CN117132499B - 用于图像识别的去背景方法及装置 - Google Patents

用于图像识别的去背景方法及装置 Download PDF

Info

Publication number
CN117132499B
CN117132499B CN202311151345.2A CN202311151345A CN117132499B CN 117132499 B CN117132499 B CN 117132499B CN 202311151345 A CN202311151345 A CN 202311151345A CN 117132499 B CN117132499 B CN 117132499B
Authority
CN
China
Prior art keywords
image
img
background
unit
coordinates
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
Application number
CN202311151345.2A
Other languages
English (en)
Other versions
CN117132499A (zh
Inventor
高艳辉
赵世哲
吕永辉
赵志宏
刘欣悦
李亚辉
翟雷兵
谢广朋
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.)
SHIJIAZHUANG DEVELOPMENT ZONE TIANYUAN TECHNOLOGYCO Ltd
Shijiazhuang Tiedao University
Original Assignee
SHIJIAZHUANG DEVELOPMENT ZONE TIANYUAN TECHNOLOGYCO Ltd
Shijiazhuang Tiedao 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 SHIJIAZHUANG DEVELOPMENT ZONE TIANYUAN TECHNOLOGYCO Ltd, Shijiazhuang Tiedao University filed Critical SHIJIAZHUANG DEVELOPMENT ZONE TIANYUAN TECHNOLOGYCO Ltd
Priority to CN202311151345.2A priority Critical patent/CN117132499B/zh
Publication of CN117132499A publication Critical patent/CN117132499A/zh
Application granted granted Critical
Publication of CN117132499B publication Critical patent/CN117132499B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • 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
    • G06T2207/20028—Bilateral 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)
  • Image Analysis (AREA)

Abstract

本发明公开了一种用于图像识别的去背景方法和装置，涉及图像处理方法技术领域。所述方法包括如下步骤：S1：对采集到的图像去除与物体颜色相差大的背景区域；S2：对采集到的图像去除与物体颜色相差小的背景区域；S3：将步骤S1和步骤S2处理后的图像进行与运算；S4：去除背景轮廓。本发明通过上述步骤能得到较好的去背景效果。

Description

用于图像识别的去背景方法及装置
技术领域
本发明涉及图像处理方法技术领域，尤其涉及一种用于图像识别的去背景方法及装置。
背景技术
目前用于图像识别的许多图像中，除了需要的目标物体之外还有很多复杂背景，这些多余的背景往往会对目标物体的提取和处理产生很大的影响，使得后续对目标物体的处理不准确。去除背景使得物体与背景分离成为了不可或缺的一步，现阶段的去除背景方法不能同时处理与目标物体颜色差距大的背景和与物体颜色相近的背景的缺点，分离效果比较差。以至于之后对物体进行处理时误差大，因此目前如何同时处理与物体颜色差距大的背景和与物体颜色相近的背景是用于实际应用的瓶颈。
发明内容
本发明所要解决的技术问题是如何提供一种能够提高图像背景处理效果的方法及装置。
为解决上述技术问题，本发明所采取的技术方案是：一种用于图像识别的去背景方法，包括如下步骤：
S1：对采集到的图像去除与物体颜色相差大的背景区域；
S2：对采集到的图像去除与物体颜色相差小的背景区域；
S3：将步骤S1和步骤S2处理后的图像进行与运算；
S4：去除背景轮廓。
相应的，本发明还公开了一种用于图像识别的去背景装置，包括：
物体颜色相差大背景图像去除模块：用于对采集到的图像去除与物体颜色相差大的背景区域；
物体颜色相差小背景图像去除模块：用于对采集到的图像去除与物体颜色相差小的背景区域；
与运算模块：用于将物体颜色相差大背景图像去除模块以及物体颜色相差小背景图像去除模块处理后的图像进行与运算；
背景轮廓去除模块：用于去除背景轮廓。
采用上述技术方案所产生的有益效果在于：所述方法在处理时，对采集到的图像转换为hsv空间图像根据颜色特征进行去除与物体颜色差距大的背景；对采集到的图像转换为灰度图像根据颜色相近物体之间的分割线去除与物体颜色相近的背景；对上述两个步骤的结果进行与运算；去除背景轮廓，本发明通过上述步骤能得到较好的去背景效果。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例所述方法的流程图
图2为本发明实施例所述方法中进行双边滤波后的bilater_img图像
图3为本发明实施例所述方法中转换为hsv空间后的图hsv_img像
图4为本发明实施例所述方法中对hsv空间图像进行阈值处理后的mask1图像
图5为本发明实施例所述方法中对腐蚀后的图像进行膨胀操作后的dilate_img图像
图6为本发明实施例所述方法中进行灰度处理后的gray_img图像
图7为本发明实施例所述方法中对灰度图像阈值处理后的ret图像
图8为本发明实施例所述方法中对阈值处理后图像进行边缘化的canny_img图像
图9为本发明实施例所述方法中寻找到的分割线
图10为本发明实施例所述方法中对经过步骤1和步骤2得到的图像进行与运算后的bit_img图像
图11为本发明实施例所述方法中对与运算后图像进行边缘化后的edges_img图像
图12为本发明实施例所述方法中去除完背景轮廓后的mask_img图像
图13为本发明实施例所述方法中最终去背景后的rest_img图像；
图14为本发明实施例所述装置的原理框图；
图15为本发明实施例所述装置中物体颜色相差大背景图像去除模块的原理框图；
图16为本发明实施例所述装置中物体颜色相差小背景图像去除模块的原理框图；
图17为本发明实施例所述装置中与运算模块的原理框图；
图18为本发明实施例所述装置中背景轮廓去除模块的原理框图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
实施例一
总体的，如图1所示，本发明实施例公开了一种用于图像识别的去背景方法，具体包括如下步骤：
S1：对采集到的图像去除与物体颜色相差大的背景区域；
S2：对采集到的图像去除与物体颜色相差小的背景区域；
S3：将步骤S1和步骤S2处理后的图像进行与运算；
S4：去除背景轮廓。
下面结合详细方法对上述步骤进行说明：
进一步的，所述步骤S1具体方法包括如下步骤：
S11：对采集到的图像img进行中值滤波处理得到图像middle_img；
S12：对图像middle_img进行双边滤波去噪，得到图像bilater_img，其示意图如图2所示；
S13：对图像bilater_img转换成hsv空间图像得到hsv_img，hsv_img得到图3所示；
S14：根据图像高度g，宽度k取得中心点坐标；
S15：根据中心点坐标获取中心点的hsv值：
其中h代表色相，s代表饱和度，v代表亮度，mid_x，mid_y分别代表中心点的横坐标和中心点的纵坐标；
S16：对h进行浮动设置出颜色范围(min_h，max_h)
其中min_h为h的下限，max_h为h的上限，C1设置为15，C2设置为10；
S17：对图像hsv_img进行阈值处理，其中阈值的下限为low(min_h，min_s，min_v)，阈值的上限为high(max_h，max_s，max_v)，将在该范围内的图像变为白色，范围外的图像变为黑色，此处阈值公式为：
其中min_s设为43，max_s设为255，min_v设为46，max_v设为255，通过该步骤处理后的图像mask1如图4所示；
S18：使用11*11的卷积核对mask1进行腐蚀操作，迭代次数为itera1次得到图像closed_img，迭代次数确定公式为:
其中itera1为腐蚀的迭代次数，s_w为白色区域的面积，size_kmax为卷积核的大小，此处设为11；
S19：使用5*5的卷积核对closed_img进行膨胀操作，迭代次数为itera2次，得到图像dilate_img，如图5所示，此处确定迭代次数的公式为：
此处itera2为膨胀的迭代次数，s_d为黑色区域的面积，size_kmin为卷积核的大小，此处设为5。
进一步的，所述步骤S2具体包括如下步骤：
S21：将图像hsv_img转换成灰度图gray_img，通过该步骤处理后的图像如图6所示；
S22：对图像gray_img进行阈值处理，阈值下限minval，上限maxval得到黑白图ret，如图7所示，转换公式如下：
minval＝gray_img(mid_x,mid_y)-C3
其中gray_img(x,y)为gray_img图像中(x，y)坐标的值，gray_img(mid_x,mid_y)为gray_img图像中心点的值，C3为常数此处设为30，maxval设为255；
S23：对黑白图ret使用Canny算子进行边缘化操作的到图像canny_img，如图8所示；
S24：对图像canny_img进行霍夫变换寻找直线得到所有直线lines；
S25：计算出直线lines各个点的坐标并保存到lines_list列表中，计算坐标公式如下：
此处rho为极径，theta为极角；
S26：对lines_list列表按照y坐标进行排序得到y坐标值最大的点dot(x1，y1)所在的直线为分割线，如图9所示；
S27：设置一个与图像同宽高的矩阵same_img进行初始化赋值，初始化公式为：
其中theta为该直线的极角，x1,y1为dot点的坐标,same_img(x,y)为same_img图像x,y坐标的值。
进一步的，所述步骤S3具体包括如下步骤：
S31：将图像same_img与图像dilate_img进行与运算操作得到图像bit_img，如图10所示；
此处bit_img(x,y)为bit_img图像x,y坐标的值，same_img(x,y)为same_img图像x,y坐标的值，dilate_img(x,y)为dilate_img图像x,y坐标的值。
进一步的，所述步骤S4中去除背景轮廓，具体包括如下步骤：
S41：对图像bit_img使用Canny算子进行边缘化得到图像edges_img，如图11所示；
S42：对图像edges_img进行寻找轮廓得到所有轮廓contours_list；
S43：将contours_list按照轮廓的周长进行排序寻找最大周长的轮廓为con；
S44：保存con的最大外接矩阵的左上角顶点为rect_left(left_x,left_y)，高为rect_h和宽为rect_w；
S45：设置一个与bit_img同宽高的矩阵为图像rect_img进行初始化，初始化公式为：
S46：将图像bit_img与图像rect_img进行与运算得到图像mask_img，如图12所示；
S47：将图像img与图像mask_img进行与运算得到最终去背景结果rest_img，如图13所示。
实施例二
与实施例一所述方法相对应的，如图14所示，本实施例公开了一种用于图像识别的去背景装置，包括：
物体颜色相差大背景图像去除模块101：用于对采集到的图像去除与物体颜色相差大的背景区域；
物体颜色相差小背景图像去除模块102：用于对采集到的图像去除与物体颜色相差小的背景区域；
与运算模块103：用于将物体颜色相差大背景图像去除模块101以及物体颜色相差小背景图像去除模块102处理后的图像进行与运算；
背景轮廓去除模块104：用于去除背景轮廓。
进一步的，如图15所示，所述物体颜色相差大背景图像去除模块101包括：
中值滤波单元1011：用于对采集到的图像img进行中值滤波处理得到图像middle_img；
双边滤波去噪单元1012：用于对图像middle_img进行双边滤波去噪，得到图像bilater_img；
hsv空间图像转换单元1013：用于对图像bilater_img转换成hsv空间图像得到图像hsv_img；
中心点hsv值计算单元1014：用于根据图像高度g，宽度k取得中心点坐标；
中心点hsv值获取单元1015：用于根据中心点坐标获取中心点的hsv值：
其中h代表色相，s代表饱和度，v代表亮度，mid_x，mid_y分别代表中心点的横坐标和中心点的纵坐标；
颜色范围设置单元1016：用于对h进行浮动设置出颜色范围(min_h，max_h)
其中min_h为h的下限，max_h为h的上限，C1设置为15，C2设置为10；
hsv_img阈值处理单元1017：用于对图像hsv_img进行阈值处理，其中阈值的下限为low(min_h，min_s，min_v)，阈值的上限为high(max_h，max_s，max_v)，将在该范围内的图像变为白色，范围外的图像变为黑色，此处阈值公式为：
其中min_s设为43，max_s设为255，min_v设为46，max_v设为255；
腐蚀处理单元1018：用于使用11*11的卷积核对mask1进行腐蚀操作，迭代次数为itera1次得到图像closed_img，迭代次数确定公式为:
其中itera1为腐蚀的迭代次数，s_w为白色区域的面积，size_kmax为卷积核的大小，此处设为11；
卷积处理单元1019：用于使用5*5的卷积核对closed_img进行膨胀操作，迭代次数为itera2次，得到图像dilate_img，此处确定迭代次数的公式为：
此处itera2为膨胀的迭代次数，s_d为黑色区域的面积，size_kmin为卷积核的大小，此处设为5。
进一步的，如图16所示，所述物体颜色相差小背景图像去除模块102包括：
灰度图转换单元1021：用于将图像hsv_img转换成灰度图gray_img；
gray_img阈值处理单元1022：用于对图像gray_img进行阈值处理，阈值下限minval，上限maxval得到黑白图ret，转换公式如下：
minval＝gray_img(mid_x,mid_y)-C3
其中gray_img(x,y)为gray_img图像中(x，y)坐标的值，gray_img(mid_x,mid_y)为gray_img图像中心点的值，C3为常数此处设为30，maxval设为255；
边缘化操作单元1023：用于对ret使用Canny算子进行边缘化操作的到canny_img；
霍夫变换单元1024：用于对图像canny_img进行霍夫变换寻找直线得到所有直线lines；
直线lines坐标计算单元1025：用于计算出直线lines各个点的坐标并保存到lines_list列表中，计算坐标公式如下：
此处rho为极径，theta为极角；
y坐标值最大点获取单元1026：对lines_list列表按照y坐标进行排序，得到y坐标值最大的点dot(x1，y1)所在的直线为分割线；
same_img初始化赋值单元1027：用于设置一个与图像同宽高的矩阵same_img进行初始化赋值，初始化公式为：
其中theta为该直线的极角，x1,y1为dot点的坐标,same_img(x,y)为same_img图像x,y坐标的值。
进一步的，如图17所示，所述与运算模块103包括：
与运算单元1031：用于将图像same_img与图像dilate_img进行与运算操作得到图像bit_img；
此处bit_img(x,y)为bit_img图像x,y坐标的值，same_img(x,y)为same_img图像x,y坐标的值，dilate_img(x,y)为dilate_img图像x,y坐标的值。
进一步的，如图18所示，所述背景轮廓去除模块104包括：
图像bit_img边缘化单元1041：用于对图像bit_img使用Canny算子进行边缘化得到edges_img；
轮廓寻找单元1042：用于对图像edges_img进行寻找轮廓得到所有轮廓contours_list；
最大周长轮廓确定单元1043：用于将contours_list按照轮廓的周长进行排序寻找最大周长的轮廓为con；
顶点保存单元1044：用于保存con的最大外接矩阵的左上角顶点为rect_left(left_x,left_y)，高为rect_h和宽为rect_w；
rect_img初始化单元1045：用于设置一个与bit_img同宽高的矩阵为图像rect_img进行初始化，初始化公式为：
mask_img图像确定单元1046：用于将图像bit_img与图像rect_img进行与运算得到图像mask_img；
去背景结果单元1047：将图像img与图像mask_img进行与运算得到最终去背景结果rest_img。

Claims (8)

1.一种用于图像识别的去背景方法，其特征在于包括如下步骤：
S1：对采集到的图像去除与物体颜色相差大的背景区域；
S2：对采集到的图像去除与物体颜色相差小的背景区域；
S3：将步骤S1和步骤S2处理后的图像进行与运算；
S4：去除背景轮廓；
所述步骤S2中去除与物体颜色相差小的区域的具体方法包括如下步骤：
S21：将图像hsv_img转换成灰度图gray_img；
S22：对图像gray_img进行阈值处理，阈值下限minval，上限maxval得到黑白图ret，转换公式如下：
minval＝gray_img(mid_x,mid_y)-C3
其中gray_img(x,y)为gray_img图像中(x，y)坐标的值，gray_img(mid_x,mid_y)为gray_img图像中心点的值，C3为常数此处设为30，maxval设为255；
S23：对ret使用Canny算子进行边缘化操作的到canny_img；
S24：对图像canny_img进行霍夫变换寻找直线得到所有直线lines；
S25：计算出直线lines各个点的坐标并保存到lines_list列表中，计算坐标公式如下：
此处rho为极径，theta为极角；
S26：对lines_list列表按照y坐标进行排序得到y坐标值最大的点dot(x1，y1)所在的直线为分割线；
S27：设置一个与图像同宽高的矩阵same_img进行初始化赋值，初始化公式为：
其中theta为该直线的极角，x1,y1为dot点的坐标,same_img(x,y)为same_img图像x,y坐标的值。
2.如权利要求1所述的用于图像识别的去背景方法，其特征在于，所述步骤S1中对采集到的图像去除与物体颜色相差大的区域的具体方法包括如下步骤：
S11：对采集到的图像img进行中值滤波处理得到图像middle_img；
S12：对图像middle_img进行双边滤波去噪，得到图像bilater_img；
S13：对图像bilater_img转换成hsv空间图像得到hsv_img；
S14：根据图像高度g，宽度k取得中心点坐标
S15：根据中心点坐标获取中心点的hsv值：
其中h代表色相，s代表饱和度，v代表亮度，mid_x，mid_y分别代表中心点的横坐标和中心点的纵坐标；
S16：对h进行浮动设置出颜色范围(min_h，max_h)
其中min_h为h的下限，max_h为h的上限，C1设置为15，C2设置为10；
S17：对图像hsv_img进行阈值处理，其中阈值的下限为low(min_h，min_s，min_v)，阈值的上限为high(max_h，max_s，max_v)，将在该范围内的图像变为白色，范围外的图像变为黑色，此处阈值公式为：
其中min_s设为43，max_s设为255，min_v设为46，max_v设为255；
S18：使用11*11的卷积核对mask1进行腐蚀操作，迭代次数为itera1次得到图像closed_img，迭代次数确定公式为:
其中itera1为腐蚀的迭代次数，s_w为白色区域的面积，size_kmax为卷积核的大小，此处设为11；
S19：使用5*5的卷积核对closed_img进行膨胀操作，迭代次数为itera2次，得到图像dilate_img，此处确定迭代次数的公式为：
此处itera2为膨胀的迭代次数，s_d为黑色区域的面积，size_kmin为卷积核的大小，此处设为5。
3.如权利要求1所述的用于图像识别的去背景方法，其特征在于，所述步骤S3中将步骤S1和步骤S2处理后的图像进行与运算具体包括如下步骤：
S31：将图像same_img与图像dilate_img进行与运算操作得到图像bit_img；
此处bit_img(x,y)为bit_img图像x,y坐标的值，same_img(x,y)为same_img图像x,y坐标的值，dilate_img(x,y)为dilate_img图像x,y坐标的值。
4.如权利要求1所述的用于图像识别的去背景方法，其特征在于，所述步骤S4中去除背景轮廓，具体包括如下步骤：
S41：对图像bit_img使用Canny算子进行边缘化得到edges_img；
S42：对图像edges_img进行寻找轮廓得到所有轮廓contours_list；
S43：将contours_list按照轮廓的周长进行排序寻找最大周长的轮廓为con；
S44：保存con的最大外接矩阵的左上角顶点为rect_left(left_x,left_y)，高为rect_h和宽为rect_w；
S45：设置一个与bit_img同宽高的矩阵为图像rect_img进行初始化，初始化公式为：
S46：将图像bit_img与图像rect_img进行与运算得到图像mask_img；
S47：将图像img与图像mask_img进行与运算得到最终去背景结果rest_img。
5.一种用于图像识别的去背景装置，其特征在于包括：
物体颜色相差大背景图像去除模块：用于对采集到的图像去除与物体颜色相差大的背景区域；
物体颜色相差小背景图像去除模块：用于对采集到的图像去除与物体颜色相差小的背景区域；
与运算模块：用于将物体颜色相差大背景图像去除模块以及物体颜色相差小背景图像去除模块处理后的图像进行与运算；
背景轮廓去除模块：用于去除背景轮廓；
所述物体颜色相差小背景图像去除模块包括：
灰度图转换单元：用于将图像hsv_img转换成灰度图gray_img；
gray_img阈值处理单元：用于对图像gray_img进行阈值处理，阈值下限minval，上限maxval得到黑白图ret，转换公式如下：
minval＝gray_img(mid_x,mid_y)-C3
其中gray_img(x,y)为gray_img图像中(x，y)坐标的值，gray_img(mid_x,mid_y)为gray_img图像中心点的值，C3为常数此处设为30，maxval设为255；
边缘化操作单元：用于对ret使用Canny算子进行边缘化操作的到canny_img；
霍夫变换单元：用于对图像canny_img进行霍夫变换寻找直线得到所有直线lines；
直线lines坐标计算单元：用于计算出直线lines各个点的坐标并保存到lines_list列表中，计算坐标公式如下：
此处rho为极径，theta为极角；
y坐标值最大点获取单元：对lines_list列表按照y坐标进行排序，得到y坐标值最大的点dot(x1，y1)所在的直线为分割线；
same_img初始化赋值单元：用于设置一个与图像同宽高的矩阵same_img进行初始化赋值，初始化公式为：
其中theta为该直线的极角，x1,y1为dot点的坐标,same_img(x,y)为same_img图像x,y坐标的值。
6.如权利要求5所述的用于图像识别的去背景装置，其特征在于，所述物体颜色相差大背景图像去除模块包括：
中值滤波单元：用于对采集到的图像img进行中值滤波处理得到图像middle_img；
双边滤波去噪单元：用于对图像middle_img进行双边滤波去噪，得到图像bilater_img；
hsv空间图像转换单元：用于对图像bilater_img转换成hsv空间图像得到图像hsv_img；
中心点hsv值计算单元：用于根据图像高度g，宽度k取得中心点坐标；
中心点hsv值获取单元：用于根据中心点坐标获取中心点的hsv值：
其中h代表色相，s代表饱和度，v代表亮度，mid_x，mid_y分别代表中心点的横坐标和中心点的纵坐标；
颜色范围设置单元：用于对h进行浮动设置出颜色范围(minh，max_h)
其中min_h为h的下限，max_h为h的上限，C1设置为15，C2设置为10；
hsv_img阈值处理单元：用于对图像hsv_img进行阈值处理，其中阈值的下限为low(min_h，min_s，min_v)，阈值的上限为high(max_h，max_s，max_v)，将在该范围内的图像变为白色，范围外的图像变为黑色，此处阈值公式为：
其中min_s设为43，max_s设为255，min_v设为46，max_v设为255；
腐蚀处理单元：用于使用11*11的卷积核对mask1进行腐蚀操作，迭代次数为itera1次得到图像closed_img，迭代次数确定公式为:
其中itera1为腐蚀的迭代次数，s_w为白色区域的面积，size_kmax为卷积核的大小，此处设为11；
卷积处理单元：用于使用5*5的卷积核对closed_img进行膨胀操作，迭代次数为itera2次，得到图像dilate_img，此处确定迭代次数的公式为：
此处itera2为膨胀的迭代次数，s_d为黑色区域的面积，size_kmin为卷积核的大小，此处设为5。
7.如权利要求5所述的用于图像识别的去背景方法，其特征在于，所述与运算模块包括：
与运算单元：用于将图像same_img与图像dilate_img进行与运算操作得到图像bit_img；
此处bit_img(x,y)为bit_img图像x,y坐标的值，same_img(x,y)为same_img图像x,y坐标的值，dilate_img(x,y)为dilate_img图像x,y坐标的值。
8.如权利要求5所述的用于图像识别的去背景装置，其特征在于，所述背景轮廓去除模块包括：
图像bit_img边缘化单元：用于对图像bit_img使用Canny算子进行边缘化得到edges_img；
轮廓寻找单元：用于对图像edges_img进行寻找轮廓得到所有轮廓contours_list；
最大周长轮廓确定单元：用于将contours_list按照轮廓的周长进行排序寻找最大周长的轮廓为con；
顶点保存单元：用于保存con的最大外接矩阵的左上角顶点为rect_left(left_x,left_y)，高为rect_h和宽为rect_w；
rect_img初始化单元：用于设置一个与bit_img同宽高的矩阵为图像rect_img进行初始化，初始化公式为：
mask_img图像确定单元：用于将图像bit_img与图像rect_img进行与运算得到图像mask_img；
去背景结果单元：将图像img与图像mask_img进行与运算得到最终去背景结果rest_img。
CN202311151345.2A 2023-09-07 2023-09-07 用于图像识别的去背景方法及装置 Active CN117132499B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311151345.2A CN117132499B (zh) 2023-09-07 2023-09-07 用于图像识别的去背景方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311151345.2A CN117132499B (zh) 2023-09-07 2023-09-07 用于图像识别的去背景方法及装置

Publications (2)

Publication Number Publication Date
CN117132499A CN117132499A (zh) 2023-11-28
CN117132499B true CN117132499B (zh) 2024-05-14

Family

ID=88856285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311151345.2A Active CN117132499B (zh) 2023-09-07 2023-09-07 用于图像识别的去背景方法及装置

Country Status (1)

Country Link
CN (1) CN117132499B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559719A (zh) * 2013-11-20 2014-02-05 电子科技大学 一种交互式图像分割方法
CN104240204A (zh) * 2014-09-11 2014-12-24 镇江苏仪德科技有限公司 一种基于图像处理的太阳能硅片和电池片的计数方法
CN107063458A (zh) * 2017-02-07 2017-08-18 泉州装备制造研究所 基于机器视觉的瓷砖色度分块检测方法
CN107895376A (zh) * 2017-12-11 2018-04-10 福州大学 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法
CN111310573A (zh) * 2020-01-17 2020-06-19 厦门欧易奇机器人有限公司 保护屏柜图像中压板的识别方法
CN111986378A (zh) * 2020-07-30 2020-11-24 湖南长城信息金融设备有限责任公司 一种票据彩色纤维丝检测方法和系统
CN112598665A (zh) * 2020-12-31 2021-04-02 北京深睿博联科技有限责任公司 一种曼哈顿场景消失点、消失线检测方法及装置
KR20220100302A (ko) * 2021-01-08 2022-07-15 주식회사 센다코리아 알약 계수 이미지 프로세싱 방법
CN114862897A (zh) * 2022-04-24 2022-08-05 北京百度网讯科技有限公司 一种图像背景处理方法、装置及电子设备
CN114972453A (zh) * 2022-04-12 2022-08-30 南京雷电信息技术有限公司 改进的基于lsd与模板匹配的sar图像区域配准方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559719A (zh) * 2013-11-20 2014-02-05 电子科技大学 一种交互式图像分割方法
CN104240204A (zh) * 2014-09-11 2014-12-24 镇江苏仪德科技有限公司 一种基于图像处理的太阳能硅片和电池片的计数方法
CN107063458A (zh) * 2017-02-07 2017-08-18 泉州装备制造研究所 基于机器视觉的瓷砖色度分块检测方法
CN107895376A (zh) * 2017-12-11 2018-04-10 福州大学 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法
CN111310573A (zh) * 2020-01-17 2020-06-19 厦门欧易奇机器人有限公司 保护屏柜图像中压板的识别方法
CN111986378A (zh) * 2020-07-30 2020-11-24 湖南长城信息金融设备有限责任公司 一种票据彩色纤维丝检测方法和系统
CN112598665A (zh) * 2020-12-31 2021-04-02 北京深睿博联科技有限责任公司 一种曼哈顿场景消失点、消失线检测方法及装置
KR20220100302A (ko) * 2021-01-08 2022-07-15 주식회사 센다코리아 알약 계수 이미지 프로세싱 방법
CN114972453A (zh) * 2022-04-12 2022-08-30 南京雷电信息技术有限公司 改进的基于lsd与模板匹配的sar图像区域配准方法
CN114862897A (zh) * 2022-04-24 2022-08-05 北京百度网讯科技有限公司 一种图像背景处理方法、装置及电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Pavel M I,et al. .Cancer detection using image processing techniques based on cell counting, cell area measurement and clump detection.《BRAC Univeristy》.2017,全文. *
基于卷积GRU注意力的设备剩余寿命预测;赵志宏 等;《测试与诊断》;20221231;第42卷(第03期);572-579+622 *
基于机器视觉技术的红花识别与定位方法研究;董芙楠;《中国优秀硕士学位论文全文数据库（电子期刊）农业科学辑》;20230315;全文 *

Also Published As

Publication number Publication date
CN117132499A (zh) 2023-11-28

Similar Documents

Publication Publication Date Title
CN112819772B (zh) 一种高精度快速图形检测识别方法
CN110866924B (zh) 一种线结构光中心线提取方法及存储介质
Wu et al. An automated vision system for container-code recognition
CN115035050B (zh) 一种电池极片表面缺陷检测方法、装置、设备及产品
KR20130105952A (ko) 차량 번호판 인식 방법과 그 장치
CN110309806B (zh) 一种基于视频图像处理的手势识别系统及其方法
CN111340824A (zh) 一种基于数据挖掘的图像特征分割方法
CN114863492B (zh) 一种低质量指纹图像的修复方法及修复装置
CN113592923A (zh) 一种基于深度局部特征匹配的批图像配准方法
CN115471682A (zh) 一种基于SIFT融合ResNet50的图像匹配方法
CN117392066A (zh) 缺陷检测方法、装置、设备及存储介质
CN114529715B (zh) 一种基于边缘提取的图像识别方法及系统
CN113781413B (zh) 一种基于Hough梯度法的电解电容定位方法
CN117132499B (zh) 用于图像识别的去背景方法及装置
CN111310754A (zh) 一种分割车牌字符的方法
CN115587966A (zh) 一种在光照不均匀条件下零件有无缺漏的检测方法及系统
CN117911419A (zh) 中厚板转钢角度增强检测方法及装置、介质、设备
CN112184619A (zh) 一种基于深度学习的金属部件表面缺陷检测方法
CN112418143A (zh) 一种无人驾驶车的交通标志识别方法
CN109145875B (zh) 一种人脸图像中的黑框眼镜去除方法及装置
CN113643290B (zh) 一种基于图像处理的吸管计数方法、装置及存储介质
CN114266748B (zh) 一种轨交检修领域工艺板表面完整性判定的方法及装置
CN115187790A (zh) 一种基于参考区域二值化结果的图像轮廓提取方法
CN116433978A (zh) 一种高质量瑕疵图像自动生成与自动标注方法及装置
CN109934190B (zh) 基于变形高斯核函数的自适应强光人脸图像纹理恢复方法

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