图像处理设备和图像处理方法

专利名称：图像处理设备和图像处理方法
技术领域：
本发明涉及一种图像处理设备和图像处理方法。本发明尤其涉及一种用于判断包含灰度的输入图像是否是矢量化对象的图像处理技术。
背景技术：
近年来，在不同装置中使用一个图像信息的机会日益增加。这导致要求更高的压缩比以降低装置间的传输成本和更高的图像质量以应付装置间不同的分辨率。用户友好性要求可编辑性，从而使得可以再次部分编辑图像。在这种情况下，需要矢量化技术将以光栅格式表现的图像转换成不管分辨率如何都能够易于再编辑的矢量格式。日本特开2006-344069公开了一种用于诸如插图或剪贴图等的色差清晰的图像的矢量化技术。在该方法中，输入图像，并且使用颜色相似性来降低输入图像的颜色的数 量。通过函数来提取和近似所获得的各颜色区域的轮廓线，并且输出颜色信息和矢量数量。日本特开2007-272456公开了一种用于包含线性灰度或放射状灰度的图像的矢量化方法。在该方法中，计算图像中像素之间的颜色梯度，使用该结果确定灰度区域，并且针对所获得的灰度区域生成具有差不多相同颜色的像素的路径。定义与该路径垂直的垂直线，在该垂直线上计算代表性的颜色值，并且执行矢量化。然而，当输入诸如照片等的具有复杂颜色变化的图像、并且通过上述技术进行矢量化时，矢量化导致差的图像质量、低的压缩比和长的处理时间等。为了防止该情况，日本特开2007-158725公开了一种用于判断输入图像是否是矢量化对象的技术。在该方法中，通过颜色量化来对输入图像进行聚类，并且使用所获得的聚类的数量和各聚类区域内的颜色的方差来判断输入图像是否是矢量化对象。然而，该方法使用颜色的方差来判断输入图像是否是矢量化对象。因此，甚至由能够利用日本特开2007-272456所述的技术矢量化的灰度区域形成的图像也被判断为照片区域。日本特开2010-146218公开了用于判断输入图像是否是矢量化对象的另一种方法。在该方法中，通过颜色量化来对输入图像进行聚类，进行标记以获得所获得的聚类映射图上的连接区域，并且使用所获得的标签的数量和标签内的像素的数量来判断输入图像是否是矢量化对象。该方法可以判断生成了许多小区域的图像，但是不能判断包含灰度的输入图像是否是矢量化对象。因此，尚未提出一种用于判断图像中的灰度区域是否是矢量化对象的技术。本发明用于解决上述问题，并且判断包含灰度的输入图像是否是矢量化对象。

发明内容
根据本发明的一个方面，提供一种图像处理设备，包括分割单元，用于基于色差将输入图像分割成多个颜色区域；颜色梯度信息计算单元，用于根据所述输入图像的颜色信息，计算分割得到的颜色区域之间的边界处的颜色梯度信息；属性判断单元，用于使用所述颜色梯度信息，判断表示所述边界处的颜色梯度的特性的灰度属性；以及矢量化对象判断单元，用于基于所述属性判断单元所判断出的所述边界的灰度属性，判断所述输入图像是否是矢量化对象。根据本发明的另一方面，提供一种图像处理方法，包括分割步骤，用于基于色差将输入图像分割成多个颜色区域；颜色梯度信息计算步骤，用于根据所述输入图像的颜色信息，计算分割得到的颜色区域之间的边界处的颜色梯度信息；属性判断步骤，用于使用所述颜色梯度信息，判断表示所述边界处的颜色梯度的特性的灰度属性；以及矢量化对象判断步骤，用于基于在所述属性判断步骤中判断出的所述边界的灰度属性，判断所述输入图像是否是矢量化对象。本发明可以判断包含灰度的输入图像是否是矢量化对象(也就是说，输入图像是否是适于矢量化的图像)。通过以下(参考附图)对典型实施例的说明，本发明的其它特征将显而易见。



图I是示出图像处理设备的主处理的流程图；图2是示出图像处理设备的结构的框图；图3是根据第一实施例示例性说明边界颜色梯度信息的表；图4是示出根据第一实施例的边界颜色梯度信息计算序列的流程图；图5是示出根据第一实施例的在进行光栅扫描时的关注像素和比较像素的图；图6是示出根据第一实施例的用于计算颜色梯度的窗函数的图；图7是示出根据第一实施例的属性判断处理序列的流程图；图8是示出根据第一实施例的放射状灰度和颜色区域识别结果的输入例子的图；图9是示出根据第一实施例的线性灰度和颜色区域识别结果的输入例子的图；图10是示出根据第一实施例的复杂灰度和颜色区域识别结果的输入例子的图；图11是示出根据第一实施例的灰度聚类信息生成处理序列的流程图；图12是示出根据第一实施例的灰度聚类信息生成处理的例子的图；图13是示出根据第一实施例的图12中的边界颜色梯度信息和边界属性的表；图14是示出根据第一实施例的图12中的灰度聚类信息的表；图15是示出根据第一实施例的线性灰度参数的生成的概念图；图16是示出根据第一实施例的线性灰度参数的例子的表；图17是示出根据第一实施例的放射状灰度参数的生成的概念图；图18是示出根据第一实施例的放射状灰度参数的例子的表；图19是示出根据第一实施例的在颜色区域整合处理之后的新的颜色区域识别结果的例子的图；图20是示出根据第一实施例的矢量化对象判断处理序列的流程图；图21是示出根据第一实施例生成残留伪轮廓的例子的图；图22是示出根据第一实施例的图21中的边界颜色梯度信息和边界属性的表；图23是示出根据第一实施例的图21中的灰度聚类信息的表；图24是示出根据第二实施例的主处理的流程图；以及图25是示出根据第三实施例的矢量化对象判断处理序列的流程图。
具体实施例方式第一实施例将参考

本发明的实施例。这些实施例中所述的构件仅是例子。本发明的技术范围由所附权利要求书确定，并且不局限于下述各个实施例。设各结构将参考图2的框图说明根据实施例的图像处理设备的结构。参考图2，CPU(中央处理单元)7控制整个设备。R0M(只读存储器)6存储无需改变的程序和参数。RAM(随机存取存储器)5临时存储从外部设备等所提供的程序和数据。扫描器I对原稿等进行光电扫描以获得电子图像数据作为输入数据。图像输入/输出(1/0)3连接扫描器I和图像处理设备。图像存储器2保持扫描器I所读取的图像数据等。外部存储装置12包括固定安 装的硬盘和存储卡、或者可拆卸的光盘、磁卡、光卡、IC卡以及诸如软盘(FD)和CD(紧凑型光盘)等的存储卡。I/O 13是外部存储装置12和计算机设备之间的输入/输出接口。I/
O15是与包括用于接收用户操作和输入数据的指示装置10 (例如，鼠标)和键盘9的输入装置的输入/输出接口。视频I/o 14是与用于显示保持在图像处理设备中的数据和所提供的数据的显示监视器8的输入/输出接口。通信I/F 4是用于与诸如因特网等的网络线连接的接口。系统总线11可通信地连接图像处理设备中的各个单元。处理序列将参考图I的流程图说明用于通过运行在CPU 7上的程序实现本发明的处理序列。在图I的流程图中，在步骤SlOO开始该处理，并且输入包含要处理的图像区域的图像数据。对于图像输入，经由图像1/03将通过图2的扫描器I所读取的图像数据输入给图像存储器2。可以经由通信I/F 4从该设备的外部输入包含要处理的图像区域的图像。可选地，可以经由I/O 13读取预先存储在外部存储装置12中的图像数据。将所获得的输入图像保持在图像存储器2中。颜色区域识别处理针对读取的图像数据进行步骤S200的颜色区域识别处理。当使用诸如扫描器等的输入单元时，在输入图像上可能叠加了噪声，并且使得难以指定代表性颜色。在这种情况下，通过进行减色处理，可以将输入图像分割成多个颜色区域，这些颜色区域各自具有相同的颜色，从而使得具有小的色差的像素立即具有相同的颜色信息。在步骤S201，通过在步骤S201对输入图像执行减色处理，可以解决上述问题。例如，日本特开2006-344069所述的方法通过基于颜色信息从输入图像中的像素形成聚类、并且整合相似聚类或认为是噪声的聚类来去除扫描噪声。通过应用该方法，可以去除在扫描图像输入等中所生成的噪声。注意，作为噪声去除方法可以使用其它方法。在步骤S202，通过标记处理来提取颜色区域。在标记处理中，向具有相同值的要连接的一组像素分配相同编号(识别信息)。通常使用标记处理作为用于获取各颜色区域的信息(面积和形状)的预处理。在这种情况下，分配作为标签的识别编号，从而使得可以在随后的处理中识别颜色区域。通过步骤S201和S202实现图I中的颜色区域识别处理(步骤 S200)。
边界颜色梯度信息计算处理在步骤S300，基于步骤S200中的颜色区域识别结果，进行边界颜色梯度信息计算处理。在这种情况下，如图3所示，针对各颜色区域边界，获得边界信息和颜色梯度信息。在下面的说明中，将图3所示的信息称为“边界颜色梯度信息”。如图3所示，边界颜色梯度信息包括与边界编号、夹持边界的标签A和标签B (即夹持边界的两个颜色区域)、边界长度、上下左右方向上的颜色梯度强度以及平均颜色梯度有关的信息。将参考图4说明步骤S300的详细序列。注意，将定义光栅扫描的说明中的术语。如图5所示，Pt是关注像素，Prl是水平比较像素，并且Pr2是垂直比较像素。在步骤S301，CPU 7将Pt设置在光栅扫描的起点Pstart处。这里，将Pstart设置在输入图像所包含的像素中的左上像素处。在步骤S302，CPU 7判断Pt和Prl是否具有相同标签。如果Pt和Prl不具有相同标签(步骤S302为“是”)，则处理进入步骤S303 ;如果它们具有相同标签(步骤S302为“否”)，则进入步骤S305。 在步骤S303，CPU 7使用窗函数计算水平颜色梯度。此时，从所保持的输入图像获取用于计算颜色梯度的颜色值。使用图6的6a中的窗函数，针对各个R、G和B值计算值dr、dg和db。将所计算出的值中具有最大绝对值的值设置为颜色梯度dc。例如，图6的6a的各个像素位置处的(R，G，B)具有下面的值Pd: (30, 20, 10)Pt: (40，15，8)Pc2: (80，10，6)Pc3: (90, 5, 4)图6的6a中的窗函数给出以下值dr、dg和db dr= (-2 X 30) + (_1 X 40) + (IX 80) + (2 X 90) =160dg= (-2 X 20) + (-1 X 15) + (IX 10) + (2X5) =-35db= (-2 X 10) + (-1 X 8) + (I X 6) + (2 X 4) =-14在这种情况下，dr具有最大绝对值，因此颜色梯度dc为“160”。将正的颜色梯度dc定义为左颜色梯度，并且将负的颜色梯度dc定义为右颜色梯度。当然，该定义可以是相反的。注意，颜色梯度计算中所使用的颜色值可以是诸如RGB颜色空间或YCC颜色空间等的任意颜色空间中的颜色值。可以将用于计算颜色梯度的颜色成分的数量限制为I个，如以上的例示，或者可以将所有成分用于计算。还可以使用其它窗函数或其它计算公式。在结束该处理之后，处理进入步骤S304。在步骤S304，CPU 7更新边界颜色梯度信息。首先，CPU 7将定义当前参考的边界的两个标签的组合与针对现有边界颜色梯度信息(图3)中的各边界所登记的标签的组合进行比较，并且判断是否登记了该组合。如果登记了该组合，则CPU 7将相应的边界颜色梯度信息的边界长度增加I。此时，将在前一步骤中所获得的颜色梯度dc相加至与该方向相对应的项。在上述例子中，颜色梯度dc为160，符号是正的，因此将颜色梯度dc相加至左颜色梯度项。如果没有登记该组合，则CPU 7生成新的边界颜色梯度信息。更具体地，CPU7将定义当前参考的边界的两个标签写入边界颜色梯度信息的标签A和标签B的项中。然后，CPU 7在边界长度中设置I和在与该方向相对应的项中设置颜色梯度dc，并且将所有其余值初始化成O。在结束该处理之后，处理进入步骤S305。
在步骤S305，CPU 7判断Pt和Pr2是否具有相同标签。如果Pt和Pr2不具有相同标签(步骤S305为“是”)，则处理进入步骤S306 ;如果它们具有相同标签(步骤S305为“否”)，则进入步骤S308。在步骤S306，CPU 7使用窗函数计算垂直颜色梯度。例如，使用如图6的6b所示的窗函数计算垂直颜色梯度。此时，类似于步骤S303，从所保持的输入图像获得用于计算颜色梯度的颜色值。根据与步骤S303相同的序列，使用垂直窗函数计算颜色梯度。将正的颜色梯度dc定义为上颜色梯度，并且将负的颜色梯度dc定义为下颜色梯度。当然，该定义可以是相反的。在结束该处理之后，处理进入步骤S307。在步骤S307，CPU 7更新边界颜色梯度信息。更新序列与步骤S304的相同。在结束该处理之后，处理进入步骤S308。在步骤S308，CPU 7判断Pt是否到达了光栅扫描的终点Pend。这里，将输入图像所 包含的像素中的右下像素定义为Pend。如果Pt到达了 Pend的位置(步骤S308为“是”)，则处理进入步骤S310 ;如果没有到达Pend的位置(步骤S308为“否”)，则进入步骤S309。在步骤S309，CPU 7将Pt移位一个像素以改变关注像素，并且处理返回到步骤S302。在步骤S310，CPU 7使用所获得的边界颜色梯度信息计算平均颜色梯度。更具体地，CPU 7相加上颜色梯度、下颜色梯度、右颜色梯度和左颜色梯度，将该和除以边界长度，并且将该结果代入边界颜色梯度信息中的平均颜色梯度项。对于图3所示的边界n，平均颜色梯度为(1200+0+0+0)/6 = 200。结果，可以通过边界的数量提取图3所示的值。步骤S301 S310实现图I中的边界颜色梯度信息计算处理(步骤S300)。当由于Pt到达图像的右端所以没有获得Prl时，或者当由于Pt到达了图像的下端所以没有获得Pr2时，处理在不进行比较的情况下进入下一处理，为了简化对此不进行说明。另外，当由于Pt到达了图像末端所以没有获得用于窗函数的足够的像素值时，窗函数的形状可能改变，或者窗函数可能不能求解。边界属件判断处理在步骤S400使用边界颜色梯度信息来判断边界属性，并且添加该属性。更具体地，与边界颜色梯度信息的各边界相关联地保存所判断出的各边界的属性。将参考图7说明步骤S400的详细序列。在步骤S401，CPU 7使用边界颜色梯度信息判断边缘边界和伪轮廓边界中哪一个是当前参考的边界。如果在前面的步骤中所获得的边界颜色梯度信息中的平均颜色梯度大于预定阈值Tl，则CPU 7判断为当前参考的边界是边缘边界。阈值Tl的例子有Tl = 20。可以根据经验或者通过任意计算公式获得阈值Tl。如果平均颜色梯度等于或小于阈值Tl，则CPU 7判断为当前参考的边界是伪轮廓边界。如果CPU 7判断为当前参考的边界是伪轮廓边界(步骤S401为“是”)，则处理进入步骤S402。如果CPU 7判断为当前参考的边界是边缘边界(步骤S401为“否”)，则处理进入步骤S407。“伪轮廓边界”是在图像内的灰度中形成的轮廓，并且使用“伪轮廓边界”来分割用于处理的灰度区域。在步骤S402和S403，CPU 7判断灰度属性。在这种情况下，使用边界颜色梯度信息的特性来判断当前参考的伪轮廓边界属于哪一灰度区域，即放射状灰度、线性灰度和复杂灰度。“放射状灰度”是如图8的8a所示的、颜色以特定点为中心点呈同心圆状变化的灰度。“线性灰度”是如图9的9a和9c所示的、颜色在预定方向上变化的灰度。“复杂灰度”是如图10的IOa所示的、既不属于放射状灰度也不属于线性灰度的灰度。在步骤S402，CPU 7判断当前参考的伪轮廓边界是否属于放射状灰度。当对如图8的8a所示的放射状灰度进行颜色区域识别处理(步骤S200)时，获得如图8的Sb所示的颜色区域识别结果。基于颜色区域识别结果来执行边界颜色梯度信息计算处理(步骤S300)，以计算各边界的颜色梯度。然后，如图8的Sb所示，针对各边界所计算出的颜色梯度在上梯度方向、下梯度方向、右梯度方向和左梯度方向上差不多取相同的值。这是因为，放射状灰度的颜色梯度呈同心圆状，也就是说， 在所有梯度方向上取恒定值。通过使用该特性，如果当前参考的伪轮廓边界的边界颜色梯度信息满足所有以下条件，则CPU 7在步骤S402中判断为当前参考的伪轮廓边界具有放射状灰度属性条件I :上颜色梯度X阈值T2>下颜色梯度条件2 :下颜色梯度X阈值Τ2>上颜色梯度条件3 :右颜色梯度X阈值Τ2>左颜色梯度条件4 :左颜色梯度X阈值Τ2>右颜色梯度条件5 :上颜色梯度X阈值Τ2>右颜色梯度条件6 :右颜色梯度X阈值Τ>上颜色梯度如果满足这六个条件，则认为颜色梯度在伪轮廓边界的上梯度方向、下梯度方向、右梯度方向和左梯度方向上差不多相同，并且判断为当前参考的伪轮廓边界具有放射状灰度属性。阈值Τ2的例子有Τ2 = 2。可以根据经验或者通过任意计算公式获得阈值Τ2。如果CPU 7判断为当前参考的边界属于放射状灰度(步骤S402为“是”)，则处理进入步骤
S404。如果CPU 7判断为当前参考的边界不属于放射状灰度(步骤S402为“否”)，则处理进入步骤S403。在步骤S403，CPU 7判断当前参考的伪轮廓边界是否具有线性灰度属性。当输入如图9的9a或图9的9c所示的线性灰度时，获得如图9的9b或图9的9d所示的颜色区域识别结果。基于颜色区域识别结果执行边界颜色梯度信息计算处理，以计算各边界的颜色梯度。然后，如图9的9b所示的上颜色梯度、下颜色梯度、右颜色梯度和左颜色梯度中的一个梯度方向、或者如图9的9d所示的不相对的两个梯度方向取较大值。这是因为，线性灰度的颜色梯度沿预定梯度方向。通过使用该特性，如果当前参考的伪轮廓边界的边界颜色梯度信息满足条件7(7. I ~ 7. 3)或条件8(8. I ~ 8. 5)，则CPU 7在步骤S403判断为当前参考的伪轮廓边界具有线性灰度属性。注意，上颜色梯度、下颜色梯度、右颜色梯度和左颜色梯度以降序取值Gl、G2、G3和G4。(条件7)条件7. I G1> 阈值 T3XG2条件7. 2 G1> 阈值 T3XG3条件7. 3 G1> 阈值 T3XG4(条件8)条件8. I G1> 阈值 T4XG3条件8. 2 G1> 阈值 T4XG4条件8. 3 G2> 阈值 T4XG3
条件8· 4 G2> 阈值 T4XG4条件8. 5 G1方向和G2方向不相对。阈值T3和T4的例子有T3 = 3和T4 = 2。可以根据经验或者通过任意计算公式获得阈值T3和T4。如果满足条件7或条件8，使得CPU 7判断为当前参考的边界属于线性灰度(步骤S403为“是”)，则处理进入步骤S405。如果CPU 7判断为当前参考的边界不属于线性灰度(步骤S403为“否”)，则处理进入步骤S406。在步骤S404、S405、S406和S407各步骤中，将所判断出的属性添加至各边界的边界属性信息。更具体地，在步骤S404，CPU 7向判断对象边界添加放射状灰度属性。在步骤S405，CPU7向判断对象边界添加线性灰度属性。在步骤S406，CPU 7向判断对象边界添加复杂灰度属性。在步骤S407，CPU 7向判断对象边界添加边缘属性。在结束步骤S404、
S405、S406和S407之一的处理之后，结束该处理序列。步骤S401 S407的处理实现图I中的边界属性判断处理(步骤S400)。 灰度聚类信息生成处理在步骤S500，识别以相同类型(相同属性)的灰度所表示的灰度区域，并且进行灰度聚类信息生成处理，以生成与灰度区域相对应的聚类信息。在本实施例中，灰度聚类信息包括表示灰度区域中的颜色区域的标签的列表、灰度区域中的边界的列表和相应的灰度区域的类型。通过以输入图12的12a中的输入图像的情况为例，参考图11的处理序列详细说明步骤S500。当输入图12的12a的输入图像时，通过颜色区域识别处理(步骤S200)获得图12的12b所示的颜色区域识别结果。对该结果进行边界颜色梯度信息计算处理(步骤S300)和边界属性判断处理(步骤S400)，从而获得如图13所示的信息。将输入信息中的关注边界称为Bt。在步骤S501，CPU 7判断是否仍未处理当前参考的边界。由于存在在随后的灰度聚类信息生成处理中优先处理过的边界，所以没有必要使用该处理再次处理已处理过的边界。如果CPU 7判断为仍未处理当前参考的边界Bt (步骤S501为“是”)，则处理进入步骤S502。如果CPU 7判断为处理了当前参考的边界Bt (步骤S501为“否”)，则处理进入步骤S506。在步骤S502，CPU 7判断是否仍未处理用于定义当前参考的边界Bt的两个标签区域。类似于步骤S501，由于存在在随后的灰度聚类信息生成处理中优先处理过的边界，所以没有必要使用该处理再次处理定义已处理过的边界的两个标签。如果CPU 7判断为仍未处理用于定义边界Bt的标签(即夹持边界Tb的两个标签区域)(步骤S502为“是”)，则处理进入步骤S503。如果CPU 7判断为处理了定义边界Bt的标签(步骤S502为“否”)，则处理进入步骤S506。在步骤S503，CPU 7判断边界属性。如果与当前参考的边界Bt相关联的属性是“线性灰度”，则处理进入步骤S504 ;如果是“放射状灰度”，则进入步骤S505 ;否则，进入步骤 S506。在步骤S504，CPU 7生成线性灰度聚类信息。首先，CPU 7将当前参考的边界Bt的边界编号登记在线性灰度聚类信息中。然后，CPU 7将定义当前参考的边界Bt的两个标签登记在线性灰度聚类信息中。CPU 7计算所生成的线性灰度聚类信息特有的梯度角。根据公式(I)，使用边界颜色梯度信息中的上颜色梯度、下颜色梯度、右颜色梯度和左颜色梯度获得此时的梯度角梯度角=arctan((上颜色梯度一下颜色梯度)/(右颜色梯度一左颜色梯度))... (I)CPU 7在所生成的线性灰度聚类信息的类型中设置“线性灰度”。为了方便，将设置了线性灰度的边界的聚类称为线性灰度聚类信息G1。当与登记在线性灰度聚类信息中的两个标签相对应的颜色区域中的至少一个还接触其它颜色区域时，CPU 7顺次评价与这些其它颜色区域的边界，以判断是否将这些其它颜色区域登记在线性灰度聚类信息中。将使用图13的例子说明该处理。 假定当前参考的边界Bt是图13中的边界8。此时，将边界8以及定义边界8的标签5和标签6登记在线性灰度聚类信息Gl中。使用上述公式(I)获得这种情况下的梯度角梯度角=arctan((0-0) / (800-0)) =0通过参考图13的边界颜色梯度信息，判断为除当前参考的边界8以外，标签5还接触边界4。判断边界4是否属于所生成的线性灰度聚类信息G1。此时，边界4的边界属性是边缘属性，因此判断为边界4不属于该线性灰度聚类信息Gl。另外，基于图13的边界颜色梯度信息，判断为除边界8以外，标签6还接触边界5和边界9。尽管边界5具有边缘属性，并且不属于该线性灰度聚类信息G1，但是边界9具有线性灰度属性。因此，判断边界9是否属于线性灰度聚类信息G1。更具体地，判断定义边界9的标签6和标签7是否包含在其它灰度聚类信息中。如果标签6和标签7包含在其它灰度聚类信息中，则判断为边界9不属于正生成的灰度聚类信息。如果标签6和标签7均未包含在其它灰度聚类信息中，则对下一标签进行判断。可以使用公式(I)计算边界9的梯度角。也就是说，如下计算边界9的梯度角梯度角=arctan((0-0) / (1200-0)) =0如果所获得的梯度角和该线性灰度聚类信息特有的梯度角之间的差等于或小于阈值T5，则将该边界和定义该边界的标签登记在线性灰度聚类信息中。阈值T5的例子有T5 = 22. 5。可以根据经验或者通过任意计算公式获得阈值T5。由于图13的边界9的梯度角和线性灰度聚类信息的梯度角之间的差为0，所以判断为边界9属于线性灰度聚类信息Gl。因此，将边界9以及定义边界9的标签6和标签7登记在线性灰度聚类信息Gl中。然而，标签6已登记在正生成的线性灰度聚类信息中，所以仅登记标签7。可以根据阈值设置来改变是判断该差是否大于预定阈值还是判断该差是否等于或大于该阈值。以相同方式评价标签7所属的边界，并且将该边界登记为线性灰度，从而获得诸如图14所示的灰度聚类信息中的灰度聚类2等的结果。在图14的例子中，灰度聚类2是由标签5、6、7和8的颜色区域所形成的具有梯度角0°的线性灰度。注意，图14中所示的“类型”对应于各边界的灰度属性，并且是灰度聚类的属性。在通过上述处理生成线性灰度聚类信息之后，处理进入步骤S506。在步骤S505，CPU 7生成放射状灰度聚类信息。首先，CPU7将当前参考的边界Bt的边界编号登记在放射状灰度聚类信息中。然后，CPU 7将定义当前参考的边界Bt的两个标签登记在灰度聚类信息中。由于所生成的放射状灰度聚类信息不需要梯度角，所以CPU 7代入虚值(dummy value)作为初始值。CPU 7在所生成的放射状灰度聚类信息的类型中设置“放射状灰度”。为了方便，将设置了放射状灰度的边界的聚类称为放射状灰度聚类信息Gr0当与放射状灰度聚类信息中所登记的两个标签相对应的颜色区域中的至少一个还接触其它颜色区域时，CPU 7顺次评价与这些其它颜色区域的边界，以判断是否将这些其它颜色区域登记在放射状灰度聚类信息中。将使用图13的例子说明该处理。假定当前参考的边界Bt是图13中的边界2。此时，将边界2以及定义边界2的标签2和标签3登记在放射状灰度聚类信息Gr中。通过参考图13中的边界颜色梯度信息，判断为除当前参考的边界2以外，标签2还接触边界I。然后判断边界I是否属于所生成的放射状灰度聚类信息Gr。此时，边界I的边界属性是边缘属性，因此判断为边界I不属于放射状灰度聚类信息Gr。另外，基于图13的边界颜色梯度信息，判断为除当前参考的边界2以外，标签3还接触边界3。边界3具有放射状灰度属性。因此判断边界3是否属于放射状灰度聚类信息 Gr0更具体地，判断定义边界3的标签3和标签4是否包含在其它灰度聚类信息中。如果标签3和标签4包含在其它灰度信息中，则判断为边界3不属于正生成的灰度聚类信息。如果标签3和标签4均未包含在其它灰度聚类信息中，则将边界3以及定义边界3的标签登记在放射状灰度聚类信息Gr中。然而，标签3已登记在正生成的放射状灰度聚类信息中，所以仅登记标签4。以相同方式评价标签4所属的边界，并且将该边界登记为放射状灰度，从而获得诸如图14所示的灰度聚类信息中的灰度聚类I等的结果。将图14中的灰度聚类I登记为由标签2、3和4的颜色区域所形成的放射状灰度聚类。在通过上述处理生成放射状灰度聚类信息之后，该处理进入步骤S 506。在步骤S506，CPU 7判断当前参考的边界是否是最后的边界。如果当前参考的边界是最后的边界(步骤S506为“是”)，则在不进行任何进一步处理的情况下结束该处理；如果不是最后的边界(步骤S506为“否”)，则进入步骤S507。在步骤S507，CPU7将当前参考的边界更新成下一边界，并且处理返回到步骤S501。步骤S501 S507实现图I的灰度聚类信息生成处理(步骤S500)。灰度参数牛成处理在步骤S600，进行灰度参数生成处理以生成各灰度聚类信息的灰度参数。在这种情况下，使用颜色区域识别结果、灰度聚类信息和边界颜色梯度信息生成线性灰度和放射状灰度的参数。将详细说明在灰度聚类信息中的类型是“线性灰度”时的参数生成方法。图15是示出生成例如图12的线性灰度区域中的参数的概念图。要生成的线性灰度参数是定义灰度端点的起点Ps和终点pe、以及定义颜色的变化的偏移。注意，该偏移包括表示作为位置信息的灰度区域中的相对位置的偏移值和定义相对位置处的颜色的颜色值。首先，获得线性灰度区域(通过线性灰度聚类信息中登记的标签所定义的区域)的外接矩形R，并且获得外接矩形R的重心C。注意，将省略对重心获得方法的说明。然后，获得矢量V，该矢量V通过所获得的重心C并且具有添加至灰度聚类信息的梯度角、即角度Θ。将与外接矩形R的交点定义为起点ps (a, b)和终点pe (c，d)。获得从所获得的起点ps到终点pe的距离，并且获得假定该距离为100的用于标准化的常数K。可以使用公式(2)获得常数K:
F 100K - I------；-^—；-;—;-v-(2)
'I i C — i7) + (i/ — b) ~在图15所示的例子中，如下给出用于标准化的常数K :
r —_^_-O.Λ _ I..........................................................................r.................. ..................................................................= _ U-J
V(300-100)2 +(100-100)2此后，对于灰度聚类信息中所登记的N个标签，获得与各个标签相对应的颜色区
域的重心Cln (η = 1，2，......，N)。在图15所示的例子中，包含Cll C14。然后，法线
从所获得的各个颜色区域的重心Cln下落到矢量V，并且求出交点作为偏移点Ofn(η =
1,2,......，N)。在图15所示的例子中，包含Ofl Of40计算从起点ps到偏移点Ofn的
距离dn(n = 1，2，......,N),并且将通过将距离dn乘以上述常数K所获得的值设置为偏移
点Ofn处的偏移值。在图15的例子中，Ofl (140，100)和ps(100, 100)之间的距离dl为40。由于常数K是O. 5，如上所述，所以Ofl处的偏移值为O. 5X40 = 20。最后，使用与偏移点Ofn相对应的颜色区域的平均颜色作为偏移的颜色值。在图15的例子中，对于所有偏移点Ofn执行上述处理，从而获得图16例示的线性灰度参数。如图16所示,在本实施例中，线性灰度参数包括灰度的端点信息(起点和终点的坐标)和各偏移的信息(偏移值和颜色值)。将详细说明在灰度聚类信息中的类型是“放射状灰度”时的参数生成方法。图17是示出生成例如图12的放射状灰度区域中的参数的概念图。要生成的放射状灰度参数是定义灰度端点的中心点pc和半径r、以及定义颜色的变化的偏移。注意，该偏移包含表示作为位置信息的灰度区域中的相对位置的偏移值和定义相对位置处的颜色的颜色值。首先，获得与放射状灰度聚类信息中登记的N个标签相对应的各个颜色区域的外
接矩形，并且按照大小顺序将其存储为Rn(n= 1,2,......，N)。在图17的例子中，外接矩
形有R1、R2和R3。所获得的外接矩形Rl是与最里面的颜色区域相对应的外接矩形。获得相应的颜色区域的重心，并且将其定义为放射状灰度的中心点pc。所获得的外接矩形RN是与最外面的颜色区域相对应的外接矩形。将从定义外接矩形的右端的直线LRN到中心点pc的距离设置为半径r。在图17的例子中，从中心点pc(200，100)到定义最外面的颜色区域的外接矩形R3的右端的直线LR3 (x = 280)的距离为80，并且将该值设置为半径r。此后，获得假定半径!■为100的用于标准化的常数K。可以使用公式(3)获得常数K
v 100K =——...(3)
r在图17的例子中，如下给出用于标准化的常数K :
权利要求
1.一种图像处理设备，包括 分割单元，用于基于色差将输入图像分割成多个颜色区域； 颜色梯度信息计算单元，用于根据所述输入图像的颜色信息，计算分割得到的颜色区域之间的边界处的颜色梯度信息； 属性判断单元，用于使用所述颜色梯度信息，判断表示所述边界处的颜色梯度的特性的灰度属性；以及 矢量化对象判断单元，用于基于所述属性判断单元所判断出的所述边界的灰度属性，判断所述输入图像是否是矢量化对象。
2.根据权利要求I所述的图像处理设备，其特征在于，所述边界的灰度属性包括边缘属性、线性灰度属性、放射状灰度属性以及复杂灰度属性之一，其中 所述边缘属性表示所述边界处的颜色梯度的强度大于特定阈值， 所述线性灰度属性表示所述边界处的颜色梯度在一个方向上恒定、或者在不相对的两个方向上恒定， 所述放射状灰度属性表示所述边界处的颜色梯度在所有方向上都恒定，以及 所述复杂灰度属性表示所述边界不属于所述边缘属性、所述线性灰度属性和所述放射状灰度属性中任一个。
3.根据权利要求2所述的图像处理设备，其特征在于，还包括灰度聚类信息生成单元，所述灰度聚类信息生成单元用于通过使用所述边界的灰度属性而判断所述多个颜色区域中属于相同的灰度的颜色区域来生成灰度聚类，并且用于生成灰度聚类信息，其中，所述灰度聚类信息包括与属于所述灰度聚类的颜色区域、属于所述灰度聚类的颜色区域之间的边界和所述灰度聚类的灰度类型有关的信息， 其中，所述矢量化对象判断单元基于所述灰度聚类信息和所述边界的灰度属性，来判断所述输入图像是否是矢量化对象。
4.根据权利要求3所述的图像处理设备，其特征在于，当具有除所述边缘属性以外的灰度属性并且没有包含在所述灰度聚类信息中的边界的长度的和小于预定阈值时，所述矢量化对象判断单元判断为所述输入图像是矢量化对象，以及当所述和不小于所述预定阈值时，所述矢量化对象判断单元判断为所述输入图像不是矢量化对象。
5.根据权利要求2所述的图像处理设备，其特征在于，当被判断为具有所述复杂灰度属性的边界的长度的和小于预定阈值时，所述矢量化对象判断单元判断为所述输入图像是矢量化对象，以及当所述和不小于所述预定阈值时，所述矢量化对象判断单元判断为所述输入图像不是矢量化对象。
6.根据权利要求2所述的图像处理设备，其特征在于，当被判断为具有所述复杂灰度属性的边界的数量小于预定阈值时，所述矢量化对象判断单元判断为所述输入图像是矢量化对象，以及当所述数量不小于所述预定阈值时，所述矢量化对象判断单元判断为所述输入图像不是矢量化对象。
7.一种图像处理方法，包括 分割步骤，用于基于色差将输入图像分割成多个颜色区域； 颜色梯度信息计算步骤，用于根据所述输入图像的颜色信息，计算分割得到的颜色区域之间的边界处的颜色梯度信息；属性判断步骤，用于使用所述颜色梯度信息，判断表示所述边界处的颜色梯度的特性的灰度属性；以及 矢量化 对象判断步骤，用于基于在所述属性判断步骤中判断出的所述边界的灰度属性，判断所述输入图像是否是矢量化对象。
全文摘要
本发明提供一种图像处理设备和图像处理方法。该图像处理设备包括分割单元，用于基于色差将输入图像分割成多个颜色区域；颜色梯度信息计算单元，用于根据输入图像的颜色信息，计算分割得到的颜色区域之间的边界处的颜色梯度信息；属性判断单元，用于使用颜色梯度信息，判断表示边界处的颜色梯度的特性的灰度属性；以及矢量化对象判断单元，用于基于属性判断单元判断出的边界的灰度属性，判断输入图像是否是矢量化对象。
文档编号G06T7/00GK102842126SQ20121014352
公开日2012年12月26日 申请日期2012年5月9日 优先权日2011年5月9日
发明者大藤洋 申请人:佳能株式会社