CN101814183A - 用于图像分割的方法及系统 - Google Patents
用于图像分割的方法及系统 Download PDFInfo
- Publication number
- CN101814183A CN101814183A CN201010033862A CN201010033862A CN101814183A CN 101814183 A CN101814183 A CN 101814183A CN 201010033862 A CN201010033862 A CN 201010033862A CN 201010033862 A CN201010033862 A CN 201010033862A CN 101814183 A CN101814183 A CN 101814183A
- Authority
- CN
- China
- Prior art keywords
- image
- igm
- module
- segmentation result
- image segmentation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003709 image segmentation Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000011218 segmentation Effects 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 39
- 238000000605 extraction Methods 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 10
- 230000005366 Ising model Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 238000005192 partition Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 206010038743 Restlessness Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出一种用于图像分割的方法和系统,其中,该方法包括以下步骤:将图像看作块组合,建立图像块的初始IGM;对所述初始IGM进行求解,得到初始图像分割结果;提取所述初始图像分割结果中的前景图像块,建立所述前景图像块IGM,并对所述前景图像块IGM进行求解,得到进一步的图像分割结果;重复上述步骤,以对所述图像分割结果进一步分割直到获得所需的图像分割结果。本发明通过建立和求解图像的IGM模型对图像进行分割,并通过迭代的方法细化分割,使得图像分割的效果更加优良,鲁棒性更好。
Description
技术领域
本发明涉及计算机视觉技术领域,特别涉及一种图像分割方法及系统。
背景技术
在图像处理技术中,图像分割是一个非常困难的问题。这是因为,对于图像分割的问题,分割的结果是存在的,但不能保证分割的结果是唯一的,并且不能保证分割的结果与图像正相关变化。因此,没有任何一种分割算法能够说明其分割效果的好坏,以及算法自身的鲁棒性。
现有的图像分割方法主要包括:基于阈值的图像分割方法、区域生长的图像分割方法、边缘特征的图像分割方法、神经网络的图像分割方法、基于贝叶斯网络的图像分割方法等。
在现有的基于贝叶斯网络的图像分割方法中,仅仅对图像的单像素、或者单像素邻域构成的四像素或八像素的颜色、梯度等图像特征进行预处理得到向量,在此基础上,建立起向量的马尔可夫随机场,利用相关算法进行贝叶斯判决,得到分割结果。这种做法对于背景结构复杂的图像的分割效果很差。
针对上述问题,已有的一种改进方法是:首先使用低通滤波器对待分割的图像进行平滑、滤波处理后,然后再使用上述的贝叶斯方法进行图像分割。这种做法的缺陷是,低通滤波器的上限截止频率无法自适应,并且得到的分割效果也不能够满足要求,尤其是当背景噪声与待分割出来的图像特征非常相似时,分割效果更差。
因此,需要一种方法解决上述问题。
发明内容
本发明的目的旨在解决上述技术问题之一,特别是解决基于贝叶斯网络的图像分割方法对于背景结构复杂的图像的分割效果差的问题。
为了实现上述目的,本发明一方面提出一种用于图像分割的方法,包括以下步骤:建立所述图像的初始伊辛高斯模型(Ising Gaussian Model,IGM);对所述初始IGM进行求解,得到初始图像分割结果;提取所述初始图像分割结果中的前景图像块,建立前景图像块IGM,并对所述前景图像块IGM进行求解,得到进一步的图像分割结果。
作为本发明的一个实施例,所述用于图像分割的方法进一步包括:重复上述细化步骤,以对所述图像分割结果进一步分割直到获得所需的图像分割结果。
作为本发明的一个实施例,所述建立图像的初始IGM进一步包括:将所述图像分成多个图像块;提取每个图像块的特征向量,其中,图像块的特征向量为九维特征向量,包括图像块的颜色均值、颜色方差和颜色熵,且所述图像块的颜色均值、颜色方差和颜色熵均有红、绿、蓝三个通道;根据所述每个图像块的特征向量之间的对应关系建立所述初始IGM。
作为本发明的一个实施例,所述根据所述每个图像块的特征向量之间的对应关系建立所述IGM时,图像块之间的关系设定为符合伊辛模型,且同一类别的图像块的特征向量设定为服从高斯分布。
本发明另一方面还提出一种用于图像分割的系统,包括模型建立模块、计算模块和提取模块。所述模型建立模块用于建立图像的IGM;所述计算模块,用于对所述IGM进行求解得到图像分割结果;所述提取模块用于从所述图像分割结果中提取出前景图像块。其中,所述提取模块提取出前景图像块后,将所述前景图像块发送至所述模型建立模块,建立所述前景图像块的IGM,然后所述模型建立模块将所述前景图像块的IGM发送至所述计算模块进行求解,得到所述前景图像块的进一步分割结果。
作为本发明的一个实施例,所述用于图像分割的系统进一步包括迭代判定模块,所述迭代判定模块用于判定所述计算模块得到的图像分割结果是否为所需的图像分割结果。
作为本发明的一个实施例,所述模型建立模块进一步包括图像分块模块、特征向量提取模型和建立模块。所述图像分块模块用于将所述图像分成多个图像块;所述特征向量提取模块用于提取每个图像块的特征向量;所述建立模块用于根据所述每个图像块的特征向量之间的对应关系建立所述IGM。
作为本发明的一个实施例,所述计算模块包括初始化模块和结果求取模块。所述初始化模块用于初始化所述IGM;所述结果求取模块用于在所述初始化之后,使用变分的EM算法对所述IGM进行求解,得到图像分割结果。
本发明通过建立和求解图像的IGM模型对图像进行分割,并通过迭代的方法细化分割,使得图像分割的效果更加明显,鲁棒性更好。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例的用于图像分割的方法的流程图;以及
图2为本发明实施例的用于图像分割的系统的结构图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明主要在于建立图像的IGM,在此框架下,利用多重网格的思想,迭代求解,获得精细的图像分割结果,与传统的直接对原图像进行低通滤波、平滑处理相比,使用本发明的图像分割方法的图像分割效果更加明显,鲁棒性更好。本发明不仅可应用于图像分割,还可应用于人工智能的物体识别。
如图1所示,为本发明实施例的用于图像分割的方法的流程图,包括以下步骤:
步骤S101,建立图像的初始IGM。
对于建立图像的初始IGM,本发明提出如下的模型建立方案,当然本领域普通技术人员还能够根据下述方案提出其他修改或变化,例如改变图像块的特征向量等,这些修改或变化均应包含在本发明的包含范围之内。
首先,将图像分成n=M×N个图像块。
M和N可取较小的值,保证分成的图像块比较大,例如,M=10,N=10。这样,一幅图像就等同于这些图像块x1,x2,....,xn的集合。
然后,提取n个图像块的特征向量。
在本发明中,每个图像块xi使用九维的特征向量表示,包括:图像块的颜色均值、颜色方差以及颜色熵,且颜色均值、颜色方差和颜色熵都有红、绿、蓝三个通道。其中,颜色熵可以用如下的公式表示:
其中,pi是对图像分块的颜色进行统计后,归一化得到的概率值。
应理解,特征向量不一定只是9维向量,本领域普通技术人员可以根据实际情况扩展特征向量的维度,也就是说,任何形式的可以表征该图像块的数据降维向量都是允许的,例如,使用主成分PCA分析,使用奇异值分解SVD等。
最后,根据每个图像块的特征向量之间的关系,建立初始IGM。
如果用隐变量z1,z2,....,zn表示它们各自对应的图像块x1,x2,....,xn是前景还是背景,则图像的分割问题就转变成一系列概率的计算问题,也就是判断p(zi=前景|xi)与p(zi=背景|xi)的大小,如果p(zi=前景|xi)的值大于p(zi=背景|xi)的值,则图像块xi为前景图像块,否则为背景图像块。
进一步,如果用Z=(z1,z2,....,zn),X=(x1,x2,....,xn)分别表示图像的分割结果与原始数据,则图像分割的问题就是需要求解:
其中,k=1表示图像块为背景图像块,k=-1表示图像块为前景图像块,
其中,ki=±1。
应注意到,图像块的隐变量是相互关联的,也就是说,如果一个隐变量zi的周围都是前景,则该隐变量zi为前景的可能性就会非常大。这种现象可以用如下的伊辛模型表示:
还应注意到,属于同一类别的图像块之间是有差异的,这种差异可以用概率的特性来表征,在本发明中,假定它们服从高斯分布。也就是说,属于背景的图像块的特征向量服从高斯分布,属于前景的图像块的特征向量也服从高斯分布。
根据上述图像块的特征向量之间的关系可知,
也就是说,IGM中求解Z的公式应当为:
其中,μk表示隐变量对应的图像块特征向量构成的高斯分布的均值,∑k表示隐变量对应的图像块特征向量构成的高斯分布的协方差矩阵。
步骤S102,对图像的初始IGM进行求解,得到初始图像分割结果。
由于不知道β,μk,∑k的具体数值,因此,公式(6)依然无法直接求解。在本发明中,为了计算得到Z值,采用变分的期望最大(expectationmaximization,EM)算法进行求解。当然本领域技术人员还可采用其他算法进行求解,这些修改或变化均应包含在本发明的包含范围之内。
根据EM算法,可得:
对公式(9)经过一系列的数学变形处理之后,可得如下的公式(10),此处为了简单起见,不详细描述具体的计算过程,
则,根据公式(7)和(10)可以得到:
根据公式(12)~(17)可以计算得到Z值。首先,给定初始参数β、μk和∑k,其中,β的初始值一般设定为0.01~0.2,并初始化Z=-1;接着,根据公式(12)和(13)计算出γi(k);然后,根据公式(13)~(16)计算出β、μk和∑k;最后根据公式(17)更新zi。不断重复上述步骤,直至收敛。
步骤S103,从初始图像分割结果中提取出前景图像块,建立前景图像块IGM并进行求解,得到进一步的分割结果。
本发明中使用多重网格的思想对分割结果进行优化,即提取出分割结果中的前景图像块,将这些图像块继续细分为m×s个小块,得到更细的网络,在细化后的网格上重新建立IGM并进行求解,得到更细的分割结果,其中,m和s的大小决定了分割的快慢。前景图像块IGM的建立与求解过程与步骤S101和S102中初始IGM的建立与求解过程相同,此处为了简单起见,不再详细描述。
步骤S104,重复步骤S103,直至得到符合要求的分割结果。
例如,对于1000×1000的图像,重复5次就可以得到满意的分割结果。
为了实施上述实施例,本发明还提出一种用于图像分割的系统,如图2中所示。图2显示了本发明实施例的用于图像分割的系统的结构图,该系统包括模型建立模块100、计算模块200和提取模块300。模型建立模块100用于建立图像的IGM;计算模块200用于对IGM进行求解得到图像分割结果。提取模块300用于从图像分割结果中提取出前景图像块。提取模块300提取出前景图像块后,将前景图像块发送至模型建立模块100,建立前景图像块的IGM,然后模型建立模块100将前景图像块的IGM发送至计算模块200进行求解,得到前景图像块的进一步分割结果。
该系统还包括迭代判定模块400(图2中未显示)。迭代判定模块400用于判定计算模块200得到的图像分割结果是否为所需的图像分割结果。
其中,模型建立模块100包括图像分块模块110、特征向量提取模块120和建立模块130。图像分块模块110用于将图像分成若干个图像块;特征向量提取模块120用于提取每个图像块的特征向量;建立模块用于根据每个图像块的特征向量之间的关系,建立IGM。
其中,计算模块200包括初始化模块210和结果求取模块220。初始化模块210用于对IGM模型进行初始化;结果求取模块220用于在初始化之后,使用变分的EM算法对IGM进行求解,得到图像的分割结果。
本发明通过建立和求解图像的IGM模型对图像进行分割,并通过迭代的方法细化分割,使得图像分割的效果更加明显,鲁棒性更好。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块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。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (11)
1.一种用于图像分割的方法,包括以下步骤:
A.对所述图像建立初始伊辛高斯模型IGM;
B.对所述初始IGM进行求解,得到初始图像分割结果;
C.从所述初始图像分割结果中提取出前景图像块,建立前景图像块IGM,并对所述前景图像块IGM进行求解,得到进一步的图像分割结果。
2.根据权利要求1所述的方法,进一步包括:
重复步骤C,以对所述图像分割结果进一步分割直到获得所需的图像分割结果。
3.根据权利要求1所述的方法,其特征在于,所述步骤A进一步包括:
A1.将所述图像分成多个图像块;
A2.提取每个图像块的特征向量;以及
A3.根据所述每个图像块的特征向量之间的对应关系建立所述初始IGM。
4.根据权利要求3所述的方法,其特征在于,所述图像块的特征向量为九维特征向量,包括:图像块的颜色均值、颜色方差和颜色熵,且所述图像块的颜色均值、颜色方差和颜色熵均有红、绿、蓝三个通道。
5.根据权利要求3所述的方法,其特征在于,在步骤A3中,图像块之间的关系设定为符合伊辛模型,且同一类别的图像块的特征向量设定为服从高斯分布。
6.根据权利要求1所述的方法,其特征在于,所述步骤B进一步包括:
初始化所述初始IGM;
在所述初始化之后,使用变分的期望最大EM算法对所述初始IGM进行求解,得到所述初始图像分割结果。
7.一种用于图像分割的系统,包括:
模型建立模块,用于建立图像的IGM;
计算模块,用于对所述IGM进行求解,得到图像分割结果;和
提取模块,用于从所述图像分割结果中提取出前景图像块;
其中,所述提取模块提取出前景图像块后,将所述前景图像块发送至所述模型建立模块,建立前景图像块IGM,然后所述模型建立模块将所述前景图像块IGM发送至所述计算模块进行求解,得到所述前景图像块的进一步分割结果。
8.根据权利要求7所述的系统,进一步包括:
迭代判定模块,用于判定所述计算模块获得的图像分割结果是否为所需的图像分割结果。
9.根据权利要求7所述的系统,其特征在于,所述模型建立模块,进一步包括:
图像分块模块,用于将所述图像分成多个图像块;
特征向量提取模块,用于提取每个图像块的特征向量;以及
建立模块,用于根据每个图像块的特征向量之间的对应关系建立所述IGM。
10.根据权利要求9所述的系统,其特征在于,所述图像块的特征向量为九维特征向量,包括:图像块的颜色均值、颜色方差和颜色熵,且所述图像块的颜色均值、颜色方差和颜色熵均有红、绿、蓝三个通道。
11.根据权利要求7所述的系统,其特征在于,所述计算模块包括初始化模块和结果求取模块,
所述初始化模块,用于初始化所述IGM;以及
所述结果求取模块,用于在所述初始化之后,使用变分的EM算法对所述IGM进行求解,得到图像分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010100338626A CN101814183B (zh) | 2010-01-08 | 2010-01-08 | 用于图像分割的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010100338626A CN101814183B (zh) | 2010-01-08 | 2010-01-08 | 用于图像分割的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101814183A true CN101814183A (zh) | 2010-08-25 |
CN101814183B CN101814183B (zh) | 2012-03-28 |
Family
ID=42621430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010100338626A Expired - Fee Related CN101814183B (zh) | 2010-01-08 | 2010-01-08 | 用于图像分割的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101814183B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732509A (zh) * | 2013-12-18 | 2015-06-24 | 北京三星通信技术研究有限公司 | 自适应图像分割方法和设备 |
CN107710228A (zh) * | 2015-07-21 | 2018-02-16 | 索尼公司 | 半自动图像分割 |
CN109064686A (zh) * | 2018-08-17 | 2018-12-21 | 浙江捷尚视觉科技股份有限公司 | 一种基于人体分割的atm尾随检测方法 |
CN109242859A (zh) * | 2018-08-07 | 2019-01-18 | 河海大学 | 基于多层感知器的遥感影像分割方法 |
CN109801295A (zh) * | 2018-12-26 | 2019-05-24 | 西安电子科技大学 | 基于二次限制区域生长法的图像分割方法 |
CN117934689A (zh) * | 2024-03-25 | 2024-04-26 | 四川省医学科学院·四川省人民医院 | 一种骨折ct影像的多组织分割与三维渲染方法 |
-
2010
- 2010-01-08 CN CN2010100338626A patent/CN101814183B/zh not_active Expired - Fee Related
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732509A (zh) * | 2013-12-18 | 2015-06-24 | 北京三星通信技术研究有限公司 | 自适应图像分割方法和设备 |
CN107710228A (zh) * | 2015-07-21 | 2018-02-16 | 索尼公司 | 半自动图像分割 |
CN107710228B (zh) * | 2015-07-21 | 2021-11-12 | 索尼公司 | 半自动图像分割 |
CN109242859A (zh) * | 2018-08-07 | 2019-01-18 | 河海大学 | 基于多层感知器的遥感影像分割方法 |
CN109064686A (zh) * | 2018-08-17 | 2018-12-21 | 浙江捷尚视觉科技股份有限公司 | 一种基于人体分割的atm尾随检测方法 |
CN109801295A (zh) * | 2018-12-26 | 2019-05-24 | 西安电子科技大学 | 基于二次限制区域生长法的图像分割方法 |
CN109801295B (zh) * | 2018-12-26 | 2021-06-08 | 西安电子科技大学 | 基于二次限制区域生长法的图像分割方法 |
CN117934689A (zh) * | 2024-03-25 | 2024-04-26 | 四川省医学科学院·四川省人民医院 | 一种骨折ct影像的多组织分割与三维渲染方法 |
CN117934689B (zh) * | 2024-03-25 | 2024-06-11 | 四川省医学科学院·四川省人民医院 | 一种骨折ct影像的多组织分割与三维渲染方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101814183B (zh) | 2012-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101814183B (zh) | 用于图像分割的方法及系统 | |
CN109145713B (zh) | 一种结合目标检测的小目标语义分割方法 | |
CN102903110B (zh) | 对具有深度图像信息的图像的分割方法 | |
CN110088805B (zh) | 用于检测和分割多个前景对象的方法 | |
US20150326845A1 (en) | Depth value restoration method and system | |
CN109448015B (zh) | 基于显著图融合的图像协同分割方法 | |
CN103745468B (zh) | 一种基于图结构和边界先验的显著性物体检测方法 | |
US7873214B2 (en) | Unsupervised color image segmentation by dynamic color gradient thresholding | |
CN105405136A (zh) | 一种基于粒子群算法的自适应脊柱ct图像分割方法 | |
CN105787948A (zh) | 一种基于多变形分辨率的快速图像分割方法 | |
CN106780450A (zh) | 一种基于低秩多尺度融合的图像显著性检测方法 | |
Olsson et al. | Solving large scale binary quadratic problems: Spectral methods vs. semidefinite programming | |
CN104732509A (zh) | 自适应图像分割方法和设备 | |
CN112990316A (zh) | 基于多显著性特征融合的高光谱遥感图像分类方法及系统 | |
CN103020953A (zh) | 一种指纹图像的分割方法 | |
CN110084136A (zh) | 基于超像素crf模型的上下文优化室内场景语义标注方法 | |
CN104077771B (zh) | 一种加权法实现空间限制的混合模型图像分割方法 | |
Kumar et al. | Automatic image segmentation using wavelets | |
CN104794726B (zh) | 一种水下图像并行分割方法及装置 | |
Hua et al. | Polarimetric SAR image classification based on ensemble dual-branch CNN and superpixel algorithm | |
CN106846321B (zh) | 一种基于贝叶斯概率与神经网络的图像分割方法 | |
CN114782688A (zh) | 一种基于张量子空间聚类的自然图像分割方法和系统 | |
CN103714517A (zh) | 视频去雨方法 | |
Pan et al. | A deep learning based fast image saliency detection algorithm | |
Li et al. | A Student's t‐based density peaks clustering with superpixel segmentation (tDPCSS) method for image color clustering |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120328 Termination date: 20190108 |
|
CF01 | Termination of patent right due to non-payment of annual fee |