CN115578399A - 一种图像处理方法及装置、存储介质 - Google Patents

一种图像处理方法及装置、存储介质 Download PDF

Info

Publication number
CN115578399A
CN115578399A CN202110671958.3A CN202110671958A CN115578399A CN 115578399 A CN115578399 A CN 115578399A CN 202110671958 A CN202110671958 A CN 202110671958A CN 115578399 A CN115578399 A CN 115578399A
Authority
CN
China
Prior art keywords
image
processed
segmentation
regions
segmented
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
CN202110671958.3A
Other languages
English (en)
Inventor
蔡怤晟
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.)
China Mobile Communications Group Co Ltd
China Mobile Chengdu ICT Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Chengdu ICT Co Ltd
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 China Mobile Communications Group Co Ltd, China Mobile Chengdu ICT Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202110671958.3A priority Critical patent/CN115578399A/zh
Publication of CN115578399A publication Critical patent/CN115578399A/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
    • G06T7/11—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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Landscapes

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

Abstract

本申请公开了一种图像处理方法及装置、存储介质，图像处理方法包括：在获取到待处理图像的情况下，获取待处理图像的图像纹理特征；根据图像纹理特征对待处理图像进行分割，得到待处理图像对应的分割图像，并基于分割图像分割所述待处理图像，提高了图像分割时的准确性。

