CN114882221A - 一种应用于自动采集装置的图像分割算法 - Google Patents
一种应用于自动采集装置的图像分割算法 Download PDFInfo
- Publication number
- CN114882221A CN114882221A CN202210573194.9A CN202210573194A CN114882221A CN 114882221 A CN114882221 A CN 114882221A CN 202210573194 A CN202210573194 A CN 202210573194A CN 114882221 A CN114882221 A CN 114882221A
- Authority
- CN
- China
- Prior art keywords
- image
- image segmentation
- snake
- automatic acquisition
- acquisition device
- 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
- 238000003709 image segmentation Methods 0.000 title claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 28
- 241000270295 Serpentes Species 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- 238000005381 potential energy Methods 0.000 claims description 9
- 238000005452 bending Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- 238000004800 variational method Methods 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract description 13
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- G06V10/20—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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种应用于自动采集装置的图像分割算法,步骤如下:(1)确定感兴趣区域;(2)对感兴趣区域进行预处理;(3)二值化处理;(4)采用snake算法进行图像分割;(5)将图像分割结果应用于多种领域。本发明在二值化处理和图像分割前,先确定物体感兴趣区域,减少对无用地区的处理,减少数据冗余;本发明在进行图像分割之前先进行二值化处理,减少像素因素对计算量的影响,计算速度快,分割结果精准。
Description
技术领域
本发明涉及计算机视觉,特别是一种应用于自动采集装置的图像分割算法。
背景技术
传统的图像分割技术主要包括基于阈值的分割方法、基于区域的图像分割方法、基于边缘检测的分割方法。其中,基于阈值的分割方法的关键是以每个像素值和阈值作比较,从而对像素进行区分,这类方法在面对复杂图像时分割效果不显著;基于区域的图像分割方法对事物的分割可以达到较为满意的结果,但算法复杂,计算量大;基于边缘检测的分割方法可以快速定位边缘,运行速度快,但不能保证边缘的连续性和封闭性,在高细节区域存在大量的碎边缘,难以形成一个大区域,但是又不宜将高细节区域分成小碎片,需要结合其他算法才能完成分割任务。为实现算法简单,运行速度快,分割结果精准的目标,需要发展新的分割技术。
发明内容
发明目的:本发明的目的是提供一种运行速度快、分割结果精准的应用于自动采集装置的图像分割算法。
技术方案:本发明所述的一种应用于自动采集装置的图像分割算法,包括以下步骤:
(1)确定感兴趣区域;
(2)对感兴趣区域进行预处理;
(3)二值化处理;
(4)采用snake算法进行图像分割;
(5)将图像分割结果应用于多种领域。
所述步骤(1)具体为:
(1.1)在物体横截面划定一条穿过该物体的第一直线,所述第一直线与所述物体横截面的交点之间构成第一线段,所述第一线段的长度为d1;
(1.2)以所述第一线段的中点为中心划取边长为d2的正方型,该正方型所包含的区域为该感兴趣区域,其中d2=d1·r,且1<r<2。
所述步骤(2)具体为:
(2.1)将所述图像的x轴、y轴方向上的分辨率进行归一化处理;
(2.2)增强所述图像的对比度;
(2.3)对所述图像进行去噪处理。
所述步骤(3)具体为:
(3.1)图像具有物品像素和背景像素,取待分割的图像,采用差分法将图像的背景删除;
(3.2)采用均值滤波对图像进行噪声过滤;
(3.3)对图像进行二值化处理,值为1的像素(白色)为物体像素,值为0的像素(黑色)为背景像素。
所述步骤(4)具体为:
(4.1)采用基于主动轮廓模型的snake算法,snake是一种能量最小的曲线,表示为:
v(s)=(x(s),y(s))
其中s为归一化的曲线长度,s∈[0,1];
(4.2)能量函数由曲线内部能量和外部约束力组成,表示为:
Esnake=∫Esnake(v(s))ds
=∫(Eint(v(s))+Eimage(v(s)))ds
(4.3)内部能量分为弹性势能和弯曲势能两部分,即:
Eint=α(s)|vs(s)|2+β(s)|Vss(s)|2
(4.4)外部约束力分为三部分,分别驱使snake趋向于lines(线),edges(边),termination(终端);
Eimage=wlineEline+wedgeEedge+wtermEterm
设定Eline为图像强度,Eedge为亮度的梯度变化;
C(x,y)为高斯滤波后的图像,θ是(x,y)处的梯度角度;
C(x,y)=Gσ(x,y)*l(x,y)
tanθ=Cy/Cx
规定
n=(cosθ,sinθ),n⊥=(-sinθ,cosθ)
则,终端的能量函数定义为:
(4.5)目标轮廓的确定转化为极小化如下能量函数的问题,求解能量的极小化是一个典型的变分问题,依据变分法的原理将其转化为欧拉公式,将变分问题转化为微分问题,进而求得极小值,
步骤(5)中所述的多种领域包括图像识别、图像分析。
一种计算机存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的一种应用于自动采集装置的图像分割算法。
一种计算机设备,包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的一种应用于自动采集装置的图像分割算法。
有益效果:与现有技术相比,本发明具有如下优点:
1、本发明在二值化处理和图像分割前,先确定物体感兴趣区域,减少对无用地区的处理,减少数据冗余。
2、在进行图像分割之前先进行二值化处理,减少像素因素对计算量的影响,计算速度快,分割结果精准。
附图说明
图1为本发明的步骤流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示,一种应用于自动采集装置的图像分割算法,包括以下步骤:
(1)确定感兴趣区域;
(1.1)在物体横截面划定一条穿过该物体的第一直线,所述第一直线与所述物体横截面的交点之间构成第一线段,所述第一线段的长度为d1;
(1.2)以所述第一线段的中点为中心划取边长为d2的正方型,该正方型所包含的区域为该感兴趣区域,其中d2=d1·r,且1<r<2。
(2)对感兴趣区域进行预处理;
(2.1)将所述图像的x轴、y轴方向上的分辨率进行归一化处理;
(2.2)增强所述图像的对比度;
(2.3)对所述图像进行去噪处理。
(3)二值化处理;
(3.1)图像具有物品像素和背景像素,取待分割的图像,采用差分法将图像的背景删除;
(3.2)采用均值滤波对图像进行噪声过滤;
(3.3)对图像进行二值化处理,值为1的像素(白色)为物体像素,值为0的像素(黑色)为背景像素。
(4)采用snake算法进行图像分割;
(4.1)采用基于主动轮廓模型的snake算法,snake是一种能量最小的曲线,表示为:
v(s)=(x(s),y(s))
其中s为归一化的曲线长度,s∈[0,1];
(4.2)能量函数由曲线内部能量和外部约束力组成,表示为:
Esnake=∫Esnake(v(s))ds
=∫(Eint(v(s))+Eimage(v(s)))ds
(4.3)内部能量分为弹性势能和弯曲势能两部分,即:
Eint=α(s)|vs(s)|2+β(s)|Vss(s)|2
(4.4)外部约束力分为三部分,分别驱使snake趋向于lines(线),edges(边),termination(终端);
Eimage=wlineEline+wedgeEedge+wtermEterm
设定Eline为图像强度,Eedge为亮度的梯度变化;
C(x,y)为高斯滤波后的图像,θ是(x,y)处的梯度角度;
C(x,y)=Gσ(x,y)*l(x,y)
tanθ=Cy/Cx
规定
n=(cosθ,sinθ),n⊥=(-sinθ,cosθ)
则,终端的能量函数定义为:
(4.5)目标轮廓的确定转化为极小化如下能量函数的问题,求解能量的极小化是一个典型的变分问题,依据变分法的原理将其转化为欧拉公式,将变分问题转化为微分问题,进而求得极小值,
(5)将图像分割结果应用于图像识别、图像分析等多种领域,以无人自动售卖区的自动称重计价器识别图像为例:
S1、买家将所购置物体放置于自动计价器上,获取图像;
S2、确定感兴趣区域可人为划定第一线段d1,也可自动识别区域中各个物体,并分别划定线段d1;
S3、通过感兴趣区域划分将识别物体划分成若干区域(出现物体粘连则划分进同一区域);
S4、将划分出的感兴趣区域进行二值化处理消除物体外观的像素值对图像分割的影响,值为1的像素(白色)为物体像素,值为0的像素(黑色)为背景像素。
S5、主动轮廓模型的snake算法:
S6、弹性势能和弯曲势能合称内部能量(内部力),在图像分割中用于控制轮廓线的弹性形变,起到保持轮廓连续性和平滑性的作用。
S7、经过二值化处理后的图像,边缘轮廓比较明显,外部约束力可取控制点或连线所在位置的图像局部特征比如梯度:
当轮廓C靠近目标图像边缘,那么C的灰度的梯度也会增大,当上式能量最小,则该点速度为0,也就是停止运动了。
S8、进行过上述轮廓分割后,所放置物体的图像,应分割为一个(或多个)不同的图像模型,进行识别操作。最终将物体在数据库中对应的价格输出,用户付款。
Claims (8)
1.一种应用于自动采集装置的图像分割算法,其特征在于,包括以下步骤:
(1)确定感兴趣区域;
(2)对感兴趣区域进行预处理;
(3)二值化处理;
(4)采用snake算法进行图像分割;
(5)将图像分割结果应用于多种领域。
2.根据权利要求1所述的一种应用于自动采集装置的图像分割算法,其特征在于,所述步骤(1)具体为:
(1.1)在物体横截面划定一条穿过该物体的第一直线,所述第一直线与所述物体横截面的交点之间构成第一线段,所述第一线段的长度为d1;
(1.2)以所述第一线段的中点为中心划取边长为d2的正方型,该正方型所包含的区域为该感兴趣区域,其中d2=d1·r,且1<r<2。
3.根据权利要求1所述的一种应用于自动采集装置的图像分割算法,其特征在于,所述步骤(2)具体为:
(2.1)将所述图像的x轴、y轴方向上的分辨率进行归一化处理;
(2.2)增强所述图像的对比度;
(2.3)对所述图像进行去噪处理。
4.根据权利要求1所述的一种应用于自动采集装置的图像分割算法,其特征在于,所述步骤(3)具体为:
(3.1)图像具有物品像素和背景像素,取待分割的图像,采用差分法将图像的背景删除;
(3.2)采用均值滤波对图像进行噪声过滤;
(3.3)对图像进行二值化处理,值为1的像素为物体像素,值为0的像素为背景像素。
5.根据权利要求1所述的一种应用于自动采集装置的图像分割算法,其特征在于,所述步骤(4)具体为:
(4.1)采用基于主动轮廓模型的snake算法,snake是一种能量最小的曲线,表示为:
v(s)=(x(s),y(s))
其中s为归一化的曲线长度,s∈[0,1];
(4.2)能量函数Esnake由曲线内部能量Eint和外部约束力Eimage组成,表示为:
Esnake=∫Esnake(v(s))ds
=∫(Eint(v(s))+Eimage(v(s)))ds
(4.3)内部能量Eint分为弹性势能和弯曲势能两部分,即:
Eint=α(s)|vs(s)|2+β(s)|Vss(s)|2
(4.4)外部约束力Eimage分为三部分,分别驱使snake趋向于lines、edges、termination;
Eimage=wlineEline+wedgeEedge+wtermEterm
设定Eline为图像强度,Eedge为亮度的梯度变化;
C(x,y)为高斯滤波后的图像,θ是(x,y)处的梯度角度;
C(x,y)=Gσ(x,y)*l(x,y)
tanθ=Cy/Cx
规定
n=(cosθ,sinθ),n⊥=(-sinθ,cosθ)
则,终端的能量函数定义为:
(4.5)目标轮廓的确定转化为极小化如下能量函数的问题,求解能量的极小化是一个典型的变分问题,依据变分法的原理将其转化为欧拉公式,将变分问题转化为微分问题,进而求得极小值,
6.根据权利要求1所述的一种应用于自动采集装置的图像分割算法,其特征在于,步骤(5)中所述的多种领域包括图像识别、图像分析。
7.一种计算机存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的一种应用于自动采集装置的图像分割算法。
8.一种计算机设备,包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的一种应用于自动采集装置的图像分割算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210573194.9A CN114882221A (zh) | 2022-05-25 | 2022-05-25 | 一种应用于自动采集装置的图像分割算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210573194.9A CN114882221A (zh) | 2022-05-25 | 2022-05-25 | 一种应用于自动采集装置的图像分割算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114882221A true CN114882221A (zh) | 2022-08-09 |
Family
ID=82677322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210573194.9A Pending CN114882221A (zh) | 2022-05-25 | 2022-05-25 | 一种应用于自动采集装置的图像分割算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114882221A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577833A (zh) * | 2012-08-01 | 2014-02-12 | 复旦大学 | 基于运动模板的异常闯入检测方法 |
CN104732213A (zh) * | 2015-03-23 | 2015-06-24 | 中山大学 | 一种基于乳腺磁共振图像的计算机辅助肿块检测方法 |
CN104766340A (zh) * | 2015-04-30 | 2015-07-08 | 上海联影医疗科技有限公司 | 一种图像分割方法 |
CN107977976A (zh) * | 2017-12-01 | 2018-05-01 | 浙江科技学院 | 一种图像分割方法 |
CN110264479A (zh) * | 2019-06-25 | 2019-09-20 | 南京景三医疗科技有限公司 | 基于随机游走和水平集的三维图像分割方法 |
-
2022
- 2022-05-25 CN CN202210573194.9A patent/CN114882221A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577833A (zh) * | 2012-08-01 | 2014-02-12 | 复旦大学 | 基于运动模板的异常闯入检测方法 |
CN104732213A (zh) * | 2015-03-23 | 2015-06-24 | 中山大学 | 一种基于乳腺磁共振图像的计算机辅助肿块检测方法 |
CN104766340A (zh) * | 2015-04-30 | 2015-07-08 | 上海联影医疗科技有限公司 | 一种图像分割方法 |
