CN102368331B - 一种集成边缘信息的图像多尺度分割方法 - Google Patents
一种集成边缘信息的图像多尺度分割方法 Download PDFInfo
- Publication number
- CN102368331B CN102368331B CN201110336632.1A CN201110336632A CN102368331B CN 102368331 B CN102368331 B CN 102368331B CN 201110336632 A CN201110336632 A CN 201110336632A CN 102368331 B CN102368331 B CN 102368331B
- Authority
- CN
- China
- Prior art keywords
- spot
- image
- scale
- edge
- merging
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种集成边缘信息的图像多尺度分割方法。包括如下步骤:获取单色、彩色或多波段的图像数据;获取上述图像数据的边缘强度数据;并设定上述图像数据的一个或多个图层为待分割图像集;设定边缘约束条件、分割方法和尺度增长方式,并以连续增长的尺度系数分割图像;在一尺度系数下进行图像多尺度分割,在任一图斑合并前,计算合并后图斑内的统计边缘强度,当统计边缘强度大于边缘约束条件时,不执行合并过程;变更尺度系数,继续执行多尺度分割;重复前一步骤至尺度增长过程完成,形成一个以图像边缘强度为约束条件的多尺度图像分割结果。本发明不仅能解决了图像分割中的边缘缺失问题,而且给出了图像多尺度分割中的一种尺度选择方式。
Description
技术领域
本发明涉及到一种图像分割方法,尤其涉及一种集成图像边缘信息的图像多尺度分割方法,如所希望那样利用图像中的边缘信息作为约束条件限制图像多尺度分割过程,避免人为随意性的尺度选择并进行有效地图像多尺度分割方法。
背景技术
图像分割是图像处理的一种重要算法。应用图像分割技术从图像中构成图斑,主要的图像分割技术有两种,一种以边缘检测为基础,通过边缘跟踪,形成的封闭曲线构成小图斑;另一种以区域生长为基础,依据特定的判别函数将相近的像元归并为图斑。
边缘检测主要是图像的灰度变化的度量、监测和定位,其实质就是提取图像中不连续部分的特征。边缘检测的结果是图像分割技术所依赖的重要特征,因此边缘检测是图像分割领域的一部分。常用的边缘检测方法包括梯度算子、Laplacian-Gauss算子、Canny算子、log滤波算子、Sobel算子、Robert算子、等边缘检测方法。当利用边缘信息分割图像时,需要解决边缘提取过程中常见的边缘缺失问题。
基于区域的分割方法,其原理是按照选定的一致性准则,将图像划分为互不交迭的区域集的过程。遥感图像处理中应用的多尺度分割算法,其一致性准则也称为分割尺度,一个分割尺度对应遥感图像的一种分割,不同的分割尺度形成图像树状结构的对象表达。就图像中的一个像元而言,在不同尺度的分割中,属于不同的图斑对象,形成一个图斑系列。在实际地物和影像中的图斑之间建立对应关系,就存在一个尺度问题。自然界及人工对象都有其适合自身的内在尺度,而且尺度的大小不一。多尺度分析方法将多尺度分割结果用于图像分类,而国内外对分割尺度的选择缺少一个量化标准。因而,需要在图像分割过程中确定哪一个分割图斑是合理的,是具有符合地物内在尺度的图斑,这正是利用图像对象空间信息的关键。
发明内容
本发明的目的是克服现有技术的不足,提供一种利用图像中边缘信息的图像多尺度分割方法。
本发明的目的是通过以下技术方案来实现的:一种集成边缘信息的图像多尺度分割方法,包括如下步骤:
(1)获取单色、彩色或多波段的图像数据;
(2)获取步骤1得到的单色、彩色或多波段图像数据的边缘强度数据;
(3)设定单色、彩色或多波段图像数据的一个或多个图层为待分割图像集;
(4)设定边缘约束条件,边缘约束条件由图像的边缘强度数据计算得到;
(5)设定分割方法和尺度增长方式,并以连续增长的尺度系数分割图像;
(6)在一尺度系数下进行图像多尺度分割,在任一图斑合并前,计算合并后图斑内的统计边缘强度,当统计边缘强度大于边缘约束条件时,不执行合并过程;反之,执行图斑合并过程。
(7)在一尺度系数下的多尺度分割完成后,以此结果为基础,变更尺度系数,继续执行前一操作;
(8)重复前一步骤至尺度增长过程完成,上述过程形成一个以图像边缘强度为约束条件的多尺度图像分割结果。
进一步地,所述步骤(6)和(7)中,在多尺度分割过程中,图斑合并需要同时满足多尺度分割方法中的图斑合并条件以及图像的边缘强度约束条件。在执行图斑合并之前需要计算合并后图斑内部的边缘点数量,当合并后图斑内部的边缘点数量大于用户设定的阈值时,不执行图斑合并过程。
本发明的有益效果是,本发明在集成了基于边缘检测图像分割方法和基于区域生长图像分割方法的优点,不仅能解决了基于边缘连接的图像分割中的边缘缺失问题,而且同时给出了图像多尺度分割中的一种尺度选择方式。
附图说明
图1是集成边缘信息的图像多尺度分割方法的流程图。
具体实施方式
基于区域的分割方法,是按照选定的一致性准则,将图像划分为互不交迭的区域集的过程。遥感图像处理中应用的多尺度分割算法,其一致性准则也称为分割尺度,而国内外对分割尺度的选择缺少一个量化标准。因而,需要在图像分割过程中确定哪一个分割图斑是合理的,是具有符合地物内在尺度的图斑,这正是利用图像对象空间信息的关键。另一方面,边缘检测的结果是图像分割技术所依赖的重要特征,当利用边缘信息分割图像时,需要解决边缘提取过程中常见的边缘缺失问题。
本发明集成边缘信息的图像多尺度分割方法,包括以下步骤:
1.获取单色、彩色或多波段的图像数据。
图像,包括遥感影像,可以是单色数据(一波段)、彩色(三波段)数据以及任意多波段数据。
2.获取单色、彩色或多波段数的边缘强度数据。边缘强度数据的获取包括对彩色或多波段图像数据进行变换处理和采用边缘检测方法。
2.1图像变换处理用于降低图像维数,主成分变换是图像处理中的一种常用方法。主成分变换的目的是把原来图像中的有用信息集中到数目尽可能少的新主成分图像中。并使这些主成分图像之间互不相关,从而减少总的数据量并使图像信息得到增强。以矩阵的形式表示图像的原始数据:
m和n分别为波段数和图像中的像元数,矩阵中的每一行矢量表示一个波段的图像。根据原始图像数据矩阵X,求出它的协方差矩阵S,X的协方差矩阵为:
式中:
l=[1,1,...,1]1×n
S是一个实对称矩阵,i、j、k为序列变量。求S矩阵的特征值λ和特征向量,并组成变换矩阵T。考虑特征方程:
(λI-S)U=0;
式中,I为单位矩阵,U为特征向量。解上述的特征方程即可求出协方差矩阵S的各个特征值λj(j=1,2,...,m),将其按λ1≥λ2≥…≥λm排列,求得各特征值对应的单位特征向量(经归一化)Uj,以各特征向量为列构成矩阵:
U=[uij]m×n;
U矩阵的转置矩阵为主成分变换的变换矩阵,主成分变换的具体表达式为:
式中Y矩阵的行向量Yj=[yj1,yj2,...,yjn]为第j主成分。
2.2边缘检测方法在于获取图像的边缘信息,实际操作中可以选取主成分变换后的第一主成分图像进行Canny边缘检测。
Canny边缘检测用一阶偏导的有限差分来计算图像梯度的幅值和方向,并利用非极大值抑制方法保留局部梯度最大的点,而抑制非极大值。在每一点上,邻域的中心像元M与沿着梯度线的两个像元相比。如果M的梯度值不比沿梯度线的两个相邻像元梯度值大。在x、y方向表达如下:
2.3在Canny边缘检测方法中,采用双阈值法确定优势边缘,建立图像的边缘强度数据。
由高低两个阈值的边缘图像确定一组优势边缘,在边缘强度序列中弱边缘组的低阈值小于强边缘组的低阈值,弱边缘组的高阈值小于强边缘组的高阈值。需要对Canny边缘检测结果进行减少假边缘段数量的操作,典型方法是对Canny边缘检测结果N[i,j](i,j为图像的行列号)使用一个阈值,将低于阈值的所有值赋零值。双阈值算法对非极大值抑制图像采用两个阈值τ1和τ2,从而可以得到两个阈值边缘图像N1[i,j]和N2[i,j]。由于N2[i,j]使用高阈值得到,因而含有很少的假边缘,但有间断(不闭合)。双阈值法要在N2[i,j]中把边缘连接成轮廓,当到达轮廓的端点时,该算法就在N1[i,j]的8邻点位置寻找可以连接到轮廓上的边缘,这样,算法不断地在N1[i,j]中收集边缘,直到将N2[i,j]连接起来为止。
3.设定单色、彩色或多波段图像数据的一个或多个图层为待分割图像集。
设定单色、彩色或多波段图像数据的一个或多个图层为参与图像多尺度分割的图层。
4.设定边缘约束条件,边缘约束条件由图像的边缘强度数据计算得到。
边缘约束条件是图斑内部边缘点的强度。在实际执行时,边缘点强度可以是图斑内部的边缘点数量的统计和,其值是一个由用户设定的自然数,实际操作中可以是5。
5.设定分割方法和尺度增长方式,并以连续增长的尺度系数分割图像。
设定尺度增长方式为自然数增长,分割尺度系数为自然数的平方;分割方法中图斑的合并代价f计算如下:
f=w·hcolor+(1-w)·hshape
其中,w为设定的权重,其值在0-1之间;hcolor为图斑的颜色或光谱差异性;hshape为图斑的形状差异性。
其中,Obj1和Obj2代表合并前的两个图斑,Merge表示合并后的图斑,n为图斑的像元数,σ为图斑的均方差,c为参与分割的图层数。
hshape=wcmpct·hcmpct+(1-wcmpc)·hsmooth
其中,wcmpct为设定的权重,其值在0-1之间;hcmpct为图斑的紧致性参数,hsmooth为图斑的光滑性参数。
其中,Obj1和Obj2代表合并前的两个图斑,Merge表示合并后的图斑,n为图斑的像元数,l为图斑的周长,b为图斑外接矩形的周长。
6.在一尺度系数下进行图像多尺度分割,在任一图斑合并前,计算合并后图斑内的统计边缘强度,当统计边缘强度大于边缘约束条件时,不执行合并过程;反之,执行图斑合并过程。对于特定分割尺度的单次分割而言,分割过程如下:
6.1图斑及图斑间的相邻关系定义如下:单个像元和多个空间上联通像元集合都可认为是图斑。对一个图斑,考察它的边界像元,如果两个相邻图斑的像元是四邻域相邻,则两个图斑是四邻域法相邻的。
6.2在分割进行的过程中,随着图斑的不断合并,图斑异质性不断增大,当图像中每一个图斑都满足如下条件时:①所有图斑异质性的均小于给定的阈值;②任意一个图斑再与任意一个邻域图斑合并后形成的新图斑的异质性都大于给定阈值。则认为分割过程中的一次分割完成。
6.3分割过程中合并方法如下:当一个图斑有多于一个的相邻图斑符合归并的条件或有多次符合条件的图斑对时,就需要确定一个最优的归并图斑对,其归并的代价最小。对一个图斑A,考察它的四邻域像元邻接图斑,如果A与它的某个邻接图斑B满足如下条件则称A,B满足局部相互最佳匹配原则:①A与B合并后形成的大图斑的异质性小于或等于A与其它相邻图斑合并后形成的大图斑的异质性;②以B为中心图斑来寻找与B合并后满足异质性最小准则的邻接图斑C;③A=C或者(2)中有多个满足条件的图斑,而A是其中之一。如果A,B满足局部相互最佳匹配原则就将它们合并为一个大图斑,如果不满足则以B为起始点继续查找。
6.4分割结果数据组织:一个分割尺度对应一次分割结果,以连续变化的尺度分割图像,形成一系列的分割结果。最大分割尺度下分割的图斑作为根节点,在分割过程中合并成该图斑的所有图斑作为子节点,子节点上的图斑又是所有合并前图斑的母节点,以此组成树形结构的分割结果表达。
6.5图斑内部边缘点的判断:当边缘检测中的边缘点及其一定邻域范围内的像素点都在图斑内部时,则该边缘点被认为是图斑内部的边缘点。边缘点的邻域可以在以下三种3×3邻域和5×5邻域。
6.6当图斑内部的边缘点的统计结果大于设定边缘约束条件时,则认为图斑合并不满足边缘约束条件。多尺度分割初始条件以单个像元认为是1个图斑,在多尺度分割过程中,满足多尺度分割方法中图斑合并条件的图斑执行图斑合并操作前,先计算合并后图斑内部的边缘点数量,当边缘点数量大于用户设定的阈值时,不执行图斑合并过程。
7.在一尺度系数下的多尺度分割完成后,以此结果为基础,变更尺度系数,继续执行前一操作。
当边缘为约束条件进行多尺度分割时,初始的尺度系数可以是1或者是设定的一个自然数,多尺度分割中的尺度以自然数方式增加。当尺度系数变更后,开始新一次多尺度分割时,前一结果为本次多尺度分割的初始状态。
8.重复前一步骤至尺度增长过程完成,上述过程形成一个以图像边缘强度为约束条件的多尺度图像分割结果。
下面,我们参照附图来说明本发明的具体实施形态。图1是本发明的技术步骤图。
本发明不限于以上的实施形态,在权利要求书中记载的发明范围内,可以进行种种的变更,这些变更当然也包含在本发明的范围内,这是不言而喻的。
Claims (2)
1.一种集成边缘信息的图像多尺度分割方法,其特征在于,包括如下步骤:
(1)获取单色、彩色或多波段的图像数据;
(2)获取步骤1得到的单色、彩色或多波段图像数据的边缘强度数据;
(3)设定单色、彩色或多波段图像数据的一个或多个图层为待分割图像集;
(4)设定边缘约束条件,边缘约束条件由图像的边缘强度数据计算得到;
(5)设定分割方法和尺度增长方式,并以连续增长的尺度系数分割图像;
(6)在一尺度系数下进行图像多尺度分割,在任一图斑合并前,计算合并后图斑内的统计边缘强度,当统计边缘强度大于边缘约束条件时,不执行合并过程;反之,执行图斑合并过程;
(7)在一尺度系数下的多尺度分割完成后,以此结果为基础,变更尺度系数,继续执行前一操作;
(8)重复前一步骤至尺度增长过程完成,上述过程形成一个以图像边缘强度为约束条件的多尺度图像分割结果;
所述步骤(6)中,分割过程中图斑合并过程具体如下:当一个图斑有多于一个的相邻图斑符合归并的条件或有多次符合条件的图斑对时,就需要确定一个最优的归并图斑对,其归并的代价最小;对一个图斑A,考察它的四邻域像元邻接图斑,如果图斑A与它的某个邻接图斑B满足如下条件则称图斑A和图斑B满足局部相互最佳匹配原则:①图斑A与图斑B合并后形成的大图斑的异质性小于或等于图斑A与其它相邻图斑合并后形成的大图斑的异质性,②以图斑B为中心图斑来寻找与图斑B合并后满足异质性最小准则的邻接图斑C,③图斑A=图斑C或者条件②中有多个满足条件的图斑,而图斑A是其中之一;如果图斑A和图斑B满足局部相互最佳匹配原则就将它们合并为一个大图斑,如果不满足则以图斑B为起始点继续查找。
2.根据权利要求1所述的一种集成边缘信息的图像多尺度分割方法,其特征在于,所述步骤(6)和(7)中,在多尺度分割过程中,图斑合并需要同时满足多尺度分割方法中的图斑合并条件以及图像的边缘强度约束条件;边缘缺失时,在执行图斑合并之前需要计算合并后图斑内部的边缘点数量,当合并后图斑内部的边缘点数量大于用户设定的阈值时,不执行图斑合并过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110336632.1A CN102368331B (zh) | 2011-10-31 | 2011-10-31 | 一种集成边缘信息的图像多尺度分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110336632.1A CN102368331B (zh) | 2011-10-31 | 2011-10-31 | 一种集成边缘信息的图像多尺度分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102368331A CN102368331A (zh) | 2012-03-07 |
CN102368331B true CN102368331B (zh) | 2014-04-09 |
Family
ID=45760892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110336632.1A Active CN102368331B (zh) | 2011-10-31 | 2011-10-31 | 一种集成边缘信息的图像多尺度分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102368331B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208121B (zh) * | 2013-04-12 | 2015-09-30 | 南京师范大学 | 基于硬边界约束与两阶段合并的遥感图像分割方法 |
CN105678336B (zh) * | 2016-01-07 | 2018-08-24 | 吴绍根 | 一种判定数字图像中凸几何图形形状相似性的方法 |
CN106846344B (zh) * | 2016-12-14 | 2018-12-25 | 国家海洋局第二海洋研究所 | 一种基于边缘完备度的图像分割最优识别方法 |
CN107784283B (zh) * | 2017-10-24 | 2021-05-18 | 防灾科技学院 | 面向对象的无人机高分影像煤火区土地覆被分类方法 |
CN108037138A (zh) * | 2017-12-23 | 2018-05-15 | 陕西科技大学 | 一种用于检测纸张双面缺陷的纸病检测系统及检测方法 |
CN109816749B (zh) * | 2019-02-14 | 2023-04-28 | 中国测绘科学研究院 | 图斑地图符号填充方法、装置、计算机设备及存储介质 |
CN110322454B (zh) * | 2019-07-08 | 2021-12-10 | 自然资源部第二海洋研究所 | 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038667A (zh) * | 2007-04-24 | 2007-09-19 | 国家海洋局第二海洋研究所 | 一种尺度自适应的图像分割方法 |
CN101897592A (zh) * | 2009-05-27 | 2010-12-01 | 深圳迈瑞生物医疗电子股份有限公司 | X射线影像中金属异物的提取方法和装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101320467B (zh) * | 2008-05-16 | 2010-06-02 | 西安电子科技大学 | 基于自适应窗口固定及传播的多尺度纹理图像分割方法 |
CN101551905B (zh) * | 2009-05-08 | 2011-04-06 | 西安电子科技大学 | 基于模糊c均值聚类和空间信息的多尺度纹理图像分割方法 |
CN101587587A (zh) * | 2009-07-14 | 2009-11-25 | 武汉大学 | 顾及多尺度马尔科夫场的合成孔径雷达图像分割方法 |
-
2011
- 2011-10-31 CN CN201110336632.1A patent/CN102368331B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038667A (zh) * | 2007-04-24 | 2007-09-19 | 国家海洋局第二海洋研究所 | 一种尺度自适应的图像分割方法 |
CN101897592A (zh) * | 2009-05-27 | 2010-12-01 | 深圳迈瑞生物医疗电子股份有限公司 | X射线影像中金属异物的提取方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN102368331A (zh) | 2012-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102368331B (zh) | 一种集成边缘信息的图像多尺度分割方法 | |
CN107220980B (zh) | 一种基于全卷积网络的mri图像脑肿瘤自动分割方法 | |
CN114120037B (zh) | 一种基于改进yolov5模型的发芽马铃薯图像识别方法 | |
CN102663394B (zh) | 基于多源遥感图像融合的大中型目标识别方法 | |
CN103500344B (zh) | 一种遥感影像信息提取与解译方法及其模块 | |
CN105809140B (zh) | 一种基于遥感模型的地表水体信息的提取方法及其装置 | |
CN107609526A (zh) | 基于规则的精细尺度城市不透水面快速提取方法 | |
CN104240244B (zh) | 一种基于传播模式和流形排序的显著性物体检测方法 | |
CN109446992A (zh) | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 | |
CN102789579B (zh) | 基于计算机视觉技术的温室作物水肥胁迫状态识别方法 | |
CN105260738B (zh) | 基于主动学习的高分辨率遥感影像变化检测方法及系统 | |
CN104091179B (zh) | 小麦白粉病菌孢子图片的智能识别方法 | |
CN109584254A (zh) | 一种基于深层全卷积神经网络的心脏左心室分割方法 | |
CN104299232B (zh) | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 | |
CN102013093A (zh) | 一种基于Gram-Schmidt融合和LEGION的高分辨率遥感影像分割方法 | |
CN104933709A (zh) | 基于先验信息的随机游走ct肺组织图像自动分割方法 | |
CN103839267B (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
CN103186894B (zh) | 一种自适应分块的多聚焦图像融合方法 | |
CN103473557A (zh) | 一种空谱一体化的高光谱遥感图像分类方法 | |
CN106023133A (zh) | 一种基于多特征联合处理的高分辨率遥感影像水体提取方法 | |
CN102542560B (zh) | 一种水稻移栽后密度自动检测的方法 | |
CN102496023A (zh) | 像素层面的感兴趣区域提取方法 | |
CN102074012A (zh) | 结合图像和计算模型的茶叶嫩芽形态的三维重建方法 | |
Xiao et al. | Citrus greening disease recognition algorithm based on classification network using TRL-GAN | |
CN115115955B (zh) | 基于无人机高光谱遥感的松材线虫病树监测方法与装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |