CN111862125B - 一种轮廓分割方法、装置及计算机可读存储介质 - Google Patents
一种轮廓分割方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111862125B CN111862125B CN201910348898.4A CN201910348898A CN111862125B CN 111862125 B CN111862125 B CN 111862125B CN 201910348898 A CN201910348898 A CN 201910348898A CN 111862125 B CN111862125 B CN 111862125B
- Authority
- CN
- China
- Prior art keywords
- contour
- image
- iteration
- segmentation
- energy function
- 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
- 238000000034 method Methods 0.000 title claims abstract description 88
- 230000011218 segmentation Effects 0.000 title claims abstract description 75
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 26
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 13
- 230000006870 function Effects 0.000 description 56
- 230000015654 memory Effects 0.000 description 30
- 238000003709 image segmentation Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000011253 protective coating Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010129 solution processing Methods 0.000 description 2
- 238000004800 variational method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000011345 viscous material Substances 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
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
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
本发明提供了一种轮廓分割方法、装置及计算机可读存储介质。本发明提供的轮廓分割方法，将图像的梯度项引入到能量函数中，使得图像两部分之间灰度差异不明显的区域对于轻微的局部边缘更加敏感，从而产生更好的分割效果。另外，本发明还引入了基于形状的轮廓调整的第二阶段，对第一阶段的分割结果进行了调整，以防止第一阶段的分割陷入局部极小值，从而使得最终结果在实际使用中更符合人眼观察判断。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种轮廓分割方法、装置及计算机可读存储介质。
背景技术
图像分割是指按照图像中各个区域特有的性质，把图像分成几个区域，然后再把感兴趣的区域从这些区域中提取出来的技术。在数字图像处理的过程中，许多加工和处理都是建立在好的图像分割的基础上，只有先从图像中准确分割出目标物体，才能更好地进行下一步的图像处理及分析的工作。因此，图像分割是数字图像处理中一个非常基本、非常关键的技术。
传统的图像分割方法包括阈值法、边缘检测法以及基于区域提取的方法。而随着待解决问题复杂程度的提高，现有技术出现了基于主动轮廓模型的图像分割方法，将图像分割问题转换为求解能量泛函最小值问题，为图像分割提供一种全新的思路，成为了研究的重点和热点。
主动轮廓模型的主要原理是通过构造能量泛函，在能量函数最小值驱动下，轮廓曲线逐渐向待检测物体的边缘逼近，最终分割出目标。由于主动轮廓模型利用曲线演化定位目标的边缘，因此也称为Snake模型。主动轮廓模型是当前应用最多的利用变分思想求解的图像分割方法，其最大优点是在高噪声的情况下，也能得到连续和光滑的闭合分割边界。按照能量函数构造方式的不同，可以将主动轮廓模型主要分为基于边缘和基于区域两类，另外也有一些研究人员提出了基于边缘和区域相结合的主动轮廓模型。
