CN102542550A - 一种减少人工干预的交互式图像分割方法 - Google Patents
一种减少人工干预的交互式图像分割方法 Download PDFInfo
- Publication number
- CN102542550A CN102542550A CN2010105784996A CN201010578499A CN102542550A CN 102542550 A CN102542550 A CN 102542550A CN 2010105784996 A CN2010105784996 A CN 2010105784996A CN 201010578499 A CN201010578499 A CN 201010578499A CN 102542550 A CN102542550 A CN 102542550A
- Authority
- CN
- China
- Prior art keywords
- shortest path
- power consumption
- summit
- manual intervention
- point
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种减少人工干预的交互式图像分割方法。它是以如下步骤进行的:首先,提取一个以用户输入的边界点为中心的小区域,计算这块小区域的平均灰度值;然后,用这个平均灰度值作为模板对原始待分割图像进行滤波,具有相似灰度值的区域被增强,其他区域被弱化;其次,采用Canny算子提取出滤波后的图像的边缘曲线,构造能够弱化非目标物体边界的耗能函数。再后,将两点之间的最优路径重新定义为具有最小平均耗能的路径,使两点之间的Live-wire曲线成为一条弹性可调的套索。最后,用Dijkstra算法计算两个用户输入点之间的最短路径作为这两点之间的目标物体边界。
Description
所属技术领域
本发明涉及一种图像分割方法,尤其是能减少人工干预的图像分割方法。
背景技术
图像分割是计算机视觉领域中的一个关键任务。在各种分割算法中,Live-wire是一种较好的基于人机交互的算法。它将预分割的图像当成一个连通图,图像中的像素当作图中的节点,相邻像素点之间的边作为连接节点的边。在每一个边上定义一个耗能函数,为强边缘赋予较小的耗能值,非强边缘赋予较大的耗能值,同时相邻像素间的弧赋0耗能,而非邻接像素间的弧赋+∞耗能,将分割转换为起始点到目标点之间的最优路径问题,然后通过图搜索来寻找物体的边界,将用户指定的物体边界上的两点之间最短路径当作物体的边界。最常用的计算最短路径的算法为Dijkstra算法。
传统的Live-wire算法具有无法区分强弱边缘、运行速度较慢的缺点。其原因在于每次用户输入一个边界点时都要用Dijkstra算法计算整幅图上所有点到这个边界点之间的最短路径,而这个过程需要消耗大量的时间。Dijkstra算法的基本思想是将图中所有顶点集合V分为两组:1)已求出最短路径的顶点集合(用S表示);2)其余未确定最短路径的顶点集合(用U表示)。按最短路径长度的递增次序依次把2)组的顶点加入S中。在加入的过程中,总保持从源点v到S中各顶点的最短路径长度不大于从源点v到U的任何顶点最短路径长度。此外,每个顶点对应的最短路径长度不大于从源点v到此顶点的最短路径长度,U中的顶点距离为从v到此顶点只包括S中的顶点为中心顶点的当前最短路径长度。
发明内容
为了改善现有Live-wire曲线容易吸附到非目标物体轮廓,以及算法运行速度较慢的不足,本发明提出一种能减少用户输入边界点的个数,从而改善Live-wire分割效果的方法。
本发明解决其技术问题所采用的技术方案是:首先,提取一个以用户输入的边界点为中心的小区域,计算这块小区域的平均灰度值;然后,用这个平均灰度值作为模板对原始待分割图像进行滤波,具有相似灰度值的区域被增强,其他区域被弱化;其次,采用Canny算子提取出滤波后的图像的边缘曲线,构造能够弱化非目标物体边界的耗能函数。再后,将两点之间的最优路径重新定义为具有最小平均耗能的路径,使两点之间的Live-wire曲线成为一条弹性可调的套索。最后,用Dijkstra算法计算两个用户输入点之间的最短路径作为这两点之间的目标物体边界。
本发明的有益效果是,改善了现有Live-wire算法中的物体轮廓曲线容易吸附到非目标物体上的现象,减少了用户输入边界点的个数,加快整个物体分割的速度。为实时性图像分割提供了较为可靠的技术手段,可广泛应用于各类图像处理中,尤其在例如纺织、生物医学图像等精细图像的分割中。相对于传统预处理方法,提高了分割的准确率和效率。
具体实施方式
第一步,提取目标物体边界的近似灰度值。具体为,在待分割图像I上提取以用户输入的一个边界点s为中心、l为边长的正方形小区域R,求出该区域的平均像素灰度值,即:
其中s′表示所有在区域R中的像素点。因为每一段Live-wire曲线都是从一个用户输入的边界点衍生出来的,而每一个用户输入的边界点都是位于目标物体真正边界点上或者周围的。因此这个小区域的平均灰度av_gray(s)可以近似代表目标物体真实边界的灰度。
第二步,对图像I进行高斯滤波,以增强I中具有与av_gray(s)相似灰度的区域,并且削弱其他区域。即:
其中I′表示通过高斯滤波、目标物体边界已被增强过、而其他区域被弱化过的图像。σ为高斯滤波参数。
第三步,提取滤波后图像I′的Canny曲线,并且构造能弱化非目标物体边界的Live-wire算法代价函数。具体方法为,先对I′进行平滑滤波,然后采用非极值抑制对平滑后的图像进行处理,得到所需的边缘曲线fCE。因此能弱化非目标物体边界的Live-wire算法两点之间耗能函数为:
C(p,q)=wZfZ(q)+wCfC(q)+wGfG(q)+wDfD(p,q)+wCEfCE(s) (3)
其中,C(p,q)表示两个点p和q之间的耗能。fZ为原始图像I的Laplace边界曲线,fC为I的Canny边界曲线,fG为I的梯度幅值图像,fD为I的梯度方向,wZ、wC、wG、以及wD为权值因子。
第四步,采用重新定义两点之间最短路径的Dijkstra算法计算出两个用户指定的边界点之间的目标物体轮廓。
原始的Dijkstra算法采用累积能量的计算方法,即一条以点r作为终点的路径的耗能等于这条路径上从起点s到点q的耗能加上点q到点r的耗能,其中点q是点r的前驱结点。因此C(s,r)一定比C(s,q)大,即一条路径的能量与它的长短有关系,而这种现象在一些特定的环境中会造成边界轮廓勾画的错误。因此本实施例提出一种采用平均耗能作为衡量两点之间最短路径的Dijkstra算法。将点s到点r的耗能重新定义为平均耗能GC(s,r),等于累积能量C(s,r)除以这条路径上所有排在点r之前的点的个数。为了控制两点之间Live-wire曲线的松紧程度,还有增加一个参数k,即新的平均耗能公式为:
GC(s,r)=C(s,r)/point_number(s,r)k (4)
其中,point_number(s,r)表示从点s到点r路径上的所有点的个数。采用以公式(4)作为耗能函数来计算两点之间最短路径的Dijkstra算法,可以延长两个用户输入边界点之间的距离。因此当分割同一个目标物体时,可以减少用户输入的边界点个数,从而减少整个分割时间。
Claims (3)
1.一种减少人工干预的交互式图像分割方法,其特征是:首先,提取一个以用户输入的边界点为中心的小区域,计算这块小区域的平均灰度值;然后,用这个平均灰度值作为模板对原始待分割图像进行滤波,具有相似灰度值的区域被增强,其他区域被弱化;其次,采用Canny算子提取出滤波后的图像的边缘曲线,构造能够弱化非目标物体边界的耗能函数。再后,将两点之间的最优路径重新定义为具有最小平均耗能的路径,使两点之间的Live-wire曲线成为一条弹性可调的套索。最后,用Dijkstra算法计算两个用户输入点之间的最短路径作为这两点之间的目标物体边界。
2.根据权利要求1所述的减少人工干预的交互式图像分割方法,其特征是:Live-wire算法将预分割的图像当成一个连通图,图像中的像素当作图中的节点,相邻像素点之间的边作为连接节点的边。在每一个边上定义一个耗能函数,为强边缘赋予较小的耗能值,非强边缘赋予较大的耗能值,同时相邻像素间的弧赋0耗能,而非邻接像素间的弧赋+∞耗能,将分割转换为起始点到目标点之间的最优路径问题,然后通过图搜索来寻找物体的边界,将用户指定的物体边界上的两点之间最短路径当作物体的边界。
3.根据权利要求1所述的减少人工干预的交互式图像分割方法,其特征是:Dijkstra算法的基本思想是将图中所有顶点集合V分为两组:1)已求出最短路径的顶点集合(用S表示);2)其余未确定最短路径的顶点集合(用U表示)。按最短路径长度的递增次序依次把2)组的顶点加入S中。在加入的过程中,总保持从源点v到S中各顶点的最短路径长度不大于从源点v到U的任何顶点最短路径长度。此外,每个顶点对应的最短路径长度不大于从源点v到此顶点的最短路径长度,U中的顶点距离为从v到此顶点只包括S中的顶点为中心顶点的当前最短路径长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105784996A CN102542550A (zh) | 2010-12-08 | 2010-12-08 | 一种减少人工干预的交互式图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105784996A CN102542550A (zh) | 2010-12-08 | 2010-12-08 | 一种减少人工干预的交互式图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102542550A true CN102542550A (zh) | 2012-07-04 |
Family
ID=46349374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105784996A Pending CN102542550A (zh) | 2010-12-08 | 2010-12-08 | 一种减少人工干预的交互式图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102542550A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104103071A (zh) * | 2014-06-27 | 2014-10-15 | 山东大学(威海) | 一种应用于磁共振图像壳核的交互式分割方法 |
CN104142156A (zh) * | 2014-08-26 | 2014-11-12 | 天津市普迅电力信息技术有限公司 | 一种路径导航方法 |
CN104463843A (zh) * | 2014-10-31 | 2015-03-25 | 南京邮电大学 | 安卓系统的交互式图像分割方法 |
CN105242863A (zh) * | 2015-11-25 | 2016-01-13 | 江南大学 | 基于qpso的智能剪刀蕾丝花边图样轮廓提取方法 |
CN114638962A (zh) * | 2022-03-29 | 2022-06-17 | 联影智能医疗科技(成都)有限公司 | 一种对医学成像中的感兴趣区域进行标注的方法和系统 |
-
2010
- 2010-12-08 CN CN2010105784996A patent/CN102542550A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104103071A (zh) * | 2014-06-27 | 2014-10-15 | 山东大学(威海) | 一种应用于磁共振图像壳核的交互式分割方法 |
CN104142156A (zh) * | 2014-08-26 | 2014-11-12 | 天津市普迅电力信息技术有限公司 | 一种路径导航方法 |
CN104463843A (zh) * | 2014-10-31 | 2015-03-25 | 南京邮电大学 | 安卓系统的交互式图像分割方法 |
CN104463843B (zh) * | 2014-10-31 | 2017-05-17 | 南京邮电大学 | 安卓系统的交互式图像分割方法 |
CN105242863A (zh) * | 2015-11-25 | 2016-01-13 | 江南大学 | 基于qpso的智能剪刀蕾丝花边图样轮廓提取方法 |
CN114638962A (zh) * | 2022-03-29 | 2022-06-17 | 联影智能医疗科技(成都)有限公司 | 一种对医学成像中的感兴趣区域进行标注的方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102542550A (zh) | 一种减少人工干预的交互式图像分割方法 | |
CN110781967A (zh) | 一种基于可微分二值化的实时文本检测方法 | |
CN101923718B (zh) | 基于粒子滤波和光流矢量的视频目标跟踪方法的优化方法 | |
CN107368845A (zh) | 一种基于优化候选区域的Faster R‑CNN目标检测方法 | |
CN106842901B (zh) | 为列车自动驾驶系统生成速度控制命令的方法 | |
CN104952256B (zh) | 一种基于视频信息的交叉口处车辆的检测方法 | |
CN107909179A (zh) | 一种插电式混合动力车辆行驶工况的预测模型构建方法及车辆能量管理方法 | |
CN104966286A (zh) | 一种3d视频显著性检测方法 | |
CN107341470B (zh) | 一种基于航拍图像的输电线检测方法 | |
CN106372749A (zh) | 基于云变分析的超短期光伏功率预测方法 | |
CN106157323A (zh) | 一种动态分块阈值和块搜索结合的绝缘子分割提取方法 | |
CN106871903A (zh) | 一种无人机建筑物绕飞巡检航线规划方法 | |
CN110472628A (zh) | 一种基于视频特征的改进Faster R-CNN网络检测漂浮物方法 | |
CN113593219A (zh) | 车流的统计方法、装置、电子设备及存储介质 | |
CN104897180B (zh) | 用于桥梁监测信号的预处理方法 | |
CN105374039A (zh) | 基于轮廓锐度的单目图像深度信息估计方法 | |
CN105138983A (zh) | 基于加权部件模型和选择性搜索分割的行人检测方法 | |
CN107133382A (zh) | 基于机器视觉的太阳能电池残片再利用的智能排样方法 | |
CN101826159B (zh) | 实现灰度图像分区二值化的方法和数据处理设备 | |
CN103700118B (zh) | 基于脉冲耦合神经网络的动目标检测方法 | |
CN107871315A (zh) | 一种视频图像运动检测方法和装置 | |
CN102938153B (zh) | 基于约束谱聚类和马尔科夫随机场的视频图像分割方法 | |
CN104809514A (zh) | 一种浮选过程浮精品位的动态预测方法及系统 | |
CN102043949A (zh) | 一种搜索运动前景感兴趣区域的方法 | |
CN102184524B (zh) | 基于规范切的邻域学习文化基因图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120704 |