本發(fā)明提供一種用于圖像分割的邊緣生長連接方法及裝置，所述方法包括：對待分割圖像進行二值化的邊緣檢測，獲得邊緣檢測結(jié)果；對所述邊緣檢測結(jié)果進行斷裂點分析，獲得斷裂點集合；若判斷獲知所述斷裂點集合中的斷裂點不在所述待分割圖像的邊界，則基于邊緣生長規(guī)則使所述斷裂點與所述待分割圖像的已有邊緣相連。所述裝置用于執(zhí)行上述方法。本發(fā)明實施例提供的用于圖像分割的邊緣生長連接方法及裝置，能夠消除待分割圖像中的斷裂點，使待分割圖像的邊緣閉合，保證后續(xù)圖像分割的順利進行。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體涉及一種用于圖像分割的邊緣生長連接方法及裝置。

背景技術(shù)

圖像分割是將一張包含多個對象的數(shù)字圖像按照相似度劃分成若干個子圖像的過程。在機器視覺、人臉識別、指紋識別、衛(wèi)星圖像定位物體、醫(yī)學(xué)等方面得到了廣泛應(yīng)用。

現(xiàn)有技術(shù)中，圖像分割主要有基于深度學(xué)習(xí)的方法和傳統(tǒng)方法兩大類。基于深度學(xué)習(xí)的方法根據(jù)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特征可分為基于特征編碼的分割方法(VGGnet，ResNet等)、基于區(qū)域推薦的分割方法(R-CNN，F(xiàn)ast R-CNN，F(xiàn)aster R-CNN，Mask R-CNN等)、基于循環(huán)神經(jīng)網(wǎng)絡(luò)的分割方法(ReSeg，MDRNNs等)、基于反卷積的分割方法(FCN，SetNet等)，以及基于其他理論的新方法(DeepLab，DenseCRFs，DCNN等)。傳統(tǒng)方法又可分為基于閾值的分割方法、基于區(qū)域的分割方法和基于邊緣檢測的分割方法。傳統(tǒng)的圖像分割方法由于無須人工標注訓(xùn)練樣本仍是目前廣泛應(yīng)用的方法，例如用于摳圖的圖割算法，用于生物圖像分割的分水嶺算法等，屬于基于區(qū)域生長的方法，使用顏色、紋理、空間鄰近等特征度量像素的相似程度，從種子像素擴展到整個物體區(qū)域。傳統(tǒng)方法中，基于閾值的分割方法對于相似度較高的兩個物體往往造成誤判；基于區(qū)域的分割方法往往需要事先選取種子像素，例如摳圖時往往需要人工標記背景區(qū)域和感興趣區(qū)域，使用迭代的方法獲得分割結(jié)果，難以應(yīng)用于自動化的檢測業(yè)務(wù)；基于邊緣檢測的分割方法，常常由于邊緣的斷裂導(dǎo)致分割失敗，形態(tài)學(xué)變換能夠閉合較窄的斷邊，但對于較寬的斷裂難以得到閉合邊緣，而且形態(tài)學(xué)變換的連接會導(dǎo)致邊緣變粗，邊緣的定位精度變差，分割得到的物體難以得到準確的邊界。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中的問題，本發(fā)明實施例提供一種用于圖像分割的邊緣生長連接方法及裝置，能夠至少部分地解決現(xiàn)有技術(shù)中存在的問題。

一方面，本發(fā)明提出一種用于圖像分割的邊緣生長連接方法，包括：

對待分割圖像進行二值化的邊緣檢測，獲得邊緣檢測結(jié)果；

對所述邊緣檢測結(jié)果進行斷裂點分析，獲得斷裂點集合；

若判斷獲知所述斷裂點集合中的斷裂點不在所述待分割圖像的邊界，則基于邊緣生長規(guī)則使所述斷裂點與所述待分割圖像的已有邊緣相連。

另一方面，本發(fā)明提供一種用于圖像分割的邊緣生長連接裝置，包括：

邊緣檢測單元，用于對待分割圖像進行二值化的邊緣檢測，獲得邊緣檢測結(jié)果；

斷裂點分析單元，用于對所述邊緣檢測結(jié)果進行斷裂點分析，獲得斷裂點集合；

生長單元，用于在判斷獲知所述斷裂點集合中的斷裂點不在所述待分割圖像的邊界之后，基于邊緣生長規(guī)則使所述斷裂點與所述待分割圖像的已有邊緣相連。

再一方面，本發(fā)明提供一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)上述任一實施例所述用于圖像分割的邊緣生長連接方法的步驟。

又一方面，本發(fā)明提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)上述任一實施例所述用于圖像分割的邊緣生長連接方法的步驟。