[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN111161299A - 影像分割方法、计算机程序、存储介质及电子装置 - Google Patents

影像分割方法、计算机程序、存储介质及电子装置 Download PDF

Info

Publication number
CN111161299A
CN111161299A CN201811327697.8A CN201811327697A CN111161299A CN 111161299 A CN111161299 A CN 111161299A CN 201811327697 A CN201811327697 A CN 201811327697A CN 111161299 A CN111161299 A CN 111161299A
Authority
CN
China
Prior art keywords
image
histogram
segmentation
value
depth
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.)
Granted
Application number
CN201811327697.8A
Other languages
English (en)
Other versions
CN111161299B (zh
Inventor
许乃晟
黄俊翔
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.)
Shenzhen Futaihong Precision Industry Co Ltd
Chiun Mai Communication Systems Inc
Original Assignee
Shenzhen Futaihong Precision Industry Co Ltd
Chiun Mai Communication Systems Inc
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 Shenzhen Futaihong Precision Industry Co Ltd, Chiun Mai Communication Systems Inc filed Critical Shenzhen Futaihong Precision Industry Co Ltd
Priority to CN201811327697.8A priority Critical patent/CN111161299B/zh
Priority to US16/581,874 priority patent/US10964028B2/en
Publication of CN111161299A publication Critical patent/CN111161299A/zh
Application granted granted Critical
Publication of CN111161299B publication Critical patent/CN111161299B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/593—Depth or shape recovery from multiple images from stereo images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Landscapes

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

Abstract

一种影像分割方法，所述方法包括：获取影像和所述影像的深度图像；获取所述深度图像的直方图，所述直方图包括横坐标及纵坐标；采用聚类算法对直方图数据进行聚类，得到两个类别及两个类别的中心；确定直方图中两个类别的中心之间的对应纵坐标值最小的横坐标值为分割阈值；确定所述分割阈值是否满足预设条件；当所述分割阈值满足预设条件时，根据所述分割阈值将所述影像分割成前景和背景两个区域。本发明还提供一种计算机程序、存储介质及电子装置，可避免在影像深度分布连续的位置进行前背景分割。

Description

影像分割方法、计算机程序、存储介质及电子装置
技术领域
本发明涉及数字图像处理技术领域，特别涉及一种影像分割方法、计算机程序、存储介质及电子装置。
背景技术
目前，影像的后期处理，例如背景虚拟处理，需要事先将影像进行前背景分割处理。然而，现有的影像进行前背景分割处理往往存在在影像深度分布连续的位置进行分割导致影像的前景和背景分割不恰当，进而影响影像的后期处理。
发明内容
鉴于以上内容，有必要提供一种影像分割方法、计算机程序、存储介质及电子装置，可避免在影像深度分布连续的位置进行前背景分割。
本发明的第一方面提供一种影像分割方法，所述方法包括：
获取影像和所述影像的深度图像；
获取所述深度图像的直方图，所述直方图包括横坐标及纵坐标；
采用聚类算法对直方图数据进行聚类，得到两个类别及两个类别的中心；
确定直方图中两个类别的中心之间的对应纵坐标值最小的横坐标值为分割阈值；
确定所述分割阈值是否满足预设条件；
当所述分割阈值满足预设条件时，根据所述分割阈值将所述影像分割成前景和背景两个区域。
较佳的，所述获取所述影像的深度图像包括：
通过双目匹配算法或者深度图像采集装置获取所述影像的深度图像。
较佳的，所述预设条件为所述直方图中以所述分割阈值为中心的预设范围内的纵坐标值的平均值小于预设值。或者，所述预设条件为所述直方图中所述分割阈值对应的纵坐标值小于预设值。
较佳的，所述方法还包括：
当所述分割阈值不满足预设条件时，确定所述影像不适合分割成所述前景和所述背景两个区域。
较佳的，所述直方图中的所述横坐标代表所述深度图像的像素的深度值；
所述直方图中的所述纵坐标代表对应每一所述深度值的所述像素的个数。
较佳的，所述聚类算法为K-means算法。
本发明的第二方面提供一种计算机程序，所述计算机程序包括至少一个计算机程序指令，所述至少一个计算机程序指令用于被处理器执行以实现如上任意一项所述的影像分割方法。
本发明的第三方面提供一种存储介质，所述存储介质存储至少一个计算机程序指令，所述至少一个计算机程序指令用于被处理器执行以实现如上任意一项所述的影像分割方法。
本发明的第四方面提供一种电子装置，所述电子装置包括处理器及存储器，所述处理器用于执行所述存储器中存储的至少一个计算机程序指令以实现如上任意一项所述的影像分割方法。
本方案通过获取影像和所述影像的深度图像；获取所述深度图像的直方图，所述直方图包括横坐标及纵坐标；采用聚类算法对直方图数据进行聚类，得到两个类别及两个类别的中心；确定直方图中两个类别的中心之间的对应纵坐标值最小的横坐标值为分割阈值；确定所述分割阈值是否满足预设条件；当所述分割阈值满足预设条件时，根据所述分割阈值将所述影像分割成前景和背景两个区域，避免在影像深度分布连续的位置进行前背景分割。
附图说明
为了更清楚地说明本发明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发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1是本发明实施例一提供的影像分割方法的流程图。
图2是本发明一较佳实施例的深度图像的直方图。
图3是本发明一较佳实施例的得到类别的中心的示意图。
图4是本发明一较佳实施例的确定分割阈值的示意图。
图5是本发明实施例二提供的影像分割方法的流程图。
图6是本发明实施例三提供的电子装置的示意图。
如下具体实施方式将结合上述附图进一步说明本发明。
主要元件符号说明
电子装置 8
存储器 81
处理器 82
计算机程序 83
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
实施例一
图1是本发明实施例一提供的影像分割方法的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。所述方法应用于电子装置中，所述电子装置可以为任何一种电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(PersonalDigital Assistant，PDA)等。如图1所示，所述影像分割方法可以包括以下步骤：
步骤S11，获取影像和所述影像的深度图像。
所述获取影像和所述影像的深度图像可包括：获取影像，并通过双目匹配算法获取影像的深度图像。所述获取影像和所述影像的深度图像还可包括：通过深度图像采集装置获取影像和所述影像的深度图像。其中，所述深度图像采集装置可直接采集影像及影像的深度图像。在本实施例中，所述深度图像采集装置可为Kinect摄像机。在其他实施例中，所述深度图像采集装置可为PrimeSense等传感器。
所述深度图像为单色图像，其大小和所述影像相同。所述深度图像的灰度值为所述影像的像素的深度值。所述深度值为所述影像所拍摄的景物和所述深度图像采集装置之间的距离。
步骤S12，获取所述深度图像的直方图，所述直方图包括横坐标及纵坐标。
在本实施例中，在获取所述深度图像的直方图，所述直方图包括横坐标及纵坐标之前，本方法还对所述深度图像进行处理来消除噪声。所述处理可为图像平滑处理。在本实施例中，所述图像平滑处理可为邻域平均法、中值滤波法等等。
在本实施例中，所述直方图为深度直方图。在本实施例中，所述直方图反映了所述深度图像中具有所述深度值的像素的个数，如图2所示。其中，所述直方图的横坐标代表所述深度图像的像素的深度值，所述直方图的纵坐标代表对应每一深度值的所述像素的个数。在本实施例中，所述深度值的范围是[0，255]，所述像素的个数的范围是[0，3000]。
步骤S13，采用聚类算法对直方图数据进行聚类，得到两个类别及两个类别的中心。
在本实施例中，所述聚类算法为K-means算法。所述K-means算法可为任意一种已知的K-means算法。下面详细介绍一种K-means算法，而对其他的已知的K-means算法不进行详细介绍。所述K-means算法包括：
a1:从直方图数据中选择K个点作为初始类别的中心，K为大于一的整数；
a2：扫描直方图中全部数据，计算每个点与类别的中心的距离，并根据最小距离将所述点归入相应的类别；
a3：重新计算每个类别的中心；
a4：迭代预设次数或者新的类别的中心与原类别的中心相等或距离小于预设阈值时，算法结束。在本实施例中，所述K＝2，所述预设次数为10次，所述预设阈值为0.1。
在其他实施例中，所述聚类算法为核密度估计算法等。所述核密度估计算法为任意一种已知的核密度估计算法。由于核密度估计算法为已知，在此不进行赘述。
在本实施例中，当聚类算法结束后，在直方图中得到所述两个类别及所述两个类别的中心。在本实施例中，以图2所示的直方图为例，所述两个类别在图3中以深浅不同的两种灰色表示，所述两个类别的中心的横坐标值分别为106.19及236.28，在图3中分别用虚线表示。
步骤S14，确定直方图中两个类别的中心之间的对应纵坐标值为最小值的横坐标值为分割阈值。
例如：直方图中横坐标值106.19与横坐标值236.28之间具有最小纵坐标值的横坐标值为206，则确定所述横坐标值206为分割阈值，在图4中用点划线表示。
在本实施例中，前景通常为距离影像采集装置较近的景物，背景通常为距离影像采集装置较远的景物，前景和背景距离影像采集装置的距离往往不同，使得在深度图像中前景和背景的深度分布不连续，从而可将两个类别的中心之间的深度分布不连续的位置设为分割阈值，实现前景和背景的有效分割。
步骤S15，确定所述分割阈值是否满足预设条件。
所述预设条件可为所述直方图中以所述分割阈值为中心的预设范围内的纵坐标值的平均值小于预设值。在本实施例中，所述预设范围为横坐标值为[T-N，T+N]的范围，T为所述分割阈值，N为正整数，例如N可为2。所述预设值为50～200，例如所述预设值为100。显然，所述N及所述预设值不仅局限于上述值，可根据需要而设置为其他值。
所述预设条件还可为所述直方图中所述分割阈值对应的纵坐标值小于预设值。所述预设值可为50～200，例如所述预设值为100。显然，所述预设值不仅局限于上述值，可根据需要而设置为其他值。
步骤S16，当所述分割阈值满足预设条件时，根据所述分割阈值将所述影像分割成前景和背景两个区域。
所述预设条件可为所述直方图中以所述分割阈值为中心的预设范围内的纵坐标值的平均值小于预设值，或者为所述直方图中所述分割阈值对应的纵坐标值小于预设值。在本实施例中，所述分割阈值满足预设条件表示前景和背景之间具有清晰的界线，此时可根据所述分割阈值将所述影像分割成前景和背景两个区域。具体来说，可将所述影像中深度值小于所述分割阈值的像素划分为所述前景，并将所述影像中深度值大于所述分割阈值的像素划分为所述背景。所述影像中深度值等于所述分割阈值的像素可以划分为所述前景或所述背景。在本实施例中，根据所述分割阈值将所述影像分割成前景和背景两个区域后，可对影像进行后期处理，例如背景虚拟处理，改变背景等，从而实现各种功能。
实施例一提供的方法通过获取影像和所述影像的深度图像；获取所述深度图像的直方图，所述直方图包括横坐标及纵坐标；采用聚类算法对直方图数据进行聚类，得到两个类别及两个类别的中心；确定直方图中两个类别的中心之间的对应纵坐标值最小的横坐标值为分割阈值；确定所述分割阈值是否满足预设条件；当所述分割阈值满足预设条件时，根据所述分割阈值将所述影像分割成前景和背景两个区域，从而确定所述分割阈值为影像深度分布不连续的位置，使得后续的前背景分割恰当，同时当前景和背景之间的边界清晰时才进行前背景分割，进一步实现前背景的有效分割。
实施例二
图5是本发明实施例二提供的影像分割方法的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。所述方法应用于电子装置中，所述电子装置可以为任何一种电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(PersonalDigital Assistant，PDA)等。如图5所示，所述影像分割方法可以包括以下步骤：
步骤S71，获取影像和所述影像的深度图像。
本实施例中步骤S71与所述实施例一中步骤S11一致，具体请参阅实施例一中步骤S11的相关描述，在此不进行赘述。
步骤S72，获取所述深度图像的直方图，所述直方图包括横坐标及纵坐标。
本实施例中步骤S72与所述实施例一中步骤S12一致，具体请参阅实施例一中步骤S12的相关描述，在此不进行赘述。
步骤S73，采用聚类算法对直方图数据进行聚类，得到两个类别及两个类别的中心。
本实施例中步骤S73与所述实施例一中步骤S13一致，具体请参阅实施例一中步骤S13的相关描述，在此不进行赘述。
步骤S74，确定直方图中两个类别的中心之间的对应纵坐标值为最小值的横坐标值为分割阈值。
本实施例中步骤S74与所述实施例一中步骤S14一致，具体请参阅实施例一中步骤S14的相关描述，在此不进行赘述。
步骤S75，确定所述分割阈值是否满足预设条件。
本实施例中步骤S75与所述实施例一中步骤S15一致，具体请参阅实施例一中步骤S15的相关描述，在此不进行赘述。
步骤S76，当所述分割阈值满足预设条件时，根据所述分割阈值将所述影像分割成前景和背景两个区域。
本实施例中步骤S76与所述实施例一中步骤S16一致，具体请参阅实施例一中步骤S16的相关描述，在此不进行赘述。
步骤S77，当所述分割阈值不满足预设条件时，确定所述影像不适合分割成前景和背景两个区域。
所述分割阈值不满足预设条件可为所述直方图中以所述分割阈值为中心的所述预设范围内的纵坐标值的平均值大于或等于预设值，或者为所述直方图中所述分割阈值对应的纵坐标值大于或等于预设值。
在本实施例中，所述分割阈值不满足预设条件表示前景和背景之间没有清晰的界线，此时所述影像不适合分割成前景和背景两个区域，所以放弃切分所述影像。
实施例二提供的方法通过获取影像和所述影像的深度图像；获取所述深度图像的直方图，所述直方图包括横坐标及纵坐标；采用聚类算法对直方图数据进行聚类，得到两个类别及两个类别的中心；确定直方图中两个类别的中心之间的对应纵坐标值最小的横坐标值为分割阈值；确定所述分割阈值是否满足预设条件；当所述分割阈值满足预设条件时，根据所述分割阈值将所述影像分割成前景和背景两个区域，当所述分割阈值不满足预设条件时，确定所述影像不适合分割成前景和背景两个区域，从而确定所述分割阈值为影像深度分布不连续的位置，使得后续的前背景分割恰当，同时当前景和背景之间的边界清晰时才进行前背景分割，进一步实现前背景的有效分割，并当前景和背景之间的边界不清晰时不进行前背景分割，避免了前背景的分割不恰当。
实施例三
图6为本发明实施例三提供的电子装置的示意图。
所述电子装置8包括：存储器81、至少一个处理器82、及存储在所述存储器81中并可在所述至少一个处理器82上运行的计算机程序83。所述至少一个处理器82用于执行所述计算机程序83以实现上述影像分割方法实施例中的步骤。
示例性的，所述计算机程序83可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器81中，并由所述至少一个处理器82执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序83在所述电子装置8中的执行过程。
所述电子装置8可以为任何一种电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)等。本领域技术人员可以理解，所述示意图6仅仅是电子装置8的示例，并不构成对电子装置8的限定，所述电子装置8可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子装置8还可以包括输入输出设备、网络接入设备、显示屏等。
所述至少一个处理器82可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。该处理器82可以是微处理器或者该处理器82也可以是任何常规的处理器等，所述处理器82是所述电子装置8的控制中心，利用各种接口和线路连接整个电子装置8的各个部分。
所述存储器81可用于存储所述计算机程序83和/或模块/单元，所述处理器82通过运行或执行存储在所述存储器81内的计算机程序和/或模块/单元，以及调用存储在存储器81内的数据，实现所述电子装置8的各种功能。所述存储器81可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子装置8的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器81可以包括高速随机存取存储器和非易失性存储器，例如硬盘、内存、插接式硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述电子装置8集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来控制相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个实施例中，应该理解到，所揭露的电子装置和方法，可以通过其它的方式实现。例如，以上所描述的电子装置实施例仅仅是示意性的。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神范围。

Claims (10)

1.一种影像分割方法，其特征在于，所述方法包括：
获取影像和所述影像的深度图像；
获取所述深度图像的直方图，所述直方图包括横坐标及纵坐标；
采用聚类算法对直方图数据进行聚类，得到两个类别及两个类别的中心；
确定直方图中两个类别的中心之间的对应纵坐标值最小的横坐标值为分割阈值；
确定所述分割阈值是否满足预设条件；
当所述分割阈值满足预设条件时，根据所述分割阈值将所述影像分割成前景和背景两个区域。
2.如权利要求1所述的影像分割方法，其特征在于，所述获取所述影像的深度图像包括：
通过双目匹配算法或者深度图像采集装置获取所述影像的深度图像。
3.如权利要求1所述的影像分割方法，其特征在于：
所述预设条件为所述直方图中以所述分割阈值为中心的预设范围内的纵坐标值的平均值小于预设值。
4.如权利要求1所述的影像分割方法，其特征在于：
所述预设条件为所述直方图中所述分割阈值对应的纵坐标值小于预设值。
5.如权利要求1所述的影像分割方法，其特征在于，所述方法还包括：
当所述分割阈值不满足所述预设条件时，确定所述影像不适合分割成所述前景和所述背景两个区域。
6.如权利要求1所述的影像分割方法，其特征在于：
所述直方图中的所述横坐标代表所述深度图像的像素的深度值；
所述直方图中的所述纵坐标代表对应每一所述深度值的所述像素的个数。
7.如权利要求1所述的影像分割方法，其特征在于：
所述聚类算法为K-means算法。
8.一种计算机程序，其特征在于，所述计算机程序包括至少一个计算机程序指令，所述至少一个计算机程序指令用于被处理器执行以实现如权利要求1至7中任意一项所述的影像分割方法。
9.一种存储介质，其特征在于，所述存储介质存储至少一个计算机程序指令，所述至少一个计算机程序指令用于被处理器执行以实现如权利要求1至7中任意一项所述的影像分割方法。
10.一种电子装置，其特征在于，所述电子装置包括处理器及存储器，所述处理器用于执行所述存储器中存储的至少一个计算机程序指令以实现如权利要求1至7中任意一项所述的影像分割方法。
CN201811327697.8A 2018-11-08 2018-11-08 影像分割方法、存储介质及电子装置 Active CN111161299B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811327697.8A CN111161299B (zh) 2018-11-08 2018-11-08 影像分割方法、存储介质及电子装置
US16/581,874 US10964028B2 (en) 2018-11-08 2019-09-25 Electronic device and method for segmenting image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811327697.8A CN111161299B (zh) 2018-11-08 2018-11-08 影像分割方法、存储介质及电子装置

Publications (2)

Publication Number Publication Date
CN111161299A true CN111161299A (zh) 2020-05-15
CN111161299B CN111161299B (zh) 2023-06-30

Family

ID=70551891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811327697.8A Active CN111161299B (zh) 2018-11-08 2018-11-08 影像分割方法、存储介质及电子装置

Country Status (2)

Country Link
US (1) US10964028B2 (zh)
CN (1) CN111161299B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160193A (zh) * 2021-04-28 2021-07-23 贵州电网有限责任公司 基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法及系统

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10916051B2 (en) * 2019-07-08 2021-02-09 Google Llc Video lighting using depth and virtual lights
CN111223115B (zh) * 2020-04-22 2020-07-14 杭州涂鸦信息技术有限公司 一种图像分割方法、装置、设备及介质
CN112085002A (zh) * 2020-09-23 2020-12-15 苏州臻迪智能科技有限公司 人像分割方法、装置、存储介质及电子设备
CN114943989B (zh) * 2022-06-17 2024-06-28 平安科技（深圳）有限公司 基于人工智能的狗脸关键点检测方法及相关设备

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012019417A1 (zh) * 2010-08-10 2012-02-16 中国科学院自动化研究所 在线视频浓缩装置、系统及方法
US20130294675A1 (en) * 2012-05-03 2013-11-07 General Electric Company Automatic segmentation and characterization of cellular motion
EP2706503A2 (en) * 2012-09-11 2014-03-12 Thomson Licensing Method and apparatus for bilayer image segmentation
US20140126818A1 (en) * 2012-11-06 2014-05-08 Sony Corporation Method of occlusion-based background motion estimation
CN104243820A (zh) * 2014-09-03 2014-12-24 奇瑞汽车股份有限公司 一种确定图像边界的方法及装置
CN104835146A (zh) * 2015-04-14 2015-08-12 上海大学 基于深度信息和图切割的立体图像中显著对象分割方法
CN105261021A (zh) * 2015-10-19 2016-01-20 浙江宇视科技有限公司 去除前景检测结果阴影的方法及装置
CN106331492A (zh) * 2016-08-29 2017-01-11 广东欧珀移动通信有限公司 一种图像处理方法及终端
CN106778813A (zh) * 2016-11-24 2017-05-31 金陵科技学院 深度图像的自适应聚类分割算法
CN107103320A (zh) * 2017-04-28 2017-08-29 常熟理工学院 嵌入式医疗数据图像识别及集成方法
KR20180054151A (ko) * 2016-11-15 2018-05-24 에스케이텔레콤 주식회사 3d 영상에서 배경과 전경을 분리하는 장치 및 방법
CN108230333A (zh) * 2017-11-28 2018-06-29 深圳市商汤科技有限公司 图像处理方法、装置、计算机程序、存储介质和电子设备
CN108615240A (zh) * 2018-05-08 2018-10-02 北京师范大学 一种结合邻域信息与距离权重的非参贝叶斯过分割方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107369159B (zh) 2017-06-29 2020-04-24 大连理工大学 基于多因素二维灰度直方图的阈值分割方法
CN108681994B (zh) * 2018-05-11 2023-01-10 京东方科技集团股份有限公司 一种图像处理方法、装置、电子设备及可读存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012019417A1 (zh) * 2010-08-10 2012-02-16 中国科学院自动化研究所 在线视频浓缩装置、系统及方法
US20130294675A1 (en) * 2012-05-03 2013-11-07 General Electric Company Automatic segmentation and characterization of cellular motion
EP2706503A2 (en) * 2012-09-11 2014-03-12 Thomson Licensing Method and apparatus for bilayer image segmentation
US20140126818A1 (en) * 2012-11-06 2014-05-08 Sony Corporation Method of occlusion-based background motion estimation
CN104243820A (zh) * 2014-09-03 2014-12-24 奇瑞汽车股份有限公司 一种确定图像边界的方法及装置
CN104835146A (zh) * 2015-04-14 2015-08-12 上海大学 基于深度信息和图切割的立体图像中显著对象分割方法
CN105261021A (zh) * 2015-10-19 2016-01-20 浙江宇视科技有限公司 去除前景检测结果阴影的方法及装置
CN106331492A (zh) * 2016-08-29 2017-01-11 广东欧珀移动通信有限公司 一种图像处理方法及终端
KR20180054151A (ko) * 2016-11-15 2018-05-24 에스케이텔레콤 주식회사 3d 영상에서 배경과 전경을 분리하는 장치 및 방법
CN106778813A (zh) * 2016-11-24 2017-05-31 金陵科技学院 深度图像的自适应聚类分割算法
CN107103320A (zh) * 2017-04-28 2017-08-29 常熟理工学院 嵌入式医疗数据图像识别及集成方法
CN108230333A (zh) * 2017-11-28 2018-06-29 深圳市商汤科技有限公司 图像处理方法、装置、计算机程序、存储介质和电子设备
CN108615240A (zh) * 2018-05-08 2018-10-02 北京师范大学 一种结合邻域信息与距离权重的非参贝叶斯过分割方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
STEFANO FERILLI等: "A histogram-based technique for automatic threshold assessment in a run length smoothing-based algorithm", PROCEEDINGS OF THE 9TH IAPR INTERNATIONAL WORKSHOP ON DOCUMENT ANALYSIS SYSTEMS (DAS \'10)., pages 349 *
应义斌: "水果图像的背景分割和边缘检测技术研究", 《浙江大学学报(农业与生命科学版)》 *
应义斌: "水果图像的背景分割和边缘检测技术研究", 《浙江大学学报(农业与生命科学版)》, vol. 26, no. 06, 6 December 1999 (1999-12-06), pages 35 - 38 *
李栋等: "基于改进的K_means算法在图像分割中的应用", 《电脑知识与技术》 *
李栋等: "基于改进的K_means算法在图像分割中的应用", 《电脑知识与技术》, vol. 12, no. 08, 11 May 2016 (2016-05-11), pages 166 - 168 *
杨修国: "关于直方图双峰法的研究与改进", 《电子设计工程》 *
杨修国: "关于直方图双峰法的研究与改进", 《电子设计工程》, vol. 20, no. 12, 20 June 2012 (2012-06-20), pages 176 - 179 *
贺辉,谌皓徽,肖红玉: "基于图像自适应二值化的银行票据自动裁剪", 第17届全国图象图形学学术会议论文集, pages 574 - 578 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160193A (zh) * 2021-04-28 2021-07-23 贵州电网有限责任公司 基于具有Lévy飞行特征的蝙蝠算法和大津法的紫外图像分割方法及系统

Also Published As

Publication number Publication date
US10964028B2 (en) 2021-03-30
US20200151883A1 (en) 2020-05-14
CN111161299B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN111161299B (zh) 影像分割方法、存储介质及电子装置
CN110335216B (zh) 图像处理方法、图像处理装置、终端设备及可读存储介质
US20200410646A1 (en) Method and apparatus for image processing
CN111784605B (zh) 一种基于区域指导的图像降噪方法、计算机装置及计算机可读存储介质
CN109743473A (zh) 视频图像3d降噪方法、计算机装置及计算机可读存储介质
EP3644599B1 (en) Video processing method and apparatus, electronic device, and storage medium
CN112602088B (zh) 提高弱光图像的质量的方法、系统和计算机可读介质
CN111131688B (zh) 一种图像处理方法、装置及移动终端
CN109064504B (zh) 图像处理方法、装置和计算机存储介质
CN111402170A (zh) 图像增强方法、装置、终端及计算机可读存储介质
CN109214996B (zh) 一种图像处理方法及装置
CN110399842B (zh) 视频处理方法、装置、电子设备及计算机可读存储介质
CN109005367B (zh) 一种高动态范围图像的生成方法、移动终端及存储介质
CN111311482A (zh) 背景虚化方法、装置、终端设备及存储介质
CN108805838B (zh) 一种图像处理方法、移动终端及计算机可读存储介质
CN109286758B (zh) 一种高动态范围图像的生成方法、移动终端及存储介质
CN111127303A (zh) 背景虚化方法、装置、终端设备及计算机可读存储介质
CN111161136B (zh) 图像虚化方法、图像虚化装置、设备及存储装置
CN114677394A (zh) 抠图方法、装置、摄像设备、会议系统、电子设备及介质
CN111311481A (zh) 背景虚化方法、装置、终端设备及存储介质
CN111563517A (zh) 图像处理方法、装置、电子设备及存储介质
CN111953893A (zh) 一种高动态范围图像生成方法、终端设备及存储介质
CN113205011B (zh) 图像掩膜确定方法及装置、存储介质和电子设备
CN112700376A (zh) 图像的摩尔纹去除方法、装置、终端设备及存储介质
CN108810407B (zh) 一种图像处理方法、移动终端及计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant