一种图像处理方法及系统技术方案

本发明专利技术公开了一种图像处理方法及系统，该方法适用于一种图像处理装置，所述装置包括图像采集模块、图像预处理模块、图像处理模块、图像分割模块，所述方法包括以下步骤：S1图像采集，通过图像采集模块进行图像采集；S2图像预处理，对采集的图像进行去燥、对比度增强和图像形态学造作，完成图像数据的前期处理，为后续主要处理过程提供高质量图像数据；S3图像处理，包括图像显著性目标检测处理，及平滑、形态学操作处理；S4图像分割，通过自适应阈值分割，对S3中的最终图像进行目标分割，以得到感兴趣区域。本发明专利技术所述方法及系统可同时进行检测与分割的可视化展示，可对用户提供实时检测分割效果，提高用户体验，提高操作效率。

【技术实现步骤摘要】
一种图像处理方法及系统
本专利技术涉及一种图像处理方法及系统，尤其涉及用于静态图像及视频序列中显著目标快速检测方法及系统。
技术介绍
图像处理装置及方法广泛应用于生产、管理、军事、医疗等许多领域。图像处理技术尤其是图像处理技术中的检测与分割技术在目标检测与分割的应用中，使我们可以在许多方面更便利的获取有用信息，从而对所处的情况作出更加准确的判断。图像处理技术的广泛应用能够使我们的生活更加便利，节省了更多的成本与资源。本专利技术提出的目标检测与分割算法可以快速的对采集到的输入图像进行显著目标的检测与分割，快速获取人们感兴趣的目标区域。在很多场景中，比如智能监控视频中，观察者需要快速提取目标人物或者主要标志物的区域，可以用该算法快速地提取相关的区域。再比如在大数据的有效信息的获取中，如何能快速的获取最有效的信息是许多数据专家一直考虑的问题，而与此相关的基于视觉注意力机制的该模型可以快速根据视觉显著性原理在数据库中检索出显著性信息，实现有效信息的快速提取。其实不仅仅是在这两个方面有很大的应用价值，这种通用性的显著目标检测算法在诸如病理检测、数据压缩、拍照自动定焦等方面都具有较大的意义。目前现有类似技术存在以下缺点：第一，如果图像纹理比较复杂、对比度比较低，现有的基于图像对比度定义的检测算法不能给出很好的目标的区域信息，从而使我们不能获得精确的目标信息。第二，现有的公认的检测效果最好的模型(MBD)，在对于待检测目标与图像的边界有接触的时候，基于算法本身的设计思想，很难给出一个比较好的检测结果。第三，现在比较流行的深度学习模型很少具有跨场景的适用性，在场景改变的时候，因为目标的不同需要根据不同的数据集训练新的模型，同时基于深度学习的模型需要大量的数据和时间资源。以上缺点是现有技术中显著性检测模型难以兼顾的点，也是大家都在积极探索解决的问题，如果不能最大程度地解决这几个问题，将很难给研究者或消费者提供准确的有效目标信息。在已发表的论文和实现的应用中，有的是直接利用图像色彩对比度，基于像素间或者区域间色彩对于进行定义像素或者区域的显著性(人眼视觉的可区分性)，比较有代表的是MingmingCheng的HC、RC算法，但是上面提出的对比度低的问题依旧不好解决，在检测分割上效果不明显。还有许多研究者考虑图像的整体的拓扑信息，利用像素，区域之间的相关性去定义显著性，在效果上有很大额提高，如JianmingZhang的基于最小障碍距离的扫描遍历的检测算法，在各大数据集上得到了不错的效果，但是存在的问题还是对比度低和检测目标与边界接触两个问题，特别是当检测目标与边界接触是，该算法性能大幅度下降。其他有一部分研究交互式分割算法的研究者提出可以以Trimap和Strokes的方式为图像添加手工标记(前景、背景信息)，接下来按照用户提供的感兴趣信息进行基于像素的目标检测与分割效果还算可以，但是需要人为的参与标记。对于最近比较火的深度学习对于该问题的解决方案，就是基于卷积神经网络进行训练，经典的有HuchuanLu的“SaliencyDetectionwithRecurrentFullyConvolutionalNetworks.”(EuropeanConferenceonComputerVision.Springer,Cham,2016:825-841.)在经典CNN模型后端进行全连接层的改造；还有就是MingmingCheng的“DeeplySupervisedSalientObjectDetectionwithShortConnections”(IEEETPAMI,2018)。但是深度学习网络后面的检测会产生场景迁移上的不足、特定目标专用性强、时间和数据资源需求大的情况，很难满足不同的应用场景。
技术实现思路
针对上述现有技术存在的缺陷与不足，本专利技术要解决的技术问题是提供一种通用的目标检测算法，可对各种场景中采集的图像数据进行显著目标的检测，结合图像处理的方法进行处理及分割操作，最终得到精确的目标区域。本专利技术的技术方案是这样实现的：一种图像处理方法，该方法适用于一种图像处理装置，所述装置包括图像采集模块、图像预处理模块、图像处理模块、图像分割模块；所述方法包括以下步骤：S1，图像采集，通过图像采集模块进行图像采集；S2，图像预处理，对采集的图像进行去燥、对比度增强和图像形态学造作，完成图像数据的前期处理，为后续主要处理过程提供高质量图像数据；S3，图像处理，包括图像显著性目标检测处理，及平滑、形态学操作处理；S4，图像分割，通过自适应阈值分割，对S3中的最终图像进行目标分割，以得到感兴趣区域。较佳的，上述步骤S3中所述图像显著性目标检测主要包括种子点的选取、扩散次序确定、不同通道的图像融合；进一步的，所述图像显著性目标检测的步骤为，A1，进行BMBD算法处理；A2，基于A1的处理结果，再进入FMBD算法处理；A3，对A1、s2中得到的两幅显著性检测图进行融合，得到显著性检测的BF_MBDS图。较佳的，所述BMBD算法处理的步骤为，B1，对输入图像进行预处理，包括去噪处理和颜色空间转换；B2，对处理后的图像进行通道分离；B3，初始种子点设置，设置图像四周为种子点，基于种子点进行扩散处理；B4，采取四邻域的方式从四周向中心进行扩散，进行一圈一圈的扩散更新；B5，对前一轮扩散更新的像素点在下一轮扩散时，同样进行新一次的更新，直到所有的像素点均更新遍历完成；B6，分别得到三个通道的扩散图像BMBD_L，BMBD_a，BMBD_b；B7，采用取最大值的方式对S6中得到的图像BMBD_L，BMBD_a，BMBD_b进行融合，得到BMBD_Lab图；B8，将B7中得到的BMBD_Lab图做进一步处理，主要包括平滑处理和对比度增强，得到最终的BMBD_map检测图像。较佳的，所述FMBD算法处理的步骤为，C1，对输入图像进行预处理，包括去噪处理和颜色空间转换；C2，对处理后的图像进行通道分离；C3，初始种子点设置，基于上述BMBD算法检测图，选择其中置信度，即显著性值最高的像素，将这些像素点作为初始化的种子点，进行扩散处理；C4，采取四邻域的方式从四周向中心进行扩散，进行一圈一圈的扩散更新；C5，对前一轮扩散更新的像素点在下一轮扩散时，同样进行新一次的更新，直到所有的像素点均更新遍历完成；C6，分别得到三个通道的扩散图像FMBD_L，FMBD_a，FMBD_b；C7，采用取最大值的方式对S6中得到的图像FMBD_L，FMBD_a，FMBD_b进行融合，得到FMBD_Lab图；C8，将C7中得到的FMBD_Lab图做进一步处理，主要包括平滑处理和对比度增强，得到最终的FMBD_map检测图像。一种图像处理系统，包括图像采集设备、图像传输模块、图像处理装置、图像显示模块及图像存储模块：所述图像采集设备在用户需要进行检测分割的场景下进行数据采集，可根据用户需求，设置数据的单帧图像采集和不同视频序列的视频采集；所述图像传输模块用于对上述采集到的数据的进行传输；所述图像处理装置采用权利要求1所述的图像处理方法对所述图像传输模块传来的图像进行处理；所述图像存储模块用于存储图像传输模块传来的图像数据，以及图像处理装置处理过程中的中间数据；所述图像显示模本文档来自技高网...

【技术保护点】
1.一种图像处理方法，该方法适用于一种图像处理装置，所述装置包括图像采集模块、图像预处理模块、图像处理模块、图像分割模块，其特征在于，所述方法包括以下步骤：S1，图像采集，通过图像采集模块进行图像采集；S2，图像预处理，对采集的图像进行去燥、对比度增强和图像形态学造作，完成图像数据的前期处理，为后续主要处理过程提供高质量图像数据；S3，图像处理，包括图像显著性目标检测处理，及平滑、形态学操作处理；S4，图像分割，通过自适应阈值分割，对S3中的最终图像进行目标分割，以得到感兴趣区域。

【技术特征摘要】
1.一种图像处理方法，该方法适用于一种图像处理装置，所述装置包括图像采集模块、图像预处理模块、图像处理模块、图像分割模块，其特征在于，所述方法包括以下步骤：S1，图像采集，通过图像采集模块进行图像采集；S2，图像预处理，对采集的图像进行去燥、对比度增强和图像形态学造作，完成图像数据的前期处理，为后续主要处理过程提供高质量图像数据；S3，图像处理，包括图像显著性目标检测处理，及平滑、形态学操作处理；S4，图像分割，通过自适应阈值分割，对S3中的最终图像进行目标分割，以得到感兴趣区域。2.根据权利要求1所述的图像处理方法，其特征在于：S3中所述图像显著性目标检测主要包括种子点的选取、扩散次序确定、不同通道的图像融合。3.根据权利要求2所述的图像处理方法，其特征在于：所述图像显著性目标检测的步骤为，A1，进行BMBD算法处理；A2，基于A1的处理结果，再进行FMBD算法处理；A3，对A1、A2中得到的两幅显著性检测图进行融合，得到显著性检测的BF_MBDS图。4.根据权利要求3所述的图像处理方法，其特征在于：所述BMBD算法处理的步骤为，B1，对输入图像进行预处理，包括去噪处理和颜色空间转换；B2，对处理后的图像进行通道分离；B3，初始种子点设置，设置图像四周为种子点，基于种子点进行扩散处理；B4，采取四邻域的方式从四周向中心进行扩散，进行一圈一圈的扩散更新；B5，对前一轮扩散更新的像素点在下一轮扩散时，同样进行新一次的更新，直到所有的像素点均更新遍历完成；B6，分别得到三个通道的扩散图像BMBD_L，BMBD_a，BMBD_b；B7，采用取最大值的方式对B6中得到的图像BMBD_L，BMBD_a，BMBD_b进行融合，得到BMBD_Lab图；B8，将B7中得到的BMBD_Lab图做进一步处理，主要包括平滑处理和对比度增强，得到最终的BMBD_map检测图像。5.根据权利要求3所述的图像处理方法，其特征在于：所述FMBD算法处理...

【专利技术属性】
技术研发人员：付爱国，陈东岳，贾同，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21