CN113344961A - 图像背景分割方法、装置、计算设备及存储介质 - Google Patents
图像背景分割方法、装置、计算设备及存储介质 Download PDFInfo
- Publication number
- CN113344961A CN113344961A CN202110608292.7A CN202110608292A CN113344961A CN 113344961 A CN113344961 A CN 113344961A CN 202110608292 A CN202110608292 A CN 202110608292A CN 113344961 A CN113344961 A CN 113344961A
- Authority
- CN
- China
- Prior art keywords
- image
- background
- target
- segmentation
- segmented
- 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
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003709 image segmentation Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- ORFSSYGWXNGVFB-UHFFFAOYSA-N sodium 4-amino-6-[[4-[4-[(8-amino-1-hydroxy-5,7-disulfonaphthalen-2-yl)diazenyl]-3-methoxyphenyl]-2-methoxyphenyl]diazenyl]-5-hydroxynaphthalene-1,3-disulfonic acid Chemical compound COC1=C(C=CC(=C1)C2=CC(=C(C=C2)N=NC3=C(C4=C(C=C3)C(=CC(=C4N)S(=O)(=O)O)S(=O)(=O)O)O)OC)N=NC5=C(C6=C(C=C5)C(=CC(=C6N)S(=O)(=O)O)S(=O)(=O)O)O.[Na+] ORFSSYGWXNGVFB-UHFFFAOYSA-N 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术领域,尤其涉及一种图像背景分割方法、装置、设备及存储介质。该图像背景分割方法包括响应图像分割请求,获取待分割图像;采用预训练的目标分割网络对待分割图像进行分割处理,生成原始分割图像;从待分割图像中获取背景区域对应的背景图像,并对背景图像中的关键像素点进行聚类,得到多个聚类簇;从待分割图像中获取目标区域对应的目标图像,并基于聚类簇对目标图像中的待分析像素点进行噪点分析,获取目标背景噪点;基于目标背景噪点,对原始分割图像中的目标区域进行降噪处理,得到降噪后的目标分割图像。本发明还涉及区块链技术领域,目标图像可存储至区块链中。该方法可有效提高图像分割的准确率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种图像背景分割方法、装置、计算设备及存储介质。
背景技术
目前,在进行人像分割时,通过需要拍摄对象在蓝色或绿色的背景下进行拍摄,即利用人体上较少使用纯绿色和纯蓝色的特点,进而去除背景绿色或者蓝色,实现人像分割。
但上述方案存在如下缺陷:一是拍摄对象一定蓝色或绿色的背景下进行拍摄,导致当前人像分割方案的不够灵活;二是由于环境因素的影响(例如灯光),导致拍摄图像的背景颜色与实际设置的需要分割的背景颜色间存在误差,致使分割人像存在目标背景噪点,分割精度较低。
发明内容
本发明实施例提供一种图像背景分割方法、装置、计算设备及存储介质,以解决当前图像分割的局限性以及准确率的问题。
一种图像背景分割方法,包括:
响应图像分割请求,获取待分割图像;
采用预训练的目标分割网络对所述待分割图像进行分割处理,生成原始分割图像;其中,所述原始分割图像包括初步确定的背景区域以及目标区域;
从所述待分割图像中获取所述背景区域对应的背景图像,并对所述背景图像中的关键像素点进行聚类,得到多个聚类簇;其中,所述关键像素点基于所述背景图像中的多个像素点确定;
从所述待分割图像中获取所述目标区域对应的目标图像,并基于所述聚类簇对所述目标图像中的待分析像素点进行噪点分析,获取目标背景噪点;
基于所述目标背景噪点,对所述原始分割图像进行降噪处理,得到降噪后的目标分割图像。
一种图像背景分割装置,包括:
图像获取模块,用于响应图像分割请求,获取待分割图像;
初步分割模块,用于采用预训练的目标分割网络对所述待分割图像进行分割处理,生成原始分割图像;其中,所述原始分割图像包括初步确定的背景区域以及目标区域;
