CN114463245A - 图像处理方法、装置以及电子设备 - Google Patents
图像处理方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN114463245A CN114463245A CN202011244223.4A CN202011244223A CN114463245A CN 114463245 A CN114463245 A CN 114463245A CN 202011244223 A CN202011244223 A CN 202011244223A CN 114463245 A CN114463245 A CN 114463245A
- Authority
- CN
- China
- Prior art keywords
- region
- image
- area
- initial image
- interest
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 18
- 230000002146 bilateral effect Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 235000002566 Capsicum Nutrition 0.000 description 3
- 239000006002 Pepper Substances 0.000 description 3
- 241000722363 Piper Species 0.000 description 3
- 235000016761 Piper aduncum Nutrition 0.000 description 3
- 235000017804 Piper guineense Nutrition 0.000 description 3
- 235000008184 Piper nigrum Nutrition 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- 239000010426 asphalt Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本公开公开了图像处理方法、装置以及电子设备，涉及图像处理技术领域。具体实现方案为：通过获取初始图像；获取所述初始图像中的连通区域，所述连通区域为所述初始图像中像素值位于目标阈值范围的像素点组成的区域；根据所述连通区域，获取所述初始图像中的感兴趣区域；对所述感兴趣区域进行预处理，获得目标图像。通过对初始图像中的感兴趣区域进行提取，仅对感兴趣区域进行预处理，可以减少图像预处理时的资源开支，提高预处理效率。
Description
技术领域
本公开涉及计算机领域中的图像处理技术领域。具体地，提供了一种图像处理方法、装置以及电子设备。
背景技术
车道线检测是自动驾驶领域中的重要基础，它被广泛应用于车道保持、自适应巡航以及车道内定位等系统和模块中。公路路面一般为沥青材质，其凹凸不平的表面在成像中会造成大量噪点。同时，车身对光线的遮挡会在地面产生暗区域(阴影)，而地面上明暗的变化会形成伪边缘，干扰车道线的检测效果。
发明内容
本公开提供了一种图像处理方法、装置以及电子设备。
根据本公开的第一方面，提供了一种图像处理方法，包括：
获取初始图像；
获取所述初始图像中的连通区域，所述连通区域为所述初始图像中像素值位于目标阈值范围的像素点组成的区域；
根据所述连通区域，获取所述初始图像中的感兴趣区域；
对所述感兴趣区域进行预处理，获得目标图像。
根据本公开的第二方面，提供了一种图像处理装置，包括：
第一获取模块，用于获取初始图像；
第二获取模块，用于获取所述初始图像中的连通区域，所述连通区域为所述初始图像中像素值位于目标阈值范围的像素点组成的区域；
第三获取模块，用于根据所述连通区域，获取所述初始图像中的感兴趣区域；
第四获取模块，用于对所述感兴趣区域进行预处理，获得目标图像。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面任一项所述的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行第一方面任一项所述的方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开实施例提供的图像处理方法的流程图；
图2是本公开实施例提供的预处理过程的流程图；
图3是本公开实施例提供的图像处理装置的结构图；
图4是用来实现本公开实施例的图像处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
参见图1，图1是本公开实施例提供的图像处理方法的流程图，如图1所示，本实施例提供一种图像处理方法，包括以下步骤：
步骤101、获取初始图像。
初始图像可通过摄像头采集，例如，通过安装在车辆上的摄像头实时采集获得初始图像。初始图像可为RGB图像(其中，R表示红、G表示绿、B表示蓝)。
步骤102、获取所述初始图像中的连通区域，所述连通区域为所述初始图像中像素值位于目标阈值范围的像素点组成的区域。
