基于自适应阈值的图像分割方法、装置及计算设备与流程

本发明涉及图像处理技术领域，具体涉及一种基于自适应阈值的图像分割方法、装置、计算设备及计算机存储介质。

背景技术：

现有技术中，当用户需要对待处理图像进行更换背景、添加特效等个性化处理时，经常会使用到图像分割方法对待处理图像进行场景分割处理，其中，采用基于深度学习的图像分割方法可以达到像素级别的分割效果。然而现有的图像分割方法在进行场景分割处理时，并不考虑前景图像在待处理图像中所占比例，因此当前景图像在待处理图像中所占比例较小时，利用现有的图像分割方法很容易将实际属于前景图像边缘处的像素点划分为背景图像，所得到的图像分割结果的分割精度较低、分割效果较差。因此，现有技术中的图像分割方式存在着图像场景分割的分割精度低下的问题。

技术实现要素：

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于自适应阈值的图像分割方法、装置、计算设备及计算机存储介质。

根据本发明的一个方面，提供了一种基于自适应阈值的图像分割方法，该方法包括：

获取包含有特定对象的待处理图像；

对待处理图像进行场景分割处理，得到针对特定对象的前景概率信息；

根据前景概率信息，确定前景区域占比；

依据前景区域占比，对前景概率信息进行映射处理，得到图像分割结果。

进一步地，前景概率信息记录了用于反映待处理图像中各个像素点属于前景图像的概率。

进一步地，根据前景概率信息，确定前景区域占比进一步包括：

根据前景概率信息，确定属于前景图像的像素点；

计算属于前景图像的像素点在待处理图像中所有像素点中的比例，将比例确定为前景区域占比。

进一步地，根据前景概率信息，确定属于前景图像的像素点进一步包括：

将前景概率信息中概率高于预设概率阈值的像素点确定为属于前景图像的像素点。

进一步地，依据前景区域占比，对前景概率信息进行映射处理，得到图像分割结果进一步包括：

依据前景区域占比，调整映射函数的参数；

利用调整后的映射函数对前景概率信息进行映射处理，得到映射结果；

根据映射结果，得到图像分割结果。

进一步地，映射函数在预设定义区间内的斜率大于预设斜率阈值。

进一步地，在得到图像分割结果之后，该方法还包括：

根据图像分割结果，确定处理后的前景图像；

将处理后的前景图像与预设背景图像进行融合处理，得到处理后的图像。

根据本发明的另一方面，提供了一种基于自适应阈值的图像分割装置，该装置包括：

获取模块，适于获取包含有特定对象的待处理图像；

分割模块，适于对待处理图像进行场景分割处理，得到针对特定对象的前景概率信息；

第一确定模块，适于根据前景概率信息，确定前景区域占比；

映射处理模块，适于依据前景区域占比，对前景概率信息进行映射处理，得到图像分割结果。

进一步地，前景概率信息记录了用于反映待处理图像中各个像素点属于前景图像的概率。

进一步地，第一确定模块进一步适于：

根据前景概率信息，确定属于前景图像的像素点；

计算属于前景图像的像素点在待处理图像中所有像素点中的比例，将比例确定为前景区域占比。

进一步地，第一确定模块进一步适于：

将前景概率信息中概率高于预设概率阈值的像素点确定为属于前景图像的像素点。

进一步地，映射处理模块包括：调整单元、映射单元和生成单元；

调整单元适于：依据前景区域占比，调整映射函数的参数；

映射单元适于：利用调整后的映射函数对前景概率信息进行映射处理，得到映射结果；

生成单元适于：根据映射结果，得到图像分割结果。

进一步地，映射函数在预设定义区间内的斜率大于预设斜率阈值。

进一步地，该装置还包括：

第二确定模块，适于根据图像分割结果，确定处理后的前景图像；

融合处理模块，适于将处理后的前景图像与预设背景图像进行融合处理，得到处理后的图像。

根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；

存储器用于存放至少一可执行指令，可执行指令使处理器执行上述基于自适应阈值的图像分割方法对应的操作。

根据本发明的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述基于自适应阈值的图像分割方法对应的操作。

根据本发明提供的技术方案，获取包含有特定对象的待处理图像，接着对待处理图像进行场景分割处理，得到针对特定对象的前景概率信息，然后根据前景概率信息，确定前景区域占比，最后依据前景区域占比，对前景概率信息进行映射处理，得到图像分割结果。本发明提供的技术方案依据前景区域占比对前景概率信息进行映射处理，实现了对前景概率信息的自适应映射，利用映射处理后的前景概率信息能够快速、精准地得到待处理图像对应的图像分割结果，有效地提高了图像场景分割的分割精度以及处理效率，优化了图像场景分割处理方式。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例的基于自适应阈值的图像分割方法的流程示意图；

图2示出了根据本发明另一个实施例的基于自适应阈值的图像分割方法的流程示意图；

图3示出了根据本发明一个实施例的基于自适应阈值的图像分割装置的结构框图；

图4示出了根据本发明实施例的一种计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1示出了根据本发明一个实施例的基于自适应阈值的图像分割方法的流程示意图，如图1所示，该方法包括如下步骤：

步骤s100，获取包含有特定对象的待处理图像。

其中，待处理图像为用户想要进行场景分割的图像，待处理图像可以为任意图像，例如，待处理图像可以是用户自己拍摄的图像，也可以是网站中的图像，还可以是其他用户分享的图像，此处不做限定。其中，待处理图像中包含有特定对象，特定对象可为人体等。本领域技术人员可根据实际需要对特定对象进行设置，此处不做限定。当用户想要对待处理图像进行场景分割时，那么在步骤s100中获取待处理图像。

步骤s101，对待处理图像进行场景分割处理，得到针对特定对象的前景概率信息。

其中，在对待处理图像进行场景分割处理时，可以利用深度学习方法。深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务。可利用深度学习的分割方法对待处理图像进行场景分割处理，得到待处理图像针对于特定对象的前景概率信息。具体地，可利用深度学习方法得到的场景分割网络等对待处理图像进行场景分割处理，得到待处理图像针对于特定对象的前景概率信息，其中，前景概率信息记录了用于反映待处理图像中各个像素点属于前景图像的概率，具体地，各个像素点属于前景图像的概率的取值范围可为[0，1]。

在本发明中，前景图像可以仅包含特定对象，背景图像为待处理图像中除前景图像之外的图像。根据前景概率信息可区分出待处理图像中哪些像素点属于前景图像，哪些像素点属于背景图像，哪些像素点既可能属于前景图像也可能属于背景图像。例如，若某个像素点对应的前景概率信息接近0，则说明该像素点属于背景图像；若某个像素点对应的前景概率信息接近1，则说明该像素点属于前景图像；若某个像素点对应的前景概率信息接近0.5，则说明该像素点既可能属于前景图像也可能属于背景图像。

步骤s102，根据前景概率信息，确定前景区域占比。

其中，前景区域占比是用于反映前景图像在待处理图像中所占面积的比例。由于前景概率信息记录了用于反映待处理图像中各个像素点属于前景图像的概率，因此根据前景概率信息能够确定出待处理图像中哪些像素点属于前景图像，从而确定出前景区域占比。

步骤s103，依据前景区域占比，对前景概率信息进行映射处理，得到图像分割结果。

在得到了前景区域占比之后，依据前景区域占比，对前景概率信息进行适应性的映射处理，例如，当前景区域占比较小时，比如前景区域占比为0.2，说明前景图像在待处理图像中所占的面积较小，那么可对前景概率信息进行映射处理，将前景概率信息中较小的概率适应性地映射为较大一些的概率，将前景概率信息中较大的概率适应性地映射为较为平滑的概率；又如，当前景区域占比较大时，比如前景区域占比为0.8，说明前景图像在待处理图像中所占的面积较大，那么可对前景概率信息进行映射处理，将前景概率信息中的概率适应性地映射为较为平滑的概率。在对前景概率信息进行映射处理后，根据映射处理后的前景概率信息得到图像分割结果，与现有技术相比，本发明提供的这种处理方式能够有效地提高图像场景分割的分割精度，使得分割边缘更加平滑。

根据本实施例提供的基于自适应阈值的图像分割方法，获取包含有特定对象的待处理图像，接着对待处理图像进行场景分割处理，得到针对特定对象的前景概率信息，然后根据前景概率信息，确定前景区域占比，最后依据前景区域占比，对前景概率信息进行映射处理，得到图像分割结果。本发明提供的技术方案依据前景区域占比对前景概率信息进行映射处理，实现了对前景概率信息的自适应映射，利用映射处理后的前景概率信息能够快速、精准地得到待处理图像对应的图像分割结果，有效地提高了图像场景分割的分割精度以及处理效率，优化了图像场景分割处理方式。

图2示出了根据本发明另一个实施例的基于自适应阈值的图像分割方法的流程示意图，如图2所示，该方法包括如下步骤：

步骤s200，获取包含有特定对象的待处理图像。

可选地，在步骤s200中，可实时获取图像采集设备捕捉的包含有特定对象的待处理图像。具体地，图像采集设备可为移动终端等，以图像采集设备为移动终端为例，实时获取移动终端摄像头捕捉到的待处理图像，其中，待处理图像中包含有特定对象，特定对象可为人体等。

步骤s201，对待处理图像进行场景分割处理，得到针对特定对象的前景概率信息。

步骤s202，根据前景概率信息，确定属于前景图像的像素点。

其中，前景概率信息记录了用于反映待处理图像中各个像素点属于前景图像的概率，各个像素点属于前景图像的概率的取值范围可为[0，1]。具体地，可将前景概率信息中概率高于预设概率阈值的像素点确定为属于前景图像的像素点，本领域技术人员可根据实际需要对预设概率阈值进行设置，此处不做限定。例如当预设概率阈值为0.7时，那么可将前景概率信息高于0.7的像素点确定为属于前景图像的像素点。

步骤s203，计算属于前景图像的像素点在待处理图像中所有像素点中的比例，将比例确定为前景区域占比。

具体地，可计算属于前景图像的像素点的数量和待处理图像中所有像素点的数量，属于前景图像的像素点的数量与所有像素点的数量的比值即为前景区域占比。

步骤s204，依据前景区域占比，调整映射函数的参数。

其中，可利用映射函数对前景概率信息进行映射处理，本领域技术人员可根据实际需要设置映射函数，此处不做限定。例如，映射函数可为分段线性变换函数或非线性变换函数。对于不同的前景区域占比，所对应的映射函数的参数不同。

具体地，当前景区域占比较小时，说明前景图像在待处理图像中所占的面积较小，那么在步骤s204中依据前景区域占比，对映射函数的参数进行调整，使得利用调整后的映射函数对前景概率信息进行映射处理时，能够将前景概率信息中较小的概率适应性地映射为较大一些的概率，将前景概率信息中较大的概率适应性地映射为较为平滑的概率；当前景区域占比较大时，说明前景图像在待处理图像中所占的面积较大，那么在步骤s204中依据前景区域占比，对映射函数的参数进行调整，使得利用调整后的映射函数对前景概率信息进行映射处理时，能够将前景概率信息中的概率适应性地映射为较为平滑的概率。

其中，映射函数在预设定义区间内的斜率大于预设斜率阈值。本领域技术人员可根据实际需要设置预设定义区间和预设斜率阈值，此处不做限定，例如，当预设定义区间为(0，0.5)，预设斜率阈值为1时，映射函数在定义区间(0，0.5)内的斜率大于1，从而能够将前景概率信息中较小的概率适应性地映射为较大一些的概率，例如，将0.1映射为0.3。

以映射函数为非线性变换函数为例，在一个具体实施例中，其具体公式可以为如下公式：

y＝1/(1+exp(-(k*x-a)))

其中，k为第一参数，a为第二参数，具体地，第一参数为需要依据前景区域占比进行调整的参数，第二参数为预设固定参数，本领域技术人员可根据实际需要对具体调整方式和预设固定参数进行设置，此处不做限定。假设前景区域占比用参数r表示，那么可以设置k＝2/r，a＝4，从而对于不同的前景区域占比，所对应的k的值也会不同。

步骤s205，利用调整后的映射函数对前景概率信息进行映射处理，得到映射结果。

在调整了映射函数之后，可将前景概率信息作为调整后的映射函数的自变量，那么所得到的函数值即为映射结果。

步骤s206，根据映射结果，得到图像分割结果。

在得到了映射结果之后，就可根据映射结果得到图像分割结果。与现有技术相比，本发明根据映射结果所得到的图像分割结果具有更高的分割精度，分割边缘更加平滑。

步骤s207，根据图像分割结果，确定处理后的前景图像。

根据图像分割结果可清楚地确定出待处理图像中哪些像素点属于前景图像，哪些像素点属于背景图像，从而确定出处理后的前景图像。

步骤s208，将处理后的前景图像与预设背景图像进行融合处理，得到处理后的图像。

在得到了处理后的前景图像之后，可将处理后的前景图像与预设背景图像进行融合处理，得到与待处理图像相对应的处理后的图像。本领域技术人员可根据实际需要设置预设背景图像，此处不做限定。预设背景图像可以为二维场景背景图像，也可以三维场景背景图像，例如三维海底场景背景图像、三维火山场景背景图像等三维场景背景图像。

根据本实施例提供的基于自适应阈值的图像分割方法，能够依据前景区域占比对映射函数的参数进行调整，使得前景区域占比不同时，所对应映射函数的参数不同，实现了依据前景区域占比对前景概率信息的自适应映射；并且利用映射结果能够快速、精准地得到待处理图像对应的图像分割结果，有效地提高了图像场景分割的分割精度以及处理效率，使得分割边缘更加平滑，有助于提高融合处理后的图像的显示效果，使其更自然真实。

图3示出了根据本发明一个实施例的基于自适应阈值的图像分割装置的结构框图，如图3所示，该装置包括：获取模块310、分割模块320、第一确定模块330和映射处理模块340。

获取模块310适于：获取包含有特定对象的待处理图像。

分割模块320适于：对待处理图像进行场景分割处理，得到针对特定对象的前景概率信息。

其中，前景概率信息记录了用于反映待处理图像中各个像素点属于前景图像的概率。

第一确定模块330适于：根据前景概率信息，确定前景区域占比。

其中，第一确定模块330进一步适于：根据前景概率信息，确定属于前景图像的像素点；计算属于前景图像的像素点在待处理图像中所有像素点中的比例，将比例确定为前景区域占比。具体地，第一确定模块330将前景概率信息中概率高于预设概率阈值的像素点确定为属于前景图像的像素点。

映射处理模块340适于：依据前景区域占比，对前景概率信息进行映射处理，得到图像分割结果。

在一个具体实施例中，映射处理模块340可包括：调整单元341、映射单元342和生成单元343。

调整单元341适于：依据前景区域占比，调整映射函数的参数。其中，映射函数在预设定义区间内的斜率大于预设斜率阈值。

映射单元342适于：利用调整后的映射函数对前景概率信息进行映射处理，得到映射结果。

生成单元343适于：根据映射结果，得到图像分割结果。

该装置还可包括：第二确定模块350和融合处理模块360。其中，第二确定模块350适于：根据图像分割结果，确定处理后的前景图像。融合处理模块360适于：将处理后的前景图像与预设背景图像进行融合处理，得到处理后的图像。

根据本实施例提供的基于自适应阈值的图像分割装置，获取模块获取包含有特定对象的待处理图像，分割模块对待处理图像进行场景分割处理，得到针对特定对象的前景概率信息，第一确定模块根据前景概率信息，确定前景区域占比，映射处理模块依据前景区域占比，对前景概率信息进行映射处理，得到图像分割结果。本发明提供的技术方案依据前景区域占比对前景概率信息进行映射处理，实现了对前景概率信息的自适应映射，利用映射处理后的前景概率信息能够快速、精准地得到待处理图像对应的图像分割结果，有效地提高了图像场景分割的分割精度以及处理效率，优化了图像场景分割处理方式。

本发明还提供了一种非易失性计算机存储介质，计算机存储介质存储有至少一可执行指令，可执行指令可执行上述任意方法实施例中的基于自适应阈值的图像分割方法。

图4示出了根据本发明实施例的一种计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。

如图4所示，该计算设备可以包括：处理器(processor)402、通信接口(communicationsinterface)404、存储器(memory)406、以及通信总线408。

其中：

处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。

通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。

处理器402，用于执行程序410，具体可以执行上述基于自适应阈值的图像分割方法实施例中的相关步骤。

具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。

处理器402可能是中央处理器cpu，或者是特定集成电路asic(applicationspecificintegratedcircuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。

存储器406，用于存放程序410。存储器406可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

程序410具体可以用于使得处理器402执行上述任意方法实施例中的基于自适应阈值的图像分割方法。程序410中各步骤的具体实现可以参见上述基于自适应阈值的图像分割实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。