基于相变和扩散神经网络的图像元素提取方法

本发明涉及图像处理，尤其涉及一种基于相变和扩散神经网络的图像元素提取方法。

背景技术：

1、图像元素提取是指从图像中提取图像中包含的元素的过程，图像元素包括图形元素和文字元素。

2、中国专利申请公开号：cn114202602a公开了一种图像设计元素的提取方法、提取装置和电子设备，图像设计元素的提取方法，包括：获取目标图像；将目标图像输入至目标神经网络模型，根据目标神经网络模型的输出结果，获得目标图像对应的多个第一元素图像块；接收用户的第一输入；响应于第一输入，从多个第一元素图像块中确定目标第一元素图像块，目标第一元素图像块用于对目标神经网络模型进行后续优化。

3、然而，现有技术中，对图像元素提取的清晰度和提取精度还有待提高。

技术实现思路

1、为此，本发明提供一种基于相变和扩散神经网络的图像元素提取方法，用以克服现有技术中对图像元素提取的清晰度和提取精度较差的问题。

2、为实现上述目的，本发明提供一种基于相变和扩散神经网络的图像元素提取方法，包括：

3、步骤s1，图像获取模块获取原始图像并识别原始图像中的物体轮廓；

4、步骤s2，图像处理模块对所述原始图像进行灰度化处理以获取灰度图像；

5、步骤s3，区域划分模块将所述灰度图像平均分为设定数量的局部图像，并确定任一所述局部图像的最佳阈值，以区分局部图像的背景图和目标图；

6、步骤s4，所述区域划分模块计算任一所述目标图轮廓与原始图像中相应的所述物体轮廓的图形相似度，在第二相似度水平下确定对相应的所述最佳阈值的校正方式并跳转至所述步骤s3，在第一相似度水平下进入步骤s5；

7、步骤s5，图像检测模块检测任一所述局部图像中提取出的目标图的噪声点数量，在第二数量水平下确定对划分的局部图像的数量的修正方式并跳转至所述步骤s3，在第一数量水平下进入步骤s6；

8、步骤s6，合并重建所述目标图以输出二值图，对所述二值图进行平滑处理以得到特征图像；

9、步骤s7，将所述特征图像输入至神经网络模型，以输出图像元素提取结果。

10、进一步地，在所述步骤s3中，所述区域划分模块中设有将所述灰度图像划分为局部图像的划分方式；

11、第一划分方式为将所述灰度图像划分为第一数量的局部图像；

12、第二划分方式为将所述灰度图像划分为第二数量的局部图像；

13、第三划分方式为将所述灰度图像划分为第三数量的局部图像；

14、其中，第一数量＜第二数量＜第三数量。

15、进一步地，所述区域划分模块计算灰度图像的像素与预设像素的像素比值，设定像素比值＝灰度图像的像素/预设像素，并根据像素比值确定将所述灰度图像划分为局部图像的划分方式；

16、若像素比值处于第一像素比值水平，所述区域划分模块判定选用第一划分方式；

17、若像素比值处于第二像素比值水平，所述区域划分模块判定选用第二划分方式；

18、若像素比值处于第三像素比值水平，所述区域划分模块判定选用第三划分方式；

19、所述第一划分方式满足像素比值大于等于第二预设像素比值，所述第二划分方式满足像素比值小于第二预设像素比值且大于等于第一预设像素比值，所述第三划分方式满足像素比值小于第一预设像素比值。

20、进一步地，在所述步骤s3中，所述区域划分模块采用最大类间方差法确定任一局部图像的最佳阈值，并对局部图像的所有像素进行遍历；

21、若像素的灰度值处于第一灰度值水平，所述区域划分模块将该像素点记为背景图，并将背景图的灰度值设为0；

22、若像素的灰度值处于第二灰度值水平，所述区域划分模块将该像素点记为目标图，并将目标图的灰度值设为255；

23、所述第一灰度值水平满足像素的灰度值小于最佳阈值，所述第二灰度值水平满足像素的灰度值大于等于最佳阈值。

24、进一步地，在所述步骤s4中，所述区域划分模块计算任一所述目标图轮廓与原始图像中相应的所述物体轮廓的图形相似度以判定是否对该目标图所处的局部图像的最佳阈值进行校正；

25、若图形相似度处于第一相似度水平，所述区域划分模块判定无需对最佳阈值进行校正；

26、若图形相似度处于第二相似度水平，所述区域划分模块判定需对最佳阈值进行校正；

27、所述第一相似度水平满足图形相似度大于等于预设相似度标准，所述第二相似度水平满足图形相似度小于预设相似度标准。

28、进一步地，所述区域划分模块中设有对所述最佳阈值的校正方式；

29、第一校正方式为，所述区域划分模块将所述最佳阈值校正至第一阈值；

30、第二校正方式为，所述区域划分模块将所述最佳阈值校正至第二阈值；

31、第三校正方式为，所述区域划分模块将所述最佳阈值校正至第三阈值；

32、其中，第一阈值＜第二阈值＜第三阈值＜最佳阈值；

33、所述区域划分模块以校正后的阈值重新区分局部图像的背景图和目标图。

34、进一步地，所述区域划分模块计算图形相似度与预设相似度标准的相似度差值，设定相似度差值＝预设相似度标准-图形相似度，区域划分模块根据相似度差值确定对所述最佳阈值进行校正的调节方式；

35、若相似度差值处于第一相似度差值水平，所述区域划分模块判定选用第一校正方式；

36、若相似度差值处于第二相似度差值水平，所述区域划分模块判定选用第二校正方式；

37、若相似度差值处于第三相似度差值水平，所述区域划分模块判定选用第三校正方式；

38、所述第一相似度差值水平满足相似度差值大于等于第二预设相似度差值，所述第二相似度差值水平满足相似度差值小于第二预设相似度差值且大于等于第一预设相似度差值，所述第三相似度差值水平满足相似度差值小于第一预设相似度差值。

39、进一步地，在所述步骤s5中，所述图像检测模块检测任一所述局部图像中提取出的目标图的噪声点数量，所述图像检测模块根据噪声点数量判定是否对划分的局部图像的数量进行修正，

40、若目标图的噪声点数量处于第一数量水平，所述图像检测模块判定目标图的噪声点数量符合标准，无需对划分的局部图像的数量进行修正；

41、若目标图的噪声点数量处于第二数量水平，所述图像检测模块判定目标图的噪声点数量不符合标准，需对划分的局部图像的数量进行修正；

42、所述第一数量水平满足目标图的噪声点数量小于等于预设噪声点数量，所述第二数量水平满足目标图的噪声点数量大于预设噪声点数量。

43、进一步地，所述区域划分模块中设有对所述局部图像的数量的修正方式；

44、第一修正方式为，所述区域划分模块将所述局部图像的数量修正至第一修正数量；

45、第二修正方式为，所述区域划分模块将所述局部图像的数量修正至第二修正数量；

46、第三修正方式为，所述区域划分模块将所述局部图像的数量修正至第三修正数量；

47、其中，第一修正数量＞第二修正数量＞第三修正数量。

48、进一步地，所述区域划分模块计算目标图的噪声点数量与预设噪声点数量的噪声点比值，设定噪声点比值＝目标图的噪声点数量/预设噪声点数量，并根据噪声点比值确定选用的修正方式；

49、若噪声点比值处于第一噪声点比值水平，所述区域划分模块判定选用第一修正方式；

50、若噪声点比值处于第二噪声点比值水平，所述区域划分模块判定选用第二修正方式；

51、若噪声点比值处于第三噪声点比值水平，所述区域划分模块判定选用第三修正方式；

52、所述第一修正方式满足噪声点比值大于等于第二预设噪声点比值，所述第二修正方式满足噪声点比值小于第二预设噪声点比值且大于等于第一预设噪声点比值，所述第三修正方式满足噪声点比值小于第一预设噪声点比值。

53、与现有技术相比，本发明的有益效果在于，不同于以往的对全局图像进行二值化以区分背景图和目标图的方法，本发明将获取的灰度图像划分为若干局部图像，以对局部图像单独进行区分背景图和目标图，通过以上技术方案，提高了图像元素提取的清晰度和提取精度。

54、进一步地，本发明区域划分模块计算灰度图像的像素与预设像素的像素比值，若像素比值越大，则说明灰度图像的分辨率越高，此时，可将局部图像的划分数量设定为一个较小的值，即可实现高提取精度和清晰度，同时提高了图像元素的提取速度；若像素比值越小，则说明灰度图像的分辨率较低，此时，可将局部图像的划分数量设定为一个较大的值，以高提取精度和清晰度。

55、进一步地，本发明区域划分模块计算任一所述目标图轮廓与原始图像中相应的所述物体轮廓的图形相似度，若相似度较高，则说明目标图提取的较为准确，此时，无需对最佳阈值进行校正，若相似度较低，则说明目标图提取的准确性较差，此时，对最佳阈值进行校正，以减小阈值，从而扩大目标图提取的轮廓，避免图像元素的遗失，之后通过训练好的神经网络模型对输入的特征图像进行识别以输出图像元素提取结果，进一步提高了图像元素提取的清晰度和提取精度。

56、进一步地，本发明图像检测模块在检测到目标图的噪声点数量处于第二数量水平时，对划分的局部图像的数量进行修正，以降低目标图的噪声，提高了目标图的清晰度，进而提高了图像元素提取的清晰度和提取精度。