CN111798467B - 一种图像分割方法、装置、设备及存储介质 - Google Patents
一种图像分割方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111798467B CN111798467B CN202010630477.3A CN202010630477A CN111798467B CN 111798467 B CN111798467 B CN 111798467B CN 202010630477 A CN202010630477 A CN 202010630477A CN 111798467 B CN111798467 B CN 111798467B
- Authority
- CN
- China
- Prior art keywords
- value
- gray
- pixel
- image data
- foreground
- 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
- 238000003709 image segmentation Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 238000012512 characterization method Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 62
- 230000014759 maintenance of location Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20101—Interactive definition of point of interest, landmark or seed
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种图像分割方法、装置、设备及存储介质,包括:采集原始图像数据,所述原始图像数据中具有多个像素点;计算所述原始图像数据中各个像素点的目标灰度值,获得灰度图像;计算所述灰度图像数据中各个像素点之间在空间表征的相关性;根据所述相关性、计算用于将所述灰度图像数据区分前景与背景的阈值;根据所述阈值在所述原始图像数据中选择种子区域;对所述种子区域进行生长,以将所述原始图像数据划分为目标图像区域。本发明实施例将灰度特征与像素点空间相关性进行结合,计算得到用于图像分割的阈值,能够实现原始图像数据的快速分割,得到更为精准的目标图像区域。
Description
技术领域
本发明实施例涉及图像处理技术,尤其涉及一种图像分割方法、装置、设备及存储介质。
背景技术
随着人工智能、大数据、云计算等智能技术的应用,基于前视摄像头实现的车辆驾驶辅助功能已成为L2级自动驾驶技术的主流发展方向之一。实现自动驾驶的前提是车辆能够快速有效地检测和利用道路信息,通常在前视摄像头采集到的图片中运用图像分割、目标识别等图像处理方法,获取得到前方道路中的车道线、障碍物等信息。
然而,当车辆通过隧道出口等场景时,由于光照突然变强,前视摄像头采集的前方道路图像存在过曝现象。与自然场景图像相比,强光下的过曝图像质量降低,目标间边界模糊、灰度特征差异不明显,不利于图像分割等处理。
目前,可以采用图像语义分割的方法对过曝图像进行处理,一般需要采集大量的数据集并对数据集进行图像类别层面的标注和个体层面的标注,需要耗费大量的时间和人工精力,同时,标注的精细程度也决定了图像分割的准确程度;再者,基于图像语义分割的方法对设备算例要求较高,高算力设备会带来高功耗的影响,不利于整车产品的用电管理。而采用传统的种子区域生长算法对过曝图像进行分割处理,常常需要将种子点选择在区域相似度高的地方,同时应该在非边界处选择种子点。然而,过曝图像亮度高于普通图像,灰度整体偏高,相似度较高,若仅采用基于相似度选择像素区域并根据灰度差异实现分割的传统的图像处理方法,容易导致欠分割问题。
发明内容
本发明实施例提供一种图像分割方法、装置、设备及存储介质,以解决过曝图像的欠分割问题,能够实现图像在低算力设备中的快速有效分割。
第一方面,本发明实施例提供了一种图像分割方法,包括:
采集原始图像数据,所述原始图像数据中具有多个像素点;
计算所述原始图像数据中各个像素点的目标灰度值,获得灰度图像数据;
计算所述灰度图像数据中各个像素点之间在空间表征的相关性;
根据所述相关性、计算用于将所述灰度图像数据区分前景与背景的阈值;
根据所述阈值在所述原始图像数据中选择种子区域;
对所述种子区域进行生长,以将所述原始图像数据划分为目标图像区域。
第二方面,本发明实施例还提供了一种图像分割装置,包括:
图像获取模块,用于采集原始图像,所述原始图像中具有多个像素点;
灰度图像获取模块,用于计算所述原始图像数据中各个像素点的目标灰度值,获得灰度图像数据;
相关性计算模块,用于计算所述灰度图像数据中各个像素点之间在空间表征的相关性;
阈值计算模块,用于根据所述相关性、计算用于将所述灰度图像数据区分前景与背景的阈值;
种子区域选择模块,用于根据所述阈值在所述原始图像数据中选择种子区域;
目标分割模块,用于对所述种子区域进行生长,以将所述原始图像数据划分为目标图像区域。
第三方面,本发明实施例还提供了一种计算机设备,所述设备包括:
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中任一所述的图像分割方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-7中任一所述的图像分割方法。
本发明实施例通过计算原始图像数据中各个像素点的目标灰度值,获得灰度图像数据,计算灰度图像数据中各个像素点之间在空间表征的相关性,根据相关性、计算用于将灰度图像数据区分前景与背景的阈值,根据阈值在所述原始图像数据中选择种子区域,然后对种子区域进行生长,以将原始图像数据划分为目标图像区域。一方面,将邻域灰度值之间的差异引入目标灰度值的计算过程中,以目标灰度值替换原始图像数据中所有像素点的原始灰度值,重新生成灰度图像数据,能够克服过曝图像整体灰度偏高、相似度较高的问题;另一方面,在目标灰度值所能代表的灰度特征的基础上,引入像素点之间的空间相关性,计算将灰度图像数据区分前景与背景的阈值,可以快速确定图像中存在较大差异的像素点之间的边界,根据阈值选择种子区域,并对种子区域进行生长,以将原始图像数据划分为目标图像区域,在一定程度上降低了图像噪声的干扰,减少了计算量,最终能够保证分割后的目标图像边界的完整流畅,提高了图像分割的精度。