聚类模块,用于从所述待分割图像中获取所述背景区域对应的背景图像,并对所述背景图像中的关键像素点进行聚类,得到多个聚类簇;其中,所述关键像素点基于所述背景图像中的多个像素点确定;
噪点分析模块,用于从所述待分割图像中获取所述目标区域对应的目标图像,并基于所述聚类簇对所述目标图像中的待分析像素点进行噪点分析,获取目标背景噪点;
降噪模块,用于基于所述目标背景噪点,对所述原始分割图像进行降噪处理,得到降噪后的目标分割图像。
一种计算机设备,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,所述处理器执行所述计算机程序时实现上述图像背景分割方法的步骤。
一种计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述图像背景分割方法的步骤。
上述图像背景分割方法、装置、计算设备及存储介质中,通过响应图像分割请求,获取待分割图像,以便采用预训练的目标分割网络对待分割图像进行分割处理,生成原始分割图像,从而确定待分割图像中的背景区域以及目标区域,以便从待分割图像中获取背景区域对应的背景图像,并对背景图像中的关键像素点进行聚类,得到多个代表不同色阶或色度的聚类簇,以将每一聚类簇作为背景区域的代表色值,实现自动定位不同图像的背景区域的代表色值,可打破传统在进行图像分割时,需要拍摄的图像背景在绿幕或蓝幕的背景中才可实现图像分割的局限性,使得本发明的图像分割方法更加具备通用性以及泛化性。然后,从待分割图像中获取目标区域对应的目标图像,并基于聚类簇对目标图像中的待分析像素点进行噪点分析,获取目标背景噪点,以便基于目标背景噪点,对原始分割图像进行降噪处理,得到降噪后的目标分割图像,以在图像受外界影响或其他干扰因素影响时,通过在原始分割图像的基础上进一步精细分割,可有效提升图像分割的精确度,达到纠错的目的。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中图像背景分割方法的一应用环境示意图;
图2是本发明一实施例中图像背景分割方法的一流程图;
图3是图2中步骤S203的一具体流程图;
图4是本发明一实施例中图像背景分割方法的一流程图;
图5是图2中步骤S204的一具体流程图;
图6是图2中步骤S203的一具体流程图;
图7是图3中步骤S301的一具体流程图;
图8是本发明一实施例中图像背景分割方法的一流程图;
图9是本发明一实施例中图像背景分割装置的一示意图;
图10是本发明一实施例中计算机设备的一示意图。
具体实施方式
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,所描述的实施例是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
该图像背景分割方法可应用在如图1的应用环境中,其中,计算机设备通过网络与服务器进行通信。计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器来实现。
在一实施例中,如图2所示,提供一种图像背景分割方法,以该方法应用在图1中的服务器为例进行说明,包括如下步骤:
S201:响应图像分割请求,获取待分割图像。
其中,本方法可应用在一图像分割工具中,用于精细分割背景图像,无需依赖于蓝色或绿色背景,可实现任意单色背景图像的精细分割。其中,待分割图像可为证件图像、自拍图像等等,此处做限定。
S202:采用预训练的目标分割网络对待分割图像进行分割处理,生成原始分割图像;其中,原始分割图像包括初步确定的背景区域以及目标区域。
具体地,采用预先好的目标分割网络对待分割图像进行分割处理,即对待分割图像中的目标区域进行识别,以生成区分背景区域以及目标区域的分割图像。该分割图像中为一二值化图像,其中,背景区域中每一像素点的RGB值为0值,而目标区域中的每一像素点的RGB值为1,故可容易识别出背景区域。其中,该目标区域即指图像中目标物体所在区域,例如证件照中的人像区域。
S203:从待分割图像中获取背景区域对应的背景图像,并对背景图像中的关键像素点进行聚类,得到多个聚类簇;其中,关键像素点基于背景图像中的多个像素点确定。
可以理解地,由于目前传统技术一般采用蓝色或绿色背景,在图像分割时可直接将蓝色或绿色的RGB值作为背景色的代表值,然后基于该代表值作为分析分割图像中目标背景噪点的基准值,但实际应用中,由于拍摄到的图像中可能会因外界环境的影响(如光照),使得图像中的像素点的RGB值与实际预设的代表值(如绿色或蓝色)之间存在误差,从而导致图像分割不够彻底,故本实施例中为保证选取的背景色代表值的准确率,以解决上述问题,可通过从待分割图像中,获取背景区域对应的背景图像,以根据背景图像中的关键像素点对应的RGB值作为聚类样本进行聚类,可得到多个代表不同色阶或色度的聚类簇,每一类簇对应一聚类中心,以将这多个聚类中心作为背景色的代表值,进而通过对背景图像中的关键像素点进行聚类的方式,即基于当前实际拍摄到的图像分析出适合分割该图像的背景色代表值,从而根据该背景色代表值实现精细分割。
