CN111882565A - 一种图像二值化方法、装置、设备及存储介质 - Google Patents

一种图像二值化方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111882565A
CN111882565A CN202010740258.0A CN202010740258A CN111882565A CN 111882565 A CN111882565 A CN 111882565A CN 202010740258 A CN202010740258 A CN 202010740258A CN 111882565 A CN111882565 A CN 111882565A
Authority
CN
China
Prior art keywords
pooling
image
pooled
layer
binarization
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
CN202010740258.0A
Other languages
English (en)
Other versions
CN111882565B (zh
Inventor
郑德智
周荣洁
苏鹏
王绍伟
田飞锋
陈永强
吴玉勇
高茂光
皮云仙
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.)
Shenzhen Yudi Technology Co ltd
Original Assignee
Shenzhen Yudi Technology 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 Shenzhen Yudi Technology Co ltd filed Critical Shenzhen Yudi Technology Co ltd
Priority to CN202010740258.0A priority Critical patent/CN111882565B/zh
Publication of CN111882565A publication Critical patent/CN111882565A/zh
Application granted granted Critical
Publication of CN111882565B publication Critical patent/CN111882565B/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
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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

Abstract

本申请适用于图像处理技术领域，提供了一种图像二值化方法、装置、设备及存储介质。该方法包括获取待分割的灰度图像；对待分割的灰度图像进行预处理，获得待池化的灰度图像，其中，待池化的灰度图像的长度为预设池化长度的M次方的整数倍，待池化的灰度图像的宽度为预设池化宽度的M次方的整数倍，M为大于或等于1的整数；根据M层池化层对待池化的灰度图像进行随机池化处理，得到M个二值化分割结果，其中，M层池化层中每层池化层对应一个二值化分割结果，根据M个二值化分割结果，确定与待分割的灰度图像对应的二值化图像。本方法通过随机池化的抽样过程实现了对邻域的随机选择，可以消除复杂领域对图像二值化分割效果的干扰。

Description

一种图像二值化方法、装置、设备及存储介质
技术领域
本申请属于图像处理技术领域，尤其涉及一种图像二值化方法、装置、设备及存储介质。
背景技术
图像二值化通过将图像中各个像素点划分为背景点和前景点，可以快速地获得用户感兴趣的内容，被广泛地应用在图像信息压缩、边缘提取、形状分析等处理过程中。
目前，图像二值化方法通常分为全局阈值法和局部阈值法，其中，全局阈值法是指在整幅图像中对所有的像素点采用相同的二值化阈值，以尽可能消除伪影；局部阈值法是指在整幅图像的不同区域或不同像素点采用不同的二值化阈值，以尽可能的改善阴影对分割效果的影响。
但是上述两类方法均没有考虑复杂邻域对二值化分割效果的影响，当图像受到多种降质因素的影响，例如光照不均匀、分辨率低等影响，导致图像中具有复杂邻域或邻域内的灰度级别接近时，图像的二值化分割效果较差，即现有的二值化分割方法容易受复杂邻域的影响，导致具有复杂领域的图像的二值化分割效果差。
发明内容
有鉴于此，本申请实施例提供了一种图像二值化方法、装置、设备及存储介质，以解决现有技术中图像二值化方法容易受到复杂邻域的影响，导致二值化分割效果差的技术问题。
第一方面，本申请实施例提供了一种图像二值化方法，方法包括：
获取待分割的灰度图像；
对待分割的灰度图像进行预处理，获得待池化的灰度图像，其中，待池化的灰度图像的长度为预设池化长度的M次方的整数倍，待池化的灰度图像的宽度为预设池化宽度的M次方的整数倍，M为大于或等于1的整数；
根据M层池化层对待池化的灰度图像进行随机池化处理，得到M个二值化分割结果，其中，M层池化层中每层池化层对应一个二值化分割结果，M层池化层中各层池化层的池化窗口的尺寸相同，池化窗口的长度为预设池化长度，池化窗口的宽度为所述预设池化宽度；
根据M个二值化分割结果，确定与待分割的灰度图像对应的二值化图像。
在第一方面的一种可能的实现方式中，根据M层池化层对待池化的灰度图像进行随机池化处理，得到M个二值化分割结果，包括：
在第k层池化层的随机池化处理过程中，根据第k-1层池化原图生成第k层池化原图，其中，k为大于1，且小于或等于M的整数，第k层池化原图为第k层池化层的池化原图；
对第k层池化原图进行N次随机池化处理，获得N个抽样子图像；其中，N为大于或等于池化窗口的尺寸的整数；
对N个抽样子图像中的每个抽样子图像进行二值化分割，获得N个二值化分割图像；
根据N个二值化分割图像，确定与第k层池化层对应的二值化分割结果。
在第一方面的一种可能的实现方式中，对第k层池化原图进行N次随机池化处理，获得N个抽样子图像，包括：
在第i次随机池化处理过程中，将池化窗口沿第k层池化原图滑动进行降采样处理，其中，i为大于或等于1，且小于或等于N的整数；
在每一次降采样处理中，根据池化窗口在第k层池化原图上窗选像素点的坐标，以及随机选中的采样位置，确定本次降采样处理的位置坐标和输出像素值；
将上述输出像素值确定为上述位置坐标的像素值；
返回执行将池化窗口沿第k层池化原图滑动进行降采样处理的步骤，直至池化窗口遍历第k层池化原图，得到多个位置坐标以及多个位置坐标各自的像素值；池化窗口的不同采样位置的采样概率在多次降采样处理中相同；
根据多个位置坐标以及多个位置坐标各自的像素值，生成第i个抽样子图像；其中，第i个抽样子图像为第i次随机池化处理后生成的抽样子图像。
在第一方面的一种可能的实现方式中，对N个抽样子图像中的每个抽样子图像进行二值化分割，获得N个二值化分割图像，包括：