主动轮廓模型中的C-V(Chan-vese)模型是一个基于区域的主动轮廓模型，它以图像的像素灰度信息作为能量，构造能量函数，然后通过求取能量函数的最小值，最终把目标轮廓分割出来。发明人发现，在弱对比度的应用场景，如在汽车等生产线中，需要使用粘性材料进行保护性涂装并且需要通过机器视觉技术对涂装的质量进行检测。由于涂装本身可能产生不均匀、模糊甚至无法分辨的外观，包括主动轮廓模型在内的图像分割技术都不能很好地应用于上述应用场景中。因此，亟需一种方案，能够提高图像轮廓分割的分割效果，以适应于更广泛的应用场景。
发明内容
本发明实施例要解决的技术问题是提供一种轮廓分割方法及装置，提高图像轮廓分割的分割效果。
根据本发明实施例的一个方面，提供了一种轮廓分割方法，包括：
对目标图像进行预处理，得到预处理后的第一图像；
对所述第一图像进行初始化轮廓处理，得到所述第一图像的轮廓；
基于所述第一图像的当前轮廓，计算轮廓内部和外部的图像灰度信息；
利用所述图像灰度信息构建主动轮廓模型C-V模型的能量函数，在所述能量函数中增加第一参数，所述第一参数为第一图像的各个点处的梯度的函数，对所述能量函数进行迭代求解处理，得到更新后的所述第一图像的轮廓。
此外，根据本发明至少一个实施例，在得到更新后的所述第一图像的轮廓的步骤之后，所述方法还包括：
对更新后的所述第一图像的轮廓进行基于形状的轮廓调整，得到调整后的所述第一图像的轮廓。
此外，根据本发明至少一个实施例，所述基于形状的轮廓调整包括以下至少一项：去除孔洞、去除毛刺和平滑轮廓。
此外，根据本发明至少一个实施例，在得到调整后的所述第一图像的轮廓的步骤之后，所述方法还包括：
判断调整后的所述第一图像的轮廓是否满足预设条件；
在满足所述预设条件时，输出调整后的所述第一图像的轮廓；
在不满足所述预设条件时，返回所述基于所述第一图像的当前轮廓，计算轮廓内部和外部的图像灰度信息的步骤。
此外，根据本发明至少一个实施例，所述迭代求解处理包括：
利用变分法对所述能量函数进行至少一次迭代，在每次迭代后，判断迭代前后的所述轮廓的差异是否超过预定门限，若是，则继续进行下一次迭代直至所述差异不超过所述预定门限或者达到预定迭代次数，否则，输出当前的轮廓。
此外，根据本发明至少一个实施例，同一迭代求解处理中的所述预定门限相同，不同的迭代求解处理中的所述预定门限不同。
此外，根据本发明至少一个实施例，所述初始化轮廓处理包括：
确定所述第一图像的中心位置；
生成围绕所述中心位置的预设形状，得到初始化的轮廓。
根据本发明实施例的另一方面，提供了一种轮廓分割装置，包括：
预处理单元，用于对目标图像进行预处理，得到预处理后的第一图像；
轮廓初始化单元，用于对所述第一图像进行初始化轮廓处理，得到所述第一图像的轮廓；
灰度计算单元，用于基于所述第一图像的当前轮廓，计算轮廓内部和外部的图像灰度信息；
迭代处理单元，用于利用所述图像灰度信息构建主动轮廓模型C-V模型的能量函数，在所述能量函数中增加第一参数，所述第一参数为第一图像的各个点处的梯度的函数，对所述能量函数进行迭代求解处理，得到更新后的所述第一图像的轮廓。
此外，根据本发明至少一个实施例，所述轮廓分割装置还包括：
轮廓调整单元，用于在所述迭代处理单元得到更新后的所述第一图像的轮廓之后，对更新后的所述第一图像的轮廓进行基于形状的轮廓调整，得到调整后的所述第一图像的轮廓。
此外，根据本发明至少一个实施例，所述基于形状的轮廓调整包括以下至少一项：去除孔洞、去除毛刺和平滑轮廓。
此外，根据本发明至少一个实施例，所述轮廓分割装置还包括：
判断单元，用于在所述轮廓调整单元得到调整后的所述第一图像的轮廓的之后，判断调整后的所述第一图像的轮廓是否满足预设条件；在满足所述预设条件时，输出调整后的所述第一图像的轮廓；在不满足所述预设条件时，触发所述灰度计算单元重新基于所述第一图像的当前轮廓，计算轮廓内部和外部的图像灰度信息。
此外，根据本发明至少一个实施例，所述迭代处理单元，还用于利用变分法对所述能量函数进行至少一次迭代，在每次迭代后，判断迭代前后的所述轮廓的差异是否超过预定门限，若是，则继续进行下一次迭代直至所述差异不超过所述预定门限或者达到预定迭代次数，否则，输出当前的轮廓。
此外，根据本发明至少一个实施例，同一迭代求解处理中的所述预定门限相同，不同的迭代求解处理中的所述预定门限不同。
本发明实施例还提供了一种轮廓分割装置，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，所述计算机程序被所述处理器执行时实现如上所述的轮廓分割方法的步骤。
本发明实施例还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上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的轮廓分割方法的步骤。
