CN112085755A - 物体轮廓检测方法、装置以及设备、存储介质 - Google Patents
物体轮廓检测方法、装置以及设备、存储介质 Download PDFInfo
- Publication number
- CN112085755A CN112085755A CN202010960575.3A CN202010960575A CN112085755A CN 112085755 A CN112085755 A CN 112085755A CN 202010960575 A CN202010960575 A CN 202010960575A CN 112085755 A CN112085755 A CN 112085755A
- Authority
- CN
- China
- Prior art keywords
- gray
- pixel point
- pixel
- scale
- target image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 51
- 238000006243 chemical reaction Methods 0.000 claims description 46
- 230000009467 reduction Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 abstract description 12
- 238000009792 diffusion process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- 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
- G06T2207/20076—Probabilistic image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种物体轮廓检测方法、装置以及设备、存储介质,涉及图像处理技术领域,其中的方法包括:生成与目标图像相对应的多个灰度图,以灰度图中的起始像素点为中心进行预设方式的扩展搜索,遍历灰度图中的所有像素点;在扩展搜索的过程中确定候选轮廓像素点并根据在多个灰度图中获得的全部候选轮廓像素点的位置信息,确定物体轮廓像素点,用以获取目标图像中的物体轮廓;本公开的方法、装置以及电子设备、存储介质,能够完成物体轮廓检测而不需使用检测模型,避免了复杂的模型建立、训练等工作,提高物体轮廓检测的工作效率,减少资源消耗;能够在保留轮廓线完整的同时抑制检测干扰,检测结果的准确度高。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种物体轮廓检测方法、装置以及设备、存储介质。
背景技术
目前,对于图像中的物体轮廓进行检测,通常基于深度学习训练检测模型,使用检测模型对图像中的物体轮廓进行检测,常用的检测模型可以为卷积神经网络模型等。训练检测模型需要大量的训练样本,训练过程复杂,训练时间长;并且,检测模型使用的深度学习算法对于复杂、线条过于密集的图片进行检测,检测出物体轮廓的准确率比较低。因此,需要一种物体轮廓检测的技术方案。
发明内容
为了解决上述技术问题,提出了本公开。本公开的实施例提供了一种物体轮廓检测方法、装置以及设备、存储介质。
根据本公开实施例的一个方面,提供一种物体轮廓检测方法,包括:根据预设的图像灰度处理规则,生成与目标图像相对应的多个灰度图;在所述灰度图中确定至少一个起始像素点,以所述起始像素点为中心进行预设方式的扩展搜索,直至到达所述灰度图的边缘,用以遍历所述灰度图中的所有像素点;在扩展搜索的过程中,获取当前搜索到的第一像素点以及与所述第一像素点相对应的、下一次搜索到的第二像素点,基于所述第一像素点和所述第二像素点的灰度值判断所述第一像素点是否为候选轮廓像素点;根据在所述多个灰度图中获得的全部候选轮廓像素点的位置信息,确定位于所述目标图像中的物体轮廓像素点;根据所述物体轮廓像素点获取所述目标图像中的物体轮廓。
可选地,所述根据在所述多个灰度图中获得的全部候选轮廓像素点的位置信息,确定位于所述目标图像中的物体轮廓像素点包括:基于所述位置信息,获取所述目标图像的像素点在所述多个灰度图中被确定为候选轮廓像素点的确定次数信息;根据所述确定次数信息判断所述目标图像的像素点是否为所述物体轮廓像素点。
可选地,所述根据所述确定次数信息判断所述目标图像的像素点是否为所述物体轮廓像素点包括:获取所述目标图像的像素点在所述多个灰度图中被确定为候选轮廓像素点的总确定次数,将所述总确定次数与所述多个灰度图的灰度图数量的商作为标定概率;如果所述标定概率大于预设的概率阈值,则确定所述目标图像的像素点为所述物体轮廓像素点。
可选地,所述基于所述第一像素点和所述第二像素点的灰度值判断所述第一像素点是否为候选轮廓像素点包括:获取所述第一像素点的像素值与所述第二像素点的像素值的差值;如果所述差值的绝对值大于预设的差值阈值,则确定所述第一像素点为所述候选轮廓像素点。
可选地,所述根据预设的图像灰度处理规则,生成与目标图像相对应的多个灰度图包括:获取预设的灰度转换函数;根据所述图像灰度处理规则对所述灰度转换函数的颜色通道系数进行调整,基于调整结果获得多个灰度转换调整函数;根据所述多个灰度转换调整函数,生成与所述目标图像相对应的所述多个灰度图。
可选地,所述根据所述图像灰度处理规则对所述灰度转换函数的颜色通道系数进行调整,基于调整结果获得多个灰度转换调整函数包括:获取预设的系数调整阈值;分别将所述灰度转换函数的三个颜色通道系数增加或减去所述系数调整阈值,获得六个灰度转换调整函数。