针对N个抽样子图像中的每个抽样子图像，根据预设的二值化分割方法对抽样子图像进行二值化分割，获得抽样子图像对应的二值化分割图像；
其中，预设的二值化分割方法包括最大类间方差法。
在第一方面的一种可能的实现方式中，根据N个二值化分割图像，确定与第k层池化层对应的二值化分割结果，包括；
根据N个二值化分割图像，确定第k层池化原图中的每个像素点为前景点的统计概率；
根据第k层池化原图中每个像素点的统计概率，确定与第k层池化层对应的二值化分割结果。
在第一方面的一种可能的实现方式中，根据第k-1层池化原图生成第k层池化原图，包括：
对第k层池化原图进行高斯池化处理，生成第k层池化原图；
其中，第1个池化原图为待池化的灰度图像。
在第一方面的一种可能的实现方式中，根据M个二值化分割结果，确定与所述待分割的灰度图像对应的二值化图像，包括：
根据M个二值化分割结果各自分别对应的池化层的层级，确定M个二值化分割结果各自的权重，其中，每个二值化分割结果的权重与其对应的池化层的层级成正比例关系；
根据M个二值化分割结果以及M个二值化分割结果各自的权重，计算获得待池化的灰度图像中每个像素点为前景点的计算概率；
根据待池化的灰度图像中每个像素点的计算概率，确定待池化的灰度图像中每个像素点的分类结果，分类结果为前景点或背景点；
根据待池化的灰度图像中每个像素点的分类结果，生成与待分割的灰度图像对应的二值化图像。
第二方面，本申请实施例提供了一种图像二值化装置，装置包括：
获取模块，用于获取待分割的灰度图像；
预处理模块，用于对待分割的灰度图像进行预处理，获得待池化的灰度图像，其中，待池化的灰度图像的长度为预设池化长度的M次方的整数倍，待池化的灰度图像的宽度为预设池化宽度的M次方的整数倍，M为大于或等于1的整数；
随机池化模块，用于根据M层池化层对待池化的灰度图像进行随机池化处理，得到M个二值化分割结果，其中，M层池化层中每层池化层对应一个二值化分割结果，M层池化层中各层池化层的池化窗口的尺寸相同，池化窗口的长度为预设池化长度，池化窗口的宽度为预设池化宽度；
确定模块，用于根据M个二值化分割结果，确定与待分割的灰度图像对应的二值化图像。
第三方面，本申请实施例提供了一种图像二值化设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述第一方面任一项方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述第一方面任一项方法的步骤。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项的方法。
本申请实施例提供的图像二值化方法，通过M层池化层对待池化的灰度图像进行随机池化处理，得到M个二值化分割结果，每个二值化分割结果均反映了待池化的灰度图像的领域信息，通过随机池化的抽样过程实现了对邻域的随机选择，可以消除复杂邻域的干扰，得到一个在复杂邻域背景和亮度下贴近人类视觉的二值化分割效果
且本方法中可以根据待处理图像的质量或者应用场景确定池化层数M，以保障待处理图像的二值化分割效果；实际应用中，当场景简单时，可以通过对待处理图像预处理，适当的减少池化层数M，当场景存在复杂邻域或者亮暗不均时，可以通过对待处理图像预处理，适当的增加池化层数M，使得本申请实施例提供的图像二值化方法具备较强的场景自适应能力，适用于各种视觉场景下。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
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为本申请一实施例提供的图像二值化方法的流程示意图；
图2为本申请一实施例提供的获得M个二值化分割结果的流程示意图；
图3为本申请一实施例提供的获得N个抽样子图像的流程示意图；
图4为本申请一实施例提供的确定二值化图像的流程示意图；
图5为本申请一实施例提供的图像二值化装置的结构示意图；
图6是本申请一实施例提供的图像二值化设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行示例性说明。值得说明的是，下文中列举的具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图1为本申请一实施例提供的图像二值化方法的流程示意图，本实施例的执行主体为图像处理设备；图形处理设备包括但不限于智能手机、平板电脑、可穿戴设备等移动终端，还可以是台式电脑、机器人、服务器等。如图1所示的图像二值化方法包括：
S10、获取待分割的灰度图像。
本实施例中，获取待分割的灰度图像，可以是指获取待处理图像，对该待处理图像进行灰度处理，获得待分割的灰度图像。
其中，待处理图像可以是图像处理设备从图像采集设备等移动终端获取的图像，也可以为图像处理设备从服务器端获取的视频，还可以为预先存储在图像处理设备上的图像。
S20、对待分割的灰度图像进行预处理，获得待池化的灰度图像，其中，待池化的灰度图像的长度为预设池化长度的M次方的整数倍，待池化的灰度图像的宽度为预设池化宽度的M次方的整数倍，M为大于或等于1的整数。
本实施例中，预处理可以是指裁切处理，或者边缘补零处理。
为了尽量的保证待分割的灰度图像的全局信息，在预处理为裁切处理的情况下，待池化的灰度图像为满足上述尺寸要求的，且尺寸最接近待分割的灰度图像的灰度图像。
示例性的，待分割的灰度图像的尺寸为96*100，满足要求的灰度图像的尺寸可以为96*96，96*64或96*32，则应将尺寸为96*96的灰度图像确定为待池化的灰度图像。
本实施例中，本实施例中的池化层为M层池化层，即需要对待池化的灰度图像进行M次的池化处理，待池化的灰度图像为M层池化层的输入图像，待池化的灰度图像的长度应为池化层的池化窗口长度的M次方的整数倍，待池化的灰度图像的宽度应为池化层的池化窗口宽度的M次方的整数倍。
其中，M为大于或等于1的整数。
其中，池化窗口长度为预设池化长度，池化窗口宽度为预设池化宽度。预设池化长度与预设池化宽度可以相同，也可以不同。
示例性的，待分割的灰度图像尺寸为96*100，池化窗口的尺寸为2*2，即预设池化长度为2，预设池化宽度为2，则待分割的灰度图像的长度96最多可以是预设池化长度2的5次方的整数倍，即M最大为5。
(应理解的是，灰度图像的长度96是2的5次方的整数倍，则必然也是2的4次方、3次方…1次方的整数倍)。
由于待池化的灰度图像的长度为预设池化长度的M次方的整数倍，待池化的灰度图像的宽度为预设池化宽度的M次方的整数倍，在预设池化长度和预设池化宽度相同的情况下，待池化图像的宽度和待池化图像的长度的公约数必然包括2M。
若M为5、4或3中任一个，可以对该待分割的灰度图像的宽度进行裁切处理，将宽度由100裁切至96，得到尺寸为96*96的待池化的灰度图形。
若M为2或1，此时待池化图像的宽度和待池化图像的长度的公约数为4即可，由于待分割的灰度图像的长度和宽度的公约数即为4，故可以保持待分割的灰度图像不变，即获得待池化的图像的尺寸为96*100。
