[发明专利]一种图像中物体的分割方法及系统

说明书

本发明提供了一种图像中物体的分割方法及系统，该方法包括：S10：识别原图像，获取初始物体区域；S20：对所述初始物体区域进行物体分割；S40：获取物体分割后图像的最大连通域边界，计算所述最大连通域边界的外接矩形区域，以形成最终物体区域。采用本发明，通过物体分割方法有效消除图像中的背景干扰信息，提高细粒度图像分析的精度。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像中物体的分割方法及系统。

背景技术

物体分割在细粒度图像分析任务如物体分类识别中是一个非常关键的部件，其能够有效的降低分类识别精度的背景干扰信息进行消除。细粒度图像分析不同于通用图像分析任务，细粒度图像分析的所属类别和粒度更为精细，它不仅能在更细分的类别下对物体进行识别，就连相似度极高的同一物种也能区别开来。但图像中的背景信息很容易对细粒度图像分析产生干扰，降低了细粒度图像分析的精度，例如，对于两幅不同的图像，细粒度图像分析任务需要根据图像中物体的类别来对两幅图像进行分类，但是由于物体图像中除了包括物体以外，还存在背景信息，这些背景信息并不是细粒度图像分析任务中的目标，反而会干扰到对图像中物体的识别，影响分类的准确度，同时也会降低分类效率。

为了降低背景信息带来的干扰，需要将图像中的物体区域与背景信息分割开来，目前最好的分割方法包括语义分割方法以及实例分割方法，都能够分割图像中物体区域，消除背景信息带来的干扰。语义分割一般都是像素级别的，也就是对图像中的每个像素都划分出对应的类别，以实现像素级别的分类，而实例分割不但要进行像素级别的分类，还需在具体的类别基础上区别开不同的实例。这两种方法都是基于深度神经网络或卷积神经网络，通过训练以及机器学习完成的，这种方式需要对物体与背景之间的边界进行精确的标注，耗费大量的人力及物力，分割效率不高。

公开号为CN108062756A的专利公开了一种基于深度全卷积网络和条件随机场的图像语义分割方法，包括步骤：深度全卷积语义分割网络模型搭建，基于全连接条件随机场的像素标签结构化预测，模型训练与参数学习和图像语义分割。该方法采用的语义分割方法在保证了物体边界精度的同时，也加大了对边界之间标注的投入。

发明内容

本发明要解决的技术问题目的在于提供一种图像中物体的分割方法及系统，用以解决细粒度图像分析容易受到背景信息干扰，降低分析精度的问题。

为了实现上述目的，本发明采用的技术方案如下：

一种图像中物体的分割方法，其特征在于，包括步骤：

S10：识别原图像，获取初始物体区域；

S20：对所述初始物体区域进行物体分割；

S40：获取物体分割后图像的最大连通域边界，计算所述最大连通域边界的外接矩形区域，以形成最终物体区域。

进一步的，所述步骤S20、S40之间还包括步骤：

S30：对物体分割后图像进行闭运算，去除所述物体分割后图像中的不连通区域。

进一步的，所述步骤S20具体包括步骤：

S201：将所述原图像按预设比例缩小，作为采样图像；

S202：通过预设图像分割方法对所述采样图像进行物体分割，得到分割后的物体图像；

S203：将所述分割后的物体图像进行二值掩膜，将所述二值掩膜后的物体图像按原图像比例映射到所述原图像，得到分割后图像。

进一步的，所述步骤S40还包括步骤：

S401：采集所述物体分割后图像中所有的连通域；

S402：获取所述连通域中最大的连通域作为目标区域；