进一步地,由于本实施例红中是基于当前实际拍摄到的图像分析出适合分割该图像的背景色代表值,并根据该背景色代表值实现精细分割,故可打破传统在进行图像分割时,由于利用人体上较少使用纯绿色和纯蓝色的特点,故需要拍摄的图像背景在绿幕或蓝幕的背景中才可实现图像分割的局限性,使得本实施例中的图像分割更加具备通用性以及泛化性。
本实施例中,在识别出背景区域后,可进一步从待分割图像中获取背景区域对应的背景图像,并根据该背景图像中的关键像素点对应的RGB值进行聚类,得到多个聚类簇。该关键像素点可通过从背景图像中的多个像素点随机选取或按划分区域选取确定,此处不做限定。
可以理解地是,由于背景区域可确定,但在分割图像中背景区域内的像素点的RGB值均为0值,故可根据背景区域在分割图像中的位置,获取待分割图像中背景区域对应的背景图像,并根据背景图像中每一关键像素点对应的RGB值,采用聚类算法对多个关键像素点进行聚类,以得到多个聚类簇。本实施例中,该聚类算法包括但不限于K-means聚类算法、基于密度的聚类方法、凝聚层次聚类或图团体检测等等。
S204:从待分割图像中获取目标区域对应的目标图像,并基于聚类簇对目标图像中的待分析像素点进行噪点分析,获取目标背景噪点。
其中,待分析像素点可为分割图像中的所有像素点或选取重点关注的边缘区域内的边缘轮廓点等,此处不做限定。可以理解地,由于通过预训练的目标分割网络对待分割图像中的目标区域进行识别,可实现背景图像的粗分割,可能会出现误差,导致目标区域的边缘处未分割完整,即目标区域可能包括目标背景噪点,故本实施例中中通过在此粗分割图像的基础上进一步处理,以实现精细分割。
具体地,通过计算待分析像素点对应的RGB值与每一聚类簇对应的聚类中心之间的距离(或相似度),当距离较近(相似度较大)则认为待分析像素点属于背景区域内的像素点,则将其作为目标背景噪点。
需要强调的是,为进一步保证上述目标图像的私密和安全性,上述目标图像还可以存储于一区块链的节点中。
S205:基于目标背景噪点,对原始分割图像进行降噪处理,得到降噪后的目标分割图像。
其中,目标背景噪点用于指示原始分割图像中目标区域内的目标背景噪点。该目标背景噪点基于待分割图像中的目标图像进行分析,而该目标图像与原始分割图像中目标区域内的图像中的像素点是一一对应的,故可根据目标背景噪点在目标图像中的位置,映射得到原始分割图像中目标区域内的图像中对应的目标像素点(即指原始分割图像中的目标区域内的目标背景噪点),以对该原始分割图像中的目标像素点进行降噪处理。
具体地,对目标背景噪点进行降噪处理,即将其RGB值转换为分割图像中背景区域对应的RGB值,例如将目标背景噪点的RGB值转换为0值,以在图像受外界影响或其他干扰因素影响时,通过对分割图像进行进一步精细分割,有效提升图像分割的精确度。
本实施例中,通过响应图像分割请求,获取待分割图像,以便采用预训练的目标分割网络对待分割图像进行分割处理,生成原始分割图像,从而确定待分割图像中的背景区域以及目标区域,以便从待分割图像中获取背景区域对应的背景图像,并对背景图像中的关键像素点进行聚类,得到多个代表不同色阶或色度的聚类簇,以将每一聚类簇作为背景区域的代表色值,实现自动定位不同图像的背景区域的代表色值,可打破传统在进行图像分割时,需要拍摄的图像背景在绿幕或蓝幕的背景中才可实现图像分割的局限性,使得本实施例中的图像分割更加具备通用性以及泛化性。然后,从待分割图像中获取目标区域对应的目标图像,并基于聚类簇对目标图像中的待分析像素点进行噪点分析,获取目标背景噪点,以便基于目标背景噪点,对原始分割图像进行降噪处理,得到降噪后的目标分割图像,以在图像受外界影响或其他干扰因素影响时,通过在原始分割图像的技术上进一步精细分割(即降噪),可有效提升图像分割的精确度,达到纠错的目的。
在一实施例中,如图3所示,步骤S203中,即关键像素点基于背景图像中的多个像素点确定,具体包括如下步骤:
S301:从背景图像中随机选取关键像素点;或者,
S302:将背景图像划分为多个像素区域,以从每一像素区域中随机选取关键像素点。
具体地,可从背景图像中随机选取预设数量个像素点作为关键像素点;或者,为保证图像受光照等外界干扰因素的影响,还可针对背景图像中不同的区域随机选取预设数量个像素点,以从多方位选取关键像素点,实现全局聚类;其中,对于划分区域的数量可按照实际情况选择,例如4区域、9区域等等。
又或者,为保证选取的背景图像中关键像素点选取的随机性,还根据预设随机数值范围随机生成随机矩阵,随机矩阵中的每个随机数值可映射为背景图像中的像素点,然后再将这些随机数值打乱顺序(即打乱每一随机数值在随机矩阵中的位置),并将该随机数值作为key获取背景图像中对应的像素点,此处不做限定。可以理解地,通过随机选取关键像素点,再针对关键像素点的RGB值进行聚类,可降低数据处理量,提高聚类效率。
