CN110992387B - 一种图像处理方法、装置及电子设备和存储介质 - Google Patents

一种图像处理方法、装置及电子设备和存储介质 Download PDF

Info

Publication number
CN110992387B
CN110992387B CN201911088672.1A CN201911088672A CN110992387B CN 110992387 B CN110992387 B CN 110992387B CN 201911088672 A CN201911088672 A CN 201911088672A CN 110992387 B CN110992387 B CN 110992387B
Authority
CN
China
Prior art keywords
matrix
image
processed
variance
binarization
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
CN201911088672.1A
Other languages
English (en)
Other versions
CN110992387A (zh
Inventor
金良
范宝余
张润泽
郭振华
赵雅倩
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.)
Inspur Electronic Information Industry Co Ltd
Original Assignee
Inspur Electronic Information Industry 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 Inspur Electronic Information Industry Co Ltd filed Critical Inspur Electronic Information Industry Co Ltd
Priority to CN201911088672.1A priority Critical patent/CN110992387B/zh
Publication of CN110992387A publication Critical patent/CN110992387A/zh
Application granted granted Critical
Publication of CN110992387B publication Critical patent/CN110992387B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/194Segmentation; Edge detection involving foreground-background segmentation

Landscapes

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

Abstract

本申请公开了一种图像处理方法、装置及一种电子设备和计算机可读存储介质,该方法包括:获取待处理图像,并根据所述待处理图像的尺寸和滑动窗口的尺寸计算所述待处理图像对应的均值矩阵和方差矩阵;基于所述均值矩阵和方差矩阵计算所述待处理图像中每个像素点对应的二值化阈值;利用所述二值化阈值对每个所述像素点进行处理,得到处理完成的二值化图像。本申请提供的图像处理方法,引入矩阵相关操作,将原有基于整幅图像的单点计算均值和方差的操作改进为基于整幅图像的操作,提高了局部自适应阈值二值化的效率。

Description

一种图像处理方法、装置及电子设备和存储介质
技术领域
本申请涉及图像处理技术领域,更具体地说,涉及一种图像处理方法、装置及一种电子设备和一种计算机可读存储介质。
背景技术
图像二值化被广泛应用图像处理中,原始图像经灰度化、二值化处理之后,可以将原始图像中大量无用信息过滤,保留有用信息。图像二值化分为全局阈值二值化和局部自适应阈值二值化。全局阈值二值化是指根据整幅图像相关信息计算出一个或多个阈值,然后利用阈值将整幅图像做二分类的分割,例如大于阈值为前景,小于阈值为背景。局部自适应阈值二值化是根据图像中当前点位置,在其邻域内计算出阈值,然后依此阈值判断当前点属于前景还是背景。
在相关技术中,局部自适应阈值二值化基于单点处理方式,处理流程稍许复杂,再加之随着计算机硬件资源以及相关芯片的快速发展,依靠单点处理方式大大会制约算法的效率。
因此,如何提高局部自适应阈值二值化的效率是本领域技术人员需要解决的技术问题。
发明内容
本申请的目的在于提供一种图像处理方法、装置及一种电子设备和一种计算机可读存储介质,提高了局部自适应阈值二值化的效率。
为实现上述目的,本申请提供了一种图像处理方法,包括:
获取待处理图像,并根据所述待处理图像的尺寸和滑动窗口的尺寸计算所述待处理图像对应的均值矩阵和方差矩阵;
基于所述均值矩阵和方差矩阵计算所述待处理图像中每个像素点对应的二值化阈值;
利用所述二值化阈值对每个所述像素点进行处理,得到处理完成的二值化图像。
其中,所述根据所述待处理图像的尺寸和滑动窗口的尺寸计算所述待处理图像对应的均值矩阵和方差矩阵,包括:
确定所述待处理图像对应的二次方矩阵、行矩阵和列矩阵;其中,所述行矩阵为m×m的矩阵,m为所述待处理图像的宽度,所述列矩阵为n×n的矩阵,n为所述待处理图像的高度,所述行矩阵和所述列矩阵中第i行第j列的元素为1,其余元素为0,|i-j|≤[s/2],s为所述滑动窗口的宽度或高度;
将所述待处理图像与所述行矩阵的乘积作为第一中间矩阵,将所述第一中间矩阵与所述列矩阵的乘积作为所述均值矩阵;
将所述二次方矩阵与所述行矩阵的乘积作为第二中间矩阵,将所述第二中间矩阵与所述列矩阵的乘积作为所述方差矩阵。
其中,所述基于所述均值矩阵和方差矩阵计算所述待处理图像中每个像素点对应的二值化阈值,包括:
基于目标公式计算所述待处理图像中每个像素点对应的二值化阈值;其中,所述目标公式具体为:
Figure BDA0002266217520000021
其中,T为所述二值化阈值,m为根据所述均值矩阵确定的所述像素点的均值,S为根据所述所述方差矩阵确定的所述像素点的方差,k为常量,R为预设灰度级。
其中,所述利用所述二值化阈值对每个所述像素点进行处理,得到处理完成的二值化图像,包括:
将所述待处理图像中像素值大于或等于对应的二值化阈值的像素点作为前景,将所述待处理图像中像素值小于对应的二值化阈值的像素点作为背景,以便得到处理完成的二值化图像。
为实现上述目的,本申请提供了一种图像处理装置,包括:
获取模块,用于获取待处理图像,并根据所述待处理图像的尺寸和滑动窗口的尺寸计算所述待处理图像对应的均值矩阵和方差矩阵;
计算模块,用于基于所述均值矩阵和方差矩阵计算所述待处理图像中每个像素点对应的二值化阈值;
处理模块,用于利用所述二值化阈值对每个所述像素点进行处理,得到处理完成的二值化图像。
其中,所述获取模块包括:
获取单元,用于获取待处理图像;
确定单元,用于确定所述待处理图像对应的二次方矩阵、行矩阵和列矩阵;其中,所述行矩阵为m×m的矩阵,m为所述待处理图像的宽度,所述列矩阵为n×n的矩阵,n为所述待处理图像的高度,所述行矩阵和所述列矩阵中第i行第j列的元素为1,其余元素为0,|i-j|≤[s/2],s为所述滑动窗口的宽度或高度;
第一计算单元,用于将所述待处理图像与所述行矩阵的乘积作为第一中间矩阵,将所述第一中间矩阵与所述列矩阵的乘积作为所述均值矩阵;
第二计算单元,用于将所述二次方矩阵与所述行矩阵的乘积作为第二中间矩阵,将所述第二中间矩阵与所述列矩阵的乘积作为所述方差矩阵。
其中,所述计算模块具体为基于目标公式计算所述待处理图像中每个像素点对应的二值化阈值的模块;其中,所述目标公式具体为:
Figure BDA0002266217520000031
其中,T为所述二值化阈值,m为根据所述均值矩阵确定的所述像素点的均值,S为根据所述所述方差矩阵确定的所述像素点的方差,k为常量,R为预设灰度级。
其中,所述处理模块具体为将所述待处理图像中像素值大于或等于对应的二值化阈值的像素点作为前景,将所述待处理图像中像素值小于对应的二值化阈值的像素点作为背景,以便得到处理完成的二值化图像的模块。
为实现上述目的,本申请提供了一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述图像处理方法的步骤。
为实现上述目的,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述图像处理方法的步骤。
通过以上方案可知,本申请提供的一种图像处理方法,包括:获取待处理图像,并根据所述待处理图像的尺寸和滑动窗口的尺寸计算所述待处理图像对应的均值矩阵和方差矩阵;基于所述均值矩阵和方差矩阵计算所述待处理图像中每个像素点对应的二值化阈值;利用所述二值化阈值对每个所述像素点进行处理,得到处理完成的二值化图像。
本申请提供的图像处理方法,引入矩阵相关操作,将原有基于整幅图像的单点计算均值和方差的操作改进为基于整幅图像的操作,提高了局部自适应阈值二值化的效率。本申请还公开了一种图像处理装置及一种电子设备和一种计算机可读存储介质,同样能实现上述技术效果。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例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,下面描述中的附图仅仅是本申请的一些实施例,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。附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1为根据一示例性实施例示出的一种图像处理方法的流程图;
图2为根据一示例性实施例示出的另一种图像处理方法的流程图;
图3为一种待处理图像;
图4为图3对应的扩充图像;
图5为图3对应的行矩阵;
图6为图3对应的列矩阵;
图7为一种行操作结果;
图8为一种列操作结果;
图9为根据一示例性实施例示出的一种图像处理装置的结构图;
图10为根据一示例性实施例示出的一种电子设备的结构图。
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,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例公开了一种图像处理方法,提高了局部自适应阈值二值化的效率。
参见图1,根据一示例性实施例示出的一种图像处理方法的流程图,如图1所示,包括:
S101:获取待处理图像,并根据所述待处理图像的尺寸和滑动窗口的尺寸计算所述待处理图像对应的均值矩阵和方差矩阵;
在本实施例中,通过矩阵操作对待处理图像进行整体处理,得到其对应的均值矩阵和方差矩阵,相对于单点操作,提高了局部自适应阈值二值化的效率。
具体的,所述根据所述待处理图像的尺寸和滑动窗口的尺寸计算所述待处理图像对应的均值矩阵和方差矩阵的步骤包括:确定所述待处理图像对应的二次方矩阵、行矩阵和列矩阵;其中,所述行矩阵为m×m的矩阵,m为所述待处理图像的宽度,所述列矩阵为n×n的矩阵,n为所述待处理图像的高度,所述行矩阵和所述列矩阵中第i行第j列的元素为1,其余元素为0,|i-j|≤[s/2],s为所述滑动窗口的宽度或高度;将所述待处理图像与所述行矩阵的乘积作为第一中间矩阵,将所述第一中间矩阵与所述列矩阵的乘积作为所述均值矩阵;将所述二次方矩阵与所述行矩阵的乘积作为第二中间矩阵,将所述第二中间矩阵与所述列矩阵的乘积作为所述方差矩阵。
在具体实施中,为了保证通过行操作与列操作之后结果图像与原始图像尺寸相同,因此需要根据滑动窗口的尺寸分别对待处理图像进行宽度和高度方向上的填充,每侧填充的行数或列数[s/2],s为滑动窗口的宽度或高度,填充值为0。例如,待处理图像的高度为8,宽度为10,滑动窗口的尺寸为5×5,则填充后的图像的尺寸为12×14。
行矩阵和列矩阵的尺寸分别为m×m和n×n,m和n分别为待处理图像的宽度和高度。行矩阵和列矩阵为主对角线对称的矩阵,矩阵中第i行第j列的元素为1,其余元素为0,|i-j|≤[s/2]。在具体实施中,矩阵中的主对角线为1,以主对角线为中心分别向上、向下填充1,填充的宽度不超过[s/2]。在上述举出的例子中,坐标为(1,1)、(1,2)、(1,3)、(2,1)、(2,2)、(2,3)、(2,4)等的像素点为1,其余的像素点为0。
待处理图像与行矩阵相乘的结果为行操作结果,行操作结果与列矩阵相乘的结果为列操作结果,该列矩阵操作结果即为均值结果。将待处理图像中的每个像素点取平方值,得到二次方矩阵,将该二次方矩阵与行矩阵相乘,再与列矩阵相乘,得到方差矩阵。
S102:基于所述均值矩阵和方差矩阵计算所述待处理图像中每个像素点对应的二值化阈值;
在本步骤中,对于每个像素点,利用均值矩阵确定该像素点的均值,利用方差矩阵确定该像素点的方差,基于均值和方差计算得到该像素点对应的二值化阈值。
具体的,本步骤包括:基于目标公式计算所述待处理图像中每个像素点对应的二值化阈值;其中,所述目标公式具体为:
Figure BDA0002266217520000061
其中,T为所述二值化阈值,m为根据所述均值矩阵确定的所述像素点的均值,S为根据所述所述方差矩阵确定的所述像素点的方差,k为常量,R为预设灰度级。
S103:利用所述二值化阈值对每个所述像素点进行处理,得到处理完成的二值化图像。
在本步骤中,将所述待处理图像中像素值大于或等于对应的二值化阈值的像素点作为前景,将所述待处理图像中像素值小于对应的二值化阈值的像素点作为背景,以便得到处理完成的二值化图像。
本申请实施例提供的图像处理方法,引入矩阵相关操作,将原有基于整幅图像的单点计算均值和方差的操作改进为基于整幅图像的操作,提高了局部自适应阈值二值化的效率。
本申请实施例公开了一种图像处理方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。具体的:
参见图2,根据一示例性实施例示出的另一种图像处理方法的流程图,如图2所示,包括:
S201:获取待处理图像,确定所述待处理图像对应的二次方矩阵、行矩阵和列矩阵;
其中,所述行矩阵为m×m的矩阵,m为所述待处理图像的宽度,所述列矩阵为n×n的矩阵,n为所述待处理图像的高度,所述行矩阵和所述列矩阵中第i行第j列的元素为1,其余元素为0,|i-j|≤[s/2],s为所述滑动窗口的宽度或高度;
S202:将所述待处理图像与所述行矩阵的乘积作为第一中间矩阵,将所述第一中间矩阵与所述列矩阵的乘积作为所述均值矩阵;
S203:将所述二次方矩阵与所述行矩阵的乘积作为第二中间矩阵,将所述第二中间矩阵与所述列矩阵的乘积作为所述方差矩阵。
S204:基于目标公式计算所述待处理图像中每个像素点对应的二值化阈值;
其中,所述目标公式具体为:
Figure BDA0002266217520000071
其中,T为所述二值化阈值,m为根据所述均值矩阵确定的所述像素点的均值,S为根据所述所述方差矩阵确定的所述像素点的方差,k为常量,R为预设灰度级。
S205:将所述待处理图像中像素值大于或等于对应的二值化阈值的像素点作为前景,将所述待处理图像中像素值小于对应的二值化阈值的像素点作为背景,以便得到处理完成的二值化图像。
由此可见,相对于基于单点操作的Sauvola算法,本实施例将图像基于单点操作修改为基于整幅图像的矩阵操作,通过预先计算灰度级的平方,根据待处理图像的尺寸以及滑动窗口尺寸计算待处理图像对应的行矩阵和列矩阵,然后对整幅图像进行行操作以及列操作,得到待处理图像中每个像素点在自适应窗口的均值和平方差,接着得到每个像素点的二值化阈值,最后利用待处理图像中每个像素点的像素值与其对应的二值化阈值直接比较得到最终二值化结果。整个操作是基于整幅图像操作,在计算均值和平方差时,是基于自适应窗口,因此,在时间复杂度和空间复杂度都比较低,大大提高Sauvola算法运行速度。
下面介绍本申请提供的一种应用实施例,若输入的待处理图像如图3所示,高度为8,宽度为10,滑动窗口的尺寸为5×5。首先对待处理图像进行扩充,得到扩充图像如图4所示,以便进行均值和方差计算。
利用下述的matlab算法计算待处理图像的行矩阵和列矩阵:
Figure BDA0002266217520000081
其中,计算行矩阵时,S为待处理图像的宽度即10,s为滑动窗口的宽度即5,输出的m即为行矩阵。计算列矩阵时,S为待处理图像的高度即8,s为滑动窗口的高度即5,输出的m即为列矩阵。计算得到的行矩阵如图5所示,列矩阵如图6所示。
待处理图像与行矩阵的乘积,即行操作结果如图7所示,行操作结果与列矩阵的乘积,即列矩阵操作结果如图8所示,图8即为均值矩阵。
将待处理图像中的每个像素点取平方值,得到二次方矩阵,将该二次方矩阵与行矩阵相乘,再与列矩阵相乘,得到方差矩阵。
基于均值矩阵和方差矩阵计算待处理图像中每个像素点的二值化阈值,若像素值大于或等于二值化阈值,则该像素点为前景,若像素值小于二值化阈值,则该像素点为背景。
下面对本申请实施例提供的一种图像处理装置进行介绍,下文描述的一种图像处理装置与上文描述的一种图像处理方法可以相互参照。
参见图9,根据一示例性实施例示出的一种图像处理装置的结构图,如图9所示,包括:
获取模块901,用于获取待处理图像,并根据所述待处理图像的尺寸和滑动窗口的尺寸计算所述待处理图像对应的均值矩阵和方差矩阵;
计算模块902,用于基于所述均值矩阵和方差矩阵计算所述待处理图像中每个像素点对应的二值化阈值;
处理模块903,用于利用所述二值化阈值对每个所述像素点进行处理,得到处理完成的二值化图像。
本申请实施例提供的图像处理装置,引入矩阵相关操作,将原有基于整幅图像的单点计算均值和方差的操作改进为基于整幅图像的操作,提高了局部自适应阈值二值化的效率。
在上述实施例的基础上,作为一种优选实施方式,所述获取模块901包括:
获取单元,用于获取待处理图像;
确定单元,用于确定所述待处理图像对应的二次方矩阵、行矩阵和列矩阵;其中,所述行矩阵为m×m的矩阵,m为所述待处理图像的宽度,所述列矩阵为n×n的矩阵,n为所述待处理图像的高度,所述行矩阵和所述列矩阵中第i行第j列的元素为1,其余元素为0,|i-j|≤[s/2],s为所述滑动窗口的宽度或高度;
第一计算单元,用于将所述待处理图像与所述行矩阵的乘积作为第一中间矩阵,将所述第一中间矩阵与所述列矩阵的乘积作为所述均值矩阵;
第二计算单元,用于将所述二次方矩阵与所述行矩阵的乘积作为第二中间矩阵,将所述第二中间矩阵与所述列矩阵的乘积作为所述方差矩阵。
在上述实施例的基础上,作为一种优选实施方式,所述计算模块902具体为基于目标公式计算所述待处理图像中每个像素点对应的二值化阈值的模块;其中,所述目标公式具体为:
Figure BDA0002266217520000101
其中,T为所述二值化阈值,m为根据所述均值矩阵确定的所述像素点的均值,S为根据所述所述方差矩阵确定的所述像素点的方差,k为常量,R为预设灰度级。
在上述实施例的基础上,作为一种优选实施方式,所述处理模块903具体为将所述待处理图像中像素值大于或等于对应的二值化阈值的像素点作为前景,将所述待处理图像中像素值小于对应的二值化阈值的像素点作为背景,以便得到处理完成的二值化图像的模块。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本申请还提供了一种电子设备,参见图10,本申请实施例提供的一种电子设备的结构图,如图10所示,可以包括处理器11和存储器12。该电子设备还可以包括多媒体组件13,输入/输出(I/O)接口14,以及通信组件15中的一者或多者。
其中,处理器11用于控制该电子设备的整体操作,以完成上述的图像处理方法中的全部或部分步骤。存储器12用于存储各种类型的数据以支持在该电子设备的操作,这些数据例如可以包括用于在该电子设备上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器12可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件13可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器12或通过通信组件15发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口14为处理器11和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件15用于该电子设备与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near Field Communication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件15可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,电子设备可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的图像处理方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述图像处理方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器12,上述程序指令可由电子设备的处理器11执行以完成上述的图像处理方法。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他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、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (6)