实际应用中，可以根据应用场景需求确定池化层数M，以保障待处理图像的二值化分割效果；实际应用中，当场景简单时，可以通过对待处理图像预处理，适当的减少池化层数M，当场景存在复杂邻域或者亮暗不均时，可以通过对待处理图像预处理，适当的增加池化层数M，使得本申请实施例提供的图像二值化方法具备较强的场景自适应能力，适用于各种视觉场景。
S30、根据M层池化层对待池化的灰度图像进行随机池化处理，得到M个二值化分割结果，其中，M层池化层中每层池化层对应一个二值化分割结果，M层池化层中各层池化层的池化窗口的尺寸相同，池化窗口的长度为预设池化长度，池化窗口的宽度为预设池化宽度。
本实施例中，M层池化层可以是指具有M层池化层的池化层，其中每一层池化层的池化窗口的尺寸相同，池化窗口的长度为预设池化长度，池化窗口的宽度为预设池化宽度。
本实施例中，M层池化层中每层池化层的池化原图不同。其中，池化原图可以是指当前池化层的输入图像。
其中，第k层池化原图可以根据第k-1池化原图进行池化处理获得，第k层池化原图也可以根据待池化的图像进行k-1次池化处理获得，在此不做要求。
其中，池化处理包括最大池化、平均池化以及高斯池化中的任意一种。
其中，第k层池化原图是指第k层池化层的池化原图，第k-1层池化原图是指第k-1层池化层的池化原图，k为大于1且小于或等于M的整数，第1个池化原图可以是待池化的灰度图像。
本实施例中，k可以用来表示池化层的层级。池化层的层级越高，即k值越大，则第k层池化层对应的二值化分割结果包含的全局信息越多；池化层的层级越低，即k值越小，第k层池化层对应的二值化分割结果包含的细节信息越多。
本实施例中，随机池化处理可以是在池化窗口对第k层池化原图进行池化过程中)，则每次降采样中池化窗口的采样位置随机确定，通过随机池化处理可以实现了第k层池化原图中相同位置的像素点的邻域信息的随机选择。
本实施例中，第k层池化层的池化原图的二值化分割结果可以包括第k层池化层的池化原图的二值化图像，或者包括第k层池化层的池化原图上各像素点为前景点的概率中的任意一项。
例如，第k层池化层对应的二值化分割结果可以是指，第k层池化层的池化原图上各像素点为前景点的概率。
本实施例中，根据M层池化层对待池化的灰度图像进行随机池化处理，可以是指针对M层池化层中每层池化层中，确定该层池化层的池化原图，基于池化窗口对上述池化原图进行随机池化处理。
其中，第一层池化层的池化原图即为待池化的灰度图像。
S40、根据M个二值化分割结果，确定与待分割的灰度图像对应的二值化图像。
本实施例中，每个二值化分割结果对应一层池化层，由于不同的池化层的池化原图的尺寸不同，因此相同尺寸的池化窗口窗选的特征信息量不同，使得不同池化层的二值化分割结果可以提供不同的细节信息和全局信息。
本实施例中，根据M个二值化分割结果，确定与待分割的灰度图像对应的二值化图像，可以是指对根据M个二值化分割结果进行加权平均处理，确定与待分割的灰度图像对应的二值化图像，通过对M个二值化分割结果进行处理以兼顾全局和细节信息。
本申请实施例提供的图像二值化方法，通过M层池化层对待池化的灰度图像进行随机池化处理，得到M个二值化分割结果，每个二值化分割结果均反映了待池化的灰度图像的领域信息，通过随机池化的抽样过程实现了对邻域的随机选择，可以消除复杂领域的干扰，得到一个在复杂邻域背景和亮度下贴近人类视觉的二值化分割效果
且本申请实施例提供的图像二值化方法中可以根据待处理图像的质量或者应用场景确定池化层数M，以保障待处理图像的二值化分割效果；实际应用中，当场景简单时，可以通过对待处理图像预处理，适当的减少池化层数M，当场景存在复杂邻域或者亮暗不均时，可以通过对待处理图像预处理，适当的增加池化层数M，使得本申请实施例提供的图像二值化方法具备较强的场景自适应能力，适用于各种视觉场景。
图2为本申请一实施例提供的获得M个二值化分割结果的流程示意图，描述了图1实施例中S30的一种可能实施方式，每一层池化层的随机池化处理过程相同，本实施例通过第k层池化层的随机池化处理过程进行示例性的描述。如图2所示，通过M层池化层对待池化的灰度图像进行随机池化处理，得到M个二值化分割结果，包括：
S301、在第k层池化层的随机池化处理过程中，根据第k-1层池化原图生成第k层池化原图，其中，k为大于1，且小于或等于M的整数，第k层池化原图为第k层池化层的池化原图。
本实施例中，第1层池化层的池化原图，即第1个池化原图可以是待池化的灰度图像。
本实施例中，根据第k-1层池化原图生成第k层池化原图，可以是指对第k-1层池化原图进行池化处理，生成第k层池化原图。
其中，池化处理可以为高斯池化、最大池化、均值池化中任意一种。
其中，高斯池化是指根据高斯函数确定池化窗口的输出。
例如，池化窗口大小为2*2，则该池化窗口在池化原图上选中的四个像素点的输出，可以根据高斯函数对该四个点的像素值计算获得。
示例性地，池化窗口大小为2*2，则第k-1层池化原图上每四个像素点对应第k层池化原图上的一个像素点。
第k层池化原图上的像素点A的坐标为(x,y),则点A在第k-1层池化原图上对应的四个像素点的坐标可以分别为(2*x,2*y)，(2*x+1,2*y)，(2*x,2*y+1)以及(2*x+1,2*y+1)。
则A点的像素值可以对上述四个点在第k层池化原图的像素值进行高斯模糊处理获得。
具体地，根据第k-1层池化原图进行高斯池化处理，生成第k层池化原图的计算过程可参考式(1)：
Figure BDA0002606493020000111
其中，(x,y)为第k层池化原图上的像素点A的坐标值；
Ik-1(2*x，2*y)为像素点A在第k-1层池化原图对应的一个像素点的像素值；
μ为像素点A对应的四个像素点的像素值的平均值；
σ2是像素点A对应的四个像素点的像素值的方差；
p0为池化窗口中第一采样位置的像素点高斯模糊后的概率分布；
p1为池化窗口中第二采样位置的像素点高斯模糊后的概率分布；
p2为池化窗口中第三采样位置的像素点高斯模糊后的概率分布；
p3为池化窗口中第四采样位置的像素点高斯模糊后的概率分布；
Ik(x,y)是像素点A在第k层池化原图上的像素值。
本实施例中，池化窗口的采样位置的个数由池化窗口的尺寸确定。例如，池化窗口为2*2，则采样位置有4个。
S302、对第k层池化原图进行N次随机池化处理，获得N个抽样子图像；其中，N为大于或等于池化窗口的尺寸的整数。
本实施例中，一次随机池化处理可以是指，根据池化窗口对第k层池化层的池化原图进行一次遍历抽样，一次随机池化处理后可以获得一个抽样子图像。
本实施例中，在每一次随机池化处理过程中，随机抽样的采样位置可以不同。
例如，每一次随机池化处理过程中，池化窗口需要沿第k层池化原图滑动进行降采样，则在每一次滑动中，池化窗口的采样位置可以不同，但是在池化窗口遍历k层池化原图进行的Q次降采样处理中，池化窗口的不同采样位置的采样概率相同，例如，采样位置为L，则每个采样位置的采样次数均为Q/L。
示例性的，池化窗口为2*2，则池化窗口的尺寸为4，池化窗口的采样位置的个数为4，则四个位置在一次随机池化过程中的采样概率相同，采样次数均为Q/4。
