一種圖像分割方法及裝置與流程

本發明涉及檢測技術領域，尤其涉及一種圖像分割方法及裝置。

背景技術：

隨著我國經濟和社會的發展，人們生活質量得到了顯著提高，對肉類食品的需求已不只是數量上的滿足，對肉品質量也具有了高要求，豬肉產品的質量安全與人民群眾的生活質量緊密相關，生豬養殖不僅關系到我國經濟的發展，并且關系到民生國計和社會安定。但流行病對生豬養殖生產的威脅十分嚴重，所以，分割出特定生豬圖像對日后進行生豬目標檢測、識別、疾病診治等工作具有重要意義。隨著圖像處理技術的發展，圖像分割發揮著越來越大的作用。傳統的交互分割方法可以較為準確的分割出特定生豬目標，但是費時費力；自動分割雖然可以減少人工操作，但由于生豬位置的不確定性、復雜背景的模糊化以及不同像素范圍噪聲的影響，自動分割往往很難取得令人滿意的分割效果。因此，交互圖像分割的復合方法越來越受到人們的重視。

Rother等人在GraphCut基礎上提出的GrabCut，有效的減少了用戶的交互量；L.Vincent與Soille提出了基于浸入模擬的算法，算法簡單易于并行處理；Yin Li等人提出的LazySnapping，大量的減少了圖節點的數量，實現圖像的有效分割。分水嶺算法有好的魯棒性，但容易受噪聲影響；自適應分水嶺算法的過分割現象非常嚴重，極易導致圖像目標信息的丟失或分割過多；LazySnapping算法進行分割，能夠實現特定顏色的提取。

對于分割對象顏色單一、邊緣模糊且具有低對比度，復雜背景對象可能與目標特征值相近，對于用戶想要選定的特定目標不容易分割出來的問題目前還無法解決。

技術實現要素：

本發明提供一種至少部分解決上述技術問題的圖像分割方法及裝置。

第一方面，本發明提供一種圖像分割方法，包括：

獲取相同的第一待處理圖像和第二待處理圖像；所述第一待處理圖像和第二待處理圖像包括至少一個第一區域和一個第二區域，所述至少一個第一區域中包括至少一個待分割的目標區域；

對所述第一待處理圖像進行預處理，獲取消除噪音和銳化后的圖像；

將預處理后的圖像轉化為梯度圖像；

獲取所述梯度圖像上各個第一區域上的標記點集合以及所述梯度圖像上的像素點的坐標值和像素點的灰度值；

根據各個標記點集合、所述梯度圖像的像素點的坐標值、所述梯度圖像的像素點的灰度值、預先構建的前景灰度直方圖和預先構建的背景灰度直方圖，確定待分割的目標區域的輪廓線上各個像素點的坐標值；

根據所述待分割的目標區域的輪廓線上各個像素點的坐標值，在所述第二待處理圖像上將除所述待分割的目標區域外的區域的顏色設置為與所述待分割的目標區域不同的顏色，以實現對所述待分割的目標區域的分割。

優選的，所述根據各個標記點集合、所述梯度圖像的像素點的坐標值、所述梯度圖像的像素點的灰度值、預先構建的前景灰度直方圖和預先構建的背景灰度直方圖，確定待分割的目標區域的輪廓線上各個像素點的坐標值，包括：

根據各個標記點集合、所述梯度圖像的像素點的坐標值和所述梯度圖像的像素點的灰度值，獲取各個所述第一區域的輪廓線上的各個像素點的坐標值和各個所述第一區域的輪廓線上的各個像素點的灰度值；

根據所述各個所述第一區域的輪廓線上的各個像素點的坐標值、所述梯度圖像的像素點的坐標值和所述梯度圖像的像素點的灰度值，獲取各個區域的像素點的灰度值；所述各個區域包括所有第一區域和第二區域；

根據所述各個區域的像素點的灰度值、預先構建的前景灰度直方圖和預先構建的背景灰度直方圖，確定待分割的目標區域的輪廓線上各個像素點的坐標值。

優選的，所述根據各個標記點集合、所述梯度圖像的像素點的坐標值和所述梯度圖像的像素點的灰度值，獲取各個所述第一區域的輪廓線上的各個像素點的坐標值和各個所述第一區域的輪廓線上的各個像素點的灰度值，包括：

獲取各個所述標記點集合覆蓋的梯度圖像上的像素點的灰度值；

以各個所述標記點集合覆蓋的梯度圖像上的像素點的的最大灰度值和最小灰度值分別為閾值，將所述梯度圖像轉化為二值圖像；

根據所述二值圖像，獲取各個所述第一區域的輪廓線上的各個像素點的坐標值和各個所述第一區域的輪廓線上的各個像素點的灰度值。

優選的，所述根據所述各個所述第一區域的輪廓線上的各個像素點的坐標值、所述梯度圖像的像素點的坐標值和所述梯度圖像的像素點的灰度值，獲取各個區域的像素點的灰度值，包括：

根據所述各個所述第一區域的輪廓線上的各個像素點的坐標值、所述梯度圖像的像素點的坐標值和梯度圖像的像素點的灰度值，采用分水嶺算法獲取各個區域的像素點的灰度值。

優選的，所述根據所述各個區域的像素點的灰度值、預先構建的前景灰度直方圖和預先構建的背景灰度直方圖，確定待分割的目標區域的輪廓線上各個像素點的坐標值，包括：

根據所述各個區域的像素點的灰度值，計算各個區域的灰度均值；

根據所述各個區域的灰度均值、預先構建的前景灰度直方圖和預先構建的背景灰度直方圖，計算各個區域屬于前景的概率和屬于背景的概率；

根據所述各個區域的灰度均值，計算所述各個區域中任意兩個區域之間的歐式距離；

根據所述各個區域的灰度均值、各個區域屬于前景的概率、各個區域屬于背景的概率和所述各個區域中任意兩個區域之間的歐式距離，計算能量值；

根據所述能量值，確定待分割的目標區域的輪廓線上各個像素點的坐標值。

優選的，所述根據各個標記點集合、所述梯度圖像的像素點的坐標值和所述梯度圖像的像素點的灰度值，獲取各個所述第一區域的輪廓線上的各個像素點的坐標值和各個所述第一區域的輪廓線上的各個像素點的灰度值之后，所述根據所述各個所述第一區域的輪廓線上的各個像素點的坐標值、所述梯度圖像的像素點的坐標值和所述梯度圖像的像素點的灰度值，獲取各個區域的像素點的灰度值之前，所述方法還包括：

根據所述各個所述第一區域的輪廓線上的各個像素點的坐標值和各個所述第一區域的輪廓線上的各個像素點的灰度值，生成所述各個第一區域的輪廓線并顯示。

第二方面，本發明還提供一種圖像分割裝置，包括：

第一獲取單元，用于獲取相同的第一待處理圖像和第二待處理圖像；所述第一待處理圖像和第二待處理圖像包括至少一個第一區域和一個第二區域，所述至少一個第一區域中包括至少一個待分割的目標區域；

第二獲取單元，用于對所述第一待處理圖像進行預處理，獲取消除噪音和銳化后的圖像；

轉化單元，用于將預處理后的圖像轉化為梯度圖像；

第三獲取單元，用于獲取所述梯度圖像上各個第一區域上的標記點集合以及所述梯度圖像上的像素點的坐標值和像素點的灰度值；

確定單元，用于根據各個標記點集合、所述梯度圖像的像素點的坐標值、所述梯度圖像的像素點的灰度值、預先構建的前景灰度直方圖和預先構建的背景灰度直方圖，確定待分割的目標區域的輪廓線上各個像素點的坐標值；

設置單元，用于根據所述待分割的目標區域的輪廓線上各個像素點的坐標值，在所述第二待處理圖像上將除所述待分割的目標區域外的區域的顏色設置為與所述待分割的目標區域不同的顏色，以實現對所述待分割的目標區域的分割。

優選的，所述確定單元，還用于：

根據各個標記點集合、所述梯度圖像的像素點的坐標值和所述梯度圖像的像素點的灰度值，獲取各個所述第一區域的輪廓線上的各個像素點的坐標值和各個所述第一區域的輪廓線上的各個像素點的灰度值；

根據所述各個所述第一區域的輪廓線上的各個像素點的坐標值、所述梯度圖像的像素點的坐標值和所述梯度圖像的像素點的灰度值，獲取各個區域的像素點的灰度值；所述各個區域包括所有第一區域和第二區域；

根據所述各個區域的像素點的灰度值、預先構建的前景灰度直方圖和預先構建的背景灰度直方圖，確定待分割的目標區域的輪廓線上各個像素點的坐標值。

優選的，所述確定單元，還用于：

獲取各個所述標記點集合覆蓋的梯度圖像上的像素點的灰度值；

以各個所述標記點集合覆蓋的梯度圖像上的像素點的的最大灰度值和最小灰度值分別為閾值，將所述梯度圖像轉化為二值圖像；

根據所述二值圖像，獲取各個所述第一區域的輪廓線上的各個像素點的坐標值和各個所述第一區域的輪廓線上的各個像素點的灰度值。

優選的，所述確定單元，還用于：

根據所述各個所述第一區域的輪廓線上的各個像素點的坐標值、所述梯度圖像的像素點的坐標值和梯度圖像的像素點的灰度值，采用分水嶺算法獲取各個區域的像素點的灰度值。

由上述技術方案可知，本發明通過對原始圖像進行預處理，獲得消除噪音和目標增強后的圖像；通過人工劃定分各區域，準確獲得了完整待分割區域圖像；通過基于改進GraphCut圖割方法，最終實現特定目標的分割。達到了快速且準確的分割目的，為基于圖像處理技術的生豬特征提取、識別等工作奠定了基礎，且節省了大量時間和人力物力。

附圖說明

圖1為本發明一實施例提供的圖像分割方法的流程圖；

圖2為本發明一實施例提供的圖像分割裝置的原理框圖。

具體實施方式

下面結合附圖和實施例，對本發明的具體實施方式作進一步詳細描述。以下實施例用于說明本發明，但不用來限制本發明的范圍。

圖1為本發明一實施例提供的一種圖像分割方法的流程圖。

如圖1所示的一種圖像分割方法，包括：

S101、獲取相同的第一待處理圖像和第二待處理圖像；所述第一待處理圖像和第二待處理圖像包括至少一個第一區域和一個第二區域，所述至少一個第一區域中包括至少一個待分割的目標區域；

可以理解的是，獲取相同的第一待處理圖像和第二待處理圖像可為拍攝一張彩色圖像，然后對其復制，則出現兩張相同的圖像，即為相同的第一待處理圖像和第二待處理圖像。

例如，第一待處理圖像和第二待處理圖像為柵欄中的三頭豬，則所述三頭豬所處的區域為三個第一區域，除了三頭豬外的區域為第二區域。

S102、對所述第一待處理圖像進行預處理，獲取消除噪音和銳化后的圖像；

在本步驟中，所述預處理包括圖像降噪和圖像增強。

所述圖像降噪，利用下述說明消除噪音。

為了消除噪音和灰度微小變化所產生的過度分割，采用高斯濾波將低頻能量濾去，起到圖像平滑的作用。二維高斯函數為：

其中，x為第一待處理圖像中一像素點的橫坐標值，y為第一待處理圖像中一像素點的縱坐標值，G(x,y)為坐標值為(x，y)的像素點的權重，給定參數σ計算權重矩陣，從而對RGB三個通道分別做高斯模糊，即可得到高斯模糊后的圖像。

所述圖像增強，利用下述說明銳化圖像。

圖像銳化處理的作用是使顏色反差增強，從而使模糊圖像變得更加清晰。本發明選擇拉普拉斯算子對圖像進行銳化，在RGB彩色系統中，拉普拉斯變換為：

▽²f＝[f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)]-4f(x,y)

其中f(x,y)為坐標值為(x,y)的像素點的灰度值，f(x+1,y)為坐標值為(x+1,y)的像素點的灰度值，f(x-1,y)為坐標值為(x-1,y)的像素點的灰度值，f(x,y+1)為坐標值為(x,y+1)的像素點的灰度值，f(x,y-1)為坐標值為(x,y-1)的像素點的灰度值，▽²R(x,y)，▽²G(x,y)，▽²B(x,y)表示分別對RGB三個通道分別做拉普拉斯變換，即可得到銳化處理后的圖像。這種簡單的銳化方法既可以產生拉普拉斯銳化處理的效果，同時又能保留背景信息，最終結果是在保留圖像背景的前提下，突現出圖像中小的細節信息。

S103、將預處理后的圖像轉化為梯度圖像；

S104、獲取所述梯度圖像上各個第一區域上的標記點集合以及所述梯度圖像的像素點的坐標值和像素點的灰度值；

在本步驟中，手動在第一待處理圖像的各個第一區域上添加標記線，如直線，每條標記線的所有點構成一個標記點集合。該步驟相當于人工劃分出各區域。

S105、根據各個標記點集合、所述梯度圖像的像素點的坐標值、所述梯度圖像的像素點的灰度值、預先構建的前景灰度直方圖和預先構建的背景灰度直方圖，確定待分割的目標區域的輪廓線上各個像素點的坐標值；

S106、根據所述待分割的目標區域的輪廓線上各個像素點的坐標值，在所述第二待處理圖像上將除所述待分割的目標區域外的區域的顏色設置為不同的顏色，以實現對所述待分割的目標區域的分割。

可以理解的是，一般將第一待處理圖像中除所述待分割的目標區域外的區域的顏色設置為黑色，而待分割的目標區域顏色仍為彩色，以此方法實現對所述待分割的目標區域的分割。

本發明通過對原始圖像進行預處理，獲得消除噪音和目標增強后的圖像；通過人工劃定分各區域，準確獲得了完整待分割區域圖像；通過基于改進GraphCut圖割方法，最終實現特定目標區域的分割。達到了快速且準確的分割目的，為基于圖像處理技術的生豬特征提取、識別等工作奠定了基礎，且節省了大量時間和人力物力。

作為一種優選實施例，所述步驟S105，包括：

根據各個標記點集合、所述梯度圖像的像素點的坐標值和所述梯度圖像的像素點的灰度值，獲取各個所述第一區域的輪廓線上的各個像素點的坐標值和各個所述第一區域的輪廓線上的各個像素點的灰度值；

該步驟為確定各第一區域的輪廓線的步驟。

根據所述各個所述第一區域的輪廓線上的各個像素點的坐標值、所述梯度圖像的像素點的坐標值和所述梯度圖像的像素點的灰度值，獲取各個區域的像素點的灰度值；所述各個區域包括所有第一區域和第二區域；

優選的，根據所述各個所述第一區域的輪廓線上的各個像素點的坐標值、所述梯度圖像的像素點的坐標值和所述梯度圖像的像素點的灰度值，采用分水嶺算法獲取各個區域的像素點的灰度值。

該步驟為確定各個區域的步驟。

根據所述各個區域的像素點的灰度值、預先構建的前景灰度直方圖和預先構建的背景灰度直方圖，確定待分割的目標區域的輪廓線上各個像素點的坐標值。

作為一種優選實施例，所述根據各個標記點集合、所述梯度圖像的像素點的坐標值和所述梯度圖像的像素點的灰度值，獲取各個所述第一區域的輪廓線上的各個像素點的坐標值和各個所述第一區域的輪廓線上的各個像素點的灰度值，包括：

獲取各個所述標記點集合覆蓋的梯度圖像上的像素點的灰度值；

以各個所述標記點集合覆蓋的梯度圖像上的像素點的的最大灰度值和最小灰度值分別為閾值，將所述梯度圖像轉化為二值圖像；

值得說明的是，本步驟中是以每個標記點集合所覆蓋的梯度圖像上的像素點的最大灰度值和最小灰度值分別為閾值，將該標記點集合所對應的第一區域進行二值圖像的轉化。

根據所述二值圖像，獲取各個所述第一區域的輪廓線上的各個像素點的坐標值和各個所述第一區域的輪廓線上的各個像素點的灰度值。

作為一種優選實施例，所述根據各個標記點集合、所述梯度圖像的像素點的坐標值和所述梯度圖像的像素點的灰度值，獲取各個所述第一區域的輪廓線上的各個像素點的坐標值和各個所述第一區域的輪廓線上的各個像素點的灰度值之后，所述根據所述各個所述第一區域的輪廓線上的各個像素點的坐標值、所述梯度圖像的像素點的坐標值和所述梯度圖像的像素點的灰度值，獲取各個區域的像素點的灰度值之前，所述方法還包括：

根據所述各個所述第一區域的輪廓線上的各個像素點的坐標值和各個所述第一區域的輪廓線上的各個像素點的灰度值，生成所述各個第一區域的輪廓線并顯示。

本實施例可以在待處理圖像上顯示輪廓線，從而使用戶可以看到輪廓線。

下面詳細介紹尋找輪廓線的具體方法和在待處理圖像上畫出各條輪廓線的方法。

(1)通過二值化函數cvThreshold()將添加了標記線的待處理圖像轉化為二值圖像，其中轉化二值圖像的閾值是各個所述標記點集合覆蓋的待處理圖像上的像素點的灰度值。

利用輪廓檢測函數cvFindContours()實現從二值圖像中尋找輪廓：

cvFindContours(marker_mask,storage,&contours,sizeof(CvContour),CV_RETR_CCOMP,CV_CHAIN_APPROX_SIMPLE)；

其中：

marker_mask為是輸入的二值圖像；

&contours為輸出參數，用于存儲指向外接輪廓；

storage表示返回輪廓的容器；

sizeof(CvContour)為序列的尺寸；

CV_RETR_CCOMP表示檢索所有的輪廓；

CV_CHAIN_APPROX_SIMPLE表示壓縮水平、垂直和斜的輪廓部分，即函數只保留他們的終點部分。

利用輪廓繪制函數cvDrawContours()實現輪廓的繪制：

cvDrawContours(markers,contours,cvScalarAll(comp_count+1),cvScalarAll(comp_count+1),-1,-1,8,cvPoint(0,0))；

其中：

markers表示輸出圖像；

contours表示輸入的輪廓組，每一組輪廓由點vector構成；所述輪廓組包括所述各個所述第一區域的輪廓線上的各個像素點的坐標值和各個所述第一區域的輪廓線上的各個像素點的灰度值。

cvScalarAll為輪廓的顏色；

-1表示畫全部輪廓；

-1表示填充輪廓內部；

8表示線型；

cvPoint(0,0)為輪廓結構信息。

markers中存儲了圖像的大致輪廓，是每一個連通區域(即每個第一區域)的輪廓點的集合。markers相當于分水嶺算法watershed()運行時的種子參數，函數運行后，不屬于輪廓的點的值應置為0，如果像素不在輪廓種子生成的區域中，則置為-1。

(2)讀取markers每一點標記值

若標記為-1，表示各個部分的邊界，并顯示出來。否則將各區域塊顯示為各個不同顏色，以便用戶區分區域和邊界。

作為一種優選實施例，所述根據所述各個區域的像素點的灰度值、預先構建的前景灰度直方圖和預先構建的背景灰度直方圖，確定待分割的目標區域的輪廓線上各個像素點的坐標值，包括：

根據所述各個區域的像素點的灰度值，計算各個區域的灰度均值；

根據所述各個區域的灰度均值、預先構建的前景灰度直方圖和預先構建的背景灰度直方圖，計算各個區域屬于前景的概率和屬于背景的概率；

根據所述各個區域的灰度均值，計算所述各個區域中任意兩個區域之間的歐式距離；

根據所述各個區域的灰度均值、各個區域屬于前景的概率、各個區域屬于背景的概率和所述各個區域中任意兩個區域之間的歐式距離，計算能量值；

根據所述能量值，確定待分割的目標區域的輪廓線上各個像素點的坐標值。

下面詳細說明本實施例的具體實現方法。

將各區域的灰度均值為頂點，相鄰頂點建立邊，構建一個圖，再采用最大流最小割算法進行分割。如果一個割，它的邊的所有權值之和最小，那么這個就稱為最小割，也就是圖割的結果。

圖像的分割為L時，圖像的能量可以表示為：

E(L)＝αR(L)+B(L)

其中，R(L)為區域項，B(L)為邊界項，α為區域項和邊界項之間的重要因子，決定它們對能量的影響大小。E(L)表示損失函數，也叫能量函數，目標就是優化能量函數使其值達到最小。

(1)

其中，P1為所有頂點的集合，R_p(l_p)表示頂點p屬于前景或背景的概率，，從而計算R(L)：其中，l_p＝1，l_p＝0時的公式為：

R_p(1)＝-ln Pr(l_p|'obj')，R_p(0)＝-ln Pr(l_p|'bkg')

其中，R_p(1)為頂點p到前景的權值，Pr(l_p|'obj')為頂點p屬于前景的概率，R_p(0)為頂點p到背景的權值，Pr(l_p|'bkg')為頂點p屬于背景的概率。

如果全部的頂點都被正確劃分為目標或者背景，那么這時候能量就是最小的。

(2)

其中，p和q為相鄰頂點，N為所有相鄰頂點的集合，l_p為P頂點的標記值，l_q為q頂點的標記值，l_i(l_p和l_q)為0(背景)或者1(前景),I_p,I_q分別表示相鄰兩頂點的灰度均值，dist(p,q)表示兩頂點之間歐氏距離(歐式距離的算法可采用現有算法，在此不再詳述)，B_＜p,q＞表示相鄰頂點之間不連續懲罰。頂點之間差別越大，說明這兩個頂點屬于前景和背景的可能性越大，則被分開的可能性越大，B_＜p,q＞越小，即能量越小。

將各個頂點賦予不同的標記值，計算各個頂點為不同的標記值時的能量值，將能量值最小時各個頂點對應的標記值所代表的屬性確定為各個頂點的目標屬性，所述屬性即為屬于背景還是前景。

下面通過一個具體實施例說明本實施例。

如一副包括有依次相鄰的A、B兩頭豬的圖像，其中A、B兩頭豬所處的區域分別為A區域、B區域，除所述A、B兩頭豬外的區域為C區域；

設定標記值為1時代表前景，標記值為0時代表背景，設A區域對應頂點1、B區域對應頂點2、C區域對應頂點3，則所述3個頂點對應的標記值的八種可能性如下：

000，001，010，011，100，101,110，111

無論對應何種標記值，其區域項相同，不再詳述。

計算所述3個頂點對應上述八種標記值的情況時的邊界項，由于各個頂點的標記值不同，因此計算出的邊界項不同，最終計算出的能量值不同，將能量值最小時各個頂點對應的標記值所表示的屬性確定為每個頂點的目標屬性，若頂點1、頂點2和頂點3對應的標記值為010時的能量值最小，則認為頂點1、頂點2和頂點3分別屬于背景、前景和背景，則應將區域B分割出來，即將A區域和C區域的顏色設置為黑色。

圖2為本發明一實施例提供的圖像分割裝置的原理框圖。

如圖2所示的一種圖像分割裝置，包括：

第一獲取單元201，用于獲取相同的第一待處理圖像和第二待處理圖像；所述第一待處理圖像和第二待處理圖像包括至少一個第一區域和一個第二區域，所述至少一個第一區域中包括至少一個待分割的目標區域；

第二獲取單元202，用于對所述第一待處理圖像進行預處理，獲取消除噪音和銳化后的圖像；

轉化單元203，用于將預處理后的圖像轉化為梯度圖像；

第三獲取單元204，用于獲取所述梯度圖像上各個第一區域上的標記點集合以及所述梯度圖像上的像素點的坐標值和像素點的灰度值；

確定單元205，用于根據各個標記點集合、所述梯度圖像的像素點的坐標值、所述梯度圖像的像素點的灰度值、預先構建的前景灰度直方圖和預先構建的背景灰度直方圖，確定待分割的目標區域的輪廓線上各個像素點的坐標值；

設置單元206，用于根據所述待分割的目標區域的輪廓線上各個像素點的坐標值，在所述第二待處理圖像上將除所述待分割的目標區域外的區域的顏色設置為與所述待分割的目標區域不同的顏色，以實現對所述待分割的目標區域的分割。

作為一種優選實施例，所述確定單元205，還用于：

根據各個標記點集合、所述梯度圖像的像素點的坐標值和所述梯度圖像的像素點的灰度值，獲取各個所述第一區域的輪廓線上的各個像素點的坐標值和各個所述第一區域的輪廓線上的各個像素點的灰度值；

根據所述各個所述第一區域的輪廓線上的各個像素點的坐標值、所述梯度圖像的像素點的坐標值和所述梯度圖像的像素點的灰度值，獲取各個區域的像素點的灰度值；所述各個區域包括所有第一區域和第二區域；

根據所述各個區域的像素點的灰度值、預先構建的前景灰度直方圖和預先構建的背景灰度直方圖，確定待分割的目標區域的輪廓線上各個像素點的坐標值。

作為一種優選實施例，所述確定單元205，還用于：

獲取各個所述標記點集合覆蓋的梯度圖像上的像素點的灰度值；

以各個所述標記點集合覆蓋的梯度圖像上的像素點的的最大灰度值和最小灰度值分別為閾值，將所述梯度圖像轉化為二值圖像；

根據所述二值圖像，獲取各個所述第一區域的輪廓線上的各個像素點的坐標值和各個所述第一區域的輪廓線上的各個像素點的灰度值。

作為一種優選實施例，所述確定單元205，還用于：

獲取各個所述標記點集合覆蓋的梯度圖像上的像素點的灰度值；

以各個所述標記點集合覆蓋的梯度圖像上的像素點的的最大灰度值和最小灰度值分別為閾值，將所述梯度圖像轉化為二值圖像；

根據所述二值圖像，獲取各個所述第一區域的輪廓線上的各個像素點的坐標值和各個所述第一區域的輪廓線上的各個像素點的灰度值。

由于本發明的一種圖像分割裝置和一種圖像分割方法是一一對應的，因此對一種圖像分割裝置不再詳述。

本領域普通技術人員可以理解：以上各實施例僅用以說明本發明的技術方案，而非對其限制；盡管參照前述各實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分或者全部技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發明權利要求所限定的范圍。