附图说明
图1为本发明实施例提供的一张具有多个像素点的图像;
图2是本发明实施例提供的一张灰度图像的示意图;
图3为本发明实施例一提供的一种图像分割方法的流程图;
图4为本发明实施例二提供的一种图像分割装置的结构框图;
图5为本发明实施例三提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
应注意到:在本实用新型实施例的描述中,术语“第一”、“第二”、“第三”、“第四”仅用于区分描述,而不能理解为指示或暗示相对重要性。
为了本发明实施例所示技术方案易于理解,下面对本发明实施例中出现的图像处理领域的若干专有名词进行介绍。
图像数据:图像数据是指用数值表示的各像素的灰度值的集合。对真实世界的图像一般由图像上每一点光的强弱和频谱(颜色)来表示,把图像信息转换成数据信息时,须将图像分解为很多小区域,这些小区域称为像素,可以用一个数值来表示它的灰度,对于彩色图像常用红、绿、蓝三原色分量表示。顺序地抽取每一个像素的信息,就可以用一个离散的阵列来代表一幅连续的图像。
像素点:像素作为图像中不可分割的单位,即最小单元,如图1所示,图像100由许多小方格1001组成,这些小方格1001就是像素,一般也被称为像素点,每个小方格1001都有一个明确的位置和被分配的色彩数值,小方格1001的颜色和位置就决定该图像所呈现出来的样子。每一个点阵图像都包含了一定量的像素点,这些像素点决定了图像在屏幕上所呈现的大小。
灰度值:把白色与黑色之间按对数关系分成若干级,称为“灰度等级”。灰度等级取决于每个像素对应的刷新存储单元的位数和显示器本身的性能,以8位二进制数为例,范围一般从0到255,白色为255,黑色为0,0-255中的任意一个对应的正整数值即为灰度值,灰度值代表单个像素点的亮度,灰度值越大表示越亮。在实际生活当中,较为常见的是彩色图像,彩色图像通常由几个叠加的彩色通道构成,每个通道代表给定通道的值。例如,RGB图像由三个独立的红色R、绿色G和蓝色B原色分量组成,其中R、G、B是由不同的灰度级来描述的,以8位二进制数为例,R、G、B三个通道的灰度级都是256,一个256级灰度的图像,RGB(100,100,100)就代表灰度为100,RGB(50,50,50)代表灰度为50。
灰度图像:用灰度表示的图像称作灰度图像。灰度就是没有色彩,RGB色彩分量全部相等。灰度图像中的每个像素点只有一个采样颜色,灰度图像在黑色与白色之间还有许多级的颜色深度,如图2所示,灰度图像200中的不同像素点2001具有不同的颜色深度。相比较彩色图像而言,灰度图像只包含一个通道的信息,单通道灰度图像是由单个像素点通过8位的灰度值(0-255)来表示,例如一幅500*500像素的单通道灰度图像是由500*500=250000个不同灰度的像素点组成。在图像处理的过程中,通常需要将彩色图像转换成灰度图像,以减少光照影响和降低运算量,一般的处理方法有平均法、最大最小平均法、加权平均法等,例如:原彩色图像中某个像素点的颜色为RGB(R,G,B),采用平均值法计算该像素点的灰度为Gray=(R+G+B)/3,将原彩色图像该像素点中的R,G,B统一替换为Gray,形成新的颜色RGB(Gray,Gray,Gray),对彩色图像中的所有像素点都采用上述方法计算Gray、再用Gray替换原有的R,G,B的值,即可得到与原彩色图像相对应的灰度图像,此时Gray为灰度图像中每个像素点的灰度值。
实施例一
图3为本发明实施例一提供的一种图像分割方法的流程图。本发明实施例的技术方案适用于图像处理领域,具体可应用于图像目标提取、图像目标识别、图像目标分割的场景,例如:车道采集图像中的车道线提取、自动驾驶中的障碍物识别、室内外环境采集图像中的物体分割等。该方法可以由图像分割装置来执行,该图像分割装置可以由软件和/或硬件来实现,可配置在计算机设备中,例如,服务器、控制器、管理系统平台等。该方法具体包括如下步骤:
步骤110、采集原始图像数据,原始图像数据中具有多个像素点;
其中,原始图像数据可以由扫描仪、摄像头等输入设备捕捉实际的场景画面获取得到。以在车道中行驶的车辆为例,该车辆上装载有前视摄像头,该摄像头可以在车辆行驶的过程中捕捉前方道路画面,以获取得到具有前方道路环境信息的原始图像数据。
像素点作为最小的图像单元,一张图片往往由好多的像素点组成,例如一张图片的尺寸为500*338,表示该图片是由一个500*338的像素点矩阵构成的,这张图片的宽度是500个像素点的长度,高度是338个像素点的长度,共有500*338=149000个像素点。在本实施例中,原始图像数据具有2个以上的像素点,这些像素点可以组成一个像素集合,用矩阵的形式进行表示,每个像素点都具有整数行(高)和整数列(宽)的位置坐标。在此需要说明的是,本发明实施例对原始图像数据的尺寸不作限定。
步骤120、计算原始图像数据中各个像素点的目标灰度值,获得灰度图像数据;
其中,灰度图像数据是指灰度图像中用灰度值表示各像素点的灰度的集合,在本发明的技术方案中,灰度图像数据特指一种图像数据类型。
在本实施例的具体实现方式中,可以根据原始图像数据中各个像素点之间的关系计算各个像素点的目标灰度值,该关系包括结构关系、相似度关系、邻域关系等。以邻域关系为例,在原始图像数据中任意选择一个像素点作为中心像素点,以该中心像素点为圆心筛选出距离该中心像素点最近的8个像素点,将这8个像素点与该中心像素点作为一个整体,分别计算这8个像素点的灰度值与中心像素点的灰度值的差值,对该差值求取算术平均值,以该平均值作为中心像素点的灰度值的补偿值,重新计算该中心像素点的目标灰度值;对原始图像数据中的所有像素点都采用上述方法进行处理,最终以获得灰度图像数据。
在本实施例的一种实现方式中,步骤120可以包括以下具体步骤:
步骤1201、依次遍历像素点,以确定第一像素点与第二像素点;
