CN112884797A - 一种图像的背景去除方法、装置及电子设备 - Google Patents

Abstract

本发明公开了一种图像的背景去除方法、装置及电子设备，所述方法包括：基于热轧钢卷的端面图像，从预先建立的图像模板库中调取模板图像作为当前模板图像，并执行以下匹配识别步骤：将当前模板图像与端面图像进行叠加处理，得到叠加图像，其中，图像模板库中存储有多个基于所述热轧钢卷的样本端面图像得到的模板图像，每个模板图像均包括图像去除区域，端面图像中与当前模板图像的图像去除区域叠加的部分图像被去除，剩余图像被保留到叠加图像中；将叠加图像输入预先训练的匹配模型，确定当前模板图像与端面图像是否匹配，若匹配，则将叠加图像作为去除背景后的目标端面图像。

Description

一种图像的背景去除方法、装置及电子设备

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像的背景去除方法、装置及电子设备。

背景技术

热轧钢卷端面质量是热连轧卷取区域最重要的质量指标，带钢卷取过程中，存在着边损、折叠、花边纹等质量问题，若不及时发现并处理，会造成较大质量异议损失。检测过程中，无论是几何、尺寸、边缘缺陷、还是纹理缺陷，首先均要分离钢卷识别目标区域与背景区域，再对缺陷目标进行定位、分类以及识别。例如，图1所示为一种具有边损缺陷的钢卷端面图像，图2为正常钢卷端面图像。

由于钢卷图像是现场在线拍摄，故获取的钢卷图像背影复杂，常规基于一阶(Roberts、Sobel、Prewite、Kirsch、Robinson算子)、二阶(Laplacian、Canny、Marr-Hildreth算子)的边缘提取方法，以及自适应的基于阈值、梯度、区域的图形分割方法均不能有效的获取理想的分割区域图像。因此，亟需要一种能够应用于热轧板材生产线钢卷质量在线检测的图像背景去除方法，以实现较准确地去除钢卷端面图像背景。

发明内容

本申请实施例提供了一种图像的背景去除方法、装置及电子设备，能够较准确地对热轧钢卷端面图像的背景进行去除，得到目标端面图像，从而有利于更准确地发现钢卷端面存在的缺陷，实现对缺陷问题的及时处理。

第一方面，本发明通过本发明的一实施例提供如下技术方案：

一种图像的背景去除方法，所述方法包括：

基于热轧钢卷的端面图像，从预先建立的图像模板库中调取模板图像作为当前模板图像，并执行以下匹配识别步骤：将所述当前模板图像与所述端面图像进行叠加处理，得到叠加图像，其中，所述图像模板库中存储有多个基于所述热轧钢卷的样本端面图像得到的模板图像，每个模板图像均包括图像去除区域，所述端面图像中与所述当前模板图像的图像去除区域叠加的部分图像被去除，剩余图像被保留到所述叠加图像中；将所述叠加图像输入预先训练的匹配模型，确定所述当前模板图像与所述端面图像是否匹配，若匹配，则将所述叠加图像作为去除背景后的目标端面图像；若不匹配，则从所述图像模板库中调取另一模板图像作为当前模板图像，重新执行所述匹配识别步骤，直到得到所述目标端面图像。

优选地，所述匹配模型是按照以下步骤训练得到的：获取样本数据，所述样本数据包括：第一图像集和第二图像集，所述第一图像集包括多个由相互匹配的端面图像和模板图像叠加得到的图像，所述第二图像集包括多个由不匹配的端面图像和模板图像叠加得到的图像；基于所述样本数据，对预先构建的初始深度学习模型进行训练，得到所述匹配模型。

优选地，所述获取样本数据，包括：获取多个样本端面图像，并基于每个样本端面图像分别生成模板图像；将所述多个样本端面图像与生成的多个模板图像进行交叉组合的叠加处理，得到所述第一图像集和所述第二图像集。

优选地，所述从预先建立的图像模板库中调取模板图像作为当前模板图像之前，还包括：获取样本端面图像，并基于预设的第一选区尺寸，对所述样本端面图像进行清晰度分析，将所述样本端面图像分成第一区域、第二区域和第三区域，其中，所述第一区域的清晰度大于所述第二区域的清晰度，所述第二区域的清晰度大于所述第三区域的清晰度；基于预设的第二选区尺寸，确定所述第二区域是否满足预设清晰度条件；若否，则基于所述第二选区尺寸对所述第二区域进行清晰度分析，更新所述第一区域、第二区域以及第三区域，直至更新后的第二区域满足所述预设清晰度条件，其中，所述第二选区尺寸小于所述第一选区尺寸；若是，将所述第三区域作为背景区域，基于所述背景区域生成所述样本端面图像对应的模板图像；将所述模板图像添加到预设的图像模板库中。

优选地，所述基于预设的第一选区尺寸，对所述样本端面图像进行清晰度分析，将所述样本端面图像分成第一区域、第二区域和第三区域，包括：基于所述第一选区尺寸将所述样本端面图像划分为多个子图像；针对每个子图像，对所述子图像进行频谱分析，得到所述子图像对应的频谱能量分布曲线，并基于所述频谱能量分布曲线，得到所述子图像的清晰度；基于所述每个子图像的清晰度，将所述样本端面图像分成所述第一区域、第二区域和第三区域。

优选地，所述第一预设选区尺寸基于以下步骤确定：从预设的选区尺寸列表中选取一个选区尺寸作为目标选区尺寸，其中，所述选区尺寸列表包括尺寸由大到小排序的多个选区尺寸；基于目标选区尺寸，对所述样本端面图像进行频谱分析，得到所述样本端面图像的清晰度，并判断所述样本端面图像的清晰度是否超过预设阈值；若是，则将所述目标选区尺寸作为所述第一预设选区尺寸；若否，则将所述选区尺寸列表中排在下一位的选区尺寸作为目标选区尺寸，重复执行所述基于目标选区尺寸，对所述样本端面图像进行频谱分析，得到所述样本端面图像的清晰度，并判断所述样本端面图像的清晰度是否超过预设阈值的步骤，直至确定出所述第一预设选区尺寸。

第二方面，本发明通过本发明的一实施例提供如下技术方案：

一种图像的背景去除方法，所述方法包括：

基于预设的第一选区尺寸，对热轧钢卷的端面图像进行清晰度分析，将所述端面图像分成第一区域、第二区域和第三区域，其中，所述第一区域的清晰度大于所述第二区域的清晰度，所述第二区域的清晰度大于所述第三区域的清晰度；基于预设的第二选区尺寸，确定所述第二区域是否满足预设清晰度条件；若否，则基于所述第二选区尺寸对所述第二区域进行清晰度分析，更新所述第一区域、第二区域以及第三区域，直至更新后的第二区域满足所述预设清晰度条件，其中，所述第二选区尺寸小于所述第一选区尺寸；若是，则将所述端面图像中的所述第三区域作为背景区域进行去除处理，得到处理后目标端面图像。

第三方面，本发明通过本发明的一实施例，提供如下技术方案：

一种图像的背景去除装置，所述装置包括：

模板调取模块，用于基于热轧钢卷的端面图像，从预先建立的图像模板库中调取模板图像作为当前模板图像，其中，所述图像模板库中存储有多个基于所述热轧钢卷的样本端面图像得到的模板图像，每个模板图像均包括图像去除区域；

叠加处理模块，用于将所述当前模板图像与所述端面图像进行叠加处理，得到叠加图像，其中，所述端面图像中与所述当前模板图像的图像去除区域叠加的部分图像被去除，剩余图像被保留到所述叠加图像中；

匹配确定模块，用于将所述叠加图像输入预先训练的匹配模型，确定所述当前模板图像与所述端面图像是否匹配，若匹配，则将所述叠加图像作为去除背景后的目标端面图像；

第四方面，本发明通过本发明的一实施例，提供如下技术方案：

一种图像的背景去除装置，所述装置包括：

清晰度分析模块，用于基于预设的第一选区尺寸，对热轧钢卷的端面图像进行清晰度分析，将所述端面图像分成第一区域、第二区域和第三区域，其中，所述第一区域的清晰度大于所述第二区域的清晰度，所述第二区域的清晰度大于所述第三区域的清晰度；

条件确定模块，用于基于预设的第二选区尺寸，确定所述第二区域是否满足预设清晰度条件；

若否，则基于所述第二选区尺寸对所述第二区域进行清晰度分析，更新所述第一区域、第二区域以及第三区域，直至更新后的第二区域满足所述预设清晰度条件，其中，所述第二选区尺寸小于所述第一选区尺寸；

若是，则将所述端面图像中的所述第三区域作为背景区域进行去除处理，得到处理后目标端面图像。

第五方面，本发明通过本发明的一实施例，提供如下技术方案：

一种电子设备，所述电子设备包括存储器和处理器，所述存储器耦接到所述处理器，所述存储器存储指令，当所述指令由所述处理器执行时，使所述电子设备执行第一方面中任一项所述方法的步骤。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本发明实施例提供的图像的背景去除方法、装置及电子设备，通过调取预先建立的图像模板库中的模板图像作为当前模板图像，与热轧钢卷的端面图像进行叠加处理，得到叠加图像；然后，将该叠加图像输入预先训练的匹配模型，来确定当前模板图像与端面图像是否匹配，若匹配，则将叠加图像作为去除背景后的目标端面图像。由于上述处理过程中，图像模板库中存储的模板图像是基于热轧钢卷的样本端面图像得到的，通过从中选取匹配的模板图像对待处理端面图像进行叠加处理，即将端面图像中与模板图像的图像去除区域叠加的区域作为背景去除，剩余区域保留，能够充分适应钢卷图像现场在线拍摄导致的复杂背景，较准确地对热轧钢卷端面图像的背景进行去除，从而有利于更准确地发现钢卷端面存在的缺陷，实现对缺陷问题的及时处理。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明实施例提供的一种示例性缺陷钢卷端面图像的示意图；

图2为本发明实施例提供的一种示例性正常钢卷端面图像的示意图；

图3为本发明实施例提供的一种示例性图像清晰度与位置关系的示意图；

图4为本发明实施例提供的一种图像的背景去除方法的流程图；

图5为本发明实施例提供的一种示例性选区尺寸与图形清晰度的关系示意图；

图6为本发明实施例提供的一种示例性对第二区域进行清晰度分析的示意图；

图7为本发明实施例提供的一种示例性对端面图像进行叠加处理的示意图；

图8为本发明实施例提供的一种示例性样本数据生成的示意图；

图9为本发明实施例提供的一种示例性目标端面图像的示意图；

图10为本发明实施例提供的一种示例性端面图像的背景去除的流程示意图；

图11为本发明实施例提供的另一种图像的背景去除方法的流程图；

图12为本发明实施例提供的一种图像的背景去除装置的结构示意图；

图13为本发明实施例提供的另一种图像的背景去除装置的结构示意图；

图14为本发明实施例提供的电子设备的结构示意图。

具体实施方式

本申请发明人针对钢卷端面图像的特点进行了一定地研究，发现由于目前的现场钢卷端面图像采集系统一般是采用定焦镜头来采集图像，其图像采集焦平面在钢卷端面附近，因此，钢卷端面的图像较清晰，而背景图像相比于钢卷端面图像较模糊。且由于完整钢卷端面图像背景的清晰度，会因周围环境的不同而存在差异，而一般的完整钢卷端面图像中，采集到的背景环境较广泛，就很容易因为环境的影响而使背景的清晰度不同。举例来讲，在线采集钢卷端面图像的方式可以为：先将完整的钢卷端面分成四个区域(假设以钢卷端面的中心点为原点建立直角坐标系，可以基于两个坐标轴将钢卷端面均分为四个区域)；然后基于所划分的四个区域的位置坐标，分别在每一区域处布置摄像头，来采集对应区域的钢卷端面图像；再将四个区域的端面图像进行拼接，得到完整钢卷端面图像。这样就可以分别对每个区域的端面图像进行背景去除以及缺陷定位处理，有利于减小背景复杂度，从而缩小因背景环境不同而对背景清晰度造成的影响。

另外，申请人还发现钢卷端面图像靠近图像的中心处较清晰，四角(远离中心)较模糊，钢卷端面图像的边缘较清晰，靠近钢卷中心处较模糊，如3所示。

因此，基于钢卷端面图像的这些特点，本申请实施例提供一种图像的背景去除方法、装置及电子设备，能够较准确地对热轧钢卷端面图像的背景进行去除，得到目标端面图像，从而有利于更准确地发现钢卷端面存在的缺陷，实现对缺陷问题的及时处理。

本申请实施例的技术方案为解决上述技术问题，总体思路如下：

基于热轧钢卷的端面图像，从预先建立的图像模板库中调取模板图像作为当前模板图像，并执行以下匹配识别步骤：将当前模板图像与端面图像进行叠加处理，得到叠加图像，其中，图像模板库中存储有多个基于热轧钢卷的样本端面图像得到的模板图像，每个模板图像均包括图像去除区域，端面图像中与当前模板图像的图像去除区域叠加的部分图像被去除，剩余图像被保留到叠加图像中；将叠加图像输入预先训练的匹配模型，确定当前模板图像与端面图像是否匹配，若匹配，则将叠加图像作为去除背景后的目标端面图像；若不匹配，则从图像模板库中调取另一模板图像作为当前模板图像，重新执行匹配识别步骤，直到得到目标端面图像。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

第一方面，本发明实施例提供的一种图像的背景去除方法。具体来讲，如图4所示，所述方法包括以下步骤S101至步骤S103。

步骤S101，基于热轧钢卷的端面图像，从预先建立的图像模板库中调取模板图像作为当前模板图像；其中，图像模板库中存储有多个基于所述热轧钢卷的样本端面图像得到的模板图像。

作为一种实施方式，这里的热轧钢卷的端面图像即为待处理的端面图像，例如，可以是采用上述钢卷端面图像采集方式采集的任意一个区域的端面图像。在通过摄像头获取到端面图像后，可以通过本实施例提供的背景去除方法，对该端面图像进行处理，得到去除背景后的目标端面图像。

在通过摄像头获取到待处理的端面图像后，则基于该端面图像，从预先建立的图像模板库中调取模板图像作为当前模板图像，进而以当前模板图像，执行以下步骤S102至步骤S103所述的匹配识别步骤。

可以理解的是，在执行步骤S101之间，需要先构建图像模板库，其中存储有多个基于热轧钢卷的样本端面图像得到的模板图像。

为了方便对模板图像的管理以及更准确地对不同区域的图像进行清晰度分析，可以将不同的区域的图像设置于不同的图像模板库，从而使待处理的端面图像能在对应区域的图像模板库中进行匹配，其中，不同区域图像的清晰度判定模式由于区域位置的不同而存在差异。进一步地，为了实现图像的快速匹配，端面图像可以通过预先构建的参考分区模块，生成第一区域和第二区域，其中，第一区域为清晰区域，第二区域为模糊区域。根据清晰区域与模糊区域的位置，可以明确该端面图像对应的区域位置，即能够明确对应的图像模板库。需要说明的是，预先构建的参考分区模块可以依靠实验图像进行建立，使得所述参考分区模块中通过实验图像得到多种参考分区(多种包含清晰区域与模糊区域的分区模板图像)。

在一种可选的实施例中，可以通过基于清晰度的选区分割方式生成热轧钢卷端面图像对应的模板图像，具体过程可以包括：获取样本端面图像，并基于预设的第一选区尺寸，对样本端面图像进行清晰度分析，将样本端面图像分成第一区域、第二区域和第三区域，其中，第一区域的清晰度大于第二区域的清晰度，第二区域的清晰度大于第三区域的清晰度；基于预设的第二选区尺寸，确定第二区域是否满足预设清晰度条件；若否，则基于第二选区尺寸对第二区域进行清晰度分析，更新第一区域、第二区域以及第三区域，直至更新后的第二区域满足预设清晰度条件，其中，第二选区尺寸小于第一选区尺寸；若是，将第三区域作为背景区域，基于背景区域生成样本端面图像对应的模板图像；将模板图像添加到预设的图像模板库中其中，样本端面图像是指其中一个区域上的热轧钢卷的端面图像。

具体地，在机器视觉中关于图像是否清晰，一般是判断区域内的图像是否有较清晰的边界或梯度等，而这种处理跟选择的图形像素区域大小直接相关，即选区尺寸大小，它表示了想要选择多大的像素区域对待处理的端面图像进行分析。其中，图5采用了256×256，128×128，64×64，32×32，16×16五种像素尺寸，来进行图像清晰度的分析。可以发现，清晰度高的部分偏白，清晰度低的部分偏黑，又结合图中序号1至5对应的图像示例可以看出，选区尺寸较大时较易区分钢卷与背景，但分界处细节不清晰，而当选取的分析区域逐渐变小时，钢卷的细节(边缘)越容易突显，但背景确不容易区分。因此，想要判定图像的清晰度，合适的选区尺寸尤为重要。

在本实施例中，预设的第一选区尺寸是指用于对热轧钢卷的端面图像进行清晰度分析所采用的合适的选区尺寸大小，该尺寸大小可以是256×256，128×128，64×64，32×32，16×16等等。另外，基于背景区域，生成样本端面图像对应的模板图像的过程可以为：在将第三区域作为背景区域后，将背景区域以外的图像区域的，相应像素坐标处像素点的灰度值设置为0，而背景区域统一设置为灰度值255(白色)。这样，使得与模板图像进行叠加的端面图像对应的背景区域，将被灰度值为255的图像填充。

在一种可选的实施例中，可以基于预设的第一选区尺寸，对样本端面图像进行清晰度分析，将样本端面图像分成第一区域、第二区域和第三区域，包括：基于第一选区尺寸将样本端面图像划分为多个子图像；针对每个子图像，对子图像进行频谱分析，得到子图像对应的频谱能量分布曲线，并基于频谱能量分布曲线，得到子图像的清晰度；基于每个子图像的清晰度，将样本端面图像分成第一区域、第二区域和第三区域。从而得到更准确的清晰度分析结果。

具体地，基于每个子图像的清晰度，将样本端面图像分区域的过程可以是，根据子图像中清晰度情况的具体分布，再结合样本端面图像所处的区域位置，来判定出样本端面图像中的目标端面图像和背景区域。举例来说，可以将得到的每个子图像的清晰度值与周围子图像的清晰度值进行比较，当比较的差距较小时，将子图像与周围子图像标记为一个区域，当差距值较大时，标记为不同区域，以此方法进行区域的划分，将样本端面图像分成清晰区域、过渡区域和模糊区域。

在一种可选的实施例中，第一预设选区尺寸可以基于以下步骤确定：先从预设的选区尺寸列表中选取一个选区尺寸作为目标选区尺寸，其中，选区尺寸列表包括尺寸由大到小排序的多个选区尺寸；基于目标选区尺寸，对样本端面图像进行频谱分析，得到样本端面图像的清晰度，并判断样本端面图像的清晰度是否超过预设阈值；若是，则将目标选区尺寸作为第一预设选区尺寸；若否，则将选区尺寸列表中排在下一位的选区尺寸作为目标选区尺寸，重复执行基于目标选区尺寸，对样本端面图像进行频谱分析，得到样本端面图像的清晰度，并判断样本端面图像的清晰度是否超过预设阈值的步骤，直至确定出第一预设选区尺寸。

需要说明的是，先从预设的选区尺寸列表中选取一个选区尺寸作为目标选区尺寸的过程可以是，先从预设的选区尺寸列表中选取选区较大的选区尺寸，从而减少因选区较小造成多余的运算量。

具体地，基于目标选区尺寸，对样本端面图像进行频谱分析过程可以为，先采用目标选区尺寸对样本端面图像进行处理，再基于清晰图像有丰富的边缘、纹理等高频信息，而其频谱能量在高频区域分布多于模糊图像的特点，来进行频谱分析。首先，对灰度图像进行傅里叶变换得到其中心化的频谱信息，随后，取以原点为圆心，半径从1逐渐增大的圆形区域，计算这些圆形区域外的平均归一化频谱能量，得到频谱能量分布曲线。通过统计曲线下部的积分面积即可求得归一化的模糊程度衡量参数，从而得到样本端面图像的清晰度。该清晰度值可以是样本端面图像清晰度的平均值，也可以是样本端面图像清晰度的中间值。当然，作为其他实施例，也可以采用另外的清晰度分析方法，如：利用边缘梯度分布的拟合标准差去判断、使用灰度值平均值去判断等方法。

具体地，在得到样本端面图像的清晰度后，可以先判断样本端面图像的清晰度是否超过预设阈值，若超过预设阈值，则表明选取的目标选区尺寸符合对样本端面图像进行清晰度分析的标准，目标选区尺寸将作为第一预设选区尺寸。其中，预设阈值的大小可以根据具体情况而设定，如：清晰度阈值范围为(0-1)时，清晰度阈值为0.45。

在基于预设的第一选区尺寸对样本端面图像进行频谱分析，将其分成清晰区域、过渡区域和模糊区域之后，接着，将基于预设的第二选区尺寸，确定过渡区域是否满足预设清晰度条件，如图6所示，为对过渡区域同一位置分别采用64×64、32×32、16×16选区尺寸时的图像清晰度情况。这里的预设的第二选区尺寸的确定是与确定第一预设选区尺寸一样的操作，即先从预设的选区尺寸列表中选取一个选区尺寸作为目标选区尺寸，其中，选区尺寸列表包括尺寸由大到小排序的多个选区尺寸，第二选区尺寸小于第一选区尺寸。基于目标选区尺寸，对过渡区域进行频谱分析，得到过渡区域的清晰度，并判断过渡区域的清晰度是否超过预设阈值；若是，则将目标选区尺寸作为第二选区尺寸；若否，则将选区尺寸列表中排在下一位的选区尺寸作为目标选区尺寸，重复执行基于目标选区尺寸，对过渡区域进行频谱分析，得到过渡区域的清晰度，并判断过渡区域的清晰度是否超过预设阈值的步骤，直至确定出第二选区尺寸。

另外，预设清晰度条件是指判断过渡区域在第二选区尺寸下的清晰度是否达到了预设阈值。同样，这里的清晰度值可以是过渡区域清晰度的平均值，也可以是过渡区域清晰度的中间值。该预设阈值可以根据实际情况而定，例如：清晰度阈值为0.8。