S303、对N个抽样子图像中的每个抽样子图像进行二值化分割，获得N个二值化分割图像。
本实施例中，每个抽样子图像的二值化分割方法可以相同，每个抽样子图像对应一个二值化分割图像。
其中，二值化分割图像中仅包括了背景点和前景点。
本实施例中，获得N个二值化分割图像可以是指，针对N个抽样子图像中的每个抽样子图像，根据预设的二值化分割方法对抽样子图像进行二值化分割，获得抽样子图像对应的二值化分割图像。
其中，预设的二值化分割方法包括最大类间方差法。
示例性的，第i次随机池化处理后可以得到第i个抽样子图像，第i个抽样子图像可以表示为
Figure BDA0002606493020000121
其中，
Figure BDA0002606493020000131
是第k层池化层的第i个抽样子图像,
Figure BDA0002606493020000132
是最大类间方差法的输出，具体为像素值。
S304、根据N个二值化分割图像，确定与第k层池化层对应的二值化分割结果。
本实施例中，二值化分割结果可以包括第k层池化原图上各像素点为前景点的概率。
例如，可以根据池化原图上每个像素点在N个二值化分割图像中为前景点的次数进行统计，获得该像素点为前景点的概率。
本实施例中，获取二值化分割结果的步骤可以包括：
步骤1、根据N个二值化分割图像，确定第k层池化原图中的每个像素点为前景点的统计概率。
步骤2根据第k层池化原图中各像素点的统计概率，确定与第k层池化层对应的二值化分割结果。
本步骤中，可以首先对N个二值化分割图像中的每个二值化图像进行归一化处理得到处理后的N个图像，则该N个图像中值为1的点表征前景点，值为0的点表征背景点。
例如，对第k层池化层的第i个抽样子图像进行归一化处理，得到对应的第i个归一化后的图像bi，示例性地，bi可以表征为式(3)：
Figure BDA0002606493020000133
在获得上述N个归一化后的图像后，则可以确定每个像素点在每个归一化后的图像中的值，进而可以统计获得该像素点为前景点，即值为1，的统计概率。
示例性地，第k层池化原图中的任一像素点(x，y)为前景点的统计概率可以表征为式(4)：
Figure BDA0002606493020000134
其中，bi(x,y)为像素点(x，y)在第i个归一化后的图像中的值，为0或1。
本申请实施例提供的获得M个二值化分割结果的方法，一方面，每一次随机池化处理过程中，随机抽样的采样位置可以不同，实现了抽样子图像中相同位置的像素点的邻域信息的随机选择，降低单次或者固定位置抽样的误差，从而减少复杂邻域对最终二值化分割效果的影响。
另一方面，通过设置N为大于或等于池化窗口的尺寸的整数的设置，使得N次随机池化中获得N个抽样子图像尽可能的全面，然后通多对N个抽样子图像进行统计分析，确定第k层池化原图中每个像素点为前景点的概率，极大地降低待池化图像信息的二值化分割结果对每个抽样子图像的二值化分割图像的依赖，降低了复杂邻域对待池化图像信息的二值化分割结果的干扰，最终提高了待分割图像的二值化分割效果。
图3为本申请一实施例提供的获得N个抽样子图像的流程示意图，描述了图2实施例中S302的一种可能实施方式，本实施例中每次随机池化处理过程相同，下述通过第k层池化层的第i次随机池化处理过程进行示例性的描述。如图3所示，对第k-1层池化层的池化原图进行N次随机池化处理，获得N个抽样子图像，包括：
S3021、在第i次随机池化处理过程中，将池化窗口沿第k层池化原图滑动进行降采样处理，其中，i为大于或等于1，且小于或等于N的整数。
本实施例中，滑动可以是指先从左向右滑动，再从上向下滑动。
S3022、在每一次降采样处理中，根据池化窗口在第k层池化原图上窗选像素点的坐标，以及随机选中的采样位置，确定本次降采样处理的位置坐标和输出像素值。
本实施例中，池化窗口大小为2*2，则该池化窗口包含有4个采样位置，在每一次降采样处理中，可以从该4个采样位置中随机抽取。
示例性地，4个采样位置可以分别用数字0、1、2以及3表示，可以通过随机选择0-3中任一整数表征随机选中的采样位置。
本实施例中，本次降采样处理的位置坐标可以是指第i个抽样子图像上像素点C的坐标，本次降采样处理的输出像素值可以是指像素点C的像素值。
其中，第i个抽样子图像为对第k层池化原图进行第i次随机池化处理后生成的。
本实施例中，每一次降采样处理对应的位置坐标可以由池化窗口在第k层池化原图上窗选像素点的坐标素点的坐标确定。
池化窗口的尺寸为2*2，第i个抽样子图像上像素点C的坐标为(x，y)，则像素点C对应的窗选像素点有四个，该4个窗选像素点在第k层池化原图的坐标为(2*x,2*y)，(2*x+1,2*y)，(2*x,2*y+1)以及(2*x+1,2*y+1)。
为了实现对邻域的随机选择，本实施例采用随机池化，则每一次降采样中，池化窗口的输出像素值可以根据随机选中的采样位置，以及4个窗选像素点的坐标确定。
池化窗口的输出像素值可以参见式(5)
Figure BDA0002606493020000151
其中，
Figure BDA0002606493020000152
为第k层池化原图的第i个抽样子图像坐标为(x，y)的像素值，P为采样位置的标识，为0-3中任一整数；Ik-1(a,b)是第k-1层池化原图。
由式(5)可知，在每一次降采样中，若随机选择的采样位置发生变化，则池化窗口的输出像素值也随机发生变化，实现了随机池化。
本实施例中，池化窗口的不同采样位置的采样概率在多次降采样处理中相同可以是指，在池化窗口遍历第k层池化原图多次将采样处理中过程中，池化窗口的不同采样位置的采样概率相同。
例如，第k层池化原图的尺寸为32*32，池化窗口的尺寸为2*2，池化窗口包括4个采样位置，则池化窗口遍历第k层池化原图需要进行256次降采样，在256次降采样过程中，4个采样位置的采样概率相同，均为四分之一，则每个采样位置被选中的次数为84次。
S3023、将上述输出像素值确定为上述位置坐标的像素值。
即第k层池化原图的第i个抽样子图像上的坐标为(x,y)的像素值为Iik(x,y)。
S3024、判断池化窗口是否遍历第k层池化原图，若池化窗口遍历第k层池化原图，则执行S3025，若池化窗口未能遍历第k层池化原图，则返回执行S3021中将池化窗口沿第k层池化原图滑动进行降采样处理的步骤。
本实施例中，判断池化窗口是否遍历第k层池化原图可以根据池化窗口的降采样处理的次数确定。
例如，第k层池化原图的尺寸为32*32，池化窗口的尺寸为2*2，则池化窗口遍历第k层池化原图需要进行256次降采样，若池化窗口的降采样的次数小于256，则表示还未遍历第k层池化原图。
本实施例中，在池化窗口遍历第k层池化原图的多次将采样处理中，池化窗口的不同采样位置的采样概率相同。
S3025、根据多个位置坐标以及多个位置坐标各自的像素值，生成第i个抽样子图像；其中，第i个抽样子图像为第i次随机池化处理后生成的抽样子图像。
本实施例中，在生成第i个抽样子图像后，判断i是否等于N，若i不等于N，则执行第i+1次随机池化抽样过程，生成第i+1个抽样子图像，重复上述过程，直至获得N个抽样子图像。
