CN116739943A - 图像平滑处理方法及目标轮廓提取方法 - Google Patents
图像平滑处理方法及目标轮廓提取方法 Download PDFInfo
- Publication number
- CN116739943A CN116739943A CN202310874089.3A CN202310874089A CN116739943A CN 116739943 A CN116739943 A CN 116739943A CN 202310874089 A CN202310874089 A CN 202310874089A CN 116739943 A CN116739943 A CN 116739943A
- Authority
- CN
- China
- Prior art keywords
- image
- smoothing
- model
- smoothed
- result
- 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
Links
- 238000003706 image smoothing Methods 0.000 title claims abstract description 48
- 238000000605 extraction Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims description 51
- 238000009499 grossing Methods 0.000 claims abstract description 100
- 238000001914 filtration Methods 0.000 claims abstract description 34
- 238000003672 processing method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003709 image segmentation Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 9
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000003708 edge detection Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域，提供一种图像平滑处理方法及目标轮廓提取方法，该图像平滑处理方法首先获取待平滑图像；然后将待平滑图像代入至平滑模型，并对平滑模型进行求解，得到待平滑图像对应的第一平滑结果。得益于范数和拉普拉斯算子各自的特征，以及预先进行的纹理去除滤波操作，使得该平滑模型可以有效地去除噪声及纹理等各项干扰，平滑结果的结构更加突出，提升了平滑效果，为平滑结果的后续应用提供保障，给后续目标对象的轮廓提取和定位的流程增强精确性和鲁棒性。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像平滑处理方法及目标轮廓提取方法。
背景技术
当前关于图像的处理被引入各行各业用于提升效率，而直接获取的图像由于设备或外部条件的限制大部分存在干扰，直接影响到后续的工作。相应的，大量的图像平滑方法也被应用于解决此类问题。
经典的平滑方法大多利用范数特性或是高斯滤波来达到平滑目的，但是上述方法无法有效地去除噪声及纹理等各项干扰，这将导致平滑效果不好。
发明内容
本发明提供一种图像平滑处理方法及目标轮廓提取方法，用以解决现有技术中存在的缺陷。
本发明提供一种图像平滑处理方法，包括：
获取待平滑图像；
将所述待平滑图像代入至平滑模型，并对所述平滑模型进行求解，得到所述待平滑图像对应的第一平滑结果；
其中，所述平滑模型包括第一数据保真项和第一正则项；所述第一数据保真项基于所述第一平滑结果对应的第一目标变量、所述待平滑图像和引导图像确定，所述第一正则项为将拉普拉斯算子作用于所述第一目标变量得到的结果的范数；所述引导图像基于对所述待平滑图像进行纹理去除滤波得到。
根据本发明提供的一种图像平滑处理方法，所述平滑模型基于如下公式进行表征：
；
其中，为所述第一目标变量，/>为所述待平滑图像，/>为所述引导图像，为所述第一数据保真项，/>为恢复因子，/>为所述第一正则项，/>为所述拉普拉斯算子，/>为将所述拉普拉斯算子作用于所述第一目标变量得到的结果，/>为平滑因子，/>表示求解使/>最小的/>，/>为/>范数。
根据本发明提供的一种图像平滑处理方法，对所述平滑模型进行求解，得到所述待平滑图像对应的第一平滑结果，包括：
基于所述第一正则项对应的辅助变量，对所述平滑模型进行更新，得到更新后的平滑模型；
固定所述第一目标变量，将所述更新后的平滑模型转换为第一子模型，并对所述第一子模型进行求解，得到所述辅助变量的取值；
固定所述辅助变量的取值，将所述更新后的平滑模型转换为第二子模型，并对所述第二子模型进行求解，得到所述第一平滑结果。
根据本发明提供的一种图像平滑处理方法，所述引导图像基于如下步骤得到：
将所述待平滑图像代入至纹理去除滤波模型，并对所述纹理去除滤波模型进行求解，得到所述引导图像；
其中，所述纹理去除滤波模型包括第二数据保真项和第二正则项；所述第二数据保真项基于所述引导图像对应的第二目标变量和所述待平滑图像确定，所述第二正则项基于将局部高斯核作用于所述第二目标变量的梯度得到结果确定。
根据本发明提供的一种图像平滑处理方法，所述纹理去除滤波模型基于如下公式进行表征：
；
其中，为所述第二目标变量，/>为所述第二数据保真项，为第二正则项，/>为正参数，/>表示尺度参数为/>的局部高斯核，/>表示尺度参数为/>的局部高斯核，/>表示/>在x方向上的梯度，/>表示/>在y方向上的梯度，/>表示求解使/>最小的，/>为/>范数，/>为/>范数。
根据本发明提供的一种图像平滑处理方法，将所述待平滑图像代入至平滑模型，包括：
对所述待平滑图像进行自适应中值滤波，得到自适应中值滤波结果，将所述自适应中值滤波结果代入至所述平滑模型。
本发明还提供一种目标轮廓提取方法，包括：
获取待处理图像；
基于上述的图像平滑处理方法，对所述待处理图像进行平滑处理，得到所述待处理图像对应的第二平滑结果；
对所述第二平滑结果进行图像分割，得到分割结果；
对所述分割结果进行轮廓提取，得到所述待处理图像中目标对象的轮廓信息。
根据本发明提供的一种目标轮廓提取方法，对所述分割结果进行轮廓提取，得到所述待处理图像中目标对象的轮廓信息，之后包括：
基于所述轮廓信息，对所述目标对象进行定位。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的图像平滑处理方法或目标轮廓提取方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的图像平滑处理方法或目标轮廓提取方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的图像平滑处理方法或目标轮廓提取方法。
与现有技术相比，本发明具有如下有益效果：
本发明提供的图像平滑处理方法及目标轮廓提取方法，该图像平滑处理方法首先获取待平滑图像；然后将待平滑图像代入至平滑模型，并对平滑模型进行求解，得到待平滑图像对应的第一平滑结果。得益于范数和拉普拉斯算子各自的特征，以及预先进行的纹理去除滤波操作，使得该平滑模型可以有效地去除噪声及纹理等各项干扰，平滑结果的结构更加突出，提升了平滑效果，为平滑结果的后续应用提供保障，给后续目标对象的轮廓提取和定位的流程增强精确性和鲁棒性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图，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。
图1是本发明提供的图像平滑处理方法的流程示意图；
图2是本发明提供的目标轮廓提取方法的流程示意图；
图3是本发明提供的图像平滑处理装置的结构示意图；
图4是本发明提供的目标轮廓提取装置的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为解决现有技术平滑方法无法有效地去除噪声及纹理等各项干扰，导致平滑效果不好的技术问题，本发明实施例中提供了一种图像平滑处理方法，并在此基础上，将其应用于目标轮廓提取方法中，以提升目标轮廓提取的准确性。
图1为本发明实施例中提供的一种图像平滑处理方法的流程示意图，如图1所示，该方法包括：
S11，获取待平滑图像；
S12，将所述待平滑图像代入至平滑模型，并对所述平滑模型进行求解，得到所述待平滑图像对应的第一平滑结果；
其中，所述平滑模型包括第一数据保真项和第一正则项；所述第一数据保真项基于所述第一平滑结果对应的第一目标变量、所述待平滑图像和引导图像确定，所述第一正则项为将拉普拉斯算子作用于所述第一目标变量得到的范数；所述引导图像基于对所述待平滑图像进行纹理去除滤波得到。
具体地，本发明实施例中提供的图像平滑处理方法，其执行主体可以为计算机或配置于计算机内的电子设备，计算机可以为本地计算机或云计算机，本地计算机可以是电脑、平板等，此处不作具体限定。
首先执行步骤S11，获取待平滑图像。该待平滑图像是指需要对其进行平滑处理的图像，既可以是彩色图像也可以是灰度图像。该待平滑图像可以通过工业相机采集得到，也可以通过普通相机采集得到。
然后执行步骤S12，将待平滑图像代入至平滑模型，并对平滑模型进行求解，得到待平滑图像对应的第一平滑结果；
其中，平滑模型包括第一数据保真项和第一正则项；第一数据保真项基于第一平滑结果对应的第一目标变量、待平滑图像和引导图像确定，第一正则项为将拉普拉斯算子作用于第一目标变量得到的范数；引导图像基于对待平滑图像进行纹理去除滤波得到。
平滑模型可以基于如下公式进行表征：
； （1）
其中，为第一目标变量，/>为待平滑图像，/>为引导图像，为第一数据保真项，/>为恢复因子，为常数，/>为第一正则项，/>为拉普拉斯算子，/>为将拉普拉斯算子作用于第一目标变量得到的结果，/>为平滑因子，为常数，/>表示求解使/>最小的/>，/>为/>范数。
可以表示为：
； （2）
其中，为计数操作符，/>，/>为x方向的拉普拉斯算子，为y方向的拉普拉斯算子，/>，公式（2）表示计算第一目标变量中使/>不为0的像素点个数p。/>平滑框架具有保留主要边缘、去除不重要细节的能力，使显著结构更容易被检测、视觉上更明显，而拉普拉斯算子的作用可以突出图像中强度发生快速变化的区域，该第一正则化项联合了两者的优点。
本发明实施例中，引导图像可以通过对待平滑图像进行纹理去除滤波得到，纹理去除滤波操作可以通过最近点采样、线性纹理过滤、三线性过滤和各向异性过滤等方式实现，此处不作具体限定。
对公式（1）进行求解，即可得到待平滑图像对应的第一平滑结果。由于范数计算过程复杂，因此对平滑模型进行求解时可以引入/>范数对应的辅助变量，并采用交替最小化的策略，先后对辅助变量和第一目标变量进行求解，得到最终的平滑结果。
本发明实施例中提供的图像平滑处理方法，首先获取待平滑图像；然后将待平滑图像代入至平滑模型，并对平滑模型进行求解，得到待平滑图像对应的第一平滑结果。得益于范数和拉普拉斯算子各自的特征，以及预先进行的纹理去除滤波操作，使得该平滑模型可以有效地去除噪声及纹理等各项干扰，平滑结果的结构更加突出，提升了平滑效果，为平滑结果的后续应用提供保障，给后续目标对象的轮廓提取和定位的流程增强精确性和鲁棒性。
在上述实施例的基础上，本发明实施例中提供的图像平滑处理方法，将所述待平滑图像代入至平滑模型，包括：
对所述待平滑图像进行自适应中值滤波，得到自适应中值滤波结果，将所述自适应中值滤波结果代入至所述平滑模型。
具体地，为尽量在保留待平滑图像的真实特征的基础上滤除噪声，在将待平滑图像代入至平滑模型之前，可以先对待平滑图像进行自适应中值滤波，得到自适应中值滤波结果。自适应中值滤波的引入，可以在滤除噪声的同时自动调整滤波窗口的大小，而不会损害图像的真实特征使其模糊。在平滑过程中，可以根据预先设定的条件自动调整滤波窗口的大小，对包含较大噪声的待平滑图像的鲁棒性较好。
进而，将自适应中值滤波结果代入至平滑模型，公式（1）可以变为公式（3）：
；（3）
其中，为自适应中值滤波结果。
在上述实施例的基础上，本发明实施例中提供的图像平滑处理方法，引导图像可以基于如下步骤得到：
将所述待平滑图像代入至纹理去除滤波模型，并对所述纹理去除滤波模型进行求解，得到所述引导图像；
其中，所述纹理去除滤波模型包括第二数据保真项和第二正则项；所述第二数据保真项基于所述引导图像对应的第二目标变量和所述待平滑图像确定，所述第二正则项基于将局部高斯核作用于所述第二目标变量的梯度得到结果确定。
具体地，引导图像的确定可以通过纹理去除滤波模型（RoG）实现，该纹理去除滤波模型可以通过如下公式进行表征：
；（4）
其中，为所述第二目标变量，/>为所述第二数据保真项，为第二正则项，/>为正参数，/>表示尺度参数为/>的局部高斯核，/>表示尺度参数为/>的局部高斯核，/>表示/>在x方向上的梯度，表示/>在y方向上的梯度，/>表示求解使/>最小的/>，为/>范数，/>为/>范数。
第二数据保真项可以使得到的引导图像G与待平滑图像I之间的距离最小，为用于尺度选择的局部高斯核，/>为尺度参数，（/>，/>）为局部高斯核的中心点坐标。纹理去除滤波模型能够有效地去除任何尺度纹理，同时保留其他主要内容，不扭曲边缘/结构，且运行效率较高。
在上述实施例的基础上，本发明实施例中提供的图像平滑处理方法，对所述平滑模型进行求解，得到所述待平滑图像对应的第一平滑结果，包括：
基于所述第一正则项对应的辅助变量，对所述平滑模型进行更新，得到更新后的平滑模型；
固定所述第一目标变量，将所述更新后的平滑模型转换为第一子模型，并对所述第一子模型进行求解，得到所述辅助变量的取值；
固定所述辅助变量的取值，将所述更新后的平滑模型转换为第二子模型，并对所述第二子模型进行求解，得到所述第一平滑结果。
具体地，对平滑模型进行求解时，可以根据 Smoothing中对模型求解的方法，首先引入与/>对应的辅助变量/>，/>为辅助变量在x方向的分量，/>为辅助变量在x方向的分量。则平滑模型可以更新为：
；（5）
其中，，/>为控制系数，用于控制/>与/>之间的相似性。
此后，采用交替最小化的策略进行更新后的平滑模型的最优化求解，以下为交替求解过程。
首先，固定第一目标变量，将更新后的平滑模型转换为第一子模型，并对第一子模型进行求解，得到辅助变量的取值。
第一子模型可以表示为：
； （6）
通过对公式（6）进行求解，可得的唯一解为：
； （7）
其中，为/>中像素点p的分量，/>为/>中像素点p的分量，/>为第一目标变量中像素点p的分量。
然后，固定辅助变量的取值，将更新后的平滑模型转换为第二子模型，并对第二子模型进行求解，得到第一平滑结果。
第二子模型可以表示为：
；（8）
由于第二子模型中均为二次项，可以采用快速傅里叶变换（FFT）代替矩阵计算对公式（8）进行求解，可以得到平滑结果：
； （9）
其中，为快速傅里叶变换，/>为快速傅里叶逆变换。
如图2所示，在上述实施例的基础上，本发明实施例中还提供了一种目标轮廓提取方法，包括：
S21，获取待处理图像；
S22，基于上述各实施例中提供的图像平滑处理方法，对所述待处理图像进行平滑处理，得到所述待处理图像对应的第二平滑结果；
S23，对所述第二平滑结果进行图像分割，得到分割结果；
S24，对所述分割结果进行轮廓提取，得到所述待处理图像中目标对象的轮廓信息。
具体地，本发明实施例中提供的目标轮廓提取方法，其执行主体也可以为计算机或配置于计算机内的电子设备，计算机可以为本地计算机或云计算机，本地计算机可以是电脑、平板等。
首先执行步骤S21，获取待处理图像，该待处理图像可以是包含有需要进行轮廓提取的目标对象，该目标对象的个数可以为一个或多个，目标对象的类别可以是人物、物品、设备等，此处不作具体限定。例如，目标对象可以是局限于角落范围的二维码、工业流水线产品等。该待处理图像既可以是彩色图像也可以是灰度图像。该待处理图像可以通过工业相机采集得到，也可以通过普通相机采集得到。
当该待处理图像具有图像平滑处理的需求时，执行步骤S22，即利用上述各实施例中提供的图像平滑处理方法，对待处理图像进行平滑处理，得到待处理图像对应的第二平滑结果。详细步骤参见上述实施例，此处不再赘述。
此后执行步骤S23，对第二平滑结果进行图像分割，得到分割结果。该图像分割过程可以通过GrabCut算法实现，GrabCut算法是一种交互式的图像分割算法，只需要指定一个粗略的能将目标框住的边框就可以完成良好的分割。具体步骤如下：
首先将第二平滑结果映射成带有权值的s-t网络图，然后建立对应的能量函数，每条边的权值根据能量函数的数据项和平滑项决定，最后采用最大流/最小割算法对网络图进行分割。其中，最小割算法将第二平滑结果分为前景节点和背景节点，而能量方程就是被剪掉的所有边的权重之和，获得最小化的能量函数，则成功实现图像分割，得到分割结果。
此处，能量函数可以表示为：
； （10）
其中，为第二平滑结果，/>表示能量函数的区域数据项，/>表示能量函数的光滑项，即边界项。
此后，执行步骤S24，为获得单像素宽且精确度高的轮廓信息，可以利用Canny边缘检测算子对分割结果进行轮廓提取，得到待处理图像中目标对象的轮廓信息。
Canny边缘检测算子是目前理论上相对最完善的一种边缘检测算法，在Matlab、OpenCV等常用图像处理工具中已有内置Canny算子API，可直接使用。但Canny算子本身也存在一些缺陷，可能导致边缘不连续、“过分割”现象或易判定噪点为边界。针对以上问题，通过OTSU（大津二值化、最大类间方差法）算法及形态学方法（膨胀、腐蚀、开运算、闭运算等操作）来进一步凸显轮廓信息。
OTSU算法主要思想是遍历寻找一个将数据集分割为两类的阈值，若某一阈值使得这两个类之间的方差达到最大值，则该阈值即为最佳分割阈值。将OTSU算法用于传统Canny边缘检测算子的阈值选取中实现自适应阈值选取，改进后的Canny边缘检测算子的边缘定位精度高，抗噪性强，具有自适应性，可以有效滤除部分背景与强噪声干扰，提高了图像的连续性。
膨胀操作是求局部最大值的操作，效果是使分割结果中的高亮区域逐渐增长。
腐蚀操作则与膨胀操作所相反，为求局部最小值的操作，使分割结果中的高亮区域逐渐减小。
开运算：先进行N次腐蚀再进行N次膨胀，可以用来去除仅存的小块像素。
闭运算：先进行N次膨胀再进行N次腐蚀，闭运算能够将中断的像素连接起来。
根据分割结果适当选择开/闭运算得到最终的目标对象的轮廓信息，使目标对象的有效轮廓信息可以得到最大程度的提取。
本发明实施例中提供的目标轮廓提取方法，首先获取待处理图像；然后对待处理图像进行平滑处理，得到待处理图像对应的第二平滑结果；此后，对第二平滑结果进行图像分割，得到分割结果；最后对分割结果进行轮廓提取，得到待处理图像中目标对象的轮廓信息。该方法由于采用了上述实施例中提供的图像平滑处理方法，可以更为客观有效地识别并提取处目标对象的轮廓信息，大幅度保留所检测的目标对象的轮廓结构，同时提高背景平滑度，使得目标对象更加突出，提高目标对象后续的检测定位的准确性和鲁棒性。
在上述实施例的基础上，本发明实施例中还提供了一种目标轮廓提取方法，对所述分割结果进行轮廓提取，得到所述待处理图像中目标对象的轮廓信息，之后包括：
基于所述轮廓信息，对所述目标对象进行定位。
具体地，在确定出待处理图像中目标对象的轮廓信息之后，还可以利用轮廓信息，对目标对象进行定位。
对目标对象进行定位即确定目标对象的中心点坐标。可以先对轮廓信息进行拟合，得到最小的拟合外围，该拟合外围可以是矩形或圆形。单个目标对象的中心点坐标可以表示为，且有：
，其中/>是目标对象的中心点横坐标，n为轮廓上所有轮廓点的总数量，/>是轮廓上第i个轮廓点的横坐标，/>是轮廓上第i个轮廓点的加权系数，并且，/>是轮廓上第i个点与拟合外围的中心点的距离；
，其中/>是目标对象的中心点纵坐标，n为轮廓上所有轮廓点的总数量，/>是轮廓上第i个轮廓点的纵坐标，/>是轮廓上第i个轮廓点的加权系数，并且，/>是轮廓上第i个点与拟合外围的中心点的距离。
如图3所示，在上述实施例的基础上，本发明实施例中提供了一种图像平滑处理装置，包括：
第一图像获取模块31，用于获取待平滑图像；
第一平滑处理模块32，用于将所述待平滑图像代入至平滑模型，并对所述平滑模型进行求解，得到所述待平滑图像对应的第一平滑结果；
其中，所述平滑模型包括第一数据保真项和第一正则项；所述第一数据保真项基于所述第一平滑结果对应的第一目标变量、所述待平滑图像和引导图像确定，所述第一正则项为将拉普拉斯算子作用于所述第一目标变量得到的结果的范数；所述引导图像基于对所述待平滑图像进行纹理去除滤波得到。
具体地，本发明实施例中提供的图像平滑处理装置中各模块的作用与上述图像平滑处理方法类实施例中各步骤的操作流程是一一对应的，实现的效果也是一致的，具体参见上述实施例，本发明实施例中对此不再赘述。
如图4所示，在上述实施例的基础上，本发明实施例中提供了一种目标轮廓提取装置，包括：
第二图像获取模块41，用于获取待处理图像；
第二平滑处理模块42，用于基于上述各实施例中提供的图像平滑处理方法，对所述待处理图像进行平滑处理，得到所述待处理图像对应的第二平滑结果；
图像分割模块43，用于对所述第二平滑结果进行图像分割，得到分割结果；
轮廓提取模块44，用于对所述分割结果进行轮廓提取，得到所述待处理图像中目标对象的轮廓信息。
具体地，本发明实施例中提供的目标轮廓提取装置中各模块的作用与上述目标轮廓提取方法类实施例中各步骤的操作流程是一一对应的，实现的效果也是一致的，具体参见上述实施例，本发明实施例中对此不再赘述。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器（Processor）510、通信接口（Communications Interface）520、存储器（Memory）530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行上述各实施例中提供的图像平滑处理方法或目标轮廓提取方法。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各实施例中提供的图像平滑处理方法或目标轮廓提取方法。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例中提供的图像平滑处理方法或目标轮廓提取方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种图像平滑处理方法，其特征在于，包括：
获取待平滑图像；
将所述待平滑图像代入至平滑模型，并对所述平滑模型进行求解，得到所述待平滑图像对应的第一平滑结果；
其中，所述平滑模型包括第一数据保真项和第一正则项；所述第一数据保真项基于所述第一平滑结果对应的第一目标变量、所述待平滑图像和引导图像确定，所述第一正则项为将拉普拉斯算子作用于所述第一目标变量得到的结果的范数；所述引导图像基于对所述待平滑图像进行纹理去除滤波得到。
2.根据权利要求1所述的图像平滑处理方法，其特征在于，所述平滑模型基于如下公式进行表征：
；
其中，为所述第一目标变量，/>为所述待平滑图像，/>为所述引导图像，为所述第一数据保真项，/>为恢复因子，/>为所述第一正则项，/>为所述拉普拉斯算子，/>为将所述拉普拉斯算子作用于所述第一目标变量得到的结果，/>为平滑因子，/>表示求解使/>最小的/>，/>为/>范数。
3.根据权利要求1所述的图像平滑处理方法，其特征在于，对所述平滑模型进行求解，得到所述待平滑图像对应的第一平滑结果，包括：
基于所述第一正则项对应的辅助变量，对所述平滑模型进行更新，得到更新后的平滑模型；
固定所述第一目标变量，将所述更新后的平滑模型转换为第一子模型，并对所述第一子模型进行求解，得到所述辅助变量的取值；
固定所述辅助变量的取值，将所述更新后的平滑模型转换为第二子模型，并对所述第二子模型进行求解，得到所述第一平滑结果。
4.根据权利要求1所述的图像平滑处理方法，其特征在于，所述引导图像基于如下步骤得到：
将所述待平滑图像代入至纹理去除滤波模型，并对所述纹理去除滤波模型进行求解，得到所述引导图像；
其中，所述纹理去除滤波模型包括第二数据保真项和第二正则项；所述第二数据保真项基于所述引导图像对应的第二目标变量和所述待平滑图像确定，所述第二正则项基于将局部高斯核作用于所述第二目标变量的梯度得到结果确定。
5.根据权利要求4所述的图像平滑处理方法，其特征在于，所述纹理去除滤波模型基于如下公式进行表征：
；
其中，为所述第二目标变量，/>为所述第二数据保真项，为第二正则项，/>为正参数，/>表示尺度参数为/>的局部高斯核，/>表示尺度参数为/>的局部高斯核，/>表示/>在x方向上的梯度，/>表示/>在y方向上的梯度，/>表示求解使/>最小的，/>为/>范数，/>为/>范数。
6.根据权利要求1-5中任一项所述的图像平滑处理方法，其特征在于，将所述待平滑图像代入至平滑模型，包括：
对所述待平滑图像进行自适应中值滤波，得到自适应中值滤波结果，将所述自适应中值滤波结果代入至所述平滑模型。
7.一种目标轮廓提取方法，其特征在于，包括：
获取待处理图像；
基于如权利要求1-6中任一项所述的图像平滑处理方法，对所述待处理图像进行平滑处理，得到所述待处理图像对应的第二平滑结果；
对所述第二平滑结果进行图像分割，得到分割结果；
对所述分割结果进行轮廓提取，得到所述待处理图像中目标对象的轮廓信息。
8.根据权利要求7所述的目标轮廓提取方法，其特征在于，对所述分割结果进行轮廓提取，得到所述待处理图像中目标对象的轮廓信息，之后包括：
基于所述轮廓信息，对所述目标对象进行定位。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的图像平滑处理方法或如权利要求7或8所述的目标轮廓提取方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的图像平滑处理方法或如权利要求7或8所述的目标轮廓提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310874089.3A CN116739943A (zh) | 2023-07-17 | 2023-07-17 | 图像平滑处理方法及目标轮廓提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310874089.3A CN116739943A (zh) | 2023-07-17 | 2023-07-17 | 图像平滑处理方法及目标轮廓提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116739943A true CN116739943A (zh) | 2023-09-12 |
Family
ID=87918670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310874089.3A Pending CN116739943A (zh) | 2023-07-17 | 2023-07-17 | 图像平滑处理方法及目标轮廓提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116739943A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116977227A (zh) * | 2023-09-22 | 2023-10-31 | 福建晟哲自动化科技有限公司 | 基于局部结构变差的图像平滑方法及装置 |
-
2023
- 2023-07-17 CN CN202310874089.3A patent/CN116739943A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116977227A (zh) * | 2023-09-22 | 2023-10-31 | 福建晟哲自动化科技有限公司 | 基于局部结构变差的图像平滑方法及装置 |
| CN116977227B (zh) * | 2023-09-22 | 2023-12-15 | 福建晟哲自动化科技有限公司 | 基于局部结构变差的图像平滑方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021212913A1 (zh) | 一种图像分割方法、装置、设备及介质 | |
| US9292928B2 (en) | Depth constrained superpixel-based depth map refinement | |
| CN110163219B (zh) | 基于图像边缘识别的目标检测方法 | |
| CN103942758B (zh) | 基于多尺度融合的暗通道先验图像去雾方法 | |
| CN106296675A (zh) | 一种高噪声灰度不均匀图像的分割方法 | |
| CN106097256B (zh) | 一种基于图像盲去模糊的视频图像模糊度检测方法 | |
| CN112614062A (zh) | 菌落计数方法、装置及计算机存储介质 | |
| CN107507215B (zh) | 一种基于自适应量化增强的电力设备红外热图分割方法 | |
| CN113592782B (zh) | 一种复合材料碳纤维芯棒x射线图像缺陷提取方法及系统 | |
| CN115147710A (zh) | 基于异质滤波探测与水平集分割的声纳图像目标处理方法 | |
| CN111161222A (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
| CN112634301A (zh) | 设备区域图像提取方法及装置 | |
| CN114049499A (zh) | 用于连续轮廓的目标对象检测方法、设备及存储介质 | |
| CN116739943A (zh) | 图像平滑处理方法及目标轮廓提取方法 | |
| CN112150371A (zh) | 图像降噪方法、装置、设备及存储介质 | |
| Alazzawi | Edge detection-application of (first and second) order derivative in image processing: communication | |
| CN114862889A (zh) | 基于遥感图像的道路边缘提取方法和装置 | |
| CN112529853A (zh) | 一种用于水下养殖网箱的网衣破损检测方法及装置 | |
| CN113505702A (zh) | 基于双神经网络优化的路面病害识别方法及系统 | |
| CN117173201A (zh) | 二阶微分图像分割方法、系统、介质和设备 | |
| CN111091107A (zh) | 一种人脸区域边缘检测方法、装置及存储介质 | |
| CN106023097B (zh) | 一种基于迭代法的流场图像预处理方法 | |
| CN114862861A (zh) | 基于少样本学习的肺叶分割方法和装置 | |
| CN113421210B (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
| CN112561919A (zh) | 一种图像分割方法、设备和计算机可读存储介质 |
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 |