当判断出清晰度阈值小于0.8时，说明过渡区域的清晰度还未达到设定的要求，此时，就需要继续对过渡区域执行：基于第二选区尺寸，对过渡区域进行清晰度分析的过程，该过程与对端面图像进行清晰度分析的过程相同，即基于第二选区尺寸对过渡区域进行频谱分析，从而将过渡区域再划分为第一区域、第二区域以及第三区域，从而进一步更新端面图像的清晰区域、过渡区域以及模糊区域。更新结果为，过渡区域的第一区域加上端面图像的清晰区域为更新后的清晰区域，过渡区域的第二区域为更新后的过渡区域，过渡区域的第三区域加上端面图像的模糊区域为更新后的模糊区域。从而，得到新的清晰区域、过渡区域以及清晰区域。

再判断新的第二区域图像清晰度是否满足预设清晰度条件，若判断出清晰度阈值大于或等于0.8，则将新的第三区域作为背景区域，基于背景区域生成样本端面图像对应的模板图像，将模板图像添加到预设的图像模板库中，从而构建起图像模板库。若仍不满足要求，则执行上述相同的清晰度分析过程，直至更新后的第二区域满足预设清晰度条件。

步骤S102，将当前模板图像与端面图像进行叠加处理，得到叠加图像。

可以理解的是，叠加处理也就是将两个图像相应像素点的灰度值相加，例如，端面图像中某像素坐标处像素点的灰度值为25，若当前模板图像中相应像素坐标处像素点的灰度值为255，则得到的叠加图像中，相应坐标处像素点的灰度值为255；若当前模板图像中相应像素坐标处像素点的灰度值为0，则得到的叠加图像中，相应坐标处像素点的灰度值为25。

在一种可选的实施方式中，模板图像可以分为图像保留区域和图像去除区域，其中，图像去除区域用于将端面图像中相应区域的图像进行去除，图像保留区域用于使得图像端面图像中相应区域的图像原样保留到叠加图像中。例如，可以将图像去除区域中像素点的灰度值均设置为255(白色)，将图像保留区域中像素点的灰度值均设置为0(黑色)。这样，在将模板图像与端面图像叠加时，端面图像中与当前模板图像的图像去除区域叠加的部分图像被去除，剩余图像被保留到叠加图像中。在另一种可选的实施方式中，模板图像除了包括上述图像保留区域和图像去除区域以外，还可以包括图像过渡区域，如图7所示，图像过渡区域中像素点的灰度值在0到255之间，具体可以基于对应的样本端面图像确定。另外，图7的方法1到方法3中，也介绍了三种不同判定模式下(即基于不同的选区尺寸和清晰度阈值条件下)得到的模板图像，和模板图像与端面图像叠加后的图像。

步骤S103，将叠加图像输入预先训练的匹配模型，确定当前模板图像与端面图像是否匹配。

本实施例中，匹配模型可以是预先训练得到的深度学习模型。具体可以按照以下步骤训练得到：获取样本数据，所述样本数据包括：第一图像集和第二图像集，第一图像集包括多个由相互匹配的端面图像和模板图像叠加得到的图像，第二图像集包括多个由不匹配的端面图像和模板图像叠加得到的图像；基于样本数据，对预先构建的初始深度学习模型进行训练，得到匹配模型。举例来讲，初始深度学习模型可以采用卷积神经网络模型或深度神经网络模型等。

具体来讲，上述获取样本数据的过程可以包括：获取多个样本端面图像，并基于每个样本端面图像分别生成模板图像；将多个样本端面图像与生成的多个模板图像进行交叉组合的叠加处理，得到第一图像集和第二图像集。

其中，样本端面图像为预先采集的作为样本的热轧钢卷端面图像。基于每个样本端面图像分别生成模板图像的方式有多种，例如，可以采用上述的基于清晰度的选区分割方式得到，或者，也可以采用人工对样本端面图像进行背景划分，并进行相应灰度值填充得到。

具体来讲，可以预先采集多个热轧钢卷端面图像，作为原始图像集，基于原始图像集中的每个端面图像分别生成一个模板图像，构建相应的模板图像集，然后将原始图像集中的所有端面图像与模板图像集中的所有模板图像进行交叉组合的叠加处理，可得正确与不正确的背景去除训练样本，即得到第一图像集和第二图像集。例如：当样本数量为N时(N>100)，可训练的正确样本数为N，不正确的样本约为(N-1)(N-1)。且随着样本数的增加，训练的结果也将更为准确。

举例来讲，如图8所示，原始图像集中包括样本端面图像S1、样本端面图像S2和样本端面图像S3，基于样本端面图像S1生成的模板图像M1，基于样本端面图像S2生成的模板图像M2，样本端面图像S3生成的模板图像M3。然后将S1、S2、S3与模板图像M1、M2、M3进行交叉组合的叠加处理，也就是将S1与M1叠加，得到叠加图像D11，将S1再分别与M2和M3叠加，得到叠加图像D12和D13；将S2与M2叠加，得到叠加图像D22，将S2再分别与M1和M3叠加，得到叠加图像D21和D23；将S3与M3叠加，得到叠加图像D33，将S3再分别与M1和M2叠加，得到叠加图像D31和D32。可以理解的是，叠加图像D11、D22和D33为相互匹配的端面图像与模板图像叠加得到的图像，叠加图像D12、D13、D21、D23、D31和D32为相互不匹配的端面图像与模板图像叠加得到的图像。因此，可以将D11、D22和D33标记为正确或匹配的训练样本图像，添加到第一图像集中，将D12、D13、D21、D23、D31和D32标记为不正确或不匹配的训练样本图像，添加到第二图像集中。

基于上述预先训练的匹配模型，判断当前模板图像与端面图像是否匹配。若匹配，则将叠加图像作为去除背景后的目标端面图像，如图9所示为去除背景后的目标端面图像，其中，四幅图采用虚线分隔开，A图和B图为存在边损缺陷的目标端面图像，C图和D图为边缘正常的目标端面图像；若不匹配，则从图像模板库中调取另一模板图像作为当前模板图像，重新执行上述匹配识别步骤，直到得到目标端面图像。

当然，这里还存在另一种可能，即模板图像库中没有与端面图像相匹配的模板图像，此时，则可以输出错误提示，以便于相关人员及时处理，例如，可以将输出错误提示的端面图像筛选出来，后续通过其他方式如人工审核的方式进行识别处理。进一步地，可以基于这些端面图像分别生成模板图像，将所生成的模板图像添加到上述的模板图像库中，以便于丰富模板图像库。

本申请实施例提供的热轧钢卷端面图像的背景去除方法，如图10所示，首先，获取热轧钢卷的端面图像SX，然后从图像模板库中调取模板图像MY，将端面图像SX与模板图像MY进行叠加处理，将叠加图像输入预先训练的匹配模型，判断端面图像SX与模板图像MY是否匹配，若匹配，将叠加图像作为去除背景后的目标端面图像，若端面图像SX与模板图像MY不匹配，将重新调取下一序号的模板图像，继续执行叠加和判断是否匹配的过程，直到得出目标端面图像SM，或输出错误提示，以便于相关人员及时处理。这里的是否匹配的依据可以是，判断端面图像SX与模板图像M叠加处理后的符合度是否达到目标阈值，如：目标阈值为95％，当符合度达到95％以上，则为匹配。

综上，由于本申请实施例提供的热轧钢卷端面图像的背景去除方法中，图像模板库中存储的模板图像是基于热轧钢卷的样本端面图像得到的，通过从中选取匹配的模板图像对待处理端面图像进行叠加处理，即将端面图像中与模板图像的图像去除区域叠加的区域作为背景去除，剩余区域保留，能够充分适应钢卷图像现场在线拍摄导致的复杂背景，较准确地对热轧钢卷端面图像的背景进行去除，从而有利于更准确地发现钢卷端面存在的缺陷，实现对缺陷问题的及时处理。

第二方面，本发明实施例提供了一种图像的背景去除方法。具体来讲，如图11所示，所述方法包括以下步骤S201至步骤S202。

步骤S201，基于预设的第一选区尺寸，对待处理的端面图像进行清晰度分析，将端面图像分成第一区域、第二区域和第三区域，其中，第一区域的清晰度大于第二区域的清晰度，第二区域的清晰度大于第三区域的清晰度。

步骤S202，基于预设的第二选区尺寸，确定第二区域是否满足预设清晰度条件；若否，则基于第二选区尺寸对第二区域进行清晰度分析，更新第一区域、第二区域以及第三区域，直至更新后的第二区域满足预设清晰度条件，其中，第二选区尺寸小于第一选区尺寸；若是，则将端面图像中的第三区域作为背景区域进行去除处理，得到处理后目标端面图像。

在具体实施例中，可以采用清晰度分析与图像背景的去除同步进行的方式，即当端面图像通过清晰度分析得到了第一区域、第二区域和第三区域后，将马上触发对背景区域的去除功能，该去除方式可以为，采用区别于目标端面图像的一种灰度值，对背景区域进行填充，如：将背景区域中像素点的灰度值均填充为255(白色)。当然，作为另一种实施方式，也可以在第二区域的清晰度达到预设阈值后，再对第三区域(背景区域)进行一次性填充，得到背景处理后的目标端面图像。

具体来讲，通过将端面图像按照清晰度的选区分割方式，得出清晰区域、过渡区域和模糊区域，从而能准确地对端面图像中的模糊区域(即背景区域)进行去除，得到背景去除后的目标端面图像。通过步骤S201至步骤S202的具体实施过程可以参考上述第一方面提供的基于清晰度的选区分割方式生成模板图像的实施过程，此处不再赘述。

本发明实施例所提供的图像的背景去除方法，由于钢卷端面图像中，钢卷端面区域较清晰，而背景区域相比于钢卷端面区域较模糊，因此，上述基于清晰度的选区分割方式进行背景区域的划分，能够较准确地对热轧钢卷端面图像的背景进行去除，从而有利于更准确地发现钢卷端面存在的缺陷，实现对缺陷问题的及时处理。

本申请实施例通过提供的两种图像的背景去除方法，再经过图像的缺陷处理后得到分析图像(作为缺陷样本)进行训练，迭代和逐步提升，即可得到较清晰的去除背景后的钢卷端面图像。

第三方面，基于同一发明构思，本实施例提供了一种图像的背景去除装置，如图12所示，包括：

模板调取模块301，用于基于热轧钢卷的端面图像，从预先建立的图像模板库中调取模板图像作为当前模板图像，其中，图像模板库中存储有多个基于热轧钢卷的样本端面图像得到的模板图像，每个模板图像均包括图像去除区域；

叠加处理模块302，用于将当前模板图像与端面图像进行叠加处理，得到叠加图像，其中，端面图像中与当前模板图像的图像去除区域叠加的部分图像被去除，剩余图像被保留到所述叠加图像中；

匹配确定模块303，用于将叠加图像输入预先训练的匹配模型，确定当前模板图像与端面图像是否匹配，若匹配，则将叠加图像作为去除背景后的目标端面图像；

若不匹配，则从图像模板库中调取另一模板图像作为当前模板图像，重新执行匹配识别步骤，直到得到目标端面图像。

作为一种可选的实施例，所述匹配确定模块303，具体包括：

样本数据获取子模块，用于获取样本数据，样本数据包括：第一图像集和第二图像集，第一图像集包括多个由相互匹配的端面图像和模板图像叠加得到的图像，第二图像集包括多个由不匹配的端面图像和模板图像叠加得到的图像；

训练子模块，用于基于样本数据，对预先构建的初始深度学习模型进行训练，得到匹配模型。

作为一种可选的实施例，所述样本数据获取子模块用于：获取多个样本端面图像，并基于每个样本端面图像分别生成模板图像；将多个样本端面图像与生成的多个模板图像进行交叉组合的叠加处理，得到第一图像集和所述第二图像集。

作为一种可选的实施例，所述装置还包括：

清晰度分析模块，用于获取样本端面图像，并基于预设的第一选区尺寸，对所述样本端面图像进行清晰度分析，将所述样本端面图像分成第一区域、第二区域和第三区域，其中，所述第一区域的清晰度大于所述第二区域的清晰度，所述第二区域的清晰度大于所述第三区域的清晰度；

背景去除模块，用于基于预设的第二选区尺寸，确定所述第二区域是否满足预设清晰度条件；若否，则基于所述第二选区尺寸对所述第二区域进行清晰度分析，更新所述第一区域、第二区域以及第三区域，直至更新后的第二区域满足所述预设清晰度条件，其中，所述第二选区尺寸小于所述第一选区尺寸；若是，将所述第三区域作为背景区域，基于所述背景区域生成所述样本端面图像对应的模板图像；将所述模板图像添加到预设的图像模板库中。

作为一种可选的实施例，所述背景去除模块，具体包括：

划分子模块、用于基于第一选区尺寸将样本端面图像划分为多个子图像；

清晰度分析子模块，用于针对每个子图像，对所述子图像进行频谱分析，得到所述子图像对应的频谱能量分布曲线，并基于所述频谱能量分布曲线，得到所述子图像的清晰度；

分区域子模块，用于基于所述每个子图像的清晰度，将所述样本端面图像分成所述第一区域、第二区域和第三区域。

作为一种可选的实施例，所述第一预设选区尺寸基于以下步骤确定：

选取子模块，用于从预设的选区尺寸列表中选取一个选区尺寸作为目标选区尺寸，其中，所述选区尺寸列表包括尺寸由大到小排序的多个选区尺寸；

清晰度判断子模块，用于基于目标选区尺寸，对所述样本端面图像进行频谱分析，得到所述样本端面图像的清晰度，并判断所述样本端面图像的清晰度是否超过预设阈值；若是，则将所述目标选区尺寸作为所述第一预设选区尺寸；若否，则将所述选区尺寸列表中排在下一位的选区尺寸作为目标选区尺寸，重复执行所述基于目标选区尺寸，对所述样本端面图像进行频谱分析，得到所述样本端面图像的清晰度，并判断所述样本端面图像的清晰度是否超过预设阈值的步骤，直至确定出所述第一预设选区尺寸。

以上各模块可以是由软件代码实现，此时，上述的各模块可存储于控制设备的存储器内。以上各模块同样可以由硬件例如集成电路芯片实现。

本发明实施例所提供的一种图像的背景去除装置，其实现原理及产生的技术效果和前述第一方面的实施例相同。为简要描述，图像的背景去除装置实施例部分未提及之处，可参考前述第一方面的实施例中相应内容。

第四方面，基于同一发明构思，本实施例提供了一种图像的背景去除装置，如图13所示，包括：

清晰度分析模块401，用于基于预设的第一选区尺寸，对待处理的端面图像进行清晰度分析，将所述端面图像分成第一区域、第二区域和第三区域，其中，所述第一区域的清晰度大于所述第二区域的清晰度，所述第二区域的清晰度大于所述第三区域的清晰度；

背景去除模块402，用于基于预设的第二选区尺寸，确定所述第二区域是否满足预设清晰度条件；若否，则基于所述第二选区尺寸对所述第二区域进行清晰度分析，更新所述第一区域、第二区域以及第三区域，直至更新后的第二区域满足所述预设清晰度条件，其中，所述第二选区尺寸小于所述第一选区尺寸；若是，则将所述端面图像中的所述第三区域作为背景区域进行去除处理，得到处理后目标端面图像。

以上各模块可以是由软件代码实现，此时，上述的各模块可存储于控制设备的存储器内。以上各模块同样可以由硬件例如集成电路芯片实现。

本发明实施例所提供的一种图像的背景去除装置，其产生的技术效果和前述第二方面的实施例相同。各模块的具体实施过程可以参考上述第二面提供的方法实施例的实施过程。

基于同一发明构思，如图14所示，本实施例提供了一种电子设备800，包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理元件802可以包括一个或多个处理器820来执行指令，以完成上述第一方面提供的一种图像的背景去除方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的模块。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令模块的制造品，该指令模块实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种图像的背景去除方法，其特征在于，所述方法包括：

基于热轧钢卷的端面图像，从预先建立的图像模板库中调取模板图像作为当前模板图像，并执行以下匹配识别步骤：

将所述当前模板图像与所述端面图像进行叠加处理，得到叠加图像，其中，所述图像模板库中存储有多个基于所述热轧钢卷的样本端面图像得到的模板图像，每个模板图像均包括图像去除区域，所述端面图像中与所述当前模板图像的图像去除区域叠加的部分图像被去除，剩余图像被保留到所述叠加图像中；

将所述叠加图像输入预先训练的匹配模型，确定所述当前模板图像与所述端面图像是否匹配，若匹配，则将所述叠加图像作为去除背景后的目标端面图像；

若不匹配，则从所述图像模板库中调取另一模板图像作为当前模板图像，重新执行所述匹配识别步骤，直到得到所述目标端面图像。

2.如权利要求1所述的方法，其特征在于，所述匹配模型是按照以下步骤训练得到的：

获取样本数据，所述样本数据包括：第一图像集和第二图像集，所述第一图像集包括多个由相互匹配的端面图像和模板图像叠加得到的图像，所述第二图像集包括多个由不匹配的端面图像和模板图像叠加得到的图像；

基于所述样本数据，对预先构建的初始深度学习模型进行训练，得到所述匹配模型。

3.如权利要求2所述的方法，其特征在于，所述获取样本数据，包括：

获取多个样本端面图像，并基于每个样本端面图像分别生成模板图像；

将所述多个样本端面图像与生成的多个模板图像进行交叉组合的叠加处理，得到所述第一图像集和所述第二图像集。

4.如权利要求1所述的方法，其特征在于，所述从预先建立的图像模板库中调取模板图像作为当前模板图像之前，还包括：

获取样本端面图像，并基于预设的第一选区尺寸，对所述样本端面图像进行清晰度分析，将所述样本端面图像分成第一区域、第二区域和第三区域，其中，所述第一区域的清晰度大于所述第二区域的清晰度，所述第二区域的清晰度大于所述第三区域的清晰度；

基于预设的第二选区尺寸，确定所述第二区域是否满足预设清晰度条件；

若否，则基于所述第二选区尺寸对所述第二区域进行清晰度分析，更新所述第一区域、第二区域以及第三区域，直至更新后的第二区域满足所述预设清晰度条件，其中，所述第二选区尺寸小于所述第一选区尺寸；

若是，将所述第三区域作为背景区域，基于所述背景区域生成所述样本端面图像对应的模板图像；将所述模板图像添加到预设的图像模板库中。

5.如权利要求4所述的方法，其特征在于，所述基于预设的第一选区尺寸，对所述样本端面图像进行清晰度分析，将所述样本端面图像分成第一区域、第二区域和第三区域，包括：

基于所述第一选区尺寸将所述样本端面图像划分为多个子图像；

针对每个子图像，对所述子图像进行频谱分析，得到所述子图像对应的频谱能量分布曲线，并基于所述频谱能量分布曲线，得到所述子图像的清晰度；

基于所述每个子图像的清晰度，将所述样本端面图像分成所述第一区域、第二区域和第三区域。

6.如权利要求4所述的方法，其特征在于，所述第一预设选区尺寸基于以下步骤确定：

从预设的选区尺寸列表中选取一个选区尺寸作为目标选区尺寸，其中，所述选区尺寸列表包括尺寸由大到小排序的多个选区尺寸；

基于目标选区尺寸，对所述样本端面图像进行频谱分析，得到所述样本端面图像的清晰度，并判断所述样本端面图像的清晰度是否超过预设阈值；

若是，则将所述目标选区尺寸作为所述第一预设选区尺寸；

若否，则将所述选区尺寸列表中排在下一位的选区尺寸作为目标选区尺寸，重复执行所述基于目标选区尺寸，对所述样本端面图像进行频谱分析，得到所述样本端面图像的清晰度，并判断所述样本端面图像的清晰度是否超过预设阈值的步骤，直至确定出所述第一预设选区尺寸。

7.一种图像的背景去除方法，其特征在于，所述方法包括：

基于预设的第一选区尺寸，对热轧钢卷的端面图像进行清晰度分析，将所述端面图像分成第一区域、第二区域和第三区域，其中，所述第一区域的清晰度大于所述第二区域的清晰度，所述第二区域的清晰度大于所述第三区域的清晰度；

基于预设的第二选区尺寸，确定所述第二区域是否满足预设清晰度条件；

若否，则基于所述第二选区尺寸对所述第二区域进行清晰度分析，更新所述第一区域、第二区域以及第三区域，直至更新后的第二区域满足所述预设清晰度条件，其中，所述第二选区尺寸小于所述第一选区尺寸；

若是，则将所述端面图像中的所述第三区域作为背景区域进行去除处理，得到处理后目标端面图像。

8.一种图像的背景去除装置，其特征在于，所述装置包括：

模板调取模块，用于基于热轧钢卷的端面图像，从预先建立的图像模板库中调取模板图像作为当前模板图像，其中，所述图像模板库中存储有多个基于所述热轧钢卷的样本端面图像得到的模板图像，每个模板图像均包括图像去除区域；

叠加处理模块，用于将所述当前模板图像与所述端面图像进行叠加处理，得到叠加图像，其中，所述端面图像中与所述当前模板图像的图像去除区域叠加的部分图像被去除，剩余图像被保留到所述叠加图像中；

匹配确定模块，用于将所述叠加图像输入预先训练的匹配模型，确定所述当前模板图像与所述端面图像是否匹配，若匹配，则将所述叠加图像作为去除背景后的目标端面图像；若不匹配，则从所述图像模板库中调取另一模板图像作为当前模板图像，重新执行所述叠加处理以及匹配确定，直到得到所述目标端面图像。

9.一种图像的背景去除装置，其特征在于，所述装置包括：

清晰度分析模块，用于基于预设的第一选区尺寸，对热轧钢卷的端面图像进行清晰度分析，将所述端面图像分成第一区域、第二区域和第三区域，其中，所述第一区域的清晰度大于所述第二区域的清晰度，所述第二区域的清晰度大于所述第三区域的清晰度；

条件确定模块，用于基于预设的第二选区尺寸，确定所述第二区域是否满足预设清晰度条件；若否，则基于所述第二选区尺寸对所述第二区域进行清晰度分析，更新所述第一区域、第二区域以及第三区域，直至更新后的第二区域满足所述预设清晰度条件，其中，所述第二选区尺寸小于所述第一选区尺寸；若是，则将所述端面图像中的所述第三区域作为背景区域进行去除处理，得到处理后目标端面图像。

10.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器耦接到所述处理器，所述存储器存储指令，当所述指令由所述处理器执行时，使所述电子设备执行权利要求1-7中任一项所述方法的步骤。

Images