其中,从原始图像数据中的某个像素点出发,按照一定的搜索路线,依次访问原始图像数据中的全部像素点,且每个像素点访问一次,记录每个像素点的位置坐标,以查找第一像素点与第二像素点。第一像素点与第二像素点都是原始图像数据中的像素点,第一像素点为原始图像数据中任一像素点,第二像素点为与第一像素点相邻的像素点。
在本实施例的一种实现方式中,第二像素点可以是与第一像素点相邻的上下左右的4个像素点,也可以是以第一像素点为中心划分的九宫格内的其他8个像素点,或者是以第一像素点为圆心、预设半径画圆的圆内的其它像素点,等等,本发明实施例对此不作任何限制。
步骤1202、分别确定第一像素点的第一原始灰度值、第二像素点的第二原始灰度值;
在本实施例中,原始图像数据可以用多维矩阵进行表示,该矩阵内存储的数值即为各个像素点的原始灰度值,确定第一像素点和第二像素点的坐标位置,以坐标位置为搜索条件,分别在矩阵内查找第一像素点的第一原始灰度值和第二像素点的第二原始灰度值。
步骤1203、对所有子灰度差值求和,得到总灰度差值;
其中,子灰度差值为第二原始灰度值与第一原始灰度值之间的差值;对总灰度差值配置差异系数,其中,差异系数为子灰度差值与总灰度差值之间的比值。
步骤1204、对第一原始灰度值配置保留系数;
其中,保留系数与差异系数相加的和为1。
步骤1205、针对第一像素点,计算第一候选灰度值与第二候选灰度值之和,获得第一像素点的目标灰度值;
其中,第一候选灰度值为第一原始灰度值与保留系数之间的乘积,第二候选灰度值为总灰度差值与差异系数之间的乘积。
在本实施例的一种实现方式中,步骤120所包含的上述步骤可用公式(1)表示:
I′i=αIi+βR∑|IR-Ii|,IR∈NR (1)
式中Ii表示第一原始灰度值,IR表示第二原始灰度值,NR表示第一像素点的邻域像素集合,该邻域像素集合由全部第二像素点组成,α表示第一原始灰度值的保留系数,βR表示对应邻域像素集合的差异系数,I′i表示第一像素点的目标灰度值,其中,差异系数的计算如公式(2)所示,保留系数的计算如公式(3)所示:
βR=|IR-Ii|/∑|IR-Ii|,IR∈NR (2)
α=1-βR (3)
在本实施例中,原始图像数据可以由彩色图像转换得到,此时基于原始图像数据中的各像素点的不同颜色空间的灰度信息,也可以按照公式(1)对原始图像数据进行优化,对原始图像数据中的各像素点的原始灰度值进行更新,计算目标灰度值,得到灰度图像数据。
步骤120表明,用各个像素点的原始灰度值与其对应邻域像素点的差值之和更新原有像素点的原始灰度值,当某个像素点的原始灰度值与其周围邻域像素点的原始灰度值的差值较大时,计算得到的目标灰度值与原始灰度值的差异较大,反之差异较小;该方法使得待分割图像的目标间边界处灰度值改变较大,而目标内灰度值改变较小,可以在保留原有灰度信息的基础上增强待分割图像的目标间对比度。
步骤130、计算灰度图像数据中各个像素点之间在空间表征的相关性;
其中,空间表征的相关性是指灰度图像数据中各个像素点的灰度值与其周围像素点的灰度值有相似性,灰度图像数据的空间单元之间具有连通性,各个像素点的灰度值在数理统计分布上具有非均匀性,可以通过计算各个像素点的灰度值之间的偏差程度来表示相关性。
在本实施例的一种实现方式中,步骤130可以包括以下具体步骤:
步骤1301、依次遍历灰度图像数据的像素点,以确定第三像素点与第四像素点;
其中,从灰度图像数据中的某个像素点出发,按照一定的搜索路线,依次访问全部像素点,且每个像素点访问一次,记录每个像素点的位置坐标,以查找第三像素点与第四像素点。第三像素点与第四像素点都是灰度图像数据中的像素点,第三像素点为灰度图像数据中任一像素点,第四像素点为与第三像素点相邻的像素点,第三像素点与第四像素点的灰度值都为已经更新过的目标灰度值。
步骤1302、计算第四像素点的灰度均值,灰度均值为第四像素点目标灰度值之间的平均数;
统计第四像素点的数量,将所有第四像素点的目标灰度值相加、再除以第四像素点的总数量,可以得到第四像素点的灰度均值。
步骤1303、将第三像素点的目标灰度值减去灰度均值,得到灰度中间值;
步骤1304、对灰度中间值取三次方,得到第四像素点的灰度偏度值;
其中,灰度偏度值是指灰度图像数据中各像素点的灰度值之间的偏差程度。
在本实施例的一种实现方式中,将步骤1301-1304的内容用公式(4)进行表示:
其中,I′i表示第三像素点的目标灰度值,I′R表示第四像素点的目标灰度值,N表示第四像素点的总数量,Si表示第四像素点的灰度偏度值。
在本实施例的一种实现方式中,对灰度图像数据中的所有像素点计算灰度偏度值。
步骤1305、以灰度偏度值作为元素、将灰度图像数据中各个灰度偏度值存入矩阵中,以使矩阵表示灰度图像数据中各个像素点之间在空间表征的相关性。
其中,矩阵内各元素的位置对应灰度图像数据中各个像素点在图像坐标系下的位置,每个元素都代表对应的像素点的灰度偏度值,则灰度图像数据中各个像素点之间在空间表征的相关性用该矩阵来表示。
步骤140、根据相关性、计算用于将灰度图像数据区分前景与背景的阈值;
在图像处理领域中,前景一般表示靠近采集设备(例如相机)、属于捕捉画面的主题内容,一般也指代靠近相机的图像,而背景则表示捕捉画面的主题内容以外的画面;比如拍摄人物图像,前景就是人物,而图像除人物以外的内容就叫背景。
在本实施例的一种实现方式中,步骤140可以包括以下具体步骤:
步骤1401、遍历矩阵中的灰度偏度值,计算将灰度图像数据区分前景与背景的阈值取值为灰度偏度值时、前景的像素占比、背景的像素占比、前景的平均灰度值、背景的平均灰度值;
此时,前景是指灰度图像数据中目标灰度值小于或等于阈值的所有像素点,背景指灰度图像数据中目标灰度值大于阈值的所有像素点。
前景的像素占比是指前景中所包含的所有像素点的数量与灰度图像数据中全部像素点的总数量的比值。
背景的像素占比是指背景中所包含的所有像素点的数量与灰度图像数据中全部像素点的总数量的比值。
前景的平均灰度值是指前景中所包含的所有像素点的灰度偏度值的平均数。
背景的平均灰度值是指背景中所包含的所有像素点的灰度偏度值的平均数。
在本实施例中,相关性可以表示为矩阵形式的灰度偏度值,灰度图像数据中各像素点的灰度偏度值都存储在该矩阵中,且灰度图像数据中各像素点的位置与矩阵中的元素一一对应。因此,在本示例的一种实现方式中,前景的像素占比和背景的像素占比可以通过统计矩阵中的元素个数进行计算,具体地,步骤1401可以包括如下步骤:
步骤14011、计算各个灰度偏度值在矩阵中出现的概率,作为灰度概率;
如公式(5)所示:
其中,nk表示矩阵中任意一个元素值(灰度偏度值)在矩阵中出现的对应次数,∑nk表示统计矩阵中所有元素值的总数目,pk表示灰度概率。
步骤14012、确定矩阵内的第一偏度值、第二偏度值;
其中,在矩阵内查找所有的灰度偏度值,将数值最小的灰度偏度值作为第一偏度值,数值最大的灰度偏度值作为第二偏度值。
步骤14013、计算矩阵中第三偏度值所对应的灰度概率的总和,作为前景的像素占比,其中,第三偏度值为大于第一偏度值、且小于阈值的灰度偏度值;
如公式(6)所示:
在公式(6)中,Δk表示矩阵中的元素值,(Δk)min表示第一偏度值,T表示阈值,第三偏度值为矩阵中在数值范围((Δk)min,T)内的元素值,式(6)中的pk为第三偏度值所对应的灰度概率,ω1表示前景的像素占比。
步骤14014、计算矩阵中第四偏度值所对应的灰度概率的总和,作为背景的像素占比,其中,第四偏度值为大于阈值、且小于第二偏度值的灰度偏度值;
如公式(7)所示:
在公式(7)中,Δk表示矩阵中的元素值,(Δk)max表示第二偏度值,T表示阈值,第四偏度值为矩阵中在数值范围(T,(Δk)max)内的元素值,式(7)中的pk为第四偏度值所对应的灰度概率,ω2表示背景的像素占比。在本示例的另一种实现方式中,背景的像素占比与前景的像素占比的和为1,因此,背景的像素占比也可以用公式(8)计算得到:
ω2=1-ω1 (8)
步骤14015、将矩阵中第三偏度值乘以前景的中间值,得到前景的平均灰度值,前景的中间值为灰度概率与前景的像素占比之间的比值;
如公式(9)所示:
在公式(9)中,矩阵中在数值范围((Δk)min,T)内的元素值Δk为第三偏度值,(Δk)min表示第一偏度值,T表示阈值,ω1表示前景的像素占比,μ1表示前景的平均灰度值。
步骤14016、将矩阵中第四偏度值乘以背景的中间值,得到背景的平均灰度值,背景的中间值为灰度概率与背景的像素占比之间的比值。
如公式(9)所示:
在公式(9)中,矩阵中在数值范围(T,(Δk)max)内的元素值Δk为第四偏度值,(Δk)max表示第二偏度值,T表示阈值,ω2表示背景的像素占比,μ2表示背景的平均灰度值。
步骤1402、计算基于前景的平均灰度值、背景的平均灰度值、前景的像素占比、背景的像素占比的一阶统计量,得到类间方差;
其中,一阶统计量也称灰度直方图特征,主要思想是对整张图像,或者图像中的感兴趣区域进行一些统计学计算,求得相应的统计量,用于在灰度层面描述图像。在本实施例的一种实现方式中,计算一阶统计量的步骤包括:
将前景的平均灰度值减去背景的平均灰度值,得到平均灰度差值;
计算平均灰度差值的二次方、前景的像素占比和背景的像素占比之间的乘积,得到类间方差。如公式(10)所示:
在公式(10)中,表示类间方差。
在本实施例中,类间方差的计算还可以通过公式(11)和公式(12)计算得到:
μ=μ1*ω1+μ2*ω2 (12)
在公式(11)中,μ表示灰度图像数据的平均灰度值,μ的计算如公式(12)所示,前景的像素占比ω1与前景的平均灰度值μ1的乘积、加上背景ω2的像素占比与背景的平均灰度值μ2的乘积,得到灰度图像数据的平均灰度值。其中,灰度图像数据的平均灰度值μ还可以由矩阵中位于第一偏度值(Δk)min与第二偏度值(Δk)max范围内的元素值Δk乘以该元素值对应的灰度概率pk计算得到,如公式(13)所示:
步骤1403、将类间方差达到最大值时对应的灰度偏度值赋值给阈值。如公式(14)所示:
上式中,表示类间方差达到最大值时所对应的灰度偏度值,T表示阈值。
步骤150、根据阈值在原始图像数据中选择种子区域;
在图像处理领域,区域生长算法的基本思想是以一定判别依据,将具有相似准则的像素合并起来构成区域。主要步骤是对每个需要分割的区域找出一个种子像素作为生长起点(通俗一点就是找一个像素来作为参考,用于判断其他像素与参考像素之间是否具有联系),然后根据一定的判别准则,将种子像素周围相似的像素进行判别,相似性较高的像素进行合并,如此就像种子一样发芽生长,这些合并在一块的像素就构成了种子区域。
在本实施例中,图像分割是指预测原始图像数据中每一个像素点所属的类别或者物体,可以是预测类别层面的分割,也可以是对不同物体的个体进行区分;其中,待分割/待区分的目标区域即为种子区域。
在本实施例的一种实现方式中,步骤150可以包括以下具体步骤:
若像素点的目标灰度值小于等于阈值,则将像素点选择为种子点;
将所有种子点归为种子区域,若像素点的目标灰度值大于阈值,则将像素点选择为非种子点。
在本发明实施例中,通过计算灰度图像数据中各个像素点的灰度偏度值,将所有灰度偏度值存入矩阵中,用矩阵的形式表示灰度图像数据各个像素点之间在空间表征的相关性,能够反映灰度图像数据中的邻域空间的差异性,该差异性通过计算出的阈值来划分,通过阈值可以将原始图像数据中待分割的目标区域进行快速分割。同时,依据阈值进行种子的选取,能够将原始图像数据中相似度高的图像区域内部像素点所映射较小的矩阵元素值作为代表本区域特征的种子点,而原始图像数据中边界或相似度低的图像区域,由于包含灰度跳变点较多,所映射的矩阵元素值较大,则不能被选为种子点;这样能够加快图像分割的效率,并且保证图像分割的准确性。
步骤160、对种子区域进行生长,以将原始图像数据划分为目标图像区域。
其中,对种子区域进行生长是从某个或者某些像素点出发,最后得到整个区域,进而实现目标区域的提取。
目标图像区域是指原始图像数据中需要被分割出来的目标图像块。
在本实施例的一种实现方式中,步骤160可以包括以下具体步骤:
若与非种子点相邻的四个像素点均为种子点,则将非种子点归为种子区域;
当种子区域停止增长时,将从原始图像中提取种子区域,作为目标图像区域。
在本实施例中,原始图像数据中目标区域内的像素点的灰度值差异小,其对应映射到矩阵中的元素值均能被选择为种子点,因此本实施例中所选的种子点往往具有区域性,如果一直通过阈值比较的方式选择种子点来对种子区域进行生长,随着种子点格式增多,非种子点与种子点之间的距离计算也随之增多,这种方式的计算量过大;然而,本实施例通过判断与非种子点相邻的四个像素点是否为种子点的方法,能够降低对种子区域进行生长的计算量,缩短图像分割的时间,提高图像分割的效率。