与现有技术相比，本发明实施例提供的轮廓分割方法、装置及计算机可读存储介质，将图像的梯度项引入到能量函数中，使得图像两部分之间灰度差异不明显的区域对于轻微的局部边缘更加敏感，从而产生更好的分割效果。另外，本发明实施例还引入了基于形状的轮廓调整的第二阶段，对第一阶段的分割结果进行了调整，以防止第一阶段的分割陷入局部极小值，从而使得最终结果在实际使用中更符合人眼观察判断。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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发明的一些实施例，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为本发明实施例的轮廓分割方法的一种流程示意图；
图2为本发明实施例的轮廓分割方法的另一种流程示意图；
图3为本发明实施例的轮廓分割方法与现有技术的C-V模型的分割效果的一种对比示例图；
图4为本发明实施例的轮廓分割方法与现有技术的C-V模型的分割效果的另一种对比示例图；
图5为本发明实施例的轮廓分割装置的一种结构示意图；
图6为本发明实施例的轮廓分割装置的另一结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
请参照图1，给出了本发明实施例提供的轮廓分割方法的一种流程示意图，该轮廓分割方法可以应用于工业生产线(如汽车生产线)、医疗领域和其他领域，特别适用于弱对比度的应用场景，能够显著提升轮廓的分割效果。
如图1所示，本发明实施例提供的轮廓分割方法包括：
步骤11，对目标图像进行预处理，得到预处理后的第一图像。
这里，目标图像可以是灰度图像，图像预处理可以包括消除噪声，去除高光影响及尺寸调整等处理。在实际应用中，可以针对具体的应用场景，来设置预处理中所包括的处理内容。当然，所述目标图像还可以是彩色图像，此时需要将所述彩色图像转换为灰度图像再进行后续处理。
步骤12，对所述第一图像进行初始化轮廓处理，得到所述第一图像的轮廓。
这里，所述初始化轮廓处理中，可以先根据第一图像的已知信息或者根据特征点定位等方式，确定所述第一图像的中心位置，然后，生成围绕所述中心位置的预设形状，从而得到初始化的轮廓。具体的，所述预设形状可以是预定大小的圆形、矩形或其他形状。所述预定大小可以根据第一图像的尺寸来设置，本发明对此不做具体限定。
步骤13，基于所述第一图像的当前轮廓，计算轮廓内部和外部的图像灰度信息。
这里，在获得了所述第一图像的轮廓后，可以基于该轮廓，计算轮廓内部和轮廓外部的图像灰度信息，具体的，所述图像灰度信息可以采用图像灰度均值来表示。
步骤14，利用所述图像灰度信息构建主动轮廓模型C-V模型的能量函数，在所述能量函数中增加第一参数，所述第一参数为第一图像的各个点处的梯度的函数，对所述能量函数进行迭代求解处理，得到更新后的所述第一图像的轮廓。
这里，利用所述步骤13中得到的图像灰度信息，构建C-V模型的能量函数。与现有技术不同的是，本发明实施例在C-V模型的能量函数新增加了第一参数，所述第一参数为第一图像的各个点处的梯度的函数。所述第一参数T为一梯度项，可以包括但不限于以下形式：
T＝β1∫Ω|grad(x，y)|dxdy
T＝β2∫Ω|grad(x，y)|2dxdy
T＝β3∫Ω|grad(x，y)|3dxdy
T＝β4∫Ω|grad(x，y)|4dxdy
以上公式中，β1～β4为预设的梯度项系数，用于控制梯度项的权重，例如，可以在0.5～2之间进行取值。grad(x，y)表示第一图像在坐标点(x，y)处的梯度值。Ω表示第一图像的轮廓内部的区域。可以看出，上述第一参数的取值与轮廓内部的像素点的梯度的绝对值正相关。上述第一函数可以通过Sobel滤波器和梯度项系数计算得到。
假设现有技术的C-V模型的能量函数为F1，则本发明实施例构造的C-V模型的能量函数为F1+T。下面给出现有技术的C-V模型的能量函数的一种示例，本发明实施例并不局限于此：
以上公式中，c1表示第一图像的轮廓内部的平均灰度；c2表示第一图像的轮廓外部的平均灰度；H表示单位阶跃函数；δ0表示单位冲击函数；μ0(x，y)表示第一图像在坐标点(x，y)处的灰度值；Ω表示第一图像的轮廓内部的区域；grad(x，y)表示第一图像在坐标点(x，y)处的梯度值；μ、v、λ1和λ2分别表示预设的取值为正的常数。
C-V模型基于图像的能量分布，以能量函数取得最小值来驱动演化曲线向目标的边缘逼近，最终分割出目标。C-V模型摆脱了图像梯度的限制，对连续梯度或者目标边缘模糊的图像有很好的分割能力。
这里，可以通过变分法求解能量函数，使用变分水平集的求解框架进行数学计算，即轮廓曲线以隐式水平集的形式表示，然后通过梯度下降流和欧拉一拉格朗日方程将构建的能量函数转化为一个偏微分方程，并通过迭代逼近的方式进行迭代，直至满足预设的迭代停止条件，进而求出所述偏微分方程的最优解，获得最终的目标边界轮廓。
上述步骤14中的所述迭代求解处理具体可以包括：利用变分法对所述能量函数进行至少一次迭代，在每次迭代后，判断迭代前后的所述轮廓的差异是否超过预定第一门限，若是，则继续进行下一次迭代直至所述差异不超过所述第一门限或者达到预定迭代次数，否则，结束迭代求解处理，并输出当前的轮廓。
可以看出，传统的C-V模型中，在相邻两个区域间灰度对比度较小时其分割效果较差。本发明实施例的以上步骤中，将作为梯度项的第一函数引入到主动轮廓模型的能量函数当中，引入梯度项之后，可以根据两个区域之间的局部梯度修正不恰当的分割区域，使得图像两部分之间灰度差异不明显的区域对于轻微的局部边缘更加敏感，因此，利用本发明实施例的能量函数，可以对边缘两侧灰度值非常相似的区域进行正确的分割，从而可以获得更好的轮廓分割效果。
请参照图2，本发明实施例还提供了另一种图像分割方法，包括：
步骤21，对目标图像进行预处理，得到预处理后的第一图像。
步骤22，对所述第一图像进行初始化轮廓处理，得到所述第一图像的轮廓。
步骤23，基于所述第一图像的当前轮廓，计算轮廓内部和外部的图像灰度信息。
步骤24，利用所述图像灰度信息构建主动轮廓模型C-V模型的能量函数，在所述能量函数中增加第一参数，所述第一参数为第一图像的各个点处的梯度的函数，对所述能量函数进行迭代求解处理，得到更新后的所述第一图像的轮廓。
以上步骤21～24与图1的步骤11～14相类似，为节约篇幅，此处不再赘述。
步骤25，对更新后的所述第一图像的轮廓进行基于形状的轮廓调整，得到调整后的所述第一图像的轮廓。
这里，所述基于形状的轮廓调整包括以下至少一项：去除孔洞、去除毛刺和平滑轮廓，本发明实施例对此不做具体限定。
步骤26，判断调整后的所述第一图像的轮廓是否满足预设条件，在满足所述预设条件时，进入步骤27，输出调整后的所述第一图像的轮廓；在不满足所述预设条件时，返回所述步骤23，从而重复执行上述步骤23～26，直至满足所述预设条件或者达到预设的重复次数的上限值。
这里，预设条件可以根据实际应用场景进行设置，例如，调整前后的所述第一图像的轮廓的差异小于预定的第二门限等，本发明对此不做具体限定。
需要指出的是，在重复执行上述步骤23～26的过程中，每次执行所述步骤24时均需要进行所述迭代求解处理，同一个迭代求解处理过程中的所述预定的第一门限相同，不同的迭代求解处理过程中的所述预定的第一门限可以不同。
通过以上步骤，本发明实施例图2所示的轮廓分割方法，在上述步骤24中的第一阶段的轮廓分割的基础上，还引入了基于形状的轮廓调整的第二阶段，对分割结果进行了调整，使得整个分割过程在两阶段演化中迭代，避免或减少第一阶段的分割陷入局部极小值，使得最终分割结果更符合人眼的观察判断，从而可以获得更好的轮廓分割效果，
图3～4分别给出了应用传统的C-V模型和本发明实施例所述轮廓分割方法，对汽车的保护性涂装进行图像分割所获得的轮廓对比图。该保护性涂装中，油漆是在横向的分割边界的底部，位于轮廓上下两部分灰度差异不明显的地方。可以看出，本发明实施例所述方法具有更好的分割效果，更加接近于人眼观察到的实际轮廓。
基于以上方法，本发明实施例还提供了实施上述方法的装置，请参考图5，本发明实施例提供的轮廓分割装置500，该轮廓分割装置500可以应用于包括弱对比度等应用场景，均能够获得较好的轮廓分割效果。如图5所示，该轮廓分割装置具体包括：
预处理单元501，用于对目标图像进行预处理，得到预处理后的第一图像；
轮廓初始化单元502，用于对所述第一图像进行初始化轮廓处理，得到所述第一图像的轮廓；
灰度计算单元503，用于基于所述第一图像的当前轮廓，计算轮廓内部和外部的图像灰度信息；
迭代处理单元504，用于利用所述图像灰度信息构建主动轮廓模型C-V模型的能量函数，在所述能量函数中增加第一参数，所述第一参数为第一图像的各个点处的梯度的函数，对所述能量函数进行迭代求解处理，得到更新后的所述第一图像的轮廓。
此外，根据本发明至少一个实施例，所述轮廓分割装置500还可以包括：
轮廓调整单元(图5中未示出)，用于在所述迭代处理单元得到更新后的所述第一图像的轮廓之后，对更新后的所述第一图像的轮廓进行基于形状的轮廓调整，得到调整后的所述第一图像的轮廓。
此外，根据本发明至少一个实施例，所述基于形状的轮廓调整包括以下至少一项：去除孔洞、去除毛刺和平滑轮廓。
此外，根据本发明至少一个实施例，所述轮廓分割装置500还可以包括：
判断单元(图5中未示出)，用于在所述轮廓调整单元得到调整后的所述第一图像的轮廓的之后，判断调整后的所述第一图像的轮廓是否满足预设条件；在满足所述预设条件时，输出调整后的所述第一图像的轮廓；在不满足所述预设条件时，触发所述灰度计算单元重新基于所述第一图像的当前轮廓，计算轮廓内部和外部的图像灰度信息。
此外，根据本发明至少一个实施例，所述迭代处理单元504，还用于利用变分法对所述能量函数进行至少一次迭代，在每次迭代后，判断迭代前后的所述轮廓的差异是否超过预定门限，若是，则继续进行下一次迭代直至所述差异不超过所述预定门限或者达到预定迭代次数，否则，输出当前的轮廓。
此外，根据本发明至少一个实施例，同一迭代求解处理中的所述预定门限相同，不同的迭代求解处理中的所述预定门限不同。
此外，根据本发明至少一个实施例，所述轮廓初始化单元502，还用于确定所述第一图像的中心位置；生成围绕所述中心位置的预设形状，得到初始化的轮廓。
通过以上单元，本发明实施例的轮廓分割装置500，将图像的梯度项引入到能量函数中，使得图像两部分之间灰度差异不明显的区域对于轻微的局部边缘更加敏感，从而产生更好的分割效果。另外，本发明实施例的轮廓分割装置500，还引入了基于形状的轮廓调整的第二阶段，对分割的结果进行了调整，以防止第一阶段的分割陷入局部极小值，从而使得最终结果在实际使用中更符合人眼观察判断。
请参考图6，本发明实施例还提供了轮廓分割装置的一种硬件结构框图，如图6所示，该轮廓分割装置600包括：
处理器602；和
存储器604，在所述存储器604中存储有计算机程序指令，
其中，在所述计算机程序指令被所述处理器运行时，使得所述处理器602执行以下步骤：
对目标图像进行预处理，得到预处理后的第一图像；
对所述第一图像进行初始化轮廓处理，得到所述第一图像的轮廓；
基于所述第一图像的当前轮廓，计算轮廓内部和外部的图像灰度信息；
利用所述图像灰度信息构建主动轮廓模型C-V模型的能量函数，在所述能量函数中增加第一参数，所述第一参数为第一图像的各个点处的梯度的函数，对所述能量函数进行迭代求解处理，得到更新后的所述第一图像的轮廓。
进一步地，如图6所示，该轮廓分割装置600还可以包括网络接口601、输入设备603、硬盘605、和显示设备606。
上述各个接口和设备之间可以通过总线架构互连。总线架构可以是包括任意数量的互联的总线和桥。具体由处理器602代表的一个或者多个中央处理器(CPU)，以及由存储器604代表的一个或者多个存储器的各种电路连接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其它电路连接在一起。可以理解，总线架构用于实现这些组件之间的连接通信。总线架构除包括数据总线之外，还包括电源总线、控制总线和状态信号总线，这些都是本领域所公知的，因此本文不再对其进行详细描述。
所述网络接口601，可以连接至网络(如因特网、局域网等)，从网络中接收目标图像，并可以将接收到的目标图像保存在硬盘605中。
所述输入设备603，可以接收操作人员输入的各种指令，并发送给处理器602以供执行。所述输入设备603可以包括键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等)。
所述显示设备606，可以将处理器602执行指令获得的结果进行显示，例如显示最终分割得到的图像轮廓等。
所述存储器604，用于存储操作系统运行所必须的程序和数据，以及处理器602计算过程中的中间结果等数据。
可以理解，本发明实施例中的存储器604可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM)，其用作外部高速缓存。本文描述的装置和方法的存储器604旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中，存储器604存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集：操作系统6041和应用程序6042。
其中，操作系统6041，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序6042，包含各种应用程序，例如浏览器(Browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序6042中。
本发明上述实施例揭示的方法可以应用于处理器602中，或者由处理器602实现。处理器602可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器602中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器602可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器604，处理器602读取存储器604中的信息，结合其硬件完成上述方法的步骤。
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑设备(PLD)、现场可编程门阵列(FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
具体地，所述计算机程序被处理器602执行时还可实现如下步骤：
在得到更新后的所述第一图像的轮廓的步骤之后，对更新后的所述第一图像的轮廓进行基于形状的轮廓调整，得到调整后的所述第一图像的轮廓。
具体地，所述计算机程序被处理器602执行时还可实现如下步骤：执行包括以下至少一项的基于形状的轮廓调整：去除孔洞、去除毛刺和平滑轮廓。
具体地，所述计算机程序被处理器602执行时还可实现如下步骤：
在得到调整后的所述第一图像的轮廓的步骤之后，判断调整后的所述第一图像的轮廓是否满足预设条件；在满足所述预设条件时，输出调整后的所述第一图像的轮廓；在不满足所述预设条件时，返回所述基于所述第一图像的当前轮廓，计算轮廓内部和外部的图像灰度信息的步骤。
