触控屏。当该电子设备为聊天机器人时，该输入设备106可以为按键、麦克风等输入设备。
可以理解，图7所示的结构仅为示意，电子设备100还可包括比图7中所示更多或者更少的组件，或者具有与图7所示不同的配置。图7中所示的各组件可以采用硬件、软件或其组合实现。
本申请实施例还提供了一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令用于实现本申请任一实施例所述的图像分割方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种图像分割方法，其特征在于，所述方法包括：
获取待处理的彩色图像在LAB颜色空间对应的LAB颜色显著性图中的有色区域，以及所述彩色图像在RGB颜色空间对应的RGB颜色显著性图；所述彩色图像中包括具有颜色差异的目标对象和背景图像；
确定所述RGB颜色显著性图中的有效区域内的像素点的最小像素值；所述有效区域在所述RGB颜色显著性图中的位置与所述有色区域在所述LAB颜色显著性图中的位置相对应；
将所述最小像素值作为分割阈值，对所述RGB颜色显著性图进行图像分割，得到所述目标对象的图像。
2.根据权利要求1所述的方法，其特征在于，所述获取待处理的彩色图像在LAB颜色空间对应的LAB颜色显著性图中的有色区域，包括：
获取所述彩色图像在LAB颜色空间对应的LAB图像；
根据所述LAB图像中每个像素点的A颜色通道对应的颜色特征值和B颜色通道对应的颜色特征值，获得所述LAB图像对应的LAB颜色显著性图；
采用自适应阈值对所述LAB颜色显著性图进行分割，得到所述LAB颜色显著性图中的有色区域；所述自适应阈值是根据所述LAB颜色显著性图中的像素点的灰度值确定的。
3.根据权利要求2所述的方法，其特征在于，所述根据所述LAB图像中每个像素点的A颜色通道对应的颜色特征值和B颜色通道对应的颜色特征值，获得所述LAB图像对应的LAB颜色显著性图，包括：
对于所述LAB图像中的每个像素点，将所述像素点的A颜色通道对应的颜色特征值的绝对值和B颜色通道对应的颜色特征值的绝对值求和，得到所述像素点在LAB颜色显著性图中对应的像素点的灰度值；
根据得到的LAB颜色显著性图中每个像素点的灰度值，获得所述LAB图像对应的LAB颜色显著性图。
4.根据权利要求2所述的方法，其特征在于，所述自适应阈值的确定过程，包括：
分别将所述LAB颜色显著性图中的每个灰度值作为候选阈值；
根据所述LAB颜色显著性图中的像素点的灰度值，确定每个候选阈值对应的类间方差或类间均值；
将最大类间方差或最大类间均值对应的候选阈值作为自适应阈值。
5.根据权利要求4所述的方法，其特征在于，所述根据所述LAB颜色显著性图中的像素点的灰度值，确定每个候选阈值对应的类间方差，包括：
对于每个候选阈值，根据所述LAB颜色显著性图中每个像素点的灰度值，采用所述候选阈值将所述LAB颜色显著性图中的像素点分配至两个像素点类集；
根据每个像素点类集中包含的像素点的数量，分别确定两个像素点类集对应的权重；
根据所述LAB颜色显著性图中每个像素点的灰度值以及两个像素点类集对应的权重，分别确定两个像素点类集对应的灰度均值；
根据所述LAB颜色显著性图中每个像素点的灰度值，确定所述LAB颜色显著性图的全局灰度均值；
根据所述全局灰度均值及两个像素点类集分别对应的灰度均值，确定所述候选阈值对应的类间方差。
6.根据权利要求1所述的方法，其特征在于，所述获取所述彩色图像在RGB颜色空间对应的RGB颜色显著性图，包括：
对于所述彩色图像中的每个像素点，确定所述像素点的R颜色通道、G颜色通道和B颜色通道的颜色特征值的通道颜色均值；
分别确定三个颜色通道的颜色差值；所述三个颜色通道的颜色差值分别为：所述像素点的R颜色通道的颜色特征值与所述通道颜色均值的差值的绝对值、所述像素点的G颜色通道的颜色特征值与所述通道颜色均值的差值的绝对值、所述像素点的B颜色通道的颜色特征值与所述通道颜色均值的差值的绝对值；
将所述三个颜色通道的颜色差值的平均值作为所述像素点在RGB颜色显著性图中对应的像素点的像素值；
根据得到的RGB颜色显著性图中每个像素点的像素值，获得所述彩色图像在RGB颜色空间对应的RGB颜色显著性图。
7.根据权利要求1所述的方法，其特征在于，所述得到所述目标对象的图像之后，所述方法还包括：
基于所述目标对象的图像进行文字识别；或者，
从所述彩色图像中去除所述目标对象，得到所述背景图像；基于所述背景图像进行文字识别。
8.一种图像分割装置，其特征在于，所述装置包括：
图像转换单元，用于获取待处理的彩色图像在LAB颜色空间对应的LAB颜色显著性图中的有色区域，以及所述彩色图像在RGB颜色空间对应的RGB颜色显著性图；所述彩色图像中包括具有颜色差异的目标对象和背景图像；
阈值确定单元，用于确定所述RGB颜色显著性图中的有效区域内的像素点的最小像素值；所述有效区域在所述RGB颜色显著性图中的位置与所述有色区域在所述LAB颜色显著性图中的位置相对应；
图像分割单元，用于将所述最小像素值作为分割阈值，对所述RGB颜色显著性图进行图像分割，得到所述目标对象的图像。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器实现权利要求1～7中任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，其特征在于：所述计算机程序被处理器执行时，实现权利要求1～7中任一项所述的方法。
CN202010553563.9A 2020-06-17 2020-06-17 一种图像分割方法、装置、电子设备和存储介质 Active CN111784703B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010553563.9A CN111784703B (zh) 2020-06-17 2020-06-17 一种图像分割方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010553563.9A CN111784703B (zh) 2020-06-17 2020-06-17 一种图像分割方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111784703A true CN111784703A (zh) 2020-10-16
CN111784703B CN111784703B (zh) 2023-07-14

