CN113223041B - 用于自动提取图像中目标区域的方法、系统及存储介质 - Google Patents
用于自动提取图像中目标区域的方法、系统及存储介质 Download PDFInfo
- Publication number
- CN113223041B CN113223041B CN202110707754.0A CN202110707754A CN113223041B CN 113223041 B CN113223041 B CN 113223041B CN 202110707754 A CN202110707754 A CN 202110707754A CN 113223041 B CN113223041 B CN 113223041B
- Authority
- CN
- China
- Prior art keywords
- image
- region
- area
- target
- target area
- 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 64
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 10
- PVNIIMVLHYAWGP-UHFFFAOYSA-N Niacin Chemical compound OC(=O)C1=CC=CN=C1 PVNIIMVLHYAWGP-UHFFFAOYSA-N 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 229960003512 nicotinic acid Drugs 0.000 claims description 6
- 235000001968 nicotinic acid Nutrition 0.000 claims description 6
- 239000011664 nicotinic acid Substances 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 13
- 230000001419 dependent effect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000036642 wellbeing Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 150000006636 nicotinic acid Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008961 swelling Effects 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提出用于自动提取图像中目标区域的方法、系统及计算机可读存储介质。该方法包括步骤：A.从待处理的图像中选取至少一个区域，所述区域包含目标区域的至少一部分，所述目标区域被限定为至少与图像像元色彩相关；B.获取所述区域所具有的特征信息，所述特征信息至少包括图像像元色彩信息；C.比较所获取的所述特征信息与对应的预设标准，将所述区域中达到所述预设标准的部分识别为所述目标区域；以及D.获取所述目标区域的特征信息。本发明所提出的用于自动提取图像中目标区域的技术节省了提取成本，提高了提取效率，使得批量化、智能化的识别提取处理成为可能。
Description
技术领域
本发明涉及图像处理领域，具体涉及用于自动提取图像中目标区域的方法、系统及计算机可读存储介质。
背景技术
图像作为人类感知世界的视觉基础，是人类获取信息、表达信息和传递信息的重要手段。20世纪以来，随着计算机技术的不断发展，图像处理技术也随之得到不断发展。
在实际应用中，常常需要在初步获取的图像中提取特定的目标区域。传统上，可以通过人工识别来完成该工作。但是，一旦需要处理的图像存在样本量增大、图像复杂等情况，识别所消耗的时间、人力都将随之相应增大。另一方面，人工识别的精确度、一致度等方面往往会根据不同识别人员的感知能力和工作状态而波动，也难以控制。这也给识别工作带来了困难。
发明内容
为了解决或至少缓解诸如以上所述的现有问题中的一个或多个，本发明提供了以下技术方案。
根据本发明的一方面，提供一种用于自动提取图像中目标区域的方法。该方法包括以下步骤：
A. 从待处理的图像中选取至少一个区域，所述区域包含目标区域的至少一部分，所述目标区域被限定为至少与图像像元色彩相关；
B. 获取所述区域所具有的特征信息，所述特征信息至少包括图像像元色彩信息；
C. 比较所获取的所述特征信息与对应的预设标准，将所述区域中达到所述预设标准的部分识别为所述目标区域；以及
D. 获取所述目标区域的特征信息。
作为上述方案的替代或补充，根据本发明一实施例的用于自动提取图像中目标区域的方法的步骤A中，基于所述待处理的图像中用于定位识别的特征图像来选取所述区域。
作为上述方案的替代或补充，根据本发明一实施例的用于自动提取图像中目标区域的方法中，所述目标区域基本上呈圆形。
作为上述方案的替代或补充，根据本发明一实施例的用于自动提取图像中目标区域的方法中，所述特征图像包括位于所述待处理的图像的边缘区域处且彼此间隔开的至少两个边框图像，并且在步骤A中：
确定所述待处理的图像的边缘区域图像；
从所述边缘区域图像中识别出所述至少两个边框图像；以及