目标阈值范围可根据目标对象的像素值确定，例如，目标对象为白色车道线和/或黄色车道线，则目标阈值范围可为白色车道线或者黄色车道线的像素值范围。在本步骤中，确定初始图像中像素值位于目标阈值范围的像素点，然后获得这些像素点组成的连通区域。连通区域可以为一个区域或者多个区域，具体根据这些像素点之间的位置关系确定。若初始图像中像素值位于目标阈值范围的两个像素点相邻，可认为这两个像素点是连通的，这两个像素点位于同一个连通区域中。
步骤103、根据所述连通区域，获取所述初始图像中的感兴趣区域。
从连通区域中确定感兴趣区域，例如，若连通区域只有一个区域，则该区域为感兴趣区域；若连通区域有多个区域，则可认为这多个区域中面积最大的区域为感兴趣区域。感兴趣区域有可能是目标对象所在的区域。
步骤104、对所述感兴趣区域进行预处理，获得目标图像。
预处理可以为直方图均衡处理、双边滤波、伽马校正和形态学滤波中的一项或多项，对感兴趣区域进行预处理，可以提高获得的目标图像的图像质量，便于后续进一步对目标图像中是否存在目标对象进行识别，例如，识别目标图像中是否包括车道线。
对感兴趣区域进行预处理，而不对整个初始图像进行预处理，可以减少预处理时的资源开支，同时提高预处理效率。
本实施例中，通过获取初始图像；获取所述初始图像中的连通区域，所述连通区域为所述初始图像中像素值位于目标阈值范围的像素点组成的区域；根据所述连通区域，获取所述初始图像中的感兴趣区域；对所述感兴趣区域进行预处理，获得目标图像。通过对初始图像中的感兴趣区域进行提取，仅对感兴趣区域进行预处理，可以减少图像预处理时的资源开支，提高预处理效率。
在本申请一个实施例中，所述获取所述初始图像中的连通区域，包括：
将所述初始图像中的像素点的像素值转换到色相饱和度明度HSV颜色空间，获得所述像素点在HSV颜色空间的像素值；
根据所述初始图像中所述像素点在所述HSV颜色空间的像素值，获取所述初始图像中的连通区域，所述连通区域为所述初始图像中所述HSV颜色空间的像素值位于所述目标阈值范围的像素点组成的区域。
上述中，将初始图像中的像素点的像素值转换到HSV颜色空间，其中，HSV即色相(Hue)、饱和度(Saturation)、明度(Value)，获得像素点在HSV颜色空间的像素值。HSV颜色空间连续性更好，按照HSV颜色空间的像素值进行阈值提取更方便选择像素点。
在将初始图像中的像素点的像素值转换到HSV颜色空间后，采用HSV颜色空间的像素值来选择初始图像中的像素点。
目标阈值范围可根据目标对象的像素值确定，例如，目标对象为白色车道线或者黄色车道线，则目标阈值范围可为白色车道线或者黄色车道线的像素值范围。在本步骤中，确定HSV颜色空间的像素值位于目标阈值范围的像素点，然后获得这些像素点组成的连通区域。连通区域可以为一个区域或者多个区域，具体根据这些像素点之间的位置关系确定。若初始图像中HSV颜色空间的像素值位于目标阈值范围的两个像素点相邻，可认为这两个像素点是连通的，这两个像素点位于同一个连通区域中。
本实施例中，将所述初始图像中的像素点的像素值转换到HSV颜色空间，获得所述像素点在HSV颜色空间的像素值，然后根据初始图像中像素点在所述HSV颜色空间的像素值，获取所述初始图像中的连通区域。由于HSV颜色空间连续性更好，按照HSV颜色空间的像素值进行阈值提取更方便选择像素点，使得获得的连通区域准确性更高。
在本申请一个实施例中，所述根据所述连通区域，获取所述初始图像中的感兴趣区域，包括：
根据所述连通区域，确定目标区域，所述目标区域为所述连通区域中面积最大的区域；
获取所述初始图像中所述目标区域的最小外接矩形区域；
根据所述最小外接矩形区域对所述初始图像进行截取，获得所述感兴趣区域。
上述中，若连通区域只有一个区域，则该区域为目标区域；若连通区域有多个区域，则可认为这多个区域中面积最大的区域为目标区域，目标区域有可能是目标对象所在的区域。由于目标区域的形状可能不规则，为了便于对目标区域进行截取，可以获取目标区域的最小外接矩形区域，根据最小外接矩形区域对初始图像进行截取，获得感兴趣区域。感兴趣区域是对初始图像中的最小外接矩形区域进行截取获得的子图像，该子图像包括初始图像中的目标区域。
本实施例中，在根据所述连通区域，获取所述初始图像中的感兴趣区域时，根据所述连通区域，确定目标区域，所述目标区域为所述连通区域中面积最大的区域；获取所述初始图像中所述目标区域的最小外接矩形区域；根据所述最小外接矩形区域对所述初始图像进行截取，获得所述感兴趣区域。通过对目标区域所在的最小外接矩形区域进行截取，可获得包括目标区域的感兴趣区域，便于后续针对感兴趣区域进行预处理，减少图像预处理时的资源开支，提高预处理效率。
上述中，所述根据所述最小外接矩形区域对所述初始图像进行截取，获得所述感兴趣区域，包括：
根据所述最小外接矩形区域的中心点，确定截取区域，所述截取区域包括所述最小外接矩形区域；
对所述初始图像中的所述截取区域进行截取，获得所述感兴趣区域。
在本实施例中，为避免因漏检而遗漏车道线区域，可进一步基于最小外接矩形区域的中心点来确定截取区域。例如，根据最小外接矩形区域的对角位置点计算中心点，基于该中心点和预先设置的尺寸确定截取区域。此处预先设置的尺寸可根据实际情况进行设置，在此不做限定，预先设置的尺寸可稍大于最小外接矩形区域的尺寸。截取区域包括最小外接矩形域。
本实施例中，根据所述最小外接矩形区域的中心点，确定截取区域，所述截取区域包括所述最小外接矩形区域；对所述初始图像中的所述截取区域进行截取，获得所述感兴趣区域，可防止因漏检而遗漏车道线区域。
在获取到感兴趣区域之后，对感兴趣区域进行预处理，具体的，对所述感兴趣区域进行预处理，获得目标图像，包括：
获取所述感兴趣区域的单通道图像；
对所述单通道图像进行直方图均衡处理，获得第一中间图像；
对所述第一中间图像进行双边滤波，获得第二中间图像；
对所述第二中间图像进行伽马校正，获得第三中间图像；
对所述第三中间图像进行形态学滤波，获得所述目标图像。
上述中，感兴趣区域是对初始图像中进行截取获得的子图像，该子图像包括初始图像中的目标区域。若子图像为多通道图像，则获取子图像的单通道图像，例如若子图像为RGB图像，则获取R通道的图像，也可以获取G通道的图像或者B通道的图像。
如图2所示，在对感兴趣区域进行处理时，可先判断感兴趣区域是否是单通道图像，若否，则先获取感兴趣区域的单通道图像，然后对所述单通道图像进行直方图均衡处理，获得第一中间图像；对所述第一中间图像进行双边滤波，获得第二中间图像；对所述第二中间图像进行伽马校正，获得第三中间图像；对所述第三中间图像进行形态学滤波，获得所述目标图像。
由于初始图像在拍摄时可能存在过曝光、欠曝光的问题，感兴趣区域也可能存在过曝光、欠曝光的问题。直方图均衡具体可采用限制对比度自适应直方图均衡。采用限制对比度自适应直方图均衡对感兴趣区域进行处理，可以重新调整感兴趣区域中像素的亮度分布，调整后的直方图具有最大的动态范围，可以提升感兴趣区域的对比度。
对于因沥青路面不平整而在图像中产生的椒盐噪声，采用双边滤波可以抑制第一中间图像中的噪声，同时保护第一中间图像的边缘特性，方便后续边缘的提取。伽马校正即通过调整伽马值抑制第二中间图像中的暗区域(阴影)，减少第二中间图像中的伪边缘。最后，通过形态学滤波，第三中间图像中的车道线区域中因褪色掉漆等原因出现的空洞填补，使车道线区域更加齐次均匀，便于后续对目标图像中的车道线进行识别，提高识别准确率。
上述中，在获取到感兴趣区域之后，对感兴趣区域进行预处理，即依次进行直方图均衡处理，双边滤波，伽马校正，以及形态学滤波，可提升感兴趣区域的对比度，去除感兴趣区域的椒盐噪声，减少伪边缘，填补车道线区域的空洞，提高目标图像的质量，便于后续对目标图像中的车道线进行识别，提高识别准确率。
参见图3，图3是本公开实施例提供的图像处理装置的结构图，如图3所示，本实施例提供一种图像处理装置300，包括：
第一获取模块301，用于获取初始图像；
第二获取模块302，用于获取所述初始图像中的连通区域，所述连通区域为所述初始图像中像素值位于目标阈值范围的像素点组成的区域；
第三获取模块303，用于根据所述连通区域，获取所述初始图像中的感兴趣区域；
第四获取模块304，用于对所述感兴趣区域进行预处理，获得目标图像。
在本申请一个实施例中，所述第二获取模块302，包括：
转换子模块，用于将所述初始图像中的像素点的像素值转换到色相饱和度明度HSV颜色空间，获得所述像素点在HSV颜色空间的像素值；
第一获取子模块，用于根据所述初始图像中所述像素点在所述HSV颜色空间的像素值，获取所述初始图像中的连通区域，所述连通区域为所述初始图像中所述HSV颜色空间的像素值位于所述目标阈值范围的像素点组成的区域。
在本申请一个实施例中，所述第三获取模块303，包括：
第二获取子模块，用于根据所述连通区域，确定目标区域，所述目标区域为所述连通区域中面积最大的区域；
第三获取子模块，用于获取所述初始图像中所述目标区域的最小外接矩形区域；
截取子模块，用于根据所述最小外接矩形区域对所述初始图像进行截取，获得所述感兴趣区域。
在本申请一个实施例中，所述截取子模块，包括：
确定单元，用于根据所述最小外接矩形区域的中心点，确定截取区域，所述截取区域包括所述最小外接矩形区域；
截取单元，用于对所述初始图像中的所述截取区域进行截取，获得所述感兴趣区域。
在本申请一个实施例中，所述第四获取模块304，包括：
第四获取子模块，用于获取所述感兴趣区域的单通道图像；
第五获取子模块，用于对所述单通道图像进行直方图均衡处理，获得第一中间图像；
第六获取子模块，用于对所述第一中间图像进行双边滤波，获得第二中间图像；
第七获取子模块，用于对所述第二中间图像进行伽马校正，获得第三中间图像；
第八获取子模块，用于对所述第三中间图像进行形态学滤波，获得所述目标图像。
本公开实施例的图像处理装置300，通过获取初始图像；获取所述初始图像中的连通区域，所述连通区域为所述初始图像中像素值位于目标阈值范围的像素点组成的区域；根据所述连通区域，获取所述初始图像中的感兴趣区域；对所述感兴趣区域进行预处理，获得目标图像。通过对初始图像中的感兴趣区域进行提取，仅对感兴趣区域进行预处理，可以减少图像预处理时的资源开支，提高预处理效率。
根据本公开的实施例，本公开还提供了一种电子设备和一种可读存储介质。
