CN114972367B - 分割图像的方法、装置、设备和计算机可读存储介质 - Google Patents
分割图像的方法、装置、设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN114972367B CN114972367B CN202110211297.6A CN202110211297A CN114972367B CN 114972367 B CN114972367 B CN 114972367B CN 202110211297 A CN202110211297 A CN 202110211297A CN 114972367 B CN114972367 B CN 114972367B
- Authority
- CN
- China
- Prior art keywords
- image
- mask
- detection frame
- frame image
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 176
- 230000011218 segmentation Effects 0.000 claims abstract description 55
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 10
- 238000000926 separation method Methods 0.000 description 8
- 229910052751 metal Inorganic materials 0.000 description 7
- 239000002184 metal Substances 0.000 description 7
- 239000003086 colorant Substances 0.000 description 6
- 235000013399 edible fruits Nutrition 0.000 description 4
- 235000012736 patent blue V Nutrition 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- MCSXGCZMEPXKIW-UHFFFAOYSA-N 3-hydroxy-4-[(4-methyl-2-nitrophenyl)diazenyl]-N-(3-nitrophenyl)naphthalene-2-carboxamide Chemical compound Cc1ccc(N=Nc2c(O)c(cc3ccccc23)C(=O)Nc2cccc(c2)[N+]([O-])=O)c(c1)[N+]([O-])=O MCSXGCZMEPXKIW-UHFFFAOYSA-N 0.000 description 1
- 240000005561 Musa balbisiana Species 0.000 description 1
- 235000018290 Musa x paradisiaca Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G06T7/11—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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种分割图像的方法、装置、设备和计算机可读存储介质。该分割图像的方法包括：基于目标检测算法获取目标物体的检测框图像；基于目标物体的目标颜色类别在检测框图像中提取掩码图像；基于掩码图像对目标颜色类别对应像素点的灰度直方图进行曲线拟合以得到其中所有的极值点；基于极值点选取分割阈值以在检测框图像中分割出目标物体的图像。与现有技术相比，本发明实施例先基于目标物体的目标颜色类别获取掩码图像，再基于掩码图像对目标颜色类别对应像素点的灰度直方图进行曲线拟合以选取分割阈值，实现了基于目标物体的颜色类别来对图像进行分割，不但可以得到良好的分割效果，而且还可以避免颜色对图像分割造成的干扰。
Description
技术领域
本发明涉及图像分割技术领域，尤其涉及一种分割图像的方法、装置、设备和计算机可读存储介质。
背景技术
图像分割是图像识别和计算机视觉中至关重要的预处理方法。在深度学习领域，图像分割在前处理、后处理方面均具有很重要的作用。如在前处理中，通过分割图像中的多个目标和背景区域，可以提取图像中感兴趣目标的轮廓。
然而，现有的图像分割技术，例如实例分割、语义分割等，要么无法达到良好的分割效果，要么计算复杂、耗时长、成本高。
发明内容
为解决上述的技术问题，本发明提供一种分割图像的方法、装置、设备和计算机可读存储介质。
本发明实施例提供的分割图像的方法包括：基于目标检测算法获取目标物体的检测框图像；基于目标物体的目标颜色类别在检测框图像中提取掩码图像；基于掩码图像对目标颜色类别对应像素点的灰度直方图进行曲线拟合以得到其中所有的极值点；基于极值点选取分割阈值以在检测框图像中分割出目标物体的图像。
可选地，基于目标检测算法获取目标物体的检测框图像包括：在接收到输入图像后，利用预设的检测网络模型对输入图像进行目标检测以得到目标物体的检测结果，检测结果包括目标物体的位置信息；基于位置信息从输入图像中提取目标物体的检测框图像。
可选地，检测框图像包括RGB颜色模式的X光图像，基于目标物体的目标颜色类别在检测框图像中提取掩码图像包括：获取目标物体在RGB颜色模式的X光图像中呈现的颜色类别并且将其作为目标物体的目标颜色类别；将检测框图像从RGB颜色模式转换至HSV颜色模式；获取目标颜色类别对应的HSV参数范围，并基于此得到检测框图像中每个像素点的掩码；基于掩码在检测框图像中提取掩码图像。
可选地，基于此得到检测框图像中每个像素点的掩码包括：获取目标颜色类别对应的HSV参数范围以及每个像素点对应的HSV参数；判断HSV参数是否均位于HSV参数范围内，若是，则令相应像素点的掩码为1，若否，则令相应像素点的掩码为0。
可选地，当目标物体的目标颜色类别唯一时，基于掩码在检测框图像中提取掩码图像包括：在检测框图像中提取掩码为1的像素点作为掩码图像。
可选地，当目标物体的目标颜色类别不唯一时，基于掩码在检测框图像中提取掩码图像包括：分别将每个像素点的所有掩码的逻辑或运算结果作为相应像素点的最终掩码；在检测框图像中提取最终掩码为1的像素点作为掩码图像。
可选地，曲线拟合包括多项式曲线拟合。
可选地，基于极值点选取分割阈值包括：获取极值点中的所有极大值点；按照极大值点对应统计值由大到小的顺序对所有极大值点进行先后排序；按照先后顺序依次选取排序中的一个极大值点；获取该极大值点在排序中相邻的一个极大值点；判断这二个极大值点之间是否仅存在一个极小值点，若是，则分别判断二个极大值点对应的统计值与该极小值点对应的统计值之间的差值是否均小于或者等于第二统计阈值，若是，则选取该极小值对应的灰度值作为分割阈值。
可选地，该方法包括：获取检测框图像中目标物体的个数；基于目标物体的个数确定分割阈值的个数。
本发明实施例提供的分割图像的装置，包括：获取模块，用以基于目标检测算法获取目标物体的检测框图像；掩码模块，用以基于目标物体的目标颜色类别在检测框图像中提取掩码图像；拟合模块，用以基于掩码图像对目标颜色类别对应像素点的灰度直方图进行曲线拟合以得到其中所有的极值点；分割模块，用以基于极值点选取分割阈值以在检测框图像中分割出目标物体的图像。
本发明实施例提供的分割图像的设备，包括：处理器；存储器，其上存储有可在处理器上运行的计算机程序；其中，计算机程序被处理器执行时实现上述的分割图像的方法。
本发明实施例提供的计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被执行时实现上述的分割图像的方法。
与现有技术相比，本发明实施例的技术方案具有有益效果。
例如，先基于目标物体的目标颜色类别获取掩码图像，再基于掩码图像对目标颜色类别对应像素点的灰度直方图进行曲线拟合以选取分割阈值，实现了基于目标物体的颜色类别来进行图像分割，不但可以得到良好的分割效果，而且还可以避免颜色对图像分割造成的干扰。
又例如，可以基于拟合曲线的极值点选取多个分割阈值，进而在检测框图像中分割出多个目标物体的图像。
又例如，分割图像的实施过程简单、快速、成本低。
又例如，由于不同的物体在RGB颜色模式的X光图像中可以呈现出不同的颜色类别，因此本发明实施例提供的技术方案对X光图像的分割具有良好的应用前景。
附图说明
图1是本发明实施例中分割图像的方法的流程示意图；
图2是本发明实施例中输入图像的示意图；
图3是本发明实施例中不同目标物体的检测框图像的示意图，其中，子图3a为瓶底的检测框图像的示意图，子图3b为金属条的检测框图像的示意图，子图3c为水果刀的检测框图像的示意图；
图4是本发明实施例中一目标物体的检测框图像和掩码图像的示意图，其中，子图4a为目标物体的检测框图像的示意图，子图4b为目标物体的掩码图像的示意图；
图5是图4所示示例的灰度直方图及其拟合曲线的示意图，其中，灰度直方图的x轴表示像素点的灰度值，y轴表示与灰度值对应的像素点的统计值；
图6为图5所示示例的分割效果示意图；
图7是本发明实施例中分割图像的装置的原理框图。
需要说明的是，图2、图3、图4和图6的真实图像均为彩色图像。为了满足《专利法》和《专利法实施细则》中对说明书附图的要求，在本发明实施例提供的附图中，将图2、图3、图4和图6的真实图像作了灰度处理。
具体实施方式
如前所述，现有的图像分割技术，例如实例分割、语义分割等，要么无法达到良好的分割效果，要么计算复杂、耗时长、成本高。
不同于现有技术，本发明提供一种分割图像的方法、装置、设备和计算机可读存储介质。本发明实施例提供的分割图像的方法包括：获取目标物体的检测框图像；基于目标物体的目标颜色类别在检测框图像中提取掩码图像；基于掩码图像对目标颜色类别对应像素点的灰度直方图进行曲线拟合以得到其中所有的极值点；基于极值点选取分割阈值以在检测框图像中分割出目标物体的图像。
与现有技术相比，本发明实施例的技术方案具有有益效果。例如，先基于目标物体的目标颜色类别获取掩码图像，再基于掩码图像对目标颜色类别对应像素点的灰度直方图进行曲线拟合以选取分割阈值，实现了基于目标物体的颜色类别来进行图像分割，不但可以得到良好的分割效果，而且还可以避免颜色对图像分割造成的干扰。又例如，可以基于拟合曲线的极值点选取多个分割阈值，进而在检测框图像中分割出多个目标物体的图像。又例如，分割图像的实施过程简单、快速、成本低。又例如，由于不同的物体在RGB颜色模式的X光图像中可以呈现出不同的颜色类别，因此本发明实施例提供的技术方案对X光图像的分割具有良好的应用前景。
为使本发明的目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例进行详细说明。可以理解的是，以下所描述的具体实施例仅用于解释本发明，而非是对本发明的限定。
参照图1，本发明实施例提供的分割图像的方法，可以包括：
S1，基于目标检测算法获取目标物体的检测框图像；
S2，基于目标物体的目标颜色类别在检测框图像中提取掩码图像；
S3，基于掩码图像对目标颜色类别对应像素点的灰度直方图进行曲线拟合以得到其中所有的极值点；
S4，基于极值点选取分割阈值以在检测框图像中分割出目标物体的图像。
在步骤S1的具体实施中，可以采用现有技术中的目标检测算法获取目标物体的检测框图像。
具体而言，步骤S1中所述的获取目标物体的检测框图像，可以包括：
S11，在接收到输入图像后，利用预设的检测网络模型对输入图像进行目标检测以得到目标物体的检测结果，检测结果包括目标物体的位置信息；
S12，基于位置信息从输入图像中提取目标物体的检测框图像。
在具体实施中，可以仅利用一个检测网络模型，对输入图像进行目标检测，也可以利用二个以上检测网络模型对输入图像进行目标检测，此处不作限定，只要能够得到目标物体的检测结果即可。
在具体实施中，检测结果至少包括目标物体的位置信息。
进一步地，检测结果还可以包括目标物体的类别信息和置信度信息。
在一些实施例中，对于任一检测网络模型Qn的任一检测结果Boxn，均可以采用如表1所示的格式输出。
表1
| Boxn | 网络Qn | 类别Cn | 置信度P | Xmin | Ymin | Xmax | Ymax |
其中，Cn表示目标物体的类别，P表示目标物体属于类别Cn的概率，Xmin表示目标物体所在检测框的左下角点的横坐标，Ymin表示目标物体所在检测框的左下角点的纵坐标，Xmax表示目标物体所在检测框的右上角点的横坐标，Ymax表示目标物体所在检测框的右上角点的纵坐标。
在具体实施中，可以基于目标物体的位置信息(Xmin，Ymin，Xmax，Ymin)从输入图像中提取目标物体的检测框图像。
在另一些实施例中，还可以在输入图像中直接以检测框的形式输出检测结果。例如，图2所示的输入图像50输出了三个检测结果，分别为第一检测框51、第二检测框52和第三检测框53，其中，第一检测框51对应于金属的检测结果，第二检测框52对应于玻璃的检测结果，第三检测框53对应于雨伞的检测结果。如此，可以直观地显示出目标物体的检测结果。
在具体实施中，可以基于输入图像中的检测框提取目标物体的检测框图像。
在具体实施中，对于同一输入图像，既可以进行单一种类的目标物体的检测，也可以进行二个及其以上种类的目标物体的检测(例如，在安检领域，通常需要对管制刀具、枪支、化学危险品等多种目标物体进行检测)。由此，基于同一输入图像，既可以提取到单一目标物体的检测框图像，也可以提取到至少二个目标物体的检测框图像。
在具体实施中，对于提取到的同一检测框图像，其中既可以包括一个目标物体子图像，也可以包括至少二个及其以上的目标物体子图像。
例如，图3给出了三种目标物体的检测框图像，其中，子图3a为瓶底的检测框图像，子图3b为金属条的检测框图像，子图3c为水果刀的检测框图像。在瓶底的检测框图像54中包括了二个瓶底子图像，分别为子图像54a和54b；在金属条的检测框图像55中仅包括一个金属条子图像55a；在水果刀的检测框图像56中包括了二个水果刀子图像，分别为子图像56a和56b。
在具体实施中，检测框图像可以包括RGB颜色模式的X光图像。
对于RGB颜色模式的X光图像，图像上某一点的亮度与对应该点X射线穿透路径上的物体的质量成正比，图像的某部位越亮，表示该部位的物体的密度越小，反之，图像的某部位越暗，表示该部位的物体的密度越大。
通常，不同目标物体，由于成分不同、密度大小也不同，在RGB颜色模式的X光图像上呈现出来的颜色也各不相同。
具体而言，对于有机物，例如，炸药、油漆、香蕉水等，可以呈现出不同的橙色和黄色，例如，橙黄色、暗黄色和土黄色等。对于无机物，例如，刀具、枪支等，可以呈现出深浅不同的蓝色，例如，浅蓝色、深蓝色等。对于混合物和轻金属，可以呈现出深浅不同的绿色，例如，浅绿色、深绿色等。对于高密度的物体，则可以呈现出黑色和深红色。
在具体实施中，步骤S2中所述的基于目标物体的目标颜色类别在检测框图像中提取掩码图像，可以包括：
S21，获取目标物体在RGB颜色模式的X光图像中呈现的颜色类别并且将其作为目标物体的目标颜色类别；
S22，将检测框图像从RGB颜色模式转换至HSV颜色模式；
S23，获取目标颜色类别对应的HSV参数范围，并基于此得到检测框图像中每个像素点的掩码；
S24，基于掩码在检测框图像中提取掩码图像。
在具体实施中，由于不同的目标物体在RGB颜色模式的X光图像中呈现的颜色类别不同，因此，可以将目标物体在RGB颜色模式的X光图像中呈现的颜色类别作为其目标颜色类别。例如，当目标物体为管制刀具时，并且其在RGB颜色模式的X光图像中呈现出蓝色时，可以将蓝色作为管制刀具的目标颜色类别。
在具体实施中，目标物体对应的目标颜色类别并不仅仅指向单一的RGB颜色，而是指向一定的颜色范围，其对应的RGB值也不是唯一确定的，而是位于一定的RGB值范围内。例如，管制刀具对应的目标颜色类别蓝色可以包括浅蓝色、天蓝色和深蓝色等，其中，浅蓝色、天蓝色和深蓝色等的RGB值各不相同。但是，目标物体的检测框图像中的浅蓝色、天蓝色和深蓝色等属于蓝色范围的颜色均指向目标物体的目标颜色类别。
在具体实施中，还需要将目标物体的检测框图像从RGB颜色模式转换至HSV颜色模式。具体转换过程可以采用本领域中的公知常识或者现有技术手段来实现，此处不再赘述。
在具体实施中，将目标物体的检测框图像从RGB颜色模式转换至HSV颜色模式后，检测框图像中的每一个像素点均具有与其唯一对应的HSV参数(检测框图像中的每一个像素点在RGB颜色模式下也具有与其唯一对应的RGB参数)，其中，H、S和V分别表示色调Hue、饱和度Saturation和明度Value。
如前所述，目标颜色类别在RGB颜色模式下对应的RGB值不是唯一确定的，而是位于一定的RGB值范围内。相应地，在将检测框图像从RGB颜色模式转换至HSV颜色模式后，目标颜色类别对应的HSV参数也不是唯一确定的，也是位于一定的HSV参数范围内。
在具体实施中，步骤S23中所述的基于此得到检测框图像中每个像素点的掩码，可以包括：
S231，获取检测框图像中每个像素点对应颜色的HSV参数；
S232，分别判断每个像素点的HSV参数是否均位于目标颜色类别对应的HSV参数范围内，若是，则令该像素点的掩码为1，若否，则令该像素点的掩码为0。
在具体实施中，对于检测框图像中的任一像素点i∈(0,wobj)，j∈(0,hobj)，其掩码maski,j的计算如下：
其中，
wobj为检测框图像的宽度，
hobj为检测框图像的高度，
和/>分别表示任一像素点的HSV参数，
和/>分别表示目标物体的目标颜色类别的HSV参数范围。
在具体实施中，当任一像素点的HSV参数均位于目标颜色类别对应的HSV参数范围内时，令该像素点的maski,j＝1，否则，令该像素点的maski,j＝0。
当检测框图像中的某一像素点的maski,j＝1时，表示该像素点的颜色属于目标颜色类别，否则，表示该像素点的颜色不属于目标颜色类别。
在具体实施中，目标物体的目标颜色类别可以唯一，也可以不唯一。例如，一种枪支在RGB颜色模式的X光图像中仅呈现出蓝色；而一种管制刀具在RGB颜色模式的X光图像中不仅呈现出蓝色，而且还呈现出绿色。
当目标物体的目标颜色类别唯一时，检测框图像中的每个像素点的掩码均是唯一的(因为每个像素点的掩码都是基于目标颜色类别的HSV参数范围确定的)。
相应地，步骤S24中所述的基于掩码在检测框图像中提取掩码图像，可以包括：
S241，在检测框图像中提取掩码为1的像素点作为掩码图像。
当目标物体的目标颜色类别不唯一时，检测框图像中的每个像素点的掩码也是不唯一的(因为每个像素点的掩码都是基于目标颜色类别的HSV参数范围确定的，并且每个像素点的掩码个数与目标颜色类别的个数相同)。
相应地，步骤S24中所述的基于掩码在检测框图像中提取掩码图像，可以包括：
S242，分别将每个像素点的所有掩码的逻辑或运算结果作为相应像素点的最终掩码；
S243，在检测框图像中提取最终掩码为1的像素点作为掩码图像。
在具体实施中，任一像素点的最终掩码maski,j的计算方式如下：
其中，
∨表示逻辑或运算符号，
n表示目标颜色类别的个数，并且n为大于或者等于2的正整数，和/>分别表示该像素点基于n个不同的目标颜色类别得到的掩码。
图4给出了一种目标物体的检测框图像及其对应的掩码图像，其中，子图4a为该目标物体的检测框图像，子图4b为该目标物体的掩码图像。
参照子图4a，目标物体57a在检测框图像57中仅呈现出一种颜色类别。例如，目标物体在检测框图像中呈现出的颜色均属于蓝色范围，由此，该目标物体的目标颜色类别可以确定为蓝色。
在具体实施中，基于检测框图像中每个像素点在HSV颜色模式下的HSV参数以及目标颜色类别的HSV参数范围，可以得到每个像素点的掩码。进而基于每个像素点的掩码，可以从检测框图像中提取关于目标物体的掩码图像。
参照子图4b，掩码图像58中的深色区域58a即表示目标物体所在区域。
在得到掩码图像后，可以基于掩码图像对目标颜色类别对应像素点的灰度直方图进行曲线拟合以得到其中所有的极值点(即步骤S3)，并且基于极值点选取分割阈值以在检测框图像中分割出目标物体的图像(即步骤S4)。
在具体实施中，步骤S3中所述的基于掩码图像对目标颜色类别对应像素点的灰度直方图进行曲线拟合以得到其中所有的极值点，可以包括：
S31，基于掩码图像获取目标颜色类别对应的所有像素点；
S32，基于目标颜色类别对应的所有像素点建立灰度直方图；
S33，对灰度直方图进行曲线拟合以得到拟合曲线；
S34，获取拟合曲线的所有极值点。
在具体实施中，可以基于掩码图像获取目标颜色类别对应的所有像素点，这些像素点覆盖了目标颜色类别所在区域。
在具体实施中，灰度直方图的建立过程，可以采用本领域中的公知常识或者现有技术手段实现，此处不再赘述。
在具体实施中，可以对灰度直方图进行多项式曲线拟合。具体而言，可以采用最小二乘法或者本领域中任意已知的方法进行多项式曲线拟合。
在具体实施中，获取拟合曲线的所有极值点的过程，可以采用本领域中的公知常识或者现有技术手段实现，此处不再赘述。
在获取到拟合曲线的所有极值点后，可以基于极值点选取检测框图像的分割阈值。
具体而言，步骤S4中所述的基于极值点选取分割阈值，可以包括：
S41，获取极值点中的所有极大值点；
S42，按照极大值点对应统计值由大到小的顺序对所有极大值点进行先后排序；
S43，按照先后顺序依次选取排序中的一个极大值点；
S44，获取该极大值点在排序中相邻的一个极大值点；
S45，判断这二个极大值点之间是否仅存在一个极小值点，若是，则转至步骤S46，若否，则返回步骤S43中重新选取排序中后一次序的一个极大值点；
S46，分别判断这二个极大值点对应的统计值与该极小值点对应的统计值之间的差值是否均小于或者等于第二统计阈值，若是，则转至步骤S47，若否，则返回步骤S43中重新选取排序中后一次序的一个极大值点；
S47，选取该极小值对应的灰度值作为分割阈值，并判断是否继续选取分割阈值，若是，则返回步骤S43中重新选取排序中后一次序的一个极大值点进行判断，若否，则确定分割阈值的选取结束。
在具体实施中，循环上述的步骤S41至步骤S47直至选取的分割阈值的个数满足要求。
在具体实施中，可以基于检测框图像中目标物体的个数判断是否继续选取分割阈值(即判断分割阈值的个数是否满足要求)。
相应地，本发明实施例提供的分割图像的方法，还可以包括：
获取检测框图像中目标物体的个数；
基于目标物体的个数确定分割阈值的个数。
在具体实施中，可以采用现有技术中的目标检测算法获取检测框图像中目标物体的个数。具体实现方式可以采用本领域中的公知常识或者现有技术手段，此处不再赘述。
具体而言，目标物体的个数可以设为k，并且k为大于或者等于1的正整数。由此，可以基于目标物体的个数k，确定分隔阈值的选取个数。
在具体实施中，检测框图像中可能不存在干扰物体，即没有干扰物体具有与目标物体相同的目标颜色类别，由此，掩码图像及相应的灰度直方图中不存在与目标颜色类别对应的干扰像素点。在此情形下，分隔阈值的选取个数可以为(k-1)，(k-1)个分割阈值可以将检测框图像分割为k个区域，从而将k个目标物体单独分割开。
例如，在子图3a和子图3c所示示例中，目标物体均有二个。即，物体物体的个数为2。由此，分隔阈值的选取个数可以为(k-1)＝1，以通过一个分割阈值将二个目标物体分割开。
在具体实施中，检测框图像中还可能会存在至少一个干扰物体，所述干扰物体具有与目标物体相同的目标颜色类别，由此，干扰物体对应的像素点就会出现在目标物体的掩码图像和灰度直方图中。在此情形下，分隔阈值的选取个数可以为k，k个分割阈值可以将检测框图像分割为(k+1)个区域，不仅可以将k个目标物体单独分割开，而且还可以将k个目标物体与干扰物体分割开。
例如，在子图4a所示示例中，通过目标检测算法可以得知该检测框图像57中仅包含一个目标物体57a，由此，可以选取分割阈值的个数为1。
图5给出了图4所示示例的掩码图像中目标颜色类别对应像素点的灰度直方图及其拟合曲线。
参照图5，该拟合曲线60具有11个极值点，按照极值点对应灰度值由小到大的顺序，这十一个极值点分别为第一极大值点61a、第一极小值点61b、第二极大值点62a、第二极小值点62b、第三极大值点63a、第三极小值点63b、第四极大值点64a、第四极小值点64b、第五极大值点65a、第五极小值点65b和第六极大值点66a。
按照极大值点对应统计值由大到小的顺序对所有极大值点进行排序，可以得到极大值的先后排序为：第一极大值点61a、第二极大值点62a、第三极大值点63a、第四极大值点64a、第五极大值点65a、第六极大值点66a。
按照先后顺序，首先选取第一极大值点61a，并获取第一极大值点61a在排序中相邻的第二极大值点62a，然后判断第一极大值点61a和第二极大值点62a之间是否仅存在一个极小值点，由于第一极大值点61a和第二极大值点62a之间仅存在一个极小值点，即第一极小值点61b，因此，转至步骤S46(若第一极大值点61a和第二极大值点62a不仅存在一个极小值点，则需要重新在排序中选取后一次序的极大值点进行判断)。
接下来，分别判断第一极大值点61a和第二极大值点62a对应的统计值与第一极小值点61b对应的统计值之间的差值是否均小于或者等于第二统计阈值，若是，则选取第一极小值点61b对应的灰度值作为分割阈值并判断是否继续选取分割阈值，若否，则需要重新在排序中选取后一次序的极大值点进行判断。
例如，第一极大值点61a对应的统计值为y1，第二极大值点62a对应的统计值为y2，第一极小值点61b对应的统计值为y0，分别计算第一极大值点61a对应的统计值y1与第一极小值点61b对应的统计值y0之间的第一差值Δy1＝y1-y0、以及第二极大值点62a对应的统计值y2与第一极小值点61b对应的统计值y0之间的第二差值Δy2＝y2-y0，进而判断第一差值Δy1和第二差值Δy2是否均小于或者等于第二统计阈值，若是，则选取第一极小值点61b对应的灰度值作为分割阈值并判断是否继续选取分割阈值，若否，则重新在排序中选取后一次序的极大值点进行判断。
在具体实施中，第二统计阈值用以判断极小值点的统计值与相邻极大值点的统计值之间的落差(例如，第一差值Δy1、第二差值Δy2)，当所述落差较小时，可以基于该极小值点分割图像，当所述落差较大时，不适于基于该极小值点分割图像。
具体而言，当所述落差较大时，该极小值点左右两侧灰度值对应的像素点可能属于同一类目标物体(例如，轻金属材质的刀具和重金属材质的刀具均属于管制刀具)，在此情形下，不适于基于该极小值点分割图像。
在具体实施中，第二统计阈值可以基于历史统计数据或经验获取。
如在图5所示示例中，第一差值Δy1和第二差值Δy2均小于第二统计阈值，则可以选取第一极小值点61b对应的灰度值作为分割阈值。
如前所述，图5对应的检测框图像(子图4a)中仅包括一个目标物体，因此，仅需要选取一个分割阈值即可。具体地，该分割阈值为第一极小值点61b对应的灰度值。
参照图5，仅选择第一极小值点61b对应的灰度值作为分割阈值可以在检测框图像中分割出目标物体和背景。其中，小于或者等于第一极小值点61b对应的灰度值的像素点对应于目标物体，大于第一极小值点61b对应的灰度值的像素点对应于背景。
图5所示示例对应的分割效果如图6所示，通过检测框图像59中的分割线59a可以明显地将目标物体(分割线59a包围的区域即表示目标物体所在区域)分割出。
如图5对应的检测框图像(子图4a)中包括二个及其以上的目标物体，还可以返回步骤S43，并基于上述的技术方案进一步选取更多的分割阈值。
在具体实施中，还可以基于选取的(k-1)或k个分隔阈值，确定检测框图像中任一像素点的归属区域。
下面以选取k个分隔阈值为例进行说明。
具体而言，确定检测框图像中任一像素点的归属区域可以表示为：
其中，
g(i,j)表示检测框图像中坐标为(i,j)的像素点的归属区域，
ID1、ID2……IDk+1分别表示归属区域的编号，
f(i,j)表示检测框图像中坐标为(i,j)的像素点的灰度值，
T1、T2……Tk分别表示k个分割阈值。
如此，可以清楚地在检测框图像中分割出k个目标物体的图像。
参照图7，本发明实施例提供的分割图像的装置100可以包括依次连接的获取模块110、掩码模块120、拟合模块130和分割模块140。
具体而言，获取模块110用以基于目标检测算法获取目标物体的检测框图像；掩码模块120用以基于目标物体的目标颜色类别在检测框图像中提取掩码图像；拟合模块130用以基于掩码图像对目标颜色类别对应像素点的灰度直方图进行曲线拟合以得到其中所有的极值点；分割模块140用以基于极值点选取分割阈值以在检测框图像中分割出目标物体的图像。
在具体实施中，获取模块110、掩码模块120、拟合模块130和分割模块140可以基于本发明实施例公开的分割图像的方法的技术方案而实施。
本发明实施例提供的分割图像的设备包括处理器和存储器。其中，存储器上存储有可在处理器上运行的计算机程序，该计算机程序被处理器执行时实现本发明实施例公开的分割图像的方法。
本发明实施例还提供一种计算机可读存储介质。该计算机可读存储介质存储有计算机程序，该计算机程序被执行时实现本发明实施例公开的分割图像的方法。
尽管上文已经描述了具体实施方案，但这些实施方案并非要限制本发明公开的范围，即使仅相对于特定特征描述单个实施方案的情况下也是如此。本发明公开中提供的特征示例意在进行例示，而非限制，除非做出不同表述。在具体实施中，可根据实际需求，在技术上可行的情况下，将一项或者多项从属权利要求的技术特征与独立权利要求的技术特征进行组合，并可通过任何适当的方式而不是仅通过权利要求书中所列举的特定组合来组合来自相应独立权利要求的技术特征。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (8)
1.一种分割图像的方法，其特征在于，包括：
基于目标检测算法获取目标物体的检测框图像；
基于所述目标物体的目标颜色类别在所述检测框图像中提取掩码图像；
基于所述掩码图像对所述目标颜色类别对应像素点的灰度直方图进行曲线拟合以得到其中所有的极值点；
基于所述极值点选取分割阈值以在所述检测框图像中分割出所述目标物体的图像；
所述检测框图像包括RGB颜色模式的X光图像，所述基于所述目标物体的目标颜色类别在所述检测框图像中提取掩码图像包括：
获取所述目标物体在所述RGB颜色模式的X光图像中呈现的颜色类别并且将其作为所述目标颜色类别；
将所述检测框图像从所述RGB颜色模式转换至HSV颜色模式；
获取所述目标颜色类别对应的HSV参数范围，并基于此得到所述检测框图像中每个像素点的掩码；
基于所述掩码在所述检测框图像中提取所述掩码图像；
所述基于此得到所述检测框图像中每个像素点的掩码包括：
获取所述每个像素点对应的HSV参数；
判断所述HSV参数是否均位于所述HSV参数范围内，若是，则令相应像素点的掩码为1，若否，则令相应像素点的掩码为0；
当所述目标物体的目标颜色类别不唯一时，所述基于所述掩码在所述检测框图像中提取所述掩码图像包括：分别将所述每个像素点的所有掩码的逻辑或运算结果作为相应像素点的最终掩码；在所述检测框图像中提取所述最终掩码为1的像素点作为所述掩码图像；
所述基于所述极值点选取分割阈值包括：
获取所述极值点中的所有极大值点；
按照极大值点对应统计值由大到小的顺序对所述所有极大值点进行先后排序；
按照先后顺序依次选取排序中的一个极大值点；
获取该极大值点在排序中相邻的一个极大值点；
判断这二个极大值点之间是否仅存在一个极小值点，若是，则分别判断所述二个极大值点对应的统计值与该极小值点对应的统计值之间的差值是否均小于或者等于第二统计阈值，若是，则选取该极小值对应的灰度值作为所述分割阈值。
2.根据权利要求1所述的方法，其特征在于，所述基于目标检测算法获取目标物体的检测框图像包括：
在接收到输入图像后，利用预设的检测网络模型对所述输入图像进行目标检测以得到所述目标物体的检测结果，所述检测结果包括所述目标物体的位置信息；
基于所述位置信息从所述输入图像中提取所述目标物体的检测框图像。
3.根据权利要求1所述的方法，其特征在于，当所述目标物体的目标颜色类别唯一时，所述基于所述掩码在所述检测框图像中提取所述掩码图像包括：
在所述检测框图像中提取掩码为1的像素点作为所述掩码图像。
4.根据权利要求1所述的方法，其特征在于，所述曲线拟合包括多项式曲线拟合。
5.根据权利要求1所述的方法，其特征在于，包括：
获取所述检测框图像中所述目标物体的个数；
基于所述目标物体的个数确定所述分割阈值的个数。
6.一种分割图像的装置，其特征在于，包括：
获取模块，用以基于目标检测算法获取目标物体的检测框图像；
掩码模块，用以基于所述目标物体的目标颜色类别在所述检测框图像中提取掩码图像；
拟合模块，用以基于所述掩码图像对所述目标颜色类别对应像素点的灰度直方图进行曲线拟合以得到其中所有的极值点；
分割模块，用以基于所述极值点选取分割阈值以在所述检测框图像中分割出所述目标物体的图像；
所述检测框图像包括RGB颜色模式的X光图像，所述掩码模块，用以获取所述目标物体在所述RGB颜色模式的X光图像中呈现的颜色类别并且将其作为所述目标颜色类别；将所述检测框图像从所述RGB颜色模式转换至HSV颜色模式；获取所述目标颜色类别对应的HSV参数范围，并基于此得到所述检测框图像中每个像素点的掩码；基于所述掩码在所述检测框图像中提取所述掩码图像；所述基于此得到所述检测框图像中每个像素点的掩码包括：获取所述每个像素点对应的HSV参数；判断所述HSV参数是否均位于所述HSV参数范围内，若是，则令相应像素点的掩码为1，若否，则令相应像素点的掩码为0；当所述目标物体的目标颜色类别不唯一时，所述基于所述掩码在所述检测框图像中提取所述掩码图像包括：分别将所述每个像素点的所有掩码的逻辑或运算结果作为相应像素点的最终掩码；在所述检测框图像中提取所述最终掩码为1的像素点作为所述掩码图像；
所述分割模块，用以获取所述极值点中的所有极大值点；按照极大值点对应统计值由大到小的顺序对所述所有极大值点进行先后排序；按照先后顺序依次选取排序中的一个极大值点；获取该极大值点在排序中相邻的一个极大值点；判断这二个极大值点之间是否仅存在一个极小值点，若是，则分别判断所述二个极大值点对应的统计值与该极小值点对应的统计值之间的差值是否均小于或者等于第二统计阈值，若是，则选取该极小值对应的灰度值作为所述分割阈值。
7.一种分割图像的设备，其特征在于，包括：
处理器；
存储器，存储有可在所述处理器上运行的计算机程序；
其中，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的方法。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1至5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110211297.6A CN114972367B (zh) | 2021-02-25 | 2021-02-25 | 分割图像的方法、装置、设备和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110211297.6A CN114972367B (zh) | 2021-02-25 | 2021-02-25 | 分割图像的方法、装置、设备和计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114972367A CN114972367A (zh) | 2022-08-30 |
| CN114972367B true CN114972367B (zh) | 2024-06-07 |
Family
ID=82973770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110211297.6A Active CN114972367B (zh) | 2021-02-25 | 2021-02-25 | 分割图像的方法、装置、设备和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114972367B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115731213B (zh) * | 2022-11-29 | 2024-01-30 | 北京声迅电子股份有限公司 | 一种基于x光图像的利器检测方法 |
Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10301634A1 (de) * | 2003-01-17 | 2004-08-05 | Daimlerchrysler Ag | Lokal-adaptive Objekterkennung für digitales Bildmaterial |
| CN103810716A (zh) * | 2014-03-13 | 2014-05-21 | 北京工商大学 | 基于灰度搬移和Renyi熵的图像分割方法 |
| CN103903254A (zh) * | 2012-12-31 | 2014-07-02 | 中国科学院深圳先进技术研究院 | 一种x光图像处理方法、系统及x光图像处理设备 |
| CN104766338A (zh) * | 2015-04-28 | 2015-07-08 | 中云智慧（北京）科技有限公司 | 一种复杂x光伪彩图的显著性检测方法 |
| CN105279821A (zh) * | 2014-07-22 | 2016-01-27 | 无锡慧眼电子科技有限公司 | 一种基于角度灰度信息的行人计数方法 |
| CN106097308A (zh) * | 2016-05-31 | 2016-11-09 | 长沙理工大学 | 一种基于机器视觉的新能源电动车辆充电孔检测与定位方法 |
| CN106780413A (zh) * | 2016-11-30 | 2017-05-31 | 深圳市安健科技股份有限公司 | 一种图像增强方法及装置 |
| WO2017133217A1 (en) * | 2016-02-03 | 2017-08-10 | Boe Technology Group Co., Ltd. | Method and apparatus for infrared thermal image contour extraction |
| CN107742122A (zh) * | 2017-10-27 | 2018-02-27 | 浙江大华技术股份有限公司 | 一种x光图像的分割方法及装置 |
| CN107808382A (zh) * | 2017-09-26 | 2018-03-16 | 广东工业大学 | 一种基于色彩饱和度信息的pcb条码分割方法 |
| CN108198227A (zh) * | 2018-03-16 | 2018-06-22 | 济南飞象信息科技有限公司 | 基于x光安检机图像的违禁品智能识别方法 |
| CN108345867A (zh) * | 2018-03-09 | 2018-07-31 | 南京邮电大学 | 面向智能家居场景的手势识别方法 |
| CN109187598A (zh) * | 2018-10-09 | 2019-01-11 | 青海奥越电子科技有限公司 | 基于数字图像处理的违禁物品检测系统及方法 |
| CN109389165A (zh) * | 2018-09-29 | 2019-02-26 | 南京理工大学 | 基于巡检机器人的变压器油位计识别方法 |
| CN109977877A (zh) * | 2019-03-28 | 2019-07-05 | 北京邮电大学 | 一种安检智能辅助判图方法、系统以及系统控制方法 |
| CN110766736A (zh) * | 2019-10-29 | 2020-02-07 | 京东方科技集团股份有限公司 | 缺陷检测方法、装置、电子设备以及存储介质 |
| CN110766713A (zh) * | 2019-10-30 | 2020-02-07 | 上海微创医疗器械（集团）有限公司 | 肺部图像分割方法、装置和肺部病变区域识别设备 |
| CN111223115A (zh) * | 2020-04-22 | 2020-06-02 | 杭州涂鸦信息技术有限公司 | 一种图像分割方法、装置、设备及介质 |
| CN111340824A (zh) * | 2020-02-26 | 2020-06-26 | 青海民族大学 | 一种基于数据挖掘的图像特征分割方法 |
| CN111784649A (zh) * | 2020-06-24 | 2020-10-16 | 武汉古奥基因科技有限公司 | 一种无损鱼骨的鱼骨表型信息自动检测系统及方法 |
| CN111860578A (zh) * | 2020-06-08 | 2020-10-30 | 中国船舶重工集团公司第七一三研究所 | 一种机场安检违禁品自动识别系统图像预归类方法 |
| CN112200800A (zh) * | 2020-10-30 | 2021-01-08 | 福州大学 | 一种基于灰度直方图梯度加权目标方差的电润湿显示器缺陷检测方法 |
| CN112347887A (zh) * | 2020-10-28 | 2021-02-09 | 深圳市优必选科技股份有限公司 | 一种物体检测方法、物体检测装置及电子设备 |
-
2021
- 2021-02-25 CN CN202110211297.6A patent/CN114972367B/zh active Active
Patent Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10301634A1 (de) * | 2003-01-17 | 2004-08-05 | Daimlerchrysler Ag | Lokal-adaptive Objekterkennung für digitales Bildmaterial |
| CN103903254A (zh) * | 2012-12-31 | 2014-07-02 | 中国科学院深圳先进技术研究院 | 一种x光图像处理方法、系统及x光图像处理设备 |
| CN103810716A (zh) * | 2014-03-13 | 2014-05-21 | 北京工商大学 | 基于灰度搬移和Renyi熵的图像分割方法 |
| CN105279821A (zh) * | 2014-07-22 | 2016-01-27 | 无锡慧眼电子科技有限公司 | 一种基于角度灰度信息的行人计数方法 |
| CN104766338A (zh) * | 2015-04-28 | 2015-07-08 | 中云智慧（北京）科技有限公司 | 一种复杂x光伪彩图的显著性检测方法 |
| WO2017133217A1 (en) * | 2016-02-03 | 2017-08-10 | Boe Technology Group Co., Ltd. | Method and apparatus for infrared thermal image contour extraction |
| CN106097308A (zh) * | 2016-05-31 | 2016-11-09 | 长沙理工大学 | 一种基于机器视觉的新能源电动车辆充电孔检测与定位方法 |
| CN106780413A (zh) * | 2016-11-30 | 2017-05-31 | 深圳市安健科技股份有限公司 | 一种图像增强方法及装置 |
| CN107808382A (zh) * | 2017-09-26 | 2018-03-16 | 广东工业大学 | 一种基于色彩饱和度信息的pcb条码分割方法 |
| CN107742122A (zh) * | 2017-10-27 | 2018-02-27 | 浙江大华技术股份有限公司 | 一种x光图像的分割方法及装置 |
| CN108345867A (zh) * | 2018-03-09 | 2018-07-31 | 南京邮电大学 | 面向智能家居场景的手势识别方法 |
| CN108198227A (zh) * | 2018-03-16 | 2018-06-22 | 济南飞象信息科技有限公司 | 基于x光安检机图像的违禁品智能识别方法 |
| CN109389165A (zh) * | 2018-09-29 | 2019-02-26 | 南京理工大学 | 基于巡检机器人的变压器油位计识别方法 |
| CN109187598A (zh) * | 2018-10-09 | 2019-01-11 | 青海奥越电子科技有限公司 | 基于数字图像处理的违禁物品检测系统及方法 |
| CN109977877A (zh) * | 2019-03-28 | 2019-07-05 | 北京邮电大学 | 一种安检智能辅助判图方法、系统以及系统控制方法 |
| CN110766736A (zh) * | 2019-10-29 | 2020-02-07 | 京东方科技集团股份有限公司 | 缺陷检测方法、装置、电子设备以及存储介质 |
| CN110766713A (zh) * | 2019-10-30 | 2020-02-07 | 上海微创医疗器械（集团）有限公司 | 肺部图像分割方法、装置和肺部病变区域识别设备 |
| CN111340824A (zh) * | 2020-02-26 | 2020-06-26 | 青海民族大学 | 一种基于数据挖掘的图像特征分割方法 |
| CN111223115A (zh) * | 2020-04-22 | 2020-06-02 | 杭州涂鸦信息技术有限公司 | 一种图像分割方法、装置、设备及介质 |
| CN111860578A (zh) * | 2020-06-08 | 2020-10-30 | 中国船舶重工集团公司第七一三研究所 | 一种机场安检违禁品自动识别系统图像预归类方法 |
| CN111784649A (zh) * | 2020-06-24 | 2020-10-16 | 武汉古奥基因科技有限公司 | 一种无损鱼骨的鱼骨表型信息自动检测系统及方法 |
| CN112347887A (zh) * | 2020-10-28 | 2021-02-09 | 深圳市优必选科技股份有限公司 | 一种物体检测方法、物体检测装置及电子设备 |
| CN112200800A (zh) * | 2020-10-30 | 2021-01-08 | 福州大学 | 一种基于灰度直方图梯度加权目标方差的电润湿显示器缺陷检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| Overview of Segmentation X-Ray Medical Images Using Image Processing Technique;Wan Azani Mustafa 等;《Journal of Physics: Conference Series》;20200401;全文 * |
| 不同颜色空间阈值分割跟踪法的移动目标追踪;沈丹峰;沈雅欣;叶国铭;王青;;机电一体化;20160915(09);全文 * |
| 基于多尺度信息融合的图像识别改进算法;董有政 等;《吉林大学学报(工学版)》;20201231;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114972367A (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Shadow detection in remotely sensed images based on self-adaptive feature selection | |
| CN103186904B (zh) | 图片轮廓提取方法及装置 | |
| US8508546B2 (en) | Image mask generation | |
| US7528991B2 (en) | Method of generating a mask image of membership of single pixels to certain chromaticity classes and of adaptive improvement of a color image | |
| CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
| CN110390643B (zh) | 一种车牌增强方法、装置及电子设备 | |
| CN105095892A (zh) | 基于图像处理的学生文档管理系统 | |
| CN104504722B (zh) | 一种利用灰色点校正图像颜色的方法 | |
| CN109948625A (zh) | 文本图像清晰度评估方法及系统、计算机可读存储介质 | |
| CN112991536B (zh) | 一种专题地图地理面要素自动提取和矢量化方法 | |
| US12008734B2 (en) | Generating image masks from digital images via color density estimation and deep learning models | |
| CN111274964A (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
| CN113327255A (zh) | 基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法 | |
| CN111815528A (zh) | 基于卷积模型和特征融合的恶劣天气图像分类增强方法 | |
| CN114972367B (zh) | 分割图像的方法、装置、设备和计算机可读存储介质 | |
| CN108711160A (zh) | 一种基于hsi增强性模型的目标分割方法 | |
| CN108877030B (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
| CN114638596B (zh) | 一种自然资源业务流程审查方法、系统、设备和介质 | |
| Mai et al. | An improved method for Vietnam License Plate location | |
| CN108389219B (zh) | 一种基于多峰值判定的弱小目标跟踪丢失重检方法 | |
| CN113095147A (zh) | 皮肤区域检测方法、系统、图像处理终端和存储介质 | |
| CN112949367A (zh) | 基于视频流数据的工作服颜色检测方法及装置 | |
| Kar et al. | Statistical approach for color image detection | |
| Pichai et al. | Human skin detection in digital images using multi colour scheme system | |
| CN116597238B (zh) | 一种大田环境下鲜烟叶成熟度判别方法、介质及系统 |
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 |