Family

ID=72756855

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010553563.9A Active CN111784703B (zh) 2020-06-17 2020-06-17 一种图像分割方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111784703B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114449714A (zh) * 2021-12-27 2022-05-06 新瑞鹏宠物医疗集团有限公司 基于视觉识别的光色调整方法、装置及电子设备
CN115115893A (zh) * 2022-07-26 2022-09-27 金乡县富通金属回收有限公司 用于废金属回收的智能分选方法
CN117435156A (zh) * 2023-12-20 2024-01-23 汉朔科技股份有限公司 电子价签的显示信息生成方法、装置、设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968782A (zh) * 2012-09-12 2013-03-13 苏州大学 一种彩色图像中显著对象的自动抠取方法
CN104598908A (zh) * 2014-09-26 2015-05-06 浙江理工大学 一种农作物叶部病害识别方法
CN106296695A (zh) * 2016-08-12 2017-01-04 西安理工大学 基于显著性的自适应阈值自然目标图像分割抽取算法
CN106558050A (zh) * 2015-09-24 2017-04-05 南京大学 一种基于自适应三阈值的显著物体分割方法
CN107038704A (zh) * 2017-05-04 2017-08-11 季鑫 视网膜图像渗出区域分割方法、装置和计算设备
CN107123150A (zh) * 2017-03-25 2017-09-01 复旦大学 全局颜色对比度检测和分割显著图的方法
US20180061068A1 (en) * 2015-05-06 2018-03-01 Peking University Shenzhen Graduate School Depth/Disparity Map Post-processing Method and Device
CN109544583A (zh) * 2018-11-23 2019-03-29 广东工业大学 一种提取皮革图像感兴趣区域的方法、装置及设备
CN109636784A (zh) * 2018-12-06 2019-04-16 西安电子科技大学 基于最大邻域和超像素分割的图像显著性目标检测方法
CN111091129A (zh) * 2019-12-24 2020-05-01 沈阳建筑大学 一种基于多重颜色特征流形排序的图像显著区域提取方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968782A (zh) * 2012-09-12 2013-03-13 苏州大学 一种彩色图像中显著对象的自动抠取方法
CN104598908A (zh) * 2014-09-26 2015-05-06 浙江理工大学 一种农作物叶部病害识别方法
US20180061068A1 (en) * 2015-05-06 2018-03-01 Peking University Shenzhen Graduate School Depth/Disparity Map Post-processing Method and Device
CN106558050A (zh) * 2015-09-24 2017-04-05 南京大学 一种基于自适应三阈值的显著物体分割方法
CN106296695A (zh) * 2016-08-12 2017-01-04 西安理工大学 基于显著性的自适应阈值自然目标图像分割抽取算法
CN107123150A (zh) * 2017-03-25 2017-09-01 复旦大学 全局颜色对比度检测和分割显著图的方法
CN107038704A (zh) * 2017-05-04 2017-08-11 季鑫 视网膜图像渗出区域分割方法、装置和计算设备
CN109544583A (zh) * 2018-11-23 2019-03-29 广东工业大学 一种提取皮革图像感兴趣区域的方法、装置及设备
CN109636784A (zh) * 2018-12-06 2019-04-16 西安电子科技大学 基于最大邻域和超像素分割的图像显著性目标检测方法
CN111091129A (zh) * 2019-12-24 2020-05-01 沈阳建筑大学 一种基于多重颜色特征流形排序的图像显著区域提取方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HAIDI FAN ET AL.: "Automatic segmentation of dermoscopy images using saliency combined with Otsu threshold", 《COMPUTERS IN BIOLOGY AND MEDICINE》 *
WENZHU YANG ET AL.: "Saliency-based color image segmentation in foreign fiber detection", 《MATHEMATICAL AND COMPUTER MODELLING》 *
刘明媚: "基于区域显著性的彩色图像分割", 《电子设计工程》 *
张辰 等: "基于HSV综合显著性的彩色图像分割方法", 《计算机工程与设计》 *
张辰: "基于显著性的彩色图像分割方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114449714A (zh) * 2021-12-27 2022-05-06 新瑞鹏宠物医疗集团有限公司 基于视觉识别的光色调整方法、装置及电子设备
CN114449714B (zh) * 2021-12-27 2023-08-08 新瑞鹏宠物医疗集团有限公司 基于视觉识别的光色调整方法、装置及电子设备
CN115115893A (zh) * 2022-07-26 2022-09-27 金乡县富通金属回收有限公司 用于废金属回收的智能分选方法
CN117435156A (zh) * 2023-12-20 2024-01-23 汉朔科技股份有限公司 电子价签的显示信息生成方法、装置、设备及介质
CN117435156B (zh) * 2023-12-20 2024-05-28 汉朔科技股份有限公司 电子价签的显示信息生成方法、装置、设备及介质

