CN112614100A - 海洋浮游生物图像分割方法 - Google Patents

海洋浮游生物图像分割方法 Download PDF

Info

Publication number
CN112614100A
CN112614100A CN202011496079.3A CN202011496079A CN112614100A CN 112614100 A CN112614100 A CN 112614100A CN 202011496079 A CN202011496079 A CN 202011496079A CN 112614100 A CN112614100 A CN 112614100A
Authority
CN
China
Prior art keywords
image data
image
gradient
distinguishing
suppression
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.)
Pending
Application number
CN202011496079.3A
Other languages
English (en)
Inventor
刘文静
朱梅
王海博
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.)
Shandong EHualu Information Technology Co ltd
Original Assignee
Shandong EHualu Information 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 Shandong EHualu Information Technology Co ltd filed Critical Shandong EHualu Information Technology Co ltd
Priority to CN202011496079.3A priority Critical patent/CN112614100A/zh
Publication of CN112614100A publication Critical patent/CN112614100A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw 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
    • G06T5/70—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
    • G06T7/12—Edge-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
    • G06T7/13—Edge detection
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/30181—Earth observation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种海洋浮游生物图像分割方法。其中，该方法包括：获取第一图像数据；根据所述第一图像数据，计算所述第一图像数据的梯度幅值；对所述第一图像数据的梯度幅值进行非极大值抑制，得到第二图像数据；根据所述第二图像数据，区分图像的边缘。本发明解决了目前现有技术无法区分图像之间的边缘和伪边缘的技术问题。

