CN114463363A - 一种图像分割方法、装置、电子设备及存储介质 - Google Patents

一种图像分割方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114463363A
CN114463363A CN202210115679.3A CN202210115679A CN114463363A CN 114463363 A CN114463363 A CN 114463363A CN 202210115679 A CN202210115679 A CN 202210115679A CN 114463363 A CN114463363 A CN 114463363A
Authority
CN
China
Prior art keywords
image
night vision
gray
determining
value
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
Application number
CN202210115679.3A
Other languages
English (en)
Inventor
佟宇琪
武浩远
曲慧
孟俊峰
白丽莎
芦冰
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.)
FAW Group Corp
Original Assignee
FAW Group Corp
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 FAW Group Corp filed Critical FAW Group Corp
Priority to CN202210115679.3A priority Critical patent/CN114463363A/zh
Publication of CN114463363A publication Critical patent/CN114463363A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像分割方法、装置、电子设备及存储介质，该方法包括：获取车载红外夜视系统采集的物体热信号，并生成夜视灰度图像；根据所述夜视灰度图像及其空间相关性，确定所述夜视灰度图像的映射矩阵；根据所述映射矩阵，确定图像分割阈值；根据所述图像分割阈值，确定所述夜视灰度图像中的种子区域，并对所述夜视灰度图像进行聚类分割。本发明实施例通过在夜视灰度图像的基础上引入图像内各个像素点的空间相关性，计算图像分割阈值，能够实现夜视灰度图像的快速分割，可以解决现有技术中被动红外夜视的灰度图像目标间边界模糊不利于图像分割的问题，提高图像分割的准确性。

Description

一种图像分割方法、装置、电子设备及存储介质
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种图像分割方法、装置、电子设备及存储介质。
背景技术
随着人工智能、大数据、云计算等智能技术的应用，被动红外夜视系统已逐步应用于主动安全系统中，以提高L2级辅助驾驶技术的夜晚应用安全性与舒适行。
车载摄像头视觉图像分割、目标识别等图像处理方法可以智能识别前方道路车辆、行人等目标信息，且算力需求、设备功耗和硬件依赖均低于基于深度学习的图像处理算法，更有利于整车产品的用电管理。
而夜间工况仅为行车过程中的特定场景，且被动红外夜视应用普及率较低，目前有效数据集数量较低，目标特征不明显，不利于图像分割处理，亟需一种合理分割被动红外夜视灰度图像的方法，以应对夜间驾驶等工况，提高夜间车辆安全性。
发明内容
本发明提供一种图像分割方法、装置、电子设备及存储介质，以实现夜视灰度图像的快速分割，提高图像分割的准确性。
第一方面，本发明实施例提供了一种图像分割方法，该方法包括：
获取车载红外夜视系统采集的物体热信号，并生成夜视灰度图像；
根据所述夜视灰度图像及其空间相关性，确定所述夜视灰度图像的映射矩阵；
根据所述映射矩阵，确定图像分割阈值；
根据所述图像分割阈值，确定所述夜视灰度图像中的种子区域，并对所述夜视灰度图像进行聚类分割。
第二方面，本发明实施例还提供了一种图像分割装置，该装置包括：
图像获取模块，用于获取车载红外夜视系统采集的物体热信号，并生成夜视灰度图像；
矩阵确定模块，用于根据所述夜视灰度图像及其空间相关性，确定所述夜视灰度图像的映射矩阵；
阈值确定模块，用于根据所述映射矩阵，确定图像分割阈值；
聚类分割模块，用于根据所述图像分割阈值，确定所述夜视灰度图像中的种子区域，并对所述夜视灰度图像进行聚类分割。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所述的图像分割方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所述的图像分割方法。
本发明实施例提供的一种图像分割方法、装置、电子设备及存储介质，通过获取车载红外夜视系统采集的物体热信号，并生成夜视灰度图像；根据所述夜视灰度图像及其空间相关性，确定所述夜视灰度图像的映射矩阵；根据所述映射矩阵，确定图像分割阈值；根据所述图像分割阈值，确定所述夜视灰度图像中的种子区域，并对所述夜视灰度图像进行聚类分割。本发明实施例通过在夜视灰度图像的基础上引入图像内个像素点的空间相关性，计算图像分割阈值，能够实现夜视灰度图像的快速分割，可以解决现有技术中被动红外夜视的灰度图像目标间边界模糊不利于图像分割的问题，提高图像分割的准确性，为图像分割提供了一种新思路。
附图说明
图1是本发明实施例一提供的一种图像分割方法的流程图；
图2是本发明实施例二提供的一种图像分割方法的流程图；
图3是本发明实施例三提供的一种图像分割方法的流程图；
图4是本发明实施例四提供的一种图像分割装置的结构框图；
图5是本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种图像分割方法的流程图，本实施例可适用于图像处理技术领域，尤其适用于图像的目标识别、分割与提取，具体的，如对车辆夜间行驶时采集的夜视灰度图像进行分割的情况。该方法可以由本发明实施例提供的图像分割装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在电子设备上，例如，服务器、控制器等。
具体的，如图1所示，本发明实施例提供的图像分割方法，可以包括如下步骤：
S110、获取车载红外夜视系统采集的物体热信号，并生成夜视灰度图像。
其中，车载红外夜视系统中包括红外夜视仪(利用光电转换技术的夜视仪器)。红外夜视仪可以分为主动式和被动式两种，前者用红外探照灯照射目标，接收反射的红外辐射形成图像；后者不发射红外线，依靠目标自身的红外辐射形成“热图像”。本实施例中，车载红外夜视系统可以为被动红外夜视系统。车载红外夜视系统可以利用热成像技术获取物体热信号，形成夜视灰度图像。
自然界中的一切物体，无论是北极冰川，还是火焰、人体，甚至极寒冷的宇宙深空，只要它们的温度高于绝对零度-273℃，都会有红外辐射，这是由于物体内部分子热运动的结果。其辐射能量正比于自身温度的四次方，辐射出的波长与其温度成反比。红外热成像技术就是根据探测到的物体的辐射能量的高低，经系统处理转变为目标物体的热图像，以灰度级或伪彩色显示出来，即得到被测目标的温度分布从而判断物体所处的状态。因此探测物体发射的热量的高低是红外热成像技术的与生俱来的基因。
本实施例中，车载红外夜视系统可以利用红外热成像技术获取物体热信号，形成夜视灰度图像。其中，夜视灰度图像，属于灰度图像，也就是灰度数字图像，是用灰度表示的图像，每个像素只有一个采样颜色的图像，没有色彩，RGB色彩分量全部相等。这类图像通常显示为从最暗黑色到最亮白色的灰度。灰度图像与黑白图像不同，在计算机图像领域中黑白图像只有黑白两种颜色，灰度图像在黑色与白色之间还有许多级的颜色深度。在图像处理的过程中，通常需要将彩色图像转换成灰度图像，以减少光照影响和降低运算量。
S120、根据夜视灰度图像及其空间相关性，确定夜视灰度图像的映射矩阵。
其中，空间相关性可以理解为夜视灰度图像中各个像素点的灰度值与其空间位置的关联性。可以理解的是，夜视灰度图像中各个像素点的灰度值与其周围像素点的灰度值有相似性，灰度图像中各个单元之间具有连通性，各个像素点的灰度值在数理统计分布上具有非均匀性。本实施例中，优选的，可以通过计算各个像素点的灰度值之间的偏差程度来表示空间相关性。对于具体计算偏差程度的方法，本实施例不作具体限定。
映射矩阵，可以表示夜视灰度图像中各个像素点之间的空间相关性。映射矩阵内各元素的位置对应夜视灰度图像中各个像素点在图像坐标系下的位置，每个元素都代表对应的像素点的灰度偏差程度。
本实施例中，在夜视灰度图像的基础上引入图像内各个像素点的空间相关性，可以根据夜视灰度图像及其空间相关性，确定夜视灰度图像的映射矩阵。优选的，根据夜视灰度图像及其空间相关性确定夜视灰度图像的映射矩阵可以包括：根据夜视灰度图像中各个像素点及其相邻的像素点的灰度值，确定夜视灰度图的映射矩阵。
S130、根据映射矩阵，确定图像分割阈值。
其中，图像分割阈值，是将图像像素点分为若干类的特征阈值，属于阈值分割法。阈值分割法是一种基于区域的图像分割技术，原理是把图像像素点分为若干类。图像阈值化分割是一种传统的最常用的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。它特别适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。图像阈值化的目的是要按照灰度级对像素集合进行划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域不具有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。
在本实施例一种可选的实施方式中，根据映射矩阵，确定图像分割阈值，可以包括：根据映射矩阵中的空间差异值，对夜视灰度图像进行预分类；计算将夜视灰度图像数据区分前景与背景的阈值取值为空间差异值时前景的像素占比、背景的像素占比、前景的平均灰度值和背景的平均灰度值；基于前景的平均灰度值、背景的平均灰度值、前景的像素占比和背景的像素占比，计算类间方差；确定类间方差达到最大值时对应的空间差异值为图像分割阈值。
其中，空间差异值体现了夜视灰度图像中各个像素点的灰度值与其相邻像素点的灰度值的差异，以数值形式体现；前景为夜视灰度图像数据中灰度值小于阈值的所有像素点，背景指夜视灰度图像数据中灰度值大于或等于阈值的所有像素点。而在图像领域，前景一般指镜头中位于主体前面或靠近前沿的人或物，而背景则表示除主体以外的内容。以拍摄人物图像为例，人物是前景，图像中除人物以外的内容是背景。
相应的，前景的像素占比是指前景中所包含的所有像素点的数量与灰度图像数据中全部像素点的总数量的比值；背景的像素占比是指背景中所包含的所有像素点的数量与灰度图像数据中全部像素点的总数量的比值；前景的平均灰度值是指前景中所包含的所有像素点的灰度偏度值的平均数；背景的平均灰度值是指背景中所包含的所有像素点的灰度偏度值的平均数。
由于映射矩阵可以表示夜视灰度图像中各个像素点之间的空间相关性，且映射矩阵内各元素的位置对应夜视灰度图像中各个像素点在图像坐标系下的位置，每个元素都代表对应的像素点的灰度偏差程度，本实施例中，可以通过映射矩阵计算将夜视灰度图像数据区分前景与背景的阈值取值为空间差异值时前景的像素占比、背景的像素占比、前景的平均灰度值和背景的平均灰度值。
背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大，当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小，使类间方差最大的分割意味着错分概率最小。因此，确定类间方差达到最大值时对应的空间差异值为图像分割阈值。
S140、根据图像分割阈值，确定夜视灰度图像中的种子区域，并对夜视灰度图像进行聚类分割。
其中，种子区域是区域生长算法中的概念，区域生长是指将成组的像素或区域发展成更大区域的过程。从种子点的集合开始，从这些点的区域增长是通过将与每个种子点有相似属性像强度、灰度级、纹理颜色等的相邻像素合并到此区域。示例性的，以一个种子像素作为生长起点，可以根据预设的判别准则对种子像素周围的像素进行判别，将相似性较高的像素进行合并，如此就像种子一样发芽生长，这些合并在一块的像素就构成了种子区域。需要说明的是，本实施例中仅以一个种子像素作为生长起点为例，生长起点还可以是一些像素点，本实施例对此不作具体限定。
本实施例中，根据图像分割阈值可以确定映射矩阵对应的夜视灰度图中的前景和背景，将前景对应的所有像素点作为种子点，所有种子点所在的区域形成种子区域。基于种子区域，对夜视灰度图像进行聚类分割。对夜视灰度图像进行聚类分割，是指对也是灰度图像中每一个像素点所属的类别或者物体进行预测，具体的，可以是预测类别层面的分割，也可以是对不同物体的个体进行区分；而对应的，待分割/待区分的目标区域即为种子区域。
本实施例的技术方案，通过获取车载红外夜视系统采集的物体热信号，并生成夜视灰度图像；根据夜视灰度图像及其空间相关性，确定夜视灰度图像的映射矩阵；根据映射矩阵，确定图像分割阈值；根据图像分割阈值，确定夜视灰度图像中的种子区域，并对夜视灰度图像进行聚类分割。本发明实施例通过在夜视灰度图像的基础上引入图像内各像素点的空间相关性，计算图像分割阈值，能够实现夜视灰度图像的快速分割，可以解决现有技术中被动红外夜视的灰度图像目标间边界模糊不利于图像分割的问题，提高图像分割的准确性，为图像分割提供了一种新思路。
实施例二
图2为本发明实施例二提供的一种图像分割方法的流程图，该方法在上述实施例的基础上进一步的优化，给出了根据夜视灰度图像及其空间相关性确定映射矩阵的具体情况介绍。
具体的，如图2所示，该方法包括：
S210、获取车载红外夜视系统采集的物体热信号，并生成夜视灰度图像。
S220、根据夜视灰度图像中各个像素点的灰度值与其邻域像素点的灰度值，确定该像素点的空间差异值。
其中，空间差异值是该像素点与周围像素点的灰度值差值。周围像素点可以是以该像素点为中心设定距离范围内的全部像素点，也可以是该像素点的邻域像素点。
在本实施例一个可选的实施方式中，根据夜视灰度图像中各个像素点的灰度值与其邻域像素点的灰度值，确定该像素点的空间差异值，可以包括：根据夜视灰度图像中各个像素点的邻域像素点的灰度值，确定该像素点的邻域灰度均值；根据夜视灰度图像中各个像素点的灰度值与邻域灰度均值，确定该像素点的空间差异值。具体的，邻域像素点可以是4邻域，也可以是8邻域，本实施例对此不作具体限定。
S230、根据夜视灰度图像中各个像素点的空间差异值，确定夜视灰度图像的映射矩阵。
其中，映射矩阵，可以表示夜视灰度图像中各个像素点之间的空间相关性。映射矩阵内各元素的位置对应夜视灰度图像中各个像素点在图像坐标系下的位置，每个元素都代表对应的像素点的灰度偏差程度。
具体的，夜视灰度图像的映射矩阵可以通过如下公式确定：
Figure BDA0003496276290000091
其中，Si表示夜视灰度图像对应的映射矩阵，Hi表示夜视灰度图像中对应像素点的灰度值，NR表示邻域像素点集合，HR为集合内像素点的灰度值，N表示集合内像素点的个数。
由于前方同一障碍物的热信息值具有聚集性，对应的，同一障碍物的灰度值页具有聚集性，而三阶矩表示矩阵内随机变量间偏度。当该区域热信息较为不一致时，即目标边界处，热信息值会产生跳变，夜视灰度图像中对应像素点热信息空间相关性较低；相应的，目标边界处的灰度值也会产生跳变，夜视灰度图像中对应像素点灰度信息空间相关性较低。当该区域热信息一致时，即目标内部区域，热信息值普遍跳变程度较小；相应的，目标内部区域的灰度值普遍跳变程度较小。这在保留了夜视灰度图像的基础上，融入了邻域空间性，体现了差异性。
S240、根据映射矩阵，确定图像分割阈值。
优选的，根据映射矩阵，确定图像分割阈值，可以包括：根据映射矩阵中的空间差异值，对夜视灰度图像进行预分类；计算将夜视灰度图像数据区分前景与背景的阈值取值为空间差异值时前景的像素占比、背景的像素占比、前景的平均灰度值和背景的平均灰度值；其中，前景为夜视灰度图像数据中灰度值小于或等于阈值的所有像素点，背景指夜视灰度图像数据中灰度值大于阈值的所有像素点；基于前景的平均灰度值、背景的平均灰度值、前景的像素占比和背景的像素占比，计算类间方差；背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大，当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小，使类间方差最大的分割意味着错分概率最小。因此，确定类间方差达到最大值时对应的空间差异值为图像分割阈值。
具体的，设映射矩阵内元素的值为Δk，对应数目为nk，则空间差异值在映射矩阵内出现频率pk，以及阈值为T时对应的分类概率(ω1和ω2)分别为：
Figure BDA0003496276290000111
Figure BDA0003496276290000112
ω2＝1-ω1
则对应均值(μ1和μ2)与整幅图像的均值(μ)为：
Figure BDA0003496276290000113
Figure BDA0003496276290000114
Figure BDA0003496276290000115
对应方差为：
Figure BDA0003496276290000116
Figure BDA0003496276290000117
则距离映射矩阵的类内方差
Figure BDA0003496276290000118
与类间方差
Figure BDA0003496276290000119
分别为：
Figure BDA00034962762900001110
Figure BDA00034962762900001111
由于类间方差是基于均值的一阶统计量，则距离-Otsu阈值为类间方差取最大值时对应的值，为
Figure BDA00034962762900001112
夜视灰度图像中各区域内部差异小，区域之间(即边界区域)差异大。由于距离映射矩阵反应像素点的空间差异关系，因此，基于距离映射矩阵所求的空间-Otsu阈值可以合理划分距离差值。
S250、根据图像分割阈值，确定夜视灰度图像中的种子区域，并对夜视灰度图像进行聚类分割。
本实施例的技术方案，通过根据夜视灰度图像中各个像素点的灰度值与其邻域像素点的灰度值，确定该像素点的空间差异值；根据夜视灰度图像中各个像素点的空间差异值，确定夜视灰度图像的映射矩阵，在保留了夜视灰度图信息的基础上，融入了邻域空间性，体现了差异性，有利于准确确定分类阈值。
实施例三
图3为本发明实施例三提供的一种图像分割方法的流程图，该方法在上述实施例的基础上进一步的优化，给出了确定夜视灰度图像中的种子区域并进行聚类分割的具体情况介绍。
具体的，如图3所示，该方法包括：
S310、获取车载红外夜视系统采集的物体热信号，并生成夜视灰度图像。
S320、根据夜视灰度图像及其空间相关性，确定夜视灰度图像的映射矩阵。
S330、根据映射矩阵，确定图像分割阈值。
S340、若夜视灰度图像中像素点的灰度值小于图像分割阈值，则确定像素点为种子点；否则，确定像素点为非种子点。
因为映射矩阵反映了夜视灰度图像中的邻域空间差异，夜视灰度图像中热信息相似度高的区域内部跳变小，所映射的矩阵中对应的空间差异值较小，可以作为代表本区域特征的种子点；而夜视灰度图像中边界或相似度低的区域，由于包含热信息值跳变点较多，所映射的矩阵中对应的空间差异值较大，不能被选为种子点。
确定图像分割阈值后，根据图像分割阈值可以确定映射矩阵对应的夜视灰度图中的前景和背景。其中，前景为夜视灰度图像数据中灰度值小于图像分割阈值的所有像素点，背景指夜视灰度图像数据中灰度值大于或等于图像分割阈值的所有像素点。然后，将前景对应的所有像素点作为种子点，将背景对应的所有像素点作为非种子点。
S350、将所有种子点归为种子区域。
种子区域是区域生长算法中的概念，区域生长是指将成组的像素或区域发展成更大区域的过程。从种子点的集合开始，从这些点的区域增长是通过将与每个种子点有相似属性像强度、灰度级、纹理颜色等的相邻像素合并到此区域。示例性的，以一个种子像素作为生长起点，可以根据预设的判别准则对种子像素周围的像素进行判别，将相似性较高的像素进行合并，如此就像种子一样发芽生长，这些合并在一块的像素就构成了种子区域。需要说明的是，本实施例中仅以一个种子像素作为生长起点为例，生长起点还可以是一些像素点，对此不作具体限定。
本实施例中，确定种子点之后，所有种子点所在的区域形成种子区域。基于种子区域，可以对夜视灰度图像进行聚类分割。
S360、基于种子区域进行种子生长，以对夜视灰度图像进行聚类分割。
其中，对夜视灰度图像进行聚类分割，是指对也是灰度图像中每一个像素点所属的类别或者物体进行预测，具体的，可以是预测类别层面的分割，也可以是对不同物体的个体进行区分。
在本实施例一个可选的实施方式中，基于种子区域进行种子生长，以对夜视灰度图像进行聚类分割，可以包括：若非种子点的四邻域均为种子点，则将非种子点确定为种子点，直至种子区域停止生长。
具体的，聚类过程的目标函数如下：
Figure BDA0003496276290000141
其中，Ak-means为聚类过程目标函数，Hi表示夜视灰度图像中对应像素点的灰度值，N表示集合内像素点的个数。聚类生长的目的在于，将灰度值差异最小的夜视灰度图像中的像素点聚为一类，直至遍历所有像素点的灰度信息。
本实施例的技术方案，根据夜视灰度图像中像素点的灰度值和图像分割阈值，确定种子点与非种子点，并根据种子点所在的种子区域，进行聚类生长，得到最终种子区域，有利于准确提取最终种子区域作为目标区域，完成图像分割，可以提高图像分割的准确性。
实施例四
图4是本发明实施例四所提供的一种图像分割装置的结构示意图，该装置适用于执行本发明实施例提供的图像分割方法，可以实现夜视灰度图像的快速分割，提高图像分割的准确性。如图4所示，该装置包括图像获取模块410、矩阵确定模块420、阈值确定模块430和聚类分割模块440。
其中，图像获取模块410，用于获取车载红外夜视系统采集的物体热信号，并生成夜视灰度图像；
矩阵确定模块420，用于根据夜视灰度图像及其空间相关性，确定夜视灰度图像的映射矩阵；
阈值确定模块430，用于根据映射矩阵，确定图像分割阈值；
聚类分割模块440，用于根据图像分割阈值，确定夜视灰度图像中的种子区域，并对夜视灰度图像进行聚类分割。
本实施例的技术方案，通过获取车载红外夜视系统采集的物体热信号，并生成夜视灰度图像；根据夜视灰度图像及其空间相关性，确定夜视灰度图像的映射矩阵；根据映射矩阵，确定图像分割阈值；根据图像分割阈值，确定夜视灰度图像中的种子区域，并对夜视灰度图像进行聚类分割。本发明实施例通过在夜视灰度图像的基础上引入图像内个像素点的空间相关性，计算图像分割阈值，能够实现夜视灰度图像的快速分割，可以解决现有技术中被动红外夜视的灰度图像目标间边界模糊不利于图像分割的问题，提高图像分割的准确性，为图像分割提供了一种新思路。
优选的，上述矩阵确定模块420具体包括：差异值确定单元和矩阵确定单元。其中，差异值确定单元，用于根据夜视灰度图像中各个像素点的灰度值与其邻域像素点的灰度值，确定该像素点的空间差异值；矩阵确定单元，用于根据夜视灰度图像中各个像素点的空间差异值，确定夜视灰度图像的映射矩阵。
优选的，上述差异值确定单元具体包括：均值确定子单元和差异值确定子单元。其中，均值确定子单元，用于根据夜视灰度图像中各个像素点的邻域像素点的灰度值，确定该像素点的邻域灰度均值；差异值确定子单元，用于根据夜视灰度图像中各个像素点的灰度值与邻域灰度均值，确定该像素点的空间差异值。
优选的，上述聚类分割模块440具体包括：灰度值比较单元、种子区域确定单元和种子生长单元。
其中，灰度值比较单元，用于若夜视灰度图像中像素点的灰度值小于图像分割阈值，则确定像素点为种子点；否则，确定像素点为非种子点；种子区域确定单元，用于将所有种子点归为种子区域；种子生长单元，用于基于种子区域进行种子生长，以对夜视灰度图像进行聚类分割。
优选的，上述种子生长单元具体用于，若非种子点的四邻域均为种子点，则将非种子点确定为种子点，直至种子区域停止生长。
优选的，阈值确定模块430，具体用于根据映射矩阵中的空间差异值，对夜视灰度图像进行预分类；计算将夜视灰度图像数据区分前景与背景的阈值取值为空间差异值时前景的像素占比、背景的像素占比、前景的平均灰度值和背景的平均灰度值；其中，前景为夜视灰度图像数据中灰度值小于或等于阈值的所有像素点，背景指夜视灰度图像数据中灰度值大于阈值的所有像素点；基于前景的平均灰度值、背景的平均灰度值、前景的像素占比和背景的像素占比，计算类间方差；确定类间方差达到最大值时对应的空间差异值为图像分割阈值。
本发明实施例所提供的图像分割装置可执行本发明任意实施例所提供的图像分割方法，具备执行方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图5显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MCA)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的图像分割方法。
实施例六
本发明实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请任意发明实施例提供的图像分割方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种图像分割方法，其特征在于，所述方法包括：
获取车载红外夜视系统采集的物体热信号，并生成夜视灰度图像；
根据所述夜视灰度图像及其空间相关性，确定所述夜视灰度图像的映射矩阵；
根据所述映射矩阵，确定图像分割阈值；
根据所述图像分割阈值，确定所述夜视灰度图像中的种子区域，并对所述夜视灰度图像进行聚类分割。
2.根据权利要求1所述的方法，其特征在于，根据所述夜视灰度图像及其空间相关性，确定所述夜视灰度图像的映射矩阵，包括：
根据所述夜视灰度图像中各个像素点的灰度值与其邻域像素点的灰度值，确定该像素点的空间差异值；
根据所述夜视灰度图像中各个像素点的空间差异值，确定所述夜视灰度图像的映射矩阵。
3.根据权利要求2所述的方法，其特征在于，根据所述夜视灰度图像中各个像素点的灰度值与其邻域像素点的灰度值，确定该像素点的空间差异值，包括：
根据所述夜视灰度图像中各个像素点的邻域像素点的灰度值，确定该像素点的邻域灰度均值；
根据所述夜视灰度图像中各个像素点的灰度值与邻域灰度均值，确定该像素点的空间差异值。
4.根据权利要求1所述的方法，其特征在于，根据所述图像分割阈值，确定所述夜视灰度图像中的种子区域，并对所述夜视灰度图像进行聚类分割，包括：
若所述夜视灰度图像中像素点的灰度值小于所述图像分割阈值，则确定所述像素点为种子点；否则，确定所述像素点为非种子点；
将所有所述种子点归为种子区域；
基于所述种子区域进行种子生长，以对所述夜视灰度图像进行聚类分割。
5.根据权利要求4所述的方法，其特征在于，基于所述种子区域进行种子生长，以对所述夜视灰度图像进行聚类分割，包括：
若非种子点的四邻域均为种子点，则将所述非种子点确定为种子点，直至所述种子区域停止生长。
6.根据权利要求1所述的方法，其特征在于，根据所述映射矩阵，确定图像分割阈值，包括：
根据所述映射矩阵中的空间差异值，对所述夜视灰度图像进行预分类；
计算将所述夜视灰度图像数据区分前景与背景的阈值取值为所述空间差异值时所述前景的像素占比、所述背景的像素占比、所述前景的平均灰度值和所述背景的平均灰度值；其中，所述前景为夜视灰度图像数据中灰度值小于或等于所述阈值的所有像素点，所述背景为夜视灰度图像数据中灰度值大于所述阈值的所有像素点；
基于所述前景的平均灰度值、所述背景的平均灰度值、所述前景的像素占比和所述背景的像素占比，计算类间方差；
确定所述类间方差达到最大值时对应的空间差异值为所述图像分割阈值。
7.一种图像分割装置，其特征在于，所述装置包括：
图像获取模块，用于获取车载红外夜视系统采集的物体热信号，并生成夜视灰度图像；
矩阵确定模块，用于根据所述夜视灰度图像及其空间相关性，确定所述夜视灰度图像的映射矩阵；
阈值确定模块，用于根据所述映射矩阵，确定图像分割阈值；
聚类分割模块，用于根据所述图像分割阈值，确定所述夜视灰度图像中的种子区域，并对所述夜视灰度图像进行聚类分割。
8.根据权利要求7所述的装置，其特征在于，所述矩阵确定模块，包括：
差异值确定单元，用于根据所述夜视灰度图像中各个像素点的灰度值与其邻域像素点的灰度值，确定该像素点的空间差异值；
矩阵确定单元，用于根据所述夜视灰度图像中各个像素点的空间差异值，确定所述夜视灰度图像的映射矩阵。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的图像分割方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的图像分割方法。
CN202210115679.3A 2022-02-07 2022-02-07 一种图像分割方法、装置、电子设备及存储介质 Pending CN114463363A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210115679.3A CN114463363A (zh) 2022-02-07 2022-02-07 一种图像分割方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210115679.3A CN114463363A (zh) 2022-02-07 2022-02-07 一种图像分割方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114463363A true CN114463363A (zh) 2022-05-10

Family

ID=81411443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210115679.3A Pending CN114463363A (zh) 2022-02-07 2022-02-07 一种图像分割方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114463363A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115174807A (zh) * 2022-06-28 2022-10-11 上海艾为电子技术股份有限公司 防抖检测方法、装置、终端设备和可读存储介质
CN117115717A (zh) * 2023-10-19 2023-11-24 深圳市鑫环宇网络科技有限公司 互联网网络数据解析方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115174807A (zh) * 2022-06-28 2022-10-11 上海艾为电子技术股份有限公司 防抖检测方法、装置、终端设备和可读存储介质
CN117115717A (zh) * 2023-10-19 2023-11-24 深圳市鑫环宇网络科技有限公司 互联网网络数据解析方法及系统
CN117115717B (zh) * 2023-10-19 2024-02-02 深圳市鑫环宇网络科技有限公司 互联网网络数据解析方法及系统

Similar Documents

Publication Publication Date Title
CN112132156B (zh) 多深度特征融合的图像显著性目标检测方法及系统
CN111798467B (zh) 一种图像分割方法、装置、设备及存储介质
US20220230324A1 (en) Camouflaged object segmentation method with distraction mining
CN109740639B (zh) 一种风云卫星遥感影像云检测方法、系统及电子设备
CN114463363A (zh) 一种图像分割方法、装置、电子设备及存储介质
CN112686207B (zh) 一种基于区域信息增强的城市街道场景目标检测方法
CN111814771B (zh) 图像处理的方法及装置
CN110689043A (zh) 一种基于多重注意力机制的车辆细粒度识别方法及装置
CN113761999A (zh) 一种目标检测方法、装置、电子设备和存储介质
Li et al. IVFuseNet: Fusion of infrared and visible light images for depth prediction
CN110807384A (zh) 低能见度下的小目标检测方法和系统
Wang et al. A feature-supervised generative adversarial network for environmental monitoring during hazy days
Vasamsetti et al. Automatic underwater moving object detection using multi‐feature integration framework in complex backgrounds
CN114049566B (zh) 一种逐步细化的陆地卫星影像云和云阴影检测方法及装置
CN117037103A (zh) 一种道路检测方法和装置
Gu et al. Thermal image colorization using Markov decision processes
Zha et al. Semi-supervised learning-based satellite remote sensing object detection method for power transmission towers
CN112967293A (zh) 一种图像语义分割方法、装置及存储介质
Liu et al. A dual-channel fully convolutional network for land cover classification using multifeature information
CN116935356A (zh) 基于弱监督的自动驾驶多模态图片和点云实例分割方法
Gong et al. Complex lane detection based on dynamic constraint of the double threshold
CN114549352A (zh) 图像处理方法、装置、电子设备和存储介质
Wang et al. Speed sign recognition in complex scenarios based on deep cascade networks
CN114581841A (zh) 一种复杂交通环境下利用深度学习法检测弱小目标的方法
CN114495058A (zh) 交通标志检测方法和装置

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