可选地,所述根据所述多个灰度转换调整函数,生成与所述目标图像相对应的所述多个灰度图包括:根据所述灰度转换调整函数获取所述目标图像中的每个像素点的灰度值;如果此灰度值大于255,则将此灰度值设置为255。
可选地,所述以所述起始像素点为中心进行扩展搜索包括:在所述灰度图中建立直角坐标系;判断所述灰度图的像素点的扩展搜索方向是否为所述直角坐标系的X或Y轴方向,如果是,则沿所述直角坐标系的X或Y轴向所述灰度图的外部进行扩展搜索,如果否,则分别沿所述直角坐标系的X和Y轴,以及X和Y轴夹角的平分线方向向所述灰度图的外部进行扩展搜索。
根据本公开实施例的另一方面,提供一种物体轮廓检测装置,包括:图像降维模块,用于根据预设的图像灰度处理规则,生成与目标图像相对应的多个灰度图;扩展搜索模块,用于在所述灰度图中确定至少一个起始像素点,以所述起始像素点为中心进行预设方式的扩展搜索,直至到达所述灰度图的边缘,用以遍历所述灰度图中的所有像素点;候选轮廓确定模块,用于在扩展搜索的过程中,获取当前搜索到的第一像素点以及与所述第一像素点相对应的、下一次搜索到的第二像素点,基于所述第一像素点和所述第二像素点的灰度值判断所述第一像素点是否为候选轮廓像素点;轮廓像素点判断模块,用于根据在所述多个灰度图中获得的全部候选轮廓像素点的位置信息,确定位于所述目标图像中的物体轮廓像素点;物体轮廓确定模块,用于根据所述物体轮廓像素点获取所述目标图像中的物体轮廓。
可选地,所述轮廓像素点判断模块,包括:确定次数获取单元,用于基于所述位置信息,获取所述目标图像的像素点在所述多个灰度图中被确定为候选轮廓像素点的确定次数信息;轮廓像素点确定单元,用于根据所述确定次数信息判断所述目标图像的像素点是否为所述物体轮廓像素点。
可选地,所述轮廓像素点确定单元,用于获取所述目标图像的像素点在所述多个灰度图中被确定为候选轮廓像素点的总确定次数,将所述总确定次数与所述多个灰度图的灰度图数量的商作为标定概率;如果所述标定概率大于预设的概率阈值,则确定所述目标图像的像素点为所述物体轮廓像素点。
可选地,所述候选轮廓确定模块,用于获取所述第一像素点的像素值与所述第二像素点的像素值的差值;如果所述差值的绝对值大于预设的差值阈值,则确定所述第一像素点为所述候选轮廓像素点。
可选地,所述图像降维模块,包括:函数获取单元,用于获取预设的灰度转换函数;系数调整单元,用于根据所述图像灰度处理规则对所述灰度转换函数的颜色通道系数进行调整,基于调整结果获得多个灰度转换调整函数;灰度图生成单元,用于根据所述多个灰度转换调整函数,生成与所述目标图像相对应的所述多个灰度图。
可选地,所述系数调整单元,用于获取预设的系数调整阈值;分别将所述灰度转换函数的三个颜色通道系数增加或减去所述系数调整阈值,获得六个灰度转换调整函数。
可选地,所述灰度图生成单元,用于根据所述灰度转换调整函数获取所述目标图像中的每个像素点的灰度值;如果此灰度值大于255,则将此灰度值设置为255。
可选地,所述扩展搜索模块,具体用于在所述灰度图中建立直角坐标系;判断所述灰度图的像素点的扩展搜索方向是否为所述直角坐标系的X或Y轴方向,如果是,则沿所述直角坐标系的X或Y轴向所述灰度图的外部进行扩展搜索,如果否,则分别沿所述直角坐标系的X和Y轴,以及X和Y轴夹角的平分线方向向所述灰度图的外部进行扩展搜索。
根据本公开实施例的又一方面,提供一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述的方法。
根据本公开实施例的再一方面,提供一种电子设备,所述电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于执行上述的方法。
基于本公开上述实施例提供的一种物体轮廓检测方法、装置以及设备、存储介质,能够完成物体轮廓检测而不需使用检测模型,避免了复杂的模型建立、训练等工作,提高物体轮廓检测的工作效率,减少资源消耗;能够在保留轮廓线完整的同时抑制检测干扰,检测结果的准确度高。
下面通过附图和实施例,对本公开的技术方案做进一步的详细描述。
附图说明
通过结合附图对本公开实施例进行更详细的描述,本公开的上述以及其他目的、特征以及优势将变得更加明显。附图用来提供对本公开实施例的进一步的理解,并且构成说明书的一部分,与本公开实施例一起用于解释本公开,并不构成对本公开的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为本公开的物体轮廓检测方法的一个实施例的流程图;
图2为本公开的物体轮廓检测方法的一个实施例中的生成灰度图的流程图;
图3为本公开的物体轮廓检测方法的一个实施例中的对于灰度图进行扩展搜索的示意图;
图4为本公开的物体轮廓检测方法的一个实施例中的确定候选轮廓像素点的流程图;
图5为本公开的物体轮廓检测方法的一个实施例中的确定物体轮廓像素点的流程图;
图6为本公开的物体轮廓检测装置的一个实施例的结构示意图;
图7为本公开的物体轮廓检测装置的一个实施例中的轮廓像素点判断模块的结构示意图;
图8为本公开的物体轮廓检测装置的一个实施例中的图像降维模块的结构示意图;
图9是本公开的电子设备的一个实施例的结构图。
具体实施方式
下面将参考附图详细地描述根据本公开的示例实施例。显然,所描述的实施例仅仅是本公开的一部分实施例,而不是本公开的全部实施例,应理解,本公开不受这里描述的示例实施例的限制。
应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解,本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等,既不代表任何特定技术含义,也不表示它们之间的必然逻辑顺序。
还应理解,在本公开实施例中,“多个”可以指两个或者两个以上,“至少一个”可以指一个、两个或两个以上。
还应理解,对于本公开实施例中提及的任一部件、数据或结构,在没有明确限定或者在前后文给出相反启示的情况下,一般可以理解为一个或多个。
另外,本公开中术语“和/或”,仅是一种描述关联对象的关联关系,表示可以存在三种关系,如A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本公开中字符“/”,一般表示前后关联对象是一种“或”的关系。
还应理解,本公开对各个实施例的描述着重强调各个实施例之间的不同之处,其相同或相似之处可以相互参考,为了简洁,不再一一赘述。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本公开的实施例可以应用于终端设备、计算机***、服务器等电子设备,其可与众多其它通用或者专用计算***环境或配置一起操作。适于与终端设备、计算机***或者服务器等电子设备一起使用的众所周知的终端设备、计算***、环境和/或配置的例子包括但不限于:个人计算机***、服务器计算机***、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的***、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机***、大型计算机***和包括上述任何***的分布式云计算技术环境等等。
终端设备、计算机***、服务器等电子设备可以在由计算机***执行的计算机***可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机***/服务器可以在分布式云计算环境中实施。在分布式云计算环境中,任务可以是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算***存储介质上。
申请概述
在实现本公开的过程中,发明人发现,对于图像中的物体轮廓进行检测,通常基于深度学习训练检测模型,常用的检测模型可以为卷积神经网络模型等。训练检测模型需要大量的训练样本,并且训练过程复杂,训练时间长;并且,检测模型使用的深度学习算法对于复杂、线条过于密集的图片进行检测,检测准确率比较低。
本公开提供的物体轮廓检测方法,生成与目标图像相对应的多个灰度图,以灰度图中的起始像素点为中心进行扩展搜索,遍历灰度图中的所有像素点;在扩展搜索的过程中确定候选轮廓像素点并根据在多个灰度图中获得的全部候选轮廓像素点的位置信息,确定物体轮廓像素点,用以获取目标图像中的物体轮廓;能够完成物体轮廓检测而不需使用检测模型,避免了复杂的模型建立、训练等工作,提高物体轮廓检测的工作效率;能够在保留轮廓线完整的同时抑制检测干扰,检测结果的准确度高。
示例性方法
图1为本公开的物体轮廓检测方法的一个实施例的流程图,如图1所示的方法包括步骤:S101-S105。下面对各步骤分别进行说明。
S101,根据预设的图像灰度处理规则,生成与目标图像相对应的多个灰度图。
目标图像为待检测图像等,对目标图像进行降维处理,生成多个灰度图。灰度图又称灰阶图,把白色与黑色之间按对数关系分为256阶。
S102,在灰度图中确定至少一个起始像素点,以起始像素点为中心进行预设方式的扩展搜索,直至到达灰度图的边缘,用以遍历灰度图中的所有像素点。预设方式可以为多种方式。
S103,在扩展搜索的过程中,获取当前搜索到的第一像素点以及与第一像素点相对应的、下一次搜索到的第二像素点,基于第一像素点和第二像素点的灰度值判断第一像素点是否为候选轮廓像素点。
S104,根据在多个灰度图中获得的全部候选轮廓像素点的位置信息,确定位于目标图像中的物体轮廓像素点。
S105,根据物体轮廓像素点获取目标图像中的物体轮廓。可以将物体轮廓像素点确定为物体轮廓的像素点,确定目标图像中的物体轮廓。
生成与目标图像相对应的多个灰度图可以采用多种方法。图2为本公开的物体轮廓检测方法的一个实施例中的生成灰度图的流程图,如图2所示的方法包括步骤:S201-S203。下面对各步骤分别进行说明。
S201,获取预设的灰度转换函数。
在一实施例中,图像的色彩标准为R(红色)G(绿色)B(蓝色)模式,即图像有R、G、B三个颜色通道,每个颜色的数值都为0-255。图像的RGB模式增大了像素点颜色差异的判断难度和计算复杂度。对图像的色彩进行降维处理,将图像转化为一维灰度图,为一种图片亮度表达方式。预设的灰度转换函数可以有多种,例如,预设的灰度转换函数为Gray=R*0.299+G*0.587+B*0.114。
S202,根据图像灰度处理规则对灰度转换函数的颜色通道系数进行调整,基于调整结果获得多个灰度转换调整函数。
在一实施例中,图像灰度处理规则可以有多种。获取预设的系数调整阈值,分别将灰度转换函数的三个颜色通道系数增加或减去系数调整阈值,获得六个灰度转换调整函数。
例如,系数调整阈值为0.1,对灰度转换函数的三个颜色通道系数值0.299、0.587、0.114分别进行系数阈值的增加或减去,生成六个算法公式。即获得六个灰度转换调整函数:
Gray1=R*0.399+G*0.587+B*0.114;
Gray2=R*0.199+G*0.587+B*0.114;
Gray3=R*0.299+G*0.687+B*0.114;
Gray4=R*0.299+G*0.487+B*0.114;
Gray5=R*0.299+G*0.587+B*0.014;
Gray6=R*0.299+G*0.587+B*0.214;
S203,根据多个灰度转换调整函数,生成与目标图像相对应的多个灰度图。
根据灰度转换调整函数获取目标图像中的每个像素点的灰度值;如果此灰度值大于255,则将此灰度值设置为255。例如,获取目标图像的每一个像素点的RGB值,并对每一个像素点分别使用六个灰度转换调整函数进行计算,获得一个像素点的六个灰度值,每个像素点的灰度值取值范围在0-255之间,超过255按照255计算。对于目标图像生成六张不同的灰度图,对此六个灰度图进行检测。
在一个实施例中,以起始像素点为中心进行扩展搜索可以采用多种方法。在灰度图中建立直角坐标系,判断灰度图的像素点的扩展搜索方向是否为直角坐标系的X或Y轴方向,如果是,则沿直角坐标系的X或Y轴向灰度图的外部进行扩展搜索,如果否,则分别沿直角坐标系的X和Y轴,以及X和Y轴夹角的平分线方向向灰度图的外部进行扩展搜索。
例如,在灰度图中建立直角坐标系,以灰度图左上角顶点为坐标原点(0,0)。在六张灰度图片G1,G2,G3,G4,G5,G6中随机选取1个坐标点作为起始像素点:P1,P2,P3,P4,P5,P6。如图3所示,以起始像素点P1为例说明像素点的扩散搜索。设随机选择的起始像素点P1的坐标为(x,y),逐层向外扩展搜索,用以覆盖全部像素点,直到扩展搜索到图像边缘为止。
非顶点扩散搜索:P1向Y轴负方向扩展搜索(扩散)到A2,A2继承此扩展搜索方向,并向该方向继续扩展搜索到B3,B3继承此扩展搜索方向继续进行扩展搜索。P1向Y轴正方向扩展搜索到A6,A6继承此扩展搜索方向,并向该方向继续扩展搜索到B11,B11继承扩展搜索方向继续进行扩展搜索。P1向X轴负方向扩展搜索到A8,A8继承此扩展搜索方向,并向该方向继续扩展搜索到B15,B15继承扩展搜索方向继续进行扩展搜索。P1向X轴正方向扩展搜索到A4,A4继承此扩展搜索方向,并向该方向继续扩展搜索到B7,B7继承扩展搜索方向继续进行扩展搜索。
顶点扩散:每一个被标记为顶点的像素点,都会有三个扩散方向。P1向Y轴负方向,X轴负方向,扩展搜索到A1,并标记A1为顶点,此时A1有三个扩展搜索(扩散)方向:向Y轴负方向扩展搜索到B2,B2继承该方向并继续扩展搜索。向X轴负方向扩展搜索到B16,B16继承该方向继续扩展搜索。向Y轴负方向,X轴负方向扩散到B1,并标记B1为顶点,此时B1有三个扩散方向。P1向Y轴负方向,X轴正方向,扩展搜索到A3,并标记A3为顶点,此时A3有三个扩展搜索(扩散)方向:向Y轴负方向扩展搜索到B4,B4继承该方向并继续扩展搜索。向X轴正方向扩展搜索到B6,B6继承该方向继续扩展搜索。向Y轴负方向,X轴正方向扩展搜索到B5,并标记B5为顶点,此时B5有三个扩展搜索方向。
P1向Y轴正方向,X轴正方向,扩展搜索到A5,并标记A5为顶点,此时A5有三个扩展搜索(扩散)方向:向Y轴正方向扩展搜索到B10,B10继承该方向并继续扩展搜索。向X轴正方向扩展搜索到B8,B8继承该方向继续扩展搜索。向Y轴正方向,X轴正方向扩展搜索到B9,并标记B9为顶点,此时B9有三个扩展搜索方向。
P1向Y轴正方向,X轴负方向,扩展搜索到A7,并标记A7为顶点,此时A7有三个扩展搜索(扩散)方向:向Y轴正方向扩展搜索到B12,B12继承该方向并继续扩展搜索。向X轴负方向扩展搜索到B14,B14继承该方向继续扩展搜索。向Y轴正方向,X轴负方向扩展搜索到B13,并标记B13为顶点,此时B13有三个扩展搜索(扩散)方向。以此类推,直到到达图像边缘,则该像素点停止扩展搜索。
图4为本公开的物体轮廓检测方法的一个实施例中的确定候选轮廓像素点的流程图,如图4所示的方法包括步骤:S401-S402。下面对各步骤分别进行说明。
S401,获取第一像素点的像素值与第二像素点的像素值的差值。
S402,如果差值的绝对值大于预设的差值阈值,则确定第一像素点为候选轮廓像素点。
例如,设置差值阈值Z,可以根据不同的目标图像进行设置。如图3所示,第一像素点为A1,与第一像素点A1相对应的、下一次搜索到的第二像素点为B1、B2、B16,获取第一像素点A1的像素值分别与第二像素点B1、B2、B16的像素值的差值,如果三个差值中的任一个差值的绝对值大于预设的差值阈值Z,则确定第一像素点A1为候选轮廓像素点。第一像素点为A8,与第一像素点A8相对应的、下一次搜索到的第二像素点为B15,获取第一像素点A8的像素值与第二像素点B15的像素值的差值,如果差值的绝对值大于预设的差值阈值Z,则确定第一像素点A8为候选轮廓像素点。
图5为本公开的物体轮廓检测方法的一个实施例中的确定物体轮廓像素点的流程图。如图5所示的方法包括步骤:S501-S502。下面对各步骤分别进行说明。
S501,基于位置信息,获取目标图像的像素点在多个灰度图中被确定为候选轮廓像素点的确定次数信息。
S502,根据确定次数信息判断目标图像的像素点是否为物体轮廓像素点。
在一实施例中,获取目标图像的像素点在多个灰度图中被确定为候选轮廓像素点的总确定次数,将总确定次数与多个灰度图的灰度图数量的商作为标定概率;如果标定概率大于预设的概率阈值,则确定目标图像的像素点为物体轮廓像素点。
例如,概率阈值为50%,获取目标图像的像素点A在六个灰度图中被确定为候选轮廓像素点的总确定次数为四次,即在四个灰度图中,像素点A都被确定为候选轮廓像素点。获取总确定次数与六个灰度图的灰度图数量的商为4/6=0.66,即标定概率为0.66;标定概率0.66大于概率阈值0.5,则目标图像的像素点A为物体轮廓像素点。
示例性装置
在一个实施例中,如图6所示,本公开提供一种物体轮廓检测装置,包括:图像降维模块601、扩展搜索模块602、候选轮廓确定模块603、轮廓像素点判断模块604和物体轮廓确定模块605。
图像降维模块601根据预设的图像灰度处理规则,生成与目标图像相对应的多个灰度图。扩展搜索模块602在灰度图中确定至少一个起始像素点,以起始像素点为中心进行预设方式的扩展搜索,直至到达灰度图的边缘,用以遍历灰度图中的所有像素点。
候选轮廓确定模块603在扩展搜索的过程中,获取当前搜索到的第一像素点以及与第一像素点相对应的、下一次搜索到的第二像素点,基于第一像素点和第二像素点的灰度值判断第一像素点是否为候选轮廓像素点。轮廓像素点判断模块604根据在多个灰度图中获得的全部候选轮廓像素点的位置信息,确定位于目标图像中的物体轮廓像素点。物体轮廓确定模块605根据物体轮廓像素点获取目标图像中的物体轮廓。
在一实施例中,扩展索索模块602在灰度图中建立直角坐标系,判断灰度图的像素点的扩展搜索方向是否为直角坐标系的X或Y轴方向,如果是,则扩展索索模块602沿直角坐标系的X或Y轴向灰度图的外部进行扩展搜索,如果否,则扩展索索模块602分别沿直角坐标系的X和Y轴,以及X和Y轴夹角的平分线方向向灰度图的外部进行扩展搜索。
候选轮廓确定模块603获取第一像素点的像素值与第二像素点的像素值的差值,如果差值的绝对值大于预设的差值阈值,则候选轮廓确定模块603确定第一像素点为候选轮廓像素点。
在一个实施例中,如图7所示,轮廓像素点判断模块604包括:确定次数获取单元6041和轮廓像素点确定单元6042。确定次数获取单元6041基于位置信息,获取目标图像的像素点在多个灰度图中被确定为候选轮廓像素点的确定次数信息。轮廓像素点确定单元6042根据确定次数信息判断目标图像的像素点是否为物体轮廓像素点。
轮廓像素点确定单元6042获取目标图像的像素点在多个灰度图中被确定为候选轮廓像素点的总确定次数,将总确定次数与多个灰度图的灰度图数量的商作为标定概率;如果标定概率大于预设的概率阈值,则轮廓像素点确定单元6042确定目标图像的像素点为物体轮廓像素点。
在一个实施例中,如图8所示,图像降维模块6011包括:函数获取单元6011、系数调整单元6012和灰度图生成单元6013。函数获取单元6011获取预设的灰度转换函数。系数调整单元6012根据图像灰度处理规则对灰度转换函数的颜色通道系数进行调整,基于调整结果获得多个灰度转换调整函数。灰度图生成单元6013根据多个灰度转换调整函数,生成与目标图像相对应的多个灰度图。
在一实施例中,系数调整单元6012获取预设的系数调整阈值,分别将灰度转换函数的三个颜色通道系数增加或减去系数调整阈值,获得六个灰度转换调整函数。灰度图生成单元6013根据灰度转换调整函数获取目标图像中的每个像素点的灰度值,如果此灰度值大于255,则将此灰度值设置为255。
图9是本公开的电子设备的一个实施例的结构图,如图9所示,电子设备91包括一个或多个处理器911和存储器912。
处理器911可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备91中的其他组件以执行期望的功能。
存储器912可以包括一个或多个计算机程序产品,计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。易失性存储器,例如,可以包括:随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器,例如,可以包括:只读存储器(ROM)、硬盘以及闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器911可以运行程序指令,以实现上文的本公开的各个实施例的物体轮廓检测方法以及/或者其他期望的功能。在计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中,电子设备91还可以包括:输入装置913以及输出装置914等,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。此外,该输入设备913还可以包括例如键盘、鼠标等等。该输出装置914可以向外部输出各种信息。该输出设备914可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图9中仅示出了该电子设备91中与本公开有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备91还可以包括任何其他适当的组件。
除了上述方法和设备以外,本公开的实施例还可以是计算机程序产品,其包括计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的物体轮廓检测方法中的步骤。
计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本公开的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的物体轮廓检测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列举)可以包括:具有一个或者多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本公开的基本原理,但是,需要指出的是,在本公开中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势以及效果等是本公开的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本公开为必须采用上述具体的细节来实现。
上述实施例中的物体轮廓检测方法、装置以及设备、存储介质,生成与目标图像相对应的多个灰度图,以灰度图中的起始像素点为中心进行扩展搜索,遍历灰度图中的所有像素点;在扩展搜索的过程中确定候选轮廓像素点并根据在多个灰度图中获得的全部候选轮廓像素点的位置信息,确定物体轮廓像素点,用以获取目标图像中的物体轮廓;能够完成物体轮廓检测而不需使用检测模型,避免了复杂的模型建立、训练等工作,提高物体轮廓检测的工作效率,减少资源消耗;能够在保留轮廓线完整的同时抑制检测干扰,检测结果的准确度高。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于***实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本公开中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备以及***。诸如“包括”、“包含、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明,本公开的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本公开实施为记录在记录介质中的程序,这些程序包括用于实现根据本公开的方法的机器可读指令。因而,本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是,在本公开的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述,以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改等对于本领域技术人员而言,是非常显而易见的,并且在此定义的一般原理可以应用于其他方面,而不脱离本公开的范围。因此,本公开不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本公开的实施例限制到在此公开的形式中。尽管以上已经讨论了多个示例方面以及实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种物体轮廓检测方法,包括:
根据预设的图像灰度处理规则,生成与目标图像相对应的多个灰度图;
在所述灰度图中确定至少一个起始像素点,以所述起始像素点为中心进行预设方式的扩展搜索,直至到达所述灰度图的边缘,用以遍历所述灰度图中的所有像素点;
在扩展搜索的过程中,获取当前搜索到的第一像素点以及与所述第一像素点相对应的、下一次搜索到的第二像素点,基于所述第一像素点和所述第二像素点的灰度值判断所述第一像素点是否为候选轮廓像素点;
根据在所述多个灰度图中获得的全部候选轮廓像素点的位置信息,确定位于所述目标图像中的物体轮廓像素点;
根据所述物体轮廓像素点获取所述目标图像中的物体轮廓。
2.如权利要求1所述的方法,所述根据在所述多个灰度图中获得的全部候选轮廓像素点的位置信息,确定位于所述目标图像中的物体轮廓像素点包括:
基于所述位置信息,获取所述目标图像的像素点在所述多个灰度图中被确定为候选轮廓像素点的确定次数信息;
根据所述确定次数信息判断所述目标图像的像素点是否为所述物体轮廓像素点。
3.如权利要求2所述的方法,所述根据所述确定次数信息判断所述目标图像的像素点是否为所述物体轮廓像素点包括:
获取所述目标图像的像素点在所述多个灰度图中被确定为候选轮廓像素点的总确定次数,将所述总确定次数与所述多个灰度图的灰度图数量的商作为标定概率;
如果所述标定概率大于预设的概率阈值,则确定所述目标图像的像素点为所述物体轮廓像素点。
4.如权利要求1所述的方法,所述基于所述第一像素点和所述第二像素点的灰度值判断所述第一像素点是否为候选轮廓像素点包括:
获取所述第一像素点的像素值与所述第二像素点的像素值的差值;
如果所述差值的绝对值大于预设的差值阈值,则确定所述第一像素点为所述候选轮廓像素点。
5.如权利要求1所述的方法,所述根据预设的图像灰度处理规则,生成与目标图像相对应的多个灰度图包括:
获取预设的灰度转换函数;
根据所述图像灰度处理规则对所述灰度转换函数的颜色通道系数进行调整,基于调整结果获得多个灰度转换调整函数;
根据所述多个灰度转换调整函数,生成与所述目标图像相对应的所述多个灰度图。
6.如权利要求5所述的方法,所述根据所述图像灰度处理规则对所述灰度转换函数的颜色通道系数进行调整,基于调整结果获得多个灰度转换调整函数包括:
获取预设的系数调整阈值;
分别将所述灰度转换函数的三个颜色通道系数增加或减去所述系数调整阈值,获得六个灰度转换调整函数。
7.如权利要求5所述的方法,所述根据所述多个灰度转换调整函数,生成与所述目标图像相对应的所述多个灰度图包括:
根据所述灰度转换调整函数获取所述目标图像中的每个像素点的灰度值;
如果此灰度值大于255,则将此灰度值设置为255。
8.一种物体轮廓检测装置,包括:
图像降维模块,用于根据预设的图像灰度处理规则,生成与目标图像相对应的多个灰度图;
扩展搜索模块,用于在所述灰度图中确定至少一个起始像素点,以所述起始像素点为中心进行预设方式的扩展搜索,直至到达所述灰度图的边缘,用以遍历所述灰度图中的所有像素点;
候选轮廓确定模块,用于在扩展搜索的过程中,获取当前搜索到的第一像素点以及与所述第一像素点相对应的、下一次搜索到的第二像素点,基于所述第一像素点和所述第二像素点的灰度值判断所述第一像素点是否为候选轮廓像素点;
轮廓像素点判断模块,用于根据在所述多个灰度图中获得的全部候选轮廓像素点的位置信息,确定位于所述目标图像中的物体轮廓像素点;
物体轮廓确定模块,用于根据所述物体轮廓像素点获取所述目标图像中的物体轮廓。
9.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-7任一项所述的方法。
10.一种电子设备,所述电子设备包括:
处理器;用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010960575.3A CN112085755A (zh) | 2020-09-14 | 2020-09-14 | 物体轮廓检测方法、装置以及设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010960575.3A CN112085755A (zh) | 2020-09-14 | 2020-09-14 | 物体轮廓检测方法、装置以及设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112085755A true CN112085755A (zh) | 2020-12-15 |
Family
ID=73737783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010960575.3A Pending CN112085755A (zh) | 2020-09-14 | 2020-09-14 | 物体轮廓检测方法、装置以及设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085755A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113781505A (zh) * | 2021-11-08 | 2021-12-10 | 深圳市瑞图生物技术有限公司 | 染色体分割方法、染色体分析仪及存储介质 |
CN113920324A (zh) * | 2021-12-13 | 2022-01-11 | 广州思德医疗科技有限公司 | 图像识别方法、装置、电子设备及存储介质 |
CN114299299A (zh) * | 2021-11-29 | 2022-04-08 | 苏州浪潮智能科技有限公司 | 一种树叶特征提取方法、装置、计算机设备和存储介质 |
CN115128570A (zh) * | 2022-08-30 | 2022-09-30 | 北京海兰信数据科技股份有限公司 | 一种雷达图像的处理方法、装置及设备 |
CN116542998A (zh) * | 2023-03-15 | 2023-08-04 | 锋睿领创(珠海)科技有限公司 | 用于光刻薄膜电感的轮廓检测方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218833A (zh) * | 2013-04-15 | 2013-07-24 | 浙江大学 | 边缘加强型的彩色空间最稳极值区域检测方法 |
CN104244015A (zh) * | 2013-06-14 | 2014-12-24 | 辉达公司 | 移除视频数据中的编码伪影的自适应滤波机制 |
US20160275357A1 (en) * | 2013-11-19 | 2016-09-22 | Ramot At Tel-Aviv University Ltd. | Method and system for tracking a region in a video image |
CN107578418A (zh) * | 2017-09-08 | 2018-01-12 | 华中科技大学 | 一种融合色彩和深度信息的室内场景轮廓检测方法 |
CN109034058A (zh) * | 2018-07-25 | 2018-12-18 | 哈工大机器人(合肥)国际创新研究院 | 一种针对图像中区域划分和自修正方法和*** |
CN109547664A (zh) * | 2018-10-29 | 2019-03-29 | 天津大学 | 一种利用rgb颜色空间“有争议”像素的图像隐写算法 |
-
2020
- 2020-09-14 CN CN202010960575.3A patent/CN112085755A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218833A (zh) * | 2013-04-15 | 2013-07-24 | 浙江大学 | 边缘加强型的彩色空间最稳极值区域检测方法 |
CN104244015A (zh) * | 2013-06-14 | 2014-12-24 | 辉达公司 | 移除视频数据中的编码伪影的自适应滤波机制 |
US20160275357A1 (en) * | 2013-11-19 | 2016-09-22 | Ramot At Tel-Aviv University Ltd. | Method and system for tracking a region in a video image |
CN107578418A (zh) * | 2017-09-08 | 2018-01-12 | 华中科技大学 | 一种融合色彩和深度信息的室内场景轮廓检测方法 |
CN109034058A (zh) * | 2018-07-25 | 2018-12-18 | 哈工大机器人(合肥)国际创新研究院 | 一种针对图像中区域划分和自修正方法和*** |
CN109547664A (zh) * | 2018-10-29 | 2019-03-29 | 天津大学 | 一种利用rgb颜色空间“有争议”像素的图像隐写算法 |
Non-Patent Citations (4)
Title |
---|
M. D. ENJAT MUNAJAT 等: "Road detection system based on RGB histogram filterization and boundary classifier", 《2015 INTERNATIONAL CONFERENCE ON ADVANCED COMPUTER SCIENCE AND INFORMATION SYSTEMS》, pages 195 - 200 * |
YANG LIU 等: "An adaptive and robust edge detection method based on edge proportion statistics", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》, vol. 29, pages 5206 - 5215, XP011780516, DOI: 10.1109/TIP.2020.2980170 * |
王浩 等: "基于边缘轮廓上多尺度自相关矩阵的角点检测算法", 《***工程与电子技术》, vol. 36, no. 6, pages 1220 - 1224 * |
许可: "基于多特征的图像轮廓检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》, no. 1, pages 138 - 1374 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113781505A (zh) * | 2021-11-08 | 2021-12-10 | 深圳市瑞图生物技术有限公司 | 染色体分割方法、染色体分析仪及存储介质 |
CN113781505B (zh) * | 2021-11-08 | 2022-11-18 | 深圳市瑞图生物技术有限公司 | 染色体分割方法、染色体分析仪及存储介质 |
CN114299299A (zh) * | 2021-11-29 | 2022-04-08 | 苏州浪潮智能科技有限公司 | 一种树叶特征提取方法、装置、计算机设备和存储介质 |
CN114299299B (zh) * | 2021-11-29 | 2024-01-23 | 苏州浪潮智能科技有限公司 | 一种树叶特征提取方法、装置、计算机设备和存储介质 |
CN113920324A (zh) * | 2021-12-13 | 2022-01-11 | 广州思德医疗科技有限公司 | 图像识别方法、装置、电子设备及存储介质 |
CN115128570A (zh) * | 2022-08-30 | 2022-09-30 | 北京海兰信数据科技股份有限公司 | 一种雷达图像的处理方法、装置及设备 |
CN116542998A (zh) * | 2023-03-15 | 2023-08-04 | 锋睿领创(珠海)科技有限公司 | 用于光刻薄膜电感的轮廓检测方法、装置、设备及介质 |
CN116542998B (zh) * | 2023-03-15 | 2023-11-17 | 锋睿领创(珠海)科技有限公司 | 用于光刻薄膜电感的轮廓检测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112085755A (zh) | 物体轮廓检测方法、装置以及设备、存储介质 | |
US8310499B2 (en) | Balancing luminance disparity in a display by multiple projectors | |
JP4726257B2 (ja) | 画像処理方法およびその装置 | |
KR20100098641A (ko) | 불변적인 시각적 장면 및 객체 인식 | |
WO2014208472A1 (ja) | 画像処理装置、画像処理方法及び画像処理プログラムを記憶した非一時的記憶媒体 | |
CN109035167A (zh) | 对图像中的多个人脸进行处理的方法、装置、设备和介质 | |
CN110738092A (zh) | 一种***文本检测方法 | |
CN113989156A (zh) | 脱敏方法的可靠性验证的方法、装置、介质、设备和程序 | |
US8908964B2 (en) | Color correction for digital images | |
US10540811B2 (en) | Radial gradient module | |
CN113205090B (zh) | 图片矫正方法、装置、电子设备及计算机可读存储介质 | |
WO2022021695A1 (zh) | 图像处理方法、用于图像处理的指令的生成方法及装置 | |
CN113689508A (zh) | 点云标注方法、装置、存储介质及电子设备 | |
CN113793349A (zh) | 目标检测方法及装置、计算机可读存储介质、电子设备 | |
US11164034B2 (en) | Image analysis apparatus and image analysis method | |
CN115760653A (zh) | 图像校正方法、装置、设备及可读存储介质 | |
CN115775283A (zh) | 图像压缩方法、装置、存储介质及计算机设备 | |
CN112288618B (zh) | 一种图片处理方法及装置 | |
US10311577B1 (en) | Techniques to improve edge detection for images | |
US20190371013A1 (en) | Radial Gradient Module | |
US6847362B2 (en) | Fast line drawing method | |
JP2008204307A (ja) | 画像照合装置 | |
CN112381836B (zh) | 图像处理方法和装置、计算机可读存储介质、电子设备 | |
JPWO2019082283A1 (ja) | 画像解析装置 | |
CN115439894B (zh) | 训练指纹配对模型的方法、电子设备、程序产品及介质 |
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 |