CN113989167B - 基于种子点自生长的轮廓提取方法、装置、设备及介质 - Google Patents

基于种子点自生长的轮廓提取方法、装置、设备及介质 Download PDF

Info

Publication number
CN113989167B
CN113989167B CN202111607561.4A CN202111607561A CN113989167B CN 113989167 B CN113989167 B CN 113989167B CN 202111607561 A CN202111607561 A CN 202111607561A CN 113989167 B CN113989167 B CN 113989167B
Authority
CN
China
Prior art keywords
image
pixel
pixel point
point
boundary
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
Application number
CN202111607561.4A
Other languages
English (en)
Other versions
CN113989167A (zh
Inventor
张生龙
黄垒
苏凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Fengyun Information Technology Co ltd
Hangzhou Iecho Technology Co ltd
Original Assignee
Hangzhou Fengyun Information Technology Co ltd
Hangzhou Iecho Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Fengyun Information Technology Co ltd, Hangzhou Iecho Technology Co ltd filed Critical Hangzhou Fengyun Information Technology Co ltd
Priority to CN202111607561.4A priority Critical patent/CN113989167B/zh
Publication of CN113989167A publication Critical patent/CN113989167A/zh
Application granted granted Critical
Publication of CN113989167B publication Critical patent/CN113989167B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

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

本申请公开了一种基于种子点自生长的轮廓提取方法、装置、设备及介质。其中，方法包括用户下发目标像素提取指令，系统响应该指令，自动在待处理图像中生成区别图像前背景区域的标识信息。通过初始化该图像的灰度图，得到图像前景区域和图像背景区域的像素点值不同的初始图像。从初始图像中分别提取图像前背景区域各自边界处的像素信息，同时修改像素信息中的每个边界像素点的像素值；对每个边界像素点，根据当前边界像素点的相邻像素点确定当前边界像素点属于图像前景区域还是图像背景区域；根据图像前景区域对应在灰度图像的轮廓的像素点值确定图像二值化阈值，基于图像二值化阈值对图像二值化处理，可有效提高图像轮廓的提取效率。

Description

基于种子点自生长的轮廓提取方法、装置、设备及介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种基于种子点自生长的轮廓提取方法、装置、电子设备及可读存储介质。
背景技术
图像轮廓是构成图像形状的边界或外形线，图像的轮廓查找是将图像中感兴趣区域从原始图像进行分离的必要操作，基于确定的图像轮廓进行轮廓提取，从而将图像或影像中的某一部分区域从原始图像或原始影像中分离出来成为单独图像，诸如图像抠图技术。
相关技术在进行轮廓提取时，对于光照均匀的图像，只能不断调整阈值分割图像的前景和背景，无法实现自动化，图像轮廓提取效率不高。而对于光照不均匀的图像，无法仅仅使用一个阈值对图像的前景和背景进行划分。举例来说，对于边缘轮廓像素值分布在多个像素区间的光照不均匀的图像，并无法使用现有技术提取这类图像的轮廓信息。
鉴于此，如何有效并快速地提取各类图像的轮廓信息，是所属领域技术人员需要解决的技术问题。
发明内容
本申请提供了一种基于种子点自生长的轮廓提取方法、装置、电子设备及可读存储介质，有效并快速地提取各类图像的轮廓信息。
为解决上述技术问题，本发明实施例提供以下技术方案：
本发明实施例一方面提供了一种基于种子点自生长的轮廓提取方法，包括：
响应用户下发的目标像素提取指令，在待处理图像中生成区别图像前景区域和图像背景区域的标识信息；
对所述待处理图像的灰度图像进行初始化处理，得到图像前景区域的像素点和图像背景区域的像素点具有不同像素值的初始图像；
从所述初始图像中提取所述图像前景区域和所述图像背景区域各自边界处的像素信息，同时修改所述像素信息中的每个边界像素点的像素值；
对每个边界像素点，根据当前边界像素点的相邻像素点确定所述当前边界像素点属于所述图像前景区域还是所述图像背景区域；
根据所述图像前景区域对应在所述灰度图像的轮廓的像素点值确定图像二值化阈值，以基于所述图像二值化阈值进行图像分割处理；
其中，所述从所述初始图像中提取所述图像前景区域和所述图像背景区域各自边界处的像素信息，同时修改所述像素信息中的每个边界像素点的像素值为：
获取所述图像前景区域和所述图像背景区域的边界处的边界像素点；对每个边界像素点，计算当前边界像素点与周围各相邻像素点的像素差值，并将所述像素差值与所述当前像素点在所述待处理图像中的像素坐标作为所述当前像素点的像素信息；为所有边界像素点赋予与所述图像前景区域和所述图像背景区域中的像素点的像素值均不同的数值。
可选的，所述为所有边界像素点赋予与所述图像前景区域和所述图像背景区域中的像素点的像素值均不同的数值之后，还包括：
基于每个边界像素点修改后的像素值和像素坐标生成边界像素差值链表。
可选的，所述根据当前边界像素点的相邻像素点确定所述当前边界像素点属于所述图像前景区域还是所述图像背景区域之后，还包括：
确定每个边界像素点对应在所述灰度图像中的灰度像素点；
对每个灰度像素点，分别计算各灰度像素点与其相邻像素点的像素差值；
对每个灰度像素点，若当前灰度像素点的像素差值小于等于相应边界像素点的像素差值，则将所述当前灰度像素点作为新的边界像素点。
可选的，所述根据所述图像前景区域对应在所述灰度图像的轮廓的像素点值确定图像二值化阈值，包括：
确定每个图像前景区域对应在所述灰度图像的轮廓，并获取各轮廓像素点中最大像素值和最小像素值；
若所述图像前景区域的轮廓像素点的像素值大于所述图像背景区域的轮廓像素点的像素值，将所述最小像素值作为所述图像二值化阈值；若所述图像前景区域的轮廓像素点的像素值小于所述图像背景区域的轮廓像素点的像素值，将所述最大像素值作为所述图像二值化阈值。
可选的，所述根据所述图像前景区域对应在所述灰度图像的轮廓的像素点值确定图像二值化阈值之后，包括：
若各图像前景区域的轮廓像素值在同一个像素值范围内，则采用相同的图像二值化阈值对相应图像背景区域进行图像分割。
本发明实施例另一方面提供了一种基于种子点自生长的轮廓提取装置，包括：
人机交互模块，用于响应用户下发的目标像素提取指令，在待处理图像中生成区别图像前景区域和图像背景区域的标识信息；
初始化处理模块，用于对待处理图像的灰度图像进行初始化处理，得到图像前景区域的像素点和图像背景区域的像素点具有不同像素值的初始图像；
像素信息提取模块，用于从所述初始图像中提取所述图像前景区域和所述图像背景区域各自边界处的像素信息，同时修改所述像素信息中的每个边界像素点的像素值；
像素点处理模块，用于对每个边界像素点，根据当前边界像素点的相邻像素点确定所述当前边界像素点属于所述图像前景区域还是所述图像背景区域；
阈值确定模块，用于根据所述图像前景区域对应在所述灰度图像的轮廓的像素点值确定图像二值化阈值，以基于所述图像二值化阈值进行图像二值化处理；
其中，所述像素信息提取模块进一步用于：获取所述图像前景区域和所述图像背景区域的边界处的边界像素点；对每个边界像素点，计算当前边界像素点与周围各相邻像素点的像素差值，并将所述像素差值与所述当前像素点在所述待处理图像中的像素坐标作为所述当前像素点的像素信息；为所有边界像素点赋予与所述图像前景区域和所述图像背景区域中的像素点的像素值均不同的数值；基于每个边界像素点修改后的像素值和像素坐标生成边界像素差值链表。
可选的，还包括扩展模块；
所述扩展模块用于确定每个边界像素点对应在所述灰度图像中的灰度像素点；对每个灰度像素点，分别计算各灰度像素点与其相邻像素点的像素差值；对每个灰度像素点，若当前灰度像素点的像素差值小于等于相应边界像素点的像素差值，则将所述当前灰度像素点作为新的边界像素点。
可选的，所述阈值确定模块进一步用于：确定每个图像前景区域对应在所述灰度图像的轮廓，并获取各轮廓像素点中最大像素值和最小像素值；若所述图像前景区域的轮廓像素点的像素值大于所述图像背景区域的轮廓像素点的像素值，将所述最小像素值作为所述图像二值化阈值；若所述图像前景区域的轮廓像素点的像素值小于所述图像背景区域的轮廓像素点的像素值，将所述最大像素值作为所述图像二值化阈值。
