CN112149688A - 图像处理方法与装置、计算机可读存储介质、计算机设备 - Google Patents

图像处理方法与装置、计算机可读存储介质、计算机设备 Download PDF

Info

Publication number
CN112149688A
CN112149688A CN202011019693.0A CN202011019693A CN112149688A CN 112149688 A CN112149688 A CN 112149688A CN 202011019693 A CN202011019693 A CN 202011019693A CN 112149688 A CN112149688 A CN 112149688A
Authority
CN
China
Prior art keywords
image
target
pixel
level
image processing
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
Application number
CN202011019693.0A
Other languages
English (en)
Inventor
由佳
孟祥雨
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.)
Beijing Automotive Research Institute Co Ltd
Original Assignee
Beijing Automotive Research Institute 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 Beijing Automotive Research Institute Co Ltd filed Critical Beijing Automotive Research Institute Co Ltd
Priority to CN202011019693.0A priority Critical patent/CN112149688A/zh
Publication of CN112149688A publication Critical patent/CN112149688A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像处理方法与装置、计算机可读存储介质、计算机设备，其中，图像处理方法包括：采用目标图像处理算法对输入图像进行处理以获得像素级的目标图，并根据像素级的目标图生成超像素级的目标图；对超像素级的目标图进行图割处理以分别提取背景样本和二值化图像；对二值化图像进行GOP区域预测以生成初始显著图，并根据初始显著图提取前景样本；根据背景样本和前景样本进行模型训练。由此，该图像处理方法能够保证目标图像训练样本的准确性，从而提高目标图像检测的准确度。

Description

图像处理方法与装置、计算机可读存储介质、计算机设备
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，一种计算机可读存储介质，一种计算机设备和一种图像处理装置。
背景技术
图像显著性检测近年来引起了人们的广泛关注，作为一种预处理方法，图像显著性检测被广泛应用于图像压缩、图像分类及图像分割等多个领域。在相关技术中，显著检测研究主要是利用手工设计特征和启发式先验来对图像中的显著性区域进行检测，其中一种方案是前背景训练样本从一幅图中选择，前景训练样本选择图像中心位置，背景训练样本选择图像四周像素，该方案如果检测目标没有位于图像中心区域，则会导致所选择的前景训练样本不准确；另一种方案是前背景训练样本从一幅初始显著图中选择，前景训练样本选择显著图中阈值较大部分，背景训练样本选择显著图中阈值较小部分，该方案过度依赖初始显著图，如果初始显著图不准确，则依然会导致所选择的训练样本不准确。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种图像处理方法，能够保证目标图像训练样本的准确性，从而提高目标图像检测的准确度。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种图像处理装置。
为达上述目的，本发明第一方面实施例提出了一种图像处理方法，该方法包括：采用目标图像处理算法对输入图像进行处理以获得像素级的目标图，并根据所述像素级的目标图生成超像素级的目标图；对所述超像素级的目标图进行图割处理以分别提取背景样本和二值化图像；对所述二值化图像进行GOP(Group of Picture，图像组)区域预测以生成初始显著图，并根据所述初始显著图提取前景样本；根据所述背景样本和所述前景样本进行模型训练。
本发明实施例的图像处理方法首先采用目标图像处理算法对输入图像进行处理并获得像素级的目标图，然后根据该像素级的目标图生成超像素级的目标图，再对超像素级的目标图进行图割处理以分别提取到背景样本和二值化图像，然后对二值化图像进行GOP区域预测以生成初始显著图，再根据初始显著图提取到前景样本，最后根据背景样本和前景样本进行模型训练。由此，该图像处理方法能够保证目标图像训练样本的准确性，从而提高目标图像检测的准确度。
在本发明的一些示例中，所述像素级的目标图为多个，其中，根据所述像素级的目标图生成超像素级的目标图，包括：对多个所述像素级的目标图进行聚类处理以获得所述超像素级的目标图。
在本发明的一些示例中，对所述二值化图像进行GOP区域预测以生成初始显著图，包括：将所述超像素级的目标图的二值化结果作为假定的真值，计算每个预测区域的F-measure值，并根据所述F-measure值大于预设值的预测区域的像素计算所述初始显著图。
在本发明的一些示例中，根据以下公式计算所述初始显著图：
Figure BDA0002698974440000021
其中，j是M个预测区域的索引，
Figure BDA0002698974440000022
表示第j个预测区域
Figure BDA0002698974440000023
的F-measure值。
为达上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有图像处理程序，该图像处理程序被处理器执行时实现如上述实施例中的图像处理方法。
本发明实施例的计算机可读存储介质，可以通过执行其上存储的图像处理程序，实现上述实施例中的图像处理方法，从而能够保证目标图像训练样本的准确性，从而提高目标图像检测的准确度。
为达上述目的，本发明第三方面实施例提出了一种设备，该设备包括存储器、处理器及存储在存储器上并可在处理器上运行的图像处理程序，所述处理器执行所述图像处理程序时，实现如上述实施例所述的图像处理方法。
本发明实施例的设备包括存储器、处理器和存储在存储器上并可以在处理器上运行的图像处理程序，通过执行图像处理程序，可以实现上述实施例中的图像处理方法，从而能够保证目标图像训练样本的准确性，从而提高目标图像检测的准确度。
为达上述目的，本发明第四方面实施例提出了一种图像处理装置，该处理装置包括：目标图生成模块，用于采用目标图像处理算法对输入图像进行处理以获得像素级的目标图，并根据所述像素级的目标图生成超像素级的目标图；图割处理模块，用于对所述超像素级的目标图进行图割处理以分别提取背景样本和二值化图像；提取模块，用于对所述二值化图像进行GOP区域预测以生成初始显著图，并根据所述初始显著图提取前景样本；训练模块，用于根据所述背景样本和所述前景样本进行模型训练。
本发明实施例的图像处理装置包括目标图生成模块、图割处理模块、提取模块和训练模块。首先，利用目标图生成模块通过目标图像处理算法对输入图像进行处理以获得像素级的目标图，并根据像素级的目标图生成超像素级的目标图，再利用图割处理模块对超像素级的目标图进行图割处理以分别提取背景样本和二值化图像，然后利用提取模块对二值化图像进行GOP区域预测以生成除湿显著图，并根据该初始显著图提取前景样本，最后再通过训练模块根据背景样本和前景样本进行模型训练。由此，该图像处理装置能够保证目标图像训练样本的准确性，从而提高目标图像检测的准确度。
在本发明的一些示例中，所述像素级的目标图为多个，其中，所述目标图生成模块还用于对多个所述像素级的目标图进行聚类处理以获得所述超像素级的目标图。
在本发明的一些示例中，所述提取模块还用于，将所述超像素级的目标图的二值化结果作为假定的真值，计算每个预测区域的F-measure值，并根据所述F-measure值大于预设值的预测区域的像素计算所述初始显著图。
在本发明的一些示例中，根据以下公式计算所述初始显著图：
Figure BDA0002698974440000031
其中，j是M个预测区域的索引，
Figure BDA0002698974440000032
表示第j个预测区域
Figure BDA0002698974440000033
的F-measure值。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1是本发明实施例的图像处理方法的流程图；
图2是本发明一个具体实施例的图像处理过程的示意图；
图3是本发明实施例的图像处理装置的结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的图像处理方法与装置、计算机可读存储介质、计算机设备。
图1是本发明实施例的图像处理方法的流程图。
在该实施例中，如图1所示，图像处理方法包括以下步骤：
S10，采用目标图像处理算法对输入图像进行处理以获得像素级的目标图，并根据像素级的目标图生成超像素级的目标图。
具体地，参见图2，其中，图2(a)为输入图像，在该实施例中，可以通过目标图像处理算法对该输入图像进行处理，以获得图2(b)所示的像素级的目标图。在本发明的一些示例中，如图2(b)所示，像素级的目标图可为多个，其中，根据像素级的目标图生成超像素级的目标图，包括：对多个像素级的目标图进行聚类处理以获得超像素级的目标图。
需要说明的是，该实施例中可以采用Objectness算法为每个像素级的目标图计算目标分数，如图2(b)所示，可以分别将目标分数记为S1、S2等，该目标分数为其各自像素级的目标图的权重。在计算得到每个像素级的目标图的目标分数之后，再将带有目标分数的像素级的目标图通过目标图聚类的方法进行聚类处理以得到超像素级的目标图，即图2(c)。具体地，将各个像素级的目标图乘以其各自的目标分数再进行求和，以得到超像素级的目标图。
在本发明的一些示例中，目标图像处理算法可为Objectness算法，即通过Objectness算法对输入图像进行处理以获得像素级的目标图。
S20，对超像素级的目标图进行图割处理以分别提取背景样本和二值化图像。
具体地，在对多个像素级的目标图进行聚类处理并得到超像素级的目标图之后，可以再对该超像素级的目标图进行图割处理，更具体地，即对该超像素级的目标图进行二值化处理以得到二值化图像，在该实施例中，图2(d)记为经过图割处理之后所得到的二值化图像。需要说明的是，在对超像素级的目标图进行图割处理之后，还可以对输入图像的背景样本进行提取。
S30，对二值化图像进行GOP区域预测以生成初始显著图，并根据初始显著图提取前景样本。
在经过图割处理并得到二值化图像之后，可以对二值化图像进行GOP区域预测以生成初始显著图。在一些示例中，可以将超像素级的目标图的二值化结果作为假定的真值，计算每个预测区域的F-measure值，并根据F-measure值大于预设值的预测区域的像素计算初始显著图。可选地，可以根据以下公式计算初始显著图：
Figure BDA0002698974440000041
其中，j是M个预测区域的索引，
Figure BDA0002698974440000042
表示第j个预测区域
Figure BDA0002698974440000043
的F-measure值。
具体地，在该实施例中，将二值化结果作为假定的真值，并对每个预测区域的F-measure值进行计算之后可以得到图2(e)。需要说明的是，图2(e)中，Fm1表示第一个预测区域的F-measure值，Fm2表示第二个预测区域的F-measure值，以此类推。另外需要说明的是，F-measure值是信息检索领域的常用的一个评价标准，常用于评价分类模型的好坏，在不同的模型中，可以选择不同的F-measure值以寻求该模型中在召回率和精确率中间的一个平衡点。在该实施例中，可以将F-measure值大于预设值，或者前40％的F-measure值所对应的预测区域进行线性加权来生成初始显著图，即图2(f)。
更具体地，在该实施例中，通过公式
Figure BDA0002698974440000051
计算初始显著图，其中，i表示目标图像的第i个像素，像素i可以处于M个预测区域中，所以可以求出i在每一个M预测区域中的Sin(i)值，然后再进行加权，Sin(i)表示当前像素i为前景像素的概率，
Figure BDA0002698974440000052
用于判断当前像素i在第j个索引中是否为前景像素，如果是，则
Figure BDA0002698974440000053
的值为1，即需要考虑当前的
Figure BDA0002698974440000059
值；而如果当前像素i在第j个索引中为背景像素，则
Figure BDA0002698974440000054
的值为0，即不需要考虑当前背景像素的
Figure BDA0002698974440000055
值。可以理解的是，如果
Figure BDA0002698974440000056
越大，则当前像素为前景像素的概率越大，则Sin(i)的值越大，在计算完图像中所有像素的Sin值之后，则可以将所有像素组成一个前景样本。需要说明的是，在将所有像素组成一个前景样本的时候，其中也可能误算到一部分背景像素，但是由于背景像素的
Figure BDA0002698974440000057
值远小于前景像素的
Figure BDA0002698974440000058
值，所以即使误算到部分背景像素，其在最后得到的前景样本中所显示出来也非常灰暗，可以忽略，而前景像素则十分明亮的突出显示。通过上述公式计算之后可以得到初始显著图，并且能够使得所生成的初始显著图更好地突出前景，则可以根据该初始显著图提取前景样本。
S40，根据背景样本和前景样本进行模型训练。
具体地，在计算得到初始显著图之后，由于该初始显著图能够很好的突出前景，则可以利用初始显著图选择前景样本，从而能够避免一些背景区域被错误地选择，从而保证前景样本的准确性。而在对超像素级的目标图进行图割处理之后提取的背景样本则可以在阈值的控制下，很好地抑制前景区域，使得背景样本更加准确。在得到准确的背景样本和前景样本之后则可以进行模型训练，从而能够更好的保证模型训练样本的准确性。
综上，本发明实施例的图像处理方法能够保证目标图像训练样本的准确性，从而提高目标图像检测的准确度。
进一步地，本发明提出了一种计算机可读存储介质，其上存储有图像处理程序，该图像处理程序被处理器执行时实现如上述实施例中的图像处理方法。
本发明实施例的计算机可读存储介质，在其上存储的与上述图像处理方法相对应的图像处理程序被处理器执行时，能够保证目标图像训练样本的准确性，从而提高目标图像检测的准确度。
进一步地，本发明提出了一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的图像处理程序，处理器执行图像处理程序时，实现如上述实施例中的图像处理方法。
本发明实施例中的设备包括存储器和处理器，在存储器上存储的与上述实施例中的图像处理方法相对应的图像处理程序被处理器执行时，能够保证目标图像训练样本的准确性，从而提高目标图像检测的准确度。
图3是本发明实施例的图像处理装置的结构框图。
进一步地，本发明提出了一种图像处理装置100，如图3所示，该图像处理装置100包括目标图生成模块101、图割处理模块102、提取模块103和训练模块104。
其中，目标图生成模块101用于采用目标图像处理算法对输入图像进行处理以获得像素级的目标图，并根据像素级的目标图生成超像素级的目标图；图割处理模块102用于对超像素级的目标图进行图割处理以分别提取背景样本和二值化图像；提取模块103用于对二值化图像进行GOP区域预测以生成初始显著图，并根据初始显著图提取前景样本；训练模块104用于根据背景样本和前景样本进行模型训练。
具体地，参见图2，其中，图2(a)为输入图像，在该实施例中，可以利用目标生成模块101采用目标图像处理算法对该输入图像进行处理，以获得图2(b)所示的像素级的目标图。在本发明的一些示例中，如图2(b)所示，像素级的目标图可为多个，其中，目标图生成模块101还用于对多个像素级的目标图进行聚类处理以获得超像素级的目标图。
需要说明的是，该实施例中可以采用Objectness算法为每个像素级的目标图计算目标分数，如图2(b)所示，可以分别将目标分数记为S1、S2等，该目标分数为其各自像素级的目标图的权重。在计算得到每个像素级的目标图的目标分数之后，再将带有目标分数的像素级的目标图通过目标图聚类的方法进行聚类处理以得到超像素级的目标图，即图2(c)。具体地，将各个像素级的目标图乘以其各自的目标分数再进行求和，以得到超像素级的目标图。
在本发明的一些示例中，目标图像处理算法可为Objectness算法，即通过Objectness算法对输入图像进行处理以获得像素级的目标图。
在得到超像素级的目标图之后，可以利用图割处理模块102对超像素级的目标图进行图割处理以分别提取背景样本和二值化图像。
具体地，在目标图生成模块101对多个像素级的目标图进行聚类处理并得到超像素级的目标图之后，可以利用图割处理模块102再对该超像素级的目标图进行图割处理，更具体地，即对该超像素级的目标图进行二值化处理以得到二值化图像，在该实施例中，图2(d)记为经过图割处理之后所得到的二值化图像。需要说明的是，在对超像素级的目标图进行图割处理之后，还可以对输入图像的背景样本进行提取。
在得到二值化图像之后，则利用提取模块103对二值化图像进行GOP区域预测以生成初始显著图，并根据初始显著图提取前景样本。
具体地，在经过图割处理模块102对超像素级的目标图进行图割处理并得到二值化图像之后，可以利用提取模块103对该二值化图像进行GOP区域预测以生成初始显著图。在一些示例中，可以利用提取模块103将超像素级的目标图的二值化结果作为假定的真值，计算每个预测区域的F-measure值，并根据F-measure值大于预设值的预测区域的像素计算初始显著图。可选地，可以根据以下公式计算初始显著图：
Figure BDA0002698974440000071
其中，j是M个预测区域的索引，
Figure BDA0002698974440000072
表示第j个预测区域
Figure BDA0002698974440000073
的F-measure值。
具体地，在该实施例中，利用提取模块103将二值化结果作为假定的真值，并对每个预测区域的F-measure值进行计算之后可以得到图2(e)。需要说明的是，图2(e)中，Fm1表示第一个预测区域的F-measure值，Fm2表示第二个预测区域的F-measure值，以此类推。另外需要说明的是，F-measure值是信息检索领域的常用的一个评价标准，常用于评价分类模型的好坏，在不同的模型中，可以选择不同的F-measure值以寻求该模型中在召回率和精确率中间的一个平衡点。在该实施例中，可以选取F-measure值大于预设值，或者F-measure值前40％所对应的预测区域进行线性加权来生成初始显著图，即图2(f)。
更具体地，在该实施例中，通过公式
Figure BDA0002698974440000074
计算初始显著图，其中，i表示目标图像的第i个像素，像素i可以处于M个预测区域中，所以可以求出i在每一个M预测区域中的Sin(i)值，然后再进行加权，Sin(i)表示当前像素i为前景像素的概率，
Figure BDA0002698974440000075
用于判断当前像素i在第j个索引中是否为前景像素，如果是，则
Figure BDA0002698974440000076
的值为1，即需要考虑当前的
Figure BDA0002698974440000077
值；而如果当前像素i在第j个索引中为背景像素，则
Figure BDA0002698974440000078
的值为0，即不需要考虑当前背景像素的
Figure BDA0002698974440000079
值。可以理解的是，如果
Figure BDA00026989744400000710
越大，则当前像素为前景像素的概率越大，则Sin(i)的值越大，在计算完图像中所有像素的Sin值之后，则可以将所有像素组成一个前景样本。需要说明的是，在将所有像素组成一个前景样本的时候，其中也可能误算到一部分背景像素，但是由于背景像素的
Figure BDA00026989744400000711
值远小于前景像素的
Figure BDA00026989744400000712
值，所以即使误算到部分背景像素，其在最后得到的前景样本中所显示出来也非常灰暗，可以忽略，而前景像素则十分明亮的突出显示。通过上述公式计算之后可以得到初始显著图，并且能够使得所生成的初始显著图更好地突出前景，则可以根据该初始显著图提取前景样本。
在得到前景样本和背景样本之后，则利用训练模块104根据背景样本和前景样本进行模型训练。
具体地，在计算得到初始显著图之后，由于该初始显著图能够很好的突出前景，则可以利用初始显著图选择前景样本，从而能够避免一些背景区域被错误地选择，从而保证前景样本的准确性。而在对超像素级的目标图进行图割处理之后提取的背景样本则可以在阈值的控制下，很好地抑制前景区域，使得背景样本更加准确。在得到准确的背景样本和前景样本之后则可以利用训练模块104进行模型训练，从而能够更好的保证模型训练样本的准确性。
综上，本发明实施例的图像处理装置能够保证目标图像训练样本的准确性，从而提高目标图像检测的准确度。
需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种图像处理方法，其特征在于，包括：
采用目标图像处理算法对输入图像进行处理以获得像素级的目标图，并根据所述像素级的目标图生成超像素级的目标图；
对所述超像素级的目标图进行图割处理以分别提取背景样本和二值化图像；
对所述二值化图像进行GOP区域预测以生成初始显著图，并根据所述初始显著图提取前景样本；
根据所述背景样本和所述前景样本进行模型训练。
2.如权利要求1所述的图像处理方法，其特征在于，所述像素级的目标图为多个，其中，根据所述像素级的目标图生成超像素级的目标图，包括：
对多个所述像素级的目标图进行聚类处理以获得所述超像素级的目标图。
3.如权利要求1-2中任一项所述的图像处理方法，其特征在于，对所述二值化图像进行GOP区域预测以生成初始显著图，包括：
将所述超像素级的目标图的二值化结果作为假定的真值，计算每个预测区域的F-measure值，并根据所述F-measure值大于预设值的预测区域的像素计算所述初始显著图。
4.如权利要求3所述的图像处理方法，其特征在于，根据以下公式计算所述初始显著图：
Figure FDA0002698974430000011
其中，j是M个预测区域的索引，
Figure FDA0002698974430000012
表示第j个预测区域
Figure FDA0002698974430000013
的F-measure值。
5.一种计算机可读存储介质，其特征在于，其上存储有图像处理程序，该图像处理程序被处理器执行时实现如权利要求1-4中任一项所述的图像处理方法。
6.一种计算机设备，其特征在于，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图像处理程序，所述处理器执行所述图像处理程序时，实现如权利要求1-4中任一项所述的图像处理方法。
7.一种图像处理装置，其特征在于，包括：
目标图生成模块，用于采用目标图像处理算法对输入图像进行处理以获得像素级的目标图，并根据所述像素级的目标图生成超像素级的目标图；
图割处理模块，用于对所述超像素级的目标图进行图割处理以分别提取背景样本和二值化图像；
提取模块，用于对所述二值化图像进行GOP区域预测以生成初始显著图，并根据所述初始显著图提取前景样本；
训练模块，用于根据所述背景样本和所述前景样本进行模型训练。
8.如权利要求7所述的图像处理装置，其特征在于，所述像素级的目标图为多个，其中，所述目标图生成模块还用于对多个所述像素级的目标图进行聚类处理以获得所述超像素级的目标图。
9.如权利要求7或8所述的图像处理装置，其特征在于，所述提取模块还用于，将所述超像素级的目标图的二值化结果作为假定的真值，计算每个预测区域的F-measure值，并根据所述F-measure值大于预设值的预测区域的像素计算所述初始显著图。
10.如权利要求9所述的图像处理装置，其特征在于，根据以下公式计算所述初始显著图：
Figure FDA0002698974430000021
其中，j是M个预测区域的索引，
Figure FDA0002698974430000022
表示第j个预测区域
Figure FDA0002698974430000024
的F-measure值。
CN202011019693.0A 2020-09-24 2020-09-24 图像处理方法与装置、计算机可读存储介质、计算机设备 Pending CN112149688A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011019693.0A CN112149688A (zh) 2020-09-24 2020-09-24 图像处理方法与装置、计算机可读存储介质、计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011019693.0A CN112149688A (zh) 2020-09-24 2020-09-24 图像处理方法与装置、计算机可读存储介质、计算机设备

Publications (1)

Publication Number Publication Date
CN112149688A true CN112149688A (zh) 2020-12-29

Family

ID=73897929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011019693.0A Pending CN112149688A (zh) 2020-09-24 2020-09-24 图像处理方法与装置、计算机可读存储介质、计算机设备

Country Status (1)

Country Link
CN (1) CN112149688A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150262039A1 (en) * 2014-03-13 2015-09-17 Omron Corporation Image processing apparatus and image processing method
CN106960434A (zh) * 2017-03-03 2017-07-18 大连理工大学 一种基于被包围状态和贝叶斯模型的图像显著性检测方法
CN107169487A (zh) * 2017-04-19 2017-09-15 西安电子科技大学 基于超像素分割及深度特征定位的显著性目标检测方法
CN110443257A (zh) * 2019-07-08 2019-11-12 大连理工大学 一种基于主动学习的显著性检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150262039A1 (en) * 2014-03-13 2015-09-17 Omron Corporation Image processing apparatus and image processing method
CN106960434A (zh) * 2017-03-03 2017-07-18 大连理工大学 一种基于被包围状态和贝叶斯模型的图像显著性检测方法
CN107169487A (zh) * 2017-04-19 2017-09-15 西安电子科技大学 基于超像素分割及深度特征定位的显著性目标检测方法
CN110443257A (zh) * 2019-07-08 2019-11-12 大连理工大学 一种基于主动学习的显著性检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIA YOU, 等: "Salient object detection via point-to-set metric learning", 《PATTERN RECOGNITION LETTERS》, 31 August 2016 (2016-08-31), pages 85 - 90 *
由佳: "基于点—集度量学习的显著目标检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 March 2017 (2017-03-15), pages 138 - 4549 *

Similar Documents

Publication Publication Date Title
EP3101594A1 (en) Saliency information acquisition device and saliency information acquisition method
CN111524137B (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN109948683B (zh) 点云数据的难易度划分方法、装置及其相关设备
CN112329702B (zh) 一种快速人脸密度预测和人脸检测方法、装置、电子设备及存储介质
EP3039645B1 (en) A semi automatic target initialization method based on visual saliency
CN112132131B (zh) 量筒液位识别方法和装置
US20170178341A1 (en) Single Parameter Segmentation of Images
CN114399644A (zh) 一种基于小样本目标检测方法及装置
CN114549445A (zh) 图像检测及相关模型的训练方法、相关装置、设备和介质
CN115375917B (zh) 一种目标边缘特征提取方法、装置、终端及存储介质
CN116030237A (zh) 工业缺陷检测方法、装置及电子设备、存储介质
US20170053172A1 (en) Image processing apparatus, and image processing method
CN114155398A (zh) 一种标注类型自适应的主动学习图像目标检测方法及装置
JP2011165170A (ja) 対象物検出装置及びプログラム
CN111062954B (zh) 一种基于差分信息统计的红外图像分割方法、装置及设备
CN115908999B (zh) 配电杆塔顶部金具锈蚀检测方法、介质和边缘终端设备
CN112149688A (zh) 图像处理方法与装置、计算机可读存储介质、计算机设备
CN116486153A (zh) 图像分类方法、装置、设备及存储介质
CN114445716B (zh) 关键点检测方法、装置、计算机设备、介质及程序产品
CN113537253B (zh) 一种红外图像目标检测方法、装置、计算设备及存储介质
CN111723719B (zh) 基于类别外部记忆的视频目标检测方法、***、装置
CN111914766B (zh) 一种城市管理业务游商行为检测方法
CN113326749A (zh) 目标检测方法、装置以及存储介质、电子设备
CN115497172B (zh) 钓鱼行为检测方法、装置及边缘处理设备、存储介质
CN111275045A (zh) 图像的主体识别方法、装置、电子设备和介质

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