具体地，所述计算机程序被处理器602执行时还可实现如下步骤：在进行所述迭代求解处理时，利用变分法对所述能量函数进行至少一次迭代，在每次迭代后，判断迭代前后的所述轮廓的差异是否超过预定门限，若是，则继续进行下一次迭代直至所述差异不超过所述预定门限或者达到预定迭代次数，否则，输出当前的轮廓。
具体地，同一迭代求解处理中的所述预定门限相同，不同的迭代求解处理中的所述预定门限不同。
具体地，所述计算机程序被处理器602执行时还可实现如下步骤：在进行所述初始化轮廓处理时，确定所述第一图像的中心位置；生成围绕所述中心位置的预设形状，得到初始化的轮廓。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，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发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以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，所述单元的划分，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，机械或其它的形式。
所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发明实施例方案的目的。
另外，在本发明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。
所述功能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介质中。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或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述的轮廓分割方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁盘或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (13)
1.一种轮廓分割方法，其特征在于，包括：
对目标图像进行预处理，得到预处理后的第一图像；
对所述第一图像进行初始化轮廓处理，得到所述第一图像的轮廓；
基于所述第一图像的当前轮廓，计算轮廓内部和外部的图像灰度信息；
利用所述图像灰度信息构建主动轮廓模型C-V模型的能量函数，在所述能量函数中增加第一参数，所述第一参数为第一图像的各个点处的梯度的函数，所述第一参数的取值与轮廓内部的像素点的梯度的绝对值正相关；对所述能量函数进行迭代求解处理，得到更新后的所述第一图像的轮廓。
2.如权利要求1所述的方法，其特征在于，在得到更新后的所述第一图像的轮廓的步骤之后，所述方法还包括：
对更新后的所述第一图像的轮廓进行基于形状的轮廓调整，得到调整后的所述第一图像的轮廓。
3.如权利要求2所述的方法，其特征在于，所述基于形状的轮廓调整包括以下至少一项：去除孔洞、去除毛刺和平滑轮廓。
4.如权利要求2所述的方法，其特征在于，在得到调整后的所述第一图像的轮廓的步骤之后，所述方法还包括：
判断调整后的所述第一图像的轮廓是否满足预设条件；
在满足所述预设条件时，输出调整后的所述第一图像的轮廓；
在不满足所述预设条件时，返回所述基于所述第一图像的当前轮廓，计算轮廓内部和外部的图像灰度信息的步骤。
5.如权利要求4所述的方法，其特征在于，所述迭代求解处理包括：
利用变分法对所述能量函数进行至少一次迭代，在每次迭代后，判断迭代前后的所述轮廓的差异是否超过预定门限，若是，则继续进行下一次迭代直至所述差异不超过所述预定门限或者达到预定迭代次数，否则，输出当前的轮廓。
6.如权利要求5所述的方法，其特征在于，同一迭代求解处理中的所述预定门限相同，不同的迭代求解处理中的所述预定门限不同。
7.如权利要求1所述的方法，其特征在于，所述初始化轮廓处理包括：
确定所述第一图像的中心位置；
生成围绕所述中心位置的预设形状，得到初始化的轮廓。
8.一种轮廓分割装置，其特征在于，包括：
预处理单元，用于对目标图像进行预处理，得到预处理后的第一图像；
轮廓初始化单元，用于对所述第一图像进行初始化轮廓处理，得到所述第一图像的轮廓；
灰度计算单元，用于基于所述第一图像的当前轮廓，计算轮廓内部和外部的图像灰度信息；
迭代处理单元，用于利用所述图像灰度信息构建主动轮廓模型C-V模型的能量函数，在所述能量函数中增加第一参数，所述第一参数为第一图像的各个点处的梯度的函数，所述第一参数的取值与轮廓内部的像素点的梯度的绝对值正相关；对所述能量函数进行迭代求解处理，得到更新后的所述第一图像的轮廓。
9.如权利要求8所述的轮廓分割装置，其特征在于，还包括：
轮廓调整单元，用于在所述迭代处理单元得到更新后的所述第一图像的轮廓之后，对更新后的所述第一图像的轮廓进行基于形状的轮廓调整，得到调整后的所述第一图像的轮廓。
10.如权利要求9所述的轮廓分割装置，其特征在于，还包括：
判断单元，用于在所述轮廓调整单元得到调整后的所述第一图像的轮廓的之后，判断调整后的所述第一图像的轮廓是否满足预设条件；在满足所述预设条件时，输出调整后的所述第一图像的轮廓；在不满足所述预设条件时，触发所述灰度计算单元重新基于所述第一图像的当前轮廓，计算轮廓内部和外部的图像灰度信息。
11.如权利要求10所述的轮廓分割装置，其特征在于，
所述迭代处理单元，还用于利用变分法对所述能量函数进行至少一次迭代，在每次迭代后，判断迭代前后的所述轮廓的差异是否超过预定门限，若是，则继续进行下一次迭代直至所述差异不超过所述预定门限或者达到预定迭代次数，否则，输出当前的轮廓。
12.如权利要求11所述的轮廓分割装置，其特征在于，同一迭代求解处理中的所述预定门限相同，不同的迭代求解处理中的所述预定门限不同。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的轮廓分割方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910348898.4A CN111862125B (zh) | 2019-04-28 | 2019-04-28 | 一种轮廓分割方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910348898.4A CN111862125B (zh) | 2019-04-28 | 2019-04-28 | 一种轮廓分割方法、装置及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111862125A CN111862125A (zh) | 2020-10-30 |
| CN111862125B true CN111862125B (zh) | 2024-06-21 |
Family
ID=72964888
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910348898.4A Active CN111862125B (zh) | 2019-04-28 | 2019-04-28 | 一种轮廓分割方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111862125B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112215864B (zh) * | 2020-11-05 | 2022-08-30 | 腾讯科技（深圳）有限公司 | 电子地图的轮廓处理方法、装置及电子设备 |
| CN112598645B (zh) * | 2020-12-23 | 2022-07-01 | 深兰智能科技(上海)有限公司 | 轮廓检测方法、装置、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101556649A (zh) * | 2009-05-19 | 2009-10-14 | 厦门大学 | 一种藻类显微图像轮廓的提取方法 |
| CN106447682A (zh) * | 2016-08-29 | 2017-02-22 | 天津大学 | 基于帧间相关性的乳腺mri病灶的自动分割方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102779346A (zh) * | 2012-07-05 | 2012-11-14 | 西安电子科技大学 | 基于改进c-v模型的sar图像变化检测方法 |
| CN105551054B (zh) * | 2016-01-14 | 2018-09-07 | 辽宁师范大学 | 全局和局部信息自适应调整的图像分割活动轮廓方法 |
| CN107870172A (zh) * | 2017-07-06 | 2018-04-03 | 黎明职业大学 | 一种基于图像处理的布匹疵点检测方法 |
| CN107578039A (zh) * | 2017-10-08 | 2018-01-12 | 王奕博 | 基于数字图像处理技术的字迹轮廓比对方法 |
-
2019
- 2019-04-28 CN CN201910348898.4A patent/CN111862125B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101556649A (zh) * | 2009-05-19 | 2009-10-14 | 厦门大学 | 一种藻类显微图像轮廓的提取方法 |
| CN106447682A (zh) * | 2016-08-29 | 2017-02-22 | 天津大学 | 基于帧间相关性的乳腺mri病灶的自动分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于水平集方法的图像分割;李晓伟;《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》;第30-36页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111862125A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lu et al. | Cross-based local multipoint filtering | |
| Miao et al. | Image segmentation based on an active contour model of partial image restoration with local cosine fitting energy | |
| He et al. | A comparative study of deformable contour methods on medical image segmentation | |
| US8577104B2 (en) | Liver lesion segmentation | |
| Zhang et al. | Level set evolution driven by optimized area energy term for image segmentation | |
| CN111862125B (zh) | 一种轮廓分割方法、装置及计算机可读存储介质 | |
| Wang | Image segmentation by combining the global and local properties | |
| Chen et al. | Fast asymmetric fronts propagation for image segmentation | |
| Chen et al. | A new image segmentation model with local statistical characters based on variance minimization | |
| Li et al. | A novel automatically initialized level set approach based on region correlation for lumbar vertebrae CT image segmentation | |
| CN109712134B (zh) | 虹膜图像质量评价方法、装置及电子设备 | |
| Ahmad et al. | A fuzzy variational model for segmentation of images having intensity inhomogeneity and slight texture | |
| Xiao et al. | Fast level set image and video segmentation using new evolution indicator operators | |
| CN115965642A (zh) | 基于自适应分数阶边缘停止函数的图像分割方法及装置 | |
| Chucherd et al. | Phase portrait analysis for multiresolution generalized gradient vector flow | |
| Chen et al. | Robust iris segmentation algorithm based on self-adaptive Chan–Vese level set model | |
| CN114596320A (zh) | 一种基于alslcv模型的图像分割方法及装置 | |
| CN109727258B (zh) | 基于区域灰度异质能量的图像分割方法 | |
| CN103208116A (zh) | 基于邻域信息的模糊主动轮廓模型的灰度非均匀图像分割方法 | |
| Hong et al. | A new model and simple algorithms for multi-label mumford-shah problems | |
| CN112990207A (zh) | 车牌图像提取方法、装置、系统、存储介质和计算机设备 | |
| CN115187598B (zh) | 血管造影图像的处理方法、装置、系统、设备及介质 | |
| CN112270643B (zh) | 一种三维成像数据拼接方法、装置、电子设备及存储介质 | |
| Yanto et al. | Bayesian Chan-Vese segmentation for iris segmentation | |
| KR102102369B1 (ko) | 정합 성능 추정 방법 및 장치 |
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 |