CN112132848A - 一种基于图像图层分割抽取的预处理方法 - Google Patents

一种基于图像图层分割抽取的预处理方法 Download PDF

Info

Publication number
CN112132848A
CN112132848A CN202010905325.XA CN202010905325A CN112132848A CN 112132848 A CN112132848 A CN 112132848A CN 202010905325 A CN202010905325 A CN 202010905325A CN 112132848 A CN112132848 A CN 112132848A
Authority
CN
China
Prior art keywords
image
layer
images
transparency
edge
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
CN202010905325.XA
Other languages
English (en)
Other versions
CN112132848B (zh
Inventor
聂东林
邓雪
王坤
郭海涛
汪红
文国波
杨康
胡俊丞
王筱野
陈威
吴梦迪
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.)
Chengdu Yunda Technology Co Ltd
Original Assignee
Chengdu Yunda 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 Chengdu Yunda Technology Co Ltd filed Critical Chengdu Yunda Technology Co Ltd
Priority to CN202010905325.XA priority Critical patent/CN112132848B/zh
Publication of CN112132848A publication Critical patent/CN112132848A/zh
Application granted granted Critical
Publication of CN112132848B publication Critical patent/CN112132848B/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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Facsimile Image Signal Circuits (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像图层分割抽取的预处理方法，包括：S1：获取原图像a，根据原图像a的参数，创建256张与所述原图像a相同分辨率的空白图像b，记作b0～b255；S2：以图像透明度或图像灰度级为分割标准，分割图像图层，生成256个不同等级下的图层图像；S3：采用边缘提取算法对步骤S2得到的每个不同等级下的图层图像进行边缘化处理，生成256个等级下每个图层图像的边缘图像；S4：从步骤S3中得到的256个等级下每个图层图像的边缘图像中，选择质量好的边缘图像信息进行图像叠加，得到最佳边缘区域。本发明可使用透明度或灰度级递增变化趋势来判定原图像光源位置与光线辐射变化方向。

Description

一种基于图像图层分割抽取的预处理方法
技术领域
本发明涉及图像技术领域，具体涉及一种基于图像图层分割抽取的预处理方法。
背景技术
目前常用图像预处理方法一般分为全局处理或局部处理，全局处理是将图像整体按照相同尺度处理，针对图像不同区域包含不同特征信息，全局处理难以平衡实际处理效果；局部处理主要以图像像素点为最小单位，以邻域为活动范围进行处理，例如中值滤波，以8邻域灰度值代替目标像素点灰度值，对于原图像过曝或低亮度等情况，在滤波的同时也容易造成图像的失真。
发明内容
本发明所要解决的技术问题是现有图像预处理方法中的(1)全局处理是将图像整体按照相同尺度处理，针对图像不同区域包含不同特征信息，全局处理难以平衡实际处理效果；(2)局部处理主要以图像像素点为最小单位，以邻域为活动范围进行处理，例如中值滤波，以8邻域灰度值代替目标像素点灰度值，对于原图像过曝或低亮度等情况，在滤波的同时也容易造成图像的失真。即现有图像预处理方法很难解决计算机视觉领域图像预处理时原图像质量较差(过曝或低亮度)问题。
本发明目的在于提供一种基于图像图层分割抽取的预处理方法，解决计算机视觉领域图像预处理时原图像质量较差(过曝或低亮度)问题；本发明方法流程细化了不同透明度或不同灰度级下图像的像素点分布信息，极大增加了图像特征信息的丰富性，且将不同图层图像信息作为深度学习数据样本，可起到样本增强的效果。
本发明通过下述技术方案实现：
一种基于图像图层分割抽取的预处理方法，所述的预处理方法包括以下步骤：
S1：获取原图像a(原图像a为灰度图像)，根据原图像a的参数，创建256张与所述原图像a相同分辨率的空白图像b，记作b0～b255；
S2：以图像透明度或图像灰度级为分割标准，分割图像图层，生成256个不同等级下的图层图像；
S3：采用边缘提取算法对步骤S2得到的每个不同等级下的图层图像进行边缘化处理，生成256个等级下每个图层图像的边缘图像；
S4：从步骤S3中得到的256个等级下每个图层图像的边缘图像中，选择质量好的边缘图像信息进行图像叠加，得到最佳边缘区域。
工作原理如下：
基于现有图像预处理方法很难解决计算机视觉领域图像预处理时原图像质量较差(过曝或低亮度)问题，且图像处理领域中的边缘提取方法基本上都以像素点的周围像素点作为判断是否为边缘的依据，若以整张图像一次性进行边缘提取，假设图像存在瑕疵点，则会影响边缘提取。而本发明考虑以不同灰度级别的图像分别边缘提取，则某些图像不会包含该瑕疵点，则就不会对边缘提取产生影响，最后叠加全部或人为选取效果较佳的部分边缘提取结果图，能得到比整体图像边缘提取更好的图像。具体地，本发明在获取图像时，以图片256个alpha通道数值(透明度)或256个灰度级数值(0～255)为标准，分别去除0、0～1、0～2，0～3…等透明度或灰度等级像素点，仅保留剩下透明度或灰度等级像素点，拆分原图像成相应图层，离光源最近则透明度与灰度等级越高，因此本发明可用于判断图像光源位置与照射辐射方向。采用边缘提取算法对每个不同等级下的图层图像进行边缘化处理，生成256个等级下每个图层图像的边缘图像；并获取不同图层的图像特征信息，最终可有选择的叠加部分或所有图层特征信息，即可得到基于原图准确完整的预处理效果。
图像处理中，灰度等级为0～255，即一共256个等级，在图层分割中，从0到255，每一次都去除一部分灰度等级数值的像素点，例如去除0、去除0～1、去除0～2…等等，这样的去除操作一共需要做256次，所以需要有256张空白图像用于存放图层图像去除之后的结果，并在后续边缘提取时，将这256张图像都进行边缘提取，得到256张边缘结果。
本发明方法流程细化了不同透明度或不同灰度级下图像的像素点分布信息，极大增加了图像特征信息的丰富性，且将不同图层图像信息作为深度学习数据样本，可起到样本增强的效果。
本发明应用在计算机视觉中的图像预处理操作，可针对原图像(RGB图像，灰度图像)成像质量较差(过曝或昏暗)，完整提取图像特征属性；本发明可应用在图像边缘提取、图像光源追踪、深度学习样本增强等方面。
将原图像a拆分成256张不同灰度级或者透明度图像，因每张图像特征均属于原图像a，因此可以将这些作为深度学习样本，当图像存在瑕疵点，256张拆分图像中可能仅有某几张图像包含瑕疵点，在后续深度学下训练过程中，瑕疵点这一特征会被深度学习摒弃，得到样本增强的效果。
进一步地，步骤S1的原图像a若为RGB图像，则将RGB图像转换成灰度图像。
进一步地，步骤S1中的所述原图像a参数包括原图像的长、宽、类型；在图像创建时，需要指定图像的长宽、类型等参数，一般的图像类型有彩色RGB图像(三通道)和灰度图像(单通道)，因为本发明处理的图像为灰度图像，因此创建图像时也需要指定为灰度图像，若不指定灰度图像这一类型参数，默认创建RGB图像，需进行转化处理。
进一步地，步骤S2包括：
以图像透明度或图像灰度级为分割标准，遍历计算步骤S1中原图像a中每个像素点的透明度或灰度等级，设置像素去除值起始值为0，其后依次递增，依次去除原图像a中透明度或灰度等级低于像素去除值的像素点，生成256个不同等级下的图层图像。
