CN114783014B - 一种去除遮挡人脸背景的阈值分割方法 - Google Patents
一种去除遮挡人脸背景的阈值分割方法 Download PDFInfo
- Publication number
- CN114783014B CN114783014B CN202210180102.0A CN202210180102A CN114783014B CN 114783014 B CN114783014 B CN 114783014B CN 202210180102 A CN202210180102 A CN 202210180102A CN 114783014 B CN114783014 B CN 114783014B
- Authority
- CN
- China
- Prior art keywords
- gray
- segmented
- image
- value
- matrix
- 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
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000012935 Averaging Methods 0.000 claims abstract description 3
- 230000009466 transformation Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种去除遮挡人脸背景的阈值分割方法,S1:获取待分割子图像,分别与预设的若干模板进行像素提取,得到每个模板下相对应的各像素点的灰度值和灰度方差值;S2:选取灰度方差值最小时模板下的灰度值,求平均值得到灰度均值并中值滤波;S3:基于待分割子图像的像素点与中值滤波后的灰度均值构建灰度共生矩阵;S4:基于灰度共生矩阵进行数值归一化处理,得到灰度共生概率矩阵;S5:以阈值向量分割灰度共生概率矩阵P,计算得到分割后的二值图像的共生矩阵概率分布;S6:基于共生矩阵概率分布计算二阶相对熵并最小化,得到最优阈值进行阈值分割处理,直至分割完所有图像。可以将原有的图像的边界进行很好保留,同时更加精准的提取与使用。
Description
技术领域
本发明属于人脸识别图像变换领域,尤其涉及一种去除遮挡人脸背景的阈值分割方法。
背景技术
将所需要的区域与不需要的区域进行区分开的过程称之为数字图像的分割。现有技术中,裁剪旋转缩放的图像处理方法简单的选取遮挡人脸图像大部分背景图片进行去除,会在一定程度上降低遮挡人脸图像背景的大小。除此之外,该方法只考虑了遮挡人脸较远区域背景去除,忽略了遮挡人脸照片周围的背景去除,当图像放大以后,使用这种方法来处理图像时对图像中的一些细节问题处理与捕捉是不够完善的,所以对人脸戴口罩的遮挡人脸处理的效果不是很好。
发明内容
本发明的技术目的是提供一种去除遮挡人脸背景的阈值分割方法,以解决图像问题处理与捕捉不完善的技术问题。
为解决上述问题,本发明的技术方案为:
一种去除遮挡人脸背景的阈值分割方法,包括如下步骤
S1:获取待分割子图像,并依次与预设的若干模板进行像素提取,得到每个模板下相对应的各像素点的灰度值,并基于灰度值得到每个模板对应的灰度方差值;
S2:选取灰度方差值最小时模板下的灰度值,对灰度值求平均值得到灰度均值,并对灰度均值进行中值滤波;
S3:基于待分割子图像的像素点与中值滤波后的灰度均值构建灰度共生矩阵Tij;
S4:基于灰度共生矩阵Tij进行数值归一化处理,得到灰度共生概率矩阵P;
S5:以阈值向量(s,t)分割灰度共生概率矩阵P,计算得到分割后的二值图像的共生矩阵概率分布
S6:基于共生矩阵概率分布计算二阶相对熵并最小化,得到最优阈值运用最优阈值/>对待分割子图像进行阈值分割处理;
S7:重复步骤S1至S6,直至分割完所有待分割子图像,所有待分割子图像构成一待分割图像。
其中,待分割子图像定义为N×M个像素点,待分割子图像的灰度值取值范围为{L,1},L=256,待分割子图像中像素点坐标为(x,y),且该像素点所对应的灰度值为f(x,y)。
具体地,在步骤S3中,构建灰度共生矩阵Tij的定义公式为
其中,i为像素点坐标为(x,y)时的像素值,j为图像平移后坐标为(x,y)时的像素值。
具体地,在步骤S4中,得到灰度共生概率矩阵P的公式为
P=[Pij]L×L
其中L为灰度共生概率矩阵P的维度。
具体地,在步骤S5中,计算得到分割后的二值图像的共生矩阵概率分布的公式为
其中,和/>分别为0°、45°、90°和135°四个方向的共生矩阵概率分布,/>和/>分别为为0°、45°、90°和135°四个方向的扫描算子。
具体地,在步骤S6中,运用最优阈值对待分割子图像进行阈值分割处理公式为
其中,为图像具有的信息量的度量。
本发明由于采用以上技术方案,使其与现有技术相比具有以下的优点和积极效果:
本发明可以避免对图像的某些区域的边缘的信息处理的不完整,也可以去对图像中的某些细节的东西进行保留,采用最小方差的阈值分割法可以将原有的图像的边界进行一个很好的保留,同时可以对信息有一个更加精准的提取与使用。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。
图1为本发明的一种去除遮挡人脸背景的阈值分割方法流程图;
图2为本发明所采用的不同模板;
图3为本发明的图像裁剪变换示意图;
图4为本发明的图像缩放变换示意图;
图5为本发明的图像旋转变换示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。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,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
以下结合附图和具体实施例对本发明提出的一种去除遮挡人脸背景的阈值分割方法作进一步详细说明。根据下面说明和权利要求书,本发明的优点和特征将更清楚。
实施例1
参看图1至图5,本实施例提供一种去除遮挡人脸背景的阈值分割方法,包括如下步骤
首先,在步骤S1中,对需要分割的图片先分成若干待分割子图像,并依次与预设的9个模板进行像素提取,图2展示了其中3个模块。其中,待分割子图像定义为有N×M个像素点,待分割子图像的灰度值基本取值范围为{L,1},L是数字图像的边界最大值256。这时我们就可以去定义在所有的像素点中,其中一个点的坐标为(x,y),而这个点的灰度值我们可以用f(x,y)来进行表示。我们可以依据图像邻域像素灰度转移共生矩阵的基本文字说明得到,灰度图像f的灰度共生矩阵是一个L×L维的矩阵。而我们可以用数学公式T=[]来表示相邻灰度像素之间的空间与平移转换关系。众所周知,共生矩阵的特点是属于一种非对称矩阵,所以如果我们使用和当前像素相邻的水平与竖直两个方向的像素就能够将灰度变化表示的比较完善。再得到每个模板下相对应的各像素点的灰度值,并基于灰度值计算得到每个模板对应的灰度方差值。
以图2为例,在图2中“●”为我们所要处理的像素,而其他的空心白色的点是我们所不需要的背景像素点。由下图的a、b、c三幅图我们可以看到,对图中所有的像素点全部使用这9个形状不一样的模板做掩膜处理。通过这个掩膜处理在加上一定的数学公式进行运算,我们可以初步得到灰度方差值。然后,在步骤S2中,选取灰度方差值最小时模板下的灰度值,对灰度值求平均值得到灰度均值,并对灰度均值进行中值滤波。
接着,在步骤S3中,基于待分割子图像的像素点与中值滤波后的灰度均值构建灰度共生矩阵Tij;具体地,在步骤S3中,构建灰度共生矩阵Tij的定义公式为
其中,i为像素点坐标为(x,y)时的像素值,j为图像平移后坐标为(x,y)时的像素值。
在步骤S4中,再基于灰度共生矩阵Tij进行数值归一化处理,得到灰度共生概率矩阵P;具体地,在步骤S4中,得到灰度共生概率矩阵P的公式为
P=[Pij]L×L
再然后,在步骤S5中,以阈值向量(s,t)分割灰度共生概率矩阵P,计算得到分割后的二值图像的共生矩阵概率分布具体地,在步骤S5中,计算得到分割后的二值图像的共生矩阵概率分布/>的公式为
其中,和/>分别为0°、45°、90°和135°四个方向的共生矩阵概率分布,/>和/>分别为为0°、45°、90°和135°四个方向的扫描算子。
进而再步骤S6中,基于共生矩阵概率分布计算二阶相对熵并最小化,得到最优阈值/>运用最优阈值/>对待分割子图像进行阈值分割处理;
具体地,在步骤S6中,运用最优阈值对待分割子图像进行阈值分割处理公式为
其中,为图像具有的信息量的度量,表明图像的复杂程序,当复杂程序高时,熵值较大,反之则较小。
最后重复步骤S1至S6,直至阈值分割完所有待分割子图像后,进行实际分割。具体参看图3至图5,图3为裁剪变换,在阈值分割的基础上对图片所需要的部分进行框选,然后就可以得到所需要的裁剪的图像,依照其原理,做出更多图像裁剪处理。图4分别为0.5与1.5等比例缩放与非等比例的变化。图5为对预处理后裁剪的图像进行图像旋转实验。
通过大量实验表明,本实施例采用最小方差的阈值分割算法对图像进行预处理,然后将处理好的结果再进行图像裁剪的变换与缩放变换和图像旋转等多种变换,可以对遮挡人脸的背景进行有效的去除,满足不同条件的使用情况。所处理的图像结果边缘比较清晰,同时裁剪的实验结果比较完好,与预期设想的图像变换结果大致相同。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式。即使对本发明作出各种变化,倘若这些变化属于本发明权利要求及其等同技术的范围之内,则仍落入在本发明的保护范围之中。
Claims (5)
1.一种去除遮挡人脸背景的阈值分割方法,其特征在于,包括如下步骤
S1:获取待分割子图像,并依次与预设的若干模板进行像素提取,得到每个模板下相对应的各像素点的灰度值,并基于所述灰度值得到每个模板对应的灰度方差值;
S2:选取灰度方差值最小时模板下的所述灰度值,对所述灰度值求平均值得到灰度均值,并对所述灰度均值进行中值滤波;
S3:基于所述待分割子图像的像素点与中值滤波后的所述灰度均值构建灰度共生矩阵Tij;
S4:基于所述灰度共生矩阵Tij进行数值归一化处理,得到灰度共生概率矩阵P;
S5:以阈值向量(s,t)分割所述灰度共生概率矩阵P,计算得到分割后的二值图像的共生矩阵概率分布
S6:基于所述共生矩阵概率分布计算二阶相对熵并最小化,得到最优阈值(s※,t※),运用所述最优阈值(s※,t※)对所述待分割子图像进行阈值分割处理;
S7:重复所述步骤S1至S6,直至分割完所有所述待分割子图像,所有所述待分割子图像构成一待分割图像;
其中,在所述步骤S6中,
所述运用所述最优阈值(s※,t※)对所述待分割子图像进行阈值分割处理公式为
其中,为图像具有的信息量的度量。
2.根据权利要求1所述的去除遮挡人脸背景的阈值分割方法,其特征在于,所述待分割子图像定义为N×M个像素点,所述待分割子图像的所述灰度值取值范围为{L,1},L=256,所述待分割子图像中像素点坐标为(x,y),且该像素点所对应的灰度值为f(x,y)。
3.根据权利要求2所述的去除遮挡人脸背景的阈值分割方法,其特征在于,在所述步骤S3中,
所述构建灰度共生矩阵Tij的定义公式为
其中,i为像素点坐标为(x,y)时的像素值,j为图像平移后坐标为(x,y)时的像素值。
4.根据权利要求3所述的去除遮挡人脸背景的阈值分割方法,其特征在于,在所述步骤S4中,
所述得到灰度共生概率矩阵P的公式为
P=[Pij]L×L
其中L为所述灰度共生概率矩阵P的维度。
5.根据权利要求4所述的去除遮挡人脸背景的阈值分割方法,其特征在于,在所述步骤S5中,所述计算得到分割后的二值图像的共生矩阵概率分布的公式为
其中,和/>分别为0°、45°、90°和135°四个方向的共生矩阵概率分布,/>和/>分别为为0°、45°、90°和135°四个方向的扫描算子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210180102.0A CN114783014B (zh) | 2022-02-25 | 2022-02-25 | 一种去除遮挡人脸背景的阈值分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210180102.0A CN114783014B (zh) | 2022-02-25 | 2022-02-25 | 一种去除遮挡人脸背景的阈值分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114783014A CN114783014A (zh) | 2022-07-22 |
CN114783014B true CN114783014B (zh) | 2024-04-05 |
Family
ID=82422929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210180102.0A Active CN114783014B (zh) | 2022-02-25 | 2022-02-25 | 一种去除遮挡人脸背景的阈值分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114783014B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104243820A (zh) * | 2014-09-03 | 2014-12-24 | 奇瑞汽车股份有限公司 | 一种确定图像边界的方法及装置 |
CN107341459A (zh) * | 2017-06-26 | 2017-11-10 | 华南理工大学 | 一种基于分数阶微积分的人脸检测图像预处理方法 |
CN108038476A (zh) * | 2018-01-03 | 2018-05-15 | 东北大学 | 一种基于边缘检测与sift的人脸表情识别特征提取方法 |
-
2022
- 2022-02-25 CN CN202210180102.0A patent/CN114783014B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104243820A (zh) * | 2014-09-03 | 2014-12-24 | 奇瑞汽车股份有限公司 | 一种确定图像边界的方法及装置 |
CN107341459A (zh) * | 2017-06-26 | 2017-11-10 | 华南理工大学 | 一种基于分数阶微积分的人脸检测图像预处理方法 |
CN108038476A (zh) * | 2018-01-03 | 2018-05-15 | 东北大学 | 一种基于边缘检测与sift的人脸表情识别特征提取方法 |
WO2019134327A1 (zh) * | 2018-01-03 | 2019-07-11 | 东北大学 | 一种基于边缘检测与sift的人脸表情识别特征提取方法 |
Non-Patent Citations (1)
Title |
---|
基于灰度梯度共生矩阵最大熵估计的盲视频水印算法;沈;;硅谷(第22期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114783014A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309806B (zh) | 一种基于视频图像处理的手势识别系统及其方法 | |
CN114529459B (zh) | 一种对图像边缘进行增强处理的方法和系统及介质 | |
CN109191377B (zh) | 一种基于插值的图像放大方法 | |
CN111353955A (zh) | 一种图像处理方法、装置、设备和存储介质 | |
CN101315664A (zh) | 用于文字识别的文本图像预处理方法 | |
US7668394B2 (en) | Background intensity correction of a scan of a document | |
Banerjee et al. | Super-resolution of text images using edge-directed tangent field | |
US7142732B2 (en) | Unsupervised scene segmentation | |
CN108335268A (zh) | 一种基于盲解卷积的彩色图像去模糊的方法 | |
CN111080723A (zh) | 基于Unet网络的图像元素分割方法 | |
CN114783014B (zh) | 一种去除遮挡人脸背景的阈值分割方法 | |
Goto et al. | Learning-based super-resolution image reconstruction on multi-core processor | |
CN110852947B (zh) | 一种基于边缘锐化的红外图像超分辨方法 | |
CN110930358B (zh) | 一种基于自适应算法的太阳能面板图像处理方法 | |
CN111079738B (zh) | 一种图像处理方法、系统及终端设备 | |
CN111611783A (zh) | 一种图形表格的定位分割方法及装置 | |
CN112651936B (zh) | 基于图像局部熵的钢板表面缺陷图像分割方法及系统 | |
CN111241862B (zh) | 基于边缘特性的条形码定位方法 | |
CN100580702C (zh) | 角膜内皮细胞图像处理方法 | |
Murguia | Document segmentation using texture variance and low resolution images | |
CN110378354B (zh) | 一种基于组织滤波算法的提花织物图片颜色提取方法 | |
Ngernplubpla et al. | Image Enhancement based on neuro-fuzzy gradient profile clustering | |
JP2001127999A (ja) | 画像処理装置および画像処理方法 | |
Sharma et al. | An analysis of vision based techniques for quality assessment and enhancement of camera captured document images | |
CN117710250B (zh) | 一种消除纤维镜成像蜂窝状结构的方法 |
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 |