CN113538500A - 图像分割方法、装置、电子设备和存储介质 - Google Patents
图像分割方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113538500A CN113538500A CN202111058412.7A CN202111058412A CN113538500A CN 113538500 A CN113538500 A CN 113538500A CN 202111058412 A CN202111058412 A CN 202111058412A CN 113538500 A CN113538500 A CN 113538500A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- target
- foreground
- weight
- 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
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000003709 image segmentation Methods 0.000 title claims abstract description 67
- 230000011218 segmentation Effects 0.000 claims abstract description 222
- 238000001514 detection method Methods 0.000 claims description 64
- 238000007689 inspection Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 7
- 230000003628 erosive effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000009467 reduction Effects 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
- 239000002699 waste material Substances 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/10—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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种图像分割方法、装置、电子设备和存储介质,其中方法包括:确定待分割的图像;基于粗分割阈值,对所述图像的灰度图进行分割,得到所述图像的粗分割前景,所述粗分割阈值是在粗分割权重引导下对所述图像的灰度图进行阈值迭代得到的,所述粗分割权重中的前景权重小于背景权重;对所述粗分割前景进行分割。本发明提供的方法、装置、电子设备和存储介质,能够通过粗分割阈值,对所述图像的灰度图进行分割,得到所述图像的粗分割前景,再对粗分割前景二次分割,减少了背景区域对前景区域的分割影响,实现了图像前景区域的精确分割。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像分割方法、装置、电子设备和存储介质。
背景技术
X光机广泛应用于铁路、轨道交通或民航等场所,X光机扫描的行李图像主要由专业的安检人员进行违禁品识别,考虑行李中的物品互相重叠,很容易出现漏检和误检。随着人工智能技术的发展,基于深度学习的方案大大提高了识别的准确率。但传统的方案直接对视频帧进行识别,输入分辨率大,识别效率低,很难满足实时性的要求。
预先分割出行李图像,再送入深度学习模型做违禁品识别,可以大幅提升分析效率。
但是X光机扫描的图像具有背景区域大的特点,现有的实现图像前景和背景分割的算法主要是针对前景和背景像素点个数较为均衡的图像,在面对这类背景区域大的图像时,现有的分割算法无法准确的分割此类图像的前景区域。
发明内容
本发明提供一种图像分割方法、装置、电子设备和存储介质,用以解决现有技术中图像分割算法无法对背景区域大的图像进行准确分割的缺陷。
本发明提供一种图像分割方法,包括:
确定待分割的图像;
基于粗分割阈值,对所述图像的灰度图进行分割,得到所述图像的粗分割前景,所述粗分割阈值是在粗分割权重引导下对所述图像的灰度图进行阈值迭代得到的,所述粗分割权重中的前景权重小于背景权重;
对所述粗分割前景进行分割。
根据本发明提供的一种图像分割方法,所述粗分割阈值是基于如下步骤确定的:
基于当前阈值对所述灰度图中的像素分组,得到所述当前阈值下的前景像素均值和背景像素均值;
基于所述前景权重和所述背景权重,对所述当前阈值下的前景像素均值和背景像素均值进行加权求和,得到下一阈值,并将所述下一阈值作为所述当前阈值对所述灰度图中的像素分组,直至阈值迭代结束;
将阈值迭代结束时的当前阈值确定为所述粗分割阈值。
根据本发明提供的一种图像分割方法,所述对所述粗分割前景进行分割,包括:
基于细分割阈值,对所述粗分割前景的灰度图进行分割,得到所述图像的分割结果,所述细分割阈值是在细分割权重引导下对所述粗分割前景的灰度图进行阈值迭代得到的,所述细分割权重中的前景权重大于等于背景权重。
根据本发明提供的一种图像分割方法,所述对所述粗分割前景进行分割,之后还包括:
确定对所述粗分割前景进行分割得到的二值图像;
对所述二值图像进行连通区域分析,得到所述图像中的初检目标;
对所述初检目标进行粘连分裂,得到所述图像中的检测目标。
根据本发明提供的一种图像分割方法,所述对所述初检目标进行粘连分裂,包括:
若所述初检目标的形状特征符合粘连条件,则对所述初检目标进行粘连分裂;
所述形状特征是基于所述初检目标的连通区域面积和外接矩形面积,和/或所述初检目标的外接矩形尺寸确定的。
根据本发明提供的一种图像分割方法,所述对所述初检目标进行粘连分裂,包括:
对所述初检目标在所述二值图像中的区域进行腐蚀,对腐蚀后的区域进行连通区域分析,得到连通子图区域;
若所述连通子图区域的数量为多个,则在所述初检目标在所述二值图像中的区域内,对各连通子图区域进行重建。