1.一种图像处理方法,其特征在于,包括:
获取待处理图像,并根据所述待处理图像的尺寸和滑动窗口的尺寸计算所述待处理图像对应的均值矩阵和方差矩阵;
基于所述均值矩阵和方差矩阵计算所述待处理图像中每个像素点对应的二值化阈值;
利用所述二值化阈值对每个所述像素点进行处理,得到处理完成的二值化图像;
其中,所述根据所述待处理图像的尺寸和滑动窗口的尺寸计算所述待处理图像对应的均值矩阵和方差矩阵,包括:
确定所述待处理图像对应的二次方矩阵、行矩阵和列矩阵;其中,将所述待处理图像中的每个像素点取平方值得到所述二次方矩阵,所述行矩阵为m×m的矩阵,m为所述待处理图像的宽度,所述列矩阵为n×n的矩阵,n为所述待处理图像的高度,所述行矩阵和所述列矩阵中第i行第j列的元素为1,其余元素为0,
Figure DEST_PATH_IMAGE002
,s为所述滑动窗口的宽度或高度;
将所述待处理图像与所述行矩阵的乘积作为第一中间矩阵,将所述第一中间矩阵与所述列矩阵的乘积作为所述均值矩阵;
将所述二次方矩阵与所述行矩阵的乘积作为第二中间矩阵,将所述第二中间矩阵与所述列矩阵的乘积作为所述方差矩阵;
其中,所述基于所述均值矩阵和方差矩阵计算所述待处理图像中每个像素点对应的二值化阈值,包括:
基于目标公式计算所述待处理图像中每个像素点对应的二值化阈值;其中,所述目标公式具体为:
Figure DEST_PATH_IMAGE004
其中,T为所述二值化阈值,m为根据所述均值矩阵确定的所述像素点的均值,S为根据所述方差矩阵确定的所述像素点的方差,k为常量,R为预设灰度级。
2.根据权利要求1所述图像处理方法,其特征在于,所述利用所述二值化阈值对每个所述像素点进行处理,得到处理完成的二值化图像,包括:
将所述待处理图像中像素值大于或等于对应的二值化阈值的像素点作为前景,将所述待处理图像中像素值小于对应的二值化阈值的像素点作为背景,以便得到处理完成的二值化图像。
3.一种图像处理装置,其特征在于,包括:
获取模块,用于获取待处理图像,并根据所述待处理图像的尺寸和滑动窗口的尺寸计算所述待处理图像对应的均值矩阵和方差矩阵;
计算模块,用于基于所述均值矩阵和方差矩阵计算所述待处理图像中每个像素点对应的二值化阈值;
处理模块,用于利用所述二值化阈值对每个所述像素点进行处理,得到处理完成的二值化图像;
其中,所述获取模块包括:
获取单元,用于获取待处理图像;
确定单元,用于确定所述待处理图像对应的二次方矩阵、行矩阵和列矩阵;其中,将所述待处理图像中的每个像素点取平方值得到所述二次方矩阵,所述行矩阵为m×m的矩阵,m为所述待处理图像的宽度,所述列矩阵为n×n的矩阵,n为所述待处理图像的高度,所述行矩阵和所述列矩阵中第i行第j列的元素为1,其余元素为0,
Figure DEST_PATH_IMAGE005
,s为所述滑动窗口的宽度或高度;
第一计算单元,用于将所述待处理图像与所述行矩阵的乘积作为第一中间矩阵,将所述第一中间矩阵与所述列矩阵的乘积作为所述均值矩阵;
第二计算单元,用于将所述二次方矩阵与所述行矩阵的乘积作为第二中间矩阵,将所述第二中间矩阵与所述列矩阵的乘积作为所述方差矩阵;
其中,所述计算模块具体为基于目标公式计算所述待处理图像中每个像素点对应的二值化阈值的模块;其中,所述目标公式具体为:
Figure 80807DEST_PATH_IMAGE004
其中,T为所述二值化阈值,m为根据所述均值矩阵确定的所述像素点的均值,S为根据所述方差矩阵确定的所述像素点的方差,k为常量,R为预设灰度级。
4.根据权利要求3所述图像处理装置,其特征在于,所述处理模块具体为将所述待处理图像中像素值大于或等于对应的二值化阈值的像素点作为前景,将所述待处理图像中像素值小于对应的二值化阈值的像素点作为背景,以便得到处理完成的二值化图像的模块。
5.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1或2所述图像处理方法的步骤。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1或2所述图像处理方法的步骤。
CN201911088672.1A 2019-11-08 2019-11-08 一种图像处理方法、装置及电子设备和存储介质 Active CN110992387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911088672.1A CN110992387B (zh) 2019-11-08 2019-11-08 一种图像处理方法、装置及电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911088672.1A CN110992387B (zh) 2019-11-08 2019-11-08 一种图像处理方法、装置及电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN110992387A CN110992387A (zh) 2020-04-10
CN110992387B true CN110992387B (zh) 2022-06-10