Description

一种图像处理方法及装置、存储介质
技术领域
本申请涉及图像分割技术领域，尤其涉及一种图像处理方法及装置、存储介质。
背景技术
图像分割是根据图像中像素所反映出的不同特征，将具有相似特征的像素点放在同一集合中，形成一个区域，且区域间互不重叠。在同一区域中，同种特征呈现较高的同质性，不同区域有较大异质性。
现有技术中，是计算原始图像中的多个区域间的颜色的异质性和形状的异质性，并根据颜色的异质性和形状的异质性将多个区域间中具有同质性的区域进行合并，从而实现对原始图像的分割，由于开始分割时是根据原始图像的像素点开始进行分割处理的，而像素点的没有形状特征，就直接根据颜色对像素点进行分割，如此，降低了图像分割时的准确性。
发明内容
为解决上述技术问题，本申请实施例提供一种图像处理方法及装置、存储介质，提高了图像分割时的准确性。
本申请实施例的技术方案是这样实现的：
第一方面，本申请实施例提供了一种图像处理方法，包括：
在获取到待处理图像的情况下，获取所述待处理图像的图像纹理特征；
根据所述图像纹理特征对所述待处理图像进行分割，得到所述待处理图像对应的分割图像，并基于所述分割图像分割所述待处理图像。
第二方面，本申请实施例提供了一种图像处理装置，所述装置包括：
获取单元，用于在获取到待处理图像的情况下，获取所述待处理图像的图像纹理特征；
分割单元，用于根据所述图像纹理特征对所述待处理图像进行分割，得到所述待处理图像对应的分割图像，并基于所述分割图像分割所述待处理图像。
第三方面，本申请实施例又提供了一种图像处理装置，所述装置包括：
存储器、处理器和通信总线，所述存储器通过所述通信总线与所述处理器进行通信，所述存储器存储所述处理器可执行的图像处理的程序，当所述图像处理的程序被执行时，通过所述处理器执行上述所述的图像处理方法。
第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，应用于图像处理装置，该计算机程序被处理器执行时实现上述所述的图像处理方法。
本申请实施例提供了一种图像处理方法及装置、存储介质，图像处理方法包括：在获取到待处理图像的情况下，获取待处理图像的图像纹理特征；根据图像纹理特征对待处理图像进行分割，得到待处理图像对应的分割图像，并基于分割图像分割所述待处理图像。利用上述图像处理方法，信息处理装置通过获取待处理图像的图像纹理特征，利用图像纹理特征对待处理图像进行分割，在对待处理图像的像素点进行分割处理过程中，也可以按照该像素点对应的图像纹理特征对该待处理图像进行分割处理，提高了对待处理图像分割时的准确性。
附图说明
图1为本申请实施例提供的一种图像处理方法流程图；
图2(a)为本申请实施例提供的一种示例性的多个分割区域的示意图；
图2(b)为本申请实施例提供的一种示例性的多个分割区域中的每个分割区域的像素之间的邻域关系示意图；
图2(c)为本申请实施例提供的一种示例性的多个分割区域构成的区域邻接图；
图3(a)为本申请实施例提供的一种示例性的区域邻接图；
图3(b)为本申请实施例提供的一种示例性的NNG图；
图4为本申请实施例提供的一种示例性的区域合并示意图；
图5为本申请实施例提供的一种示例性的图像处理方法示意图；
图6(a)为本申请实施例提供的一种示例性的待处理图像示意图；
图6(b)为本申请实施例提供的一种利用图像处理方法对待处理图像进行分割处理，得到的分割图像；
图6(c)为本申请实施例提供的一种利用现有技术中的图像处理方法对待处理图像进行分割处理，得到的分割图像；
图7为本申请实施例提供的一种图像处理装置的组成结构示意图一；
图8为本申请实施例提供的一种图像处理装置的组成结构示意图二。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
实施例一
本申请实施例提供了一种图像处理方法，应用于图像处理装置，图1为本申请实施例提供的一种图像处理方法流程图，如图1所示，图像处理方法可以包括：
S101、在获取到待处理图像的情况下，获取待处理图像的图像纹理特征。
本申请实施例提供的一种图像处理方法应用于对获取到的待处理图像进行分割，得到分割图像的场景下。
在本申请实施例中，图像处理装置可以以各种形式来实施。例如，本申请中描述的图像处理装置可以包括诸如手机、手表、平板电脑、笔记本电脑、掌上电脑、服务器、个人数字助理(Personal Digital Assistant，PDA)、便捷式媒体播放器(Portable MediaPlayer，PMP)、导航装置、可穿戴设备、智能手环、计步器等装置，以及诸如数字TV、台式计算机、操作系统、服务器等装置。
在本申请实施例中，待处理图像可以是图像处理装置采集到的图像，待处理图像也可以是图像处理装置从其他装置中获取到的图像，待处理图像还可以是用户输入至图像处理装置中的图像，具体的可根据实际情况进行确定，本申请实施例对此不做限定。
在本申请实施例中，待处理图像可以是人脸图像，待处理图像也可以是卫星图像，待处理图像还可以是医学影像，待处理图像也可以是其他的图像，具体的可根据实际情况进行确定，本申请实施例对此不做限定。
需要说明的是，本申请实施例中的待处理图像为RGB颜色空间的图像。
在本申请实施例中，图像处理装置获取待处理图像的图像纹理特征的过程，包括：图像处理装置将待处理图像转化为灰度图像；图像处理装置从灰度图像中提取图像纹理特征。
在本申请实施例中，图像处理装置可以利用灰度共生矩阵(Gray-level Co-occurrence Matrix，GLMC)从灰度图像中提取图像纹理特征，图像处理装置也可以利用其他方式从灰度图像中提取图像纹理特征，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
需要说明的是，图像纹理特征具体为待处理图像中的每一个像素点对应的纹理特征。
在本申请实施例中，图像处理装置从灰度图像中提取图像纹理特征的过程，包括：图像处理装置从灰度图像中提取初始纹理特征；图像处理装置从初始纹理特征中筛选出满足预设相关性条件的相关特征；图像处理装置将相关特征作为图像纹理特征。
在本申请实施例中，图像处理装置从待处理图像中提取到初始纹理特征的情况下，图像处理装置就可以利用预设相关性条件对初始纹理特征进行筛选，得到图像纹理特征。
在本申请实施例中，预设相关性条件可以为图像处理装置中配置的条件，也可以为图像处理装置从初始纹理特征中筛选图像纹理特征之前，图像处理装置获取到的条件，还可以为图像处理装置利用其它的方式获取到的条件，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
在本申请实施例中，预设相关性条件具体可以为最大相关性最小冗余性(Max-Relevance and Min-Redundancy，mRMR)的条件，也可以是其他可以筛选出具有高相关性的图像纹理特征的条件，具体的可根据实际情况进行确定，本申请实施例对比不作限定。
在本申请实施例中，mRMR算法是一种过滤式特征选择方法，mRMR算法在特征之间的相关性和冗余度计算中包含着互信息，合并代价函数中包含着信息差和信息熵的计算，只有达到与目标类别之间具有最大的相关性的同时冗余度最小的特征才是符合预设相关条件的特征。mRMR算法的最大相关性和最小冗余度分别定义如公式(1)所示：
Figure BDA0003119716690000051
Figure BDA0003119716690000052
需要说明的是，Sm为已选的特征集合；m为特征个数；c为选定的目标类别；I(fi；c)表示特征fi在目标类别下的信息熵；I(fi；fj)为特征fi与fj两者之间含有的互信息。若已经选定的合适的特征组成的特征集是Sm，之后则是从剩下的特征集{S-Sm}中选择出第m+1个特征。图像处理装置可采用公式(2)求解下一个合适的特征：
Figure BDA0003119716690000053
在本申请实施例中，若初始化数据集合为D，初始化数据集合D中包含全部特征的集合为S，则mRMR特征优选算法的执行过程：包括先输入初始化特征集S＝{f1,f2,…,fn}，
Figure BDA0003119716690000054
再根据任意两个输入S的特征fi和fj，计算I(fi；fj)和I(fi；c)；然后求解出满足筛选条件的特征fl，并将特征fl加入到已选特征组成的集合中，从待选择的特征集合中删除fl，即Sm＝Sm∪{fl}，S＝S\fl，然后再计算下一轮的I(fi；fj)和I(fi；c)，直至选出所有图像纹理特征。
S102、根据图像纹理特征对待处理图像进行分割，得到待处理图像对应的分割图像，并基于分割图像分割待处理图像。
在本申请实施例中，图像处理装置获取待处理图像的图像纹理特征之后，图像处理装置就可以根据图像纹理特征对待处理图像进行分割，得到待处理图像对应的分割图像，并基于分割图像分割待处理图像了。
在本申请实施例中，图像处理装置可以利用简单的线性迭代聚类算法(simplelinear iterative clustering，SLIC)来获取待处理图像的像素点空间位置信息，图像处理装置也可以利用其他的方式来获取待处理图像的像素点空间位置信息，具体的可根据实际情况进行确定，本申请实施例对此不作限定。
在本申请实施例中，图像处理装置根据图像纹理特征对待处理图像进行分割，得到待处理图像对应的分割图像之前，图像处理装置还会获取待处理图像的LAB颜色特征和待处理图像的像素点空间位置信息；相应的，图像处理装置根据图像纹理特征对待处理图像进行分割，得到待处理图像对应的分割图像的过程，包括：图像处理装置根据图像纹理特征、LAB颜色特征和像素点空间位置信息对待处理图像进行分割，得到分割图像。
在本申请实施例中，图像处理装置获取待处理图像的LAB颜色特征的过程，包括：图像处理装置将待处理图像的颜色空间转化为LAB颜色空间；图像处理装置从LAB颜色空间中，提取LAB颜色特征。
需要说明的是，LAB颜色特征可以为LAB颜色空间中的颜色特征，具体的，LAB颜色特征为待处理图像的LAB颜色空间中的每一个像素点对应的LAB颜色特征。
还需要说明的是，LAB颜色空间由三个要素组成，一个要素是亮度(L)，a和b是两个颜色通道。a包括的颜色是从深绿色(低亮度值)到灰色(中亮度值)再到亮粉红色(高亮度值)；b是从亮蓝色(低亮度值)到灰色(中亮度值)再到黄色(高亮度值)。
在本申请实施例中，图像处理装置需要将待处理图像的RGB颜色空间转化为LAB颜色空间，来提取待处理图像中的LAB颜色特征。
在本申请实施例中，图像处理装置根据图像纹理特征、LAB颜色特征和像素点空间位置信息对待处理图像进行分割，得到分割图像的过程，包括：图像处理装置根据LAB颜色特征、图像纹理特征和像素点空间位置信息对待处理图像进行分割，得到超像素分割图像；图像处理装置对超像素分割图像进行处理，得到分割图像。
在本申请实施例中，图像处理装置将颜色特征和纹理特征结合像素点空间位置关系对图像进行超像素分割，计算公式(3)和(4)为：
Figure BDA0003119716690000071
Figure BDA0003119716690000072
需要说明的是，C表示颜色特征，Ci表示第i个分割区域的颜色特征，Cj表示第j个分割区域的颜色特征，T表示纹理特征，Ti表示第i个分割区域的纹理特征，Tj表示第j个分割区域的纹理特征，dij表示像素点与聚类中心的空间距离，dct为两种特征的欧氏距离，为权重，取值在[1,40]之间，即dij和dct为像素点空间位置信息。
在本申请实施例中，超像素分割图像包括多个分割区域；多个分割区域中的任一个分割区域包括至少一个像素点；图像处理装置对超像素分割图像进行处理，得到分割图像的过程，包括：图像处理装置构建多个分割区域的最近邻图；图像处理装置提取多个分割区域对应的多个形状特征，并根据多个形状特征、多个分割区域对应的多个颜色特征和最近邻图确定多个合并系数；图像处理装置对多个合并系数进行排序，得到排序结果；图像处理装置根据排序结果和多个分割区域，得到分割图像。
需要说明的是，多个合并系数具体为多个合并代价函数。
在本申请实施例中，最近邻图为最近邻图模型(Nearest Neighborhood Graph，NNG)。
在本申请实施例中，多个颜色特征为多个分割区域对应的多个RGB颜色特征，其中，多个颜色特征与多个分割区域一一对应，具体的，一个颜色特征对应一个分割区域。
在本申请实施例中，多个分割区域和多个形状特征一一对应，其中，一个分割区域对应一个形状特征。
在本申请实施例中，图像处理装置构建多个分割区域的最近邻图的过程，包括：图像处理装置获取多个分割区域对应的多个区域特征；并确定多个区域特征之间的邻接关系；图像处理装置根据邻接关系，构建区域邻接图；图像处理装置优化区域邻接图，得到最近邻图。
需要说明的是，多个分割区域与多个区域特征一一对应，其中，一个分割区域对应一个区域特征。具体的，该区域特征为该分割区域对应的像素平均特征，图像处理装置可以先确定出每一个分割区域对应的像素平均特征的平均特征值，并将该平均特征值作为分割区域的区域标签，从而得到多个分割区域对应的多个区域标签。
在本申请实施例中，图像处理装置就可以根据多个区域标签的邻接关系，来构建区域邻接图。
在本申请实施例中，图像处理装置可以遍历标签集中每个分割区域的标签，将多个分割区域中的每个区域都看作是一个节点，相邻的节点间用边连接，以此构建区域邻接图(Region Adjacency Graph，RAG)来表示超像素间的空间位置关系。
示例性的，图2(a)为一种示例性的多个分割区域的示意图；图2(b)为一种示例性的多个分割区域中的每个分割区域的像素之间的邻域关系示意图；
图2(c)为一种示例性的多个分割区域构成的区域邻接图。在图2(b)中，对于0位置处的像素来说，其领域分别为左边1位置处的像素、下方1位置处的像素、右边1位置处的像素和上方1位置处的像素。在图2(a)中，待处理图像被分成了6份，得到了6个分割区域，即1、2、3、4、5和6这6个区域，将这6个分割区域中的每个区域都看作是一个节点，相邻的节点间用边连接，构建的区域邻接图如图2(c)所示。在图2(c)中，区域1分别和区域2和区域6连接，区域2再分别与区域3和区域5连接，区域3再与区域4连接，区域4再分别与区域5和区域6连接，区域5再和区域6连接。
需要说明的是，区域邻接图是一种无向图，顶点间的连接关系并不能表现区域的合并关系。
在本申请实施例中，图像处理装置构建区域邻接图的过程，具体包括：图像处理装置获取超像素标签集，建立映射字典，并对应一个空数组；图像处理装置以4邻域为范围，以从左到右的顺序，遍历所有标签集；图像处理装置将邻域内不相同的标签值放入字典对应的数组中，建立映射关系；图像处理装置遍历结束后将每个数组中重复的对应关系值去除，从而得到一对多关系的区域邻接图。
在本申请实施例中，针对RAG计算耗时的问题，在RAG的基础上进一步利用区域空间关系，引入最近邻图NNG模型，NNG是有向图模型，从一个节点指向另一个节点，其思想为无需保留RAG中所有边，只需要记录权值最小一条边，根据RAG统计区域间的颜色特征差异DiffC与纹理特征差异DiffT，权值为颜色特征差异和纹理特征差异之和，计算公式如公式(5)和公式(6)所示：
Figure BDA0003119716690000091
Figure BDA0003119716690000092
示例性的，若根据公式(5)和公式(6)计算出来的区域邻接图中的每一条边的权值如图3(a)所示，则针对节点1而言，权值最小的一条边为节点1与节点6之间的边，权值为8.92；针对节点2而言，权值最小的一条边为节点2与节点5之间的边，权值为10.35；针对节点3而言，权值最小的一条边为节点3与节点5之间的边，权值为10.35；针对节点4而言，权值最小的一条边为节点4与节点3之间的边，权值为16.43；针对节点5而言，权值最小的一条边为节点5与节点6之间的边，权值为2.36；针对节点6而言，权值最小的一条边为节点6与节点5之间的边，权值为2.36；只保留区域邻接图中权值最小的一条边并进行优化后，得到的NNG如图3(b)所示，即只保留节点1与节点6之间的权值为8.92的那条边；保留节点5与节点6之间的权值为2.36的那条边；保留节点2与节点5之间的权值为10.35的那条边；保留节点3与节点5之间的权值为10.35的那条边；保留节点2与节点3之间的权值为12.64的那条边；保留节点3与节点4之间的权值为15.43的那条边。
在本申请实施例中，图像处理装置根据排序结果和多个分割区域，得到分割图像的过程，包括：图像处理装置根据排序结果对多个分割区域进行合并，得到多个合并后的区域；在多个合并后的区域的数量小于或者等于预设区域数量的情况下，图像处理装置将多个合并后的区域构成的图像作为分割图像；在多个合并后的区域的数量大于预设区域数量的情况下，图像处理装置对多个合并后的区域继续进行合并，直至多个新合并后的区域的数量小于或者等于预设区域数量，并将多个新合并后的区域对应的图像作为分割图像。
在本申请实施例中，预设区域数量为图像处理装置中配置的数量，预设区域数量也可以为图像处理装置在将多个合并后的区域的数量与预设区域数量进行对比之前，获取到的数量信息，具体的图像处理装置获取预设区域数量的方式可以根据实际情况进行确定，本申请实施例对此不作限定。
可以理解的是，本申请利用SLIC方法和图像纹理特征对待处理图像进行分割，得到超像素分割图像，后续在超像素分割图像的基础上提取多个分割区域对应的多个形状特征，并利用NNG模型基于多尺度分割合并准则对超像素分割图像中的多个分割区域进行合并，通过计算区域间颜色特征差异和形状特征差异构建合并代价函数，并进行自底向上的合并过程。由于此过程考虑了图像纹理特征，使得对超像素分割图像中的多个分割区域存在没有形状的分割区域的情况下，还可以根据图像纹理特征对超像素分割图像进行处理，降低了对待处理图像误分割的概率，提高了对待处理图像分割时的准确性。
示例性的，如图4所示，先获取待处理图像，待处理图像由图4中第一层的像素点组成，根据待处理图像的LAB颜色特征、图像纹理特征和像素点空间位置信息对待处理图像进行分割，得到的超像素分割图像如图4中的第二层所示，通过对超像素分割图像进行处理，得到最终的分割图像如图4中的第三层所示。
在本申请实施例中，定义光谱异质性(颜色特征差异)和形状异质性(形状特征差异)结合的方式，计算公式如公式(7)所示：
h＝wcolor×hcolor+wshape×hshape (7)
hcolor为光谱异质性，对应权重wcolor∈[0,1]，hshape为形状异质性，权重wshape∈[0,1]。其中，wcolor和wshape两个权重之间互相独立，都为图像处理装置中配置的权重。对象间最终的异质性指标由h值来体现，h越大，这种异质性(差异性)越大。
其中，hcolor表示区域间光谱异质性，计算公式如公式(8)所示：
Figure BDA0003119716690000111
需要说明的是，wc表示第c个波段的权值，i和j分别表示两个相邻区域，ni∪j表示i区域和j区域合并后面积，
Figure BDA0003119716690000114
为该波段的第i个区域光谱(颜色)标准差。
在本申请实施例中，形状异质性由紧致度hcompact和平滑度hsmooth联合计算，描述了形状相对于物体形状的光滑性和紧凑性的改进：
hshape＝wcompact×hcompact+(1-wcompact)×hsmooth (9)
需要说明的是，wcompact和(1-wcompact)分别为hcompact和hsmooth的权重，当其它条件不变时，wcompact越大分割区域越规整，反之越平滑。hsmooth的计算公式如公式(10)所示，hcompact的计算公式如公式(11)所示：
Figure BDA0003119716690000112
Figure BDA0003119716690000113
其中，l为分割区域的周长，b为分割区域的外接矩形周长，i∪j为两个分割区域合并后的新分割区域。当分割区域的真实周长与外接矩形周长越接近，平滑度值越接近0，本申请中的图像处理方法对区分规则地物有较好效果。
在本申请实施例中，可以利用混淆矩阵可以计算分割精度，其中N表示总像素个数，计算方式如公式(12)所示：
Figure BDA0003119716690000121
在本申请实施例中，可以利用衡量分类精度的指标即Kappa系数来评价分割结果与真实分割之间的符合程度，计算公式如公式(13)所示：
Figure BDA0003119716690000122
需要说明的是，n为像元总数，r为总行数，xi+由M中第i行，行数值总和，x+i是第i列数值的总和。Kappa系数范围在0到1之间，其值越大，表示分割效果越好。
在本申请实施例中，面积差异指数(Area Discrepancy Index，ADI)是结合遗漏错误(Omission Error，OE)和判别错误(Comission Error，CE)指标进行计算，公式如公式(14)和公式(15)所示：
Figure BDA0003119716690000123
Figure BDA0003119716690000124
其中，MO和MC分别为过分割和欠分割区域的个数，Arear表示人工标注样本面积，Areao(m)和Areac(k)分别表示对应的第m个过分割和第k个欠分割区域的面积。综合OE和CE指标，可得综合指标ADI如公式(16)所示：
Figure BDA0003119716690000125
示例性的，参数设置为多个分割区域的数量k＝10000,m＝30，合并参数为wcolor＝0.8，wshape＝0.2，终止合并条件为多个新合并后的区域的数量小于等于预设区域数量100。
示例性的，如图5所示，一种示例性的图像处理方法示意图：
S1、图像处理装置获取待处理图像。
S2、图像处理装置根据LAB颜色特征、图像纹理特征和像素点空间位置信息对待处理图像进行分割，得到超像素分割图像。
S3、图像处理装置构建多个分割区域的最近邻图。
S4、图像处理装置提取多个分割区域对应的多个形状特征，并根据多个形状特征、多个分割区域对应的多个颜色特征和最近邻图确定多个合并系数。
S5、图像处理装置对多个合并系数进行排序，得到排序结果。
S6、图像处理装置根据排序结果对多个分割区域进行合并，得到多个合并后的区域。
S7、在多个合并后的区域的数量小于或者等于预设区域数量的情况下，图像处理装置将多个合并后的区域构成的图像作为分割图像。
S8、在多个合并后的区域的数量大于预设区域数量的情况下，图像处理装置对多个合并后的区域继续进行合并，直至多个新合并后的区域的数量小于或者等于预设区域数量，并将多个新合并后的区域对应的图像作为分割图像。
示例性地，图6(a)为一种示例性的待处理图像示意图；图6(b)为利用本申请中的图像处理方法对待处理图像进行分割处理，得到的分割图像；图6(c)为利用现有技术中的图像处理方法对待处理图像进行分割处理，得到的分割图像。图6(b)中的总体分割精度为96.41％，Kappa系数为0.8715，ADI值为0.5191，分割时间为0.172s，图6(c)中的总体分割精度为88.46％，Kappa系数为0.7660，ADI值为0.5857，分割时间为0.265s。且对比图6(b)和图6(c)可以得到，图6(b)的右下方的不同区域也可以被分割出来，而在图6(c)中的相同位置处无法被分割出来，再如图6(b)的右上方的不同区域也可以被分割出来，而在图6(c)中的相同位置处无法被分割出来。相比来说，本申请中的图像处理方法的分割精度相比现有技术有所提升，且分割时间相比现有技术中的图像处理方法用时更短。
可以理解的是，信息处理装置通过获取待处理图像的图像纹理特征，利用图像纹理特征对待处理图像进行分割，在对待处理图像的像素点进行分割处理过程中，也可以按照该像素点对应的图像纹理特征对该待处理图像进行分割处理，提高了对待处理图像分割时的准确性。
实施例二
基于实施例一同一发明构思，本申请实施例提供了一种图像处理装置1，对应于一种图像处理方法；图7为本申请实施例提供的一种图像处理装置的组成结构示意图一，该图像处理装置1可以包括：
获取单元11，用于在获取到待处理图像的情况下，获取所述待处理图像的图像纹理特征；
分割单元12，用于根据所述图像纹理特征对所述待处理图像进行分割，得到所述待处理图像对应的分割图像，并基于所述分割图像分割所述待处理图像。
在本申请的一些实施例中，所述装置还包括提取单元和转化单元；
所述转化单元，用于将所述待处理图像转化为灰度图像；
所述提取单元，用于从所述灰度图像中提取所述图像纹理特征。
在本申请的一些实施例中，所述装置还包括筛选单元；
所述提取单元，用于从所述灰度图像中提取初始纹理特征；
所述筛选单元，用于从所述初始纹理特征中筛选出满足预设相关性条件的相关特征；并将所述相关特征作为所述图像纹理特征。
在本申请的一些实施例中，获取单元11，用于获取所述待处理图像的LAB颜色特征和所述待处理图像的像素点空间位置信息；
相应的，所述分割单元12，用于根据所述图像纹理特征、所述LAB颜色特征和所述像素点空间位置信息对所述待处理图像进行分割，得到所述分割图像。
在本申请的一些实施例中，所述装置还包括处理单元；
所述分割单元12，用于根据所述LAB颜色特征、所述图像纹理特征和所述像素点空间位置信息对所述待处理图像进行分割，得到超像素分割图像；
所述处理单元，用于对所述超像素分割图像进行处理，得到所述分割图像。
在本申请的一些实施例中，所述超像素分割图像包括多个分割区域；所述多个分割区域中的任一个分割区域包括至少一个像素点；所述装置还包括构建单元和排序单元；
所述构建单元，用于构建所述多个分割区域的最近邻图；
所述提取单元，用于提取所述多个分割区域对应的多个形状特征，并根据所述多个形状特征、所述多个分割区域对应的多个颜色特征和所述最近邻图确定多个合并系数；
所述排序单元，用于对所述多个合并系数进行排序，得到排序结果；根据所述排序结果和所述多个分割区域，得到所述分割图像。
在本申请的一些实施例中，所述装置还包括确定单元和优化单元；
所述获取单元11，用于获取所述多个分割区域对应的多个区域特征；
所述确定单元，用于确定所述多个区域特征之间的邻接关系；
所述构建单元，用于根据所述邻接关系，构建区域邻接图；
所述优化单元，用于优化所述区域邻接图，得到所述最近邻图。
在本申请的一些实施例中，所述装置还包括合并单元；
所述合并单元，用于根据所述排序结果对所述多个分割区域进行合并，得到多个合并后的区域；在所述多个合并后的区域的数量小于或者等于预设区域数量的情况下，将所述多个合并后的区域构成的图像作为所述分割图像；在所述多个合并后的区域的数量大于所述预设区域数量的情况下，对所述多个合并后的区域继续进行合并，直至多个新合并后的区域的数量小于或者等于所述预设区域数量，并将所述多个新合并后的区域对应的图像作为所述分割图像。
需要说明的是，在实际应用中，上述获取单元11和分割单元12可由图像处理装置1上的处理器13实现，具体为CPU(Central Processing Unit，中央处理器)、MPU(Microprocessor Unit，微处理器)、DSP(Digital Signal Processing，数字图像处理器)或现场可编程门阵列(FPGA，Field Programmable Gate Array)等实现；上述数据存储可由图像处理装置1上的存储器14实现。
本申请实施例还提供了一种图像处理装置1，如图8所示，所述图像处理装置1包括：处理器13、存储器14和通信总线15，所述存储器14通过所述通信总线15与所述处理器13进行通信，所述存储器14存储所述处理器13可执行的程序，当所述程序被执行时，通过所述处理器13执行如实施例一所述的图像处理方法。
在实际应用中，上述存储器14可以是易失性存储器(volatile memory)，例如随机存取存储器(Random-Access Memory，RAM)；或者非易失性存储器(non-volatile memory)，例如只读存储器(Read-Only Memory，ROM)，快闪存储器(flash memory)，硬盘(Hard DiskDrive，HDD)或固态硬盘(Solid-State Drive，SSD)；或者上述种类的存储器的组合，并向处理器13提供指令和数据。
本申请实施例提供了一种存储介质，其上存储有程序，所述程序被处理器13执行时实现如实施例一所述的图像处理方法。
可以理解的是，信息处理装置通过获取待处理图像的图像纹理特征，利用图像纹理特征对待处理图像进行分割，在对待处理图像的像素点进行分割处理过程中，也可以按照该像素点对应的图像纹理特征对该待处理图像进行分割处理，提高了对待处理图像分割时的准确性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。

Claims (11)

1.一种图像处理方法，其特征在于，包括：
在获取到待处理图像的情况下，获取所述待处理图像的图像纹理特征；
根据所述图像纹理特征对所述待处理图像进行分割，得到所述待处理图像对应的分割图像，并基于所述分割图像分割所述待处理图像。
2.根据权利要求1所述的方法，其特征在于，所述获取所述待处理图像的图像纹理特征，包括：
将所述待处理图像转化为灰度图像；
从所述灰度图像中提取所述图像纹理特征。
3.根据权利要求2所述的方法，其特征在于，所述从所述灰度图像中提取所述图像纹理特征，包括：
从所述灰度图像中提取初始纹理特征；
从所述初始纹理特征中筛选出满足预设相关性条件的相关特征；
将所述相关特征作为所述图像纹理特征。
4.根据权利要求1所述的方法，其特征在于，所述根据所述图像纹理特征对所述待处理图像进行分割，得到所述待处理图像对应的分割图像之前，所述方法还包括：
获取所述待处理图像的LAB颜色特征和所述待处理图像的像素点空间位置信息；
相应的，所述根据所述图像纹理特征对所述待处理图像进行分割，得到所述待处理图像对应的分割图像，包括：
根据所述图像纹理特征、所述LAB颜色特征和所述像素点空间位置信息对所述待处理图像进行分割，得到所述分割图像。
5.根据权利要求4所述的方法，其特征在于，所述根据所述图像纹理特征、所述LAB颜色特征和所述像素点空间位置信息对所述待处理图像进行分割，得到所述分割图像，包括：
根据所述LAB颜色特征、所述图像纹理特征和所述像素点空间位置信息对所述待处理图像进行分割，得到超像素分割图像；
对所述超像素分割图像进行处理，得到所述分割图像。
6.根据权利要求5所述的方法，其特征在于，所述超像素分割图像包括多个分割区域；所述多个分割区域中的任一个分割区域包括至少一个像素点；所述对所述超像素分割图像进行处理，得到所述分割图像，包括：
构建所述多个分割区域的最近邻图；
提取所述多个分割区域对应的多个形状特征，并根据所述多个形状特征、所述多个分割区域对应的多个颜色特征和所述最近邻图确定多个合并系数；
对所述多个合并系数进行排序，得到排序结果；
根据所述排序结果和所述多个分割区域，得到所述分割图像。
7.根据权利要求6所述的方法，其特征在于，所述构建所述多个分割区域的最近邻图，包括：
获取所述多个分割区域对应的多个区域特征；并确定所述多个区域特征之间的邻接关系；
根据所述邻接关系，构建区域邻接图；
优化所述区域邻接图，得到所述最近邻图。
8.根据权利要求6所述的方法，其特征在于，所述根据所述排序结果和所述多个分割区域，得到所述分割图像，包括：
根据所述排序结果对所述多个分割区域进行合并，得到多个合并后的区域；
在所述多个合并后的区域的数量小于或者等于预设区域数量的情况下，将所述多个合并后的区域构成的图像作为所述分割图像；
在所述多个合并后的区域的数量大于所述预设区域数量的情况下，对所述多个合并后的区域继续进行合并，直至多个新合并后的区域的数量小于或者等于所述预设区域数量，并将所述多个新合并后的区域对应的图像作为所述分割图像。
9.一种图像处理装置，其特征在于，所述装置包括：
获取单元，用于在获取到待处理图像的情况下，获取所述待处理图像的图像纹理特征；
分割单元，用于根据所述图像纹理特征对所述待处理图像进行分割，得到所述待处理图像对应的分割图像，并基于所述分割图像分割所述待处理图像。
10.一种图像处理装置，其特征在于，所述装置包括：
存储器、处理器和通信总线，所述存储器通过所述通信总线与所述处理器进行通信，所述存储器存储所述处理器可执行的图像处理的程序，当所述图像处理的程序被执行时，通过所述处理器执行如权利要求1至8任一项所述的方法。
11.一种存储介质，其特征在于，其上存储有计算机程序，应用于图像处理装置，该计算机程序被处理器执行时实现如权利要求1至8任一项所述的方法。
CN202110671958.3A 2021-06-17 2021-06-17 一种图像处理方法及装置、存储介质 Pending CN115578399A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110671958.3A CN115578399A (zh) 2021-06-17 2021-06-17 一种图像处理方法及装置、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110671958.3A CN115578399A (zh) 2021-06-17 2021-06-17 一种图像处理方法及装置、存储介质

Publications (1)

Publication Number Publication Date
CN115578399A true CN115578399A (zh) 2023-01-06

Family

ID=84580165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110671958.3A Pending CN115578399A (zh) 2021-06-17 2021-06-17 一种图像处理方法及装置、存储介质

Country Status (1)

Country Link
CN (1) CN115578399A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115965848A (zh) * 2023-03-13 2023-04-14 腾讯科技（深圳）有限公司 一种图像处理方法和相关装置
CN116071357A (zh) * 2023-03-07 2023-05-05 飞杨电源技术(深圳)有限公司 一种大功率充电器表面缺陷检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071357A (zh) * 2023-03-07 2023-05-05 飞杨电源技术(深圳)有限公司 一种大功率充电器表面缺陷检测方法
CN115965848A (zh) * 2023-03-13 2023-04-14 腾讯科技（深圳）有限公司 一种图像处理方法和相关装置
CN115965848B (zh) * 2023-03-13 2023-05-23 腾讯科技（深圳）有限公司 一种图像处理方法和相关装置

Similar Documents

Publication Publication Date Title
Shen et al. Real-time superpixel segmentation by DBSCAN clustering algorithm
CN110659692B (zh) 基于强化学习和深度神经网络的病理图像自动标注方法
JP7026826B2 (ja) 画像処理方法、電子機器および記憶媒体
Tian et al. Optimization in multi‐scale segmentation of high‐resolution satellite images for artificial feature recognition
US10360672B2 (en) Automated separation of binary overlapping trees
CN110866896B (zh) 基于k-means与水平集超像素分割的图像显著性目标检测方法
CN108629783B (zh) 基于图像特征密度峰值搜索的图像分割方法、系统及介质
Su Scale-variable region-merging for high resolution remote sensing image segmentation
US8135216B2 (en) Systems and methods for unsupervised local boundary or region refinement of figure masks using over and under segmentation of regions
CN111754472A (zh) 一种肺结节检测方法与检测系统
Glasner et al. Contour-based joint clustering of multiple segmentations
CN115578399A (zh) 一种图像处理方法及装置、存储介质
CN109685806B (zh) 图像显著性检测方法及装置
CN109993753B (zh) 遥感影像中城市功能区的分割方法及装置
CN113569724B (zh) 基于注意力机制和扩张卷积的道路提取方法及系统
Yue et al. An efficient color quantization based on generic roughness measure
Lermé et al. Reducing graphs in graph cut segmentation
Nowosad et al. Extended SLIC superpixels algorithm for applications to non-imagery geospatial rasters
CN114463173A (zh) 一种基于超像素分割的高光谱遥感图像子图重构方法
US8131077B2 (en) Systems and methods for segmenting an image based on perceptual information
CN115019163A (zh) 基于多源大数据的城市要素识别方法
JP3819236B2 (ja) パターン認識方法及びパターン認識を行わせるプログラムを記憶したコンピュータ読み取り可能な記憶媒体
Borkowski et al. Matching 2D image segments with genetic algorithms and approximation spaces
CN111932557B (zh) 基于集成学习和概率图模型的图像语义分割方法及装置
Stanescu et al. Medical image segmentation-a comparison of two algorithms

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