进一步地，步骤S2具体包括如下子步骤：
S21：以图像透明度或图像灰度级为分割标准，首先遍历计算原图像a中每个像素点的透明度或灰度等级，去除0等级像素点，将剩下等级(1-255等级)像素点赋予步骤1中相应的空白图像b0，得到图层图像b0'；
S22：继续遍历计算原图像a中每个像素点的透明度或灰度等级，去除0～1等级像素点，将剩下等级(2-255等级)像素点赋予步骤1中相应的空白图像b1，得到图层图像b1'；
S23：按照步骤S21、步骤S22执行下去，直到遍历计算原图像a中每个像素点的透明度或灰度等级，去除0～255等级像素点，将无剩下等级的空白图像像素点赋予步骤1中相应的空白图像b255，得到空白图层图像b255'。
进一步地，步骤S3具体如下子步骤：
S31：将图层图像b0’经过直方图处理，增强b0’的对比度；
S32：将步骤S31所得到的图像进行滤波处理，包括中值滤波或均值滤波等，滤除图像中的噪声；
S33：将步骤S32所得到的图像经过边缘提取算法处理(其中边缘提取算法可以采用Canny、Sobel或Laplacian等)，得到在图层图像b0’中的多个边界曲线区域；
S34：重复执行步骤S31～S33，得到b0’～b255’的边界曲线区域(即边缘图像)。
进一步地，步骤S4中所述的选择质量好的边缘图像信息进行图像叠加，包括：
采用提取包含原图像a中轮廓信息的图层图像进行图像叠加或者直接叠加全部图层图像，生成轮廓特征信息。
进一步地，所述的预处理方法应用于图像光源位置与光线辐射趋势方向的判断，具体根据不同图层图像的透明度或灰度级递增变化趋势进行判断：离光源越近，则透明度与灰度等级越高。
本发明与现有技术相比，具有如下的优点和有益效果：
1、考虑到现有技术图像处理领域中的边缘提取方法基本上都以像素点的周围像素点作为判断是否为边缘的依据，若以整张图像一次性进行边缘提取，假设图像存在瑕疵点，则会影响边缘提取；本发明考虑以不同灰度级别的图像分别边缘提取，则某些图像不会包含该瑕疵点，则就不会对边缘提取产生影响，最后叠加全部或人为选取效果较佳的部分边缘提取结果图，能得到比整体图像边缘提取更好的图像。
2、本发明解决计算机视觉领域图像预处理时原图像质量较差(过曝或低亮度)问题；本发明方法流程细化了不同透明度或不同灰度级下图像的像素点分布信息，极大增加了图像特征信息的丰富性，且将不同图层图像信息作为深度学习数据样本，可起到样本增强的效果。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明一种基于图像图层分割抽取的预处理方法流程图。
图2为本发明实施例中原图像a。
图3为本发明实施例中原图像a对应的灰度图像。
图4为本发明实施例中经步骤S31直方图处理后的图像。
图5为本发明实施例中经步骤S32滤波处理后的图像。
图6为本发明实施例中图层图像b8'。
图7为本发明实施例中图层图像b80'。
图8为本发明实施例中图层图像b160'。
图9为本发明实施例中图层图像b248'。
图10为本发明实施例中边缘图像b8”。
图11为本发明实施例中边缘图像b80”。
图12为本发明实施例中边缘图像b160”。
图13为本发明实施例中边缘图像b248”。
图14为本发明实施例中选取边缘图像(b18”～b25”)叠加后的图像。
图15为本发明实施例中选取边缘图像(b150”～b157”)叠加后的图像。
图16为将原图像a不做图层分割直接进行直方图、滤波、边缘提取操作而提取的结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的结构、电路、材料或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
在本发明的描述中，需要理解的是，术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。
实施例
如图1至图16所示，本发明一种基于图像图层分割抽取的预处理方法，所述的预处理方法包括以下步骤：
S1：获取原图像a(原图像a为灰度图像)，根据原图像a的参数，创建256张与所述原图像a相同分辨率的空白图像b，记作b0～b255；
S2：以图像透明度或图像灰度级为分割标准，分割图像图层，生成256个不同等级下的图层图像；
S3：采用边缘提取算法对步骤S2得到的每个不同等级下的图层图像进行边缘化处理，生成256个等级下每个图层图像的边缘图像；
S4：从步骤S3中得到的256个等级下每个图层图像的边缘图像中，选择质量好的边缘图像信息进行图像叠加，得到最佳边缘区域。
具体实施时，针对一张图像整体质量极暗的原图像，按照上述本发明方法的流程步骤，提取原图像中轮廓信息。如图1所示，具体实施如下：
一、使用相机采集原图像a，若原图像a为RGB图像，则先转换为灰度图；若原图像a为灰度图，直接使用即可。
二，获取原图像a(原图像a为处理后的灰度图像)，根据原图像a的参数，创建256张与所述原图像a相同分辨率的空白图像b，记作b0～b255。
三，以图像透明度或图像灰度级为分割标准，遍历计算步骤S1中原图像a中每个像素点的透明度或灰度等级，设置像素去除值起始值为0，其后依次递增，依次去除原图像a中透明度或灰度等级低于像素去除值的像素点，生成256个不同等级下的图层图像b0'～b255'。具体地：
首先，以图像透明度或图像灰度级为分割标准，首先遍历计算原图像a中每个像素点的透明度或灰度等级，去除0等级像素点，将剩下等级(1-255等级)像素点赋予步骤1中相应的空白图像b0，得到图层图像b0'；
其次，继续遍历计算原图像a中每个像素点的透明度或灰度等级，去除0～1等级像素点，将剩下等级(2-255等级)像素点赋予步骤1中相应的空白图像b1，得到图层图像b1'；
……
然后，同理步骤S21或步骤S22，直到遍历计算原图像a中每个像素点的透明度或灰度等级，去除0～255等级像素点，将无剩下等级的空白图像像素点赋予步骤1中相应的空白图像b255，得到空白图层图像b255'。
从而，得到去除0等级像素点，得到图层图像b0'；得到去除0～1等级像素点，得到图层图像b1'；……；得到去除0～254等级像素点，得到图层图像b254'；得到去除0～255等级像素点，得到图层图像b255'。
四，采用边缘提取算法(比如经过直方图、滤波、边缘算法操作(canny、sobel、laplacian等))对步骤三得到的每个不同等级下的图层图像(b0'～b255')进行边缘化处理，得到当前透明度或灰度等级下图像边缘分布区域，生成256个等级下每个图层图像的边缘图像(b0”～b255”)。具体地：
S31：将图层图像b0’经过直方图处理，增强b0’的对比度；
S32：将步骤S31所得到的图像进行滤波处理，包括中值滤波或均值滤波等，滤除图像中的噪声；
S33：将步骤S32所得到的图像经过边缘提取算法处理(其中边缘提取算法可以采用Canny、Sobel或Laplacian等)，得到在图层图像b0’中的多个边界曲线区域；
S34：重复执行步骤S31～S33，得到b0’～b255’的边界曲线区域(即边缘图像)。
五，针对原图像a不同成像质量，不同图层边缘分布质量也不同，可从256份边缘图像(b0”～b255”)提取结果中选取其中质量较好的边缘信息进行图像叠加，得到最佳边缘区域；
六，根据不同图层图像b0'～b255'透明度或灰度级递增变化趋势，可大致判断图像光源位置与光线辐射趋势方向：离光源越级，则透明度与灰度等级越高。
本发明方法实施时的原图像a如图2所示，原图像a对应的灰度图像如图3所示，经过本发明方法处理，经步骤S31直方图处理后的图像如图4所示，经步骤S32滤波处理后的图像如图5所示。在本发明方法预处理的过程中，图层图像b0'～b255'，列举出个别图层图像，其中，图层图像b8'如图6所示，图层图像b80'如图7所示，图层图像b160'如图8所示，图层图像b248'如图9所示；其对应地提取出的边缘图像b0”～b255”，同样列举出图层图像b8'、b80'、b160'、b248'对应的边缘图像，边缘图像b8”如图10所示，边缘图像b80”如图11所示，边缘图像b160”如图12所示，边缘图像b248”如图13所示；然后经过步骤S3的直方图、滤波等处理后，再可从256份边缘图像(b0”～b255”)提取结果中选取其中质量较好的边缘信息进行图像叠加，得到最佳边缘区域；比如选取边缘图像(b18”～b25”)叠加后的图像如图14所示；如图选取边缘图像(b150”～b157”)叠加后的图像如图15所示；
而若将原图像a不做图层分割直接进行直方图、滤波、边缘提取操作，则提取结果如图16所示。
因此，很明显地比较可得：使用本发明一种基于图像图层分割抽取的预处理方法进行图层分割后再进行边缘提取的图像效果更佳。
工作原理是：基于现有图像预处理方法很难解决计算机视觉领域图像预处理时原图像质量较差(过曝或低亮度)问题，且图像处理领域中的边缘提取方法基本上都以像素点的周围像素点作为判断是否为边缘的依据，若以整张图像一次性进行边缘提取，假设图像存在瑕疵点，则会影响边缘提取。而本发明考虑以不同灰度级别的图像分别边缘提取，则某些图像不会包含该瑕疵点，则就不会对边缘提取产生影响，最后叠加全部或人为选取效果较佳的部分边缘提取结果图，能得到比整体图像边缘提取更好的图像。具体地，本发明在获取图像时，以图片256个alpha通道数值(透明度)或256个灰度级数值(0～255)为标准，分别去除0、0～1、0～2，0～3…等透明度或灰度等级像素点，仅保留剩下透明度或灰度等级像素点，拆分原图像成相应图层，离光源最近则透明度与灰度等级越高，因此本发明可用于判断图像光源位置与照射辐射方向。对每张图层进行滤波、直方图、形态学、边缘提取等操作，获取不同图层的图像特征信息，最终可有选择的叠加部分或所有图层特征信息，即可得到基于原图准确完整的预处理效果。
本发明方法流程细化了不同透明度或不同灰度级下图像的像素点分布信息，极大增加了图像特征信息的丰富性，且将不同图层图像信息作为深度学习数据样本，可起到样本增强的效果。
本发明应用在计算机视觉中的图像预处理操作，可针对原图像(RGB图像，灰度图像)成像质量较差(过曝或昏暗)，完整提取图像特征属性；本发明可应用在图像边缘提取、图像光源追踪、深度学习样本增强等方面。
尤其，在深度学习样本增强方面，将原图像a拆分成256张不同灰度级或者透明度图像，因每张图像特征均属于原图像a，因此可以将这些作为深度学习样本，当图像存在瑕疵点，256张拆分图像中可能仅有某几张图像包含瑕疵点，在后续深度学下训练过程中，瑕疵点这一特征会被深度学习摒弃，得到样本增强的效果。
本发明的关键点在于提出使用原图像不同透明度或灰度级图像分别寻找边缘图像特征信息，再选取最佳的特征信息的边缘图像经过图像叠加等算法合成最佳的图像预处理效果；使用透明度或灰度级递增变化趋势判定原图像光源位置与光线辐射变化方向。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于图像图层分割抽取的预处理方法，其特征在于，所述的预处理方法包括以下步骤：
S1：获取原图像a，根据原图像a的参数，创建256张与所述原图像a相同分辨率的空白图像b，记作b0～b255；
S2：以图像透明度或图像灰度级为分割标准，分割图像图层，生成256个不同等级下的图层图像；
S3：采用边缘提取算法对步骤S2得到的每个不同等级下的图层图像进行边缘化处理，生成256个等级下每个图层图像的边缘图像；
S4：从步骤S3中得到的256个等级下每个图层图像的边缘图像中，选择质量好的边缘图像信息进行图像叠加，得到最佳边缘区域。
2.根据权利要求1所述的一种基于图像图层分割抽取的预处理方法，其特征在于，步骤S1的原图像a若为RGB图像，则将RGB图像转换成灰度图像。
3.根据权利要求1所述的一种基于图像图层分割抽取的预处理方法，其特征在于，步骤S1中的所述原图像a参数包括原图像的长、宽、类型。
4.根据权利要求1所述的一种基于图像图层分割抽取的预处理方法，其特征在于，步骤S2包括：
以图像透明度或图像灰度级为分割标准，遍历计算步骤S1中原图像a中每个像素点的透明度或灰度等级，设置像素去除值起始值为0，其后依次递增，依次去除原图像a中透明度或灰度等级低于像素去除值的像素点，生成256个不同等级下的图层图像。
5.根据权利要求4所述的一种基于图像图层分割抽取的预处理方法，其特征在于，步骤S2具体包括如下子步骤：
S21：以图像透明度或图像灰度级为分割标准，首先遍历计算原图像a中每个像素点的透明度或灰度等级，去除0等级像素点，将剩下的1～255等级像素点赋予步骤1中相应的空白图像b0，得到图层图像b0'；
S22：继续遍历计算原图像a中每个像素点的透明度或灰度等级，去除0～1等级像素点，将剩下的2～255等级像素点赋予步骤1中相应的空白图像b1，得到图层图像b1'；
S23：按照步骤S21或步骤S22执行下去，遍历计算原图像a中每个像素点的透明度或灰度等级，直到去除0～255等级像素点，将无剩下等级的空白图像像素点赋予步骤1中相应的空白图像b255，得到空白图层图像b255'。
6.根据权利要求1所述的一种基于图像图层分割抽取的预处理方法，其特征在于，步骤S3具体如下子步骤：
S31：将图层图像b0’经过直方图处理，增强b0’的对比度；
S32：将步骤S31所得到的图像进行滤波处理，包括中值滤波或均值滤波，滤除图像中的噪声；
S33：将步骤S32所得到的图像经过边缘提取算法处理，得到在图层图像b0’中的多个边界曲线区域；
S34：重复执行步骤S31～S33，得到b0’～b255’的边界曲线区域。
7.根据权利要求1所述的一种基于图像图层分割抽取的预处理方法，其特征在于，步骤S4中所述的选择质量好的边缘图像信息进行图像叠加，包括：
采用提取包含原图像a中轮廓信息的图层图像进行图像叠加或者直接叠加全部图层图像，生成轮廓特征信息。
8.根据权利要求1所述的一种基于图像图层分割抽取的预处理方法，其特征在于，所述的预处理方法应用于图像光源位置与光线辐射趋势方向的判断，具体根据不同图层图像的透明度或灰度级递增变化趋势进行判断：离光源越近，则透明度与灰度等级越高。
CN202010905325.XA 2020-09-01 2020-09-01 一种基于图像图层分割抽取的预处理方法 Active CN112132848B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010905325.XA CN112132848B (zh) 2020-09-01 2020-09-01 一种基于图像图层分割抽取的预处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010905325.XA CN112132848B (zh) 2020-09-01 2020-09-01 一种基于图像图层分割抽取的预处理方法

Publications (2)

Publication Number Publication Date
CN112132848A true CN112132848A (zh) 2020-12-25
CN112132848B CN112132848B (zh) 2023-06-06

Family

ID=73848726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010905325.XA Active CN112132848B (zh) 2020-09-01 2020-09-01 一种基于图像图层分割抽取的预处理方法

Country Status (1)

Country Link
CN (1) CN112132848B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359969A (zh) * 2022-01-12 2022-04-15 内蒙古农业大学 一种羊脸图像采集装置及图像识别方法
CN114663682A (zh) * 2022-03-18 2022-06-24 北京理工大学 一种提高抗干扰性能的目标显著性检测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101437169A (zh) * 2008-12-19 2009-05-20 深圳市迅雷网络技术有限公司 一种彩色图像黑白化的方法和装置
CN103164855A (zh) * 2013-02-26 2013-06-19 清华大学深圳研究生院 一种结合反射光照的贝叶斯决策前景提取方法
CN104050479A (zh) * 2014-06-03 2014-09-17 北京航天福道高技术股份有限公司 遥感图像中汽车阴影、车窗的干扰消除以及汽车识别方法
CN104318542A (zh) * 2014-11-20 2015-01-28 上海华力创通半导体有限公司 图像增强处理算法
CN106228138A (zh) * 2016-07-26 2016-12-14 国网重庆市电力公司电力科学研究院 一种融合区域和边缘信息的道路检测算法
CN107633491A (zh) * 2017-09-26 2018-01-26 中国科学院长春光学精密机械与物理研究所 一种基于目标检测的区域图像增强方法及存储介质
CN108062508A (zh) * 2017-10-13 2018-05-22 西安科技大学 变电站复杂背景红外图像中设备的提取方法
US20190066293A1 (en) * 2017-08-31 2019-02-28 Shenzhen United Imaging Healthcare Co., Ltd. System and method for image segmentation
CN110163219A (zh) * 2019-04-17 2019-08-23 安阳师范学院 基于图像边缘识别的目标检测方法
CN110853056A (zh) * 2019-10-31 2020-02-28 广州华多网络科技有限公司 图像分割信息的生成方法、装置、设备和存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101437169A (zh) * 2008-12-19 2009-05-20 深圳市迅雷网络技术有限公司 一种彩色图像黑白化的方法和装置
CN103164855A (zh) * 2013-02-26 2013-06-19 清华大学深圳研究生院 一种结合反射光照的贝叶斯决策前景提取方法
CN104050479A (zh) * 2014-06-03 2014-09-17 北京航天福道高技术股份有限公司 遥感图像中汽车阴影、车窗的干扰消除以及汽车识别方法
CN104318542A (zh) * 2014-11-20 2015-01-28 上海华力创通半导体有限公司 图像增强处理算法
CN106228138A (zh) * 2016-07-26 2016-12-14 国网重庆市电力公司电力科学研究院 一种融合区域和边缘信息的道路检测算法
US20190066293A1 (en) * 2017-08-31 2019-02-28 Shenzhen United Imaging Healthcare Co., Ltd. System and method for image segmentation
CN107633491A (zh) * 2017-09-26 2018-01-26 中国科学院长春光学精密机械与物理研究所 一种基于目标检测的区域图像增强方法及存储介质
CN108062508A (zh) * 2017-10-13 2018-05-22 西安科技大学 变电站复杂背景红外图像中设备的提取方法
CN110163219A (zh) * 2019-04-17 2019-08-23 安阳师范学院 基于图像边缘识别的目标检测方法
CN110853056A (zh) * 2019-10-31 2020-02-28 广州华多网络科技有限公司 图像分割信息的生成方法、装置、设备和存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
D. MARMANIS 等: "Classification with an edge: Improving semantic image segmentation with boundary detection", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》, vol. 135, pages 158 - 172, XP085305476, DOI: 10.1016/j.isprsjprs.2017.11.009 *
唐伟健 等: "细胞荧光断层图像的三维重建", 《长春理工大学学报》, vol. 42, no. 5, pages 27 - 31 *
李小翠: "图像特征和语义分析方法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2, pages 138 - 1369 *
熊芸: "基于边缘提取的图像检测与分割技术", 《信息科技辑》, no. 12, pages 136 - 132 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359969A (zh) * 2022-01-12 2022-04-15 内蒙古农业大学 一种羊脸图像采集装置及图像识别方法
CN114359969B (zh) * 2022-01-12 2023-04-07 内蒙古农业大学 一种羊脸图像采集装置及图像识别方法
CN114663682A (zh) * 2022-03-18 2022-06-24 北京理工大学 一种提高抗干扰性能的目标显著性检测方法