Also Published As

Publication number Publication date
CN111784703B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
KR102225266B1 (ko) 이미지 처리 방법과 장치, 전자 기기 및 컴퓨터 저장 매체
CN111784703B (zh) 一种图像分割方法、装置、电子设备和存储介质
CN101529495B (zh) 图像遮罩生成
US20240005468A1 (en) Image distortion evaluation method and apparatus, and computer device
WO2023005743A1 (zh) 图像处理方法及装置、计算机设备、存储介质和计算机程序产品
CN104463838A (zh) 彩色视频处理系统和方法、以及相应计算机程序
CN110648284B (zh) 一种光照不均匀的图像处理方法及装置
CN111626967A (zh) 图像增强方法、装置、计算机装置及可读存储介质
Milić et al. A content-dependent naturalness-preserving daltonization method for dichromatic and anomalous trichromatic color vision deficiencies
CN110969046A (zh) 人脸识别方法、设备及计算机可读存储介质
CN108960012B (zh) 特征点检测方法、装置及电子设备
CN112634312A (zh) 图像背景处理方法、装置、电子设备及存储介质
CN114374760A (zh) 图像测试方法、装置、计算机设备及计算机可读存储介质
CN113469092A (zh) 字符识别模型生成方法、装置、计算机设备和存储介质
CN111724396A (zh) 图像分割方法及装置、计算机可读存储介质、电子设备
CN110990617B (zh) 一种图片标记方法、装置、设备及存储介质
CN107146258B (zh) 一种图像显著区域检测方法
Zhang et al. A novel color space based on RGB color barycenter
CN104093010B (zh) 一种图像处理方法及装置
CN112419470A (zh) 目标区域的颜色渲染方法、装置、设备和介质
CN115830343A (zh) 一种基于hsv色彩空间的颜色识别方法
CN112070096B (zh) 颜色识别方法、装置、终端设备和存储介质
US10311577B1 (en) Techniques to improve edge detection for images
CN113298753A (zh) 敏感肌的检测方法、图像处理方法、装置及设备
Zhou et al. Saliency preserving decolorization

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