CN107977976A (zh) * | 2017-12-01 | 2018-05-01 | 浙江科技学院 | 一种图像分割方法 |
CN110264479A (zh) * | 2019-06-25 | 2019-09-20 | 南京景三医疗科技有限公司 | 基于随机游走和水平集的三维图像分割方法 |
Non-Patent Citations (3)
Title |
---|
MICHAEL KASS等: "Snakes: Active contour models", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》, 1 January 1988 (1988-01-01), pages 1 - 11 * |
曹彪;刘奇;: "结合数学形态学和Level Set超声图像的分割方法", 中国测试技术, no. 05, 30 September 2007 (2007-09-30) * |
董天阳;周棋正;: "基于形态Snake模型的遥感影像的单木树冠检测算法", 计算机科学, no. 2, 15 November 2018 (2018-11-15), pages 2 - 4 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914698B (zh) | 图像中人体的分割方法、分割***、电子设备及存储介质 | |
Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
CN116109637B (zh) | 基于视觉的涡轮增压器叶轮外观缺陷检测的***及其方法 | |
CN110570442A (zh) | 一种复杂背景下轮廓检测方法、终端设备及存储介质 | |
Han et al. | An improved corner detection algorithm based on harris | |
Salem | A Survey on Various Image Inpainting Techniques. | |
Meus et al. | Embedded vision system for pedestrian detection based on HOG+ SVM and use of motion information implemented in Zynq heterogeneous device | |
CN113034497A (zh) | 一种基于视觉的保温杯焊缝定位检测方法及*** | |
CN103914829A (zh) | 一种含噪图像边缘检测方法 | |
CN113723382B (zh) | 车道线提点的方法、装置和计算机设备 | |
Liu et al. | SETR-YOLOv5n: A lightweight low-light lane curvature detection method based on fractional-order fusion model | |
Nguyen et al. | UnfairGAN: An enhanced generative adversarial network for raindrop removal from a single image | |
Guan et al. | Energy-efficient hardware implementation of road-lane detection based on hough transform with parallelized voting procedure and local maximum algorithm | |
CN114119695A (zh) | 一种图像标注方法、装置及电子设备 | |
CN111739047A (zh) | 基于双谱重建的舌体图像分割方法及*** | |
CN114882221A (zh) | 一种应用于自动采集装置的图像分割算法 | |
Zhang et al. | Real-time Lane Detection Method Based On Region Of Interest | |
CN113706563B (zh) | 一种自动初始化Snake模型的X光胸片肺野分割方法 | |
CN113255405B (zh) | 车位线识别方法及其***、车位线识别设备、存储介质 | |
Mignotte | Symmetry detection based on multiscale pairwise texture boundary segment interactions | |
Davies | Stable bi-level and multi-level thresholding of images using a new global transformation | |
Li et al. | Defect detection in vehicle mirror nonplanar surfaces with multi-scale atrous single-shot detect mechanism | |
CN117372937B (zh) | 一种基于指针仪表的数据读取方法 | |
CN109886213B (zh) | 疲劳状态判断方法、电子设备及计算机可读存储介质 | |
Ammar et al. | Algorithmic Optimization Effects on Energy Consumption for Real time Object Tracking |
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 |