根据本发明提供的一种图像分割方法,所述在所述初检目标在所述二值图像中的区域内,对各连通子图区域进行重建,包括:
基于所述初检目标中各像素点与各连通子图区域的轮廓之间的距离,确定各像素点与各连通子图区域的归属关系;
基于各像素点与各连通子图区域的归属关系,对各连通子图区域进行重建。
根据本发明提供的一种图像分割方法,其特征在于,所述对所述粗分割前景进行分割,之后还包括:
确定对所述粗分割前景进行分割得到待跟踪目标;
基于所述待跟踪目标在所述图像中的位置,确定所述待跟踪目标的显示状态,所述显示状态为完整显示或者部分显示;
基于所述待跟踪目标的显示状态,对所述待跟踪目标进行目标跟踪。
根据本发明提供的一种图像分割方法,所述基于所述待跟踪目标的显示状态,对所述待跟踪目标进行目标跟踪,包括:
若所述待跟踪目标为完整显示,则基于所述待跟踪目标的区域图像与各候选目标的区域图像,进行目标跟踪;
若所述待跟踪目标为部分显示,则基于所述待跟踪目标的外接矩形和各候选目标的外接矩形之间的重叠面积占比,进行目标跟踪。
本发明还提供一种图像分割装置,包括:
预处理模块,用于确定待分割的图像;
粗分模块,用于基于粗分割阈值,对所述图像的灰度图进行分割,得到所述图像的粗分割前景,所述粗分割阈值是在粗分割权重引导下对所述图像的灰度图进行阈值迭代得到的,所述粗分割权重中的前景权重小于背景权重;
细分模块,用于对所述粗分割前景进行分割。
本发明还提供一种电子设备,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,所述处理器执行所述程序时实现如上述任一种所述图像分割方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述图像分割方法的步骤。
本发明实施例提供的一种图像分割方法,通过粗分割权重的引导阈值迭代,以获取更加偏向于背景像素值的粗分割阈值,根据粗分阈值进行图像分割所得的粗分割前景,包含了完整前景和包裹完整前景的部分背景,相较于待分割图像,减少了背景区域,呈现双峰的特征,在此基础上进行分割,即可实现对针对图像中前景区域的精确分割。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术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是本发明实施例提供的用于图像分割的流程示意图;
图2是本发明实施例提供的用于获取粗分割阈值的方法的流程示意图;
图3是本发明实施例提供的对粗分割前景分割后的前景图像粘连分裂的流程示意图;
图4是本发明实施例提供的对初检目标进行粘连分割的流程示意图;
图5是本发明实施例提供的各连通子图区域重建的流程示意图;
图6是本发明实施例提供的执行本发明图像分割方法后得到的目标跟踪的流程示意图;
图7是本发明提供的图像切割装置的结构示意图;
图8是本发明提供的电子设备的结构示意图。
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,下面将结合本发明中的附图,对本发明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。
为了实现图像的前景和背景的分割,目前现有的图像分割的方法包括阈值分割、区域分割或者边缘分割,其中,针对基于阈值分割图像的方法主要是通过阈值分割法来进行,常用的选取阈值的方法有迭代法和OTSU法(最大类间方差法),这两种方法均可以在图像的背景占比和前景占比接近,即在图像直方图为双峰的时候可以获取较好的阈值。
然而,还存在一类图像,该类图像具有背景区域大的特点,从而导致图像直方图出现较高的单峰,迭代法或者OTSU法都无法得到合适的阈值,从而影响图像的分割的质量。
可见,如何对含有背景区域大特点的图像进行准确的前景和背景的分割是本领域亟待解决的问题。
图1为本发明实施例提供的用于图像分割的流程示意图,如图1所示,本发明实施例提供了一种图像分割方法,包括:
步骤110:确定待分割的图像;
具体地,待分割的图像为需要进行前景区域分割的图像,待分割的图像可以具有背景区域大,灰度直方图呈现单峰的特点,例如安检X光机采集到的行李图像,行李图像中包含大量的白色背景像素点。
需要说明的是,待分割的图像也可以是前景和背景占比较为均匀的,灰度直方图呈现双峰的图像。本发明实施例适用于灰度直方图呈现单峰的图像的图像分割,亦可以应用到灰度直方图呈现双峰的图像的图像分割中。
步骤120:基于粗分割阈值,对图像的灰度图进行分割,得到图像的粗分割前景,粗分割阈值是在粗分割权重引导下对图像的灰度图进行阈值迭代得到的,粗分割权重中的前景权重小于背景权重。
步骤130:对粗分割前景进行分割。
具体地,基于如何对含有背景区域很大占有大多数像素特点的图像进行准确的前景和背景的分割这一问题,本发明实施例通过两次分割的方法对待分割的图像的前景进行分割,此处第一次分割的目的在于将图像中的一部分背景分割出来,从而得到包含了完成前景和包裹完整前景的另一部分背景的粗分割前景。由于第一次分割中滤除了一部分背景,粗分割前景中背景区域的占比相对减小,粗分割前景中背景区域和前景区域的占比相对均衡,粗分割前景的图像直方图呈现双峰,因此可以在第二次分割时适应各种现有的分割方式,以实现准确分割。
为了保证第一次分割即粗分割时,能够得到包含了完整前景和包裹完整前景的部分背景的粗分割前景,本发明实施例提出了在粗分割权重引导下的粗分割阈值的确定方法:
传统的阈值迭代法是在通过依据上轮得到的阈值或者第一轮为初始阈值将图像的像素分为前景像素集合和背景像素集合两组,并将基于前景像素集合和背景像素集合所得的前景的像素均值和背景的像素均值求平均,将平均值作为下一轮的阈值进行下一轮的图像像素分组,在迭代的过程中阈值会逐步收敛,最终根据预设的迭代完成条件退出迭代得到粗分割阈值。在此过程中,前景和背景是为两个均匀分布的部分。
考虑到实际上存在一些图像中的背景占比远大于前景,为了引导最终迭代得到的粗分割阈值能够更接近于背景的像素值,从而实现针对背景的部分分割,可以在阈值迭代之前预先设置粗分割权重,粗分割权重可以包含前景权重和背景权重两部分,前景权重应小于背景权重,由此使得在每轮迭代过程中,可以对本轮得到的阈值进行图像分割所得到的前景的像素均值和背景的像素均值进行加权,并将加权求和得到的结果作为下一轮的阈值,前景权重和背景权重的参与,引导每轮迭代的阈值更加倾向于背景像素的方向迁移,迭代完成得到的粗分割阈值相较于传统的阈值迭代法得到的阈值,更倾向于背景像素值。
