CN115187790A - 一种基于参考区域二值化结果的图像轮廓提取方法 - Google Patents

一种基于参考区域二值化结果的图像轮廓提取方法 Download PDF

Info

Publication number
CN115187790A
CN115187790A CN202210744151.2A CN202210744151A CN115187790A CN 115187790 A CN115187790 A CN 115187790A CN 202210744151 A CN202210744151 A CN 202210744151A CN 115187790 A CN115187790 A CN 115187790A
Authority
CN
China
Prior art keywords
image
matrix
reference region
roi
contour extraction
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
CN202210744151.2A
Other languages
English (en)
Inventor
秦龙辉
张嘉桐
柴大洲
李瑞茹
包文辉
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202210744151.2A priority Critical patent/CN115187790A/zh
Publication of CN115187790A publication Critical patent/CN115187790A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于参考区域二值化结果的图像轮廓提取方法，涉及图像处理技术领域，解决了受复杂环境背景影响造成主体目标轮廓提取困难的问题，其技术方案要点是在预先确定待识别对象位置的情况下，以该位置为核心划定参考区域，根据参考区域二值化结果，确定整幅图像的二值化结果。该方法适用于主体目标唯一且连续、位置确定，同时该目标在整幅图像中具有一定面积占比的情况；与已有的整幅图像直接二值化或根据纹理特征提取轮廓的方法相比较，该方法实现简单且高效，可有效减少背景光变化与周围环境干扰对轮廓提取的影响。

Description

一种基于参考区域二值化结果的图像轮廓提取方法
技术领域
本申请涉及视觉图像的计算机自动化处理技术领域，尤其涉及一种基于参考区域二值化结果的图像轮廓提取方法。
背景技术
在涉及图像处理和识别的技术应用中，图像主体的识别与主体轮廓的提取是非常重要的前处理环节。彩色图像信号可以作为包含R、G、B三个通道的数组矩阵进行处理，将彩色图像灰度处理后可以进一步简化为二维矩阵。通常情况下图像主体与背景存在较大的色彩差异，可以通过设置阈值，实现图像主体区域的识别和轮廓提取。同样，也可以使用机器学习的方法，在大量学习与待识别图像种类一致的轮廓信息后，实现对图像主体的识别与轮廓提取。
目前，该领域的相关技术研究，主要有两类方法。一方面，使用特定的计算方法，获得特征值，实现对图像轮廓的识别，如：Sobel算子、GVF snake模型、阈值分割、Gabor滤波器等。Sobel算子通过与图像作卷积求得梯度信息，获取轮廓，GVF snake模型计算梯度矢量流，计算量较大；而阈值分割方法在提取图像轮廓时，默认将具有更高亮度的对象确认为主体，其余则被认为是背景，如果主体目标和背景的亮度及色彩发生变化，则很容易出现背景被识别为主体，从而导致轮廓提取失败的问题。另一类方法使用机器学习算法，如：结构森林、GAN网络、对抗网络、K均值聚类等，这类方法对特定种类的图像轮廓识别具有较好的效果，但需要进行数据集的建立和网络的训练，程序较为复杂且训练好的网络通用性较差，适用于特定种类图像的处理。因此，亟需一种简单高效的轮廓提取方法。
发明内容
本申请提供了一种基于参考区域二值化结果的图像轮廓提取方法，其技术目的是有效减少背景光变化与周围环境干扰对轮廓提取的影响，使轮廓提取简单且高效。
本申请的上述技术目的是通过以下技术方案得以实现的：
一种基于参考区域二值化结果的图像轮廓提取方法，包括：
S1：对整幅图像进行灰度化处理，得到灰度图像；
S2：确定所述灰度图像中参考区域的位置(x,y)及大小(w,h)；
S3：对所述参考区域进行二值化处理时通过Otsu方法确定全局阈值，根据所述全局阈值计算二值化后的所述参考区域的像素矩阵，对所述像素矩阵中所有元素的平均值进行计算；
S4：根据所述平均值确定整幅图像的二值化矩阵；
S5：通过Moore-Neighbor追踪算法在所述二值化矩阵中对待识别主体目标的轮廓进行提取。
本申请的有益效果在于：本申请所述的基于参考区域二值化结果的图像轮廓提取方法，实现简单，直接，计算成本低，对硬件要求低，对于包含单个目标主体的视觉图像，可快速提取其轮廓，也可用于去除平面图像中的背景。参考区域由用户根据所提取轮廓的目标主体形状及大小定制，可适用于不同形状特征及大小的目标轮廓提取场景。
附图说明
图1为本申请所述图像轮廓提取方法的流程图；
图2为具体实施例的示意图。
具体实施方式
下面将结合附图对本申请技术方案进行详细说明。
如图1所示，本申请所述的基于参考区域二值化结果的图像轮廓提取方法，具体包括：
S1：对整幅图像进行灰度化处理，得到灰度图像。
S2：确定所述灰度图像中参考区域的位置(x,y)及大小(w,h)。
S3：对所述参考区域进行二值化处理时通过Otsu方法确定全局阈值，根据所述全局阈值计算二值化后的所述参考区域的像素矩阵，对所述像素矩阵中所有元素的平均值进行计算。
S4：根据所述平均值确定整幅图像的二值化矩阵。
S5：通过Moore-Neighbor追踪算法在所述二值化矩阵中对待识别主体目标的轮廓进行提取。
图2为具体实施例的示意图，如图2中(b)所示，对整幅图像进行灰度化处理，所述灰度化处理的方法包括：将彩色图像的RGB三种颜色按照加权求和的方式转换为灰度值，则灰度值矩阵第i行第j列的值表示为灰度值I(i,j)＝0.299*R+0.587*G+0.114*B；其中，R,G,B分别表示彩色图像中第i行第j列像素点在红、绿、蓝三个颜色通道中的值。
如所识别图像为灰度图像，则可跳过此步骤。
图2中(c)表示确定所述灰度图像中参考区域的位置(x,y)及大小(w,h)。所述参考区域的位置(x,y)表示已知的待识别主体目标的中心点在灰度图像中的位置，所述参考区域为矩形区域，w和h分别表示矩形局域的宽和高。由用于根据待识别主体目标的形状特征和大小确定，一般情况下，可以取w＝h的正方形区域作为参考区域，且参考区域的面积应小于待识别主体目标的面积。
图2中(d)表示像素矩阵的计算方法，具体为：若灰度值I(i,j)>＝W_ROI，则bw_ROI(i,j)＝1；否则，bw_ROI(i,j)＝0；其中，W_ROI表示所述全局阈值，bw_ROI(i,j)表示所述像素矩阵中第i行第j列的值。
对所述像素矩阵中所有元素的平均值进行计算，包括：根据
Figure BDA0003716429100000021
计算平均值Nmean_ROI，Nmean_ROI为四舍五入得到的似整数值；其中，m，n分别表示所述参考区域内像素的行数和列数。
图2中(e)表示对整幅图像进行二值化处理，利用Otsu方法确定整幅图像二值化处理时的全局阈值，再计算其二值化的像素矩阵bw_temp。若Nmean_ROI＝1，则所述二值化矩阵表示为bw＝bw_temp；否则，bw＝～bw_temp；其中，bw表示二值化矩阵；bw_temp表示像素矩阵；～bw_temp表示将bw_temp中的每个元素取反，即0变为1,1变为0。
图2中(f)表示通过Moore-Neighbor追踪算法计算所述二值化矩阵中所有物体的轮廓，获得的轮廓中具有最大像素点且位于所述参考区域附近的轮廓即为待识别主体目标的轮廓。
以上为本申请示范性实施例，本申请的保护范围由权利要求书及其等效物限定。

Claims (6)

1.一种基于参考区域二值化结果的图像轮廓提取方法，其特征在于，包括：
S1：对整幅图像进行灰度化处理，得到灰度图像；
S2：确定所述灰度图像中参考区域的位置(x,y)及大小(w,h)；
S3：对所述参考区域进行二值化处理时通过Otsu方法确定全局阈值，根据所述全局阈值计算二值化后的所述参考区域的像素矩阵，对所述像素矩阵中所有元素的平均值进行计算；
S4：根据所述平均值确定整幅图像的二值化矩阵；
S5：通过Moore-Neighbor追踪算法在所述二值化矩阵中对待识别主体目标的轮廓进行提取。
2.如权利要求1所述的图像轮廓提取方法，其特征在于，所述步骤S1中，所述灰度化处理的方法包括：将彩色图像的RGB三种颜色按照加权求和的方式转换为灰度值，则灰度值矩阵第i行第j列的值表示为灰度值I(i,j)＝0.299*R+0.587*G+0.114*B；其中，R,G,B分别表示彩色图像中第i行第j列像素点在红、绿、蓝三个颜色通道中的值。
3.如权利要求1所述的图像轮廓提取方法，其特征在于，所述步骤S2中，所述参考区域的位置(x,y)表示已知的待识别主体目标的中心点在灰度图像中的位置，所述参考区域为矩形区域，w和h分别表示矩形局域的宽和高；所述参考区域的面积小于待识别主体目标的面积。
4.如权利要求1所述的图像轮廓提取方法，其特征在于，所述步骤S3中，所述像素矩阵的计算方法表示为：若灰度值I(i,j)>＝W_ROI，则bw_ROI(i,j)＝1；否则，bw_ROI(i,j)＝0；其中，W_ROI表示所述全局阈值，bw_ROI(i,j)表示所述像素矩阵中第i行第j列的值；
对所述像素矩阵中所有元素的平均值进行计算，包括：根据
Figure FDA0003716429090000011
计算平均值Nmean_ROI，Nmean_ROI为整数值；其中，m，n分别表示所述参考区域内像素的行数和列数。
5.如权利要求4所述的图像轮廓提取方法，其特征在于，所述步骤S4中，若Nmean_ROI＝1，则所述二值化矩阵表示为bw＝bw_temp；否则，bw＝～bw_temp；其中，bw表示二值化矩阵；bw_temp表示像素矩阵；～bw_temp表示将bw_temp中的每个元素取反。
6.如权利要求4所述的图像轮廓提取方法，其特征在于，所述步骤S5包括：通过Moore-Neighbor追踪算法计算所述二值化矩阵中所有物体的轮廓，获得的轮廓中具有最大像素点且位于所述参考区域附近的轮廓即为待识别主体目标的轮廓。
CN202210744151.2A 2022-06-27 2022-06-27 一种基于参考区域二值化结果的图像轮廓提取方法 Pending CN115187790A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210744151.2A CN115187790A (zh) 2022-06-27 2022-06-27 一种基于参考区域二值化结果的图像轮廓提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210744151.2A CN115187790A (zh) 2022-06-27 2022-06-27 一种基于参考区域二值化结果的图像轮廓提取方法

Publications (1)

Publication Number Publication Date
CN115187790A true CN115187790A (zh) 2022-10-14

Family

ID=83515818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210744151.2A Pending CN115187790A (zh) 2022-06-27 2022-06-27 一种基于参考区域二值化结果的图像轮廓提取方法

Country Status (1)

Country Link
CN (1) CN115187790A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116746926A (zh) * 2023-08-16 2023-09-15 深圳市益心达医学新技术有限公司 基于图像识别的自动采血方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116746926A (zh) * 2023-08-16 2023-09-15 深圳市益心达医学新技术有限公司 基于图像识别的自动采血方法、装置、设备及存储介质
CN116746926B (zh) * 2023-08-16 2023-11-10 深圳市益心达医学新技术有限公司 基于图像识别的自动采血方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN107230202B (zh) 路面病害图像的自动识别方法和系统
CN110599552B (zh) 一种基于计算机视觉的pH试纸检测方法
Wu et al. An automated vision system for container-code recognition
CN111340824B (zh) 一种基于数据挖掘的图像特征分割方法
CN109978848B (zh) 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法
CN109348731B (zh) 一种图像匹配的方法及装置
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN108710916B (zh) 图片分类的方法及装置
CN111680690B (zh) 一种文字识别方法及装置
CN104966285B (zh) 一种显著性区域的检测方法
CN102426649A (zh) 一种简单的高准确率的钢印数字自动识别方法
CN111652213A (zh) 一种基于深度学习的船舶水尺读数识别方法
WO2020223963A1 (en) Computer-implemented method of detecting foreign object on background object in image, apparatus for detecting foreign object on background object in image, and computer-program product
CN110276759B (zh) 一种基于机器视觉的手机屏坏线缺陷诊断方法
CN109977834B (zh) 从深度图像中分割人手与交互物体的方法和装置
CN114331986A (zh) 一种基于无人机视觉的坝体裂纹识别与测量方法
CN108280469A (zh) 一种基于稀疏表示的超市商品图像识别方法
US8000535B2 (en) Methods and systems for refining text segmentation results
CN112991238A (zh) 基于纹理色彩混合式的食物图像分割方法、系统、介质及终端
CN113450376A (zh) 一种基于fpga的棉株边缘检测方法
CN115187790A (zh) 一种基于参考区域二值化结果的图像轮廓提取方法
Panigrahi et al. Evaluations of fractal geometry and invariant moments for shape classification of corn germplasm
CN112818983A (zh) 一种利用图片相识度判断字符倒置的方法
CN116912338A (zh) 一种用于纺织品的像素图片矢量化方法
CN113643290B (zh) 一种基于图像处理的吸管计数方法、装置及存储介质

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