CN105389825A - 图像处理方法及*** - Google Patents

Abstract

本发明公开了一种图像处理方法，获取图像的像素矩阵；基于所述图像的像素矩阵，计算所述图像中任意两个像素点的相似度组成的相似度矩阵；根据所述相似度矩阵得到所述图像的特征向量矩阵；根据所述特征向量矩阵计算所述图像的熵值矩阵；计算所述熵值矩阵中的各个熵值的平均值；根据所述平均值对所述图像进行二值化处理，以确定所述图像的目标区域和背景区域。本发明还公开了一种图像处理***。本发明提高了图像处理的准确性。

Description

图像处理方法及***

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像处理方法及***。

背景技术

现有的图像采集***，一般都是通过行车记录仪、车牌扫描仪、监控摄像头等图像采集设备对图像进行采集，在通过图像采集设备采集图像后，需要对采集的图像进行处理才能进行显示，而现在的图像采集设备，对图像的处理的方式都比较简单，例如，对图像进行灰度值处理，得到灰度值图像，然后根据灰度值图像确定图像的目标区域和背景区域，而灰度值图像仅仅是根据颜色确定图像的目标区域和背景区域，但是当图像中目标区域和背景区域颜色差别不大时，通过灰度值对图像进行处理以确定目标区域和背景区域，使得图像的处理不够准确。