基于所识别出的所述至少两个边框图像，确定所述待处理的图像上的至少一个特征位置，所述至少一个特征位置与所述目标区域相关联。
作为上述方案的替代或补充，根据本发明一实施例的用于自动提取图像中目标区域的方法的步骤B中，基于所述区域构建至少一个颜色空间模型，用以根据所述颜色空间模型来获取所述区域的所述图像像元色彩信息。
作为上述方案的替代或补充，根据本发明一实施例的用于自动提取图像中目标区域的方法中，在步骤B中，基于所述区域分别构建HIS颜色模型和Lab颜色模型，并且分别获取所述HIS颜色模型中的H分量和所述Lab颜色模型中的a分量；在步骤C中，比较所获取的所述H分量与H分量阈值，将达到所述H分量阈值的部分识别为第一候选区域，并且比较所获取的所述a分量与a分量阈值，将达到所述a分量阈值的部分识别为第二候选区域，分别计算出所述第一候选区域和所述第二候选区域的周长与面积的比值，并将二者中所述比值较小者确定为所述目标区域。
作为上述方案的替代或补充，根据本发明一实施例的用于自动提取图像中目标区域的方法中，所述预设标准为预设的阈值，通过以下公式来修正所使用的阈值：
T1=(x-y×S)×T0；
其中，x和y分别为第一系数和第二系数，
S为通过机器学习对所述区域进行等级评分处理所得到的分数，
T0为初始阈值，以及
T1为经修正后的阈值，用于取代所述初始阈值T0进行所述比较。
作为上述方案的替代或补充，根据本发明一实施例的用于自动提取图像中目标区域的方法中，所述机器学习基于AlexNet架构的深度学习网络，并且所述机器学习的训练样本库包括来自于由人工完成等级评分处理的输入数据。
作为上述方案的替代或补充，根据本发明一实施例的用于自动提取图像中目标区域的方法中，由人工完成的等级评分处理包括四级，其各自等级分数分别对应于所述目标区域的面积为零、所述目标区域的面积小于预设的面积阈值、所述目标区域的面积等于所述面积阈值、所述目标区域的面积大于所述面积阈值的情况。
作为上述方案的替代或补充，根据本发明一实施例的用于自动提取图像中目标区域的方法中，所述机器学习的等级评分处理包括所述四级，或者所述机器学习根据所述四级中各等级的对应权重值进行加权求和处理来确定等级分数。
作为上述方案的替代或补充，根据本发明一实施例的用于自动提取图像中目标区域的方法的步骤C中，还针对所述达到所述预设标准的所述部分进行形态学处理。
作为上述方案的替代或补充，根据本发明一实施例的用于自动提取图像中目标区域的方法中，所述形态学处理包括：
对所述部分的图像依次进行开运算和闭运算，然后保留其中的最大连通区域；以及
对所述最大连通区域进行开运算，然后保留其中的最大连通区域作为所述目标区域。
作为上述方案的替代或补充，根据本发明一实施例的用于自动提取图像中目标区域的方法中，所述特征信息包括颜色、面积、周长和/或形状。
作为上述方案的替代或补充，根据本发明一实施例的用于自动提取图像中目标区域的方法中，所述目标区域至少有四个。
此外，根据本发明的另一方面，提供一种用于自动提取图像中目标区域的系统。所述系统包括：
存储器，其设置成用于存储指令；以及
处理器，其设置成用于在所述指令被执行时实现本发明的任一实施例所述的用于自动提取图像中目标区域的方法。
作为上述方案的替代或补充，根据本发明一实施例的用于自动提取图像中目标区域的系统还包括：
检测装置，其设置成用于检测目标对象上的感兴趣区域；以及
成像装置，其设置成用于将经由所述检测装置检测后的所述感兴趣区域摄制成图像，并且所述成像装置与所述处理器相连以向其提供所摄制成的图像。
作为上述方案的替代或补充，根据本发明一实施例的用于自动提取图像中目标区域的系统中，所述检测装置包括烟酸皮肤反应器，所述感兴趣区域包括所述目标对象的皮肤。
作为上述方案的替代或补充，根据本发明一实施例的用于自动提取图像中目标区域的系统还包括通信装置。所述通信装置连接至所述处理器，并且设置成向所述系统之外发送数据以用于处理或存储所述数据。所述数据包括所述待处理的图像、所识别的目标区域和/或所获取的特征信息。
另外，根据本发明的又一方面，提供一种计算机可读存储介质，其用于存储指令，所述指令在被执行时实现本发明的任一实施例所述的用于自动提取图像中目标区域的方法。
根据本发明的用于自动提取图像中目标区域的技术方案实现了对目标区域的自动提取，大大节省了提取的成本，提高了提取的效率，使得批量化、自动化提取成为可能。
附图说明
从结合附图的以下详细说明中，将会使本发明的上述和其他目的及优点更加完整清楚。
图1示出可应用根据本发明的一个实施例的用于自动提取图像中目标区域的方法的待提取图像100。
图2示出在图1中的待提取图像100中选取区域120的方法实施例。
图3示出根据本发明的一个实施例的用于自动提取图像中目标区域的方法300。
图4示出根据本发明的一个实施例的用于自动提取图像中目标区域的系统400。
具体实施方式
应理解，本发明的说明书和权利要求书中的术语“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。此外，除非另外特别指明，术语“包括”、“包含”、“具有”以及类似表述意在表示不排他的包含。
首先，根据本发明设计思想，提供了用于自动提取图像中目标区域的方法。该方法包括以下步骤：从待处理的图像中选取至少一个区域，所述区域包含目标区域的至少一部分，目标区域被限定为至少与图像像元色彩相关；获取所述区域所具有的特征信息，特征信息至少包括图像像元色彩信息；比较所获取的特征信息与对应的预设标准，将所述区域中达到预设标准的部分识别为目标区域；以及获取目标区域的特征信息。在实际应用时，可以将根据本发明的技术方案应用于诸如石油、化工、汽车、生物、医药等众多技术领域。
在下文中，将参考附图详细地描述根据本发明的各示例性实施例。请参阅图1，根据本发明的一个实施例的用于自动提取图像中目标区域的方法可用于从如图1所示的待处理图像100中提取目标区域。
其中，待处理图像100是对经烟酸皮肤测试的受测区域进行拍照所获取的。研究证明，在一定条件下，烟酸试剂（例如，烟酸酯类溶液）与人类皮肤接触后，会在一些受测者的皮肤上引起视觉变化，例如红肿反应，而这些变化可能与受测者的情绪健康、精神健康状态等有关。因此，有必要对受测者的受测区域进行图像分析。为此，期望从所获取的受测区域图像（例如，图1中的待处理图像100）中提取目标区域（例如，红肿区域110、111、112和113）。常规上，使用人工识别的方式来从待处理图像中提取这样的目标区域。然而，人工提取的方式具有耗时、耗力、不精确等问题。因而，期望一种自动提取此类目标区域的方法，从而获取这些目标区域的特征信息，例如颜色、面积、周长或形状等。
应当注意的是，出于便于生产、测试等因素的考虑，烟酸皮肤测试的目标区域可能基本上呈圆形。并且，由于测试的具体情况，目标区域可能还会有毛边。但是，本发明所要求保护的目标区域不限于这样的形状，而可能依情况而定是任何适当的形状，例如椭圆形、三角形、矩形等，甚至在一些应用情形下允许采用合适的不规则形状。
还应当注意的是，出于同时进行不同浓度的试剂测试的目的，或者出于记录不同时长的测试结果的目的，可能在大致相同的时间段内进行多次测试。例如，可以利用一个皮肤测试反应器对一位受测者同时进行4个浓度的烟酸皮肤测试，因而得到如图1所示的包含4个目标区域的待处理图像100。但本发明所要求保护的技术方案中，目标区域的个数并不限于此，也可能是1个、3个、6个或其他任何适当的个数。
下面以目标区域110为例，参考图3详细描述根据本申请的一个实施例来自动提取待处理图像100中目标区域110的方法300。
在步骤S11，从待处理图像100中选取一个区域120。其中，区域120包含目标区域110。应当注意的是，在其他实施例中，所选取的区域也可能只包括目标区域110的一部分。
可选地，选取区域120是基于待处理图像100中用于定位识别的特征图像来实现的。作为一种可选情形，例如图2所示，特征图像可以包括位于待处理图像100的边缘区域处且彼此间隔开的两个边框图像130和131。
具体来说，参考图2，选取区域120可以通过以下方法实现。首先，可以利用滑窗140从待处理图像100下边缘中点向上遍历。作为一种可选情形，滑窗140是正方形，其边长可以可选地设置成是边框图像130和131之间间隙的2-3倍，滑动步长可以可选地设置成是1/6。当在滑窗140内检测到两条平行线（即，边框图像130和131的下侧边）时，将后检测到的线确定为边框图像131的下侧边。通过类似方法确定边框图像131的上侧边、左侧边和右侧边，在此不再赘述。接着，根据待处理图像100中所含目标区域的个数，对边框图像131内的区域进行等分，从而获得区域120。在图2所示的实施例中，待处理图像100中所含目标区域的个数为4，因此将边框图像131内的区域等分为四份，从而从左至右依次获得区域120、区域121、区域122和区域123。
回到图3，在S12，获取目标区域110所具有的特征信息。这里所述的特征信息包括图像像元色彩信息。例如，基于区域120构建颜色空间模型，用以根据该颜色空间模型来获取区域120的图像像元色彩信息。颜色空间模型可以是HIS颜色模型，此时所获取的图像像元色彩信息为HIS颜色模型中的H分量。颜色空间模型也可以是Lab颜色模型，此时所获取的图像像元色彩信息为Lab颜色模型中的a分量。
在S13，比较所获取的特征信息（例如，H分量或者a分量）与对应的预设标准，将区域120中达到预设标准的部分识别为目标区域110。通过获取、比较H分量或a分量这样的特征信息可从上述待处理图像100中有效地自动提取出目标区域110，其准确度可超过人工识别。
此处，比较操作是针对区域120中的每个像素分别进行的。应当理解的是，本发明中的比较操作并不限于此，其也可以是针对区域中的部分像素进行的。例如，可以将该区域中的像素均匀地分为100个群组，对每个群组中的一个像素进行比较操作，将达到预设标准的像素所在的群组识别为目标区域。
可选地，预设标准可以是预设的阈值，并且可以基于阈值分割进行S13中的比较操作和识别操作。
可选地，还可针对达到预设标准的部分进行形态学处理。例如，可以对达到预设标准的部分的图像依次进行开运算和闭运算，然后保留其中的最大连通区域；接下来，可以对前述最大连通区域进行开运算，然后保留其中的最大连通区域作为最终的目标区域。通过对该部分的形态学处理，可以有效降低最终的目标区域中的噪声。
在S14，获取所识别的目标区域110的特征信息。可选地，此处所获取的特征信息包括颜色、面积、周长或形状等。
由此，采用根据本发明的用于自动提取图像中目标区域的方法，能够有效实现对目标区域的自动提取，从而可以大大节省提取成本，提高了提取效率，使得批量化、智能化的识别提取处理成为可能。
应当理解，可以使用类似方法自动提取图1中的其他目标区域（红肿区域111、112或113），在此不再赘述。还应当注意的是，虽然图1所示的其他目标区域111、112或113的形状与目标区域110一致，但本发明所要求保护的技术方案并不限于此，其他目标区域也可能根据实际情况而与目标区域110具有不同的形状。
需要说明的是，在根据本发明的一个实施例的用于自动提取图像中目标区域的方法中，可在S12中构建不止一个颜色空间模型。例如，针对图1中所示的区域120分别构建HIS颜色模型和Lab颜色模型，并分别获取HIS颜色模型中的H分量和Lab颜色模型中的a分量。在S13中，例如通过阈值分割来分别对H分量和a分量进行处理。在S14中，根据阈值分割的结果针对H分量识别出第一候选区域，针对a分量识别出第二候选区域，分别计算出第一候选区域和第二候选区域的周长与面积的比值，并将二者中比值较小者确定为目标区域。通过对两个候选区域的比较，使得最终确定的目标区域更加准确。需要注意的是，本发明的构思中还可以通过其他方式来利用多个颜色空间模型优化目标区域的确定，而不限于上述方式。
作为进一步示例说明，根据本发明的一个实施例的用于自动提取图像中目标区域的方法中，在预设标准为预设的阈值的情况下，可通过机器学习对该阈值进行修正。具体地，通过以下公式来修正所使用的阈值。
T1=(x-y×S)×T0；
其中，x和y分别为第一系数和第二系数，
S为通过机器学习对区域（例如，区域120）进行等级评分处理所得到的分数，
T0为初始阈值，以及
T1为经修正后的阈值，用于取代初始阈值T0进行上述比较。
在以上公式中，第一系数和第二系数是经验因子，它们可以通过诸如实验测试、第三方提供（例如，研究机构等）等方式来获得。作为举例，在如图1所示的实施例中，第一系数x可在[1.2,1.6]中取值，第二系数y可在[0.05,0.2]中取值。通过对上述阈值的修正，可以消除或至少缓解系统固有偏置对提取结果的影响，从而有助于提高对目标区域提取的精确性。
可选地，上述机器学习基于AlexNet架构的深度学习网络，并且该机器学习的训练样本库包括来自于由人工完成等级评分处理的输入数据。
可选地，由人工完成的等级评分处理包括四级，例如，0级对应于目标区域的面积为零、1级对应于目标区域的面积小于预设的面积阈值、2级对应于目标区域的面积等于面积阈值、3级对应于目标区域的面积大于面积阈值。应当理解的是，本发明中的等级评分处理不限于0、1、2、3这样的评分机制，其也可以是任何合适的评分机制。
可选地，机器学习还可以根据上述四级中各等级的对应权重值进行加权求和处理来确定等级分数。这里的权重值可根据实际应用情况来进行选择设置和调整。例如，0级的权重值为50%，1级的权重值为18%，2级的权重值为18%，3级的权重值为14%。
图4示出根据本发明的一个实施例的用于自动提取图像中目标区域的系统400。系统400包括检测装置401，其设置成用于检测目标对象上的感兴趣区域。可选地，检测装置401是上述皮肤测试反应器，感兴趣区域是受测者的皮肤。应当理解的是，根据各种不同的应用需求，检测装置也可以是其他能够引起目标对象上感兴趣区域发生图像可识别变化的任何合适的装置，例如光照测试反应检测装置、声音测试反应检测装置等。还应当理解的是，感兴趣的区域也可以是目标对象的发生了图像可识别变化的任何合适的区域，例如眼睛、头部、四肢等。
如图4所示，系统400还包括成像装置402，设置成用于将经由所述检测装置检测后的感兴趣区域摄制成图像。例如，成像装置是可以是CCD或COMS摄像头、数码相机等，其将经由皮肤测试反应器检测后的受测者皮肤摄制成图像。
进一步，系统400还可包括处理器403。成像装置402可与处理器403相连，从而向处理器403提供所摄制成的图像。在具体应用时，处理器403可采用任何可行的芯片、单元、模块等硬件来实现，当然也允许通过软硬件结合等方式来实现。
进一步，系统400还可包括存储器404，以用于存储指令。处理器403可用于在所述指令被执行时，实现根据本申请的上述任一实施例的方法，从而从所摄制成的图像中自动提取目标区域。
其中，处理器403可以包括一个或多个处理装置，并且，存储器404可以包括一个或多个有形非暂时性机器可读介质。通过示例的方式，这样的机器可读介质能够包括RAM、ROM、EPROM、EEPROM或光盘存储设备、磁盘存储设备或其它磁存储装置或能够用于承载或存储呈机器可执行指令或数据结构的形式的期望的程序代码并且能够被处理器403或被其它基于处理器的装置访问的任何其它介质。
进一步，所述系统还可包括通信装置405，其设置成用于将待处理的图像（例如，拍照获取的待处理图像100）、所识别的目标区域（例如，目标区域110）、所获取的特征信息（例如，目标区域110的颜色、面积、周长、形状等信息）等数据通过有线、无线等方式发送到系统400之外（例如，位于本地、远程和/或云端的存储器、处理器、服务器等）来存储或处理。
需要指出的是，在图4中所示的一些方框图仅是用来示意性地表示功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或者在一个或多个硬件模块或集成电路中实现这些功能实体，或者在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
还应当理解，在一些备选实施例中，方法中所包括的功能/步骤可以不按流程图所示的次序来发生。例如，依次示出的两个功能/步骤可以基本同时执行或甚至逆序执行。这具体取决于所涉及的功能/步骤。
以上尽管只对其中一些本发明的实施方式进行了描述，但是本领域普通技术人员应当了解，本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此，所展示的例子与实施方式被视为示意性的而非限制性的，在不脱离如所附各权利要求所定义的本发明精神及范围的情况下，本发明可能涵盖各种的修改与替换。