本发明实施例通过计算原始图像数据中各个像素点的目标灰度值,获得灰度图像数据,计算灰度图像数据中各个像素点之间在空间表征的相关性,根据相关性、计算用于将灰度图像数据区分前景与背景的阈值,根据阈值在所述原始图像数据中选择种子区域,然后对种子区域进行生长,以将原始图像数据划分为目标图像区域。一方面,将邻域灰度值之间的差异引入目标灰度值的计算过程中,以目标灰度值替换原始图像数据中所有像素点的原始灰度值,重新生成灰度图像数据,能够克服过曝图像整体灰度偏高、相似度较高的问题;另一方面,在目标灰度值所能代表的灰度特征的基础上,引入像素点之间的空间相关性,计算将灰度图像数据区分前景与背景的阈值,可以快速确定图像中存在较大差异的像素点之间的边界,根据阈值选择种子区域,并对种子区域进行生长,以将原始图像数据划分为目标图像区域,在一定程度上降低了图像噪声的干扰,减少了计算量,最终能够保证分割后的目标图像边界的完整流畅,提高了图像分割的精度。
实施例二
图4为本发明实施例二提供的一种图像分割装置的结构框图。该装置适用于图像分割的情况,该装置可由软件和\或硬件来实现。该装置包括:图像获取模块401、灰度图像获取模块402、相关性计算模块403、阈值计算模块404、种子区域选择模块405和目标分割模块406,其中,
图像获取模块401,用于采集原始图像,所述原始图像中具有多个像素点;
灰度图像获取模块402,用于计算所述原始图像数据中各个像素点的目标灰度值,获得灰度图像数据;
相关性计算模块403,用于计算所述灰度图像数据中各个像素点之间在空间表征的相关性;
阈值计算模块404,用于根据所述相关性、计算用于将所述灰度图像数据区分前景与背景的阈值;
种子区域选择模块405,用于根据所述阈值在所述原始图像数据中选择种子区域;
目标分割模块406,用于对所述种子区域进行生长,以将所述原始图像数据划分为目标图像区域。
在本发明实施例的一种实现方式中,灰度图像获取模块402包括:
依次遍历所述像素点,以确定第一像素点与第二像素点,所述第一像素点为所述原始图像数据中任一像素点,所述第二像素点为与所述第一像素点相邻的像素点;
分别确定所述第一像素点的第一原始灰度值、所述第二像素点的第二原始灰度值;
对所有子灰度差值求和,得到总灰度差值,所述子灰度差值为所述第二原始灰度值与所述第一原始灰度值之间的差值;对所述总灰度差值配置差异系数,其中,所述差异系数为所述子灰度差值与所述总灰度差值之间的比值;
对所述第一原始灰度值配置保留系数;
针对所述第一像素点,计算第一候选灰度值与第二候选灰度值之和,获得所述第一像素点的目标灰度值,其中,所述第一候选灰度值为所述第一原始灰度值与所述保留系数之间的乘积,所述第二候选灰度值为所述总灰度差值与所述差异系数之间的乘积。
在本发明实施例的一种实现方式中,相关性计算模块403包括:
查找单元,用于依次遍历所述灰度图像数据的像素点,以确定第三像素点与第四像素点,所述第三像素点为所述灰度图像数据中任一像素点,所述第四像素点为与所述第三像素点相邻的像素点;
灰度均值计算单元,用于计算所述第四像素点的灰度均值,所述灰度均值为所述第四像素点目标灰度值之间的平均数;
中间值计算单元,用于将所述第三像素点的目标灰度值减去所述灰度均值,得到灰度中间值;
灰度偏度值计算单元,用于对所述灰度中间值取三次方,得到所述第四像素点的灰度偏度值;
相关性计算单元,用于以所述灰度偏度值作为元素、将所述灰度图像数据中各个所述灰度偏度值存入矩阵中,以使所述矩阵表示所述灰度图像数据中各个像素点之间在空间表征的相关性。
在本发明实施例的一种实现方式中,阈值计算模块404包括:
统计量计算单元,用于遍历所述矩阵中的灰度偏度值,计算将所述灰度图像数据区分前景与背景的阈值取值为所述灰度偏度值时、所述前景的像素占比、所述背景的像素占比、所述前景的平均灰度值、所述背景的平均灰度值;其中,所述前景指所述灰度图像数据中所述目标灰度值小于或等于所述阈值的所有像素点,所述背景指所述灰度图像数据中所述目标灰度值大于所述阈值的所有像素点;
类间方差计算单元,用于计算基于所述前景的平均灰度值、所述背景的平均灰度值、所述前景的像素占比、所述背景的像素占比的一阶统计量,得到类间方差;
阈值确定单元,用于将所述类间方差达到最大值时对应的灰度偏度值赋值给所述阈值。
其中,统计量计算单元包括:
灰度概率计算子单元,用于计算各个所述灰度偏度值在所述矩阵中出现的概率,作为灰度概率;
偏度值确定子单元,用于确定所述矩阵内的第一偏度值、第二偏度值,所述第一偏度值为数值最小的灰度偏度值、所述第二偏度值为数值最大的灰度偏度值;
前景像素确定子单元,用于计算所述矩阵中第三偏度值所对应的所述灰度概率的总和,作为所述前景的像素占比,其中,所述第三偏度值为大于所述第一偏度值、且小于所述阈值的所述灰度偏度值;
背景像素确定子单元,用于计算所述矩阵中第四偏度值所对应的所述灰度概率的总和,作为所述背景的像素占比,其中,所述第四偏度值为大于所述阈值、且小于所述第二偏度值的所述灰度偏度值;
前景灰度值确定子单元,用于将所述矩阵中所述第三偏度值乘以所述前景的中间值,得到所述前景的平均灰度值,所述前景的中间值为所述灰度概率与所述前景的像素占比之间的比值;
背景灰度值确定子单元,用于将所述矩阵中所述第四偏度值乘以所述背景的中间值,得到所述背景的平均灰度值,所述背景的中间值为所述灰度概率与所述背景的像素占比之间的比值。
可选地,类间方差计算单元包括:
平均灰度差值确定子单元,用于将所述前景的平均灰度值减去所述背景的平均灰度值,得到平均灰度差值;
类间方差确定子单元,用于计算所述平均灰度差值的二次方、所述前景的像素占比和所述背景的像素占比之间的乘积,得到类间方差。
作为本实施例的一个具体示例,种子区域选择模块405包括:
种子点选择单元,用于若所述像素点的目标灰度值小于等于所述阈值,则将所述像素点选择为种子点;
非种子点选择单元,用于将所有所述种子点归为种子区域,若所述像素点的目标灰度值大于所述阈值,则将所述像素点选择为非种子点;
在本发明实施例的一种实现方式中,目标分割模块406包括:
种子区域确定单元,用于若与所述非种子点相邻的四个所述像素点均为所述种子点,则将所述非种子点归为所述种子区域;
目标确定单元,用于当所述种子区域停止增长时,将从所述原始图像中提取所述种子区域,作为所述目标图像区域。
本发明实施例所提供的图像分割装置可执行本发明任一实施例所提供的图像分割方法,具备执行方法相应的功能模块和有益效果。
实施例三
图5为本发明实施例三提供的一种计算机设备的结构示意图。如图5所示,该图像分割设备包括处理器501、存储器502、输入装置503和输出装置504;计算机设备中处理器501的数量可以是一个或多个,图5中以一个处理器501为例;计算机设备中的处理器501、存储器502、输入装置503和输出装置504可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器502作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本实施例中的元素处理方法对应的程序指令/模块(例如,图像分割装置中的图像获取模块401、灰度图像获取模块402、相关性计算模块403、阈值计算模块404、种子区域选择模块405和目标分割模块406)。处理器501通过运行存储在存储器502中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述的用于计算机设备的操作。
存储器502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、至少一个功能所需的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器502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、或其他非易失性固态存储器件。在一些实例中,存储器502可进一步包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置503可用于接收输入的数字或字符信息,以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置504可包括显示屏等显示设备。
本实施例提供的计算机设备,可执行本发明任一实施例提供的图像分割方法,具备相应的功能和有益效果。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任一实施例提供的图像分割方法。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明任意实施例的方法。
值得注意的是,上述目标边界框的调整装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种图像分割方法,其特征在于,包括:
采集原始图像数据,所述原始图像数据中具有多个像素点;
计算所述原始图像数据中各个像素点的目标灰度值,获得灰度图像数据;
计算所述灰度图像数据中各个像素点之间在空间表征的相关性;
根据所述相关性、计算用于将所述灰度图像数据区分前景与背景的阈值;
根据所述阈值在所述原始图像数据中选择种子区域;
对所述种子区域进行生长,以将所述原始图像数据划分为目标图像区域;
所述相关性表示为矩阵形式的灰度偏度值,所述根据所述相关性、计算用于将所述灰度图像数据区分前景与背景的阈值,包括:
遍历所述矩阵中的灰度偏度值,计算将所述灰度图像数据区分前景与背景的阈值取值为所述灰度偏度值时、所述前景的像素占比、所述背景的像素占比、所述前景的平均灰度值、所述背景的平均灰度值;其中,所述前景指所述灰度图像数据中所述目标灰度值小于或等于所述阈值的所有像素点,所述背景指所述灰度图像数据中所述目标灰度值大于所述阈值的所有像素点;
计算基于所述前景的平均灰度值、所述背景的平均灰度值、所述前景的像素占比、所述背景的像素占比的一阶统计量,得到类间方差;
将所述类间方差达到最大值时对应的灰度偏度值赋值给所述阈值;
所述计算将所述灰度图像数据区分前景与背景的阈值取值为所述灰度偏度值时、所述前景的像素占比、所述背景的像素占比、所述前景的平均灰度值、所述背景的平均灰度值,包括:
计算各个所述灰度偏度值在所述矩阵中出现的概率,作为灰度概率;
确定所述矩阵内的第一偏度值、第二偏度值,所述第一偏度值为数值最小的灰度偏度值、所述第二偏度值为数值最大的灰度偏度值;
计算所述矩阵中第三偏度值所对应的所述灰度概率的总和,作为所述前景的像素占比,其中,所述第三偏度值为大于所述第一偏度值、且小于所述阈值的所述灰度偏度值;
计算所述矩阵中第四偏度值所对应的所述灰度概率的总和,作为所述背景的像素占比,其中,所述第四偏度值为大于所述阈值、且小于所述第二偏度值的所述灰度偏度值;
将所述矩阵中所述第三偏度值乘以所述前景的中间值,得到所述前景的平均灰度值,所述前景的中间值为所述灰度概率与所述前景的像素占比之间的比值;
将所述矩阵中所述第四偏度值乘以所述背景的中间值,得到所述背景的平均灰度值,所述背景的中间值为所述灰度概率与所述背景的像素占比之间的比值。
2.根据权利要求1所述的方法,其特征在于,所述计算所述原始图像数据中各个像素点的目标灰度值,获得灰度图像数据,包括:
依次遍历所述像素点,以确定第一像素点与第二像素点,所述第一像素点为所述原始图像数据中任一像素点,所述第二像素点为与所述第一像素点相邻的像素点;
分别确定所述第一像素点的第一原始灰度值、所述第二像素点的第二原始灰度值;
对所有子灰度差值求和,得到总灰度差值,所述子灰度差值为所述第二原始灰度值与所述第一原始灰度值之间的差值;对所述总灰度差值配置差异系数,其中,所述差异系数为所述子灰度差值与所述总灰度差值之间的比值;
对所述第一原始灰度值配置保留系数,其中,所述保留系数为单位1与所述差异系数之间的差值;
针对所述第一像素点,计算第一候选灰度值与第二候选灰度值之和,获得所述第一像素点的目标灰度值,其中,所述第一候选灰度值为所述第一原始灰度值与所述保留系数之间的乘积,所述第二候选灰度值为所述总灰度差值与所述差异系数之间的乘积。
3.根据权利要求1所述的方法,其特征在于,所述计算所述灰度图像数据中各个像素点之间在空间表征的相关性,包括:
依次遍历所述灰度图像数据的像素点,以确定第三像素点与第四像素点,所述第三像素点为所述灰度图像数据中任一像素点,所述第四像素点为与所述第三像素点相邻的像素点;
计算所述第四像素点的灰度均值,所述灰度均值为所述第四像素点目标灰度值之间的平均数;
将所述第三像素点的目标灰度值减去所述灰度均值,得到灰度中间值;
对所述灰度中间值取三次方,得到所述第四像素点的灰度偏度值;
以所述灰度偏度值作为元素、将所述灰度图像数据中各个所述灰度偏度值存入矩阵中,以使所述矩阵表示所述灰度图像数据中各个像素点之间在空间表征的相关性。
4.根据权利要求1任一所述的方法,其特征在于,所述计算基于所述前景的平均灰度值、所述背景的平均灰度值、所述前景的像素占比、所述背景的像素占比的一阶统计量,得到类间方差,包括:
将所述前景的平均灰度值减去所述背景的平均灰度值,得到平均灰度差值;
计算所述平均灰度差值的二次方、所述前景的像素占比和所述背景的像素占比之间的乘积,得到类间方差。
5.根据权利要求1-3任一所述的方法,其特征在于,所述根据所述阈值在所述原始图像数据中选择种子区域,包括:
若所述像素点的目标灰度值小于等于所述阈值,则将所述像素点选择为种子点;
将所有所述种子点归为种子区域,若所述像素点的目标灰度值大于所述阈值,则将所述像素点选择为非种子点;
所述对所述种子区域进行生长,以将所述原始图像数据划分为目标图像区域,包括:
若与所述非种子点相邻的四个所述像素点均为所述种子点,则将所述非种子点归为所述种子区域;
当所述种子区域停止增长时,将从所述原始图像中提取所述种子区域,作为所述目标图像区域。
6.一种图像分割装置,其特征在于,包括:
图像获取模块,用于采集原始图像,所述原始图像中具有多个像素点;
灰度图像获取模块,用于计算所述原始图像数据中各个像素点的目标灰度值,获得灰度图像数据;
相关性计算模块,用于计算所述灰度图像数据中各个像素点之间在空间表征的相关性;
阈值计算模块,用于根据所述相关性、计算用于将所述灰度图像数据区分前景与背景的阈值;
种子区域选择模块,用于根据所述阈值在所述原始图像数据中选择种子区域;
目标分割模块,用于对所述种子区域进行生长,以将所述原始图像数据划分为目标图像区域;
所述阈值计算模块包括:
统计量计算单元,用于遍历所述矩阵中的灰度偏度值,计算将所述灰度图像数据区分前景与背景的阈值取值为所述灰度偏度值时、所述前景的像素占比、所述背景的像素占比、所述前景的平均灰度值、所述背景的平均灰度值;其中,所述前景指所述灰度图像数据中所述目标灰度值小于或等于所述阈值的所有像素点,所述背景指所述灰度图像数据中所述目标灰度值大于所述阈值的所有像素点;
类间方差计算单元,用于计算基于所述前景的平均灰度值、所述背景的平均灰度值、所述前景的像素占比、所述背景的像素占比的一阶统计量,得到类间方差;
阈值确定单元,用于将所述类间方差达到最大值时对应的灰度偏度值赋值给所述阈值。
所述统计量计算单元包括:
灰度概率计算子单元,用于计算各个所述灰度偏度值在所述矩阵中出现的概率,作为灰度概率;
偏度值确定子单元,用于确定所述矩阵内的第一偏度值、第二偏度值,所述第一偏度值为数值最小的灰度偏度值、所述第二偏度值为数值最大的灰度偏度值;
前景像素确定子单元,用于计算所述矩阵中第三偏度值所对应的所述灰度概率的总和,作为所述前景的像素占比,其中,所述第三偏度值为大于所述第一偏度值、且小于所述阈值的所述灰度偏度值;
背景像素确定子单元,用于计算所述矩阵中第四偏度值所对应的所述灰度概率的总和,作为所述背景的像素占比,其中,所述第四偏度值为大于所述阈值、且小于所述第二偏度值的所述灰度偏度值;
前景灰度值确定子单元,用于将所述矩阵中所述第三偏度值乘以所述前景的中间值,得到所述前景的平均灰度值,所述前景的中间值为所述灰度概率与所述前景的像素占比之间的比值;
背景灰度值确定子单元,用于将所述矩阵中所述第四偏度值乘以所述背景的中间值,得到所述背景的平均灰度值,所述背景的中间值为所述灰度概率与所述背景的像素占比之间的比值。
7.一种计算机设备,其特征在于,所述设备包括:
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1-5中任一所述的图像分割方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010630477.3A CN111798467B (zh) | 2020-06-30 | 2020-06-30 | 一种图像分割方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010630477.3A CN111798467B (zh) | 2020-06-30 | 2020-06-30 | 一种图像分割方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111798467A CN111798467A (zh) | 2020-10-20 |
CN111798467B true CN111798467B (zh) | 2024-05-03 |
Family
ID=72810214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010630477.3A Active CN111798467B (zh) | 2020-06-30 | 2020-06-30 | 一种图像分割方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798467B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112487929A (zh) * | 2020-11-25 | 2021-03-12 | 深圳市云希谷科技有限公司 | 儿童绘本的图像识别方法、装置、设备及存储介质 |
CN112883233B (zh) * | 2021-01-26 | 2024-02-09 | 济源职业技术学院 | 一种5g音视频记录仪 |
CN113068045A (zh) * | 2021-03-17 | 2021-07-02 | 厦门雅基软件有限公司 | 数据存储方法、装置、电子设备及计算机可读存储介质 |