Family

ID=70083648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911088672.1A Active CN110992387B (zh) 2019-11-08 2019-11-08 一种图像处理方法、装置及电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN110992387B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113034389B (zh) * 2021-03-17 2023-07-25 武汉联影智融医疗科技有限公司 图像处理方法、装置、计算机设备和存储介质
CN112967331B (zh) * 2021-03-25 2021-12-17 北京的卢深视科技有限公司 一种图像处理的方法、电子设备及存储介质

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100561504C (zh) * 2005-12-22 2009-11-18 佳能株式会社 文档的自适应二值化方法和设备
US8947736B2 (en) * 2010-11-15 2015-02-03 Konica Minolta Laboratory U.S.A., Inc. Method for binarizing scanned document images containing gray or light colored text printed with halftone pattern
US9025897B1 (en) * 2013-04-05 2015-05-05 Accusoft Corporation Methods and apparatus for adaptive auto image binarization
CN104200211A (zh) * 2014-09-03 2014-12-10 腾讯科技(深圳)有限公司 图像二值化方法及装置
CN105608708A (zh) * 2016-03-02 2016-05-25 浙江宇视科技有限公司 基于分块平面拟合的图像二值化方法及装置
CN106529534A (zh) * 2016-11-07 2017-03-22 湖南源信光电科技有限公司 一种基于混合倾斜校正和投影法的不定长车牌字符分割方法
CN106772379B (zh) * 2017-03-22 2019-08-02 西安电子科技大学 基于傅里叶变换的双参数cfar舰船检测方法
CN107610132B (zh) * 2017-08-28 2021-12-31 西北民族大学 一种古籍文档图像污渍去除方法
CN107945200B (zh) * 2017-12-14 2021-08-03 中南大学 图像二值化分割方法
CN108509819A (zh) * 2018-03-07 2018-09-07 中山大学 一种用于光照不均匀的二维码二值化方法
CN108763997A (zh) * 2018-04-13 2018-11-06 广州中大微电子有限公司 一种基于交叉方向快速二值化的二维码降噪方法及***
CN108960259A (zh) * 2018-07-12 2018-12-07 浙江工业大学 一种基于hsv的车牌预处理方法

Also Published As

Publication number Publication date
CN110992387A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
CN108229360B (zh) 一种图像处理的方法、设备及存储介质
CN108885787B (zh) 训练图像修复模型的方法、图像修复方法、装置、介质及设备
CN109035158B (zh) 图像模糊处理方法、装置、存储介质及电子设备
CN108875519B (zh) 对象检测方法、装置和***及存储介质
CN110992387B (zh) 一种图像处理方法、装置及电子设备和存储介质
CN108986100B (zh) 影像切割方法及装置
CN109658346B (zh) 图像修复方法、装置、计算机可读存储介质及电子设备
CN109492531B (zh) 人脸图像关键点提取方法、装置、存储介质及电子设备
KR102389766B1 (ko) 이미지 처리 방법 및 장치, 전자 기기 및 저장 매체
CN109697446B (zh) 图像关键点提取方法、装置、可读存储介质及电子设备
CN112084959B (zh) 一种人群图像处理方法及装置
CN111145202B (zh) 模型生成方法、图像处理方法、装置、设备及存储介质
CN111709415B (zh) 目标检测方法、装置、计算机设备和存储介质
CN111783692A (zh) 一种动作识别方法、装置及电子设备和存储介质
CN115456167A (zh) 轻量级模型训练方法、图像处理方法、装置及电子设备
CN108596120B (zh) 一种基于深度学习的目标检测方法和装置
CN113971732A (zh) 小目标检测方法、装置、可读存储介质及电子设备
CN111860287A (zh) 一种目标检测方法及装置、存储介质
CN107977923B (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
CN110809083B (zh) 一种移动终端信息提醒的方法、移动终端及存储介质
JP2007157112A (ja) 累積和基盤の変化点分析を利用した虹彩認識方法及びその装置
CN112561050A (zh) 一种神经网络模型训练方法及装置
CN113807407B (zh) 目标检测模型训练方法、模型性能检测方法及装置
CN110633595B (zh) 一种利用双线性插值的目标检测方法和装置
CN113361719A (zh) 基于图像处理模型的增量学习方法和图像处理方法

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