发明内容

本发明的主要目的在于提出一种图像处理方法及***，旨在解决传统的图像处理方式，对图像的处理不够准确的技术问题。

为实现上述目的，本发明提供的一种图像处理方法，所述图像处理方法包括以下步骤：

获取图像的像素矩阵；

基于所述图像的像素矩阵，计算所述图像中任意两个像素点的相似度组成的相似度矩阵；

根据所述相似度矩阵得到所述图像的特征向量矩阵；

根据所述特征向量矩阵计算所述图像的熵值矩阵；

计算所述熵值矩阵中的各个熵值的平均值；

根据所述平均值对所述图像进行二值化处理，以确定所述图像的目标区域和背景区域。

优选地，所述基于所述图像的像素矩阵，计算所述图像中任意两个像素点的相似度组成的相似度矩阵的步骤包括：

将所述图像的像素矩阵转化为灰度矩阵；

根据所述灰度矩阵，计算所述图像中任意两个像素点的相似度组成的相似度矩阵。

优选地，所述根据所述相似度矩阵得到所述图像的特征向量矩阵的步骤包括：

基于所述相似度矩阵计算所述图像的拉普拉斯矩阵；

对所述拉普拉斯矩阵进行特征分解，得到所述图像的特征向量矩阵。

优选地，所述根据所述平均值对所述图像进行二值化处理，以确定所述图像的目标区域和背景区域的步骤之后，所述图像处理方法还包括：

对所述目标区域进行强化插值处理，并对所述背景区域进行稀疏插值处理。

优选地，所述强化插值处理为将所述目标区域的所有点的像素值均增加一预设值，当某一点增加后的像素值超过上限像素值时，将该点的像素值记为所述上限像素值；

所述稀疏插值处理为将所述背景区域的所有点的像素值固定至一预设值。

此外，为实现上述目的，本发明还提出一种图像处理***，所述图像处理***包括：

获取模块，用于获取图像的像素矩阵；

第一计算模块，用于基于所述图像的像素矩阵，计算所述图像中任意两个像素点的相似度组成的相似度矩阵；

第一处理模块，用于对所述相似度矩阵进行处理，得到所述图像的特征向量矩阵；

第二计算模块，用于根据所述特征向量矩阵计算所述图像的熵值矩阵；

第三计算模块，用于计算所述熵值矩阵中的各个熵值的平均值；

第二处理模块，用于根据所述平均值对所述图像进行二值化处理，以确定所述图像的目标区域和背景区域。

优选地，所述第一计算模块包括：

转化单元，用于将所述图像的像素矩阵转化为灰度矩阵；

第一计算单元，用于根据所述灰度矩阵，计算所述图像中任意两个像素点的相似度组成的相似度矩阵。

优选地，所述第一处理模块包括：

第二计算单元，用于基于所述相似度矩阵计算所述图像的拉普拉斯矩阵；

特征分解单元，用于对所述拉普拉斯矩阵进行特征分解，得到所述图像的特征向量矩阵。

优选地，所述图像处理***还包括：

第三处理模块，用于对所述目标区域进行强化插值处理，并对所述背景区域进行稀疏插值处理。

优选地，所述强化插值处理为将所述目标区域的所有点的像素值均增加一预设值，当某一点增加后的像素值超过上限像素值时，将该点的像素值记为所述上限像素值；

所述稀疏插值处理为将所述背景区域的所有点的像素值固定至一预设值。

本发明提出的图像处理方法及***，获取图像的像素矩阵；基于所述图像的像素矩阵，计算所述图像中任意两个像素点的相似度组成的相似度矩阵；根据所述相似度矩阵得到所述图像的特征向量矩阵，然后根据所述特征向量矩阵计算所述图像的熵值矩阵，再计算所述熵值矩阵中的各个熵值的平均值，最后根据所述平均值对所述图像进行二值化处理，以确定所述图像的目标区域和背景区域，本方案根据图像的特征向量矩阵得到熵值矩阵，再根据熵值矩阵中的各个熵值计算出一个平均值，最后将所述平均值与所述图像中的各个像素点进行比对，以确定所述图像的目标区域和背景区域，实现了通过图像具体的特性向量，比如图像的纹理特征、图像的整体走势特征确定图像中的目标区域和背景区域，而不仅仅是根据图像的灰度值确定图像的目标区域和背景区域，使得在图像中目标区域和背景区域的颜色差别不大时，对图像的处理更加准确。

附图说明

图1为本发明图像处理方法第一实施例的流程示意图；

图2为本发明图像处理方法第二实施例的流程示意图；

图3为本发明图像处理***第一实施例的功能模块示意图；

图4为本发明图像处理***第二实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供一种图像处理方法。

参照图1，图1为本发明图像处理方法第一实施例的流程示意图。

本实施例提出一种图像处理方法，所述图像处理方法包括：

步骤S10，获取图像的像素矩阵；

在本实施例中，步骤S10之前，包括获取图像的步骤，具体地：在图像是车辆行驶过程中的道路图像时，所述获取图像可通过车辆预设的摄像头进行获取，所述摄像头可为前景摄像机或全景摄像机；在图像是车牌图像，所述获取图像可通过行车记录仪、车牌扫描仪等设备进行获取；在图像为室内或室外的监控图像时，所述获取图像可通过监控摄像头进行获取，进一步地，所述获取图像还可以获取存储的图像。

在本实施例中，对获取的所述图像进行分析，以获取所述图像的各个像素点，然后根据所述图像的各个像素点生成所述图像的像素矩阵I，所述像素矩阵I的表现形式为：[I₁I₂I₃...I_n]。

步骤S20，基于所述图像的像素矩阵，计算所述图像中任意两个像素点的相似度组成的相似度矩阵；

具体地，所述步骤S20的实施方式包括：

1)方式一、在得到所述图像的像素矩阵后，先计算所述像素矩阵中各个像素点的尺度参数σ_i，所述尺度参数σ_i用以下公式计算：

${\mathrm{\σ}}_i=\frac{1}{m}\underset{d=1}{\overset{m}{\Σ}}\left|\right|I_i-I_d\left|\right|$

其中，Id是所述像素矩阵I中第d个点的像素值，m是一个常数，通常设置m＝7；

根据上述计算公式即可计算出所述像素矩阵I中的第i个点的尺度参数σ_i，由于所述像素矩阵I中包括n个数，则可计算出n*n个尺度参数，在得到各个点的尺度参数σ_i后，根据所述像素矩阵I和计算出的各个尺度参数，即可计算出所述图像的相似度矩阵A，计算所述图像中任意两个像素点的相似度对应的相似度矩阵的公式为：

A_ij＝exp(-||I_i-I_j||²/σ_iσ_j)，i,j∈(1，n)

其中，A_ij表示相似度矩阵A的任意元素，σ_i，σ_j分别表示所述像素矩阵I中任意点Ii和Ij对应的尺度参数，||I_i-I_j||表示点Ii和Ij的欧氏距离。

根据上述公式，即可计算出相似度矩阵A为：

$\left[\begin{array}{cccc}{A}_{11}& A_{12}& ...& A_{1n}\\ A_{21}& A_{22}& ...& A_{2n}\\ ...& ...& ...& ...\\ A_{n1}& A_{n2}& \·\·& A_{nn}\end{array}\right]$

在所述相似度矩阵A中，第一行表示像素矩阵中的第一个点分别与像素矩阵中的所有点(第一个点、第二个点、第三个点……最后一个点)的相似度差值，第二行表示像素矩阵中的第二个点与像素矩阵中的所有点(第一个点、第二个点、第三个点……最后一个点)的相似度差值，依次类推，最后一行表示像素矩阵中最后一个点分别与像素矩阵中的所有点(第一个点、第二个点、第三个点……最后一个点)的相似度差值。可以理解的是，在所述相似度矩阵中，对角线上的点A11、A22、A33、…、Ann的值为零。