Claims (15)
1.一种用于自动提取图像中目标区域的方法，其特征在于，所述方法包括步骤：
A.基于待处理的图像中用于定位识别的特征图像从所述待处理的图像中选取至少一个区域，所述区域包含目标区域的至少一部分，所述目标区域被限定为至少与图像像元色彩相关，所述特征图像包括位于所述待处理的图像的边缘区域处且彼此间隔开的至少两个边框图像；
B.获取所述区域所具有的特征信息，所述特征信息至少包括图像像元色彩信息；
C.比较所获取的所述特征信息与对应的预设标准，将所述区域中达到所述预设标准的部分识别为所述目标区域；以及
D.获取所述目标区域的特征信息；并且
在步骤A中：
确定所述待处理的图像的边缘区域图像；
从所述边缘区域图像中识别出所述至少两个边框图像；以及
基于所识别出的所述至少两个边框图像，确定所述待处理的图像上的至少一个特征位置，所述至少一个特征位置与所述目标区域相关联。
2.根据权利要求1所述的方法，其特征在于，所述目标区域呈圆形。
3.根据权利要求1所述的方法，其特征在于，在步骤B中，基于所述区域构建至少一个颜色空间模型，用以根据所述颜色空间模型来获取所述区域的所述图像像元色彩信息。
4.根据权利要求3所述的方法，其特征在于，
在步骤B中，基于所述区域分别构建HIS颜色模型和Lab颜色模型，并且分别获取所述HIS颜色模型中的H分量和所述Lab颜色模型中的a分量；以及
在步骤C中，比较所获取的所述H分量与H分量阈值，将达到所述H分量阈值的部分识别为第一候选区域，并且比较所获取的所述a分量与a分量阈值，将达到所述a分量阈值的部分识别为第二候选区域，分别计算出所述第一候选区域的周长与面积的比值以及所述第二候选区域的周长与面积的比值，并基于所述第一候选区域和所述第二候选区域二者的比值将二者中比值较小的候选区域确定为所述目标区域。
5.根据权利要求1所述的方法，其特征在于，所述预设标准为预设的阈值，通过以下公式来修正所使用的阈值：
T1＝(x-y×S)×T0；
其中，x和y分别为第一系数和第二系数，
S为通过机器学习对所述区域进行等级评分处理所得到的分数，
T0为初始阈值，以及
T1为经修正后的阈值，用于取代所述初始阈值T0进行所述比较。
6.根据权利要求5所述的方法，其特征在于，所述机器学习基于AlexNet架构的深度学习网络，并且所述机器学习的训练样本库包括来自于由人工完成等级评分处理的输入数据。
7.根据权利要求6所述的方法，其特征在于，由人工完成的等级评分处理包括四级，其各自等级分数分别对应于所述目标区域的面积为零、所述目标区域的面积小于预设的面积阈值、所述目标区域的面积等于所述面积阈值、所述目标区域的面积大于所述面积阈值的情况；并且/或者
所述机器学习的等级评分处理包括所述四级，或者所述机器学习根据所述四级中各等级的对应权重值进行加权求和处理来确定等级分数。
8.根据权利要求1所述的方法，其特征在于，在步骤C中，还针对所述达到所述预设标准的所述部分进行形态学处理。
9.根据权利要求8所述的方法，其特征在于，所述形态学处理包括：
对所述部分的图像依次进行开运算和闭运算，然后保留其中的最大连通区域；以及
对所述最大连通区域进行开运算，然后保留其中的最大连通区域作为所述目标区域。
10.根据权利要求1-9中任一项所述的方法，其特征在于，所述特征信息包括颜色、面积、周长和/或形状，并且/或者所述待处理的图像中的所述目标区域至少有四个。
11.一种用于自动提取图像中目标区域的系统，其特征在于，所述系统包括：
存储器，其设置成用于存储指令；以及
处理器，其设置成用于在所述指令被执行时实现如权利要求1-10中任一项所述的用于自动提取图像中目标区域的方法。
12.根据权利要求11所述的系统，其特征在于，所述系统还包括：
检测装置，其设置成用于检测目标对象上的感兴趣区域；以及
成像装置，其设置成用于将经由所述检测装置检测后的所述感兴趣区域摄制成图像，并且所述成像装置与所述处理器相连以向其提供所摄制成的图像。
13.根据权利要求12所述的系统，其特征在于，所述检测装置包括烟酸皮肤反应器，所述感兴趣区域包括所述目标对象的皮肤。
14.根据权利要求12或13所述的系统，其特征在于，所述系统还包括：
通信装置，其连接至所述处理器，并且设置成向所述系统之外发送数据以用于处理或存储所述数据，
所述数据包括所述待处理的图像、所识别的目标区域和/或所获取的特征信息。
15.一种计算机可读存储介质，其用于存储指令，其特征在于，所述指令在被执行时实现如权利要求1-10中任一项所述的用于自动提取图像中目标区域的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110707754.0A CN113223041B (zh) | 2021-06-25 | 2021-06-25 | 用于自动提取图像中目标区域的方法、系统及存储介质 |
| PCT/CN2021/129447 WO2022267300A1 (zh) | 2021-06-25 | 2021-11-09 | 用于自动提取图像中目标区域的方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110707754.0A CN113223041B (zh) | 2021-06-25 | 2021-06-25 | 用于自动提取图像中目标区域的方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113223041A CN113223041A (zh) | 2021-08-06 |
| CN113223041B true CN113223041B (zh) | 2024-01-12 |
Family
ID=77080937
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110707754.0A Active CN113223041B (zh) | 2021-06-25 | 2021-06-25 | 用于自动提取图像中目标区域的方法、系统及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113223041B (zh) |
| WO (1) | WO2022267300A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113223041B (zh) * | 2021-06-25 | 2024-01-12 | 上海添音生物科技有限公司 | 用于自动提取图像中目标区域的方法、系统及存储介质 |
| CN113608512B (zh) * | 2021-10-08 | 2022-02-22 | 齐鲁工业大学 | 中药水丸制作控制方法、系统、装置及终端 |
| CN117122271A (zh) * | 2022-05-18 | 2023-11-28 | 上海添音生物科技有限公司 | 用于皮肤测试的可穿戴设备 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101403703A (zh) * | 2008-11-07 | 2009-04-08 | 清华大学 | 一种皮棉中异性纤维实时检测方法 |
| CN102999916A (zh) * | 2012-12-12 | 2013-03-27 | 清华大学深圳研究生院 | 一种彩色图像的边缘提取方法 |
| CN103839283A (zh) * | 2014-03-11 | 2014-06-04 | 浙江省特种设备检验研究院 | 一种小型不规则物体的面积周长无损测量方法 |
| WO2017136996A1 (zh) * | 2016-02-14 | 2017-08-17 | 广州神马移动信息科技有限公司 | 图片主色提取方法及装置、计算系统和机器可读存储介质 |
| CN107506738A (zh) * | 2017-08-30 | 2017-12-22 | 深圳云天励飞技术有限公司 | 特征提取方法、图像识别方法、装置及电子设备 |
| CN108388833A (zh) * | 2018-01-15 | 2018-08-10 | 阿里巴巴集团控股有限公司 | 一种图像识别方法、装置及设备 |
| CN109978810A (zh) * | 2017-12-26 | 2019-07-05 | 柴岗 | 痣的检测方法、系统、设备及存储介质 |
| CN110148121A (zh) * | 2019-05-09 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 一种皮肤图像处理方法、装置、电子设备及介质 |
| CN111079741A (zh) * | 2019-12-02 | 2020-04-28 | 腾讯科技（深圳）有限公司 | 图像边框位置检测方法、装置、电子设备及存储介质 |
| CN111414877A (zh) * | 2020-03-26 | 2020-07-14 | 遥相科技发展(北京)有限公司 | 去除颜色边框的表格裁切方法、图像处理设备和存储介质 |
| CN111557672A (zh) * | 2020-05-15 | 2020-08-21 | 上海市精神卫生中心（上海市心理咨询培训中心） | 一种烟酸皮肤反应图像分析方法和设备 |
| CN111680681A (zh) * | 2020-06-10 | 2020-09-18 | 成都数之联科技有限公司 | 排除非正常识别目标的图像后处理方法及系统及计数方法 |
| CN111695540A (zh) * | 2020-06-17 | 2020-09-22 | 北京字节跳动网络技术有限公司 | 视频边框识别方法及裁剪方法、装置、电子设备及介质 |
| CN111753692A (zh) * | 2020-06-15 | 2020-10-09 | 珠海格力电器股份有限公司 | 目标对象提取方法、产品检测方法、装置、计算机和介质 |
| CN112752023A (zh) * | 2020-12-29 | 2021-05-04 | 深圳市天视通视觉有限公司 | 一种图像调整方法、装置、电子设备及存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107835654B (zh) * | 2015-05-21 | 2020-03-13 | 奥林巴斯株式会社 | 图像处理装置、图像处理方法和记录介质 |
| JP6630545B2 (ja) * | 2015-11-24 | 2020-01-15 | 株式会社キーエンス | 位置決め方法、位置決め装置、プログラムおよびコンピュータ可読記録媒体 |
| WO2019108888A1 (en) * | 2017-11-30 | 2019-06-06 | The Research Foundation For The State University Of New York | SYSTEM AND METHOD TO QUANTIFY TUMOR-INFILTRATING LYMPHOCYTES (TILs) FOR CLINICAL PATHOLOGY ANALYSIS |
| CN110443811B (zh) * | 2019-07-26 | 2020-06-26 | 广州中医药大学(广州中医药研究院) | 一种复杂背景叶片图像的全自动分割方法 |
| US10991067B2 (en) * | 2019-09-19 | 2021-04-27 | Zeekit Online Shopping Ltd. | Virtual presentations without transformation-induced distortion of shape-sensitive areas |
| CN113223041B (zh) * | 2021-06-25 | 2024-01-12 | 上海添音生物科技有限公司 | 用于自动提取图像中目标区域的方法、系统及存储介质 |
-
2021
- 2021-06-25 CN CN202110707754.0A patent/CN113223041B/zh active Active
- 2021-11-09 WO PCT/CN2021/129447 patent/WO2022267300A1/zh unknown
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101403703A (zh) * | 2008-11-07 | 2009-04-08 | 清华大学 | 一种皮棉中异性纤维实时检测方法 |
| CN102999916A (zh) * | 2012-12-12 | 2013-03-27 | 清华大学深圳研究生院 | 一种彩色图像的边缘提取方法 |
| CN103839283A (zh) * | 2014-03-11 | 2014-06-04 | 浙江省特种设备检验研究院 | 一种小型不规则物体的面积周长无损测量方法 |
| WO2017136996A1 (zh) * | 2016-02-14 | 2017-08-17 | 广州神马移动信息科技有限公司 | 图片主色提取方法及装置、计算系统和机器可读存储介质 |
| CN107506738A (zh) * | 2017-08-30 | 2017-12-22 | 深圳云天励飞技术有限公司 | 特征提取方法、图像识别方法、装置及电子设备 |
| CN109978810A (zh) * | 2017-12-26 | 2019-07-05 | 柴岗 | 痣的检测方法、系统、设备及存储介质 |
| CN108388833A (zh) * | 2018-01-15 | 2018-08-10 | 阿里巴巴集团控股有限公司 | 一种图像识别方法、装置及设备 |
| CN110148121A (zh) * | 2019-05-09 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 一种皮肤图像处理方法、装置、电子设备及介质 |
| CN111079741A (zh) * | 2019-12-02 | 2020-04-28 | 腾讯科技（深圳）有限公司 | 图像边框位置检测方法、装置、电子设备及存储介质 |
| CN111414877A (zh) * | 2020-03-26 | 2020-07-14 | 遥相科技发展(北京)有限公司 | 去除颜色边框的表格裁切方法、图像处理设备和存储介质 |
| CN111557672A (zh) * | 2020-05-15 | 2020-08-21 | 上海市精神卫生中心（上海市心理咨询培训中心） | 一种烟酸皮肤反应图像分析方法和设备 |
| CN111680681A (zh) * | 2020-06-10 | 2020-09-18 | 成都数之联科技有限公司 | 排除非正常识别目标的图像后处理方法及系统及计数方法 |
| CN111753692A (zh) * | 2020-06-15 | 2020-10-09 | 珠海格力电器股份有限公司 | 目标对象提取方法、产品检测方法、装置、计算机和介质 |
| CN111695540A (zh) * | 2020-06-17 | 2020-09-22 | 北京字节跳动网络技术有限公司 | 视频边框识别方法及裁剪方法、装置、电子设备及介质 |
| CN112752023A (zh) * | 2020-12-29 | 2021-05-04 | 深圳市天视通视觉有限公司 | 一种图像调整方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 基于多特征融合技术的龙江大豆表象识别方法;付晓鹏;孟军;吴秋峰;;现代商贸工业(第23期);全文 * |
| 基于深度学习的图像目标检测算法综述;张婷婷;章坚武;郭春生;陈华华;周迪;王延松;徐爱华;;电信科学(第07期);全文 * |
| 基于深度学习的目标检测研究与应用;王潇天;;电子制作(第22期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113223041A (zh) | 2021-08-06 |
| WO2022267300A1 (zh) | 2022-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113223041B (zh) | 用于自动提取图像中目标区域的方法、系统及存储介质 | |
| WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
| US9934571B2 (en) | Image processing device, program, image processing method, computer-readable medium, and image processing system | |
| RU2595495C2 (ru) | Устройство обработки изображений, способ обработки изображений и система обработки изображений | |
| US9704017B2 (en) | Image processing device, program, image processing method, computer-readable medium, and image processing system | |
| US10395091B2 (en) | Image processing apparatus, image processing method, and storage medium identifying cell candidate area | |
| JP5333570B2 (ja) | 画像処理装置、プログラム及び画像処理システム | |
| JP2012514814A (ja) | バイアルおよび他の容器上のキャップの存在および種類の自動検出のための方法および装置 | |
| CN107516004A (zh) | 医学影像图片的识别处理方法及装置 | |
| CN112464802B (zh) | 一种玻片样本信息的自动识别方法、装置和计算机设备 | |
| CN106780428B (zh) | 一种基于颜色识别的芯片数量检测方法及系统 | |
| US9424640B2 (en) | Pathological diagnosis support apparatus and pathological diagnosis support method | |
| CN109978849B (zh) | 基于数字病理图像的基线细胞确定方法、装置及可读介质 | |
| CN113237881B (zh) | 一种特定细胞的检测方法、装置和病理切片检测系统 | |
| JP2014082957A (ja) | 細胞計数装置及び細胞計数プログラム | |
| WO2017145172A1 (en) | System and method for extraction and analysis of samples under a microscope | |
| CN110322470A (zh) | 行动识别装置、行动识别方法以及记录介质 | |
| Aris et al. | Fast k-means clustering algorithm for malaria detection in thick blood smear | |
| CN116596928A (zh) | 基于图像特征的花生油杂质快速检测方法 | |
| US11727673B1 (en) | Visual analysis method for cable element identification | |
| CN113627255A (zh) | 一种小鼠行为量化分析方法、装置、设备及可读存储介质 | |
| Balkys et al. | Segmenting the eye fundus images for identification of blood vessels | |
| CN109214363A (zh) | 一种基于YCbCr与连通区域分析的变电站工人人脸识别方法 | |
| JP5910637B2 (ja) | 生体画像解析システム、生体画像解析方法および生体画像解析プログラム | |
| CN114339046B (zh) | 基于自动旋转试管的图像采集方法、装置、设备及介质 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210806 Assignee: Hunan Tianyin Medical Technology Co.,Ltd. Assignor: SHANGHAI TIANYIN BIOTECHNOLOGY Co.,Ltd. Contract record no.: X2023310000019 Denomination of invention: Method, system, and storage medium for automatically extracting target regions in images License type: Common License Record date: 20230303 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |