采用区域架构的图像处理方法及系统技术方案

一种采用区域架构的图像处理方法及系统，其包括将图像中具有至少一个相似特性的多个相邻像素归类为具有相同特征的群聚区域，然后对各个群聚区域给定唯一的群聚标记，并将各个群聚区域的边缘描述为区域链码，以便后续的图像处理程序可仅针对所处理像素周围具有相同群聚标记的相邻像素进行运算，最后则根据各个群聚区域的群聚标记及区域链码来辨别群聚区域，以同步运行图像处理于这些群聚区域。

【技术实现步骤摘要】

本公开涉及一种采用区域架构的图像处理方法及系统。
技术介绍
现今的图像处理技术使用许多「图像处理基础单元」，诸如平滑(smooth)处理单 元、去除噪声(de-noise)处理单元、边缘(edge)检测单元、角落(corner)检测单元、直线 (straight line)检测单元，以及曲线(curve line)检测单元，以优化原始图像或是取得 有效的图像特征。然而，这些基础单元的运算，均是以「点架构」为基础，而利用「邻域像素 (neighborhood pixels)」来完成各种图像处理的运算需求。每次在实施特定的基础单元 时，各个像素均会根据其邻域像素而产生相对应的结果，而将各个像素的运算结果汇集起 来，即是处理后的结果。图1(a)及图1(b)为传统「点架构的平滑/去噪声处理」的例子。其中，图1(a) 绘示在对原始图像100实施平滑/去噪声的图像处理时，会采用「由上而下」以及「由左而 右」的方式在图像上移动一个3*3的遮罩102。而针对每个像素的计算，则是先将遮罩102 上的每个数值与原始图像100中相对位置的像素的像素值相乘后再加总起来，此即为数学 的卷积(convolution)运算，然后再将此卷积除以遮罩102上数值的总和，最后即可获得经 平滑/去噪声运算后的图像110。例如，在对原始图像100上的像素104进行平滑/去噪 声处理时，即是将其本身及相邻的八个像素分别乘上遮罩102上的数值后加总，然后再除 以遮罩 102 上数值的总和，即(1*65+1*66+1*65+1*67+1*90+1*68+1*67+1*66+1*65)/9，最 后所获得的像素值69即为像素104经平滑/去噪声处理后的结果(如图1 (b)所示)。然 而，在实施平滑运算之后，图像中边缘的特征就会被模糊化。图2 (a) 图2 (e)为传统「点架构的边缘检测」的例子。其中，图2 (a)为8*8的原 始图像200，图2(b)与图2(c)分别为用以检测水平与垂直边缘的遮罩202及204。图2 (d) 与图2(e)则分别为对图2(a)的原始图像200实施水平与垂直检测的结果。其中，传统的 边缘检测方法在判断边缘像素(edge pixel)时，也是利用在原始图像200上移动水平检测 遮罩202及垂直检测遮罩204，而获得如图2(d)与图2(e)的卷积运算结果，最后再根据运 算后图像中的像素的梯度(gradient)来判断边缘。虽然通过上述的边缘检测方法可以成 功地检测出图像中水平以及垂直的边缘点，但却无法得知每个边缘点所对应的区域为何。图3(a)及图3(b)为传统「点架构的直线检测」的例子。其中，图3 (a)表示在二 维空间中的点(x，y)，而通过下面的坐标转换公式，即可将点(x，y)转换为对应的w值w = χ cos(<i))+ysin(<i))(1)其中，由于x、y均为已知数，因此对于每个不同的变数Φ (由0°到180° )，都可 以计算出相对应的w值，而得到如图3 (b)所示的累积矩阵。在xy空间中的每一个点皆可以 转换为一条在《Φ空间中的曲线，而在此《Φ空间中有最多曲线经过的交点上的曲线数目， 即代表xy空间中的直线数目。虽然由上述的直线检测方法可以得知图像中的直线数目，但 却无法进一步得知每条直线所对应的区域为何。因此，传统以「点架构」为基础的图像处理技术有下面几个主要缺点。第一无法得知像素的图像性质，因此在实际进行运算时，必须对所有像素进行运 算以求得结果。然而，如果能在运算前事先得知每个像素的特性(例如某像素是属于噪声 点或是边缘点)，便可将边缘或是角落检测限缩在仅针对这些像素实施，进而降低运算成 本。第二 无法得知像素与其相邻像素的性质差异，因此在实际进行运算时，必须使 用所有的邻域像素。然而，如果能在运算前事先得知每个像素与其相邻像素间的性质差异 (例如相邻像素为噪声)，则在进行平滑处理、边缘检测或是角落检测时，可以忽略不同性 质的相邻像素，进而减少错误的产生。第三需要额外的步骤以修正因为基础运算所改变的图像特征。举例而言，如果要 检测图像中的直线，传统的图像处理技术须先使用「平滑处理单元」以及「去除噪声处理单 元」将噪声移除。如此一来，便会造成图像中边缘像素的增加。换句话说，在实施「边缘检 测单元」时，会检测出较粗的线。此时则需要实施额外的「细线化(Thinning)处理单元」， 藉以取出粗线的骨干(Skeleton)，之后才能使用「直线检测基础单元」来检测图像中的直 线。第四无法有效整合，并且平行运作多种图像处理基础单元。举例而言，如果要对 图像做「直线」、「曲线」、以及「角落检测」等三种图像处理基础单元时，可共用的信息除了 「平滑处理」以及「边缘检测」后的像素信息外，只能各自进行运算。换句话说，无法通过平 行处理以减少不必要的运算。第五经过基础单元运算后的图像，并无法提供额外的信息给后续的「图像处理 进阶单元」作参考。举例而言，「边缘检测单元」仅能检测出图像中的边缘像素，但却无法 知道哪些边缘像素是属于同一个区域(物体)，因此也无法提供区域信息给后续的「图像分 割」或是「图形辨识」等图像处理进阶单元，以更有效率地进行处理。由上述可知，传统以「点架构」为基础的图像处理技术仍存在诸多缺点，而如何能 同步进行各种「图像处理基础单元」以减少不必要运算，并提供更多信息给后续的「图像处 理进阶单元」运用，已成为图像处理领域中一个非常重要的课题。
技术实现思路
本公开提供一种采用区域架构的图像处理方法，将相似特性的多个相邻像素归类 为具有相同特征的群聚区域，而可对此些群聚区域同步运行图像处理。本公开提供一种采用区域架构的图像处理系统，利用区域链码描述图像中的多个 群聚区域，而可提供更多信息给后续的图像处理进阶单元作运用。本公开提出一种采用区域架构的图像处理方法，其包括将图像中具有至少一个相 似特性的多个相邻像素归类为具有相同特征的群聚区域，并给定各个群聚区域唯一的群聚 标记，以及将各个群聚区域的边缘描述为区域链码，然后根据各个群聚区域的群聚标记及 区域链码辨别群聚区域，以同步运行至少一种图像处理于这些群聚区域。本公开提出一种采用区域架构的图像处理系统，其包括像素群聚前处理单元、区 域标记前处理单元、区域描述前处理单元及图像处理基础单元。其中，像素群聚前处理单元 用以将图像中具有至少一个相似特性的多个相邻像素归类为具有相同特征的群聚区域。区域标记前处理单元用以给定各个群聚区域唯一的群聚标记。区域描述前处理单元用以将各 个群聚区域的边缘描述为区域链码。图像处理基础单元则是根据各个群聚区域的群聚标记 及区域链码来辨别出各个群聚区域，以在这些群聚区域上同步运行至少一种图像处理。基于上述，本公开的采用区域架构的图像处理方法及系统是将具有相似特性的多 个相邻像素归类为具有相同特征的群聚区域，并针对各个群聚区域给定唯一的群聚标记， 以及可描述其边缘的区域链码，因此在进行后续的图像处理时，能够针对各个群聚区域同 步运行处理程序。为让本公开的上述特征和优点能更明显易懂，下文特举范例实施例，并配合附图 作详细说明如下。本公开说明书提供不同的范例实施例来说明本公开不同实施方式的技术 特征。其中，范例实施例中的各元件的本文档来自技高网...

【技术保护点】
一种采用区域架构的图像处理方法，包括：将一图像中具有至少一相似特性的多个相邻像素归类为具有相同特征的一群聚区域；给定各这些群聚区域唯一的一群聚标记；描述各这些群聚区域的一边缘为一区域链码；根据各这些群聚区域的该群聚标记及该区域链码辨别这些群聚区域，以同步运行至少一图像处理于这些群聚区域。

【技术特征摘要】

【专利技术属性】
技术研发人员：吴易达，
申请(专利权)人：财团法人工业技术研究院，
类型：发明
国别省市：71[中国|台湾]