CN113516679B (zh) * | 2021-05-28 | 2023-07-25 | 山东骏腾医疗科技有限公司 | 一种病理图像关键区域的定位方法及设备 |
CN113516584B (zh) * | 2021-09-14 | 2021-11-30 | 风脉能源(武汉)股份有限公司 | 一种图像灰度处理方法、系统及计算机存储介质 |
CN114298985B (zh) * | 2021-12-16 | 2023-12-22 | 苏州凌云光工业智能技术有限公司 | 缺陷检测方法、装置、设备及存储介质 |
CN113989305B (zh) * | 2021-12-27 | 2022-04-22 | 城云科技(中国)有限公司 | 目标语义分割方法及应用其的街道目标异常检测方法 |
CN115035057B (zh) * | 2022-05-31 | 2023-07-11 | 中国医学科学院生物医学工程研究所 | 眼前房的房水细胞浓度获取方法、装置、存储介质和设备 |
CN115239692B (zh) * | 2022-08-12 | 2023-06-27 | 广东科学技术职业学院 | 一种基于图像识别技术的电子元器件检测方法及系统 |
CN115205289B (zh) * | 2022-09-15 | 2022-12-06 | 山东雅满家生物质科技有限公司 | 基于视觉的软木地板原材料分级方法 |
CN115205319B (zh) * | 2022-09-19 | 2023-01-10 | 山东省金春雨种业科技有限公司 | 用于选种过程中的种子特征提取及分类方法 |
CN115249326B (zh) * | 2022-09-21 | 2022-12-20 | 南通长石科技有限公司 | 基于数据处理的物流转运机器人运行状态检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109903294A (zh) * | 2019-01-25 | 2019-06-18 | 北京三快在线科技有限公司 | 图像处理方法、装置、电子设备及可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096259B (zh) * | 2014-05-09 | 2018-01-09 | 株式会社理光 | 深度图像的深度值恢复方法和系统 |
-
2020
- 2020-06-30 CN CN202010630477.3A patent/CN111798467B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109903294A (zh) * | 2019-01-25 | 2019-06-18 | 北京三快在线科技有限公司 | 图像处理方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
基于分形理论的空间目标图像分割算法;侯小娟;岳晓奎;;计算机仿真(11);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111798467A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111798467B (zh) | 一种图像分割方法、装置、设备及存储介质 | |
CN106384081B (zh) | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 | |
CN107563413B (zh) | 无人机航拍影像农田块对象精准提取方法 | |
CN112116620B (zh) | 一种室内图像语义分割与涂装展示的方法 | |
CN109389569B (zh) | 基于改进DehazeNet的监控视频实时去雾方法 | |
CN108875759B (zh) | 一种图像处理方法、装置及服务器 | |
US20170178341A1 (en) | Single Parameter Segmentation of Images | |
CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
Srinivas et al. | Remote sensing image segmentation using OTSU algorithm | |
CN114359323B (zh) | 一种基于视觉注意机制的图像目标区域检测方法 | |
CN114241326B (zh) | 一种渐进式遥感影像地物要素智能生产方法及系统 | |
CN115797225A (zh) | 一种水下地形测量用无人船采集图像增强方法 | |
CN114719966A (zh) | 光源确定方法、装置、电子设备及存储介质 | |
CN114463363A (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
CN110516629A (zh) | 一种基于多云层特征的云层检测及分类方法 | |
CN114745532A (zh) | 混合色温场景白平衡处理方法、装置、存储介质及终端 | |
CN113255434A (zh) | 一种融合果实特征与深度卷积神经网络的苹果识别方法 | |
CN111079637B (zh) | 田间图像中分割油菜花的方法、装置、设备及存储介质 | |
CN109886146A (zh) | 基于机器视觉检测的洪灾信息遥感智能采集方法及设备 | |
CN115147746A (zh) | 基于无人机遥感图像的盐碱地质识别方法 | |
CN117451012B (zh) | 一种无人机航摄测量方法及系统 | |
CN112927252B (zh) | 一种新增建设用地监测方法及装置 | |
CN111612797B (zh) | 一种水稻图像信息处理系统 | |
CN110059704B (zh) | 一种视觉注意模型驱动的稀土矿区遥感信息智能提取方法 | |
CN109242750B (zh) | 图片签名方法、图片匹配方法、装置、设备及存储介质 |
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 |