其中，在每一次随机池化抽样过程中，池化窗口的每个采样位置的采样概率相同。
本实施例，通过随机选择采样位置，可以使得在N次随机池化过程中生成N个抽样子图像的邻域各不相同，从而降低复杂邻域在1次随机池化处理中对二值化分割的影响。实际应用中，当应用场景较复杂时，可以通过增加N的个数以提高二值化分割的效果。
图4为本申请一实施例提供的确定二值化图像的流程示意图，描述了图1实施例中S40的一种可能实施方式，如图4所示，根据M个二值化分割结果，确定与待分割的灰度图像对应的二值化图像，包括：
S401、根据M个二值化分割结果各自分别对应的池化层级，确定M个二值化分割结果各自的权重，其中，每个二值化分割结果的权重与其对应的池化层级成正比例关系。
本实施例中，每个二值化分割结果对应的池化层级是指，每个二值化分割结果对应的池化层在M层池化层中的层级。
例如，第k层池化层对应的二值化分割结果的池化层级是k。
其中，根据M个二值化分割结果各自分别对应的池化层级，确定M个二值化分割结果各自的权重，可以是指针对每个二值化分割结果，确定该分割结果的层级为k，
其中，二值化分割结果对应的权重是a*k+b，其中a和b均可以为预设值。
S402、根据M个二值化分割结果以及M个二值化分割结果各自的权重，计算获得待池化的灰度图像中每个像素点为前景点的计算概率。
本实施例中，每层池化层对应一个二值化分割结果，其中，第k层池化层对应的二值化分割结果表征了，第k层池化层的池化原图上各像素点为前景点的概率。
本实施例中，根据M个二值化分割结果以及M个二值化分割结果各自的权重，计算获得待池化的灰度图像中每个像素点为前景点的计算概率，可以包括下述步骤：
步骤1，计算获得待池化的灰度图像F中的任一像素点B在各层池化层的池化原图中的像素点坐标。
本实施例中，每层池化层的池化原图由上一层池化层的池化原图经过高斯池化处理得到，且每次高斯池化处理的池化窗口的大小都相同。
本步骤中，每层池化层的池化原图的尺寸随池化层级的增加而减少，可以根据池化层级确定像素点B在各池化原图中的像素点坐标B’。
例如，像素点B的坐标为(x，y)，高斯池化处理的池化窗口大小为2*2，则像素点B在第k层池化原图中的对应的像素点B’坐标可以表示为(x/2k-1,y/2k-1)，其中k为池化层级。
步骤2，则根据像素点B’的坐标计算，确定像素点B’为在第k层池化原图上为前景点的统计概率Pk(x/2k-1,y/2k-1)。
本步骤中，确定统计概率的具体实施方式可以参考图2实施例中的步骤304，在此不再赘述。
本步骤中，可以获得像素点B的M个统计概率，分别为P1(x/2,y/2)，P2(x/4,y/4)…Pk(x/2k-1,y/2k-1)…以及PM(x/2M-1,y/2M-1)。
步骤3，根据像素点B在各层池化原图上的M个统计概率以及M个二值化分割结果各自的权重，确定像素点B为前景点的计算概率。
本步骤中，第k层池化层的二值化分割结果的权重可以表征为
Figure BDA0002606493020000181
则每个像素点B均可以对应有M个权重。
示例性地，像素点B对应有M个权重分别为
Figure BDA0002606493020000182
以及
Figure BDA0002606493020000183
M个权重的和为1。
本步骤中，可以通过对M个统计概率和M个权重进行加权求和，确定像素点B为前景点的计算概率。
示例性的，像素点B为前景点的计算概率可以参考式(6)：
Figure BDA0002606493020000184
其中，P(x,y)为坐标为(x,y)的像素点B的计算概率，
Figure BDA0002606493020000185
为第k层池化层的二值化分割结果的权重，Pk(x/2k-1,y/2k-1)为统计概率。
S403、根据待池化的灰度图像中每个像素点的计算概率，确定待池化的灰度图像中每个像素点的分类结果，分类结果为前景点或背景点。
本实施例中，可针对待池化的灰度图像中每个像素点，判断该像素点的计算概率是否大于预设阈值，若该像素点的计算概率大于预设阈值，则确定像素点为前景点，若像素点的计算概率小于或等于预设阈值，则确定该像素点为背景点。
示例性的，分类结果可以参考式(7)：
Figure BDA0002606493020000191
其中，Tp是预设阈值，P(x,y)为坐标为(x,y)的像素点B的计算概率，IB(x,y)表示坐标为(x,y)的像素点B的分类结果。
若IB(x,y)为255，则该像素点B为前景点，若IB(x,y)为0，则表示像素点B为背景点。
S404、根据待池化的灰度图像中每个像素点的分类结果，生成与待分割的灰度图像对应的二值化图像。
本实施例中，对待池化的灰度图像中的每个像素点执行步骤S402至步骤S403，得到每个像素点的分类结果，然后根据待池化的灰度图像中所有像素点的分类结果，生成一个二值化图像，将该二值化图像确定为待分割的绘图图像对应的二值化图像。
应理解，上述实施例中各步骤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，而不应对本申请实施例的实施过程构成任何限定。
基于上述实施例所提供的图像二值化方法，本发明实施例进一步给出实现上述方法实施例的装置实施例。
图5为本申请一实施例提供的图像二值化装置的结构示意图。如图5所示，图像二值化装置50包括获取模块501，预处理模块502、随机池化模块503以及确定模块504；其中，
获取模块501，用于获取待分割的灰度图像。
预处理模块502，用于对待分割的灰度图像进行预处理，获得待池化的灰度图像，其中，待池化的灰度图像的长度为预设池化长度的M次方的整数倍，待池化的灰度图像的宽度为预设池化宽度的M次方的整数倍，M为大于或等于1的整数。
随机池化模块503，用于根据M层池化层对待池化的灰度图像进行随机池化处理，得到M个二值化分割结果，其中，M层池化层中每层池化层对应一个二值化分割结果，M层池化层中各层池化层的池化窗口的尺寸相同，池化窗口的长度为预设池化长度，池化窗口的宽度为所述预设池化宽度。
确定模块504，用于根据M个二值化分割结果，确定与待分割的灰度图像对应的二值化图像。
可选地，随机池化模块503用于根据M层池化层对待池化的灰度图像进行随机池化处理，得到M个二值化分割结果，具体包括：
在第k层池化层的随机池化处理过程中，根据第k-1层池化原图生成第k层池化原图，其中，k为大于1，且小于或等于M的整数，第k层池化原图为第k层池化层的池化原图；
对第k层池化原图进行N次随机池化处理，获得N个抽样子图像；其中，N为大于或等于池化窗口的尺寸的整数；
对N个抽样子图像中的每个抽样子图像进行二值化分割，获得N个二值化分割图像；
根据N个二值化分割图像，确定与第k层池化层对应的二值化分割结果。
可选地，随机池化模块503对第k层池化原图进行N次随机池化处理，获得N个抽样子图像，具体包括：
在第i次随机池化处理过程中，将池化窗口沿第k层池化原图滑动进行降采样处理，其中，i为大于或等于1，且小于或等于N的整数；
在每一次降采样处理中，根据池化窗口在第k层池化原图上窗选像素点的坐标，以及随机选中的采样位置，确定本次降采样处理的位置坐标和输出像素值；
将上述输出像素值确定为上述位置坐标的像素值；
返回执行将池化窗口沿第k层池化原图滑动进行降采样处理的步骤，直至池化窗口遍历第k层池化原图，得到多个位置坐标以及多个位置坐标各自的像素值；池化窗口的不同采样位置的采样概率在多次降采样处理中相同；
根据多个位置坐标以及多个位置坐标各自的像素值，生成第i个抽样子图像；其中，第i个抽样子图像为第i次随机池化处理后生成的抽样子图像。
可选地，随机池化模块503对N个抽样子图像中的每个抽样子图像进行二值化分割，获得N个二值化分割图像，具体包括：
针对N个抽样子图像中的每个抽样子图像，根据预设的二值化分割方法对抽样子图像进行二值化分割，获得抽样子图像对应的二值化分割图像；
其中，预设的二值化分割方法包括最大类间方差法。
可选地，随机池化模块503用于根据N个二值化分割图像，确定与第k层池化层对应的二值化分割结果，具体包括；
根据N个二值化分割图像，确定所述第k层池化原图中的每个像素点为前景点的统计概率；
根据第k层池化原图中各像素点的统计概率，确定与第k层池化层对应的二值化分割结果。
可选地，随机池化模块503用于根据第k-1层池化原图生成第k层池化原图，具体包括：
对第k层池化原图进行高斯池化处理，生成第k层池化原图；
其中，第1个池化原图为待池化的灰度图像。
可选地，确定模块504根据M个二值化分割结果，确定与所述待分割的灰度图像对应的二值化图像，具体包括：
根据M个二值化分割结果各自分别对应的池化层的层级，确定M个二值化分割结果各自的权重，其中，每个二值化分割结果的权重与其对应的池化层的层级成正比例关系；
根据M个二值化分割结果以及M个二值化分割结果各自的权重，计算获得待池化的灰度图像中每个像素点为前景点的计算概率；
根据待池化的灰度图像中每个像素点的计算概率，确定待池化的灰度图像中每个像素点的分类结果，分类结果为前景点或背景点；
根据待池化的灰度图像中每个像素点的分类结果，生成与待分割的灰度图像对应的二值化图像。
图5所示实施例提供的图像二值化装置，可用于执行上述方法实施例中的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
图6是本申请一实施例提供的图像二值化设备的示意图。如图6所示，该实施例的图像二值化设备60包括：至少一个处理器601、存储器602以及存储在所述存储器602中并可在所述处理器601上运行的计算机程序。图像二值化设备还包括通信部件603，其中，处理器601、存储器602以及通信部件603通过总线604连接。
处理器601执行所述计算机程序时实现上述各个图像二值化方法实施例中的步骤，例如图1所示实施例中的步骤S10至步骤S40。或者，处理器601执行计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块501至504的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器602中，并由处理器601执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在所述图像二值化设备60中的执行过程。
本领域技术人员可以理解，图6仅仅是图像二值化设备的示例，并不构成对图像二值化设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
所称处理器601可以是中央处理单元(Central ProcesskngUnkt，CPU)，还可以是其他通用处理器、数字信号处理器(DkgktalSkgnal Processor，DSP)、专用集成电路(ApplkcatkonSpeckfkcKntegratedCkrcukt，ASKC)、现成可编程门阵列(Fkeld-ProgrammableGate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
存储器602可以是图像二值化设备的内部存储单元，也可以是图像二值化设备的外部存储设备，例如插接式硬盘，智能存储卡(Smart Medka Card，SMC)，安全数字(SecureDkgktal，SD)卡，闪存卡(Flash Card)等。所述存储器602用于存储所述计算机程序以及图像二值化设备所需的其他程序和数据。存储器602还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Kndustry Standard Archktecture，KSA)总线、外部设备互连(Perkpheral Component，PCK)总线或扩展工业标准体系结构(ExtendedKndustry Standard Archktecture，EKSA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
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介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
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或记载的部分，可以参见其它实施例的相关描述。
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来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。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种图像二值化方法，其特征在于，方法包括：
获取待分割的灰度图像；
对所述待分割的灰度图像进行预处理，获得待池化的灰度图像，其中，所述待池化的灰度图像的长度为预设池化长度的M次方的整数倍，所述待池化的灰度图像的宽度为预设池化宽度的M次方的整数倍，M为大于或等于1的整数；
根据M层池化层对所述待池化的灰度图像进行随机池化处理，得到M个二值化分割结果，其中，所述M层池化层中每层池化层对应一个二值化分割结果，所述M层池化层中各层池化层的池化窗口的尺寸相同，所处池化窗口的长度为所述预设池化长度，所述池化窗口的宽度为所述预设池化宽度；
根据所述M个二值化分割结果，确定与所述待分割的灰度图像对应的二值化图像。
2.如权利要求1所述的图像二值化方法，其特征在于，所述根据M层池化层对所述待池化的灰度图像进行随机池化处理，得到M个二值化分割结果，包括：
在第k层池化层的随机池化处理过程中，根据第k-1层池化原图生成第k层池化原图，其中，k为大于1，且小于或等于M的整数，所述第k层池化原图为所述第k层池化层的池化原图；
对所述第k层池化原图进行N次随机池化处理，获得N个抽样子图像，其中，N为大于或等于所述池化窗口的尺寸的整数；
对所述N个抽样子图像中的每个抽样子图像进行二值化分割，获得N个二值化分割图像；
根据所述N个二值化分割图像，确定与第k层池化层对应的二值化分割结果。
3.如权利要求2所述的图像二值化方法，其特征在于，所述对所述第k层池化原图进行N次随机池化处理，获得N个抽样子图像，包括：
在第i次随机池化处理过程中，将所述池化窗口沿第k层池化原图滑动进行降采样处理，其中，i为大于或等于1，且小于或等于N的整数；
在每一次所述降采样处理中，根据所述池化窗口在所述第k层池化原图上窗选像素点的坐标，以及随机选中的采样位置，确定本次降采样处理的位置坐标和输出像素值；
将所述输出像素值确定为所述位置坐标的像素值；
返回执行所述将所述池化窗口沿第k层池化原图滑动进行降采样处理的步骤，直至所述池化窗口遍历所述第k层池化原图，得到多个位置坐标以及所述多个位置坐标各自对应的像素值；所述池化窗口的不同采样位置的采样概率在多次所述降采样处理中相同；
根据所述多个位置坐标以及所述多个位置坐标各自对应的像素值，生成第i个抽样子图像；其中，所述第i个抽样子图像为第i次随机池化处理后生成的抽样子图像。
4.如权利要求2所述的图像二值化方法，其特征在于，所述对所述N个抽样子图像中的每个抽样子图像进行二值化分割，获得N个二值化分割图像，包括：
针对所述N个抽样子图像中的每个抽样子图像，根据预设的二值化分割方法对所述抽样子图像进行二值化分割，获得所述抽样子图像对应的二值化分割图像；
其中，预设的二值化分割方法包括最大类间方差法。
5.如权利要求2所述的图像二值化方法，其特征在于，所述根据所述N个二值化分割图像，确定与第k层池化层对应的二值化分割结果，包括；
根据所述N个二值化分割图像，确定所述第k层池化原图中的每个像素点为前景点的统计概率；
根据所述第k层池化原图中每个像素点的统计概率，确定与第k层池化层对应的二值化分割结果。
6.如权利要求2所述的图像二值化方法，其特征在于，所述根据第k-1层池化原图生成第k层池化原图，包括：
对所述第k-1层池化原图进行高斯池化处理，生成第k层池化原图；
其中，第1层池化原图为所述待池化的灰度图像。
7.如权利要求1-6任一项所述的图像二值化方法，其特征在于，所述根据所述M个二值化分割结果，确定与所述待分割的灰度图像对应的二值化图像，包括：
根据所述M个二值化分割结果各自分别对应的池化层的层级，确定所述M个二值化分割结果各自的权重，其中，每个二值化分割结果的权重与其对应的池化层的层级成正比例关系；
根据所述M个二值化分割结果以及所述M个二值化分割结果各自的权重，计算获得所述待池化的灰度图像中每个像素点为前景点的计算概率；
根据所述待池化的灰度图像中每个像素点的计算概率，确定所述待池化的灰度图像中每个像素点的分类结果，所述分类结果为前景点或背景点；
根据所述待池化的灰度图像中每个像素点的分类结果，生成与所述待分割的灰度图像对应的二值化图像。
8.一种图像二值化装置，其特征在于，装置包括：
获取模块，用于获取待分割的灰度图像；
预处理模块，用于对所述待分割的灰度图像进行预处理，获得待池化的灰度图像，其中，所述待池化的灰度图像的长度为预设池化长度的M次方的整数倍，所述待池化的灰度图像的宽度为预设池化宽度的M次方的整数倍，M为大于或等于1的整数；
随机池化模块，用于根据M层池化层对所述待池化的灰度图像进行随机池化处理，得到M个二值化分割结果，其中，所述M层池化层中每层池化层对应一个二值化分割结果，所述M层池化层中各层池化层的池化窗口的尺寸相同，所处池化窗口的长度为所述预设池化长度，所述池化窗口的宽度为所述预设池化宽度；
确定模块，用于根据所述M个二值化分割结果，确定与所述待分割的灰度图像对应的二值化图像。
9.一种图像二值化设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN202010740258.0A 2020-07-28 2020-07-28 一种图像二值化方法、装置、设备及存储介质 Active CN111882565B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010740258.0A CN111882565B (zh) 2020-07-28 2020-07-28 一种图像二值化方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010740258.0A CN111882565B (zh) 2020-07-28 2020-07-28 一种图像二值化方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111882565A true CN111882565A (zh) 2020-11-03
CN111882565B CN111882565B (zh) 2023-07-07

Family

ID=73201408

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010740258.0A Active CN111882565B (zh) 2020-07-28 2020-07-28 一种图像二值化方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111882565B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112750136A (zh) * 2020-12-30 2021-05-04 深圳英集芯科技股份有限公司 一种图像处理方法和系统
CN113128510A (zh) * 2021-03-26 2021-07-16 武汉光谷信息技术股份有限公司 一种语义分割方法及系统
CN113221737A (zh) * 2021-05-11 2021-08-06 杭州海康威视数字技术股份有限公司 一种物料信息的确定方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180157927A1 (en) * 2015-08-04 2018-06-07 Alibaba Group Holding Limited Character Segmentation Method, Apparatus and Electronic Device
CN108596258A (zh) * 2018-04-27 2018-09-28 南京邮电大学 一种基于卷积神经网络随机池化的图像分类方法
CN109584246A (zh) * 2018-11-16 2019-04-05 成都信息工程大学 基于多尺度特征金字塔的dcm心肌诊疗放射影像分割方法
CN109636807A (zh) * 2018-11-27 2019-04-16 宿州新材云计算服务有限公司 一种图像分割与像素复原的葡萄病害叶片分割法
US20190130573A1 (en) * 2017-10-30 2019-05-02 Rakuten, Inc. Skip architecture neural network machine and method for improved semantic segmentation
CN109948651A (zh) * 2019-02-13 2019-06-28 平安科技（深圳）有限公司 卷积神经网络的池化方法、装置及存储介质、计算机设备
WO2019196542A1 (zh) * 2018-04-10 2019-10-17 阿里巴巴集团控股有限公司 一种图像处理的方法及装置
CN110427946A (zh) * 2019-07-04 2019-11-08 天津车之家数据信息技术有限公司 一种文档图像二值化方法、装置和计算设备
CN111368911A (zh) * 2020-03-03 2020-07-03 腾讯科技（深圳）有限公司 一种图像分类方法、装置和计算机可读存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180157927A1 (en) * 2015-08-04 2018-06-07 Alibaba Group Holding Limited Character Segmentation Method, Apparatus and Electronic Device
US20190130573A1 (en) * 2017-10-30 2019-05-02 Rakuten, Inc. Skip architecture neural network machine and method for improved semantic segmentation
WO2019196542A1 (zh) * 2018-04-10 2019-10-17 阿里巴巴集团控股有限公司 一种图像处理的方法及装置
CN108596258A (zh) * 2018-04-27 2018-09-28 南京邮电大学 一种基于卷积神经网络随机池化的图像分类方法
CN109584246A (zh) * 2018-11-16 2019-04-05 成都信息工程大学 基于多尺度特征金字塔的dcm心肌诊疗放射影像分割方法
CN109636807A (zh) * 2018-11-27 2019-04-16 宿州新材云计算服务有限公司 一种图像分割与像素复原的葡萄病害叶片分割法
CN109948651A (zh) * 2019-02-13 2019-06-28 平安科技（深圳）有限公司 卷积神经网络的池化方法、装置及存储介质、计算机设备
CN110427946A (zh) * 2019-07-04 2019-11-08 天津车之家数据信息技术有限公司 一种文档图像二值化方法、装置和计算设备
CN111368911A (zh) * 2020-03-03 2020-07-03 腾讯科技（深圳）有限公司 一种图像分类方法、装置和计算机可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨丽梅;李致豪;: "面向人机交互的手势识别系统设计", 工业控制计算机, no. 03, pages 18 - 22 *
高惠琳: "基于卷积神经网络的军事图像分类", 计算机应用研究, vol. 34, no. 11, pages 3518 - 3520 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112750136A (zh) * 2020-12-30 2021-05-04 深圳英集芯科技股份有限公司 一种图像处理方法和系统
CN112750136B (zh) * 2020-12-30 2023-12-05 深圳英集芯科技股份有限公司 一种图像处理方法和系统
CN113128510A (zh) * 2021-03-26 2021-07-16 武汉光谷信息技术股份有限公司 一种语义分割方法及系统
CN113221737A (zh) * 2021-05-11 2021-08-06 杭州海康威视数字技术股份有限公司 一种物料信息的确定方法、装置、设备及存储介质
CN113221737B (zh) * 2021-05-11 2023-09-05 杭州海康威视数字技术股份有限公司 一种物料信息的确定方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN111882565B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
CN108765343B (zh) 图像处理的方法、装置、终端及计算机可读存储介质
CN111882565B (zh) 一种图像二值化方法、装置、设备及存储介质
CN108337551B (zh) 一种屏幕录制方法、存储介质及终端设备
CN111275626A (zh) 一种基于模糊度的视频去模糊方法、装置及设备
CN110136055B (zh) 图像的超分辨率方法和装置、存储介质、电子装置
CN111079764B (zh) 一种基于深度学习的低照度车牌图像识别方法及装置
CN109214996B (zh) 一种图像处理方法及装置
CN110675334A (zh) 一种图像增强方法及装置
WO2014070489A1 (en) Recursive conditional means image denoising
CN114140346A (zh) 一种图像处理方法及装置
CN110796624B (zh) 一种图像生成方法、装置及电子设备
CN113888431A (zh) 图像修复模型的训练方法、装置、计算机设备及存储介质
CN110717864B (zh) 一种图像增强方法、装置、终端设备及计算机可读介质
CN114943649A (zh) 图像去模糊方法、装置及计算机可读存储介质
Md. Taha et al. Reduction of Salt-and-Pepper Noise from Digital Grayscale Image by Using Recursive Switching Adaptive Median Filter
CN108734712B (zh) 背景分割的方法、装置及计算机存储介质
CN113658196A (zh) 红外图像中船舶的检测方法、装置、电子设备和介质
CN110765875B (zh) 交通目标的边界检测方法、设备及装置
CN111311610A (zh) 图像分割的方法及终端设备
CN111563517A (zh) 图像处理方法、装置、电子设备及存储介质
CN110633705A (zh) 一种低照度成像车牌识别方法及装置
CN110766153A (zh) 神经网络模型训练方法、装置及终端设备
CN111986176B (zh) 一种裂纹图像识别方法、系统、终端及可读存储介质
CN114596210A (zh) 噪声估计方法、装置、终端设备及计算机可读存储介质
Wang et al. An airlight estimation method for image dehazing based on gray projection

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