如图4所示，是根据本公开实施例的图像处理的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图4所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器501为例。
存储器502即为本公开所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本公开所提供的图像处理的方法。本公开的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本公开所提供的图像处理的方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本公开实施例中的图像处理的方法对应的程序指令/模块(例如，附图3所示的第一获取模块301、第二获取模块302、第三获取模块303和第四获取模块304)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的图像处理的方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据图像处理的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至图像处理的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图像处理的方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图4中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与图像处理的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
本公开中，通过获取初始图像；获取所述初始图像中的连通区域，所述连通区域为所述初始图像中像素值位于目标阈值范围的像素点组成的区域；根据所述连通区域，获取所述初始图像中的感兴趣区域；对所述感兴趣区域进行预处理，获得目标图像。通过对初始图像中的感兴趣区域进行提取，仅对感兴趣区域进行预处理，可以减少图像预处理时的资源开支，提高预处理效率。
将所述初始图像中的像素点的像素值转换到HSV颜色空间，获得所述像素点在HSV颜色空间的像素值，然后根据初始图像中像素点在所述HSV颜色空间的像素值，获取所述初始图像中的连通区域。由于HSV颜色空间连续性更好，按照HSV颜色空间的像素值进行阈值提取更方便选择像素点，使得获得的连通区域准确性更高。
在根据所述连通区域，获取所述初始图像中的感兴趣区域时，根据所述连通区域，确定目标区域，所述目标区域为所述连通区域中面积最大的区域；获取所述初始图像中所述目标区域的最小外接矩形区域；根据所述最小外接矩形区域对所述初始图像进行截取，获得所述感兴趣区域。通过对目标区域所在的最小外接矩形区域进行截取，可获得包括目标区域的感兴趣区域，便于后续针对感兴趣区域进行预处理，减少图像预处理时的资源开支，提高预处理效率。
根据所述最小外接矩形区域的中心点，确定截取区域，所述截取区域包括所述最小外接矩形区域；对所述初始图像中的所述截取区域进行截取，获得所述感兴趣区域，可防止因漏检而遗漏车道线区域。
在获取到感兴趣区域之后，对感兴趣区域进行预处理，即依次进行直方图均衡处理，双边滤波，伽马校正，以及形态学滤波，可提升感兴趣区域的对比度，去除感兴趣区域的椒盐噪声，减少伪边缘，填补车道线区域的空洞，提高目标图像的质量，便于后续对目标图像中的车道线进行识别，提高识别准确率。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (12)
1.一种图像处理方法，包括：
获取初始图像；
获取所述初始图像中的连通区域，所述连通区域为所述初始图像中像素值位于目标阈值范围的像素点组成的区域；
根据所述连通区域，获取所述初始图像中的感兴趣区域；
对所述感兴趣区域进行预处理，获得目标图像。
2.根据权利要求1所述的方法，其中，所述获取所述初始图像中的连通区域，包括：
将所述初始图像中的像素点的像素值转换到色相饱和度明度HSV颜色空间，获得所述像素点在HSV颜色空间的像素值；
根据所述初始图像中所述像素点在所述HSV颜色空间的像素值，获取所述初始图像中的连通区域，所述连通区域为所述初始图像中所述HSV颜色空间的像素值位于所述目标阈值范围的像素点组成的区域。
3.根据权利要求1所述的方法，其中，所述根据所述连通区域，获取所述初始图像中的感兴趣区域，包括：
根据所述连通区域，确定目标区域，所述目标区域为所述连通区域中面积最大的区域；
获取所述初始图像中所述目标区域的最小外接矩形区域；
根据所述最小外接矩形区域对所述初始图像进行截取，获得所述感兴趣区域。
4.根据权利要求3所述的方法，其中，所述根据所述最小外接矩形区域对所述初始图像进行截取，获得所述感兴趣区域，包括：
根据所述最小外接矩形区域的中心点，确定截取区域，所述截取区域包括所述最小外接矩形区域；
对所述初始图像中的所述截取区域进行截取，获得所述感兴趣区域。
5.根据权利要求1所述的方法，其中，所述对所述感兴趣区域进行预处理，获得目标图像，包括：
获取所述感兴趣区域的单通道图像；
对所述单通道图像进行直方图均衡处理，获得第一中间图像；
对所述第一中间图像进行双边滤波，获得第二中间图像；
对所述第二中间图像进行伽马校正，获得第三中间图像；
对所述第三中间图像进行形态学滤波，获得所述目标图像。
6.一种图像处理装置，包括：
第一获取模块，用于获取初始图像；
第二获取模块，用于获取所述初始图像中的连通区域，所述连通区域为所述初始图像中像素值位于目标阈值范围的像素点组成的区域；
第三获取模块，用于根据所述连通区域，获取所述初始图像中的感兴趣区域；
第四获取模块，用于对所述感兴趣区域进行预处理，获得目标图像。
7.根据权利要求6所述的装置，其中，所述第二获取模块，包括：
转换子模块，用于将所述初始图像中的像素点的像素值转换到色相饱和度明度HSV颜色空间，获得所述像素点在HSV颜色空间的像素值；
第一获取子模块，用于根据所述初始图像中所述像素点在所述HSV颜色空间的像素值，获取所述初始图像中的连通区域，所述连通区域为所述初始图像中所述HSV颜色空间的像素值位于所述目标阈值范围的像素点组成的区域。
8.根据权利要求6所述的装置，其中，所述第三获取模块，包括：
第二获取子模块，用于根据所述连通区域，确定目标区域，所述目标区域为所述连通区域中面积最大的区域；
第三获取子模块，用于获取所述初始图像中所述目标区域的最小外接矩形区域；
截取子模块，用于根据所述最小外接矩形区域对所述初始图像进行截取，获得所述感兴趣区域。
9.根据权利要求8所述的装置，其中，所述截取子模块，包括：
确定单元，用于根据所述最小外接矩形区域的中心点，确定截取区域，所述截取区域包括所述最小外接矩形区域；
截取单元，用于对所述初始图像中的所述截取区域进行截取，获得所述感兴趣区域。
10.根据权利要求6所述的装置，其中，所述第四获取模块，包括：
第四获取子模块，用于获取所述感兴趣区域的单通道图像；
第五获取子模块，用于对所述单通道图像进行直方图均衡处理，获得第一中间图像；
第六获取子模块，用于对所述第一中间图像进行双边滤波，获得第二中间图像；
第七获取子模块，用于对所述第二中间图像进行伽马校正，获得第三中间图像；
第八获取子模块，用于对所述第三中间图像进行形态学滤波，获得所述目标图像。
11.一种电子设备，其中，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011244223.4A CN114463245A (zh) | 2020-11-10 | 2020-11-10 | 图像处理方法、装置以及电子设备 |
| US17/405,752 US20210374436A1 (en) | 2020-11-10 | 2021-08-18 | Image Processing Method, Apparatus, and Electronic Device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011244223.4A CN114463245A (zh) | 2020-11-10 | 2020-11-10 | 图像处理方法、装置以及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114463245A true CN114463245A (zh) | 2022-05-10 |
Family
ID=78705011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011244223.4A Pending CN114463245A (zh) | 2020-11-10 | 2020-11-10 | 图像处理方法、装置以及电子设备 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20210374436A1 (zh) |
| CN (1) | CN114463245A (zh) |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004152048A (ja) * | 2002-10-31 | 2004-05-27 | Koito Ind Ltd | 車両ナンバー読み取り装置 |
| US7835572B2 (en) * | 2003-09-30 | 2010-11-16 | Sharp Laboratories Of America, Inc. | Red eye reduction technique |
| WO2008088249A1 (en) * | 2007-01-17 | 2008-07-24 | Hemocue Ab | Apparatus for determining positions of objects contained in a sample |
| US8358822B2 (en) * | 2008-05-22 | 2013-01-22 | Siemens Aktiengesellschaft | Automatic determination of field of view in cardiac MRI |
| JP5387193B2 (ja) * | 2009-07-16 | 2014-01-15 | 富士ゼロックス株式会社 | 画像処理システム、画像処理装置およびプログラム |
| CN103808265B (zh) * | 2014-02-28 | 2017-04-26 | 北京农业信息技术研究中心 | 油菜叶片及菌核病斑形态同步测量的方法、装置及系统 |
| CN104021566A (zh) * | 2014-06-24 | 2014-09-03 | 天津大学 | 基于GrabCut算法的舌诊图像自动分割方法 |
| US10911691B1 (en) * | 2019-11-19 | 2021-02-02 | Samsung Electronics Co., Ltd. | System and method for dynamic selection of reference image frame |
| CN111060520B (zh) * | 2019-12-30 | 2021-10-29 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
| CN112132854B (zh) * | 2020-09-22 | 2021-11-09 | 推想医疗科技股份有限公司 | 图像分割的方法及装置，以及电子设备 |
-
2020
- 2020-11-10 CN CN202011244223.4A patent/CN114463245A/zh active Pending
-
2021
- 2021-08-18 US US17/405,752 patent/US20210374436A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20210374436A1 (en) | 2021-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6889417B2 (ja) | 一連の画像の画像内のオブジェクト境界安定化のための画像処理装置及び方法 | |
| CN111833340B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
| US9288458B1 (en) | Fast digital image de-hazing methods for real-time video processing | |
| CN110968718B (zh) | 目标检测模型负样本挖掘方法、装置及电子设备 | |
| CN110659600B (zh) | 物体检测方法、装置及设备 | |
| CN112270745B (zh) | 一种图像生成方法、装置、设备以及存储介质 | |
| CN110580678B (zh) | 图像处理方法及装置 | |
| CN111768356A (zh) | 一种人脸图像融合方法、装置、电子设备及存储介质 | |
| CN111191619B (zh) | 车道线虚线段的检测方法、装置、设备和可读存储介质 | |
| CN112184837A (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
| CN111563517A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| Sun et al. | Fast single image dehazing using iterative bilateral filter | |
| CN111833262A (zh) | 图像降噪方法、装置及电子设备 | |
| CN114463245A (zh) | 图像处理方法、装置以及电子设备 | |
| CN111835937A (zh) | 图像处理方法、装置及电子设备 | |
| Girija et al. | Image dehazing using MSRCR algorithm and morphology based algorithm: A Concise Review | |
| CN111738949B (zh) | 一种图像亮度的调整方法、装置、电子设备及存储介质 | |
| CN115334250A (zh) | 一种图像处理方法、装置及电子设备 | |
| CN111709979B (zh) | 图像对齐的方法、装置、电子设备和存储介质 | |
| KR101537788B1 (ko) | 평균이동 기반의 영상분할 방식을 이용한 저조도 영상 대비증가 방법 | |
| CN110796610A (zh) | 图像的去雾方法、装置、设备以及存储介质 | |
| CN112651983A (zh) | 拼接图识别方法、装置、电子设备和存储介质 | |
| CN110689090A (zh) | 图像存储方法及装置 | |
| CN111862250A (zh) | 视频的色彩转换方法、装置、电子设备及存储介质 | |
| CN114219744B (zh) | 图像生成方法、装置、设备及存储介质 |
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 |