一种图像处理方法、装置和存储介质与流程

1.本发明涉及图像处理领域，尤其涉及一种图像处理方法、装置和存储介质。


背景技术：

2.遥感图像分割主要是通过对根据图像中各像素集合的不同特征，比如纹理、形状、红绿蓝(rgb)颜色分布、像素集合紧致度等将这些特征通过算法进行判断，使得这些特征相似或一致的像素点形成一个集合，相同集合在内部保持一致性，不同集合之间保持非一致性。现在传统的图像分割算法已应用在地理遥感测量、军事导弹导航、计算机视觉、公安交通拍摄、工业物联网检测之中，取得较大的进步，较之前的人工检测，效率有极大的提升。现在遥感图像分割算法的研究已成为各大学者研究的热点。
3.现今主要使用的遥感图像分割算法根据原理主要分为基于区域生长分割、基于语义对象分割、基于聚类方法方法、以及监督分类方法等。
4.基于语义对象分割算法是通过分割后具有图像对象之间的上下文关系来表达它们内在联系来提取建筑物的方法。语义分析指运用各种机器学习方法来挖掘图像内部之间的深层次内容。
5.基于聚类方法的图像分割算法是将像元集合的某种特征值映射到高维度空间再根据相似程度划分到指定的某些区域，通过标记最后进行分割。
6.监督分类方法是通过支持向量机等机器学习通过制作训练集和结果集来对函数进行训练，通过训练模型最终来得到图像分割结果。
7.基于语义对象分割算法，从模型出发的图像分割方法也存在通用性不强的缺陷，因为模型的设定通常只针对于一种或者几种图像，实际情况往往存在更多的图像类型，对图像的外在表现形式考虑不够充分。比如现在很多图像都具有不规则的几何形态，但是大多图像提取把对象当作简单的多边形。
8.基于聚类方法的图像分割算法是将像元集合的某种特征值映射到高维度空间再根据相似程度划分到指定的某些区域，通过标记最后进行分割。聚类方法必须要解决两个方法，一是如何解决样本集合之间的相似程度，二是如何根据样本集合内部之间的点是否同属于一集合。
9.监督分类方法是通过支持向量机等机器学习通过制作训练集和结果集来对函数进行训练，通过训练模型最终来得到图像分割结果。而监督分类与非监督分类相比较，也面临一些不足：(1)前期选择样本训练集，需要耗费一定的人为工作量；(2)人工主观因素较强，发生漏标，错标等情况使样本不具有代表性会直接影响到分类器训练结果。
10.以上方法存在图像容易过度分割、普适性不强、需要对图像数据进行标记等、算法复杂度过高等问题。


技术实现要素：

11.有鉴于此，本发明的主要目的在于提供一种图像处理方法、装置和存储介质。
12.为达到上述目的，本发明的技术方案是这样实现的：
13.本发明实施例提供了一种图像处理方法，所述方法包括：
14.对目标图像进行预处理，得到所述目标图像对应的至少一个分割特征图；所述分割特征图包括：至少一个第一像元点；
15.针对所述至少一个第一像元点中每个所述第一像元点，结合所述第一像元点相关的邻近像元点进行合并，得到第二像元点；
16.根据合并后得到的至少一个第二像元点，得到每个所述分割特征图对应的局部二值模式分割特征图。
17.上述方案中，所述针对所述至少一个第一像元点中每个所述第一像元点，结合所述第一像元点相关的邻近像元点进行合并，得到第二像元点，包括：
18.依次获取每个所述分割特征图中的第一像元点，以所述第一像元点为中心，确定所述第一像元点的八个邻域中种子点颜色特征一致的第一目标邻近像元点；
19.将所述第一像元点与所述第一目标邻近像元点合并，得到第二像元点。
20.上述方案中，所述将所述第一像元点与所述第一目标邻近像元点合并，得到第二像元点，包括：
21.确定所述第一像元点的第一灰度值和每个所述第一目标邻近像元点的第二灰度值；
22.根据预设阈值、所述第一灰度值和所述第二灰度值进行阈值化处理，得到第一目标值；所述第一目标值采用二进制；
23.对所述第一目标值进行转换，得到十进制的第二目标值，作为所述第二像元点的局部二值模式值。
24.上述方案中，所述根据预设阈值、所述第一灰度值和所述第二灰度值进行阈值化处理，得到第一目标值，包括：
25.将所述第一灰度值与每个所述第一目标邻近像元点对应的第二灰度值进行比较；
26.确定所述第二灰度值大于或等于所述第一灰度值与所述预设阈值之和时，确定所述第一目标邻近像元点对应的二进制数值为0；
27.确定所述第二灰度值小于所述第一灰度值与预设阈值之和时，确定所述第一目标邻近像元点对应的二进制数值为1。
28.上述方案中，所述方法还包括：
29.对于所述第一目标邻近像元点，结合所述第一目标邻近像元点相关的邻近像元点进行合并，得到第二目标邻近像元点。
30.上述方案中，所述对所述目标图像进行预处理，得到所述目标图像对应的至少一个分割特征图，包括：
31.运用直方图均衡化方法对所述目标图像进行第一预处理，得到所述目标图像对应的第一处理图；
32.运用双边滤波对所述第一处理图进行第二预处理，得到第二处理图；
33.对所述第二处理图进行图像分割，得到至少一个分割特征图。
34.本发明实施例提供了一种图像处理装置，所述装置包括：
35.第一处理模块，用于对目标图像进行预处理，得到所述目标图像对应的至少一个
分割特征图；所述分割特征图包括：至少一个第一像元点；
36.第二处理模块，用于针对所述至少一个第一像元点中每个所述第一像元点，结合所述第一像元点相关的邻近像元点进行合并，得到第二像元点；
37.第三处理模块，用于根据合并后得到的至少一个第二像元点，得到每个所述分割特征图对应的局部二值模式分割特征图。
38.上述方案中，所述第二处理模块，具体用于依次获取每个所述分割特征图中的第一像元点，以所述第一像元点为中心，确定所述第一像元点的八个邻域中种子点颜色特征一致的第一目标邻近像元点；
39.将所述第一像元点与所述第一目标邻近像元点合并，得到第二像元点。
40.上述方案中，所述第二处理模块，具体用于确定所述第一像元点的第一灰度值和每个所述第一目标邻近像元点的第二灰度值；
41.根据预设阈值、所述第一灰度值和所述第二灰度值进行阈值化处理，得到第一目标值；所述第一目标值采用二进制；
42.对所述第一目标值进行转换，得到十进制的第二目标值，作为所述第二像元点的局部二值模式值。
43.上述方案中，所述第二处理模块，具体用于将所述第一灰度值与每个所述第一目标邻近像元点对应的第二灰度值进行比较；
44.确定所述第二灰度值大于或等于所述第一灰度值与所述预设阈值之和时，确定所述第一目标邻近像元点对应的二进制数值为0；
45.确定所述第二灰度值小于所述第一灰度值与预设阈值之和时，确定所述第一目标邻近像元点对应的二进制数值为1。
46.上述方案中，所述第二处理模块，还用于对于所述第一目标邻近像元点，结合所述第一目标邻近像元点相关的邻近像元点进行合并，得到第二目标邻近像元点。
47.上述方案中，所述第一处理模块，用于运用直方图均衡化方法对所述目标图像进行第一预处理，得到所述目标图像对应的第一处理图；
48.运用双边滤波对所述第一处理图进行第二预处理，得到第二处理图；
49.对所述第二处理图进行图像分割，得到至少一个分割特征图。
50.本发明实施例提供一种图像处理装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以上任一项所述图像处理方法的步骤。
51.本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以上任一项所述图像处理方法的步骤。
52.本发明实施例所提供的一种图像处理方法、装置和存储介质，所述方法包括：对目标图像进行预处理，得到所述目标图像对应的至少一个分割特征图；所述分割特征图包括：至少一个第一像元点；针对所述至少一个第一像元点中每个所述第一像元点，结合所述第一像元点相关的邻近像元点进行合并，得到第二像元点；根据合并后得到的至少一个第二像元点，得到每个所述分割特征图对应的局部二值模式分割特征图；如此，利用局部二值模式方法对图像进行遍历得到局部二值模式分割特征图，便于进行大型建筑物的提取，且对阴影的检测效果更好。
附图说明
53.图1为本发明实施例提供的一种图像处理方法的流程示意图；
54.图2为本发明实施例提供的一种局部二值模式的示意图；
55.图3为本发明实施例提供的一种局部邻域采样示意图；
56.图4为本发明实施例提供的一种的36种旋转不变性模式的示意图；
57.图5为本发明实施例提供的一种双边滤波中心像元点权值的示意图；
58.图6为本发明实施例提供的高分遥感影像图像分割示意图；
59.图7为本发明实施例提供的一种图像处理装置的结构示意图；
60.图8为本发明实施例提供的另一种图像处理装置的结构示意图。
具体实施方式
61.本发明实施例提供的方法，对目标图像进行预处理，得到所述目标图像对应的至少一个分割特征图；所述分割特征图包括：至少一个第一像元点；针对所述至少一个第一像元点中每个所述第一像元点，结合所述第一像元点相关的邻近像元点进行合并，得到第二像元点；根据合并后得到的至少一个第二像元点，得到每个所述分割特征图对应的局部二值模式分割特征图。
62.下面结合实施例对本发明再作进一步详细的说明。
63.图1为本发明实施例提供的一种图像处理方法的流程示意图；如图1所示，所述图像处理方法应用于服务器、计算机等具有图像处理功能的电子设备；包括：
64.步骤101、对目标图像进行预处理，得到所述目标图像对应的至少一个分割特征图；所述分割特征图包括：至少一个第一像元点；
65.步骤102、针对所述至少一个第一像元点中每个所述第一像元点，结合所述第一像元点相关的邻近像元点进行合并，得到第二像元点；
66.步骤103、根据合并后得到的至少一个第二像元点，得到每个所述分割特征图对应的局部二值模式分割特征图。
67.这里，所述目标图像可以为高分遥感图像。所述电子设备获取目标图像后运用上述图像处理方法对目标图像进行处理。
68.在一些实施例中，所述针对所述至少一个第一像元点中每个所述第一像元点，结合所述第一像元点相关的邻近像元点进行合并，得到第二像元点，包括：
69.依次获取每个所述分割特征图中的第一像元点，以所述第一像元点为中心，确定所述第一像元点的八个邻域中种子点颜色特征一致的第一目标邻近像元点；
70.将所述第一像元点与所述第一目标邻近像元点合并，得到第二像元点。
71.举例来说，第一像元点的八个邻域中至少有八个邻近像元点(记做种子点)，确定八个种子点的颜色特征和第一像元点的颜色特征，将八个种子点中与第一像元点的颜色特征一致的种子点，作为第一目标邻近像元点。第一目标邻近像元点的数量可以为一个或多个。
72.所述将所述第一像元点与所述第一目标邻近像元点合并，指将第一像元点与一个或多个第一目标邻近像元点合并。
73.所述颜色特征为是图像的视觉特征；颜色特征可以包括：rgb颜色特征、his颜色特
征、hsv颜色特征等。
74.在一些实施例中，所述方法还包括：
75.对于所述第一目标邻近像元点，结合所述第一目标邻近像元点相关的邻近像元点进行合并，得到第二目标邻近像元点。
76.具体来说，电子设备设有堆栈，对分割特征图进行扫描(采取逐行扫描)，从左上角开始扫描到右下角，依次确定没进行合并操作的像元点(x，y)；
77.对于没进行合并操作的像元点(x，y)，将该像元点(如第一像元点)的局部二值模式值与其目标邻近像元点(如第一目标邻近像元点，数量可以为一个或多个)的局部二值模式值合并，得到合并后的第一像元点的局部二值模式值，合并后的第一像元点记做第二像元点。并且，对于上述目标邻近像元点，也将其放入堆栈，等待进行合并操作；具体地，对于目标邻近像元点(如上述第一目标邻近像元点)，将目标邻近像元点的局部二值模式值与该目标邻近像元点的八个邻域中种子点颜色特征一致的邻近像元点的局部二值模式值合并，得到合并后的第一目标邻近像元点，作为第二目标邻近像元点。
78.直到处理完堆栈中所有的像元点后，继续从左上角开始扫描到右下角确定下一个未处理的像元点，如此直至对分割特征图中的每个像元点处理完毕，得到每个所述分割特征图对应的局部二值模式分割特征图。
79.需要说明的是，对于第一目标邻近像元点，在执行局部二值模式值合并后，可以无需对该第一目标邻近像元点进行合并时所涉及的邻近像元点继续进行合并。
80.实际应用时，所述合并可以基于局部二值模式(lbp，local binary pattern)实现。
81.考虑到经过双边滤波后的房顶灰度值变化不大，通常在小范围内(波动最大值在12以下)分布，因此，在中间像元点与邻域内其他像元点比较灰度值时，增加了一个阈值，以此有效区分不同地物和在识别具有强烈灰度变换的边缘。
82.基于此，在一些实施例中，所述将所述第一像元点与所述第一目标邻近像元点合并，得到第二像元点，包括：
83.确定所述第一像元点的第一灰度值和所述第一目标邻近像元点的第二灰度值；
84.根据预设阈值、所述第一灰度值和所述第二灰度值进行阈值化处理，得到第一目标值；所述第一目标值采用二进制；
85.对所述第一目标值进行转换，得到十进制的第二目标值，作为所述第二像元点的局部二值模式值。
86.其中，所述根据预设阈值、所述第一灰度值和所述第二灰度值进行阈值化处理，得到第一目标值，包括：
87.将所述第一灰度值与每个所述第一目标邻近像元点对应的第二灰度值进行比较；
88.确定所述第二灰度值大于或等于所述第一灰度值与所述预设阈值之和时，确定所述第一目标邻近像元点对应的二进制数值为0；
89.确定所述第二灰度值小于所述第一灰度值与预设阈值之和时，确定所述第一目标邻近像元点对应的二进制数值为1。
90.这里，考虑到旋转不变性lbp值较低的像元点的密度低于阈值设置较低的密度，通过设置一个较高的阈值来提取建筑物边界，得出的结果为低密度特征图，用来分出地物之
间的边界。
91.阈值的设定可以由开发人员基于经验或实际应用场景设定，这里对于具体数据不做限定。
92.具体地，这里对于上述局部二值模式进行说明。局部二值模式(local binary pattern)是描述局部纹理变化的一种灰度纹理特征；原理如图2所示。
93.在滑动窗口大小为3
×
3的情况，图中有1个中心点，其邻域有8个像元点。在经典局部二值模式的表述中，gc为中心像元点的灰度值，g
p
为邻域像元点的灰度值。从左上角开始依顺时针方向对邻域像元点进行遍历，邻域像元和中心像元的大小关系比较用0和1来表示。
94.在此基础上，本发明实施例中，为了更有效区分不同地物和在识别具有强烈灰度变换的边缘，提出了设置一阈值，如下式(1)所示，当邻域像元点g
p
(即第一目标邻近像元点)灰度值大于中心像元点gc(即第一像元点)灰度值与阈值t之和时，标记为0；当邻域像元点g
p
灰度值小于中心像元点gc灰度值与阈值t之和时，标记为1。最后从左上角的邻域像元点起，以二进制的方式顺时针方向连接值，会得到一个八位大小的二进制值。最终，再把二进制数转换成十进制数，得到这个像元点的局部二值模式值。对遥感影像的每个像元点都进行此操作，最终得到特征图。
[0095][0096]
其中，
[0097]
邻域大小决定了算子的信息量大小，所以针对不同的地物对象情况，选取邻域大小和形状是必要的。t.ojala等人提出将圆形应用于局部二值模式的邻域范围。
[0098]
结合上述说明，每个所述第一像元点即为中心像元点，其周围有最少8个邻域像元点，可以采用上述方式进行计算，得到最终的特征图、即局部二值模式分割特征图。
[0099]
图3为本发明实施例提供的一种局部邻域采样示意图，其中，p为采样点数目，r为采样半径；如3图所示，以中心像元点gc为圆心，r为半径，8个邻域像元点依次均匀分布在以gc为圆心的r距离的地方。
[0100]
圆形邻域在高分遥感影像的地物提取上适合树林或者灌木，因为其形状与圆形相似，其在图像遍历时可以尽可能体现地物边缘界限。同样，与经典的局部二值模式邻域扩大方式一样，圆形邻域想要扩大邻域，增大r半径大小即可。对于圆形邻域的像元点取值，通常采取双线性差值方法获取。图3分别为r＝1时，像元点的个数为8；r＝2时，像元点的个数为16；r＝3时，像元点的个数为24。
[0101]
在遥感影像上，建筑物的纹理特征会随着太阳角的变化而变化。进而导致同一地物的局部二值模式编码就会改变顺序(全1和全0的值除外)，所以提取的特征向量不具有鲁棒性。为了让图像具有旋转不变性，timo ahone提出了一种旋转不变性局部二值模式，如下式(2)所示：
[0102]
[0103]
其中，min{}函数为求最小值；ror()函数为lbp按位平移，最高位移动到最低位；p为采样点(这里指像元点)数目；r为采样半径。
[0104]
本发明实施例中，旋转不变性局部二值模式取最小的旋转编码值。以1110(14)为例，0111(7)和1101(13)、1011(11)通过逆时针的方式移位取不同的值，最后取最小的值7作为旋转不变性局部二值模式的值。如此，这四种模式值会合并成一个模式值，这就是旋转不变性的思路。
[0105]
图4为本发明实施例提供的一种的36种旋转不变性模式的示意图，如图4所示，是圆形邻域8个像元点对应的36种旋转不变性的局部二值模式。其中，二进制编码中的0以白点表示，1以黑点表示。
[0106]
在一些实施例中，所述对所述目标图像进行预处理，得到所述目标图像对应的至少一个分割特征图，包括：
[0107]
运用直方图均衡化方法对所述目标图像进行第一预处理，得到所述目标图像对应的第一处理图；
[0108]
运用双边滤波对所述第一处理图进行第二预处理，得到第二处理图；
[0109]
对所述第二处理图进行图像分割，得到至少一个分割特征图。
[0110]
在一实施例中，所述方法还包括：
[0111]
利用均值漂移算法，对每个所述分割特征图对应的局部二值模式分割特征图进行分割，得到最终的遥感图像分割结果。如此，得到不同特征的局部特征图。
[0112]
具体来说，在以往的面向对象的遥感图像分割的研究中，遥感图像分割往往会遇到过分割、欠分割的现象。图像分割的好坏直接影响到后续图像识别的精度，所以面对这些问题，在处理图像前，需要对影像进行预处理来减少噪声对提取建筑物的影响。
[0113]
基于上述考虑，对图像进行降噪、增强和边缘保留等预处理。
[0114]
这里，采用直方图均衡化方法对输入的图像进行第一预处理。
[0115]
所述直方图均衡化是图像增强的一种基本方法，将图像内较窄的波段范围拉伸到一个较大(整个灰度波段范围内)的范围，可提高图像的对比度。直方图均衡化算法是最经典、最常用的图像增强算法之一。在实际应用中，可以通过直方图均衡化算法选择性增强对人或者对算法敏感的区域，提取可以利用的信息以及去除无用信息带来的干扰，来提高算法对于图像的使用效率。直方图均衡化在图像增强领域中是一种为了减少由于传感器影响带来的对比度不明显和增强图像局部对比度的算法，它可以在保持局部细节的同时拉伸图像的灰度。所以本文采用此方法来增强建筑物与其他地物之间的对比度以便于后续的提取工作。
[0116]
通常，对于对图像增强做灰度转换t:f(x,y)
→
g(x,y)，而直方图均衡化也是灰度转换的一种，它的基本思想也是寻找这样一种转换t。将图像函数f(x,y)映射为转换后的g(x,y)，使g(x,y)的直方图pg(r)具有达到转换目标后的q(r)。因此，直方图均衡化不是事先指定转换函数t，而是在转换过程中来计算得到t。图像f(x,y)的直方图pg(r)在变换s＝t(r)下的过程如下所示：
[0117]
设s＝t(r)有以下两个条件满足：
[0118]
(1)、t(r)在区间[0,r]是递增的单调函数；
[0119]
(2)、对于0≤r≤1，有0≤t(r)≤1。
[0120]
条件(1)保证了计算变换后的整个灰度范围内依然具有相同的灰度级顺序；
[0121]
条件(2)保证了变换后的最大灰度级与变换前的一致。
[0122]
显而易见，有函数的满足条件(1)(2)是可逆的。同理可得，t-1
(s)也满足条件(1)(2)。r＝t-1
(s)根据概率论等知识，可以得出：
[0123]
图像中的灰度级概率分布不是一个均匀分布时，获取信息量较少。当所有灰度级出现是一个均匀分布时，获得信息量最大，进行如下变换：
[0124][0125]
取转换函数为分布函数cdf：
[0126]
则有：pg(s)＝1；
[0127]
这样就得到了均布的灰度级分布。在对图像进行处理时，灰度级最大通常是255且分布是离散化的，写出式的离散形式。图像中的直方图均衡化表达式为：
[0128]
关于第二预处理用于对图像进行去噪滤波，图像去噪滤波的各向同性滤波算法包括高斯滤波、gabor变换、均值滤波、双边滤波等。
[0129]
与传统的其他滤波器相比，滤波器会在去除噪声的同时不可避免地会削弱地物目标的轮廓边缘。双边滤波考虑了图像灰度级的空间分布，以及相邻像元的相似度以及紧密度，具有良好的保边性能，自提出以来得到了良好的发展与应用。近几十年来，它被广泛应用于对比度增强、色调管理、图像去雾、图像去斑等方面。针对区分建筑物边缘和其他地物区分显著不同这个特点，在一实施例中，可以采用双边滤波来增强建筑物边缘。
[0130]
双边滤波由式子定义为：
[0131]
其中，w
p
是一个标准量：
[0132]
参数σd和σr与图像的去噪量相关，式子是第一个归一加权平均、是一个在二维空间的空间邻近函数，其作用是来减少远距离的像元点对中心点的影响。函数用来减少与i
p
不同的灰度值的像素点q影响的灰度相似度函数。
[0133]
和的参数都选用高斯函数，分别定义为：
[0134][0135][0136]
其中，d(p,q)和δ(i(p),i(q))分别是表示两像素点之间的欧氏距离和灰度差。参数σd和σr是直接影响双边滤波对图像去噪的效果，是基于高斯函数的一种标准差。它们是灰
度值变化大小以及点与点之间的相对空间来限定数值大小。图1显示了双边滤波器在图像上的加权运算过程，每个像元点的值是由其邻域的加权平均计算得出，其邻域的计算是由远距离的像元值和对近距离像元值相差较大的点构成。显而易见，这样组合的用加权平均来替换，更能使对于边缘提取，不损坏边缘起良好效果。
[0137]
图5为本发明实施例提供的一种双边滤波中心像元点权值的示意图，如图5所示，能通过双边滤波算法得到去噪的平滑图像，在保留建筑物内部细节的同时，解决了其他滤波算法可能会导致边缘模糊的问题。影像中建筑物内部的噪声得到明显的减少，在同一个建筑物的内部光谱信息和纹理信息更加的均匀，边界信息得到了保留，从形状上来看更接近于矩形，利于后续的处理。此外，影像中除建筑物之外的其他地物，如植被，阴影也同样具有更均匀的光谱信息。由于阴影与建筑物相邻，滤波后，它们之间界限更加明确，可以作为建筑物的上下文信息来辅助提取建筑物，这样能有效减少建筑物的误提取。
[0138]
本发明实施例提供的方法，经过直方图均衡化、双边滤波等预处理操作后，本发明实施例中，使用均值漂移分割算法是基于vs2012平台的c 语言，使用opencv函数库，利用基于低密度特征图的均值漂移算法，需要使用opencv库中对应的pyrmeanshiftfiltering函数，这个函数从严格定义并不是分割函数，可以定义为一种滤波的聚类函数，把色彩分布类似的像元点归为一类，且侵蚀面积较小干扰部分。具体步骤如下：
[0139]
步骤01、根据低密度特征图已经分成的区域，再对每个区域再进行均值漂移分割，根据均值漂移分割的结果得到大致地物分割的结果(相当于上述分割特征图)；
[0140]
步骤02、对分割特征图的像元点进行逐行扫描(从左上角开始扫描到右下角)，确定未进行合并操作的像元点(x,y)；
[0141]
步骤03、对于未进行合并操作的像元点(x，y)，以像元点(x，y)为中心，对像元点的八个邻域进行种子点颜色特征一致的邻近的像元点合并成一个对象(即得到新的像元点，相当于图1所示方法中对第一像元点进行合并，得到第二像元点，具体已在图1所示方法说明，这里不再赘述)，同时，将所述邻近的像元点压入预设的堆栈s；
[0142]
步骤04、对堆栈s中的每个像元点，按照步骤03的方式重复处理，直至当堆栈s为空时，返回步骤02，即对下一个像元点进行合并处理。
[0143]
对于每个分割特征图，在执行完后，继续进行下一个分割特征图的步骤，直到完成所有操作。
[0144]
上述方法中，基于低密度特征图的均值漂移分割算法思想，对小块区域再进行一次分割，考虑到低密度特征图虽然能提取大部分建筑物轮廓，但仍然会存在与其他地物的连接，因此，利用均值漂移进一步的分割。这种算法是采取迭代方式，对于较大图像可能计算时间的开销可能比较大。
[0145]
针对高分遥感影像的特点，如屋顶与其他地物不同的特征，且屋顶的特征较单一且像元与像元之间的灰度差别不大，而屋顶边缘会有一个较大的灰度变化的；运用本发明实施例提供的方法，通过直方图均衡化、均值滤波算法对输入遥感影像进行预处理，并从局部二值模式算法出发，对遥感影像进行遍历得到局部二值模式低密度特征图(即上述局部二值模式分割特征图)，分析了不同的阈值对于算法效果的影响，最后通过均值漂移算法得到最后遥感图像分割结果。
[0146]
这里，在低密度特征图的基础上进行均值漂移分割得到地物对象，与经典的多尺
度分割算法相比，对于大型建筑物的提取以及阴影的检测效果更好。
[0147]
图6为本发明实施例提供的高分遥感影像图像分割示意图；如图6所示，(a)为原始图像(可以具有色彩)，(b)为低密度特征图，(c)为局部影响细节图，(d)为局部特征图。
[0148]
图7为本发明实施例提供的一种图像处理装置的结构示意图；如图7所示，所述装置包括：
[0149]
第一处理模块，用于对目标图像进行预处理，得到所述目标图像对应的至少一个分割特征图；所述分割特征图包括：至少一个第一像元点；
[0150]
第二处理模块，用于针对所述至少一个第一像元点中每个所述第一像元点，结合所述第一像元点相关的邻近像元点进行合并，得到第二像元点；
[0151]
第三处理模块，用于根据合并后得到的至少一个第二像元点，得到每个所述分割特征图对应的局部二值模式分割特征图。
[0152]
具体地，所述第二处理模块，具体用于依次获取每个所述分割特征图中的第一像元点，以所述第一像元点为中心，确定所述第一像元点的八个邻域中种子点颜色特征一致的第一目标邻近像元点；
[0153]
将所述第一像元点与所述第一目标邻近像元点合并，得到第二像元点。
[0154]
具体地，所述第二处理模块，具体用于确定所述第一像元点的第一灰度值和每个所述第一目标邻近像元点的第二灰度值；
[0155]
根据预设阈值、所述第一灰度值和所述第二灰度值进行阈值化处理，得到第一目标值；所述第一目标值采用二进制；
[0156]
对所述第一目标值进行转换，得到十进制的第二目标值，作为所述第二像元点的局部二值模式值。
[0157]
具体地，所述第二处理模块，具体用于将所述第一灰度值与每个所述第一目标邻近像元点对应的第二灰度值进行比较；
[0158]
确定所述第二灰度值大于或等于所述第一灰度值与所述预设阈值之和时，确定所述第一目标邻近像元点对应的二进制数值为0；
[0159]
确定所述第二灰度值小于所述第一灰度值与预设阈值之和时，确定所述第一目标邻近像元点对应的二进制数值为1。
[0160]
具体地，所述第二处理模块，还用于对于所述第一目标邻近像元点，结合所述第一目标邻近像元点相关的邻近像元点进行合并，得到第二目标邻近像元点。
[0161]
具体地，所述第一处理模块，用于运用直方图均衡化方法对所述目标图像进行第一预处理，得到所述目标图像对应的第一处理图；
[0162]
运用双边滤波对所述第一处理图进行第二预处理，得到第二处理图；
[0163]
对所述第二处理图进行图像分割，得到至少一个分割特征图。
[0164]
需要说明的是：上述实施例提供的图像处理装置在实现相应图像处理方法时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将服务器的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的装置与相应方法的实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0165]
图8为本发明实施例提供的另一种图像处理装置的结构示意图，如图8所示，所述
装置80包括：处理器801和用于存储能够在所述处理器上运行的计算机程序的存储器802；所述处理器801用于运行所述计算机程序时，执行：对目标图像进行预处理，得到所述目标图像对应的至少一个分割特征图；所述分割特征图包括：至少一个第一像元点；
[0166]
针对所述至少一个第一像元点中每个所述第一像元点，结合所述第一像元点相关的邻近像元点进行合并，得到第二像元点；
[0167]
根据合并后得到的至少一个第二像元点，得到每个所述分割特征图对应的局部二值模式分割特征图。
[0168]
在一实施例中，所述处理器801还用于运行所述计算机程序时，执行：依次获取每个所述分割特征图中的第一像元点，以所述第一像元点为中心，确定所述第一像元点的八个邻域中种子点颜色特征一致的第一目标邻近像元点；
[0169]
将所述第一像元点与所述第一目标邻近像元点合并，得到第二像元点。
[0170]
在一实施例中，所述处理器801还用于运行所述计算机程序时，执行：确定所述第一像元点的第一灰度值和每个所述第一目标邻近像元点的第二灰度值；根据预设阈值、所述第一灰度值和所述第二灰度值进行阈值化处理，得到第一目标值；所述第一目标值采用二进制；对所述第一目标值进行转换，得到十进制的第二目标值，作为所述第二像元点的局部二值模式值。
[0171]
在一实施例中，所述处理器801还用于运行所述计算机程序时，执行：将所述第一灰度值与每个所述第一目标邻近像元点对应的第二灰度值进行比较；确定所述第二灰度值大于或等于所述第一灰度值与所述预设阈值之和时，确定所述第一目标邻近像元点对应的二进制数值为0；确定所述第二灰度值小于所述第一灰度值与预设阈值之和时，确定所述第一目标邻近像元点对应的二进制数值为1。
[0172]
在一实施例中，所述处理器801还用于运行所述计算机程序时，执行：对于所述第一目标邻近像元点，结合所述第一目标邻近像元点相关的邻近像元点进行合并，得到第二目标邻近像元点。
[0173]
在一实施例中，所述处理器801还用于运行所述计算机程序时，执行：运用直方图均衡化方法对所述目标图像进行第一预处理，得到所述目标图像对应的第一处理图；
[0174]
运用双边滤波对所述第一处理图进行第二预处理，得到第二处理图；
[0175]
对所述第二处理图进行图像分割，得到至少一个分割特征图。
[0176]
实际应用时，所述装置80还可以包括：至少一个网络接口803。所述装置80中的各个组件通过总线系统804耦合在一起。可理解，总线系统804用于实现这些组件之间的连接通信。总线系统804除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图8中将各种总线都标为总线系统804。其中，所述处理器801的个数可以为至少一个。网络接口803用于装置80与其他设备之间有线或无线方式的通信。
[0177]
本发明实施例中的存储器802用于存储各种类型的数据以支持装置80的操作。
[0178]
上述本发明实施例揭示的方法可以应用于处理器801中，或者由处理器801实现。处理器801可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器801中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器801可以是通用处理器、数字信号处理器(dsp，digital signal processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器801可以实现或者执
行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器802，处理器801读取存储器802中的信息，结合其硬件完成前述方法的步骤。
[0179]
在示例性实施例中，装置80可以被一个或多个应用专用集成电路(asic，application specific integrated circuit)、dsp、可编程逻辑器件(pld，programmable logic device)、复杂可编程逻辑器件(cpld，complex programmable logic device)、现场可编程门阵列(fpga，field-programmable gate array)、通用处理器、控制器、微控制器(mcu，micro controller unit)、微处理器(microprocessor)、或其他电子元件实现，用于执行前述方法。
[0180]
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序；所述计算机程序被处理器运行时，执行：对目标图像进行预处理，得到所述目标图像对应的至少一个分割特征图；所述分割特征图包括：至少一个第一像元点；
[0181]
针对所述至少一个第一像元点中每个所述第一像元点，结合所述第一像元点相关的邻近像元点进行合并，得到第二像元点；
[0182]
根据合并后得到的至少一个第二像元点，得到每个所述分割特征图对应的局部二值模式分割特征图。
[0183]
在一实施例中，所述计算机程序被处理器运行时，执行：依次获取每个所述分割特征图中的第一像元点，以所述第一像元点为中心，确定所述第一像元点的八个邻域中种子点颜色特征一致的第一目标邻近像元点；
[0184]
将所述第一像元点与所述第一目标邻近像元点合并，得到第二像元点。
[0185]
在一实施例中，所述计算机程序被处理器运行时，执行：确定所述第一像元点的第一灰度值和每个所述第一目标邻近像元点的第二灰度值；根据预设阈值、所述第一灰度值和所述第二灰度值进行阈值化处理，得到第一目标值；所述第一目标值采用二进制；对所述第一目标值进行转换，得到十进制的第二目标值，作为所述第二像元点的局部二值模式值。
[0186]
在一实施例中，所述计算机程序被处理器运行时，执行：将所述第一灰度值与每个所述第一目标邻近像元点对应的第二灰度值进行比较；确定所述第二灰度值大于或等于所述第一灰度值与所述预设阈值之和时，确定所述第一目标邻近像元点对应的二进制数值为0；确定所述第二灰度值小于所述第一灰度值与预设阈值之和时，确定所述第一目标邻近像元点对应的二进制数值为1。
[0187]
在一实施例中，所述计算机程序被处理器运行时，执行：对于所述第一目标邻近像元点，结合所述第一目标邻近像元点相关的邻近像元点进行合并，得到第二目标邻近像元点。
[0188]
在一实施例中，所述计算机程序被处理器运行时，执行：运用直方图均衡化方法对所述目标图像进行第一预处理，得到所述目标图像对应的第一处理图；
[0189]
运用双边滤波对所述第一处理图进行第二预处理，得到第二处理图；
[0190]
对所述第二处理图进行图像分割，得到至少一个分割特征图。
[0191]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其
它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
[0192]
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
[0193]
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0194]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0195]
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0196]
需要说明的是：“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
[0197]
另外，本技术实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
[0198]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。