由此基于粗分割阈值对图像的灰度图进行分割,即可得到包含了完整前景和包裹完整前景的部分背景的粗分割前景。此时的粗分割前景,可以是一个背景区域和前景区域的占比相对均衡的图像,可通过各种现有的分割方式进行分割,从而得到最终的分割结果。此处,步骤130中针对粗分割前景进行分割的方式可以是阈值分割、预期分割或者边缘分割等,具体使用阈值分割时,其分割阈值可以使用OTSU、迭代法获取,本发明实施例对此不作具体限定。
本发明实施例提供的一种图像分割方法,通过粗分割权重的引导阈值迭代,以获取更加偏向于背景像素值的粗分割阈值,根据粗分阈值进行图像分割所得的粗分割前景,包含了完整前景和包裹完整前景的部分背景,相较于待分割图像,减少了背景区域,呈现双峰的特征,在此基础上进行分割,即可实现对针对图像中前景区域的精确分割。
基于上述实施例,图2为本发明实施例提供的用于获取粗分割阈值的方法的流程示意图,如图2所示,粗分割阈值是基于如下步骤确定的:
步骤210:基于当前阈值对灰度图中的像素分组,得到当前阈值下的前景像素均值和背景像素均值;
步骤220:基于前景权重和背景权重,对当前阈值下的前景像素均值和背景像素均值进行加权求和,得到下一阈值,并将下一阈值作为当前阈值对该灰度图中的像素分组,直至阈值迭代结束;
步骤230:将阈值迭代结束时的当前阈值确定为粗分割阈值。
具体地,针对获取粗分割阈值,首先,步骤210是通过当前阈值对待分割的图像的灰度图中的像素进行分组,得到当前阈值下的前景像素均值和背景像素均值。需要说明的是当前阈值分为两种情况:第一种,当第一次通过当前阈值计算前景像素均值和背景像素均值时,该阈值可以是直接选取一个特定的像素值,还可以是待分割的图像的灰度图的全部像素的均值,本发明实施例对此不作限制;第二种,当进入迭代后,当前阈值是根据上一轮计算得到前景像素均值和背景像素均值确定的。
其次,基于步骤210中获取到的待分割的图像的灰度图在当前阈值下的前景像素均值和背景像素均值,通过前景权重和背景权重对前景像素均值和背景像素均值加权求和,得到的结果数值作为下一轮迭代的阈值。需要说明的是在阈值迭代计算结束以前可以重复执行步骤210和步骤220,具体来说:步骤210执行得到前景像素均值和背景像素均值,前景像素均值和背景像素均值通过步骤220中的前景权重和背景权重进行加权求和得到本轮的阈值结果,至此本轮迭代完成,将该阈值结果作为下一轮迭代中步骤210的当前阈值开始计算,以此迭代执行,直至满足迭代完成条件完成迭代过程,其中迭代完成条件可以是本轮迭代得到的阈值结果被收敛到一个范围,还可以是本轮迭代结果和前一轮迭代结果的差值在一个范围内,本发明实施例对此不作限制。
最后,步骤230在迭代完成之后,将最终得到的阈值结果作为粗分割阈值,进行后续的对目标图片的灰度图进行粗分割操作。
基于上述实施例,步骤130中,对粗分割前景进行分割,包括:
基于细分割阈值,对粗分割前景的灰度图进行分割,得到图像的分割结果,细分割阈值是在细分割权重引导下对粗分割前景的灰度图进行阈值迭代得到的,细分割权重中的前景权重大于等于背景权重。
具体地,为了得到准确精细分割下的前景,需要对粗分割所得的粗分割前景做进一步分割。在进一步分割时,可以参照步骤120中的阈值分割思路,但是不同于步骤120中设置较大的背景权重,此时分割的目标是尽可能筛除粗分割前景中的背景区域,从而得到仅包含前景的分割结果。
对此,可以预先设置细分割权重,细分割权重同样包含前景权重和背景权重两部分,不同的是,细分割权重中的前景权重应大于背景权重,由此使得在每轮迭代过程中,可以对本轮得到的阈值进行图像分割所得到的前景的像素均值和背景的像素均值进行加权,并将加权求和得到的结果作为下一轮的阈值,前景权重和背景权重的参与,引导每轮迭代的阈值更加倾向于前景像素的方向迁移,迭代完成得到的细分割阈值相较于传统的阈值迭代法得到的阈值,更倾向于前景像素值。
由此基于细分割阈值对粗分割前景进行分割,即可得到待分割的图片准确的分割前景。
基于上述实施例,本发明实施例以X光机扫描的图像(背景为白色的图像)为例进一步提供一种图像分割方法,包括:
首先,通过以下步骤获取适合的阈值,具体如下:
第二步,对以下步骤进行迭代操作:
步骤2.1,获取当前的阈值 ,阈值 为上一轮中步骤2.3计算得到的阈值结果, 为当前的迭代次数,。使用 将待分割的图像的灰度图的灰度值分
成前景像素集合和背景像素集合两组,灰度值小于等于 的灰度值作为前景像素集合并
使用 表示,大于的像素作为背景像素集合并使用表示。
更加具体地,通过直方图来计算阈值,具体的计算公式如下:
其次,基于上述阈值迭代计算公式,二次分割待分割的图像的具体步骤如下:
第一次分割:基于原图计算直方图,按照上述阈值迭代计算公使用较大的
背景权重=0.7迭代计算得到粗分割阈值,使得最终阈值偏向于背景,进行反色二值化,
获取过滤大部分背景元素且仍然包含前景目标的二值图像。
第二次分割:使用 中对应于中255像素值位置的像素构成的粗
分割前景计算直方图,在该直方图上使用背景权重=0.4的迭代法获取阈值 ,根据阈值对粗分割前景进行反色二值化,获得二值图像,前景像素值为255,背景为0,
在待分割的图像中查找出与二值图像像素为255的像素区域对应的区域,即为
待分割的图像分割后的前景图像。
本发明实施例提供的一种图像分割方法,通过粗分割权重的引导阈值迭代,以获取更加偏向于背景像素值的粗分割阈值,根据粗分阈值进行图像分割所得的粗分割前景,包含了完整前景和包裹完整前景的部分背景,相较于待分割图像,减少了背景区域,呈现双峰的特征,在此基础上进行分割,即可实现对针对图像中前景区域的精确分割。X光机安检时,在客流高峰期会出现行李堆叠放置,导致行李图像部分出现粘连,而现有技术中多采用固定长度的切图来分割行李图像,导致存在将行李中的物品被切成多段的可能性,进而影响了违禁品的检测,并且切图重叠度过高,会造成检测资源的浪费。
可见,如何对粘连图像进行分裂是本领域亟待解决的问题。
基于上述任一实施例,图3为本发明实施例提供的对粗分割前景分割后的前景图像粘连分裂的流程示意图,如图3所示,步骤130之后,对完成图像分割所得的前景图像进行粘连分裂的方法具体包括:
步骤310:确定对粗分割前景进行分割得到的二值图像;