在一实施例中,如图4所示,该图像背景分割方法还包括如下步骤:
S401:基于原始分割图像,确定目标图像的边缘轮廓点,并将边缘轮廓点作为待分析像素点。
其中,边缘轮廓点指目标图像的图像边缘点,该边缘轮廓点可通过原始分割图像中映射得到。具体地,二值化表示的原始分割图像中的二值交叉点处,即处于“0”“1”跳变处的像素点即可认为是目标图像的图像边缘点,根据该原始分割图像中图像边缘点的位置,可确定出目标图像的边缘轮廓点。
S402:基于聚类簇对每一边缘轮廓点进行噪点分析,获取目标背景噪点。
具体地,由于原始分割图像中的边缘处的边缘轮廓点中具有噪声点的概率较大,故本实施例中可基于聚类簇对分割图像中的每一边缘轮廓点进行噪点分析,获取目标背景噪点,而无需对分割图像内的所有像素点进行噪点分析,可减少数据处理量,实现快速分割。
在一实施例中,聚类簇对应一聚类中心;如图5所示,步骤S204中,即基于聚类簇对目标图像中的待分析像素点进行噪点分析,获取目标背景噪点,具体包括如下步骤:
S501:采用颜色相似度算法对待分析像素点的RGB值与每一聚类中心的RGB值进行计算,获取颜色相似度。
S502:将颜色相似度大于预设相似度阈值的待分析像素点作为目标背景噪点。
其中,颜色相似度是指采用颜色相似度算法对背景图像中像素点的RGB值和每一聚类中心的RGB值进行计算所获取到的颜色相似度。
具体地,通过采用颜色相似度算法对背景图像中像素点的RGB值和每一聚类中心的RGB值,获取多个颜色相似度。本实施例中,颜色相似度包括但不限于采用余弦相似度、欧氏距离等进行计算得到。
具体地,以余弦相似度为例进行说明。其中,余弦相似度,是通过计算两个向量的夹角余弦值来评估他们的相似度。可理解,余弦值越接近1,表明两个向量的夹角越接近0度,则两个个体越相似。于本实施例中,待分析像素点对应的RGB值与聚类中的RGB值之间的颜色相似度的值越接近于1,则可认为为该待分析像素点为目标背景噪点,即应作为背景区域的像素点,并将其在分割图像中的RGB值置为0值。余弦相似度的计算公式为p1=sqrt(r1*r1+g1*g1+b1*b1);p2=sqrt(r2*r2+g2*g2+b2*b2);
cos(a)=(r1*r2+g1*g2+b1*b2)/(p1*p2);其中,(r1,g1,b1)表示待分析像素点的RGB值;(r2,g2,b2)表示每一聚类中心的RGB值,cos(a)表示颜色相似度。
其中,预设相似度阈可根据经验设定,例如0.9,此处不做限定。具体地,若待分析像素点与任一聚类中心之间的颜色相似度大于预设相似度阈值,则将该待分析像素点作为目标背景噪点,以便后续针对该目标背景噪点进行降噪处理。
在一实施例中,如图6所示,该图像背景分割方法还包括如下步骤:
S601:初始化邻域半径以及最小包含点数。
其中,本实施例中以DBSCAN(Density—Based Spatial Clustering ofApplication with Noise,基于密度的聚类方法)算法对背景图像中的关键像素点对应的RGB值进行聚类分析,该DBSCAN算法包括两个初始化参数,即Eps和MmPtS。其中,Eps是定义密度时的邻域半径,MmPts为定义核心点时的阈值,即最小包含点数。
S602:扫描每一关键像素点,并基于关键像素点和邻域半径,确定关键像素点对应的原始邻域。
S603:基于原始邻域和最小包含点数,确定多个核心点;其中,每一核心点对应一目标邻域。
其中,通过扫描每一关键像素点,并以该关键像素点作为圆心,以邻域半径作为圆半径即可获取该关键像素对应的原始邻域。示例性地,计算扫描到的某一关键像素点A与其他关键像素点对应的RGB值之间的距离,将该距离不大于邻域半径的关键像素点作为原始邻域中的样本点,若该原始邻域中的样本点数不小于该最小包含点数,则将该关键像素点A作为核心点,然后,通过不断扫描每一关键像素点,并重复进行上述计算和判断,以得到多个核心点。
S604:基于得到的多个核心点以及每一核心点对应的目标邻域,确定噪声点。
具体地,若某关键像素点对应的原始邻域内的的样本点数小于最小包含点数,且该关键像素点不在任意核心点对应的目标邻域内的关键像素点作为噪声点。
S605:去除噪声点,并基于每一核心点对应的目标邻域,得到多个聚类簇。
其中,将核心点距离不超过邻域半径的目标邻域取并集,得到多个聚类簇;该核心点距离用于指示任意两个核心点之间的距离。具体地,在得到多个聚类簇后,可通过将每一类簇对应的所有像素点取均值,即可获取该聚类簇对应的聚类中心。
可以理解地是,本实施例中主要为针对单一纯色背景的图像精细化分割,而单一纯色背景中的关键像素点所构成的聚类样本的密度属于较为均匀的,样本间的差距不会太大,故通过DBSCAN算法对多个关键像素点进行聚类,可保证算法性能的同时,发现并去除噪点,从而保证聚类精度。
在一实施例中,如图7所示,步骤S203中,即对背景图像中的关键像素点进行聚类,得到多个聚类簇,具体包括如下步骤:
S701:根据预设随机数值范围,生成与背景图像对应的随机矩阵;其中,随机矩阵对应多个第一随机数值;每一第一随机数值对应背景图像中的一像素点。
其中,预设随机数值范围可根据背景图像对应的像素矩阵大小确定,例如背景图像为3*4,则该预设随机数值范围为[1-12(即3*4)]。具体地,通过函数rand(n,m),生成与背景图像对应的像素矩阵尺寸大小一致的n*m的随机矩阵。此时,随机矩阵中的第一随机数值为有序的,且每一第一随机数值对应背景图像中的一像素点。
S702:打乱每一第一随机数值在随机矩阵中的位置,以更新第一随机数值对应的像素点。
具体地,为进一步保证背景图像中的像素点选取的无序性和随机性,使得选取得关键像素点更具代表性,可打乱该第一随机数值在随机矩阵中的位置,此时,该第一随机数值所表示的像素点与初始态不同,以更新第一随机数值对应的像素点。
S703:从第一随机数值中随机选取预设数量个第二随机数值,并将第二随机数值对应的像素点作为关键像素点。
其中,预设数量可根据实际需要进行设定,本实施例中为保证分割精度,此处可将预设数量设为100以上的任意正整数。需要说明的是,该预设数量不大于n*m。
具体地,从所述第一随机数值中随机选取预设数量个第二随机数值,例如,第一随机数值中包括n*m=300个第一随机数值,预设数量为100,则从300个第一随机数值中随机选取100个作为第二随机数值。最后,将此时第二随机数值所对应的像素点作为关键像素点。
在一实施例中,如图8所示,该方法还包括如下步骤:
S801:对待分割图像进行模糊检查,得到待分割图像的清晰度。
具体地,对待分割图像进行模糊检查的过程如下:先对待分割图像进行灰度化处理,然后采用k*k(例如3x3)的拉普拉斯算子进行卷积处理,最后采用std2()函数计算卷积后待分割图像的标准差,再对标准差进行平方,获取待分割图像的方差,即待分割图像的清晰度。其中,std2()函数是用于计算卷积后待分割图像的标准差的函数。
S802:若清晰度不小于预设阈值,则执行采用预训练的人像分割网络对待分割图像中的目标区域进行分割处理,得到背景区域对应的背景图像的步骤。
其中,预设清晰度阈值是预先设定好的用于判定图像是否清晰的阈值。在实际业务中,若待分割图像的方差不小于预设清晰度阈值,则认为该待分割图像得清晰度符合要求,则无需重新拍摄。若待分割图像对应的方差小于预设清晰度阈值,则说明该待分割图像的清晰度不符合要求,图像分割请求响应失败,并在前端反馈请重新拍摄的提示信息,以保证后续图像颜色的清晰度,即RGB值得准确性,进而有效提高最终图像分割的准确率。
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,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种图像背景分割装置,该图像背景分割装置与上述实施例中图像背景分割方法一一对应。如图9所示,该图像背景分割装置包括数图像获取模块10、初步分割模块20、聚类模块30、噪点分析模块40以及降噪模块50。各功能模块详细说明如下:
图像获取模块10,用于响应图像分割请求,获取待分割图像。
初步分割模块20,用于采用预训练的目标分割网络对待分割图像进行分割处理,生成原始分割图像;其中,所述原始分割图像包括初步确定的背景区域以及目标区域。
聚类模块30,用于从所述待分割图像中获取所述背景区域对应的背景图像,并对所述背景图像中的关键像素点进行聚类,得到多个聚类簇;其中,所述关键像素点基于所述背景图像中的多个像素点确定。
噪点分析模块40,用于从所述待分割图像中获取所述目标区域对应的目标图像,并基于所述聚类簇对所述目标图像中的待分析像素点进行噪点分析,获取目标背景噪点。
降噪模块50,用于基于所述目标背景噪点,对所述原始分割图像进行降噪处理,得到降噪后的目标分割图像。
具体地,聚类模块包括第一选取单元和第二选取单元。
第一选取单元,用于从所述背景图像中随机选取所述关键像素点;或者,
第二选取单元,用于将所述背景图像划分为多个像素区域,以从每一所述像素区域中随机选取所述关键像素点。
具体地,该图像背景分割装置还包括边缘轮廓点确定单元和聚类单元。
边缘轮廓点确定单元,用于基于所述原始分割图像,确定所述目标图像的边缘轮廓点,并将所述边缘轮廓点作为所述待分析像素点。
聚类单元,用于基于所述聚类簇对每一所述边缘轮廓点进行噪点分析,获取目标背景噪点。
具体地,所述聚类簇对应一聚类中心;噪点分析模块包括颜色相似度计算单元和目标背景噪点确定单元。
颜色相似度计算单元,用于采用颜色相似度算法对所述待分析像素点的RGB值与每一所述聚类中心的RGB值进行计算,获取颜色相似度。
目标背景噪点确定单元,用于将所述颜色相似度大于预设相似度阈值的待分析像素点作为所述目标背景噪点。
具体地,该图像背景分割装置还包括模糊检查模块和清晰度判断模块。
模糊检查模块,用于对所述待分割图像进行模糊检查,得到所述待分割图像的清晰度。
清晰度判断模块,用于若所述清晰度不小于预设清晰度阈值,则执行所述采用预训练的目标分割网络对所述待分割图像中进行分割处理,以得到原始分割图像的步骤。
具体地,聚类模块包括参数初始化单元、原始邻域确定单元、核心点确定单元、噪声点确定单元以及聚类簇获取单元。
参数初始化单元,用于初始化邻域半径以及最小包含点数。
原始邻域确定单元,用于扫描每一所述关键像素点,并基于所述关键像素点和所述邻域半径,确定所述关键像素点对应的原始邻域。
核心点确定单元,用于基于所述原始邻域和所述最小包含点数,确定多个核心点;其中,每一核心点对应一目标邻域。
噪声点确定单元,用于基于得到的多个核心点以及每一所述核心点对应的目标邻域,确定噪声点。
聚类簇获取单元,用于去除所述噪声点,并基于每一所述核心点对应的目标邻域,得到所述多个聚类簇。
具体地第一选取单元包括随机矩阵生成模块、随机数值位置打乱模块以及关键像素点获取模块。
随机矩阵生成模块,用于根据预设随机数值范围,生成与所述背景图像对应的随机矩阵;其中,所述随机矩阵对应多个第一随机数值。
随机数值位置打乱模块,用于打乱每一所述第一随机数值在所述随机矩阵中的位置;其中,每一所述第一随机数值对应背景图像中的一像素点。
关键像素点获取模块,用于基于所述预设随机数值范围,生成预设数量个第二随机数值,并将所述第二随机数值对应的像素点作为所述关键像素点。
关于图像背景分割装置的具体限定可以参见上文中对于图像背景分割方法的限定,在此不再赘述。上述图像背景分割装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括计算机存储介质、内存储器。该计算机存储介质存储有操作系统、计算机程序和数据库。该内存储器为计算机存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储执行图像背景分割方法过程中生成或获取的数据,如待分割图像。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像背景分割方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上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实施例中的图像背景分割方法的步骤,例如图2所示的步骤S201-S205,或者图3至图8中所示的步骤。或者,处理器执行计算机程序时实现图像背景分割装置这一实施例中的各模块/单元的功能,例如图9所示的各模块/单元的功能,为避免重复,这里不再赘述。
在一实施例中,提供一计算机存储介质,该计算机存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中图像背景分割方法的步骤,例如图2所示的步骤S201-S205,或者图3至图8中所示的步骤,为避免重复,这里不再赘述。或者,该计算机程序被处理器执行时实现上述图像背景分割装置这一实施例中的各模块/单元的功能,例如图9所示的各模块/单元的功能,为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像背景分割方法,其特征在于,包括:
响应图像分割请求,获取待分割图像;
采用预训练的目标分割网络对所述待分割图像进行分割处理,生成原始分割图像;其中,所述原始分割图像包括初步确定的背景区域以及目标区域;
从所述待分割图像中获取所述背景区域对应的背景图像,并对所述背景图像中的关键像素点进行聚类,得到多个聚类簇;其中,所述关键像素点基于所述背景图像中的多个像素点确定;
从所述待分割图像中获取所述目标区域对应的目标图像,并基于所述聚类簇对所述目标图像中的待分析像素点进行噪点分析,获取目标背景噪点;
基于所述目标背景噪点,对所述原始分割图像进行降噪处理,得到降噪后的目标分割图像。
2.如权利要求1所述图像背景分割方法,其特征在于,所述关键像素点基于所述背景图像中的多个像素点确定,包括:
从所述背景图像中随机选取所述关键像素点;或者,
将所述背景图像划分为多个像素区域,以从每一所述像素区域中随机选取所述关键像素点。
3.如权利要求1所述图像背景分割方法,其特征在于,在所述基于所述聚类簇对所述待分割图像中所述目标图像中的待分析像素点进行噪点分析之前,所述图像背景分割方法还包括;
基于所述原始分割图像,确定所述目标图像的边缘轮廓点,并将所述边缘轮廓点作为所述待分析像素点;
所述基于所述聚类簇对所述目标图像中的待分析像素点进行噪点分析,获取目标背景噪点,包括:
基于所述聚类簇对每一所述边缘轮廓点进行噪点分析,获取所述目标背景噪点。
4.如权利要求1所述图像背景分割方法,其特征在于,所述聚类簇对应一聚类中心;所述基于所述聚类簇对所述目标图像中的待分析像素点进行噪点分析,获取目标背景噪点,包括:
采用颜色相似度算法对所述待分析像素点的RGB值与每一所述聚类中心的RGB值进行计算,获取颜色相似度;
将所述颜色相似度大于预设相似度阈值的待分析像素点作为所述目标背景噪点。
5.如权利要求1所述图像背景分割方法,其特征在于,在所述采用预训练的目标分割网络对所述待分割图像中进行分割处理,以得到原始分割图像之前,所述图像背景分割方法还包括:
对所述待分割图像进行模糊检查,得到所述待分割图像的清晰度;
若所述清晰度不小于预设清晰度阈值,则执行所述采用预训练的目标分割网络对所述待分割图像中进行分割处理,以得到原始分割图像的步骤。
6.如权利要求1所述图像背景分割方法,其特征在于,所述对所述背景图像中的关键像素点进行聚类,得到多个聚类簇,包括:
初始化邻域半径以及最小包含点数;
扫描每一所述关键像素点,并基于所述关键像素点和所述邻域半径,确定所述关键像素点对应的原始邻域;
基于所述原始邻域和所述最小包含点数,确定多个核心点;其中,每一核心点对应一目标邻域;
基于得到的多个核心点以及每一所述核心点对应的目标邻域,确定噪声点;
去除所述噪声点,并基于每一所述核心点对应的目标邻域,得到所述多个聚类簇。
7.如权利要求1所述图像背景分割方法,其特征在于,所述从所述背景图像中随机选取所述关键像素点,包括:
根据预设随机数值范围,生成与所述背景图像对应的随机矩阵;其中,所述随机矩阵对应多个第一随机数值;每一所述第一随机数值对应背景图像中的一像素点;
打乱每一所述第一随机数值在所述随机矩阵中的位置,以更新所述第一随机数值对应的像素点;
从所述第一随机数值中随机选取预设数量个第二随机数值,并将所述第二随机数值对应的像素点作为关键像素点。
8.一种图像背景分割装置,其特征在于,包括:
图像获取模块,用于响应图像分割请求,获取待分割图像;
初步分割模块,用于采用预训练的目标分割网络对所述待分割图像进行分割处理,生成原始分割图像;其中,所述原始分割图像包括初步确定的背景区域以及目标区域;
聚类模块,用于从所述待分割图像中获取所述背景区域对应的背景图像,并对所述背景图像中的关键像素点进行聚类,得到多个聚类簇;其中,所述关键像素点基于所述背景图像中的多个像素点确定;
噪点分析模块,用于从所述待分割图像中获取所述目标区域对应的目标图像,并基于所述聚类簇对所述目标图像中的待分析像素点进行噪点分析,获取目标背景噪点;
降噪模块,用于基于所述目标背景噪点,对所述原始分割图像进行降噪处理,得到降噪后的目标分割图像。
9.一种计算机设备,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任一项所述图像背景分割方法的步骤。
10.一种计算机存储介质,所述计算机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任一项所述图像背景分割方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110608292.7A CN113344961B (zh) | 2021-06-01 | 2021-06-01 | 图像背景分割方法、装置、计算设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110608292.7A CN113344961B (zh) | 2021-06-01 | 2021-06-01 | 图像背景分割方法、装置、计算设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344961A true CN113344961A (zh) | 2021-09-03 |
CN113344961B CN113344961B (zh) | 2023-09-26 |
Family
ID=77474079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110608292.7A Active CN113344961B (zh) | 2021-06-01 | 2021-06-01 | 图像背景分割方法、装置、计算设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344961B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114882192A (zh) * | 2022-07-08 | 2022-08-09 | 浙江国遥地理信息技术有限公司 | 一种建筑立面的分割方法、装置、电子设备以及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018036462A1 (zh) * | 2016-08-22 | 2018-03-01 | 腾讯科技(深圳)有限公司 | 图像分割的方法、计算机设备及存储介质 |