Also Published As

Publication number Publication date
CN112132848B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN111145209B (zh) 一种医学图像分割方法、装置、设备及存储介质
US20090290796A1 (en) Image processing apparatus and image processing method
CN109241973B (zh) 一种纹理背景下的字符全自动软分割方法
CN112132848B (zh) 一种基于图像图层分割抽取的预处理方法
Qian et al. Video background replacement without a blue screen
CN112330613B (zh) 一种细胞病理数字图像质量的评价方法及系统
CN111539980A (zh) 一种基于可见光的多目标追踪方法
CN112508024A (zh) 一种变压器电气铭牌钢印字体智能识别方法
CN113628141B (zh) 一种基于高低曝光图像融合的hdr细节增强方法
Chen et al. The adaptive fractional order differential model for image enhancement based on segmentation
CN107239761B (zh) 基于骨架角点检测的果树拉枝效果评价方法
CN112052859A (zh) 一种自由场景下的车牌精准定位方法及装置
CN112070771B (zh) 基于hs通道的自适应阈值分割方法、装置和存储介质
JPWO2002045021A1 (ja) エントロピーフィルタ及び該フィルタを用いた領域抽出法
CN108564534A (zh) 一种基于检索的图像对比度调整方法
CN110929681B (zh) 一种皱纹检测方法
CN114494288A (zh) 非小细胞肺癌h＆e染色图像多种组织分割方法、系统及存储介质
Phan et al. Improved shadow removal algorithm for vehicle classification in traffic surveillance system
CN116569207A (zh) 用于管理图像的伪影的方法和电子装置
CN112270683A (zh) 一种ihc数字预览图识别和组织前景分割方法及系统
Murugan et al. An improved u-net architecture for low light image enhancement for visibility improvement
JP3748248B2 (ja) 画像処理装置及び画像処理方法
Mishra et al. Modified hue over intensity ratio based method for shadow detection and removal in arial images
CN115273061B (zh) 一种基于主成分分析的图像内容层级提取方法及系统
Wu et al. Retinal vascular segmentation network with connectivity guidance

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