Description

海洋浮游生物图像分割方法
技术领域
本发明涉及图像分割领域，具体而言，涉及一种海洋浮游生物图像分割方法。
背景技术
随着智能化水下拍摄设备的不断发展，人们对水下成像系统所成像的质量和智能化程度要求越来越高。目前，针对海洋水下浮游生物拍摄成像的设备在进行水下作业时，水下摄像头在水中成像图像数据通常为连续拍摄的方式进行连续成像并通过处理器对图像进行处理和识别。
但是，现有技术中的水下成像设备进行拍摄成像时,通常会对水下摄像头拍摄到的浮游生物图像进行直接显示和分析，而无法根据海洋水下拍摄到的浮游生物的图像进行分割和边缘识别，即无法区分图像与图像、图像之间的边缘和伪边缘。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种海洋浮游生物图像分割方法，以至少解决目前现有技术无法区分图像之间的边缘和伪边缘的技术问题。
根据本发明实施例的一个方面，提供了一种海洋浮游生物图像分割方法，包括：获取第一图像数据；根据所述第一图像数据，计算所述第一图像数据的梯度幅值；对所述第一图像数据的梯度幅值进行非极大值抑制，得到第二图像数据；根据所述第二图像数据，区分图像的边缘。
可选的，在获取第一图像数据之前，所述方法还包括：获取原始图像数据；对所述原始图像数据进行高斯平滑滤波处理，生成所述第一图像数据。
可选的，所述计算所述第一图像数据的梯度幅值包括：利用soble算子进行所述第一图像数据梯度幅值的计算。
可选的，所述对所述第一图像数据的梯度幅值进行非极大值抑制，得到第二图像数据包括：沿着所述第一图像梯度方向对幅值进行非极大值抑制；根据抑制结果，保留所述第一图像局部梯度值最大的点，生成所述第二图像数据。
可选的，所述区分图像的边缘包括：利用双阈值算法对所述第二图像的边缘和伪边缘进行区分。
根据本发明实施例的另一方面，还提供了一种海洋浮游生物图像分割装置，包括：获取模块，用于获取第一图像数据；梯度模块，用于根据所述第一图像数据，计算所述第一图像数据的梯度幅值；抑制模块，用于对所述第一图像数据的梯度幅值进行非极大值抑制，得到第二图像数据；区分模块，用于根据所述第二图像数据，区分图像的边缘。
可选的，所述装置还包括：获取模块，还用于获取原始图像数据；高斯模块，用于对所述原始图像数据进行高斯平滑滤波处理，生成所述第一图像数据。
可选的，所述梯度模块包括：计算单元，用于利用soble算子进行所述第一图像数据梯度幅值的计算。
可选的，所述抑制模块包括：抑制单元，用于沿着所述第一图像梯度方向对幅值进行非极大值抑制；生成单元，用于根据抑制结果，保留所述第一图像局部梯度值最大的点，生成所述第二图像数据。
可选的，所述区分图像的边缘包括：利用双阈值算法对所述第二图像的边缘和伪边缘进行区分。
在本发明实施例中，采用获取第一图像数据；根据所述第一图像数据，计算所述第一图像数据的梯度幅值；对所述第一图像数据的梯度幅值进行非极大值抑制，得到第二图像数据；根据所述第二图像数据，区分图像的边缘的方式，通过边缘算法，达到了区分图像数据的边缘与伪边缘的目的，进而解决了目前现有技术无法区分图像之间的边缘和伪边缘的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种海洋浮游生物图像分割方法的流程图；
图2是根据本发明实施例的一种海洋浮游生物图像分割装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种海洋浮游生物图像分割方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
图1是根据本发明实施例的一种海洋浮游生物图像分割方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取第一图像数据。
具体的，本发明实施例目的是根据一定的算法，将海洋水下摄像机设备通过摄像头获取的图像数据进行边缘和伪边缘区别处理，并在一系列的分析之后得到区别结果。首先，需要通过摄像头对周围环境进行拍摄，得到原始图像，该原始图像经过过滤处理后就是第一图像数据。
可选的，在获取第一图像数据之前，所述方法还包括：获取原始图像数据；对所述原始图像数据进行高斯平滑滤波处理，生成所述第一图像数据。
具体的，如上述所述的过程，通过水下摄像头获取了原始图像数据之后，通过高斯平滑滤波处理生成第一图像数据，其中，高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。[1]通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是：用一个模板(或称卷积、掩模)扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。图像大多数噪声均属于高斯噪声，因此高斯滤波器应用也较广泛。高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像去噪。可以简单地理解为，高斯滤波去噪就是对整幅图像像素值进行加权平均，针对每一个像素点的值，都由其本身值和邻域内的其他像素值经过加权平均后得到。
需要说明的是，高斯滤波的具体操作是：用一个用户指定的模板(或称卷积、掩膜)去扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
还需要说明的是，高斯滤波数学模型的建立实际上是滤波器的数学模型的建立，通过它来将图像数据进行能量转化，能量低的就排除掉，噪声属于低能量部分。编程运算的话就是一个模板运算，拿图像的八连通区域来说，中间点的像素值就等于八连通区的像素值的均值，这样达到平滑的效果。假如使用理想滤波器，则会在图像中产生振铃现象。如果采用高斯滤波器，系统函数为平滑的，避免了振铃现象。由于高斯函数的傅立叶变换仍是高斯函数，因此高斯函数能构成一个在频域具有平滑性能的低通滤波器。可以通过在频域做乘积来实现高斯滤波。均值滤波是对信号进行局部平均，以平均值来代表该像素点的灰度值。矩形滤波器(Averaging Box Filter)对这个二维矢量的每一个分量进行独立的平滑处理。通过计算和转化，得到一幅单位矢量图。这个512×512的矢量图被划分成一个8×8的小区域，再在每一个小区域中，统计这个区域内的主要方向，亦即将对该区域内点方向数进行统计，最多的方向作为区域的主方向。于是就得到了一个新的64×64的矢量图。这个新的矢量图还可以采用一个3×3模板进行进一步的平滑。
步骤S104，根据所述第一图像数据，计算所述第一图像数据的梯度幅值。
可选的，所述计算所述第一图像数据的梯度幅值包括：利用soble算子进行所述第一图像数据梯度幅值的计算。
具体的，图像中的边缘可以指向各个方向，因此Canny算法使用四个算子来检测图像中的水平、垂直和对角边缘。边缘检测的算子(如Roberts，Prewitt，Sobel等)返回水平Gx和垂直Gy方向的一阶导数值，由此便可以确定像素点的梯度G和方向theta。
Figure BDA0002842194130000041
其中G为梯度强度，theta表示梯度方向，arctan为反正切函数。下面以Sobel算子为例讲述如何计算梯度强度和方向。
x和y方向的Sobel算子分别为：
Figure BDA0002842194130000051
其中Sx表示x方向的Sobel算子，用于检测y方向的边缘；Sy表示y方向的Sobel算子，用于检测x方向的边缘(边缘方向和梯度方向垂直)。
若一个3x3的窗口为A，要计算梯度的像素点为e，则和Sobel算子进行卷积之后，像素点e在x和y方向的梯度值分别为：
Figure BDA0002842194130000052
Figure BDA0002842194130000053
其中*为卷积符号，sum表示矩阵中所有元素相加求和。根据公式(3-2)便可以计算出像素点e的梯度和方向。
步骤S106，对所述第一图像数据的梯度幅值进行非极大值抑制，得到第二图像数据。
可选的，所述对所述第一图像数据的梯度幅值进行非极大值抑制，得到第二图像数据包括：沿着所述第一图像梯度方向对幅值进行非极大值抑制；根据抑制结果，保留所述第一图像局部梯度值最大的点，生成所述第二图像数据。
具体的，为了对第一图像数据进行分析和判断边缘，需要对第一图像进行非极大值抑制，其中，非极大值抑制是一种边缘稀疏技术，非极大值抑制的作用在于“瘦”边。对图像进行梯度计算后，仅仅基于梯度值提取的边缘仍然很模糊。
非极大值抑制的伪代码描写如下：
Figure BDA0002842194130000061
需要注意的是，如何标志方向并不重要，重要的是梯度方向的计算要和梯度算子的选取保持一致。
步骤S108，根据所述第二图像数据，区分图像的边缘。
可选的，所述区分图像的边缘包括：利用双阈值算法对所述第二图像的边缘和伪边缘进行区分。
具体的，在施加非极大值抑制之后，剩余的像素可以更准确地表示图像中的实际边缘。然而，仍然存在由于噪声和颜色变化引起的一些边缘像素。为了解决这些杂散响应，必须用弱梯度值过滤边缘像素，并保留具有高梯度值的边缘像素，可以通过选择高低阈值来实现。如果边缘像素的梯度值高于高阈值，则将其标记为强边缘像素；如果边缘像素的梯度值小于高阈值并且大于低阈值，则将其标记为弱边缘像素；如果边缘像素的梯度值小于低阈值，则会被抑制。阈值的选择取决于给定输入图像的内容。
双阈值检测的伪代码描写如下：
Figure BDA0002842194130000062
通过上述步骤，可以实现对图像中的边缘进行识别和区分的技术效果。
实施例二
图2是根据本发明实施例的一种海洋浮游生物图像分割装置的结构框图，如图2所示，该装置包括如下步骤：
获取模块20，用于获取第一图像数据。
具体的，本发明实施例目的是根据一定的算法，将海洋水下摄像机设备通过摄像头获取的图像数据进行边缘和伪边缘区别处理，并在一系列的分析之后得到区别结果。首先，需要通过摄像头对周围环境进行拍摄，得到原始图像，该原始图像经过过滤处理后就是第一图像数据。
可选的，所述装置还包括：获取模块，还用于获取原始图像数据；高斯模块，用于对所述原始图像数据进行高斯平滑滤波处理，生成所述第一图像数据。
具体的，如上述所述的过程，通过水下摄像头获取了原始图像数据之后，通过高斯平滑滤波处理生成第一图像数据，其中，高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。[1]通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是：用一个模板(或称卷积、掩模)扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。图像大多数噪声均属于高斯噪声，因此高斯滤波器应用也较广泛。高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像去噪。可以简单地理解为，高斯滤波去噪就是对整幅图像像素值进行加权平均，针对每一个像素点的值，都由其本身值和邻域内的其他像素值经过加权平均后得到。
需要说明的是，高斯滤波的具体操作是：用一个用户指定的模板(或称卷积、掩膜)去扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
还需要说明的是，高斯滤波数学模型的建立实际上是滤波器的数学模型的建立，通过它来将图像数据进行能量转化，能量低的就排除掉，噪声属于低能量部分。编程运算的话就是一个模板运算，拿图像的八连通区域来说，中间点的像素值就等于八连通区的像素值的均值，这样达到平滑的效果。假如使用理想滤波器，则会在图像中产生振铃现象。如果采用高斯滤波器，系统函数为平滑的，避免了振铃现象。由于高斯函数的傅立叶变换仍是高斯函数，因此高斯函数能构成一个在频域具有平滑性能的低通滤波器。可以通过在频域做乘积来实现高斯滤波。均值滤波是对信号进行局部平均，以平均值来代表该像素点的灰度值。矩形滤波器(Averaging Box Filter)对这个二维矢量的每一个分量进行独立的平滑处理。通过计算和转化，得到一幅单位矢量图。这个512×512的矢量图被划分成一个8×8的小区域，再在每一个小区域中，统计这个区域内的主要方向，亦即将对该区域内点方向数进行统计，最多的方向作为区域的主方向。于是就得到了一个新的64×64的矢量图。这个新的矢量图还可以采用一个3×3模板进行进一步的平滑。
梯度模块22，用于根据所述第一图像数据，计算所述第一图像数据的梯度幅值。
可选的，所述梯度模块包括：计算单元，用于利用soble算子进行所述第一图像数据梯度幅值的计算。
具体的，图像中的边缘可以指向各个方向，因此Canny算法使用四个算子来检测图像中的水平、垂直和对角边缘。边缘检测的算子(如Roberts，Prewitt，Sobel等)返回水平Gx和垂直Gy方向的一阶导数值，由此便可以确定像素点的梯度G和方向theta。
Figure BDA0002842194130000081
其中G为梯度强度，theta表示梯度方向，arctan为反正切函数。下面以Sobel算子为例讲述如何计算梯度强度和方向。
x和y方向的Sobel算子分别为：
Figure BDA0002842194130000082
其中Sx表示x方向的Sobel算子，用于检测y方向的边缘；Sy表示y方向的Sobel算子，用于检测x方向的边缘(边缘方向和梯度方向垂直)。
若一个3x3的窗口为A，要计算梯度的像素点为e，则和Sobel算子进行卷积之后，像素点e在x和y方向的梯度值分别为：
Figure BDA0002842194130000083
Figure BDA0002842194130000084
其中*为卷积符号，sum表示矩阵中所有元素相加求和。根据公式(3-2)便可以计算出像素点e的梯度和方向。
抑制模块24，用于对所述第一图像数据的梯度幅值进行非极大值抑制，得到第二图像数据。
可选的，所述对所述第一图像数据的梯度幅值进行非极大值抑制，得到第二图像数据包括：沿着所述第一图像梯度方向对幅值进行非极大值抑制；根据抑制结果，保留所述第一图像局部梯度值最大的点，生成所述第二图像数据。
具体的，为了对第一图像数据进行分析和判断边缘，需要对第一图像进行非极大值抑制，其中，非极大值抑制是一种边缘稀疏技术，非极大值抑制的作用在于“瘦”边。对图像进行梯度计算后，仅仅基于梯度值提取的边缘仍然很模糊。
非极大值抑制的伪代码描写如下：
Figure BDA0002842194130000091
需要注意的是，如何标志方向并不重要，重要的是梯度方向的计算要和梯度算子的选取保持一致。
区分模块26，用于根据所述第二图像数据，区分图像的边缘。
可选的，所述区分图像的边缘包括：利用双阈值算法对所述第二图像的边缘和伪边缘进行区分。
具体的，在施加非极大值抑制之后，剩余的像素可以更准确地表示图像中的实际边缘。然而，仍然存在由于噪声和颜色变化引起的一些边缘像素。为了解决这些杂散响应，必须用弱梯度值过滤边缘像素，并保留具有高梯度值的边缘像素，可以通过选择高低阈值来实现。如果边缘像素的梯度值高于高阈值，则将其标记为强边缘像素；如果边缘像素的梯度值小于高阈值并且大于低阈值，则将其标记为弱边缘像素；如果边缘像素的梯度值小于低阈值，则会被抑制。阈值的选择取决于给定输入图像的内容。
双阈值检测的伪代码描写如下：
Figure BDA0002842194130000101
通过上述步骤，可以实现对图像中的边缘进行识别和区分的技术效果。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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，可以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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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。
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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述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全部或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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种海洋浮游生物图像分割方法，其特征在于，包括：
获取第一图像数据；
根据所述第一图像数据，计算所述第一图像数据的梯度幅值；
对所述第一图像数据的梯度幅值进行非极大值抑制，得到第二图像数据；
根据所述第二图像数据，区分图像的边缘。
2.根据权利要求1所述的方法，其特征在于，在获取第一图像数据之前，所述方法还包括：
获取原始图像数据；
对所述原始图像数据进行高斯平滑滤波处理，生成所述第一图像数据。
3.根据权利要求1所述的方法，其特征在于，所述计算所述第一图像数据的梯度幅值包括：利用soble算子进行所述第一图像数据梯度幅值的计算。
4.根据权利要求1所述的方法，其特征在于，所述对所述第一图像数据的梯度幅值进行非极大值抑制，得到第二图像数据包括：
沿着所述第一图像梯度方向对幅值进行非极大值抑制；
根据抑制结果，保留所述第一图像局部梯度值最大的点，生成所述第二图像数据。
5.根据权利要求1所述的方法，其特征在于，所述区分图像的边缘包括：
利用双阈值算法对所述第二图像的边缘和伪边缘进行区分。
6.一种海洋浮游生物图像分割装置，其特征在于，包括：
获取模块，用于获取第一图像数据；
梯度模块，用于根据所述第一图像数据，计算所述第一图像数据的梯度幅值；
抑制模块，用于对所述第一图像数据的梯度幅值进行非极大值抑制，得到第二图像数据；
区分模块，用于根据所述第二图像数据，区分图像的边缘。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
获取模块，还用于获取原始图像数据；
高斯模块，用于对所述原始图像数据进行高斯平滑滤波处理，生成所述第一图像数据。
8.根据权利要求6所述的装置，其特征在于，所述梯度模块包括：计算单元，用于利用soble算子进行所述第一图像数据梯度幅值的计算。
9.根据权利要求6所述的装置，其特征在于，所述抑制模块包括：
抑制单元，用于沿着所述第一图像梯度方向对幅值进行非极大值抑制；
生成单元，用于根据抑制结果，保留所述第一图像局部梯度值最大的点，生成所述第二图像数据。
10.根据权利要求6所述的装置，其特征在于，所述区分图像的边缘包括：
利用双阈值算法对所述第二图像的边缘和伪边缘进行区分。
CN202011496079.3A 2020-12-17 2020-12-17 海洋浮游生物图像分割方法 Pending CN112614100A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011496079.3A CN112614100A (zh) 2020-12-17 2020-12-17 海洋浮游生物图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011496079.3A CN112614100A (zh) 2020-12-17 2020-12-17 海洋浮游生物图像分割方法

Publications (1)

Publication Number Publication Date
CN112614100A true CN112614100A (zh) 2021-04-06

Family

ID=75240976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011496079.3A Pending CN112614100A (zh) 2020-12-17 2020-12-17 海洋浮游生物图像分割方法

Country Status (1)

Country Link
CN (1) CN112614100A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023065505A1 (zh) * 2021-10-18 2023-04-27 深圳先进技术研究院 一种浮游生物原位观测的图像预处理方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023065505A1 (zh) * 2021-10-18 2023-04-27 深圳先进技术研究院 一种浮游生物原位观测的图像预处理方法及系统

Similar Documents

Publication Publication Date Title
CN110766679B (zh) 镜头脏污检测方法、装置及终端设备
CN111080661B (zh) 基于图像的直线检测方法、装置以及电子设备
CN107220988B (zh) 基于改进canny算子的零部件图像边缘提取方法
Saha et al. Mutual spectral residual approach for multifocus image fusion
Salmon et al. From patches to pixels in non-local methods: Weighted-average reprojection
Paunwala et al. A novel multiple license plate extraction technique for complex background in Indian traffic conditions
CN109903302A (zh) 一种用于拼接图像的篡改检测方法
WO2014070273A1 (en) Recursive conditional means image denoising
CN110717922A (zh) 一种图像清晰度评价方法及装置
KR100601453B1 (ko) 지문 인식 방법
Deshpande et al. A novel modified cepstral based technique for blind estimation of motion blur
Pham Kriging-weighted laplacian kernels for grayscale image sharpening
CN112614100A (zh) 海洋浮游生物图像分割方法
CN112884662A (zh) 基于飞行器航拍图像的三维数字地图图像处理方法
Jose et al. Bilateral edge detectors
CN111598794A (zh) 一种去除水下重叠情况的图像成像方法及装置
CN111311610A (zh) 图像分割的方法及终端设备
Ahn et al. Segmenting a noisy low-depth-of-field image using adaptive second-order statistics
CN114693543B (zh) 图像降噪方法及装置、图像处理芯片、图像采集设备
CN116342519A (zh) 一种基于机器学习的图像处理方法
CN116342656A (zh) 一种基于自适应边缘检测的时空图像测速方法和装置
Brannock et al. A synopsis of recentwork in edge detection using the DWT
CN113592801A (zh) 视频图像的条纹干扰检测方法及其装置
CN114596210A (zh) 噪声估计方法、装置、终端设备及计算机可读存储介质
Liu et al. Infrared ship target image smoothing based on adaptive mean shift

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication