图像分割的方法和装置与流程

本发明涉及图像处理领域，特别是涉及一种图像分割的方法和装置。

背景技术：

随着图像技术的发展，如何对图像进行分割显得越来越重要。传统的对图像的区域进行分割主要有两种方法，一种是基于颜色特征的分割方法，一种是基于边缘特征和能量泛函的分割方法。其中，基于颜色特征的分割方法对颜色的深度有较高的要求，如果分割目标的颜色特征不明显则会造成分割失败。比如，当嘴唇的颜色很浅几乎和脸部肤色一致时，用这种分割方法就无法成功分割出嘴唇区域。能量泛函本质上就是先建立描述区域集合特征的参数表达式，通过调节参数来改变区域的形状，当定义的能量泛函取最小值时，表达式所表示的几何图形完全切合实际的区域边缘，其缺点是在区域的几何特征比较复杂的情况下简历参数表达式比较困难，且参数众多，参数众多本身又会导致能量函数求解极小值的难度非常大，算法的运行效率也变得非常低，且其所描绘的曲线一般是连续而且平滑的，而实际上某些分割对象本身的边界并不是平滑的，所以区域分割效果不好。

技术实现要素：

基于此，有必要针对上述问题，提供一种更精确的图像分割的方法和装置

一种图像分割的方法，所述方法包括：

获取待分割的原始目标图像；

提取所述原始目标图像中待分割区域的几何特征；

获取所述原始目标图像中每个像素点的颜色特征；

根据提取的所述几何特征和所述每个像素点的颜色特征对原始目标图像中的各个像素点进行聚类；

根据聚类的结果将所述原始目标图像进行分割。

一种图像分割的装置，所述装置包括：

图像获取模块，用于获取待分割的原始目标图像；

提取模块，用于提取所述原始目标图像中待分割区域的几何特征；

颜色特征获取模块，用于获取所述原始目标图像中每个像素点的颜色特征；

第一聚类模块，用于根据提取的所述几何特征和所述每个像素点的颜色特征对原始目标图像中的各个像素点进行聚类；

分割模块，用于根据聚类的结果将所述原始目标图像进行分割。

上述图像分割的方法和装置，通过获取待分割的原始目标图像，提取原始目标图像中待分割区域的几何特征，获取原始目标图像中每个像素点的颜色特征，根据提取的几何特征和每个像素点的颜色特征对原始目标图像中的各个像素点进行聚类。上述图像分割的方法，通过将几何特征和每个像素点的颜色特征结合对原始目标图像中的各个像素点进行聚类，这样即使待分割区域的颜色特征不明显，由于几何特征的限制也能精确的将区域进行分割。因此，通过将待分割区域的几何特征和颜色特征结合可以更加精确的对区域进行分割。

附图说明

图1为一个实施例中终端的内部结构示意图；

图2为一个实施例中图像分割的方法流程图；

图3为一个实施例中提取人脸几何特征的点的示意图；

图4为一个实施例中根据提取的几何特征和颜色特征对像素点进行聚类的方法流程图；

图5A为一个实施例中的原始目标图像的示意图；

图5B为一个实施例中唇部区域填充并进行模糊处理后的示意图；

图6为一个实施例中根据颜色特征和亮度值对像素点进行聚类的方法流程图；

图7为一个实施例中对图像进行模糊处理的方法流程图；

图8为一个实施例中图像分割的装置的结构框图；

图9为一个实施例中第一聚类模块的结构框图；

图10为一个实施例中第二聚类模块的结构框图；

图11为一个实施例中模糊处理模块的结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，在一个实施例中，终端100的内部结构如图1所示，包括通过系统总线连接的处理器、内存储器、非易失性存储介质、网络接口、图像采集装置、显示屏和输入装置。其中，终端100的非易失性存储介质存储有操作系统，还包括一种图像分割的装置，该图像分割的装置用于实现一种图像分割的方法。该处理器用于提供计算和控制能力，支撑整个终端的运行。终端中的内存储器为非易失性存储介质中的图像分割的装置的运行提供环境，该内存储器中存有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种图像分割的方法。网络接口用于连接到网络进行通信。图像采集装置用于图像的采集，比如进行图像的录入。终端的显示屏可以是液晶显示屏或者电子墨水显示屏等，输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，也可以是外接的键盘、触控板或鼠标等。该终端可以是手机、平板电脑、笔记本电脑、台式计算机等。本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

如图2所示，在一个实施例中，提出了一种图像分割的方法，该方法包括：

步骤202，获取待分割的原始目标图像。

具体的，原始目标图像可以是彩色图像，也可以是灰度图像。对原始目标图像进行分割的前提是图像中的待分割区域具有一定的几何形状限制。

步骤204，提取原始目标图像中待分割区域的几何特征。

在本实施例中，根据待分割区域本身具有的几何形状来提取待分割区域的几何特征。提取待分割区域的几何特征有很多种方法，针对不同的图像可以采取不同的方法。其中，对于人脸图像，可以采用人脸定位技术提取描述人脸几何特征的点，然后将提取的特征点连接起来就形成了对应的几何特征。以提取人脸图片中的唇部为例，图3为一个实施例中提取人脸几何特征的点的示意图，其中，包括了描述唇部区域几何特征的点(65-82)，将描述唇部的特征点连接起来就构成了该唇部区域的几何特征。对于非人脸图像，可以采用任何计算机图像算法来提取待分割区域的几何特征，这里并不对提取几何特征的算法进行限制。

步骤206，获取原始目标图像中每个像素点的颜色特征。

具体的，图像是由一个个像素点组成的，每个像素点都对应一个颜色特征。原始目标图像可以是彩色图像也可以是灰度图像，若图像是彩色图像，可以使用多种颜色空间的分量进行组合，比如使用Lab颜色空间的三个分量加上YCbCr颜色空间的CbCr分量组合为一个包含五个分量的颜色特征矢量(L，a，b，Cb，Cr)，其中，Lab中的L表示亮度，a表示从洋红色到绿色的范围，b表示从黄色至蓝色的范围；YCbCr中的Cb代表蓝色的浓度偏移量，Cr代表红色的浓度偏移量。若图像为灰度图像，那么颜色特征只用灰度信息就可以了。获取原始目标图像中每个像素点的颜色特征，就是要获取表示像素点的颜色特征矢量。

步骤208，根据提取的几何特征和每个像素点的颜色特征对原始目标图像中的各个像素点进行聚类。

在本实施例中，首先，根据提取的几何特征确定原始目标图像中待分割的目标区域和非目标区域，由于根据几何特征划分得到的目标区域和非目标区域并不一定准确，有时还会存在较大偏差，所以需要进一步结合每个像素点的颜色特征对划分的目标区域和非目标区域进行校正调整得到更精确的划分。具体的，根据几何特征确定原始目标图像中待分割的目标区域和非目标区域后，将目标区域和非目标区域用不同的颜色进行填充以区分目标区域和非目标区域，将填充后的图像进行模糊处理，提取进行模糊处理后的图像中的用于表征不同颜色特征的参数，比如，可以提取进行模糊处理后的图像中每个像素点的亮度值，然后根据每个像素点的颜色特征和对应的亮度值对原始目标图像中的各个像素点进行聚类，需要说明的是，这里并不限于对亮度值的提取，还可以是其他可以反应颜色特征的参数，比如，彩度、饱和度等。

步骤210，根据聚类的结果将原始目标图像进行分割。

在本实施例中，经过聚类得到的结果是每个像素点隶属于目标区域的概率，得到每个像素点隶属于目标区域的概率后，可以对其进行二值化处理，即将大于预设概率值的像素点划分为目标区域，将小于或等于预设概率值的像素点划分为非目标区域。

在本实施例中，通过获取待分割的原始目标图像，提取原始目标图像中待分割区域的几何特征，获取原始目标图像中每个像素点的颜色特征，根据提取的几何特征和每个像素点的颜色特征对原始目标图像中的各个像素点进行聚类。上述图像分割的方法，通过将几何特征和每个像素点的颜色特征结合对原始目标图像中的各个像素点进行聚类，这样即使待分割区域的颜色特征不明显，由于几何特征的限制也能精确的将区域进行分割。因此，通过将待分割区域的几何特征和颜色特征结合可以更加精确的对区域进行分割。

如图4所示，在一个实施例中，根据提取的几何特征和每个像素点的颜色特征对原始目标图像中的各个像素点进行聚类的步骤208包括：

步骤402，根据提取的几何特征确定原始目标图像中待分割的目标区域和非目标区域。

在本实施例中，提取了待分割区域的几何特征后，根据提取的待分割区域的几何特征将原始目标图像划分成了两个部分，一个是目标区域，一个是非目标区域。其中，目标区域可以是一个，也可以是多个。比如，以人脸图片为例，如图3所示，可以根据提取的五官(眉、眼、鼻、唇、脸部外轮廓)的几何特征将人脸中的五官同时作为目标区域，其他部分作为非目标区域。当然也可以只将某个区域作为目标区域，比如，只提取唇部的几何特征，将唇部作为目标区域，其他作为非目标区域。

步骤404，将目标区域和非目标区域用亮度值不同的颜色进行填充以区分目标区域和非目标区域。

在本实施例中，确定完原始目标图像中待分割的目标区域和非目标区域后，将目标区域和非目标区域用亮度值不同的颜色进行填充以区分该目标区域和非目标区域。为了更好的将目标区域和非目标区域区分开，使用的填充颜色的亮度值相差越大越好。优选的，可以将目标区域以白色(亮度值为255)进行填充，非目标区域以黑色(亮度值为0)进行填充或者将目标区域以黑色进行填充，非目标区域以白色进行填充。

步骤406，将填充后的图像进行模糊处理，获取进行模糊处理后的图像中每个像素点对应的亮度值。

在本实施例中，由于根据提取的待分割区域的几何特征得到的目标区域并不一定准确，有时会存在较大偏差，所以需要对填充后的图像进行模糊处理，后续再结合颜色特征对划分的目标区域和非目标区域进行校正调整得到更精确的划分。具体的，对图像进行模糊处理，首先需要确定模糊半径，模糊半径的大小取决于提取待分割区域几何特征的偏差大小，偏差大则应该增大模糊半径，偏差小则降低模糊半径。模糊半径的大小可以根据经验值进行预先设置，确定完模糊半径的大小后，可以采用高斯模糊算法对填充后的图像进行模糊处理。图5A为一个实施例中的原始目标图像，图5B为将唇部区域进行填充后进行模糊处理后的示意图，其中，提取的唇部区域是以白色进行填充的，其他非目标区域以黑色进行填充的。将填充后的图像进行模糊处理后，计算每个像素点对应的亮度值，亮度值的计算可以采用现有的计算方法，这里不对亮度值的计算做任何限制，为了便于亮度值的计算，优选的可以选择用黑白色对目标区域和非目标区域进行填充，这样亮度值的计算可以简化为对灰度值的计算。

步骤408，根据每个像素点的颜色特征和对应的亮度值对原始目标图像中的各个像素点进行聚类。

在本实施例中，每条像素点在图像中都有唯一的坐标，将图像处理前后同一坐标位置对应的像素点的颜色特征和亮度值合并，得到一个表示该像素点的多维的特征矢量。比如，若原始目标图像中每个像素点对应的是一个5纬颜色特征矢量(L，a，b，Cb，Cr)，那么和进行模糊处理后的每个像素点对应的亮度值B(Brightness，亮度)组合之后就变成了一个6纬特征矢量(L，a，b，Cb，Cr，B)。根据得到的每个像素点对应的多维特征矢量对原始目标图像中的像素点进行聚类。具体的，首先，根据处理后的图像中每个像素点对应的亮度值B确定每个像素点对应的初始隶属度；其次，根据每个像素点对应的初始隶属度和每个像素点对应的多维特征矢量计算目标区域和非目标区域的初始中心值；最后，根据初始隶属度和初始中心值以及每个像素点对应的多维特征矢量对原始目标图像中的像素点进行聚类得到每个像素点隶属于目标区域的概率。根据得到的每个像素点隶属于目标区域的概率进行图像的分割。

在本实施例中，先是通过提取待分割区域的几何特征进行区域的划分，然后再根据颜色特征来校正通过几何特征划分出的目标区域，这样即使分割的目标区域的颜色特征不明显，由于几何特征的限制也能精确的将目标区域划分出来，通过将待分割区域的几何特征和颜色特征结合可以更加精确的对区域进行分割。

如图6所示，在一个实施例中，根据每个像素点的颜色特征和对应的亮度值对原始目标图像中的各个像素点进行聚类的步骤408包括：

步骤408A，根据每个像素点对应的亮度值分别确定每个像素点隶属于目标区域和非目标区域的初始隶属度。

在本实施例中，隶属度属于模糊评价函数里的概念，具体的，若对论域U中的任一元素，都有一个数A(x)∈[0，1]与之对应，则称A为U上的模糊集，A(x)成为x对A的隶属度。当x在U中变动时，A(x)就是一个函数，称为A的隶属函数。隶属度A(x)越接近于1，表示x属于A的程度越高，隶属度A(x)越接近于0，表示x属于A的程度越低，即用取值区间[0，1]的隶属函数A(x)表示属于A的程度高低。在进行聚类之前，首先需要确定每个像素点隶属于目标区域的初始隶属度和每个像素点隶属于非目标区域的初始隶属度。初始隶属度的确定是为了作为初始值计算每个像素点最终属于目标区域的概率。隶属于目标区域的概率(隶属度)和隶属于非目标区域的概率(隶属度)之和为1。假设像素点隶属于目标区域的隶属度为A(xi)，隶属于非目标区域的隶属度为B(xi)，其中，A(xi)+B(xi)＝1，xi表示第i个测量到的数据。初始隶属度根据亮度值确定。具体的，在一个实施例中，将大于预设亮度值的像素点隶属于目标区域的初始隶属度设为1，将不大于预设亮度值的像素点隶属于目标区域的初始隶属度设为0，那么大于预设亮度值的像素点隶属于非目标区域的初始隶属度为0，不大于预设亮度值的像素点隶属于目标区域的初始隶属度为1。具体的，参考图5B，xi属于目标区域的初始隶属度的计算方法为：如果xi在图5B中的位置上的亮度值大于128，则初始隶属度为1，小于等于128则初始隶属度为0。xi属于非目标区域的初始隶属度刚好和属于目标区域的初始隶属度相符，即亮度值大于128，初始隶属度为0，小于等于128初始隶属度为1。

步骤408B，根据每个像素点的颜色特征和对应的亮度值分别确定目标区域和非目标区域的初始中心值。

在本实施例中，在进行聚类前，需要先确定目标区域和非目标区域的聚类中心即初始中心值。计算初始中心值，可以采用加权平均的计算方法。具体的，可以通过公式计算得到，其中，cj表示类j的聚类中心；xi表示第i个测量到的多维数据；uij是xi属于类别j的隶属度；m是控制算法柔性的一个参数，一般取m＝2；N表示总的数据个数。其中，特征数据xi在本实施例中就是每个像素点对应的多维特征矢量(由颜色特征和亮度值组成)；uij就是得到的每个像素点属于类别j的初始隶属度。在一个实施例中，参考图5B，目标区域的聚类中心即初始中心值的计算方法为：在图5B中所有亮度值等于255的像素点计算其在原始目标图像(图5A)中的多维特征矢量的平局值即初始中心值c1。同样的，在图5B中非目标区域中所有亮度值等于0的像素计算其在原始目标图像中的多维特征矢量的平局值c2。c1和c2分别是目标区域和非目标区域的聚类中心即初始中心值。

步骤408C，根据初始隶属度和初始中心值以及每个像素点的颜色特征和对应的亮度值对原始目标图像中的像素点进行聚类得到每个像素点隶属于目标区域的概率。

在本实施例中，确定了每个像素点隶属于目标区域和非目标区域的初始隶属度和目标区域及非目标区域的聚类中心后，将初始隶属度和初始中心值作为初始参数，将每个像素点的颜色特征和对应的亮度值组合为一个多维特征矢量作为输入变量，然后使用聚类算法进行聚类计算。在一个实施例中，可以采用FCM聚类算法进行迭代计算得到每个像素点隶属于目标区域的最终隶属度，根据该最终隶属度(概率)进行区域的分割。具体的，通过公式和进行更新迭代使得目标函数达到极小。其中，m为大于1的实数，一般取m＝2，uij是xi属于类别j的隶属度，cj表示类j的聚类中心，xi表示第i个测量到的多维数据，||*||表示任一测量数据与聚类中心的像素度，k表示C的取值范围，而C表示类别数量。首先，通过将确定的初始隶属度代入上述公式(1)计算聚类中心cj，然后再代入上述公式(2)计算新一轮的隶属度通过这样不断的迭代直到时，迭代停止。其中0<ε<1是迭代终止参数，n是迭代轮数，在这个过程中Jm收敛到一个极小值。经过迭代计算可以得到每个像素点隶属于目标区域的最终隶属度，根据该最终隶属度(概率)进行图像的分割。

如图7所示，在一个实施例中，将填充后的图像进行模糊处理，计算进行模糊处理后的图像中每个像素点的亮度值的步骤406包括：

步骤406A，获取预设的模糊半径，根据模糊半径对填充后的图像进行模糊处理。

在本实施例中，对原始目标图像中的目标区域和非目标区域进行填充后，需要对填充后的图像进行模糊处理，这是因为通过几何特征划分的目标区域和非目标区域不一定准确，可能出现偏差，所以需要对填充后的图像进行模糊处理，后续再结合颜色特征对划分的目标区域和非目标区域进行校正调整得到更精确的划分。进行模糊处理前，首先需要确定模糊半径，模糊半径的大小是可以进行预先设置的，预先设置的模糊半径的大小取决于偏差大小。偏差大小是一个经验值，可以经过多次测试评估出提取几何特征的算法的偏差范围，然后根据偏差范围可以确定模糊半径，模糊半径一般取大于最大偏差的值。比如偏差范围是0-10，那么模糊半径可以是大于10的值，这样便于后续能够更加精确的对目标区域进行划分。

步骤406B，计算进行模糊处理后的图像中每个像素点对应的亮度值。

在本实施例中，为了将目标区域和非目标区域进行区分，分别将目标区域和非目标区域用亮度值不同的颜色进行填充，然后对填充后的图像进行模糊处理，这样就得到了一个新的目标图像，计算该新的目标图像中每个像素点对应的亮度值。为了便于亮度值的计算，一般对目标区域进行白色填充，非目标区域进行黑色填充，这样不但可以更好的区分目标区域和非目标区域，还可以简化亮度值的计算，因为通过黑白填充计算亮度值时只需要进行灰度计算就可以得到每个像素点对应的亮度值。如果用彩色进行填充，那么计算亮度值时需要对三种颜色的值进行加权平均计算才能得到像素点对应的亮度值。

在一个实施例中，根据聚类得到的每个像素点隶属于目标区域的概率进行区域的分割，其中，将大于预设概率值的像素点划分为目标区域，将小于或等于预设概率值的像素点划分为非目标区域。

在本实施例中，经过聚类迭代结束时得到每个像素点属于目标区域的隶属度即最终每个像素点属于目标区域的概率。将得到的概率进行一个二值化处理，即根据概率判断每个像素点是否属于目标区域。具体的，可以设置一个概率值，比如概率值设为0.6，将概率大于0.6的像素点划分为目标区域，将概率值小于或等于0.6的像素点划分为非目标区域。

如图8所示，在一个实施例中，提出了一种图像分割的装置，该装置包括：

图像获取模块802，用于获取待分割的原始目标图像。

提取模块804，用于提取原始目标图像中待分割区域的几何特征。

颜色特征获取模块806，用于获取原始目标图像中每个像素点的颜色特征。

第一聚类模块808，用于根据提取的几何特征和每个像素点的颜色特征对原始目标图像中的各个像素点进行聚类。

分割模块810，用于根据聚类的结果将原始目标图像进行分割。

如图9所示，在一个实施例中，第一聚类模块808包括：

确定模块902，用于根据提取的几何特征确定原始目标图像中待分割的目标区域和非目标区域。

填充模块904，用于将目标区域和非目标区域用亮度值不同的颜色进行填充以区分目标区域和非目标区域。

模糊处理模块906，用于将填充后的图像进行模糊处理，计算进行模糊处理后的图像中每个像素点对应的亮度值。

第二聚类模块908，用于根据每个像素点的颜色特征和对应的亮度值对原始目标图像中的各个像素点进行聚类。

如图10所示，在一个实施例中，第二聚类模块908包括：

初始隶属度确定模块908A，用于根据每个像素点对应的亮度值分别确定每个像素点隶属于目标区域和非目标区域的初始隶属度。

初始中心值确定模块908B，用于根据每个像素点的颜色特征和对应的亮度值分别确定目标区域和非目标区域的初始中心值。

第三聚类模块908C，用于根据初始隶属度和初始中心值以及每个像素点的颜色特征和对应的亮度值对原始目标图像中的像素点进行聚类得到每个像素点隶属于目标区域的概率。

如图11所示，模糊处理模块906包括：

模糊半径获取模块906A，用于获取预设的模糊半径，根据模糊半径对填充后的图像进行模糊处理。

亮度值计算模块906B，用于计算进行模糊处理后的图像中每个像素点对应的亮度值。

在一个实施例中，分割模块还用于根据聚类得到的每个像素点隶属于目标区域的概率进行区域的分割，其中，将大于预设概率值的像素点划分为目标区域，将小于或等于预设概率值的像素点划分为非目标区域。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。