2)方式二、所述步骤S20包括以下步骤：

步骤a、将所述图像的像素矩阵转化为灰度矩阵；

步骤b、根据所述灰度矩阵，计算所述图像中任意两个像素点的相似度组成的相似度矩阵。

在本实施例中，在得到所述图像的像素矩阵后，对所述图像中各个像素点求灰度值，所述对所述图像中各个像素点求灰度值的方法包括：平均值法(即将各个像素点的三原色值求平均值，得到各个像素点的灰度值，Gray＝(R+G+B)/3)、整数方法(即对各个像素点的三原色值进行加权平均，得到各个像素点的三原色值，Gray＝R*0.3+G*0.59+B*0.11)等等。在得到各个点的像素值后，根据上述的算法对像素矩阵中的各个像素点进行计算，得到各个像素点对应的灰度值，最终实现将所述像素矩阵转化为一维的灰度矩阵，所述灰度矩阵用数据集X＝{x₁,x₂,...,x_n}∈R^d表示，其中，所述xi表示数据集中第i个点的灰度值，i∈(1，n)，n为数据集中的数据的个数，d表示数据维数，R代表整个实数集。

在得到所述灰度矩阵X后，根据所述灰度矩阵计算所述图像的相似度矩阵，所述相似度矩阵中包含任意两点间的像素相似度差值，而根据灰度矩阵计算相似度矩阵的方式，先计算出数据集中各个点的尺度参数σ_i，所述尺度参数σ_i用以下公式计算：

${\mathrm{\σ}}_i=\frac{1}{m}\underset{d=1}{\overset{m}{\Σ}}\left|\right|x_i-x_d\left|\right|$

其中，xd是数据集X中第d个点的灰度值，m是一个常数，通常设置m＝7；

根据上述计算公式即可计算出数据集X中的各个点的尺度参数σ_i，该数据集中包括n个数，则可计算出n*n个尺度参数，在得到各个点的尺度参数σ_i后，根据所述数据集X和计算出的各个尺度参数，即可计算出所述图像的相似度矩阵A，计算所述图像中任意两个像素点的相似度对应的相似度矩阵的公式为：

A_ij＝exp(-||x_i-x_j||²/σ_iσ_j)，i,j∈(1，n)

其中，A_ij表示相似度矩阵A的任意元素，σ_i，σ_j分别表示数据集中任意点x_i和x_j对应的尺度参数，||x_i-x_j||表示点x_i和x_j的欧氏距离。

根据上述公式，即可计算出相似度矩阵A为：

$\left[\begin{array}{cccc}{A}_{11}& A_{12}& \mathrm{...}& A_{1n}\\ A_{21}& A_{22}& \mathrm{...}& A_{2n}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ A_{n1}& A_{n2}& \mathrm{..}& A_{nn}\end{array}\right]$

同理，在所述相似度矩阵A中，第一行表示数据集中的第一个点分别与数据集中的所有点(第一个点、第二个点、第三个点……最后一个点)的相似度差值，第二行表示数据集中的第二个点与数据集中的所有点(第一个点、第二个点、第三个点……最后一个点)的相似度差值，依次类推，最后一行表示数据集中最后一个点分别与数据集中的所有点(第一个点、第二个点、第三个点……最后一个点)的相似度差值。可以理解的是，在所述相似度矩阵中，对角线上的点A11、A22、A33、…、Ann的值为零。

在本实施例中，由于像素矩阵中各个像素点对应的是RGB值，而根据所述RGB值计算所述图像的相似度矩阵，会影响计算结果的准确性，而灰度矩阵是各个像素点的灰度值对应的矩阵，因此，先将所述图像的像素矩阵转化为灰度矩阵，再根据所述灰度矩阵计算所述图像的相似度矩阵，而不是直接根据像素矩阵计算所述相似度矩阵，从而提高了计算相似度矩阵的准确性。

步骤S30，根据所述相似度矩阵得到所述图像的特征向量矩阵；

具体地，所述步骤S30包括步骤：

步骤c、基于所述相似度矩阵计算所述图像的拉普拉斯矩阵；

计算得到所述相似度矩阵后，根据所述相似度矩阵计算所述图像的拉普拉斯矩阵，所述拉普拉斯矩阵L用以下公式计算：

L＝D^-1/₂AD¹/₂

其中，D为对角矩阵，对角矩阵用以下公式计算：

$D_{ii}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{A}_{ij}$

D表示对角线上的任意元素，也就说计算出所述相似度矩阵后，先计算出对角矩阵，然后根据所述相似度矩阵以及所述对角矩阵，即可计算出图像的拉普拉斯矩阵，所述拉普拉斯矩阵的表现形式为：

$\left[\begin{array}{cccc}{A}_{11}& A_{12}& \mathrm{...}& A_{1n}\\ A_{21}& A_{22}& \mathrm{...}& A_{2n}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ A_{n1}& A_{n2}& \mathrm{..}& A_{nn}\end{array}\right]$

步骤d，对所述拉普拉斯矩阵进行特征分解，得到所述图像的特征向量矩阵。

在得到拉普拉斯矩阵后，对所述拉普拉斯矩阵进行特征分解，设所述特征向量矩阵为V，而所述特征向量矩阵V中的任意一列特性向量为Vi，即V＝[V_iV₂...V_n]，该方法涉及矩阵论中的矩阵特征分解方法，由于拉普拉斯矩阵L是一个N×N的方阵，且有N个线性无关的特征向量V_i(i＝1,...,n)，这样，L可以被分解为L＝V∧V^-1，其中V是N×N方阵，且第i列Vi为L的特征向量。∧是对角矩阵，其对角线上的元素为对应的特征值，也即∧_ij＝λ_i，最终，计算可得到特征向量矩阵[V_iV₂...V_n]。

步骤S40，根据所述特征向量矩阵计算所述图像的熵值矩阵；

在本实施例中，得到所述特征向量矩阵后，计算所述特征向量矩阵对应的熵值矩阵，记为E，以V_i为例，设其对应的熵值矩阵为E_i,则：

$E_i=\underset{x=1}{\overset{n}{\Σ}}\underset{y=1}{\overset{n}{\Σ}}{V}_{i_{xy}}{\mathrm{logV}}_{i_{xy}}+(1-V_{i_{xy}})log(1-V_{i_{xy}})$

那么，熵值矩阵集E为：E＝[E₁,E₂,...,E_i,...,E_n],i∈(1,n)。

步骤S50，计算所述熵值矩阵中的各个熵值的平均值；

根据得到的所述熵值矩阵，先确定所述熵值矩阵中的各个熵值，然后对所述熵值矩阵中的各个熵值求平均值，得到E_mean，计算公式为：

$E_{mean}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{E}_i$

根据上述公式，即可得到平均值E_mean。

步骤S60，根据所述平均值对所述图像进行二值化处理，以确定所述图像的目标区域和背景区域。

在本实施例中，得到所述平均值后，将所述平均值作为标准，与所述图像中各个像素点的像素值进行比对，在像素点的像素值大于所述平均值时，确定像素点为黑色像素点，黑色像素点对应的区域即为目标区域；同理，在像素点的像素值小于所述平均值时，确定像素点为白色像素点，白色像素点对应的区域即为背景区域，最终，确定所述图像的目标区域和背景区域。

本实施例提出的图像处理方法，获取图像的像素矩阵；基于所述图像的像素矩阵，计算所述图像中任意两个像素点的相似度组成的相似度矩阵；根据所述相似度矩阵得到所述图像的特征向量矩阵，然后根据所述特征向量矩阵计算所述图像的熵值矩阵，再计算所述熵值矩阵中的各个熵值的平均值，最后根据所述平均值对所述图像进行二值化处理，以确定所述图像的目标区域和背景区域，本方案根据图像的特征向量矩阵得到熵值矩阵，再根据熵值矩阵中的各个熵值计算出一个平均值，最后将所述平均值与所述图像中的各个像素点进行比对，以确定所述图像的目标区域和背景区域，实现了通过图像具体的特性向量，比如图像的纹理特征、图像的整体走势特征确定图像中的目标区域和背景区域，而不仅仅是根据图像的灰度值确定图像的目标区域和背景区域，使得在图像中目标区域和背景区域的颜色差别不大时，对图像的处理更加准确。

进一步地，为了提高图像处理的准确性，基于第一实施例提出本发明图像处理方法的第二实施例，在本实施例中，参照图2，所述步骤S60之后，所述图像处理方法还包括：

步骤S70，对所述目标区域进行强化插值处理，并对所述背景区域进行稀疏插值处理。

在本实施例中，在确定所述图像的目标区域和背景区域后，分别对图像的目标区域和背景区域做双向插值，即对所述图像的目标区域进行强化插值处理，并对所述图像的背景区域进行稀疏插值处理，以突出所述图像的目标区域和背景区域。

具体的，所述强化插值处理为将所述目标区域的所有点的像素值增加一预设值，当某一点增加后的像素值超过上限像素值时，将该点的像素值记为所述上限像素值，所述稀疏插值处理为将所述背景区域的所有点的像素值固定至一预设值。

为更好理解本实施例，举例如下：

利用九宫格强化方法增强目标区域像素值，如表1所示：

75	5	69
			59	8	234
252	98	241

表1

表1表示的是图像矩阵中目标区域的任一个九宫格，将该九宫格的元素都相应增加像素值10，增加后如果大于等于255的记为255，如表2所示：

85	15	79
			69	18	244
255	108	251

表2

表2为表1中强化后的九宫格像素值。可以理解的是，所述像素值的增加范围为10-15，具体增加多少根据情况而定。

同理，利用九宫格稀疏化方法虚化背景像素值，如表3所示：

230	59	45
			34	35	3
70	56	211

表3

表3表示的是图像矩阵中背景区域的任一个九宫格，将该九宫格的元素都设置成九宫格中心元素35，如表4所示：

35	35	35
			35	35	35
35	35	35

表4

表4为表3中虚化后的九宫格像素值。以此类推，将图像中所有的背景像素点都做如此稀疏化处理。可以理解的是，不一定以中心元素35为设置标准，也可将九宫格的元素都设置成34，只要将九宫格的元素都设置成同一个值即可。

在本实施例中，得到图像的目标区域和背景区域后，进一步对所述图像的目标区域进行强化插值处理，并对所述图像的背景区域进行稀疏插值处理，以突出所述图像的目标区域和背景区域，从而使得图像的目标区域和背景区域区分更加明显，提高了图像处理的准确性。

本发明进一步提供一种图像处理***。

参照图3，图3为本发明图像处理***第一实施例的功能模块示意图。

需要强调的是，对本领域的技术人员来说，图3所示功能模块图仅仅是一个较佳实施例的示例图，本领域的技术人员围绕图3所示的图像处理***的功能模块，可轻易进行新的功能模块的补充；各功能模块的名称是自定义名称，仅用于辅助理解该图像处理***的各个程序功能块，不用于限定本发明的技术方案，本发明技术方案的核心是，各自定义名称的功能模块所要达成的功能。

本实施例提出一种图像处理***，所述图像处理***包括：

获取模块10，用于获取图像的像素矩阵；

在本实施例中，所述获取模块10用于获取图像，所述获取模块获取图像具体为：在图像是车辆行驶过程中的道路图像时，所述获取模块10获取图像可通过车辆预设的摄像头进行获取，所述摄像头可为前景摄像机或全景摄像机；在图像是车牌图像，所述获取模块10获取图像可通过行车记录仪、车牌扫描仪等设备进行获取；在图像为室内或室外的监控图像时，所述获取模块10获取图像可通过监控摄像头进行获取，进一步地，所述获取模块10获取图像还可以获取存储的图像。

在本实施例中，所述获取模块10对获取的所述图像进行分析，以获取所述图像的各个像素点，然后根据所述图像的各个像素点生成所述图像的像素矩阵I，所述像素矩阵I的表现形式为：[I₁I₂I₃...I_n]。

第一计算模块20，用于基于所述图像的像素矩阵，计算所述图像中任意两个像素点的相似度组成的相似度矩阵；

具体地，所述第一计算模块20计算所述图像中任意两个像素点的相似度组成的相似度矩阵的实施方式包括：

1)方式一、在得到所述图像的像素矩阵后，所述第一计算模块20先计算所述像素矩阵中各个像素点的尺度参数σ_i，所述尺度参数σ_i用以下公式计算：

${\mathrm{\σ}}_i=\frac{1}{m}\underset{d=1}{\overset{m}{\Σ}}\mathrm{||}{I}_i-I_d\left|\right|$

其中，Id是所述像素矩阵I中第d个点的像素值，m是一个常数，通常设置m＝7；

根据上述计算公式即可计算出所述像素矩阵I中的第i个点的尺度参数σ_i，由于所述像素矩阵I中包括n个数，则可计算出n*n个尺度参数，在得到各个点的尺度参数σ_i后，根据所述像素矩阵I和计算出的各个尺度参数，所述第一计算模块20即可计算出所述图像的相似度矩阵A，所述第一计算模块20计算所述图像中任意两个像素点的相似度对应的相似度矩阵的公式为：

A_ij＝exp(-||I_i-I_j||²/σ_iσ_j)，i,j∈(1，n)

其中，A_ij表示相似度矩阵A的任意元素，σ_i，σ_j分别表示所述像素矩阵I中任意点Ii和Ij对应的尺度参数，||I_i-I_j||表示点Ii和Ij的欧氏距离。

根据上述公式，即可计算出相似度矩阵A为：

$\left[\begin{array}{cccc}{A}_{11}& A_{12}& \mathrm{...}& A_{1n}\\ A_{21}& A_{22}& \mathrm{...}& A_{2n}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ A_{n1}& A_{n2}& \mathrm{..}& A_{nn}\end{array}\right]$

在所述相似度矩阵A中，第一行表示像素矩阵中的第一个点分别与像素矩阵中的所有点(第一个点、第二个点、第三个点……最后一个点)的相似度差值，第二行表示像素矩阵中的第二个点与像素矩阵中的所有点(第一个点、第二个点、第三个点……最后一个点)的相似度差值，依次类推，最后一行表示像素矩阵中最后一个点分别与像素矩阵中的所有点(第一个点、第二个点、第三个点……最后一个点)的相似度差值。可以理解的是，在所述相似度矩阵中，对角线上的点A11、A22、A33、…、Ann的值为零。

2)方式二、所述第一计算模块20包括：

转化单元，用于将所述图像的像素矩阵转化为灰度矩阵；

第一计算单元，用于根据所述灰度矩阵，计算所述图像中任意两个像素点的相似度组成的相似度矩阵。

在本实施例中，在得到所述图像的像素矩阵后，对所述图像中各个像素点求灰度值，所述对所述图像中各个像素点求灰度值的方法包括：平均值法(即将各个像素点的三原色值求平均值，得到各个像素点的灰度值，Gray＝(R+G+B)/3)、整数方法(即对各个像素点的三原色值进行加权平均，得到各个像素点的三原色值，Gray＝R*0.3+G*0.59+B*0.11)等等。在得到各个点的像素值后，所述转化单元根据上述的算法对像素矩阵中的各个像素点进行计算，得到各个像素点对应的灰度值，最终实现将所述像素矩阵转化为一维的灰度矩阵，所述灰度矩阵用数据集X＝{x₁,x₂,...,x_n}∈R^d表示，其中，所述xi表示数据集中第i个点的灰度值，i∈(1，n)，n为数据集中的数据的个数，d表示数据维数，R代表整个实数集。

在得到所述灰度矩阵X后，所述第一计算单元根据所述灰度矩阵计算所述图像的相似度矩阵，所述相似度矩阵中包含任意两点间的像素相似度差值，而根据灰度矩阵计算相似度矩阵的方式，先计算出数据集中各个点的尺度参数σ_i，所述尺度参数σ_i用以下公式计算：

${\mathrm{\σ}}_i=\frac{1}{m}\underset{d=1}{\overset{m}{\Σ}}\left|\right|x_i-x_d\left|\right|$

其中，xd是数据集X中第d个点的灰度值，m是一个常数，通常设置m＝7；

根据上述计算公式即可计算出数据集X中的各个点的尺度参数σ_i，该数据集中包括n个数，则可计算出n*n个尺度参数，在得到各个点的尺度参数σ_i后，根据所述数据集X和计算出的各个尺度参数，所述第一计算单元即可计算出所述图像的相似度矩阵A，所述第一计算单元计算所述图像中任意两个像素点的相似度对应的相似度矩阵的公式为：

A_ij＝exp(-||x_i-x_j||²/σ_iσ_j)，i,j∈(1，n)

其中，A_ij表示相似度矩阵A的任意元素，σ_i，σ_j分别表示数据集中任意点x_i和x_j对应的尺度参数，||x_i-x_j||表示点x_i和x_j的欧氏距离。

根据上述公式，即可计算出相似度矩阵A为：

$\left[\begin{array}{cccc}{A}_{11}& A_{12}& \mathrm{...}& A_{1n}\\ A_{21}& A_{22}& \mathrm{...}& A_{2n}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ A_{n1}& A_{n2}& \mathrm{..}& A_{nn}\end{array}\right]$

同理，在所述相似度矩阵A中，第一行表示数据集中的第一个点分别与数据集中的所有点(第一个点、第二个点、第三个点……最后一个点)的相似度差值，第二行表示数据集中的第二个点与数据集中的所有点(第一个点、第二个点、第三个点……最后一个点)的相似度差值，依次类推，最后一行表示数据集中最后一个点分别与数据集中的所有点(第一个点、第二个点、第三个点……最后一个点)的相似度差值。可以理解的是，在所述相似度矩阵中，对角线上的点A11、A22、A33、…、Ann的值为零。

在本实施例中，由于像素矩阵中各个像素点对应的是RGB值，而根据所述RGB值计算所述图像的相似度矩阵，会影响计算结果的准确性，而灰度矩阵是各个像素点的灰度值对应的矩阵，因此，先将所述图像的像素矩阵转化为灰度矩阵，再根据所述灰度矩阵计算所述图像的相似度矩阵，而不是直接根据像素矩阵计算所述相似度矩阵，从而提高了计算相似度矩阵的准确性。

第一处理模块30，用于对所述相似度矩阵进行处理，得到所述图像的特征向量矩阵；

具体地，所述第一处理模块30：

第二计算单元，用于基于所述相似度矩阵计算所述图像的拉普拉斯矩阵；

计算得到所述相似度矩阵后，所述第二计算单元根据所述相似度矩阵计算所述图像的拉普拉斯矩阵，所述拉普拉斯矩阵L用以下公式计算：

L＝D^-1/₂AD¹/₂

其中，D为对角矩阵，对角矩阵用以下公式计算：

$D_{ii}=\underset{j=1}{\overset{n}{\Σ}}{A}_{ij}$

D表示对角线上的任意元素，也就说计算出所述相似度矩阵后，所述第二计算单元先计算出对角矩阵，然后根据所述相似度矩阵以及所述对角矩阵，即可计算出图像的拉普拉斯矩阵，所述拉普拉斯矩阵的表现形式为：

$\left[\begin{array}{cccc}{A}_{11}& A_{12}& \mathrm{...}& A_{1n}\\ A_{21}& A_{22}& \mathrm{...}& A_{2n}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ A_{n1}& A_{n2}& \mathrm{..}& A_{nn}\end{array}\right]$

特征分解单元，用于对所述拉普拉斯矩阵进行特征分解，得到所述图像的特征向量矩阵。

在得到拉普拉斯矩阵后，所述特征分解单元对所述拉普拉斯矩阵进行特征分解，设所述特征向量矩阵为V，而所述特征向量矩阵V中的任意一列特性向量为Vi，即V＝[V_iV₂...V_n]，该方法涉及矩阵论中的矩阵特征分解方法，由于拉普拉斯矩阵L是一个N×N的方阵，且有N个线性无关的特征向量V_i(i＝1,...,n)，这样，L可以被分解为L＝V∧V^-1，其中V是N×N方阵，且第i列Vi为L的特征向量。∧是对角矩阵，其对角线上的元素为对应的特征值，也即∧_ij＝λ_i，最终，计算可得到特征向量矩阵[V_iV₂...V_n]。

第二计算模块40，用于根据所述特征向量矩阵计算所述图像的熵值矩阵；

在本实施例中，得到所述特征向量矩阵后，所述第二计算模块40计算所述特征向量矩阵对应的熵值矩阵，记为E，以V_i为例，设其对应的熵值矩阵为E_i,则：

$E_i=\underset{x=1}{\overset{n}{\Σ}}\underset{y=1}{\overset{n}{\Σ}}{V}_{i_{xy}}{\mathrm{logV}}_{i_{xy}}+(1-V_{i_{xy}})log(1-V_{i_{xy}})$

那么，熵值矩阵集E为：E＝[E₁,E₂,...,E_i,...,E_n],i∈(1,n)。

第三计算模块50，用于计算所述熵值矩阵中的各个熵值的平均值；

根据得到的所述熵值矩阵，先确定所述熵值矩阵中的各个熵值，然后所述第三计算模块50对所述熵值矩阵中的各个熵值求平均值，得到E_mean，计算公式为：

$E_{mean}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{E}_i$

根据上述公式，即可得到平均值E_mean。

第二处理模块60，用于根据所述平均值对所述图像进行二值化处理，以确定所述图像的目标区域和背景区域。

在本实施例中，得到所述平均值后，所述第二处理模块60将所述平均值作为标准，与所述图像中各个像素点的像素值进行比对，在像素点的像素值大于所述平均值时，确定像素点为黑色像素点，黑色像素点对应的区域即为目标区域；同理，在像素点的像素值小于所述平均值时，确定像素点为白色像素点，白色像素点对应的区域即为背景区域，最终，确定所述图像的目标区域和背景区域。

本实施例提出的图像处理***，获取图像的像素矩阵；基于所述图像的像素矩阵，计算所述图像中任意两个像素点的相似度组成的相似度矩阵；根据所述相似度矩阵得到所述图像的特征向量矩阵，然后根据所述特征向量矩阵计算所述图像的熵值矩阵，再计算所述熵值矩阵中的各个熵值的平均值，最后根据所述平均值对所述图像进行二值化处理，以确定所述图像的目标区域和背景区域，本方案根据图像的特征向量矩阵得到熵值矩阵，再根据熵值矩阵中的各个熵值计算出一个平均值，最后将所述平均值与所述图像中的各个像素点进行比对，以确定所述图像的目标区域和背景区域，实现了通过图像具体的特性向量，比如图像的纹理特征、图像的整体走势特征确定图像中的目标区域和背景区域，而不仅仅是根据图像的灰度值确定图像的目标区域和背景区域，使得在图像中目标区域和背景区域的颜色差别不大时，对图像的处理更加准确。

进一步地，为了提高图像处理的准确性，基于第一实施例提出本发明图像处理***的第二实施例，在本实施例中，参照图4，所述图像处理***还包括：

第三处理模块70，用于对所述目标区域进行强化插值处理，并对所述背景区域进行稀疏插值处理。

在本实施例中，在确定所述图像的目标区域和背景区域后，所述第三处理模块70分别对图像的目标区域和背景区域做双向插值，即对所述图像的目标区域进行强化插值处理，并对所述图像的背景区域进行稀疏插值处理，以突出所述图像的目标区域和背景区域。

具体地，所述强化插值处理为将所述目标区域的所有点的像素值均增加一预设值，当某一点增加后的像素值超过上限像素值时，将该点的像素值记为所述上限像素值；

所述稀疏插值处理为将所述背景区域的所有点的像素值固定至一预设值。

为更好理解本实施例，举例如下：

利用九宫格强化方法增强目标区域像素值，如表1所示：

75	5	69
			59	8	234
252	98	241

表1

表1表示的是图像矩阵中目标区域的任一个九宫格，将该九宫格的元素都相应增加像素值10，增加后如果大于等于255的记为255，如表2所示：

85	15	79
			69	18	244
255	108	251

表2

表2为表1中强化后的九宫格像素值。可以理解的是，所述像素值的增加范围为10-15，具体增加多少根据情况而定。

同理，利用九宫格稀疏化方法虚化背景像素值，如表3所示：

230	59	45
			34	35	3
70	56	211

表3

表3表示的是图像矩阵中背景区域的任一个九宫格，将该九宫格的元素都设置成九宫格中心元素35，如表4所示：

35	35	35
			35	35	35
35	35	35

表4

表4为表3中虚化后的九宫格像素值。以此类推，将图像中所有的背景像素点都做如此稀疏化处理。可以理解的是，不一定以中心元素35为设置标准，也可将九宫格的元素都设置成34，只要将九宫格的元素都设置成同一个值即可。

在本实施例中，得到图像的目标区域和背景区域后，进一步对所述图像的目标区域进行强化插值处理，并对所述图像的背景区域进行稀疏插值处理，以突出所述图像的目标区域和背景区域，从而使得图像的目标区域和背景区域区分更加明显，提高了图像处理的准确性。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

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上述实施例方法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，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种图像处理方法，其特征在于，所述图像处理方法包括以下步骤：

获取图像的像素矩阵；

基于所述图像的像素矩阵，计算所述图像中任意两个像素点的相似度组成的相似度矩阵；

根据所述相似度矩阵得到所述图像的特征向量矩阵；

根据所述特征向量矩阵计算所述图像的熵值矩阵；

计算所述熵值矩阵中的各个熵值的平均值；

根据所述平均值对所述图像进行二值化处理，以确定所述图像的目标区域和背景区域。

2.如权利要求1所述的图像处理方法，其特征在于，所述基于所述图像的像素矩阵，计算所述图像中任意两个像素点的相似度组成的相似度矩阵的步骤包括：

将所述图像的像素矩阵转化为灰度矩阵；

根据所述灰度矩阵，计算所述图像中任意两个像素点的相似度组成的相似度矩阵。

3.如权利要求1所述的图像处理方法，其特征在于，所述根据所述相似度矩阵得到所述图像的特征向量矩阵的步骤包括：

基于所述相似度矩阵计算所述图像的拉普拉斯矩阵；

对所述拉普拉斯矩阵进行特征分解，得到所述图像的特征向量矩阵。

4.如权利要求1-3任一项所述的图像处理方法，其特征在于，所述根据所述平均值对所述图像进行二值化处理，以确定所述图像的目标区域和背景区域的步骤之后，所述图像处理方法还包括：

对所述目标区域进行强化插值处理，并对所述背景区域进行稀疏插值处理。

5.如权利要求4所述的图像处理方法，其特征在于，所述强化插值处理为将所述目标区域的所有点的像素值均增加一预设值，当某一点增加后的像素值超过上限像素值时，将该点的像素值记为所述上限像素值；

所述稀疏插值处理为将所述背景区域的所有点的像素值固定至一预设值。

6.一种图像处理***，其特征在于，所述图像处理***包括：

获取模块，用于获取图像的像素矩阵；

第一计算模块，用于基于所述图像的像素矩阵，计算所述图像中任意两个像素点的相似度组成的相似度矩阵；

第一处理模块，用于对所述相似度矩阵进行处理，得到所述图像的特征向量矩阵；

第二计算模块，用于根据所述特征向量矩阵计算所述图像的熵值矩阵；

第三计算模块，用于计算所述熵值矩阵中的各个熵值的平均值；

第二处理模块，用于根据所述平均值对所述图像进行二值化处理，以确定所述图像的目标区域和背景区域。

7.如权利要求6所述的图像处理***，其特征在于，所述第一计算模块包括：

转化单元，用于将所述图像的像素矩阵转化为灰度矩阵；

第一计算单元，用于根据所述灰度矩阵，计算所述图像中任意两个像素点的相似度组成的相似度矩阵。

8.如权利要求6所述的图像处理***，其特征在于，所述第一处理模块包括：

第二计算单元，用于基于所述相似度矩阵计算所述图像的拉普拉斯矩阵；

特征分解单元，用于对所述拉普拉斯矩阵进行特征分解，得到所述图像的特征向量矩阵。

9.如权利要求6-8任一项所述的图像处理***，其特征在于，所述图像处理***还包括：

第三处理模块，用于对所述目标区域进行强化插值处理，并对所述背景区域进行稀疏插值处理。

10.如权利要求9所述的图像处理***，其特征在于，所述强化插值处理为将所述目标区域的所有点的像素值均增加一预设值，当某一点增加后的像素值超过上限像素值时，将该点的像素值记为所述上限像素值；

所述稀疏插值处理为将所述背景区域的所有点的像素值固定至一预设值。