图像要素提取方法及装置与流程

本发明涉及图像处理技术领域，具体地，涉及一种图像要素提取方法及装置。

背景技术：

随着计算机技术的高速发展，各类图像处理技术也得以应运而生，并得到飞速的提升。目前的图像处理技术可以对图像进行优化以及要点提取。但是存在着一些问题，简单的图像要素提取方法，对于前景背景噪声太多的图像，以及要素周围有其他干扰因素的图像，要素提取效果不好；而一些复杂的图像要素提取方法，虽然处理效果较好，但是需要用到大量数据集进行拟合，一方面需要大量训练样本，另一方面整体的处理速度较慢。

技术实现要素：

鉴于以上问题，本发明的目的是提供一种图像要素提取方法及装置，以克服现有技术的缺陷，快速进行图像要素的提取，并具有较高的准确率。

为了实现上述目的，本发明采用以下技术方案：

本发明的一个方面是提供一种图像要素提取方法，包括以下步骤：

步骤s10，获取待处理图像；

步骤s20，对所述待处理图像进行预处理，得到去噪图像，并得到所述去噪图像的边缘轮廓图；

步骤s30，对经过预处理的图像进行阈值分割，得到分割阈值；

步骤s40，利用所述分割阈值对经过预处理的图像进行二值化处理，得到二值化图像；

步骤s50，对所述二值化图像中的轮廓进行图形学变换处理；

步骤s60，获取经过图形学变换处理的图像的轮廓向量，并根据所述轮廓向量求取圈定轮廓的最小矩形；

步骤s70，根据所述最小矩形，提取图像要素。

优选地，所述步骤s20包括以下步骤：

步骤s201，输入所述待处理图像；

步骤s202，将所述待处理图像转化为灰度图；

步骤s203，生成高斯核，并使用高斯核对所述灰度图进行卷积运算，得到去噪图像；

步骤s204，对所述去噪图像处理，得到边缘轮廓图。

优选地，所述步骤s203中，所述高斯核通过下式生成，

其中，gauss(i′，j′)表示高斯核的第i′行第j′列元素的值，m表示高斯核的总行数，n表示高斯核的总列数，σ表示高斯核标准差。

优选地，所述步骤s204包括：

确定梯度算子，包括横向算子和纵向算子；

利用所述梯度算子对所述去噪图像分别进行卷积运算，得到横向梯度图和纵向梯度图；

将横向梯度图和纵向梯度图取绝对值后相加，得到所述去噪图像的边缘轮廓图。

优选地，所述步骤s30包括：

步骤s301，设定初始像素灰度值；

步骤s302，使用像素灰度值分割图像；

步骤s303，根据下式获取类间方差：

g＝ω1*ω2*(μ1-μ2)²

其中，g表示类间方差，ω1表示图像中的背景像素占比，ω2表示图像中的前景像素占比，μ1表示背景的平均灰度值，μ2表示前景的平均灰度值；

步骤s304，遍历所有像素灰度值的取值，得到使得类间方差最大的阈值，作为分割阈值。

优选地，所述步骤s50包括：利用大椭圆核对二值化图像进行一次闭运算处理，使得图像中物体的轮廓呈密闭连接。

优选地，所述步骤s50还包括：利用小椭圆核对经过闭运算处理的二值化图像进行多次腐蚀和多次膨胀处理。

优选地，所述步骤s60中，根据所述轮廓向量求取圈定轮廓的最小矩形，包括：

对轮廓向量进行排序，其中，采用混合排序方式，图像的轮廓向量较少时采用折半插入排序，轮廓向量较多时，采用快速排序；

根据排序后的轮廓向量求取圈定轮廓的最小矩形。

优选地，所述方法还包括：对所述分割阈值进行微调，修正提取的图像要素。

本发明的另一个方面是提供一种图像要素提取装置，包括：

图像获取模块，获取待处理图像；

预处理模块，对所述待处理图像进行预处理，得到去噪图像，并得到所述去噪图像的边缘轮廓图；

分割阈值获取模块，对经过预处理的图像进行阈值分割，得到分割阈值；

二值化模块，利用所述分割阈值对经过预处理的图像进行二值化处理，得到二值化图像；

轮廓处理模块，对所述二值化图像中的轮廓进行图形学变换处理；

轮廓圈定模块，获取经过图形学变换处理的图像的轮廓向量，并根据所述轮廓向量求取圈定轮廓的最小矩形；

要素提取模块，根据所述最小矩形，提取图像要素。

与现有技术相比，本发明具有以下优点和有益效果：

本发明通过在对图像进行阈值分割之前，先进行去噪、提取轮廓等预处理，使得对图像要素的提取具有较高的准确率，并提高图像要素提取的效率。并且，本发明无需多样本进行训练，具有较高的适用性。

本发明对于少数极端图像处理可采用先处理再微调阈值的方式，对于极端图像也有适用性，适用范围广泛。

附图说明

图1是本发明所述图像要素提取方法的流程示意图；

图2是本发明中对所述待处理图像进行预处理的流程示意图；

图3是本发明中获取分割阈值的流程示意图；

图4是本发明中获取分割阈值的一个实施例的流程示意图；

图5是本发明中所述图像要素提取装置的装置示意图。

具体实施方式

下面将参考附图来描述本发明所述的实施例。本领域的普通技术人员可以认识到，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式或其组合对所描述的实施例进行修正。因此，附图和描述在本质上是说明性的，而不是用于限制权利要求的保护范围。此外，在本说明书中，附图未按比例画出，并且相同的附图标记表示相同的部分。

图1是本发明所述图像要素提取方法的流程示意图，如图1所示，本发明所述图像要素提取方法，包括以下步骤：

步骤s10，获取待处理图像，待处理图像可以是风景图像或病理图像等包含有重要信息的图像，对待处理图像进行处理，提取图像要素，以得到仅包含重要信息的图像。

步骤s20，对所述待处理图像进行预处理，得到去噪图像，并得到所述去噪图像的边缘轮廓图，以消除噪点，并提取图像中各个元素的轮廓。

图2是本发明中对所述待处理图像进行预处理的流程示意图，如图2所示，本发明的一个实施例中，对待处理图像进行预处理的步骤包括以下步骤：

步骤s201，输入所述待处理图像；

步骤s202，将所述待处理图像转化为灰度图；

步骤s203，生成高斯核，并使用高斯核对所述灰度图进行卷积运算，得到去噪图像；

步骤s204，对所述去噪图像处理，得到边缘轮廓图。

在步骤s203中，所述高斯核通过下式(1)生成：

其中，gauss(i′，j′)表示高斯核的第i′行第j′列元素的值，m表示高斯核的总行数，n表示高斯核的总列数，σ表示高斯核标准差。

优选地，所述步骤s204包括：

确定梯度算子，包括横向算子和纵向算子；

利用所述梯度算子对所述去噪图像分别进行卷积运算，得到横向梯度图和纵向梯度图；

将横向梯度图和纵向梯度图取绝对值后相加，得到所述去噪图像的边缘轮廓图，从而便于提取图像中元素的轮廓。

本发明的一个实施例中，预先生成一个9×9的高斯核gauss，高斯核中第i′行第j′列元素gauss(i′，j′)的值如上式(1)所示，其中，上式(1)中取m＝n＝9，σ＝1，高斯核内值的分布满足以核中心为原点的二维高斯概率分布，使用该高斯核对灰度图进行卷积运算，即

上式(2)中gauss即为得到的高斯核，img为图像灰度图，imgdenosie为去噪图像。通过高斯模糊处理，可以去除图像中的高频噪声，得到一个去噪图像imgdenosie。

在步骤s204中的梯度算子使用3×3的sobel梯度算子，其横向算子sx和纵向算子sy如下式(3)所示：

对于高速模糊处理后的图像分别进行卷积运算，如下式(4)所示：

得到横向梯度图gradx和纵向梯度图grady，将二者取绝对值相加，如下式(5)所示：

grad＝abs(gradx)+abs(grady)(5)

即可得到去噪图像的边缘轮廓图grad。

步骤s30，对经过预处理的图像进行阈值分割，得到分割阈值。

图3是本发明中获取分割阈值的流程示意图，如图3所示，所述步骤s30包括：

步骤s301，设定初始像素灰度值；

步骤s302，使用像素灰度值分割图像；

步骤s303，根据下式获取类间方差：

g＝ω1*ω2*(μ1-μ2)²(6)

其中，g表示类间方差，ω1表示图像中的背景像素占比，ω2表示图像中的前景像素占比，μ1表示背景的平均灰度值，μ2表示前景的平均灰度值，其中，ω1、ω2、μ1、μ2均与阈值t有关；

步骤s304，遍历所有像素灰度值的取值，得到使得类间方差最大的阈值，作为分割阈值，得到分割阈值t，如下式(7)所示：

t＝arg[max(g(t))]＝arg[max(ω1*ω2*(μ1-μ2)²)](7)

其中，t表示阈值，t表示最终得到的分割阈值。

图4是本发明中获取分割阈值的一个实施例的流程示意图，如图4所示，本发明的一个实施例中，本发明中采用otsu获取分割阈值，获取分割阈值，包括：输入边缘轮廓图；设定初始像素灰度值i＝0，比较类间方差为g，使用像素灰度值i分割图像。

通过下式(8)计算图像中的背景像素占比ω1：

通过下式(9)计算图像中的前景像素占比ω2：

通过下式(10)计算背景的平均灰度值μ1：

通过下式(11)计算前景的平均灰度值μ2：

通过下式(12)计算0～m灰度区间的灰度累计值μ：

μ＝μ1*ω1+μ2*ω2(12)

通过下式(13)计算类间方差：

g＝ω1*(μ-μ1)²+ω2*(μ-μ2)²(13)

其中，在上述公式(8)～公式(13)中，n1和n2分别为图像中背景和前景像素个数，sum为图像中像素总个数，i为像素灰度值，pi为像素灰度值为i的点在图像中的占比，m为图像灰度值个数，一般为256，图像灰度值范围为0～m-1，t为每次阈值迭代的当前值，c0和c1代表图像背景和前景部分，pr(i|c0)和pr(i|c1)分别为灰度值为i的点在背景与前景的占比。

将上式(10)、(11)、(12)公式带入公式(13)即可得到最简化类间公式(6)。

将阈值t从0～m-2遍历，计算使得公式(6)中的类间方差最大的阈值，即可得出分割阈值t。具体操作步骤为：首先设置比较类间方差g＝0，将设定的初始像素灰度值i＝0作为分割阈值分割图像，并根据公式(13)计算得到类间方差g之后，判断类间方差g是否小于比较类间方差g，若类间方差g不小于比较类间方差g，则判断分割阈值取值i是否小于m-1，若取值i不小于m-1，则得到分割阈值t＝i，并停止迭代，若取值i小于m-1，则令比较类间方差g＝g，将分割灰度值取为i+1，使用像素灰度值i+1继续分割图像；若类间方差g小于比较类间方差g，则得到分割阈值t＝i，并停止迭代。

步骤s40，利用所述分割阈值对经过预处理的图像进行二值化处理，得到二值化图像。

步骤s50，对所述二值化图像中的轮廓进行图形学变换处理，以便于更精确地获取图像中的重点信息。

由于进行阈值分割后的二值化图像，其得到的是图像中物体的轮廓边缘图像，但是切割完后会出现有部分轮廓没有连接起来的情况。本发明的一个实施例中，所述步骤s50包括：利用大椭圆核对二值化图像进行一次闭运算处理，使得图像中物体的轮廓呈密闭连接，优选地，采用25×25的大椭圆核进行闭运算。

本发明的一个实施例中，所述步骤s50还包括：利用小椭圆核对经过闭运算处理的二值化图像进行多次分开的开运算处理，包括多次腐蚀和多次膨胀处理，例如，使用3×3的小核进行四次腐蚀，再进行四次膨胀。通过多次分开的开运算处理，将图像中的小物体进行抹去，以防止影响判断重点物体的存在，同时也是进一步消除遗留的噪声。而采取小核是为了保证对原图像的轮廓尽量少的破坏，防止最后成图有核心部分的边缘被切除。

步骤s60，获取经过图形学变换处理的图像的轮廓向量，并根据所述轮廓向量求取圈定轮廓的最小矩形(最小矩形即为轮廓的最小包围盒)。

本发明的一个实施例中，所述步骤s60中，根据所述轮廓向量求取圈定轮廓的最小矩形，包括：

对轮廓向量进行排序，按照先行后列的顺序进行，均采用混合排序方式，图像的轮廓向量较少时主要采用折半插入排序，例如，轮廓向量为十万以下时，视为较少；轮廓向量较多时，主要采用快速排序，例如，轮廓向量为十万及以上时，视为较多；一般情况下，图片像素值并不高，采用折半插入排序，但是对于某些高像素特殊图片，例如高像素相机拍摄照片(其中，像素值为千万像素级，视为高像素)，或者病理组织切片图像时，采用快速排序的方法；

根据排序后的轮廓向量求取圈定轮廓的最小矩形。

需要说明的是，对轮廓向量进行排序，有利于快速地求取最小矩形，其中采用的折半插入排序和快速排序，仅仅是其中的一种优选的排序方式，本发明也可以采用其他排序方式替代，例如，可以使用样本排序替代快速排序。

步骤s70，根据所述最小矩形，提取图像要素，进而将图像要素提取出来，单独成图，获取仅包含重要信息的图像。

本发明的一个实施例中，所述图像要素提取方法还包括：对所述分割阈值进行微调，修正提取的图像要素。对于极端情况重点部分显示过大或过小的情况，由于程序函数可以返还阈值，可以通过手动微调阈值t，来修正重点部分显示的情况，进而得到提取出图像要素的成图，使得本发明的适用范围广泛。

图5是本发明中所述图像要素提取装置的装置示意图，如图5所示，本发明所述图像要素提取装置，包括：图像获取模块1、预处理模块2、分割阈值获取模块3、二值化模块4、轮廓处理模块5、轮廓圈定模块6和要素提取模块7，其中，通过图像获取模块1获取待处理图像之后，通过预处理模块2对所述待处理图像进行预处理，得到去噪图像，并得到所述去噪图像的边缘轮廓图；通过分割阈值获取模块3对经过预处理的图像进行阈值分割，得到分割阈值；通过二值化模块4对经过预处理的图像进行二值化处理，得到二值化图像；通过轮廓处理模块5对所述二值化图像中的轮廓进行图形学变换处理；通过轮廓圈定模块6获取经过图形学变换处理的图像的轮廓向量，并根据所述轮廓向量求取圈定轮廓的最小矩形；通过要素提取模块7提取图像要素。

本发明所述图像要素提取装置，可以快速地提取图像要素，获取图像中的重要信息，提高了图像要素提取的效率，并具有较高的准确率。

本发明的一个实施例中，所述预处理模块2包括：输入单元，输入所述待处理图像；图像转化单元，将所述待处理图像转化为灰度图；高斯模糊单元，生成高斯核，并使用高斯核对所述灰度图进行卷积运算，得到去噪图像；轮廓获取单元，对所述去噪图像处理，得到边缘轮廓图。

具体地，高斯模糊单元通过下式生成高斯核：

其中，gauss(i′，j′)表示高斯核的第i′行第j′列元素的值，m表示高斯核的总行数，n表示高斯核的总列数，σ表示高斯核标准差。

轮廓获取单元通过下述方式得到边缘轮廓图：确定梯度算子，包括横向算子和纵向算子；利用所述梯度算子对所述去噪图像分别进行卷积运算，得到横向梯度图和纵向梯度图；将横向梯度图和纵向梯度图取绝对值后相加，得到所述去噪图像的边缘轮廓图。

所述图像要素提取装置在对图像进行阈值分割之前，通过对图像进行高斯模糊处理和梯度运算获取图像中的边缘轮廓，提高图像要素提取的精确度。

本发明的一个实施例中，轮廓处理模块对轮廓进行图形学变换处理，包括进行大核的单次闭运算和小核的多次分开的开运算，以将图像中的物体轮廓密闭连接，并将图像中的小物体抹去，消除遗留的噪声。

需要说明的是，本发明所述图像要素提取装置的其他具体实施方式与上述图像要素提取方法的具体实施方式类似，在此不再赘述。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。