一种图像分割方法及其相应的分隔装置与流程

本发明涉及图像处理领域，特别涉及一种图像分割方法及其相应的分隔装置。

背景技术：

在拍摄照片时，经常存在被拍摄主体与背景颜色相接近的问题，从而使得对于被拍摄主体的提取存在障碍。现有的处理方式通常是人为改换背景颜色，但是由于被拍摄主体众多，根据每个被拍摄主体更换背景颜色成为不可能，同时，不断地更换背景颜色也使得拍摄过程人为延长，增大了摄影师的工作量。

技术实现要素：

本申请为了解决上述问题，提出了一种图像分割方法和图像分割装置，通过使用预先训练的深度学习网络，使得图片分割更为精确，从而自动完成了图像背景的更换。

其中本申请请求保护一种图像分割方法，包括如下步骤：获得充分曝光的照片一；获得照片一的剪影照片，其中所述剪影照片的曝光率低于照片一；对照片一进行处理，获得感兴趣照片；对剪影照片进行处理，获得剪影照片的边缘信息；将感兴趣照片和边缘信息输入预先训练的深度学习网络，获得照片二；将照片一和背景图片通过照片二进行融合，获得展示图片。

优选地，其中预先训练所述深度学习网络，包括如下子步骤：构建训练库；使用训练库对深度学习模型进行训练，获得深度学习网络。

优选地，其中所述训练库中包括三个子库，子库一中存储训练图片，子库二中存储与子库一中所存储的训练图片相对应的曝光率低于所述训练图片的训练剪影图片，子库三中存储感兴趣区域掩模。

优选地，其中对照片一进行处理，获得感兴趣照片包括如下子步骤：对照片一进行灰度化处理；从数据库获得预先制作的感兴趣区域掩模；将感兴趣区域掩模与灰度化后的照片一相乘，得到感兴趣照片。

优选地，其中照片二具有透明通道属性。

本申请还提供一种图像分割装置，包括如下部件：照相机，拍摄照片；

处理器，执行以下处理步骤：接收照相机拍摄的照片一以及照片一的剪影照片，其中所述剪影照片的曝光率低于照片一；对照片一进行处理，获得感兴趣照片；对剪影照片进行处理，获得剪影照片的边缘信息；将感兴趣照片和边缘信息输入预先训练的深度学习网络，获得照片二；将照片一和背景图片通过照片二进行融合，获得展示图片。

优选地，其中处理器预先训练所述深度学习网络，包括如下子步骤：构建训练库；使用训练库对深度学习模型进行训练，获得深度学习网络。

优选地，其中所述训练库中包括三个子库，子库一中存储训练图片，子库二中存储与子库一中所存储的训练图片相对应的曝光率低于所述训练图片的训练剪影图片，子库三中存储感兴趣区域掩模。

优选地，其中对照片一进行处理，获得感兴趣照片包括如下子步骤：对照片一进行灰度化处理；从数据库获得预先制作的感兴趣区域掩模；将感兴趣区域掩模与灰度化后的照片一相乘，得到感兴趣照片。

优选地，其中照片二具有透明通道属性。

本申请请求保护一种图像分割方法及其相应的分割装置，该方法对待分割的照片进行一系列处理，从而获得分割边界清晰的分割后的图片，将分割后的图片与新的背景进行融合，从而实现了对输入照片的成功分割处理，由于本申请在图片分割中使用了具有收敛效果的深度学习网络对图片进行分割处理，从而使得分割效果获得增强，同时，本申请引入与输入图片具有参照作用的剪影图片，从而使的分割结果更加精确。

附图说明

图1为图像分割装置的结构图；

图2为图像分割方法的流程图；

图3为充分曝光的照片；

图4为图3中充分曝光的照片的剪影照片；

图5为分割出的照片；

图6为合成的图片。

具体实施方式

下面将结合本申请实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1示出了本申请图像分割装置的构造图，其中该图像分割系统包括照相机1和处理器2，其中照相机1拍摄照片，并将获得的照片传输给处理器2进行处理，处理器2对获得的照片进行处理后，获得展示图片。其中处理器2执行以下如图2所示的分割方法。

图2示出了图像分割方法的流程图，包括如下步骤：

步骤s210、获得充分曝光的照片；

拍照时使用多组灯光照射被拍摄物体，为了获得充分曝光的照片，将照射被拍摄物体的灯光全部打开，获得充分曝光的照片301，如图3所示；

步骤s220、获得照片301的剪影照片，其中剪影照片的曝光率低于照片301；

调整照射被拍摄物体的灯光，例如关闭前景灯仅保留背景灯，获得如图4所示的剪影照片402，其中剪影照片402的曝光率低于照片301。降低的曝光率的比率可以预先人为设定，也可以由处理器2自动给出。其中处理器2控制照相机1执行拍摄。可人为调整灯光，也可处理器2控制灯光的开启和关闭。

步骤s230、对照片301进行处理，获得感兴趣照片；包括如下子步骤：

步骤s2301、对照片301进行灰度化处理；

照片301包括三色，即r、g、b，在r＝g＝b时，则彩色表示一种灰度颜色，其中r＝g＝b的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值，灰度值范围为0-255。

对图像进行灰度化处理的方法包括分量法、最大值法、平均值法和加权平均法等，选择一种现有的方法，完成照片的灰度化处理。

步骤s2302、从数据库获得预先制作的感兴趣区域掩模；

感兴趣区域掩模为二维矩阵数组，预先制作，并存储在数据库中。

步骤s2303、将感兴趣区域掩模与灰度化后的照片301相乘，得到感兴趣照片。

步骤s240、对剪影照片402进行处理，获得剪影照片的边缘信息；包括如下子步骤：

步骤s2401、对剪影图片402进行像素点处理，获得训练像素点剪影图像；

对于通过照相机1获得的剪影照片402的所有像素点进行处理，处理包括获得剪影照片402的r、g、b通道值，使用如下公式计算训练剪影像素点图像的像素点值：

s1＝s1*r2+s2*g2+s3*b2(公式一)

其中s1表示训练剪影像素点图像的像素点值，r2、g2、b2分别是剪影照片402的r、g、b通道值，s1、s2、s3分别是剪影照片402的r、g、b通道值的系数，预先设置，满足s1+s2+s3＝1；

步骤s2402、将所述训练剪影像素点图像的像素点值与阈值进行比较，获得训练剪影像素点图像的像素点矩阵；

将上述获得的训练剪影像素点图像的像素点值分别与阈值进行比较，阈值是预先设置的一个值，大于阈值的像素点值所在位置记为1，小于阈值的像素点值所在位置记为0，从而形成训练剪影像素点图像的像素点值矩阵。

步骤s2403、根据训练剪影像素点图像的像素点矩阵获得剪影图像的边缘信息；

像素点值矩阵中，值1代表原照片处为需要提取的图片的轮廓像素点，在剪影照片402的图像上，将像素点矩阵为1的轮廓像素点自动标注出来，并进行连接，据此，结合剪影照片402的像素点，获得剪影照片402的边缘信息。由于剪影照片和上述照片301的不同点仅在于曝光率低于所述照片301，因此，剪影照片402的边缘信息即为上述照片301的边缘信息。

步骤s250、将感兴趣照片和边缘信息输入预先训练的深度学习网络，获得前景图像；

将所述感兴趣照片进行平滑和去噪处理，使用边缘信息获得边界清晰的前景图像。

进一步的设置处理过的前景图像的透明通道值，可以由处理器自动设置，或者预先设置，从而获得透明图，即获得的前景图像是透明图像，如图5所示，该透明图像是图像中感兴趣区域的膜。

步骤s260、将照片301和背景图片通过前景图像进行融合，获得展示图片。

将前景图像覆盖到照片301上，获得需要的感兴趣区域，进一步的，将感兴趣区域与背景图片进行融合，从而获得展示图片，如图6所示。

实施例2

在使用深度学习网络之前，特别的，还包括深度学习网络的预先训练，包括如下子步骤：

步骤p110：构建训练库；

其中训练库中包括三个子库，子库一中存储训练图片，子库二中存储与子库一中所存储的训练图片相对应的曝光率低于所述训练图片的训练剪影图片，子库三中存储感兴趣区域掩模。

步骤p120：使用训练库对深度学习模型进行训练，获得深度学习网络。包括如下子步骤：

步骤p1201、从子库一获得训练图片；

步骤p1202、从子库二获得与所述训练图片相对应的曝光率低于所述训练图片的训练剪影图片；

步骤p1203、对训练图片进行处理，获得感兴趣照片；

步骤p1204、对训练剪影图片进行处理，获得剪影图片的边缘信息；

步骤p1205、将感兴趣照片和边缘信息输入深度学习模型进行训练，在模型收敛时，即获得深度学习网络。

可选取现有的深度学习模型，例如卷积神经网络，对其进行训练，直至模型收敛时，即获得深度学习网络。

其中步骤p1203-步骤p1204与前述步骤s240-s250相对应，具体实现步骤参加步骤s240-s250。

这里本发明的描述和应用是说明性的，并非想将本发明的范围限制在上述实施例中。这里所披露的实施例的变形和改变是可能的，对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是，在不脱离本发明的精神或本质特征的情况下，本发明可以以其它形式、结构、布置、比例，以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下，可以对这里所披露的实施例进行其它变形和改变。