步骤320:对二值图像进行连通区域分析,得到图像中的初检目标;
步骤330:对初检目标进行粘连分裂,得到图像中的检测目标。
具体地,通过二次分割,即可得到分割结果,此处分割结果可以表示为二值图像的形式,此处二值图像中,前景为像素255的像素点,背景为像素0的像素点。
通过对二值图像进行连通域的分析,可以得到初检目标。此处,连通域分析包括提取该二值图像中的所有连通域,并在所有的连通域中筛选出满足需求的连通域的集合,筛选的方式可以是根据连通域外接矩形的尺寸来筛选,还可以是在提取二值图像的连通域之前,对二值图像进行腐蚀膨胀的处理来去除掉一些杂质连通域以达到筛选的效果,本发明实施例对此不作限制。由此得到的初检目标即针对图像分割结果进行检测所得的连通区域,例如在X光检测图像中,初检目标可能是单独一件的行李,也可能是多件堆叠的行李。初检目标可以是一个或者多个,此处得到的初检目标,可以应用于目标跟踪,目标识别等各种场景中,本发明实施例对此不作具体限定。
在此基础上,考虑到二次分割后得到的二值图像存在了图像粘连的情况,例如:多个行李发生堆叠,可以进一步对初检目标进行粘连分裂,其中,粘连分裂的方法可以是垂直/水平投影分割法,边缘检测分割法或者分水岭分割法等,本发明实施例对此不做限制,粘连分裂后得到初检目标对应的检测目标,此处得到的检测目标,可以应用于目标跟踪,目标识别等各种场景中,本发明实施例对此不作具体限定。
基于上述实施例,步骤330中,对初检目标进行粘连分裂,包括:
若初检目标的形状特征符合粘连条件,则对初检目标进行粘连分裂;
形状特征是基于初检目标的连通区域面积和外接矩形面积,和/或初检目标的外接矩形尺寸确定的。
具体地,考虑到如果对所有的初检目标都进行粘连分裂处理,需要消耗另外的计算量,占用系统资源,影响响应速度,降低图像分割的处理效率,为了解决这个问题,可以在对初检目标粘连分裂步骤之前对初检目标进行筛选,仅将可能存在粘连情况的初检目标进行分裂。
针对判断初检目标是否粘连,是通过初检目标的形状特征是否符合粘连条件,若满足粘连条件则判断初检目标粘连,否则初检目标为非粘连目标。需要说明的是初检目标的形状特征具体是基于初检目标的连通区域面积和外接矩形面积或者初检目标的外接矩形尺寸两者之一的单一条件来确定,也可以基于初检目标的连通区域面积和外接矩形面积以及者初检目标的外接矩形尺寸两个条件联合确定;初检目标的连通区域面积和外接矩形面积可以是连通区域面积和外接矩形面积的差值,还可以是连通区域面积和外接矩形面积的比值,本发明实施例对此不作限制;初检目标的外接矩形尺寸可以是外接矩形的周长、面积或者宽高比等,本发明实施例对此不作限制。
基于上述任一实施例,图4为本发明实施例提供的对初检目标进行粘连分割的流程示意图,如图4所示,步骤330中,对初检目标进行粘连分裂,包括:
步骤331:对初检目标在二值图像中的区域进行腐蚀,对腐蚀后的区域进行连通区域分析,得到连通子图区域;
步骤332:在初检目标在二值图像中的区域内,对各连通子图区域进行重建。
具体地,考虑到初检目标为粘连的情况,为了得到准确的检测目标,需要将粘连的初检目标进行分割,初检目标进行粘连分割,通过两个步骤来完成,具体如下:
步骤331中,将初检目标即连通域在二值图像对应的区域进行图像腐蚀处理操作,并对图像腐蚀处理完成后的区域进行连通域分析,得到连通域子图区域。需要说明的是图像腐蚀处理操作为图像形态学中用于除去图像中的某些部分的处理操作,这里的初检目标在二值图像对应的区域进行图像腐蚀处理操作可以是一次或者多次,本发明实施例对此不作限制;连通域分析如前文陈述的包括提取连通域和筛选连通域,筛选连通域的方法本发明实施例并不作限制。
步骤332中,根据步骤331所得到的连通子图区域,对连通子图区域的个数进行判断,若只有一个连通子图区域,则可以认为初检目标不能被分裂,此时可以将初检目标作为检测目标,还可以直接认为该初检目标异常不做处理,本发明实施例对此不作限制;若有多个连通子图区域,则根据二值图像中与每一个连通子图区域对应的区域对该连通子图区域进行重建,重建的方式可以为通过图像膨胀处理的方式对该连通子图区域进行重建,还可以初检目标的像素点与各连通子图区域的归属关系来进行重建,本发明实施例对此不作限制。
基于上述实施例,图5为本发明实施例提供的各连通子图区域重建的流程示意图,如图5所示,步骤332中,对各连通子图区域重建,具体包括:
步骤510:基于初检目标中各像素点与各连通子图区域的轮廓之间的距离,确定各像素点与各连通子图区域的归属关系;
步骤520:基于各像素点与各连通子图区域的归属关系,对各连通子图区域进行重建。
具体地,传统的图像粘连分裂后重建的方式为根据图像粘连分裂时的腐蚀的次数,对分裂后的子图进行相同次数的膨胀处理操作,以此来对子图进行重建。但膨胀处理的重建,其中重建的子图与图像粘连时的相对应的原部分的差异度会比较大。
考虑到实际应用中需要使得重建的子图和图像粘连时相对应的原部分有较高的还原需求,为了更准确地重建分裂后的子图,可以通过各像素点与各连通子图区域的归属关系来进行重建,其中各像素点与各连通子图区域的归属关系是通过初检目标中各像素点与各连通子图区域的轮廓之间的距离确定的。
需要说明的是,考虑到各连通子图中本身包含的像素点必然属于所属连通子图区域,无需再针对此类像素点进行归属关系的判断,因此本发明实施例中所指的初检目标中的各像素点,具体可以是初检目标中的像素点为255,而各连通子图中对应坐标像素点为0的一类像素点,即属于初检目标但是在各连通子图区域之外的像素点。
确定该类像素点集合中的像素点属于哪个连通子图区域,是通过像素点坐标到连通子图区域轮廓的距离来进行判断的,此处所指的距离,可以是该像素点的坐标到连通子图区域轮廓中最近的一个像素点坐标的距离,也可以是该像素点的坐标到连通子图区域轮廓中多个点拟合成的直线的距离。在得到任一像素点与各通子图区域轮廓之间的距离之后,可以确定距离最近的连通子图区域,则该连通子图区域为该像素点所在的连通子图区域。
在明确各像素点与各连通子图区域的归属关系之后,即可基于属于各连通子图区域的像素点,对各连通子图区域进行重建。
基于上述实施例,针对X光安检机拍摄的行李图像,对分割结果进行粘连分离的方法,具体如下:
第一步,基于形态学,对分割所得的二值图像进行运算,先对该二值图像进行腐蚀后膨胀。
第二步,提取形态学处理后的二值图像中的连通域,并基于行李的尺寸过滤掉小的连通区域,得到符合条件需要进行粘连分离的连通域集合。
第三步,对第二步得到的连通域集合中的每一个连通域进行行李粘连判断,判断方式具体如下:
第四步,设第三步判断的粘连的连通区域的序号,则该连通域记为,其外
接矩形标记为,根据在二值图像上截取待分裂图像,对待分裂的图
像通过5个像素的矩形结构进行图像腐蚀操作,并最多循环执行5次图像腐蚀操
作,每一次图像腐蚀操作后对连通域进行分析,若连通域个数大于2则退出循环,得到待重
建的连通域子图。
第五步,基于第四步得到的待重建的连通域子图,重建的具体步骤如下:
步骤5.2,对待分裂的图像,遍历每一个像素,如果该像素为255,并且所
有待重建的连通域子图像素矩阵中对应坐标的像素值为0,则计算该像素与各待重建的连
通域轮廓的距离,如果该像素到某一待重建的连通域子图距离最小,那么认为该像素属于
这个待重建的连通域子图,并将该子图中对应坐标的像素设置为255。
步骤5.3,步骤5.2遍历完成后,则完成了对所有待重建的连通域子图的重建。
第六步,将第五步中得到的重建好的连通域子图,将每一子图重复执行第三步到第五步,直到第三步判断为非行李粘连,则进入下一连通域的处理。
本发明实施例提供的一种图像分割方法,通过对二次分割后得到的分割前景的二值图像,对该二值图像进行连通域的提取和筛选,并将符合要求的连通域进行粘连分割,进一步实现了对待分割的图像中前景区域中具体目标的精确分割。
基于本发明的图像分割的方法,图6为本发明实施例提供的执行本发明图像分割方法后得到的目标跟踪的流程示意图,如图6所示,对执行本发明图像分割方法后得到的目标跟踪的方法具体包括:
步骤610:确定对粗分割前景进行分割得到待跟踪目标;
步骤620:基于待跟踪目标在图像中的位置,确定待跟踪目标的显示状态,该显示状态为完整显示或者部分显示;
步骤630:基于待跟踪目标的显示状态,对待跟踪目标进行目标跟踪。
具体地,在目标跟踪场景下,一般可以得到视频,或者视频中的图像帧序列,本发明实施例中的图像,是指图像帧中的一帧图像。步骤610中将上述图像根据本发明的图像分割的方法分割出的待跟踪的目标;步骤620中根据步骤610获得的待跟踪目标,通过该待跟踪目标在图像中的位置来判断当前图像中该待跟踪目标的显示状态;步骤630中根据步骤620中获得的显示状态,来对待跟踪目标进行跟踪。需要说明的是待跟踪的目标可以是X光机安检时图像中的传送带上的行李,还可以是工厂传送带上的货物,例如:螺丝钉,本发明实施例对此不作限制。
显示状态为待跟踪目标的在图像中的是否完全显示,如果该待跟踪目标完全显示则显示状态为完整显示,否则为部分显示,显示状态的判断的方式可以根据两帧图像中待跟踪目标的外接矩形的面积来进行判断,还可以根据两帧图像中待跟踪目标的重叠面积来进行判断,本发明实施例对此不作限制。
根据不同的显示状态,可以采用不同的跟踪方式,在待跟踪目标完全显示时,其特征不再改变,可以根据跟踪目标其自身的特征来进行跟踪;在待跟踪目标部分显示时,其特征在不断改变,因此只能根据特征的变化与移动速度进行结合来进行跟踪。具体来说,当显示状态为完整显示时,对待跟踪目标进行跟踪的方法可以是对待跟踪目标通过图像匹配来进行跟踪,也可以根据移动的速度对待跟踪目标进行跟踪,本发明实施例对此不做限制;当显示状态为部分显示时根据移动速度可以在两帧通过外接矩形的面积变化来跟踪,也可以通过两帧图像中待跟踪目标的重叠面积来进行跟踪,本发明实施例对此不做限制。
其中,本发明的一个优选实施例中,对基于待跟踪目标的显示状态,对待跟踪目标进行目标跟踪,具体的操作如下:
若待跟踪目标为完整显示,则基于待跟踪目标的区域图像与各候选目标的区域图像,进行目标跟踪;
若待跟踪目标为部分显示,则基于待跟踪目标的外接矩形和各候选目标的外接矩形之间的重叠面积占比,进行目标跟踪。
具体地,当待跟踪为目标完整显示时,通过将待跟踪目标的区域图像与各候选目标的区域图像进行比对,来实现对目标的跟踪。当待跟踪目标为部分显示时,通过将待跟踪目标的外接矩形和各候选目标的外接矩形之间的重叠面积占比,来实现对目标的跟踪。需要说明的是待跟踪目标的区域图像与各候选目标的区域图像进行比对可以通过图像识别或者图像匹配来进行对比,本发明实施例对此不作限制。
基于上述实施例,针对X光安检机拍摄的行李视频中,对行李进行跟踪的方法,具体如下:
第一步,将由本发明图像分割方法分割完成的前景分割图作为待跟踪目标放入跟踪队列中。
第二步包括两部分:
第二部分:对于已经完全出现的目标,则采用模板匹配的方式持续进行跟踪,考虑行李图像不会发生形变,不需要将整体图像作为模板,只需取已跟踪目标的中心局部区域,比如30*30的像素,在当前帧沿皮带运动方向扩展一定区域遍历搜索,采用相关系数进行模板匹配,若在某一位置匹配成功,则更新该目标的位置,否则认为目标消失,从而实现行李目标的跟踪。
本发明实施例提供的根据本发明的图像分割方法得到待跟踪目标进行跟踪的方法,通过本发明的图像分割方法精准地将待跟踪目标从待分割的图像中分离,然后根据待跟踪目标的显示状态的不同,以不同的跟踪方式进行跟踪,实现了对待跟踪目标的准确跟踪。
下面对本发明提供的图像分割装置进行描述,下文描述的图像分割装置与上文描述的图像分割方法可相互对应参照。
图7为图片分割装置的结构示意图,如图7所示,该装置包括:预处理模块710、粗分模块720和细分模块730。
其中,预处理模块710,用于确定待分割的图像;
粗分模块720,用于基于粗分割阈值,对图像的灰度图进行分割,得到图像的粗分割前景,粗分割阈值是在粗分割权重引导下对图像的灰度图进行阈值迭代得到的,粗分割权重中的前景权重小于背景权重;
细分模块730,用于对粗分割前景进行分割。
在本发明实施例中,通过预处理模块710确定待分割的图像,通过粗分模块720用于基于粗分割阈值,对图像的灰度图进行分割,得到图像的粗分割前景,通过细分模块730用于对粗分割前景进行分割,实现了通过粗分割权重的引导对待分割的图像的灰度图进行阈值迭代以计算获取粗分割阈值,根据粗分阈值对待分割的图像进行分割以获取粗分割前景,初步的得到了带有少量背景的前景图像,相对于原灰度图,减少了背景区域,使得粗分前景的直方图呈现双峰的特征,再对粗分割前景进行分割,实现了对待分割的图像中前景区域的精确分割。
基于上述任一实施例,粗分模块720中粗分割阈值是基于如下模块执行确定的:
分组子模块,用于基于当前阈值对灰度图中的像素分组,得到当前阈值下的前景像素均值和背景像素均值;
迭代子模块,用于基于前景权重和背景权重,对当前阈值下的前景像素均值和背景像素均值进行加权求和,得到下一阈值,并将下一阈值作为当前阈值对灰度图中的像素分组,直至阈值迭代结束;
确定子模块,用于将阈值结束时的当前阈值确定为粗分割阈值。
基于上述任一实施例,细分模块730具体用于基于细分割阈值,对粗分割前景的灰度图进行分割,得到图像的分割结果,细分割阈值是在细分割权重引导下对粗分割前景的灰度图进行阈值迭代得到的,细分割权重中的前景权重大于等于背景权重。
基于上述任一实施例,图像分割装置还包括:
确定模块,用于确定对粗分割前景进行分割得到的二值图像;
提取模块,用于对二值图像进行连通区域分析,得到图像中的初检目标;
分裂模块,用于对初检目标进行粘连分裂,得到图像中的检测目标。
基于上述任一实施例,分裂模块,具体包括:
判断子模块,用于判断初检目标的形状特征是否符合粘连条件;分裂子模块,用于对初检目标进行粘连分裂;
其中,形状特征是基于初检目标的连通区域面积和外接矩形面积,和/或初检目标的外接矩形尺寸确定的。
基于上述任一实施例,分裂子模块,包括:
腐蚀子模块,用于对初检目标在二值图像中的区域进行腐蚀,对腐蚀后的区域进行连通区域分析,得到连通子图区域;
重建子模块,用于若连通子图区域的数量为多个,则在初检目标在二值图像中的区域内,对各连通子图区域进行重建。
基于上述任一实施例,重建子模块,包括:
归属判断子模块,用于基于初检目标中各像素点与各连通子图区域的轮廓之间的距离,确定各像素点与各连通子图区域的归属关系;
子图重建子模块,用于基于各像素点与各连通子图区域的归属关系,对各连通子图区域进行重建。
基于上述任一实施例,图像分割装置还包括:
确定跟踪目标模块,用于确定对粗分割前景进行分割得到待跟踪目标;
确认显示状态模块,基于待跟踪目标在图像中的位置,确定待跟踪目标的显示状态,显示状态为完整显示或者部分显示;
目标跟踪模块,基于待跟踪目标的显示状态,对待跟踪目标进行目标跟踪。
基于上述任一实施例,确认显示状态模块,包括:
完整跟踪子模块,用于若待跟踪目标为完整显示,则基于待跟踪目标的区域图像与各候选目标的区域图像,进行目标跟踪;
部分跟踪子模块,用于若待跟踪目标为部分显示,则基于待跟踪目标的外接矩形和各候选目标的外接矩形之间的重叠面积占比,进行目标跟踪。
图8示例了一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行图像分割方法,该方法包括:确定待分割的图像;基于粗分割阈值,对该图像的灰度图进行分割,得到该图像的粗分割前景,该粗分割阈值是在粗分割权重引导下对该图像的灰度图进行阈值迭代得到的,该粗分割权重中的前景权重小于背景权重;对该粗分割前景进行分割。
此外,上述的存储器830中的逻辑指令可以通过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(可以是个人计算机,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、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的图像分割方法,该方法包括:确定待分割的图像;基于粗分割阈值,对该图像的灰度图进行分割,得到该图像的粗分割前景,该粗分割阈值是在粗分割权重引导下对该图像的灰度图进行阈值迭代得到的,该粗分割权重中的前景权重小于背景权重;对该粗分割前景进行分割。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的图像分割方法,该方法包括:确定待分割的图像;基于粗分割阈值,对该图像的灰度图进行分割,得到该图像的粗分割前景,该粗分割阈值是在粗分割权重引导下对该图像的灰度图进行阈值迭代得到的,该粗分割权重中的前景权重小于背景权重;对该粗分割前景进行分割。
以上所描述的装置实施例仅仅是示意性的,其中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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是: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。
Claims (12)
1.一种图像分割方法,其特征在于,包括:
确定待分割的图像;
基于粗分割阈值,对所述图像的灰度图进行分割,得到所述图像的粗分割前景,所述粗分割阈值是在粗分割权重引导下对所述图像的灰度图进行阈值迭代得到的,所述粗分割权重中的前景权重小于背景权重;
对所述粗分割前景进行分割。
2.根据权利要求1所述的图像分割方法,其特征在于,所述粗分割阈值是基于如下步骤确定的:
基于当前阈值对所述灰度图中的像素分组,得到所述当前阈值下的前景像素均值和背景像素均值;
基于所述前景权重和所述背景权重,对所述当前阈值下的前景像素均值和背景像素均值进行加权求和,得到下一阈值,并将所述下一阈值作为所述当前阈值对所述灰度图中的像素分组,直至阈值迭代结束;
将阈值迭代结束时的当前阈值确定为所述粗分割阈值。
3.根据权利要求1所述的图像分割方法,其特征在于,所述对所述粗分割前景进行分割,包括:
基于细分割阈值,对所述粗分割前景的灰度图进行分割,得到所述图像的分割结果,所述细分割阈值是在细分割权重引导下对所述粗分割前景的灰度图进行阈值迭代得到的,所述细分割权重中的前景权重大于等于背景权重。
4.根据权利要求1所述的图像分割方法,其特征在于,所述对所述粗分割前景进行分割,之后还包括:
确定对所述粗分割前景进行分割得到的二值图像;
对所述二值图像进行连通区域分析,得到所述图像中的初检目标;
对所述初检目标进行粘连分裂,得到所述图像中的检测目标。
5.根据权利要求4所述的图像分割方法,其特征在于,所述对所述初检目标进行粘连分裂,包括:
若所述初检目标的形状特征符合粘连条件,则对所述初检目标进行粘连分裂;
所述形状特征是基于所述初检目标的连通区域面积和外接矩形面积,和/或所述初检目标的外接矩形尺寸确定的。
6.根据权利要求4或5所述的图像分割方法,其特征在于,所述对所述初检目标进行粘连分裂,包括:
对所述初检目标在所述二值图像中的区域进行腐蚀,对腐蚀后的区域进行连通区域分析,得到连通子图区域;
若所述连通子图区域的数量为多个,则在所述初检目标在所述二值图像中的区域内,对各连通子图区域进行重建。
7.根据权利要求6所述的图像分割方法,其特征在于,所述在所述初检目标在所述二值图像中的区域内,对各连通子图区域进行重建,包括:
基于所述初检目标中各像素点与各连通子图区域的轮廓之间的距离,确定各像素点与各连通子图区域的归属关系;
基于各像素点与各连通子图区域的归属关系,对各连通子图区域进行重建。
8.根据权利要求1至5中任一项所述的图像分割方法,其特征在于,所述对所述粗分割前景进行分割,之后还包括:
确定对所述粗分割前景进行分割得到待跟踪目标;
基于所述待跟踪目标在所述图像中的位置,确定所述待跟踪目标的显示状态,所述显示状态为完整显示或者部分显示;
基于所述待跟踪目标的显示状态,对所述待跟踪目标进行目标跟踪。
9.根据权利要求8所述的图像分割方法,其特征在于,所述基于所述待跟踪目标的显示状态,对所述待跟踪目标进行目标跟踪,包括:
若所述待跟踪目标为完整显示,则基于所述待跟踪目标的区域图像与各候选目标的区域图像,进行目标跟踪;
若所述待跟踪目标为部分显示,则基于所述待跟踪目标的外接矩形和各候选目标的外接矩形之间的重叠面积占比,进行目标跟踪。
10.一种图像分割装置,其特征在于,包括:
预处理模块,用于确定待分割的图像;
粗分模块,用于基于粗分割阈值,对所述图像的灰度图进行分割,得到所述图像的粗分割前景,所述粗分割阈值是在粗分割权重引导下对所述图像的灰度图进行阈值迭代得到的,所述粗分割权重中的前景权重小于背景权重;
细分模块,用于对所述粗分割前景进行分割。
11.一种电子设备,包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1至9任一项所述图像分割方法的步骤。
12.一种非暂态计算机可读存储介质,其上存储有计算机程序,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9任一项所述图像分割方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111058412.7A CN113538500B (zh) | 2021-09-10 | 2021-09-10 | 图像分割方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111058412.7A CN113538500B (zh) | 2021-09-10 | 2021-09-10 | 图像分割方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113538500A true CN113538500A (zh) | 2021-10-22 |
CN113538500B CN113538500B (zh) | 2022-03-15 |
Family
ID=78092435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111058412.7A Active CN113538500B (zh) | 2021-09-10 | 2021-09-10 | 图像分割方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113538500B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093539A (zh) * | 2007-07-27 | 2007-12-26 | 哈尔滨工程大学 | 手指静脉特征提取与匹配识别方法 |
CN101355692A (zh) * | 2008-07-30 | 2009-01-28 | 浙江大学 | 一种实时跟踪运动目标区域的智能监控装置 |
CN101727570A (zh) * | 2008-10-23 | 2010-06-09 | 华为技术有限公司 | 跟踪方法、检测跟踪处理设备和监控系统 |
CN102073852A (zh) * | 2011-01-14 | 2011-05-25 | 华南理工大学 | 基于最优阈值和随机标号法的多车辆分割方法 |
US20120045094A1 (en) * | 2010-08-18 | 2012-02-23 | Canon Kabushiki Kaisha | Tracking apparatus, tracking method, and computer-readable storage medium |
CN102509306A (zh) * | 2011-10-08 | 2012-06-20 | 西安理工大学 | 一种基于视频的特定目标的跟踪方法 |
CN103208123A (zh) * | 2013-04-19 | 2013-07-17 | 广东图图搜网络科技有限公司 | 图像分割方法与系统 |
CN105809167A (zh) * | 2015-03-13 | 2016-07-27 | 西安邮电大学 | 一种用于分割监控视频中存在粘连车辆的方法 |
CN106446790A (zh) * | 2016-08-30 | 2017-02-22 | 上海交通大学 | 一种对固定摄像头的交通视频流量追踪分析方法 |
US20180260952A1 (en) * | 2017-03-10 | 2018-09-13 | Carl Zeiss Meditec, Inc. | Methods for detection and enhanced visualization of pathologies in a human eye |
CN109035208A (zh) * | 2018-06-29 | 2018-12-18 | 上海联影医疗科技有限公司 | 高代谢区域的识别方法、装置及pet系统 |
-
2021
- 2021-09-10 CN CN202111058412.7A patent/CN113538500B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093539A (zh) * | 2007-07-27 | 2007-12-26 | 哈尔滨工程大学 | 手指静脉特征提取与匹配识别方法 |
CN101355692A (zh) * | 2008-07-30 | 2009-01-28 | 浙江大学 | 一种实时跟踪运动目标区域的智能监控装置 |
CN101727570A (zh) * | 2008-10-23 | 2010-06-09 | 华为技术有限公司 | 跟踪方法、检测跟踪处理设备和监控系统 |
US20120045094A1 (en) * | 2010-08-18 | 2012-02-23 | Canon Kabushiki Kaisha | Tracking apparatus, tracking method, and computer-readable storage medium |
CN102447832A (zh) * | 2010-08-18 | 2012-05-09 | 佳能株式会社 | 追踪设备和追踪方法 |
CN102073852A (zh) * | 2011-01-14 | 2011-05-25 | 华南理工大学 | 基于最优阈值和随机标号法的多车辆分割方法 |
CN102509306A (zh) * | 2011-10-08 | 2012-06-20 | 西安理工大学 | 一种基于视频的特定目标的跟踪方法 |
CN103208123A (zh) * | 2013-04-19 | 2013-07-17 | 广东图图搜网络科技有限公司 | 图像分割方法与系统 |
CN105809167A (zh) * | 2015-03-13 | 2016-07-27 | 西安邮电大学 | 一种用于分割监控视频中存在粘连车辆的方法 |
CN106446790A (zh) * | 2016-08-30 | 2017-02-22 | 上海交通大学 | 一种对固定摄像头的交通视频流量追踪分析方法 |
US20180260952A1 (en) * | 2017-03-10 | 2018-09-13 | Carl Zeiss Meditec, Inc. | Methods for detection and enhanced visualization of pathologies in a human eye |
CN109035208A (zh) * | 2018-06-29 | 2018-12-18 | 上海联影医疗科技有限公司 | 高代谢区域的识别方法、装置及pet系统 |
Non-Patent Citations (3)
Title |
---|
ROBERT M.等: "Automatic Segmentation of Rotational X-Ray Images for Anatomic Intra-Procedural Surface Generation in Atrial Fibrillation Ablation Procedures", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
张延丽 等: "视频车辆检测中改进的阈值分割算法研究", 《广西科技大学学报》 * |
朱秀昌 等: "《数字图像处理与图像信息》", 31 August 2016, 北京:北京邮电大学出版社 * |
Also Published As
Publication number | Publication date |
---|---|
CN113538500B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115601374B (zh) | 一种染色体图像分割方法 | |
CN107833220B (zh) | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 | |
CN113781402B (zh) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 | |
CN110717489B (zh) | Osd的文字区域的识别方法、装置及存储介质 | |
JP2017531883A (ja) | 画像の主要被写体を抽出する方法とシステム | |
CN109523529B (zh) | 一种基于surf算法的输电线路缺陷识别方法 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN111027546B (zh) | 一种字符分割方法、装置以及计算机可读存储介质 | |
CN110288566B (zh) | 一种目标缺陷提取方法 | |
CN112819840B (zh) | 一种融合深度学习与传统处理的高精度图像实例分割方法 | |
CN112580447B (zh) | 一种基于边缘二阶统计与融合的电力线检测方法 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN114862861B (zh) | 基于少样本学习的肺叶分割方法和装置 | |
CN112580383A (zh) | 二维码识别方法、装置、电子设备及存储介质 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN115587966A (zh) | 一种在光照不均匀条件下零件有无缺漏的检测方法及系统 | |
CN113537037A (zh) | 路面病害识别方法、系统、电子设备及存储介质 | |
CN113538500B (zh) | 图像分割方法、装置、电子设备和存储介质 | |
CN114943869B (zh) | 风格迁移增强的机场目标检测方法 | |
CN116030472A (zh) | 文字坐标确定方法及装置 | |
CN114067186B (zh) | 一种行人检测方法、装置、电子设备及存储介质 | |
CN111612005A (zh) | 文字检测方法及装置 | |
CN114511591B (zh) | 轨迹跟踪方法、装置、电子设备及存储介质 | |
CN109271986B (zh) | 一种基于Second-Confirm的数字识别方法 | |
CN113284135B (zh) | 基于全局与局部上下文信息的sar舰船检测方法 |
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 |