物体分割方法及设备与流程

本公开总体涉及图像与视频处理领域，具体涉及物体分割方法及设备。

背景技术：

随着基于视觉的自动化技术的发展，大量的自动化系统和设备开始应用于多个领域，比如水果质量的分拣、药片检测与识别、细胞分析等。特别地，机器人抓取这一技术逐渐走出实验室并应用在了工业产品线上，将劳动者从复杂重负的工作中解放出来。通常可被机器人的手臂抓取的物品包括机电元器件、食品和农产品等。

为了使得机器人能够从杂乱堆放的物体中识别出每个具体物体，常规的方法是模板匹配法、形状检测法等等，但这些方法都不适合于非规则物体的识别，比如煎炸的鸡块的拾取等。对于非规则形状的物体，最可行的方式是从包含该非规则形状的物体的图像中直接分割出每个物体并确定可抓取的位置。而分割所面临的最大问题就是来自周围物体的粘连的处理。

图像的分割处理可分为两大类方法，基于边界的分割方法和基于区域的分割方法。分水岭分割是一种常用的基于区域的分割方法，它通过检测像素和区域的相似性，可将一副图像分成多个互不交叠的区域并能大体上保持住物体边界的信息，因此被广泛用于非规则物体的分割。

在分水岭方法里，图像被视为地形图，分割是通过找寻聚水盆和分水岭线来实现的。然而，分水岭方法的本质是区域增长，它对噪音很敏感从而容易导致过分割问题，即产生大量的不完整的碎片。因此，为了克服过分割问题，不得不对分割的结果进行大量繁琐的后续处理，以试图合并相似的区域。

技术实现要素：

鉴于以上问题而提出了本公开。

根据本公开的一个方面的实施例，提供了一种物体分割方法，包括步骤：a.获取包含待分割物体的图像，并将该图像转换为地形图；b.在所述地形图 中标定初始聚类区域；c.利用分水岭方法在各水位线上对所述初始聚类区域进行增长，直至水位线降至最低水位；d.确定各个增长后的初始聚类区域是否均只包含一个物体，如果判断结果为是，则将每个增长后的初始聚类区域作为一个分割出来的物体；如果判断结果为否，则对于每个包含不止一个物体的增长后的初始聚类区域，将所述地形图中与该增长后的初始聚类区域对应的部分作为待分割地形图，并在该待分割地形图中重新标定至少两个初始聚类区域；e.对于每个待分割地形图，重复执行步骤c和d，直至各个增长后的初始聚类区域均只包含一个物体。

根据本公开的另一个方面的实施例，提供了一种物体分割设备，包括：获取转换部件，配置为获取包含待分割物体的图像，并将该图像转换为地形图；标定部件，配置为在所述地形图中标定初始聚类区域；区域增长部件，配置为利用分水岭方法在各水位线上对所述初始聚类区域进行增长，直至水位线降至最低水位；控制部件，配置为：确定各个增长后的初始聚类区域是否均只包含一个物体，如果判断结果为是，则将每个增长后的初始聚类区域作为一个分割出来的物体；如果判断结果为否，则对于每个包含不止一个物体的增长后的初始聚类区域，将所述地形图中与该增长后的初始聚类区域对应的部分作为待分割地形图，在该待分割地形图中重新标定至少两个初始聚类区域，并将该待分割地形图传送至区域增长部件分割完成。

根据本公开的另一个方面的实施例，提供了一种图像合成设备，包括：处理器；存储器；和存储在所述存储器中的计算机程序指令，在所述计算机程序指令被所述处理器运行时执行以下步骤：a.获取包含待分割物体的图像，并将该图像转换为地形图；b.在所述地形图中标定初始聚类区域；c.利用分水岭方法在各水位线上对所述初始聚类区域进行增长，直至水位线降至最低水位；d.确定各个增长后的初始聚类区域是否均只包含一个物体，如果判断结果为是，则将每个增长后的初始聚类区域作为一个分割出来的物体；如果判断结果为否，则对于每个包含不止一个物体的增长后的初始聚类区域，将所述地形图中与该增长后的初始聚类区域对应的部分作为待分割地形图，并在该待分割地形图中重新标定至少两个初始聚类区域；e.对于每个待分割地形图，重复执行步骤c和d，直至各个增长后的初始聚类区域均只包含一个物体。

根据本公开的上述方面的物体分割方法和设备能够实现非规则粘连物体 的有效分割，同时避免了过分割及由此导致的对分割结果的大量繁琐的后续处理。

附图说明

通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1示出了根据本公开实施例的物体分割方法的流程图。

图2(a)例示了所获取的包含待分割物体的图像。

图2(b)例示了从图2(a)所示的包含待分割物体的图像转换得到的二值图像。

图2(c)例示了对图2(b)所示的二值图像进行距离变换后得到距离图。

图2(d)例示了在图2(c)所示的距离图中标定出的初始聚类区域的示意图。

图2(e)例示了利用分水岭方法进行区域增长后的增长结果。

图2(f)例示了图2(c)所示的距离图中与图2(e)中所示的包含不止一个物体的区域对应的部分。

图2(g)例示了在图2(f)中用虚线标出的部分地形图中重新标定出的初始聚类区域的示意图。

图2(h)例示了采用根据本公开实施例的物体分割方法得到的最终的分割结果。

图3(a)和3(b)示出了根据本公开实施例的物体分割方法在水位线上进行区域增长时的一个示例情形。

图4是以树图的方式展示迭代分割的示意图。

图5示出了根据本公开实施例的物体分割设备的功能配置框图。

图6示出了用于实现根据本公开实施例的示例性物体分割设备的计算设备框图。

具体实施方式

下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开的一部分实施例，而不是全部的实施例。基于本公开中的实施例，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，都属于本公开保护的范围。

堆叠物体的分割可以通过各种适当的技术处理而转换为单层平铺物体的分割。所述各种适当的技术处理诸如视觉分层、物理或机械手段等。例如，作为视觉分层的一个示例，可以获取堆叠物体的深度图，随后基于所获得的深度图采用各种适当的方式提取顶部物体层(例如，可以将深度图中的最小深度值(即堆叠物体中的最高点所对应的深度值)加上单个物体的平均高度后所获得的深度值作为顶部物体层的分割位置，并根据该分割位置提取出堆叠物体的顶部物体层)，由此将堆叠物体的分割转换为其顶部物体层(单层平铺物体)的分割。

本发明所关注的主要是转换后的单层平铺物体的分割处理。更明确的说，本发明所关注的主要是单层平铺的非规则粘连物体的分割。下面将对此进行详细的描述。炸鸡块是典型的非规则粘连物体，为了便于描述，下文中将以炸鸡块为例进行说明。

图1示出了根据本公开实施例的物体分割方法的流程图。

如图1所示，在步骤S110，获取包含待分割物体的图像，并将该图像转换为地形图。

可以通过任何方式获取包含待分割物体的图像(灰度图像)。例如，可以从外部输入所述图像，也可以拍摄得到所述图像。

地形图(Topographic image)是图像与视频处理领域中的一种新的数据变换域的图像，其具有“高”和“低”概念的区域，这使得它看起来更像是山地地形的表面。地形图的典型代表包括梯度幅度图、距离图、以及深度图等。在本公开中，作为示例，采用距离图作为地形图来详细描述本发明。

距离图以及将灰度图像转换为距离图均是本领域中常用的图像处理手段，此处仅仅是为便于理解，简单介绍如下。具体的，在该步骤中，可以首先将包含待分割物体的图像转换为二值图像，随后对该二值图像进行距离变换得到距离图。

一幅二值图像可以认为仅仅包含目标物体和背景两种像素，其中目标物体的像素值为1，背景的像素值为0。距离变换是二值图像处理与操作中的常 用手段，其在目标细化、骨架提取、形状插值及匹配、粘连物体的分离等中广泛应用。距离变换的结果不是另一幅二值图像，而是一幅灰度级图像，即距离图，该距离图中每个像素的像素值表示该像素与距其最近的背景像素之间的距离。能够理解，当采用距离图作为地形图时，距离图中各像素的值对应于地形中的高度，代表该点在地形中的海拔。

图2(a)例示了所获取的包含待分割物体(炸鸡块)的图像。图2(a)示出了随机平放在一起的9块炸鸡块，其可以是拍摄得到的图像，也可以是通过对堆叠的炸鸡块进行分层操作而得到。图2(b)例示了从图2(a)所示的图像转换得到的二值图像，其中黑色的像素代表背景，而白色为目标物体，也就是炸鸡块自身。图2(c)例示了对图2(b)所示的二值图像进行距离变换后得到距离图。如图2(c)所示，越靠近炸鸡块中心位置的像素的值越大，越亮，而越靠近炸鸡块边缘位置的像素的值越小，越暗。

可选的，在该步骤中，可以将转换得到的距离图中的各像素的像素值归一化至一个适当的范围(例如，0-255)，以提高后续的水位线下降处理的效率。

在步骤S120，在所述地形图中标定初始聚类区域。

此处的初始聚类区域是一些连通的像素点聚合而成的块状区域，其位于前景图像中，代表着各个待分割物体的种子点。理想情况下，一个标定出来的初始聚类区域对应于一个待分割物体。在该步骤中，可以利用预定的阈值对所述地形图进行二值化来标定出所述初始聚类区域，其中所述预定的阈值可以根据待分割物体的形状、大小等先验知识来确定，以尽可能使得利用该预定的阈值恰好标定出所有待分割的物体。例如，仍然以待分割物体是炸鸡块、地形图是距离图为例，通常炸鸡块的大小是相对一致的，满足正态分布，因此可以设定可接受的置信区间从而确定进行二值化的阈值；随后，通过将距离图中各个像素的值与该阈值进行比较将该距离图二值化，可以得到初始的聚类区域。例如，图2(d)例示了在图2(c)所示的距离图中标定出的初始聚类区域的示意图，其中，各个白色块代表各个炸鸡块的种子点。

上述利用预定的阈值对距离图进行二值化仅仅是标定初始聚类区域的一种示例方法，也可以采用其他的适当方法来标定初始化聚类区域，比如采用形态学中的腐蚀算子，或者使用机器学习中的K-Means、最近邻KNN算法等方法。

在步骤S130，利用分水岭方法在各水位线上对所述初始聚类区域进行增长，直至水位线降至最低水位。

分水岭方法是本领域中常用的图像处理方法，此处不再进行详细描述。在该步骤中，采用分水岭方法，模拟水位从高处下降至最低水位，并在水位下降过程中进行区域增长处理。如前所述，分水岭方法对噪音敏感容易导致过分割，针对这一问题，与常规的分水岭方法不同，在该步骤中，在各水位线上只对已经标定出的初始聚类区域进行增长，而不对水位下降过程中新出现的、除了初始聚类区域之外的其他孤立区域进行增长。下面将结合图3(a)和3(b)对此进行详细的说明。

图3(a)和3(b)示出了根据本公开实施例的物体分割方法在水位线上进行区域增长时的一个示例情形。假设图3(a)左侧的小山丘代表地形图的正视图，并且该山丘右侧的山峰代表一个初始聚类区域a，图3(a)右侧为该地形图的俯视图。假设当水位线从高处下降到水位“A”时，小山丘的一个局部凸起浮出水面形成一新的孤立区域s。该新的孤立区域在右侧的俯视图中用一个小圆圈来表示，小圆圈右侧的黑圆代表初始聚类区域a在当前的水位“A”处的增长后的区域。此时不对该新浮出水面的孤立区域s进行增长，并且在随后的各个水位上也不对其进行增长。如图3(b)所示，当水位线继续下降到水位“B”时,黑圆所代表的初始聚类区域a继续增长至连接到了该孤立区域s(图中浅色外圈部分表示初始聚类区域a在该水位“B”处新增长的部分)，这样该孤立区域s被增长后的初始聚类区域a所吸收(如图3(b)最右侧的黑色实心形状所示)。

在上面描述的情形中，只有一个初始聚类区域在水位线降至水位“B”时新增长至连接到孤立区域s；如果在该水位线处，多个初始聚类区域进行增长后都将连接到该孤立区域s，则可以选择这多个初始聚类区域中的一个增长至连接到该孤立区域s，并控制其他初始聚类区域进行增长时不连接该孤立区域s。可以采用各种适当的方式来选择多个初始聚类区域中的一个初始聚类区域来增长至连接到该孤立区域。比如，作为一种常规方法，可以采用固定的交替增长方式来进行选择。再比如，可以采用竞争增长方式来进行选择。在竞争增长方式中，当多个初始聚类区域进行增长后都将连接到孤立区域s时，选择竞争力最大的区域增长至连接到该孤立区域s，其中竞争力可以根据需要任意设定。例如，竞争力可以是该多个初始聚类区域在上一个水位线上的增长 速度或绝对增量、在当前水位线上的面积大小、到孤立区域s的距离等等。

在该步骤中，作为常规处理方式，进行区域增长的水位线的起始水位是最高水位。可选的，如果在之前的步骤S120中通过利用预定的阈值对距离图进行二值化来标定初始聚类区域，则在该步骤S130中，水位线的起始水位可以是该预定的阈值。

以上结合附图对本公开实施例中利用分水岭方法在各水位线上对初始聚类区域进行增长的处理过程进行了详细描述。由于在该增长过程中，在各水位线上只对已经标定出的初始聚类区域进行增长，而不对水位下降过程中新出现的其他孤立区域进行增长，因此在整个增长过程中不会引入新的区域，最终增长得到的区域(对应于分割出的物体)的数目就是最初标定的初始聚类区域的数目。由于初始聚类区域的数目是可控的，因此分割的结果也是可控的，从而能够避免过分割的产生。

然而，另一方面，由于分割结果依赖于初始聚类区域的标定，因此如果初始聚类区域标定不准确，例如由于物体紧密粘连导致未能标定出全部待分割物体，则最终增长得到的区域的数目会少于实际物体的数目，即未能分割出所有的物体。例如，如前文中提到的，2(a)中例示的包含待分割炸鸡块的图像中包含有9块平铺放置的炸鸡块，而通过初始聚类区域标定，仅仅标定出了8个区域，如图2(d)所示。通过该步骤S130中的区域增长处理，得到了如图2(e)所示的8个区域，即分割出8个物体。从图2(e)可以看出，该图中用斜线标出的区域实际上包含了紧密粘连在一起的两个炸鸡块，由于在标定初始聚类区域的时候只标定出了其中的一块，因此导致最终没能将这两个粘连的炸鸡块分割开。针对这样的情形，根据本公开实施例的物体分割方法将通过下面将要描述的步骤进行进一步的处理。

回到图1，在步骤S140，确定各个增长后的初始聚类区域是否均只包含一个物体，如果判断结果为是，则将每个增长后的初始聚类区域作为一个分割出来的物体，并且分割结束，否则执行步骤S150。

如果由于紧密粘连等原因导致在步骤S120中将多个物体标定为一个初始聚类区域，则该初始聚类区域经过步骤S130的处理后得到的增长后的初始聚类区域的外形显然不同于其他正确分割出来的物体。因此，在该步骤S140中，可以针对每个增长后的初始聚类区域，判断其是否包含不止一个物体。作为一个示例，可以根据增长后的初始聚类区域的尺寸判断其是否包含不止 一个物体。比如，如果一个增长后的初始聚类区域的尺寸(长、宽或面积)大于1.5倍的单个物体的平均尺寸，则很可能是因为其包含了不止一个物体。作为另一个示例，可以根据增长的初始聚类区域的形状判断其是否包含不止一个物体。比如，可以采用傅里叶描述子的低频系数来描述形状信息，然后采用诸如决策树等机器学习的方法来判断某个增长后的初始聚类区域是否包含不止一个物体。

在步骤S150中，对于每个包含不止一个物体的增长后的初始聚类区域，将步骤S110中转换得到的地形图中与该增长后的初始聚类区域对应的部分作为待分割地形图，并在该待分割地形图中重新标定至少两个初始聚类区域。下面将结合图2(e)-2(g)对此进行描述。

假设在该步骤S140中确定出图2(e)中用斜线标出的区域包含了一个以上的物体，则在该步骤S150中，如图2(f)所示，从地形图中提取出与该区域对应的部分作为待分割地形图，在图2(f)中用虚线标出了该部分。随后，在该待分割地形图中重新标定至少两个初始聚类区域。该重新标定初始聚类区域的处理与上文中针对步骤S120所描述的类似，此处不再进行详细描述，仅对其不同之处进行说明。

仍然以采用二值化方法来标定初始聚类区域为例，在前述的步骤S120中，可以根据待分割物体的形状、大小等先验知识来确定阈值，以尽可能使得利用该预定的阈值恰好标定出所有待分割的物体；而在该步骤S150中，则调整采用的阈值以使得可以重新标定出至少两个初始聚类区域。例如，图2(g)示出了对图2(f)中用虚线标出的待分割地形图重新标定出的初始聚类区域。

通过上述步骤S150中的处理，针对每个包含有一个以上的物体的区域都从地形图中提取出了与其对应的部分作为待分割地形图，并在该待分割地形图中重新标定了至少两个初始聚类区域。随后，处理返回步骤S130，并对于每个这样的待分割地形图重复地执行S130-S150。更明确的说，由于每个待分割地形图中都包含了不止一个物体，因此可以将每个这样的待分割地形图作为一副新的地形图，针对其中重新标定出的至少两个初始聚类区域再次执行步骤S130-S150中的处理，不断重复这一过程，直到在步骤S140中确定对于每个待分割的地形图，各个增长后的初始聚类区域均只包含一个物体为止。能够理解，该过程实际是一个迭代分割的过程，对于每个在步骤S140中被确 定为包含不止一个物体的区域，都将从初始的地形图中取出对应部分，并作为独立的输入进入到迭代分割中，直到各个增长后的初始聚类区域均只包含一个物体、即所有物体都被分割开为止。图2(h)例示了通过该迭代分割得到的最终的分割结果，可以看到该图中每个区域均只包含一个鸡块。

为了有助于理解，下面结合图4对迭代分割进行简单的说明。图4是以树图的方式展示迭代分割的示意图。如图4所示，假设有4个球要进行分割，其中左边3个球相互粘连在一起。在最初的分割中(即第一次迭代中)，4个球被分为2部分，左边3个、右边1个。由于左边3个包含了不止一个要分割的物体，因此对左边的3个球继续进行第二次迭代分割。经过第二次迭代分割后，3个球被分为2部分，左边2个、右边1个。继续对左边的2个球进行第三次迭代分割，最终所有的球都相互分割开。

以上已经参考附图描述了根据本公开实施例的物体分割方法。根据该方法，在利用分水岭方法进行分割的过程中，只对已经标定出的初始聚类区域进行增长，而不对水位下降过程中新出现的其他孤立区域进行增长，因此在整个增长过程中不会引入新的区域，从而能够避免过分割的产生；另一方面，通过迭代分割的方式弥补由于物体紧密粘连导致标定的初始聚类区域不准确的缺陷，从而实现了粘连物体的有效分割。

需要说明的是，尽管在以上的描述中，特别针对非规则粘连物体描述了根据本公开实施例的物体分割方法，但这并非是对本发明的限制。根据本公开实施例的上述物体分割方法对于规则物体或非粘连物体的分割也同样适用。

下面参考图5描述根据本公开实施例的物体分割设备。图5示出了根据本公开实施例的物体分割设备的功能配置框图。如图5所示，物体分割设备500可以包括：获取转换部件510，标定部件520，区域增长部件530，以及控制部件540。所述各部件的具体功能和操作与上文中针对图1-4描述的基本相同，因此为了避免重复，在下文中仅对所述设备进行简要的描述，而省略对相同细节的详细描述。

获取转换部件510配置为获取包含待分割物体的图像，并将该图像转换为地形图。获取转换部件510可以通过各种适当的方式来获取包含待分割物体的图像。典型的，地形图包括梯度幅度图、距离图、以及深度图等。在本公开中，作为示例，采用距离图作为地形图。获取转换部件510可以通过距 离变换等本领域中常用的图像处理手段将所获取的包含待分割物体的图像转换为距离图。可选的，获取转换部件510可以将转换得到的距离图中的各像素的像素值归一化至一个适当的范围(例如，0-255)，以提高区域增长部件530进行水位线下降处理的效率。

标定部件520配置为在所述地形图中标定初始聚类区域。具体的，该标定部件520可以利用预定的阈值对所述地形图进行二值化来标定出所述初始聚类区域，其中所述预定的阈值可以根据待分割物体的形状、大小等先验知识来确定，以尽可能使得利用该预定的阈值恰好标定出所有待分割的物体；随后，通过将距离图中各个像素的值与该阈值进行比较将该距离图二值化，可以得到初始的聚类区域。上述利用预定的阈值对距离图进行二值化仅仅是标定初始聚类区域的一种示例方法，标定部件520也可以采用其他的适当方法来标定初始化聚类区域，比如采用形态学中的腐蚀算子，或者使用机器学习中的K-Means、最近邻KNN算法等方法。

区域增长部件530配置为利用分水岭方法在各水位线上对所述初始聚类区域进行增长，直至水位线降至最低水位。具体的，区域增长部件530采用分水岭方法，模拟水位从高处下降至最低水位，并在水位下降过程中进行区域增长处理。与常规的分水岭方法不同，区域增长部件530在各水位线上只对已经标定出的初始聚类区域进行增长，而不对水位下降过程中新出现的、除了初始聚类区域之外的其他孤立区域进行增长。区域增长部件530进行区域增长时，可以将水位线的起始水位设置为最高水位。可选的，如果标定部件520通过利用预定的阈值对距离图进行二值化来标定初始聚类区域，则区域增长部件530可以将水位线的起始水位设为该预定的阈值。

控制部件540配置为：确定各个增长后的初始聚类区域是否均只包含一个物体，如果判断结果为是，则将每个增长后的初始聚类区域作为一个分割出来的物体；如果判断结果为否，则对于每个包含不止一个物体的增长后的初始聚类区域，将所述地形图中与该增长后的初始聚类区域对应的部分作为待分割地形图，在该待分割地形图中重新标定至少两个初始聚类区域，并将该待分割地形图传送至区域增长部件。

如果由于紧密粘连等原因导致标定部件520将多个物体标定为一个初始聚类区域，则该初始聚类区域经过区域增长部件530的处理后得到的增长后的初始聚类区域的外形显然不同于其他正确分割出来的物体。因此，控制部 件540可以针对每个增长后的初始聚类区域，判断其是否包含不止一个物体，并根据判断结果进行相应的处理。

对于一个增长后的初始聚类区域，如果控制部件540确定其并未包含一个以上的物体，则将该增长后的初始聚类区域作为一个分割出来的物体。

相反，如果控制部件540确定一个增长后的初始聚类区域中包含了一个以上的物体，则将对该区域进行进一步的分割处理。具体的，对于这样的区域，控制部件540将获取转换部件510转换得到的地形图中与该增长后的初始聚类区域对应的部分作为待分割地形图，并在该待分割地形图中重新标定至少两个初始聚类区域。与标定部件520类似，控制部件540可以采用地形图二值化、形态学中的腐蚀算子、机器学习中的K-Means、最近邻KNN算法等方法重新标定初始聚类区域，唯一的区别在于，控制部件540要重新标定出至少两个初始聚类区域。例如，以采用地形图二值化进行重新标定为例，控制部件540将调整采用的阈值以使得可以重新标定出至少两个初始聚类区域。随后，控制部件540把重新标定了初始聚类区域的待分割地形图传送至区域增长部件530，并控制区域增长部件530对接收到的待分割地形图再次执行区域增长，而控制部件540则再次对新得到的每个增长后的初始聚类区域进行判断，不断重复这一过程，直至控制部件540确定各个增长后的初始聚类区域均只包含一个物体为止。能够理解，该过程实际是一个迭代分割的过程，对于每个在控制部件540中被确定为包含不止一个物体的区域，控制部件540都将从初始的地形图中取出对应部分，并作为独立的输入进入到迭代分割中，直到各个增长后的初始聚类区域均只包含一个物体、即所有物体都被分割开为止。

以上已经参考图5描述了根据本公开实施例的物体分割设备500。该物体分割设备500在利用分水岭方法进行分割时，只对已经标定出的初始聚类区域进行增长，而不对水位下降过程中新出现的其他孤立区域进行增长，因此在整个增长过程中不会引入新的区域，从而能够避免过分割的产生；另一方面，其通过迭代分割的方式弥补了由于物体紧密粘连导致标定的初始聚类区域不准确的缺陷，从而实现了粘连物体的有效分割。

下面，参照图6来描述可用于实现本公开实施例的示例性物体分割设备的计算设备框图。

如图6所示，计算设备600包括一个或多个处理器602、存储装置604、 摄像头606和输出装置608，这些组件通过总线系统610和/或其它形式的连接机构(未示出)互连。应当注意，图6所示的计算设备600的组件和结构只是示例性的，而非限制性的，根据需要，计算设备600也可以具有其他组件和结构。

处理器602可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制计算设备600中的其它组件以执行期望的功能。

存储装置604可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器602可以运行所述程序指令，以实现上文所述的本公开的实施例的功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如上述地形图、待分割地形图、初始聚类区域、增长后的初始聚类区域、水位线、二值化采用的阈值、待分割物体的尺寸和形状等等。

摄像头606用于拍摄所述包含待分割物体的图像，并且将其存储在存储装置604中以供其它组件使用。

输出装置608可以向外部输出各种信息，例如分割出来的各个物体的位置形状信息，并且可以包括显示器、投影仪、电视等各种显示设备。

以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。

本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇 “和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

本公开中的步骤流程图以及以上方法描述仅作为例示性的例子并且不意图要求或暗示必须按照给出的顺序进行各个实施例的步骤，某些步骤可以并行、彼此独立或按照其他适当的顺序执行。另外，诸如“其后”、“然后”、“接下来”等等的词语不意图限制步骤的顺序；这些词语仅用于引导读者通读这些方法的描述。

还需要指出的是，在本公开的装置和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。