[发明专利]图像中最小独立轮廓分割提取方法、装置以及计算机设备

说明书

本申请涉及一种图像中最小独立轮廓分割提取方法、装置、计算机设备和存储介质，方法包括：分析待处理图像，得到包含边缘信息的二值化图像，对二值化图像中的边缘线进行闭运算链接断裂的边缘线，得到处理后的二值化图像，依次遍历处理后的二值化图像，寻找处理后的二值化图像中分割边缘点以及分割起始方向，以寻找到的分割边缘点为起点、且根据分割起始方向，对处理后的二值化图像进行最小独立轮廓提取。整个过程中，采用整体轮廓提取再分割提取最小独立轮廓的方式，可以基于分割边缘点提取任意形状的最小闭合轮廓，无需大量标注数据和复杂的深度学习过程，能够显著提高轮廓分割提取的效率。

技术邻域

本申请涉及图像处理技术邻域，特别是涉及一种图像中最小独立轮廓分割提取方法、装置、计算机设备和存储介质。

背景技术

物体的形状是图像表达和图像检索中的一个重要的特征，是人的视觉系统分析和识别物体的基础；一般来说，我们对物体的识别更注重于它们的形状，而物体的纹理、颜色次之，因此如何表示形状以及比较形状间的差异在机器视觉的应用和研究邻域具有非常重要的意义，广泛应用于图像分析、计算机视觉和目标识别等邻域。人类可以很容易地识别物体的形状，但是对于计算机来说，自动识别任意物体的形状却非常困难。

形状特征不同于颜色或纹理等底层特征，各种基于形状特征的检索方法都可以比较有效地利用图像中感兴趣的局部目标来进行检索。然2D图像表现的实际是3D物体的多个面在空间某一平面的投影，这种由多个面投影合并在一起的形状大大增加了外轮廓形状的可变性，同时图像中额外不感兴趣的纹理、背景中不相干的相连线条，这些都大大增强了形状特征分析的复杂度，故形状特征的表达必须是以对图像中物体分割或区域划分作为基础。

传统的方案一般是采用深度学习的方式进行图像分割，但基于深度学习的图像分割需要大量的标注数据，其分割提取效率低下。

发明内容

基于此，有必要针对上述技术问题，提供一种高效的图像中最小独立轮廓分割提取方法、装置、计算机设备和存储介质。

一种图像中最小独立轮廓分割提取方法，方法包括：

获取待处理图像；

分析待处理图像，得到包含边缘信息的二值化图像；

对二值化图像中边缘线进行闭运算，链接断裂的边缘线，得到处理后的二值化图像；

依次遍历处理后的二值化图像，寻找处理后的二值化图像中分割边缘点以及分割起始方向；

以寻找到的分割边缘点为起点、且根据分割起始方向，对处理后的二值化图像进行最小独立轮廓提取。

在其中一个实施例中，以寻找到的分割边缘点为起点、且根据分割起始方向，对处理后的二值化图像进行最小独立轮廓提取包括：

以当前寻找到的分割边缘点为起点、且根据分割起始方向，对处理后的二值化图像进行最小独立轮廓提取，得到最小独立轮廓单元；

消除最小独立轮廓单元中非公共边界以及相邻非闭合线与点；

返回依次遍历处理后的二值化图像，寻找处理后的二值化图像中分割边缘点以及分割起始方向的步骤，以重新寻找新的分割边缘点，直至处理后的二值化图像全部遍历完毕。

在其中一个实施例中，以当前寻找到的分割边缘点为起点、且根据分割起始方向，对处理后的二值化图像进行最小独立轮廓提取，得到最小独立轮廓单元包括：

确定当前寻找到的分割边缘点以及分割起始方向；

以当前寻找到的分割边缘点为起点，并在分割起始方向上按照第一旋转原则依次搜索相连通道节点；

当当前搜索到的通道节点为重复搜索到的通道节点时，暂停搜索；