本发明实施例还提供了一种电子设备，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述基于种子点自生长的轮廓提取方法的步骤。
本发明实施例最后还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前任一项所述基于种子点自生长的轮廓提取方法的步骤。
本申请提供的技术方案的优点在于，通过对原始图像的不同区域赋予不同的像素值来区别原始图像的各像素点，可将图像的前景区域和背景区域区别开来，通过对前景区域和背景区域的边界像素点进行处理来确定每个边界像素点最终是属于前景区域还是背景区域，这种基于种子点自动生长的方式可自动分离前景和背景，对于光照均匀和不均匀图像都可以快速自动分割出图像的前景和背景，提高轮廓提取的效率。最终基于各图像前景区域和各图像背景区域对应在灰度图像的轮廓的像素点得到用于进行图像分割的二值化阈值，这样便可实现对同类型图像或同范围像素目标图像进行批量处理，从而可有效提升图像轮廓的提取效率；此外，通过人机交互确定图像的前背景区域，有利于准确区分图像的前景和背景，进一步提升图像轮廓提取准确度。
此外，本发明实施例还针对基于种子点自生长的轮廓提取方法提供了相应的实现装置、电子设备及可读存储介质，进一步使得所述方法更具有实用性，所述装置、电子设备及可读存储介质具有相应的优点。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍，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基于种子点自生长的轮廓提取方法的流程示意图；
图2为本发明实施例提供的一个示意性例子中的前背景区域标记后所得图像示意图；
图3为本发明实施例提供的图2放大图像的示意图；
图4为本发明实施例提供的标记前背景像素点图像中边界像素点和周围相邻像素点的示意图；
图5为本发明实施例提供的边界像素点对应在灰度图像的像素点与其周围相邻像素点的示意图；
图6为本发明实施例提供的边界像素点进行重新归类之后的所得效果示意图；
图7为本发明实施例提供的图6的黑色边界区域示意图；
图8为本发明实施例提供的示意性例子的图像轮廓确定示意图；
图9为本发明实施例提供的基于种子点自生长的轮廓提取装置的一种具体实施方式结构图；
图10为本发明实施例提供的电子设备的一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅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做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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后，下面详细的说明本申请的各种非限制性实施方式。
首先参见图1，图1为本发明实施例提供的一种基于种子点自生长的轮廓提取方法的流程示意图，本发明实施例可包括以下内容：
S101：响应用户下发的目标像素提取指令，在待处理图像中生成区别图像前景区域和图像背景区域的标识信息。
为了整个轮廓提取的灵活性和准确度，本步骤采用人机交互方式进行区分前景区域和背景区域， 也就是说，系统向用户展示待处理图像，用户可使用鼠标划线的方式分别提取前景区信息和背景区信息，这样系统在接收到用户的划分图像质量后，就会在待处理图像中生成区别图像前景区域和图像背景区域的标识信息。
S102：对待处理图像的灰度图像进行初始化处理，得到图像前景区域的像素点和图像背景区域的像素点具有不同像素值的初始图像。
在实施例中，待处理图像即为进行轮廓提取的原始图像，该图像一般为彩色图像，如RGB图像，为了便于图像处理，将原始图像进行灰度处理，得到待处理图像对应的灰度图像。可采用任何体质图像灰度处理方式，本申请对此不做任何限定。本步骤的初始化处理，是为了将待处理图像的背景区域和前景区域分开，灰度处理之后，待处理图像的像素点的像素值范围为0~255，为了区别背景区域和前景区域，可将背景区域和前景区域中的像素点的像素值赋予不同的值，这样通过像素值便可知道该像素点是前景点还是背景点，前景点即为图像前景区域的像素点，背景点即为图像背景区域的像素点，其他的像素点的像素值与前景点和背景点都不同，可预先将待处理图像的所有像素点先赋予同一个数值，然后在对背景区域和前景区域中的像素点的像素值进行赋值。举例来说，可先将图像所有像素点的像素值均初始化为0，然后将背景点赋值1，前景点赋值2，如图2所示。
S103：从初始图像中提取图像前景区域和图像背景区域各自边界处的像素信息，同时修改像素信息中的每个边界像素点的像素值。
本步骤的初始图像即为可区分前景区域和背景区域的图像，像素信息包括但并不限制于像素点的像素值和像素点的图像坐标，作为一种可选的实施方式，可先获取图像前景区域和图像背景区域的边界处的边界像素点；对每个边界像素点，依次计算当前边界像素点与周围各相邻像素点的像素差值，并将像素差值与当前像素点在待处理图像中的像素坐标作为当前像素点的像素信息。为了区别不同的像素点，本实施例将图像前景区域的边界处的像素点和图像背景区域的边界处的像素点均称为边界像素点。本实施例在为边界像素点进行赋值时，需要为其赋予不同于图像前景区域和图像背景区域的像素值，如图3所示，边界像素点赋值为-2。为了便于管理，可将所有边界像素点放在一个数据集合中，举例来说，可先为所有边界像素点赋予与图像前景区域和图像背景区域中的像素点的像素值均不同的数值；基于每个边界像素点修改后的像素值和像素坐标生成边界像素差值链表。
S104：对每个边界像素点，根据当前边界像素点的相邻像素点确定当前边界像素点属于图像前景区域还是图像背景区域。
本实施例的相邻像素点的个数，所属领域技术人员可根据实际需求进行确定，例如可为4个，如图4及图5所示，每个当前边界像素点由其周围4个相邻的像素点共同决定，若周围的像素点都是背景点，则该边界像素点即为背景区域的像素点。若周围的像素点都是前景点，则该边界像素点即为背景区域的像素点。若周围的像素点有背景点也有前景点，可进一步拓宽范围，如在这4个相邻像素点周围在选择一些像素点，由这些像素点共同决定其所属区域。或者是若这四个像素点中有3个是背景点，则认为是背景点，若这四个像素点中有3个是前景点，则认为是前景点。若前景点和背景点个数相同，则还可通过人机交互进行确定。所属领域技术人员可根据实际情况灵活设置，本申请对此不作任何限定。
S105：根据图像前景区域对应在灰度图像的轮廓的像素点值确定图像二值化阈值，以基于图像二值化阈值进行图像分割处理。
在上个步骤将图像前景区域和图像背景区域的边界处的像素点进行重新划分区域之后，相比初始图像，会得到一个更加精准的轮廓，该轮廓即为前景区域的轮廓，在灰度图像中确定该轮廓对应的像素点，根据这些像素点的像素值结合背景区域像素值选择合适像素值作为图像二值化阈值，利用该图像二值化阈值对背景区域范围进行二值化处理，此处的背景区域范围是指去除前景区域轮廓及其内部区域之外的图像区域，在二值化处理完成之后，就得到待处理图像中各目标的轮廓信息，基于这些轮廓信息可对待处理图像进行轮廓提取。此外，还需要说明的是，本步骤中的图像前景区域与步骤S102中的图像前景区域不一定是相同的，本步骤的图像前景区域是对S102的图像前景区域进行更新后所得的区域。
在本发明实施例提供的技术方案中，通过对原始图像的不同区域赋予不同的像素值来区别原始图像的各像素点，可将图像的前景区域和背景区域区别开来，通过对前景区域和背景区域的边界像素点进行处理来确定每个边界像素点最终是属于前景区域还是背景区域，这种基于种子点自动生长的方式可自动分离前景和背景，对于光照均匀和不均匀图像都可以快速自动分割出图像的前景和背景，提高轮廓提取的效率。最终基于各图像前景区域和各图像背景区域对应在灰度图像的轮廓的像素点得到用于进行图像分割的二值化阈值，这样便可实现对同类型图像或同范围像素目标图像进行批量处理，从而可有效提升图像轮廓的提取效率；此外，通过人机交互确定图像的前背景区域，有利于准确区分图像的前景和背景，进一步提升图像轮廓提取准确度。
需要说明的是，本申请各步骤之间没有严格的先后执行顺序，只要符合逻辑上的顺序，则这些步骤可以同时执行，也可按照某种预设顺序执行，图1只是一种示意方式，并不代表只能是这样的执行顺序。
可以理解的是，原始图像中存在与边界像素点相似的像素点，为了进一步提高图像轮廓的提取效率，在根据当前边界像素点的相邻像素点确定当前边界像素点属于图像前景区域还是图像背景区域之后，还可包括：
从灰度图中确定每个边界像素点对应的灰度像素点；对每个灰度像素点，分别计算各灰度像素点与其相邻像素点的像素差值；对每个灰度像素点，若当前灰度像素点的像素差值小于等于相应边界像素点的像素差值，则将当前灰度像素点作为新的边界像素点。
在上述实施例中，对于如何执行步骤S104并不做限定，本实施例中给出图像二值化阈值的一种可选的实施方式，可包括：
确定每个图像前景区域和每个图像背景区域对应在灰度图像的轮廓，并获取各轮廓像素点中最大像素值和最小像素值；若图像前景区域的轮廓像素点的像素值大于图像背景区域的轮廓像素点的像素值，将最小像素值作为图像二值化阈值；若图像前景区域的轮廓像素点的像素值小于图像背景区域的轮廓像素点的像素值，将最大像素值作为图像二值化阈值。
进一步的，为了提高轮廓提取效率，若各图像前景区域的轮廓像素值在同一个像素值范围内，可采用相同的图像二值化阈值对相应图像背景区域进行图像分割。
为了使所示领域技术人员更加清楚本申请的技术方案，本申请还结合图2-图8，以一个示意性例子来阐述整个基于种子点自生长的轮廓提取流程，可包括下述内容：
A1：获取待处理图像，并将待处理图像展示给用户。响应用户通过人机交互装置在待处理图像中利用鼠标画背景区域和前景区域的标识线，自动在待处理图像中生成区别图像前景区域和图像背景区域的标识信息。
A2：将待处理图像转换为灰度图像，可将该灰度图称为srcImage。
可以使用单通道图像进行处理，也可使用多通道图像进行处理，而且多通道图像效果会更好。
A3：对灰度图像进行初始化处理，将灰度图像中的所有像素点的像素值初始化为全0。并通过为待处理图像的图像前景区域和图像背景区域的像素点的像素值赋予不同的数值进行前景背景初始点的标记，得到maskImage。举例来说，可将前景点赋值为2，将背景点赋值为1，如图2所示。
A4：将图2中的白色区域进行放大，得到图3。将图像前景区域和图像背景区域的边界处的所有像素点的像素值赋值为-2。获取图像前景区域和图像背景区域的边界处的所有像素点的像素差值和像素点坐标信息。其中，边界处各像素点的像素差值为该像素点与周围相邻的4个像素点的像素值的差值，如图4和图5所示，并基于这些边界处的像素点的像素差值和像素坐标信息生成边界差值链表dist。具体计算公式如下：
Figure 212750DEST_PATH_IMAGE001
（1）
Figure 67573DEST_PATH_IMAGE002
（2）
Figure 378469DEST_PATH_IMAGE003
（3）
其中，关系式1用于计算每个-2值的点和周围四个点像素值的差值，参考图4和图5；关系式2用于生成边界差值链表；关系式3用于将图2中白色区域的边界处值赋值为-2，得到图3。m为maskImage中像素点，m i 为maskImage中边界像素点相邻的像素点的编号，i=1，2，3，4；s为srcImage中像素点，s i 为srcImage中的像素点相邻的像素点的编号，i=1，2，3，4；具体请参阅图4及图5所示。row m 、col m 分别为m点在srcImage中的行列坐标；index表示边界差值链表dist中的元素。
A5：边界点处理：对边界差值链表dist中每个元素，也即图3中值为-2的像素点，查看其m1，m2，m3，m4的像素值，如果maskImage对应位置处的像素值大于0，若m1，m2，m3，m4的像素值均大于0且为同一个值x，x为1或2，1表示背景，2表示前景，则把m点的像素值赋值为x，继续执行步骤A6；否则m位置点不做处理，循环边界差值链表dist中下一个点，即继续步骤5。
本步骤对图3中边界每个值为-2的点做处理，根据周围四个点的值是1还是2，然后赋值这个-2位置处的点值为1还是2，达到逐步延伸区域的目的。m点周围四个点有一个点值为2，说明他挨着前景，然后就把m处的值由-2变为2，等于m这个位置的点属于前景区域范围了。同理值为1时一样处理，也就是说，图3中值为-2的边界处的像素点属于背景区域还是前景区域，是由其四周的那四个点的像素值决定。
A6：针对步骤A5中每个m点，分别用
Figure 39257DEST_PATH_IMAGE004
计算其对应灰度图srcImage中位置s点和s1，s2，s3，s4的像素点值。
A7：如果index1小于等于index，则将该s i 点作为新的边界点添加至边界差值链表dist中，也即dist[index1].push{row i ，col i }。
A8：循环步骤A5到A7直到边界差值链表dist为空，得到如图6所示的轮廓。
A9：获取上一步骤黑色边界包含的范围图，如图7所示。黑色边界即为-2的像素点，也即将图3经过步骤A4-A8进行处理后所得的效果图。
A10：查找图7白色区域对应原图srcImage的轮廓，并且获得轮廓像素点的最大最小像素值对。具体的，循环图7边界像素点对应原图srcImage位置处的像素值，找到每个白色区域的最大像素值和最小像素值。
A11：根据白色背景自动选择最大值或者最小值对作为图像二值化阈值。
在本步骤中，若背景像素值比前景轮廓像素值大时，则选择最大像素值作为图像二值化阈值，若背景像素值比前景轮廓像素值小时，则选择最小像素值作为图像二值化阈值。
A12：选择步骤A11获得阈值对步骤A10背景区域范围做图像二值化，得到图8。
A13：若步骤A12选择的阈值图出现前景提取不完整，则继续选择剩余范围的阈值执行步骤A12。
由于图7中会算出多个最大最小像素值对，如果每个区域的轮廓像素值范围一样则只需要选择一个最大最小值对就可以完成所有前景区域的分割，如过每个前景区域轮廓像素值范围不一样，则需要用完已经计算的最大最小像素值对，等于一个最大最小像素值对代表一种形状或者一种颜色的前景图。若前景图的颜色个数小于上个步骤中最大最小像素值对，则会有剩余的二值化阈值。
A14：若进行二值化处理的图像的边界不准确，继续步骤A1用鼠标划线分别提取前景区信息和背景区信息加以特征补充，并重复上述步骤。
由上可知，本实施例通过交互式的轮廓查找方式，灵活性更高，不仅能够在已有前背景像素范围内分离图像，还可对前景像素范围分布分散的图像；通过对同类型图案或同范围像素目标进行批量处理，有效提高基于种子点自生长的轮廓提取效率；通过对相似像素范围扩充，可有效提高基于种子点自生长的轮廓提取准确度。
本发明实施例还针对基于种子点自生长的轮廓提取方法提供了相应的装置，进一步使得方法更具有实用性。其中，装置可从功能模块的角度和硬件的角度分别说明。下面对本发明实施例提供的基于种子点自生长的轮廓提取装置进行介绍，下文描述的基于种子点自生长的轮廓提取装置与上文描述的基于种子点自生长的轮廓提取方法可相互对应参照。
基于功能模块的角度，参见图9，图9为本发明实施例提供的基于种子点自生长的轮廓提取装置在一种具体实施方式下的结构图，该装置可包括：
人机交互模块901，用于响应用户下发的目标像素提取指令，在待处理图像中生成区别图像前景区域和图像背景区域的标识信息；
初始化处理模块902，用于对待处理图像的灰度图像进行初始化处理，得到图像前景区域的像素点和图像背景区域的像素点具有不同像素值的初始图像。
像素信息提取模块903，用于从初始图像中提取图像前景区域和图像背景区域各自边界处的像素信息，同时修改像素信息中的每个边界像素点的像素值。
像素点处理模块904，用于对每个边界像素点，根据当前边界像素点的相邻像素点确定当前边界像素点属于图像前景区域还是图像背景区域。
阈值确定模块905，用于根据图像前景区域对应在灰度图像的轮廓的像素点值确定图像二值化阈值，以基于图像二值化阈值进行图像二值化处理。
作为本实施例的一种可选的实施方式，上述装置例如还可包括扩展模块，用于确定每个边界像素点对应在灰度图像中的灰度像素点；对每个灰度像素点，分别计算各灰度像素点与其相邻像素点的像素差值；对每个灰度像素点，若当前灰度像素点的像素差值小于等于相应边界像素点的像素差值，则将当前灰度像素点作为新的边界像素点。
作为本实施例的另外一种可选的实施方式，上述装置例如还可包括分割模块，用于若各图像前景区域的轮廓像素值在同一个像素值范围内，则采用相同的图像二值化阈值对相应图像背景区域进行图像分割。
可选的，在本实施例的另一些实施方式中，上述像素信息提取模块903可进一步用于：获取图像前景区域和图像背景区域的边界处的边界像素点；对每个边界像素点，计算当前边界像素点与周围各相邻像素点的像素差值，并将像素差值与当前像素点在待处理图像中的像素坐标作为当前像素点的像素信息。
作为本实施例的一种可选的实施方式，上述像素信息提取模块903还可进一步用于：为所有边界像素点赋予与图像前景区域和图像背景区域中的像素点的像素值均不同的数值；基于每个边界像素点修改后的像素值和像素坐标生成边界像素差值链表。
作为本实施例的另外一种可选的实施方式，上述阈值确定模块905可进一步用于：确定每个图像前景区域和每个图像背景区域对应在灰度图像的轮廓，并获取各轮廓像素点中最大像素值和最小像素值；若图像前景区域的轮廓像素点的像素值大于图像背景区域的轮廓像素点的像素值，将最小像素值作为图像二值化阈值；若图像前景区域的轮廓像素点的像素值小于图像背景区域的轮廓像素点的像素值，将最大像素值作为图像二值化阈值。
本发明实施例基于种子点自生长的轮廓提取装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例可有效并快速地提取各类图像的轮廓信息。
上文中提到的基于种子点自生长的轮廓提取装置是从功能模块的角度描述，进一步的，本申请还提供一种电子设备，是从硬件角度描述。图10为本申请实施例提供的电子设备在一种实施方式下的结构示意图。如图10所示，该电子设备包括存储器100，用于存储计算机程序；处理器101，用于执行计算机程序时实现如上述任一实施例提到的基于种子点自生长的轮廓提取方法的步骤。
其中，处理器101可以包括一个或多个处理核心，比如4核心处理器、8核心处理器，处理器101还可为控制器、微控制器、微处理器或其他数据处理芯片等。处理器101可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable GateArray，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器101也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central Processing Unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器101可以集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器101还可以包括AI(ArtificialIntelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器100可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器100还可包括高速随机存取存储器以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。存储器100在一些实施例中可以是电子设备的内部存储单元，例如服务器的硬盘。存储器100在另一些实施例中也可以是电子设备的外部存储设备，例如服务器上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，存储器100还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器100不仅可以用于存储安装于电子设备的应用软件及各类数据，例如：执行漏洞处理方法的程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。本实施例中，存储器100至少用于存储以下计算机程序1001，其中，该计算机程序被处理器101加载并执行之后，能够实现前述任一实施例公开的基于种子点自生长的轮廓提取方法的相关步骤。另外，存储器100所存储的资源还可以包括操作系统1002和数据1003等，存储方式可以是短暂存储或者永久存储。其中，操作系统1002可以包括Windows、Unix、Linux等。数据1003可以包括但不限于基于种子点自生长的轮廓提取结果对应的数据等。
在一些实施例中，上述电子设备还可包括有显示屏102、输入输出接口103、通信接口104或者称为网络接口、电源105以及通信总线106。其中，显示屏102、输入输出接口103比如键盘（Keyboard）属于用户接口，可选的用户接口还可以包括标准的有线接口、无线接口等。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。通信接口104可选的可以包括有线接口和/或无线接口，如WI-FI接口、蓝牙接口等，通常用于在电子设备与其他电子设备之间建立通信连接。通信总线106可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
本领域技术人员可以理解，图10中示出的结构并不构成对该电子设备的限定，可以包括比图示更多或更少的组件，例如还可包括实现各类功能的传感器107。
本发明实施例电子设备的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例可有效并快速地提取各类图像的轮廓信息。
可以理解的是，如果上述实施例中的基于种子点自生长的轮廓提取方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本申请各个实施例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（Read-Only Memory，ROM）、随机存取存储器（Random AccessMemory，RAM）、电可擦除可编程ROM、寄存器、硬盘、多媒体卡、卡型存储器（例如SD或DX存储器等）、磁性存储器、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。
基于此，本发明实施例还提供了一种可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时如上任意一实施例所述基于种子点自生长的轮廓提取方法的步骤。
本发明实施例所述可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的硬件包括装置及电子设备而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
以上对本申请所提供的一种基于种子点自生长的轮廓提取方法、装置、电子设备及可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

Claims (10)

1.一种基于种子点自生长的轮廓提取方法，其特征在于，包括：
响应用户下发的目标像素提取指令，在待处理图像中生成区别图像前景区域和图像背景区域的标识信息；
对所述待处理图像的灰度图像进行初始化处理，得到图像前景区域的像素点和图像背景区域的像素点具有不同像素值的初始图像；
从所述初始图像中提取所述图像前景区域和所述图像背景区域各自边界处的像素信息，同时修改所述像素信息中的每个边界像素点的像素值；
对每个边界像素点，根据当前边界像素点的相邻像素点确定所述当前边界像素点属于所述图像前景区域还是所述图像背景区域；
根据所述图像前景区域对应在所述灰度图像的轮廓的像素点值确定图像二值化阈值，以基于所述图像二值化阈值进行图像分割处理；
其中，所述从所述初始图像中提取所述图像前景区域和所述图像背景区域各自边界处的像素信息，同时修改所述像素信息中的每个边界像素点的像素值为：
获取所述图像前景区域和所述图像背景区域的边界处的边界像素点；对每个边界像素点，计算当前边界像素点与周围各相邻像素点的像素差值，并将所述像素差值与所述当前边界像素点在所述待处理图像中的像素坐标作为所述当前边界像素点的像素信息；为所有边界像素点赋予与所述图像前景区域和所述图像背景区域中的像素点的像素值均不同的数值。
2.根据权利要求1所述的基于种子点自生长的轮廓提取方法，其特征在于，所述为所有边界像素点赋予与所述图像前景区域和所述图像背景区域中的像素点的像素值均不同的数值之后，还包括：
基于每个边界像素点修改后的像素值和像素坐标生成边界像素差值链表。
3.根据权利要求1所述的基于种子点自生长的轮廓提取方法，其特征在于，所述根据当前边界像素点的相邻像素点确定所述当前边界像素点属于所述图像前景区域还是所述图像背景区域之后，还包括：
确定每个边界像素点对应在所述灰度图像中的灰度像素点；
对每个灰度像素点，分别计算各灰度像素点与其相邻像素点的像素差值；
对每个灰度像素点，若当前灰度像素点的像素差值小于等于相应边界像素点的像素差值，则将所述当前灰度像素点作为新的边界像素点。
4.根据权利要求1所述的基于种子点自生长的轮廓提取方法，其特征在于，所述根据所述图像前景区域对应在所述灰度图像的轮廓的像素点值确定图像二值化阈值，包括：
确定每个图像前景区域对应在所述灰度图像的轮廓，并获取各轮廓像素点中最大像素值和最小像素值；
若所述图像前景区域的轮廓像素点的像素值大于所述图像背景区域的轮廓像素点的像素值，将所述最小像素值作为所述图像二值化阈值；若所述图像前景区域的轮廓像素点的像素值小于所述图像背景区域的轮廓像素点的像素值，将所述最大像素值作为所述图像二值化阈值。
5.根据权利要求4所述的基于种子点自生长的轮廓提取方法，其特征在于，所述根据所述图像前景区域对应在所述灰度图像的轮廓的像素点值确定图像二值化阈值之后，还包括：
若各图像前景区域的轮廓像素值在同一个像素值范围内，则采用相同的图像二值化阈值对相应图像背景区域进行图像分割。
6.一种基于种子点自生长的轮廓提取装置，其特征在于，包括：
人机交互模块，用于响应用户下发的目标像素提取指令，在待处理图像中生成区别图像前景区域和图像背景区域的标识信息；
初始化处理模块，用于对所述待处理图像的灰度图像进行初始化处理，得到图像前景区域的像素点和图像背景区域的像素点具有不同像素值的初始图像；
像素信息提取模块，用于从所述初始图像中提取所述图像前景区域和所述图像背景区域各自边界处的像素信息，同时修改所述像素信息中的每个边界像素点的像素值；
像素点处理模块，用于对每个边界像素点，根据当前边界像素点的相邻像素点确定所述当前边界像素点属于所述图像前景区域还是所述图像背景区域；
阈值确定模块，用于根据所述图像前景区域对应在所述灰度图像的轮廓的像素点值确定图像二值化阈值，以基于所述图像二值化阈值进行图像二值化处理；
其中，所述像素信息提取模块进一步用于：获取所述图像前景区域和所述图像背景区域的边界处的边界像素点；对每个边界像素点，计算当前边界像素点与周围各相邻像素点的像素差值，并将所述像素差值与所述当前边界像素点在所述待处理图像中的像素坐标作为所述当前边界像素点的像素信息；为所有边界像素点赋予与所述图像前景区域和所述图像背景区域中的像素点的像素值均不同的数值。
7.根据权利要求6所述的基于种子点自生长的轮廓提取装置，其特征在于，还包括扩展模块；
所述扩展模块用于确定每个边界像素点对应在所述灰度图像中的灰度像素点；对每个灰度像素点，分别计算各灰度像素点与其相邻像素点的像素差值；对每个灰度像素点，若当前灰度像素点的像素差值小于等于相应边界像素点的像素差值，则将所述当前灰度像素点作为新的边界像素点。
8.根据权利要求6所述的基于种子点自生长的轮廓提取装置，其特征在于，所述阈值确定模块进一步用于：确定每个图像前景区域对应在所述灰度图像的轮廓，并获取各轮廓像素点中最大像素值和最小像素值；若所述图像前景区域的轮廓像素点的像素值大于所述图像背景区域的轮廓像素点的像素值，将所述最小像素值作为所述图像二值化阈值；若所述图像前景区域的轮廓像素点的像素值小于所述图像背景区域的轮廓像素点的像素值，将所述最大像素值作为所述图像二值化阈值。
9.一种电子设备，其特征在于，包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至5任一项所述基于种子点自生长的轮廓提取方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述基于种子点自生长的轮廓提取方法的步骤。
CN202111607561.4A 2021-12-27 2021-12-27 基于种子点自生长的轮廓提取方法、装置、设备及介质 Active CN113989167B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111607561.4A CN113989167B (zh) 2021-12-27 2021-12-27 基于种子点自生长的轮廓提取方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111607561.4A CN113989167B (zh) 2021-12-27 2021-12-27 基于种子点自生长的轮廓提取方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113989167A CN113989167A (zh) 2022-01-28
CN113989167B true CN113989167B (zh) 2022-03-29

Family

ID=79734341

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111607561.4A Active CN113989167B (zh) 2021-12-27 2021-12-27 基于种子点自生长的轮廓提取方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113989167B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114663316B (zh) * 2022-05-17 2022-11-04 深圳市普渡科技有限公司 确定沿边路径的方法、移动设备及计算机存储介质
CN114677393B (zh) * 2022-05-27 2022-09-30 珠海视熙科技有限公司 深度图像处理方法、装置、摄像设备、会议系统及介质
CN116309442B (zh) * 2023-03-13 2023-10-24 北京百度网讯科技有限公司 挑拣信息的确定方法及目标对象的挑拣方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107346545A (zh) * 2017-05-22 2017-11-14 沈阳工业大学 用于视杯图像分割的改进区域生长方法
CN108447068A (zh) * 2017-12-22 2018-08-24 杭州美间科技有限公司 三元图自动生成方法及利用该三元图的前景提取方法
CN109145913A (zh) * 2018-07-13 2019-01-04 江苏大学 一种非均匀背景离散相灰度图像二值化处理方法
CN110415268A (zh) * 2019-06-24 2019-11-05 台州宏达电力建设有限公司 一种基于背景差值法和帧间差值法相结合的运动区域前景图像算法
CN112365494A (zh) * 2020-11-30 2021-02-12 北京理工大学 一种基于深度学习预测边缘的矿石物料图像分割方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7146057B2 (en) * 2002-07-10 2006-12-05 Northrop Grumman Corporation System and method for image analysis using a chaincode
CN106469432A (zh) * 2015-08-13 2017-03-01 富士通株式会社 对象提取方法和对象提取设备
CN109034058B (zh) * 2018-07-25 2022-01-04 哈工大机器人（合肥）国际创新研究院 一种针对图像中区域划分和自修正方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107346545A (zh) * 2017-05-22 2017-11-14 沈阳工业大学 用于视杯图像分割的改进区域生长方法
CN108447068A (zh) * 2017-12-22 2018-08-24 杭州美间科技有限公司 三元图自动生成方法及利用该三元图的前景提取方法
CN109145913A (zh) * 2018-07-13 2019-01-04 江苏大学 一种非均匀背景离散相灰度图像二值化处理方法
CN110415268A (zh) * 2019-06-24 2019-11-05 台州宏达电力建设有限公司 一种基于背景差值法和帧间差值法相结合的运动区域前景图像算法
CN112365494A (zh) * 2020-11-30 2021-02-12 北京理工大学 一种基于深度学习预测边缘的矿石物料图像分割方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Medical Image Segmentation by Combining Graph Cuts and Oriented Active Appearance Models;Xinjian Chen 等;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20120430;第21卷(第4期);第2035-2046页 *
利用显著边界点的图像自动分割算法;高尚兵 等;《电光与控制》;20131130;第20卷(第11期);第38-41页 *
基于形态学运算的种子轮廓自动获取方法;宋晓 等;《厦门大学学报（自然科学版）》;20140531;第53卷(第3期);第347-351页 *
物体轮廓形状超像素图割快速提取方法;张荣国 等;《模式识别与人工智能》;20150430;第28卷(第4期);第344-353页 *

Also Published As

Publication number Publication date
CN113989167A (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
CN113989167B (zh) 基于种子点自生长的轮廓提取方法、装置、设备及介质
CN108399386B (zh) 饼图中的信息提取方法及装置
EP3620981B1 (en) Object detection method, device, apparatus and computer-readable storage medium
CN113160257B (zh) 图像数据标注方法、装置、电子设备及存储介质
CN105184730A (zh) 向图形处理系统中的区片分配图元
CN105321140A (zh) 向图形处理系统中的区片分配图元
CN111275730A (zh) 地图区域的确定方法、装置、设备及存储介质
CN110751620B (zh) 估算体积和重量的方法、电子设备及计算机可读存储介质
US11403560B2 (en) Training apparatus, image recognition apparatus, training method, and program
US11386587B2 (en) Automatic coloring of line drawing
CN112651953B (zh) 图片相似度计算方法、装置、计算机设备及存储介质
US9721187B2 (en) System, method, and computer program product for a stereoscopic image lasso
CN114092947B (zh) 一种文本检测方法、装置、电子设备及可读存储介质
CN113012096A (zh) 显示屏子像素定位及亮度提取方法、设备以及存储介质
CN113781505B (zh) 染色体分割方法、染色体分析仪及存储介质
CN109389150B (zh) 图像一致性比对方法、装置、存储介质及电子设备
US20140267426A1 (en) System, method, and computer program product for automatically extending a lasso region in two-dimensional image editors
CN113989384A (zh) 相机标定方法、裁切数据生成方法、装置、设备及介质
CN106934846B (zh) 一种布料图像处理方法及系统
CN113807315A (zh) 一种构建待识别对象识别模型的方法、装置、设备及介质
CN113223098A (zh) 图像颜色分类的预处理优化方法
CN111968063A (zh) 一种形态学图像滤波装置及方法
CN111243058A (zh) 物件模拟图像生成方法及计算机可读存储介质
CN105654457A (zh) 图像处理装置和方法
CN114219946B (zh) 文本图像的二值化方法及装置、电子设备和介质

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