CN102800050B - N维特征空间连通性计算方法 - Google Patents

N维特征空间连通性计算方法 Download PDF

Info

Publication number
CN102800050B
CN102800050B CN201110137691.6A CN201110137691A CN102800050B CN 102800050 B CN102800050 B CN 102800050B CN 201110137691 A CN201110137691 A CN 201110137691A CN 102800050 B CN102800050 B CN 102800050B
Authority
CN
China
Prior art keywords
label
value
matrix
fritter
computing
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
Application number
CN201110137691.6A
Other languages
English (en)
Other versions
CN102800050A (zh
Inventor
杜耀宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ambit Microsystems Shanghai Ltd
Original Assignee
Ambit Microsystems Shanghai Ltd
Hon Hai Precision Industry Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ambit Microsystems Shanghai Ltd, Hon Hai Precision Industry Co Ltd filed Critical Ambit Microsystems Shanghai Ltd
Priority to CN201110137691.6A priority Critical patent/CN102800050B/zh
Priority to TW100118929A priority patent/TWI466035B/zh
Priority to US13/224,342 priority patent/US8423552B2/en
Publication of CN102800050A publication Critical patent/CN102800050A/zh
Application granted granted Critical
Publication of CN102800050B publication Critical patent/CN102800050B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/28—Indexing scheme for image data processing or generation, in general involving image processing hardware
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Character Input (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种N维特征空间连通性在云计算平台上的计算方法，使用“数据提升、建标签阵、数据分块、分块跟踪、标签提升、块间合并、输出集合”的步骤完成特征空间连通性在云计算平台的计算。本发明所提供的连通性计算方法可以将特征空间分割成不同的连通区，并根据分割结果输出连通区的个数及每个连通区点的坐标集合。

Description

N维特征空间连通性计算方法
技术领域
本发明涉及N维特征空间连通性计算方法，尤其是一种在图像处理中利用图像特征值进行图像分割的技术。
背景技术
将特征空间视为空域和值域点的集合，空间上相连值相等的点归在一起形成连通区。
常用的连通性计算方法有：1)用无向图邻接矩阵做高次乘法来实现；2)直接邻域跟踪。但是，方法一不仅计算量大，而且无法判断图像可以分为几个连通区及每个连通区点的坐标，方法二常常因为需要递归计算，单机计算资源需求巨大。
发明内容
鉴于以上内容，有必要提出在云计算平台上可以输出连通区的个数及每个连通区内点的坐标集合的连通性计算方法。
一种N维特征空间连通性的计算方法，使用“数据提升、建标签阵、数据分块、分块跟踪、标签提升、块间合并、输出集合”的步骤完成特征空间连通性在云计算平台的计算。
本发明所提供的连通性计算方法可以将特征空间分割成不同的连通区，并根据分割结果输出连通区的个数及每个连通区内点的坐标集合。
附图说明
图1为本发明优选实施方式下在图像分割技术中进行连通性计算的方法流程图。
具体实施方式
本发明所提供的连通性计算方法将特征空间分割成不同的连通区，并根据分割结果输出连通区的个数及每个连通区内点的坐标集合，可应用在2D/3D图像分割、目标提取及目标识别中，用于判断任意两点间的连通性；计算连通区域面积、及区域密度估计概率；进行数据分类(类数、中心)、数据筛选、数据压缩(构造边界矢量完成数据压缩)；网络邻域发现；防火墙漏洞检测；及灾害预报、水利防护或城市规划中。
为使本发明易于理解，结合图1，本案以在图像处理中利用图像特征值进行图像分割的技术为例，以图像特征矩阵为基础描述，方法可推广到对N维特征空间进行连通性的计算。
图1为本发明优选实施方式下进行连通性计算的方法流程图。
步骤S11中，从外部接收一图像，将其从RGB转换到CIE-Luv空间，以10为单位量化L/u/v，量化后以sqrt(L2+u2+v2)为特征值形成特征矩阵a，此处sqrt表示开平根。
步骤S12中，扫描矩阵a，并比较矩阵a中的最大值(MAX)与最小值(MIN)，如果二者相等(MAX＝MIN)，则矩阵a中所有值相同，是全连通矩阵，无需计算；否则，对所有值同减(MIN-1)，以保证所有数据大于0，用于在跟踪算法中记录位置信息。
步骤S13中，创建与矩阵a行列数相同的标签矩阵b，矩阵b的初始值均为0，以记录跟踪结果。
步骤S14中，将矩阵a分成若干行列数相同的小块，块大小无强制要求，推荐128x128，256x256，512x512。将矩阵a分块可以降低块内连通跟踪的复杂性，减少计算资源需求，提高块内搜索的速度，是分布到不同计算机上进行连通性跟踪计算及标签提升的基础。
步骤S15中，藉由一预设的跟踪算法将该若干小块中的每一小块分别送入不同的处理器进行运算，其中，每一小块运算后的结果分别存入该标签矩阵b中的相应位置，从而使每一小块内的不同连通区对应不同的标签值。常见的预设的跟踪算法为二维8邻域跟踪或三维26邻域跟踪等。如果某一点被跟踪过，将其值翻转，即如原值为x，跟踪过后，则变成-x，其目的是避免重复跟踪。经过跟踪后，标签矩阵b中每一小块内不同连通区的标签值不同，但标签矩阵b中不同小块间的标签值可能重复。
步骤S16中，藉由一预设的标签提升算法使该标签矩阵b中的每一个标签值无重复。其中，该标签提升算法包括分块提升及整体提升两个部分。分块提升为：比较每一小块经运算后的若干标签值中的最大标签值(A)与最小标签值(a)，将每一小块中的全部标签值减去(a-1)。整体提升为：从第二小块开始，每一小块中的标签值都加上前一小块的最大标签值，直到最后一块。标签提升的目的就是确保全部标签值整体无重复。
步骤S17中，进行合并及连通。其中，合并包括行合并及列合并两种。行合并为：检测左右相邻块间的边界点在该标签矩阵b中的位置，并判断在矩阵a中相同位置上特征值是否相等；若相等，则用左块的标签值替换右块的标签值。列合并为：检测上下相邻块间的边界点在该标签矩阵b中的位置，并判断在矩阵a中相同位置上特征值是否相等；若相等，则用上块的标签值替换下块的标签值。将替换后标签值相等的区域进行连通，即标签值相等的点归在一起则形成连通区。
步骤S18中，对标签矩阵b按(i，j，v)形式组织，按v快速排序，分类输出(i，j)。其中i为行，j为列，v为标签值。由此，根据v的数值的不同可以确定连通区的个数，并根据i、j值可对应得到相同连通区内点的坐标集合。
综上，本发明使用“数据提升、建标签阵、数据分块、分块跟踪、标签提升、块间合并、输出集合”方法完成特征空间连通性在云计算平台的计算。具体步骤为：1)数据提升：接收一特征矩阵，扫描该矩阵，计算所有特征值中的最大值(MAX)与最小值(MIN)，在该最大值与该最小值不相等时，将所有特征值同时减去(MIN-1)；2)建标签阵：创建一标签矩阵，该标签矩阵的行列数与该特征矩阵的行列数相同且其初始值全部标为0；3)数据分块：将该特征矩阵分成若干行列数相同的小块；4)分块跟踪：将该若干小块中的每一小块分别送入云平台上不同的计算机或处理器，根据连通性要求进行邻域跟踪运算，每一小块运算后的结果分别存入该标签矩阵b中的相应位置，从而使每一小块内的不同连通区对应不同的标签值；5)标签提升：藉由一预设的标签提升算法使该标签矩阵中的每一个标签值无重复；6)块间合并：检测左右相邻块间的边界点在该标签矩阵中的位置，并判断在该特征矩阵中相同位置上特征值是否相等；若相等，则用左块的标签值替换右块的标签值；检测上下相邻块间的边界点在该标签矩阵中的位置，并判断在该特征矩阵中相同位置上特征值是否相等；若相等，则用上块的标签值替换下块的标签值；替换后标签值相等的区域是同一连通区；及7)输出集合：对标签矩阵按(s，v)形式组织，按v快速排序，分类输出(s)，其中s为空间坐标，v为标签值。

Claims (6)

1.一种N维特征空间连通性的计算方法，其特征在于，该方法使用以下步骤完成特征空间连通性在云计算平台的计算：
1)数据提升：接收一特征矩阵，扫描该矩阵，计算所有特征值中的最大值MAX与最小值MIN；在该最大值与该最小值不相等时，将所有特征值同时减去(MIN-1)；
2)建标签阵：创建一标签矩阵，该标签矩阵的行列数与该特征矩阵的行列数相同且其初始值全部标为0；
3)数据分块：将该特征矩阵分成若干行列数相同的小块；
4)分块跟踪：将该若干小块中的每一小块分别送入云平台上不同的计算机或处理器，根据连通性要求进行邻域跟踪运算，每一小块运算后的结果分别存入该标签矩阵b中的相应位置，从而使每一小块内的不同连通区对应不同的标签值；
5)标签提升：藉由一预设的标签提升算法使该标签矩阵中的每一个标签值无重复；
6)块间合并：检测左右相邻块间的边界点在该标签矩阵中的位置，并判断在该特征矩阵中相同位置上特征值是否相等；若相等，则用左块的标签值替换右块的标签值；检测上下相邻块间的边界点在该标签矩阵中的位置，并判断在该特征矩阵中相同位置上特征值是否相等；若相等，则用上块的标签值替换下块的标签值；替换后标签值相等的区域是同一连通区；及
7)输出集合：对标签矩阵按(s，v)形式组织，按v快速排序，分类输出s，其中s为空间坐标，v为标签值。
2.如权利要求1所述的连通性的计算方法，其特征在于，在所述数据分块及分块跟踪步骤中，所述邻域跟踪运算为一预设的跟踪算法，所述预设的跟踪算法为二维8邻域跟踪及三维26邻域跟踪。
3.如权利要求2所述的连通性的计算方法，其特征在于，在所述预设的跟踪算法中，如果某一点被跟踪过，将其值翻转，即如原值为x，跟踪过后，则变成-x，用于避免重复跟踪。
4.如权利要求1所述的连通性的计算方法，其特征在于，所述预设的标签提升算法包括比较每一小块经运算后的若干标签值中的最大标签值A与最小标签值a，将每一小块中的标签值减去(a-1)，以及从第二小块开始每一小块中的标签值都加上前一小块的最大标签值，直至最后一块。
5.如权利要求1所述的连通性的计算方法，其特征在于，所述N维特征空间为二维特征空间时，对标签矩阵按(i，j，v)形式组织，按v快速排序，分类输出(i，j)，其中i为行，j为列，v为标签值。
6.如权利要求1所述的连通性的计算方法，其特征在于，所述连通性的计算方法用于图像分割时还包括步骤：从外部接收一图像，将其从RGB转换到CIE-Luv空间，以10为单位量化L、u、v，量化后以sqrt(L2+u2+v2)为特征值形成特征矩阵，其中，sqrt表示开平方根。
CN201110137691.6A 2011-05-25 2011-05-25 N维特征空间连通性计算方法 Active CN102800050B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201110137691.6A CN102800050B (zh) 2011-05-25 2011-05-25 N维特征空间连通性计算方法
TW100118929A TWI466035B (zh) 2011-05-25 2011-05-31 N維特徵空間連通性計算方法
US13/224,342 US8423552B2 (en) 2011-05-25 2011-09-02 Method of calculating connectivity of N-dimensional space

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201110137691.6A CN102800050B (zh) 2011-05-25 2011-05-25 N维特征空间连通性计算方法

Publications (2)

Publication Number Publication Date
CN102800050A CN102800050A (zh) 2012-11-28
CN102800050B true CN102800050B (zh) 2016-04-20

Family

ID=47199149

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110137691.6A Active CN102800050B (zh) 2011-05-25 2011-05-25 N维特征空间连通性计算方法

Country Status (3)

Country Link
US (1) US8423552B2 (zh)
CN (1) CN102800050B (zh)
TW (1) TWI466035B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040161741A1 (en) 2001-06-30 2004-08-19 Elazar Rabani Novel compositions and processes for analyte detection, quantification and amplification
CN103473437B (zh) * 2013-08-02 2015-06-03 福州大学 一种基于模糊理想化目标分析的云服务平台选择方法
CN108897835A (zh) * 2018-06-25 2018-11-27 浪潮软件集团有限公司 一种基于离线计算的标签体系管理方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101403703A (zh) * 2008-11-07 2009-04-08 清华大学 一种皮棉中异性纤维实时检测方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003021533A1 (en) * 2001-08-31 2003-03-13 Massachusetts Institute Of Technology Color image segmentation in an object recognition system
US6983068B2 (en) * 2001-09-28 2006-01-03 Xerox Corporation Picture/graphics classification system and method
US6985628B2 (en) * 2002-01-07 2006-01-10 Xerox Corporation Image type classification using edge features
US6996277B2 (en) * 2002-01-07 2006-02-07 Xerox Corporation Image type classification using color discreteness features
JP3689740B2 (ja) * 2002-05-27 2005-08-31 国立大学法人広島大学 画像分割処理方法、画像分割処理装置、リアルタイム画像処理方法、リアルタイム画像処理装置及び画像処理集積化回路
DE102005049017B4 (de) * 2005-10-11 2010-09-23 Carl Zeiss Imaging Solutions Gmbh Verfahren zur Segmentierung in einem n-dimensionalen Merkmalsraum und Verfahren zur Klassifikation auf Grundlage von geometrischen Eigenschaften segmentierter Objekte in einem n-dimensionalen Datenraum
US20070132754A1 (en) * 2005-12-12 2007-06-14 Intel Corporation Method and apparatus for binary image classification and segmentation
US8233712B2 (en) * 2006-07-28 2012-07-31 University Of New Brunswick Methods of segmenting a digital image
US20080139966A1 (en) * 2006-12-07 2008-06-12 The Hong Kong Polytechnic University Automatic tongue diagnosis based on chromatic and textural features classification using bayesian belief networks
CA2674164A1 (en) * 2006-12-28 2008-07-17 Thomson Licensing Detecting block artifacts in coded images and video
US8046167B2 (en) * 2008-05-08 2011-10-25 Microsoft Corporation Navigation with contextual color, texture, and structure cues
US8396870B2 (en) * 2009-06-25 2013-03-12 University Of Tennessee Research Foundation Method and apparatus for predicting object properties and events using similarity-based information retrieval and modeling
US8744196B2 (en) * 2010-11-26 2014-06-03 Hewlett-Packard Development Company, L.P. Automatic recognition of images

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101403703A (zh) * 2008-11-07 2009-04-08 清华大学 一种皮棉中异性纤维实时检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
二值图像连通域标记优化算法;罗志灶等;《安庆师范学院学报（自然科学版）》;20101130;第16卷(第4期);摘要，第37页2.6节，第35页2.2节，第35页2.3节 *
连通域标记并行算法在多核处理器上的设计和实现;张健等;《计算机系统应用》;20101231;第19卷(第4期);第140页左栏第1段，第142页左栏最后1段，第142页4.2.2节 *

Also Published As

Publication number Publication date
TW201248519A (en) 2012-12-01
CN102800050A (zh) 2012-11-28
US8423552B2 (en) 2013-04-16
TWI466035B (zh) 2014-12-21
US20120303620A1 (en) 2012-11-29

Similar Documents

Publication Publication Date Title
US9754160B2 (en) Method and device for detecting gathering of objects based on stereo vision as well as non-transitory computer-readable medium
CN111512317B (zh) 一种多目标实时跟踪方法、装置及电子设备
CN107610176A (zh) 一种基于Kinect的栈板动态识别与定位方法、系统及介质
US10984228B2 (en) Interaction behavior detection method, apparatus, system, and device
CN107133558B (zh) 一种基于概率传播的红外行人显著性检测方法
CN110390306B (zh) 直角车位的检测方法、车辆和计算机可读存储介质
CN109886218B (zh) 基于超像素统计相异性的sar图像舰船目标检测方法
CN109697725B (zh) 一种背景过滤方法、装置及计算机可读存储介质
CN107945150A (zh) 基因测序的图像处理方法及系统
CN115330940B (zh) 一种三维重建方法、装置、设备和介质
CN112883820A (zh) 基于激光雷达点云的道路目标3d检测方法及系统
CN102800050B (zh) N维特征空间连通性计算方法
CN111311611A (zh) 一种实时三维大场景多对象实例分割的方法
CN109741306B (zh) 应用于危险化学品库房堆垛的图像处理方法
Nguyen et al. Toward real-time vehicle detection using stereo vision and an evolutionary algorithm
CN113920158A (zh) 跟踪模型的训练与交通对象跟踪方法、装置
CN117671637A (zh) 物体点云重叠识别方法、装置、设备、机器人和存储介质
CN110514140B (zh) 一种三维成像方法、装置、设备以及存储介质
Cai et al. Deep representation and stereo vision based vehicle detection
CN114298992B (zh) 一种视频帧去重方法、装置、电子设备及存储介质
CN115327553A (zh) 一种诱导变异的快速激光雷达样本生成方法
CN115861626A (zh) 目标检测方法、装置、终端设备及计算机可读存储介质
CN105354576A (zh) 一种目标特征提取的方法、目标特征提取模块、目标模型创建模块以及智能图像监控装置
Jun-Chai et al. Moving target detection based on global motion estimation in dynamic environment
CN117152622B (zh) 边界优化模型训练、边界优化方法、装置、设备及介质

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20180226

Address after: Shanghai City, Songjiang District Songjiang Export Processing Zone South Road No. 1925

Patentee after: Ambit Microsystems (Shanghai) Co., Ltd.

Address before: 201613 Shanghai City, Songjiang District Songjiang Export Processing Zone South Road No. 1925

Co-patentee before: Hon Hai Precision Industry Co., Ltd.

Patentee before: Ambit Microsystems (Shanghai) Co., Ltd.