CN110544258A (zh) * | 2019-08-30 | 2019-12-06 | 北京海益同展信息科技有限公司 | 图像分割的方法、装置、电子设备和存储介质 |
-
2021
- 2021-06-01 CN CN202110608292.7A patent/CN113344961B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018036462A1 (zh) * | 2016-08-22 | 2018-03-01 | 腾讯科技(深圳)有限公司 | 图像分割的方法、计算机设备及存储介质 |
CN110544258A (zh) * | 2019-08-30 | 2019-12-06 | 北京海益同展信息科技有限公司 | 图像分割的方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
董燕飞;任琦梅;张俊峰;: "一种基于多重模糊聚类的红外目标分割算法", 激光与红外, no. 05, pages 104 - 107 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114882192A (zh) * | 2022-07-08 | 2022-08-09 | 浙江国遥地理信息技术有限公司 | 一种建筑立面的分割方法、装置、电子设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113344961B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021017261A1 (zh) | 识别模型训练方法、图像识别方法、装置、设备及介质 | |
KR102113911B1 (ko) | 생체 인식 인증을 위한 특징 추출 및 정합과 템플릿 갱신 | |
CN111860670A (zh) | 域自适应模型训练、图像检测方法、装置、设备及介质 | |
CN110211076B (zh) | 图像拼接方法、图像拼接设备和可读存储介质 | |
CN112837303A (zh) | 一种用于模具监视的缺陷检测方法、装置、设备及介质 | |
US20230086961A1 (en) | Parallax image processing method, apparatus, computer device and storage medium | |
WO2021012382A1 (zh) | 配置聊天机器人的方法、装置、计算机设备和存储介质 | |
CN109492642B (zh) | 车牌识别方法、装置、计算机设备及存储介质 | |
CN111899246B (zh) | 玻片数字化信息质量检测方法、装置、设备及介质 | |
CN113344910B (zh) | 缺陷标注图像的生成方法、装置、计算机设备及存储介质 | |
CN111353489A (zh) | 文本图像处理方法、装置、计算机设备和存储介质 | |
CN109447117B (zh) | 双层车牌识别方法、装置、计算机设备及存储介质 | |
CN112381081A (zh) | 公章文字自动识别方法、装置、计算机设备及存储介质 | |
CN111507298B (zh) | 人脸检测方法、装置、计算机设备和存储介质 | |
CN111915541B (zh) | 基于人工智能的图像增强处理方法、装置、设备及介质 | |
CN113436080A (zh) | 印章图像的处理方法、装置、设备及存储介质 | |
CN112001983B (zh) | 生成遮挡图像的方法、装置、计算机设备和存储介质 | |
WO2022194079A1 (zh) | 天空区域分割方法、装置、计算机设备和存储介质 | |
CN113344961A (zh) | 图像背景分割方法、装置、计算设备及存储介质 | |
CN111340025A (zh) | 字符识别方法、装置、计算机设备和计算机可读存储介质 | |
CN111445487A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN117372487A (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
CN112308044B (zh) | 针对掌静脉图像的图像增强处理方法和掌静脉识别方法 | |
CN111160363B (zh) | 特征描述子生成方法、装置、可读存储介质及终端设备 | |
CN111161174A (zh) | 一种血管模型建立方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |