CN103530882A - 一种改进的基于图和色彩纹理特征的图像分割方法 - Google Patents
一种改进的基于图和色彩纹理特征的图像分割方法 Download PDFInfo
- Publication number
- CN103530882A CN103530882A CN201310486060.4A CN201310486060A CN103530882A CN 103530882 A CN103530882 A CN 103530882A CN 201310486060 A CN201310486060 A CN 201310486060A CN 103530882 A CN103530882 A CN 103530882A
- Authority
- CN
- China
- Prior art keywords
- centerdot
- color
- picture
- class
- texture
- 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
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000003709 image segmentation Methods 0.000 title abstract description 8
- 230000011218 segmentation Effects 0.000 claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 235000006679 Mentha X verticillata Nutrition 0.000 claims description 27
- 235000002899 Mentha suaveolens Nutrition 0.000 claims description 27
- 235000001636 Mentha x rotundifolia Nutrition 0.000 claims description 27
- 238000005192 partition Methods 0.000 claims description 27
- 239000000284 extract Substances 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 230000008447 perception Effects 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 13
- 238000012986 modification Methods 0.000 description 12
- 230000004048 modification Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 108091007491 NSP3 Papain-like protease domains Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种改进的基于图和色彩纹理特征的图像分割方法,涉及图像处理和计算机视觉技术领域,本发明步骤包括:1)提取30张样本图片的纹理特征和色彩特征,将得到的纹理特征和色彩特征组成一个矩阵,并对矩阵求协方差作为30幅样本图片的色彩信息和纹理信息的统一系数;2)构造待分割图片的带权无向图;3)提取待分割图片的纹理特征和色彩特征,并构造待分割图片的纹理色彩特征描述符;4)利用步骤1)获得的统一系数和步骤3)获得的待分割图片的纹理色彩特征描述符计算待分割图片的带权无向图中边的权值;5)对步骤2)构造的带权无向图中的节点进行合并归类。本发明的分割准确性高,误分割、过分割现象少。
Description
技术领域
本发明属于图像处理和计算机视觉技术领域,更具体地说,涉及一种改进的基于图和色彩纹理特征的图像分割方法。
背景技术
图像分割是计算机视觉和模式识别中极其重要的分析方法。图像分割的目的是将图像划分为若干个不同的、互不重叠的具有独特性质的区域,将人们感兴趣的目标提取出来,对每个像素都加上唯一的类标签。图像分割是图像分析的重要组成部分,目前已经广泛应用在医学影像、人脸识别、指纹识别、交通控制系统和机器视觉等方面。
色彩信息和纹理信息与人眼感知具有很强的关联性,单纯基于纹理或基于色彩的分割方法不能精确的描述图像的内容。因此图像分割技术的研究趋势是色彩信息与纹理信息的融合。经典的分割算法分为基于区域和基于边缘检测两大类。前者的基本思想是根据图像数据的特征将图像空间划分为互不重叠的区域,从而达到分割目的,常用的有阈值分割法、区域标记法、区域生长法和分裂合并法。基于区域的分割方法存在一些不足之处,如易受噪声因素的影响,易产生过分割、区域碎片导致边缘不光滑,除上述缺点外,计算复杂度和实时性也是可以提升和改进的方向。边界是图像最基本的特征之一,是灰度或结构等信息的突变处,包含用于分割的基本信息。基于边缘检测的分割算法的基本思想是检测图像中的边缘点再按一定策略链接成轮廓,从而构成分割区域,常用的算法有正交梯度算子、Roberts梯度算子、方向梯度算子、二阶导数算子等。由于图像数据是二、三维的,而实际物体是N维的,因此这类算法存在较大的缺点是从高维到低维的投影会造成信息的丢失,光照和噪声等因素对检测的结果影响很大。
基于图论的分割方法是基于区域分割方法中研究的热点方向。经典的有最小生成树方法、N-Cut方法、GraphCut方法、动态区域合并方法和Graph-Based方法等,这些方法都将图像的像素点作为节点构造无向赋权图,然后按照某一准则对图的顶点进行划分,完成对图像的分割。J.Shi等人于2000年在《IEEE Transactions on Pattern Analysis and Machine Intelligence》上发表的《Normalized cuts and image segmentation》中提出的N-Cut算法属于NP-hard问题,图的节点越多,问题的求解越费时,因此对较大图像进行分割的速度异常缓慢。C.Rother等人于2004年在《ACM Transactions on Graphics》中发表的《interactive foreground extractionusing iterated graph cuts》中提出的GraphCut方法通过构建图和求能量最小化,优化分割效果。P.F.Felzenszwalb等人于2004年在《International Journal of Computer Vision》上发表的《Efficient graph-based image segmentation》中提出的graph-based方法,对领域构建图,利用最小生成树和合并准则完成聚类,执行效率高,运行时间几乎和图像的像素点数成线性关系,并且可以忽视高可变区域的细节特征,保留低可变区域的细节特征。但以上方法皆对噪声敏感,存在一定过分割现象,特别是对纹理复杂的图片分割效果不佳。
发明内容
1.发明要解决的技术问题
本发明的目的在于克服传统基于图(graph-based)的分割方法使用单一色彩特征进行图像分割造成严重误分割和过分割的不足,提供了一种改进的基于图和色彩纹理特征的图像分割方法,本发明通过多个样本获取纹理特征和色彩特征的统一系数,将图片的纹理特征和色彩特征有效融合,使用本发明的图像分割方法分割的准确性高,误分割现象大大减少。
2.技术方案
为达到上述目的,本发明提供的技术方案为:
本发明的一种改进的基于图和色彩纹理特征的图像分割方法,步骤如下:
1)选取30张样本图片,提取该30张样本图片的纹理特征和色彩特征,将得到的纹理特征和色彩特征组成一个矩阵Feature,并对矩阵Feature求协方差,将该协方差作为30幅样本图片的色彩信息和纹理信息的统一系数∑;
2)构造待分割图片的带权无向图G=(V,E);
3)提取待分割图片的纹理特征和色彩特征,并构造待分割图片的纹理色彩特征描述符;
4)利用步骤1)获得的统一系数Σ和步骤3)获得的待分割图片的纹理色彩特征描述符计算待分割图片的带权无向图中边的权值;
5)对步骤2)构造的带权无向图中的节点进行合并归类,得到符合人眼感知的分割图片。
本发明的一种改进的基于图和色彩纹理特征的图像分割方法,步骤1)中获得样本图片纹理特征和色彩特征之间的统一系数Σ的具体方法如下:
a)样本选取:
选取30幅尺寸相同的图片作为样本图片,该30幅尺寸相同的样本图片的长和宽折合为像素分别为w和h;
b)样本图片纹理特征提取:
将步骤a)中选取的30幅样本图片分别转换成灰度图,并对得到的灰度图进行haar小波变换,分解得到30幅样本图片在水平方向、垂直方向和对角方向的纹理特征集和其中,i=1,2,…30,n=1,2,…(w*h);则第i幅图片第n个像素的纹理特征为
c)样本图片色彩特征提取:
将步骤a)中选取的30幅样本图片从RGB色彩空间转换到Lab色彩空间,并在转换得到的Lab色彩空间中提取三个色彩通道L通道、a通道、b通道的值作为样本图片的色彩特征,则第i幅图片第n个像素的色彩特征为
d)求解样本图片的统一系数Σ:
利用步骤b)提取的30幅样本图片各像素点的纹理特征和步骤c)提取的30幅样本图片各像素点的色彩特征,建立一个6*(w*h*30)的矩阵,
对该色彩纹理特征矩阵Feature求协方差,将求得的协方差作为30幅样本图片的色彩信息和纹理信息的统一系数∑。
本发明的一种改进的基于图和色彩纹理特征的图像分割方法,步骤2)中构造带权无向图G=(V,E)的具体方法如下:
将待分割图片中的每个像素点作为无向图节点,V是无向图节点的集合,vi、vj表示无向图中任意两个节点,vi、vj∈V;E是无向图中所有节点构成边的集合,E(vi,vj)表示连接无向图节点vi和vj的边。
本发明的一种改进的基于图和色彩纹理特征的图像分割方法,步骤3)中获得待分割图片纹理色彩特征描述符的具体方法如下:
①将待分割图片转换成灰度图,对该灰度图进行haar小波变换,分解得到待分割图片在水平方向、垂直方向和对角方向的纹理特征集{Whn},{Wvn},{Wdn};
②将待分割图片从RGB色彩空间转换到Lab色彩空间,提取Lab色彩空间三个色彩通道的值作为待分割图片的色彩特征{colorLn},{coloran},{colorbn};
③得到待分割图片第n个像素的纹理色彩特征描述符:
vn=[Whn,Wvn,Wdn,colorLn,coloran,colorbn],n=1,2,…(w*h)。
本发明的一种改进的基于图和色彩纹理特征的图像分割方法,步骤4)中计算带权无向图中边的权值的具体方法如下:
将步骤1)中获得的统一系数∑和步骤3)中获得的待分割图片的纹理色彩特征描述符vn带入马氏距离公式得到带权无向图中边的权值w(vi,vj),该权值用于度量无向图中两节点之间的纹理色彩特征差异度,权值越大,差异越大,权值越小,差异越小。
本发明的一种改进的基于图和色彩纹理特征的图像分割方法,步骤5)中类合并的具体方法如下:
①将无向图中的边按步骤4)计算得到的权值大小进行非降排序,并将无向图中每一个节点划分为一个独立类,对应为{C1,C2,…,Cw*h},每一类对应的合并优先级为{r1,r2,…,rw*h},初始时r1=r2=…=rw*h=0,类合并顺序根据排序由前到后进行;
②执行合并准则1:
设定合并的初始阈值mInt(C1)=k,Ci和Cj表示两个不同的类,比较Ci中所有节点vi∈Ci和Cj中所有节点vj∈Cj组成的边的权值w(vi,vj),最小的权值作为Ci和Cj的类间距离Diff(Ci,Cj),
若Diff(Ci,Cj)≤mInt(Cx),则比较两节点所在类Ci,Cj的合并优先级ri,rj的大小,若
ri>rj,则类Cj并入Ci,且重新计合并后的类为Ci,合并后的类Ci的优先级为ri+1,也重新记为ri;反之,则类Ci并入Cj,重新计合并后的类为Cj,合并后的类Cj的优先级为rj+1,重新记为rj,合并后的类用数学表达式表述为:
mInt(Cx)表示合并阈值,初始时mInt(Cx)=mInt(C1)=k,执行合并操作后,自适应调整合并阈值mInt(Cx),mInt(Cx)与合并成Cx的两子类Ci和Cj的最大类内距离Int(Ci)和Int(Cj)及Ci和Cj包含的节点数size(Ci)和size(Cj)有关,其中:
mInt(Cx)=min(Int(Ci)+T(Ci),Int(Cj)+T(Cj));
若Diff(Ci,Cj)>mInt(Cx),则Ci,Cj为独立的类;按照权值由小到大重复对类执行合并准则1,得到分割结果将每一类划分为独立的区域,完成初始分割;
③执行合并准则2:
完成初始分割后,针对节点数很少的类执行合并准则2,设定初始合并阈值为k2,若某一类包含的节点数小于k2,则将该类合并到在空间上相邻且类间距离最小的类中。
本发明的一种改进的基于图和色彩纹理特征的图像分割方法,步骤5)中执行合并准则1时初始阈值k的取值范围为400~500;执行合并准则2时初始合并阈值k2为150~200。
3.有益效果
采用本发明提供的技术方案,与已有的公知技术相比,具有如下显著效果:
(1)本发明的一种改进的基于图和色彩纹理特征的图像分割方法,其利用haar小波变换分解得到样本图片和待分割图片在水平方向、垂直方向和对角方向的纹理特征,该纹理特征能很好的体现样本图片和待分割图片的纹理信息,良好的纹理信息是分割效果的保证;
(2)本发明的一种改进的基于图和色彩纹理特征的图像分割方法,其利用马氏距离公式实现纹理信息和色彩信息的有效融合,避免了传统采用单一色彩信息分割图片时,对纹理信息丰富的图片容易产生过分割、误分割的现象的问题,分割效果好;
(3)本发明的一种改进的基于图和色彩纹理特征的图像分割方法,通过合并准则1实现待分割图片的初始分割,通过合并准则2对执行合并准则1后出现的节点数较少的类进行进一步合并,以避免在分割得到的图片中出现较多的过分割,分割的效果更符合人眼感知。
附图说明
图1为本发明的一种改进的基于图和色彩纹理特征的图像分割方法中用到的编号为134008的待分割图片示意图;
图2中的(a)为本发明中步骤1)提取的色彩特征分布的统计直方图;图2中的(b)为本发明中步骤1)提取的纹理特征分布的统计直方图;
图3为本发明中步骤2)构造的带权无向图的示意图;
图4为本发明的一种改进的基于图和色彩纹理特征的图像分割方法流程图;
图5为本发明中步骤1)获得统一系数的流程图;
图6中的(a)、(b)、(c)分别为本发明中利用haar小波变换获得的编号为134008的待分割图片在水平方向、垂直方向和对角方向的纹理图像;
图7中的(a)为编号134008的待分割图片使用本发明的分割方法与使用传统基于graph方法的分割结果对比图;图7中的(b)为编号253027的待分割图片使用本发明的分割方法与使用传统基于graph方法的分割结果对比图;
图8中的(a)为编号145086的待分割图片使用本发明的分割方法与使用CTM方法、Meanshift方法和N-Cut方法的分割结果对比图;图8中的(b)为编号124084的待分割图片使用本发明的分割方法与使用CTM方法、Meanshift方法和N-Cut方法的分割结果对比图。
具体实施方式
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。
实施例1
结合附图,本实施例的一种改进的基于图和色彩纹理特征的图像分割方法,具体流程图如图4所示,步骤如下:
1)选取30张样本图片,提取该30张样本图片的纹理特征和色彩特征,将得到的纹理特征和色彩特征组成一个矩阵Feature,并对矩阵Feature求协方差,将该协方差作为30幅样本图片的色彩信息和纹理信息的统一系数∑。
由于图片的纹理信息和Lab色彩信息的统计分布不同,如图2所示,其中,图2中的(a)是30幅样本图片中所有像素点根据Lab值不同做出的统计直方图,图2中的(b)是30幅样本图片的水平、垂直、对角方向纹理图像灰度值的统计直方图,图2真实反映了后续计算所需的色彩信息和纹理信息的数值情况。因此在对提取的纹理信息和色彩信息进行代数计算时,需要找到两者之间的协方差矩阵,简称为统一系数,避免纹理信息和色彩信息中的一种占整体信息的权重较大,忽略另一信息的影响,使另一信息对结果不起作用或作用甚微的情况。
2)构造待分割图片的带权无向图G=(V,E)。
3)提取待分割图片的纹理特征和色彩特征,并构造待分割图片的纹理色彩特征描述符。
4)利用步骤1)获得的统一系数Σ和步骤3)获得的待分割图片的纹理色彩特征描述符计算待分割图片的带权无向图中边的权值。
5)对步骤2)构造的带权无向图中的节点进行合并归类,得到符合人眼感知的分割图片。
其中,步骤1)中获得样本图片纹理特征和色彩特征之间的统一系数Σ的具体方法(具体流程如图5所示)如下:
a)样本选取:
在berkeley大学标准分割图片库中选取30幅尺寸相同的图片作为样本图片,该30幅尺寸相同的样本图片的长和宽折合为像素分别为w和h。
b)样本图片纹理特征提取:
将步骤a)中选取的30幅样本图片分别转换成灰度图,并对得到的灰度图进行haar小波变换,分解得到30幅样本图片在水平方向、垂直方向和对角方向的纹理特征集和其中,i=1,2,…30,n=1,2,…(w*h);则第i幅图片第n个像素的纹理特征为
c)样本图片色彩特征提取:
将步骤a)中选取的30幅样本图片从RGB色彩空间转换到Lab色彩空间,并在转换得到的Lab色彩空间中提取三个色彩通道L通道、a通道、b通道的值作为样本图片的色彩特征,则第i幅图片第n个像素的色彩特征为
d)求解样本图片的统一系数Σ:
利用步骤b)提取的30幅样本图片各像素点的纹理特征和步骤c)提取的30幅样本图片各像素点的色彩特征,建立一个6*(w*h*30)的矩阵,
对该色彩纹理特征矩阵Feature求协方差,将求得的协方差作为30幅样本图片的色彩信息和纹理信息的统一系数∑。Σ是6*6的协方差矩阵,第i行j列的元素记为Σij。把特征矩阵Feature转置为(w*h*30)*6的矩阵,
此处值得说明的是,本实施例中涉及的haar小波变换是在图像分割领域经常使用一种的标准算法,将图片从RGB色彩空间转换到Lab色彩空间以及将图片转换成灰度图的方法也是图像处理中较基础的方法,此处均不再赘述,本实施例利用haar小波变换分解得到样本图片和待分割图片在水平方向、垂直方向和对角方向的纹理特征,该纹理特征能很好的体现样本图片和待分割图片的纹理信息,良好的纹理信息是分割效果的保证。
步骤2)中构造带权无向图G=(V,E)的具体方法如下:
将待分割图片中的每个像素点作为无向图节点,本实施例中待分割图片为berkeley大学标准分割图片库中编号为134008的标准图片(如图1所示)。V是无向图节点的集合,vi、vj表示无向图中任意两个节点,vi、vj∈V;E是无向图中所有节点构成边的集合,E(vi,vj)表示连接无向图节点vi和vj的边。
步骤3)中获得待分割图片纹理色彩特征描述符的具体方法如下:
①将待分割图片转换成灰度图,对该灰度图进行haar小波变换,分解得到待分割图片在水平方向、垂直方向和对角方向的纹理特征集{Whn},{Wvn},{Wdn}。因此待分割图片各像素点vn(n=1,2…w*h)的纹理特征为[Whn,Wvn,Wdn],利用haar小波变换获得的编号为134008的待分割图片在水平方向、垂直方向和对角方向的纹理图像如图6中的(a)、(b)、(c)所示。
②将待分割图片从RGB色彩空间转换到Lab色彩空间,提取Lab色彩空间三个色彩通道的值作为待分割图片的色彩特征{colorLn},{coloran},{colorbn}。待分割图片各像素点vn(n=1,2…w*h)的色彩特征为[colorLn,coloran,colorbn]。
③得到待分割图片第n个像素的纹理色彩特征描述符:
vn=[Whn,Wvn,Wdn,colorLn,coloran,colorbn],n=1,2,…(w*h)。
步骤4)中计算带权无向图中边的权值的具体方法如下:
将步骤1)中获得的统一系数∑和步骤3)中获得的待分割图片的纹理色彩特征描述符vn带入马氏距离公式得到带权无向图中边的权值w(vi,vj),
该权值用于度量无向图中两节点之间的纹理色彩特征差异度,权值越大,差异越大,权值越小,差异越小。结合图3所示步骤2)构造的带权无向图的示意图,按从左至右的顺序来看,若相邻两个点都与其8邻域的邻点建立边,会出现较多重叠的边,为降低计算的复杂度,减少不必要的冗余,只计算以某一节点为中心的8邻域中4节点之间的距离,作为边的权值。本实施例中利用马氏距离公式实现纹理信息和色彩信息的有效融合,避免了传统采用单一色彩信息分割图片时,对纹理信息丰富的图片容易产生过分割、误分割的现象的问题,分割效果好。
步骤5)中类合并的具体方法如下:
①将无向图中的边按步骤4)计算得到的权值大小进行非降排序,并将无向图中每一个节点划分为一个独立类,对应为{C1,C2,…,Cw*h},每一类对应的合并优先级为{r1,r2,…,rw*h},初始时r1=r2=…=rw*h=0,由于边的权值大小表征组成边的两个节点之间的差异度,类合并顺序根据排序由前到后进行,减少了冗余计算。
②执行合并准则1:
设定合并的初始阈值mInt(C1)=k,本实施例中k值为400,Ci和Cj表示两个不同的类,比较Ci中所有节点vi∈Ci和Cj中所有节点vj∈Cj组成的边的权值w(vi,vj),最小的权值作为Ci和Cj的类间距离Diff(Ci,Cj),
若Diff(Ci,Cj)≤mInt(Cx),则比较两节点所在类Ci,Cj的合并优先级ri,rj的大小,若ri>rj,则类Cj并入Ci,且重新计合并后的类为Ci,合并后的类Ci的优先级为ri+1,也重新记为ri;反之,则类Ci并入Cj,重新计合并后的类为Cj,合并后的类Cj的优先级为rj+1,重新记为rj,合并后的类用数学表达式表述为:
mInt(Cx)表示合并阈值,初始时mInt(Cx)=mInt(C1)=k,执行合并操作后,自适应调整合并阈值mInt(Cx),mInt(Cx)与合并成Cx的两子类Ci和Cj的最大类内距离Int(Ci)和Int(Cj)及Ci和Cj包含的节点数size(Ci)和size(Cj)有关,其中:
mInt(Cx)=min(Int(Ci)+T(Ci),Int(Cj)+T(Cj));
若Diff(Ci,Cj)>mInt(Cx),则Ci,Cj为独立的类;按照权值由小到大重复对类执行合并准则1,得到分割结果将每一类划分为独立的区域,完成初始分割。
③执行合并准则2:
完成初始分割后,会存在节点数很少的类作为独立区域,这样的区域面积很小,在分割结果图中显示出大量的过分割。针对节点数很少的类执行合并准则2,设定初始合并阈值为k2,该合并阈值可根据不同的图片调整,本实施例中k2的值为150。若某一类包含的节点数小于k2,则将该类合并到在空间上相邻且类间距离最小的类中。执行完合并准则2后分割的效果更符合人眼感知。
从两个方面对本实施例的实验结果进行分析:1)本实施例的分割方法与传统graph-based分割方法的性能评价与比较;2)本实施例的分割方法与经典分割方法NCut、Meanshift、CTM的性能评价与比较。
分割测试图片来自berkeley大学网站提供的标准分割图片库。对一幅共有n个像素的图像进行分割,参考分割图像和实际分割图像分别用S、Stest表示,其中,S共有K个分割区域{s1,s2,…,sK},Stest共有K个分割区域性能评价标准是公认度和引用次数较高的PRI/VoI/GCE。
1)概率边缘指数(Probabilistic Rand Index,PRI)是检验实际分割结果与参考结果之间的属性共生的一致性的参量。对于任一像元对xi、xj,若在参考图像S中像元标记li、lj相同,则在实际分割图像Stest中,像元标记li′、lj′也应该相同,PRI值范围在[0,1],越大越好。定义公式如下:
其中nuv表示在S中标记为u且在Stest中标记为v的像元数目;nu·表示在S中标记为u的像元数目,即nu·=∑vnuv;n·v表示在Stest中标记为v的像元数目,即n·v=∑unuv。
2)全局一致性误差(Global Consistency Error,GCE)是定义在局部细分误差基础上的。局部细分误差定义如下:
其中pi表示原始图像中的某个像元,<R>表示集合R中元素的个数,符号“\”表示差集。由上式可知局部细分误差不是对称的,所以全局一致性误差定义如下:
GCE越小,说明全局一致性误差越小。
3)变化信息(Variation of Information,VoI)是利用参考分割图像的熵,实际分割图像的熵,参考分割图像和实际分割图像的联合熵3个分量计算得出的。具体公式如下:
VoI(S,Stest)=H(S)+H(Stest)-2I(S,Stest)
S的熵为
同理可得Stest的熵为
P(k,k′)=nkk′/n
VoI值越小,说明实际分割图像相对参考分割图像信息变化越少,实际分割图像越接近与参考分割图像。
利用PRI,GCE,VoI三个评价指标将本实施例与传统graph-based算法进行比较,由表1可以看出本实施例分割的PRI值更大,GCE、VoI值更小(PRI越大越好,GCE/VoI越小越好),说明本实施例比起传统graph-based分割图像效果更好,性能有所提升。本实施例中编号134008的待分割图片使用本实施例的分割方法与使用传统基于graph方法的分割结果对比图如图7中的(a)所示,编号253027的待分割图片使用本实施例的分割方法与使用传统基于graph方法的分割结果对比图如图7中(b)所示。
表1本实施例与传统graph-based方法的定量评价
利用PRI,GCE,VoI三个指标,将本实施例与Meanshift,N-Cut,CTM算法进行比较,由表2可以看出本实施例的PRI值最大,GCE,VoI值最小,说明本实施例分割图像效果好。编号145086的待分割图片使用本实施例的分割方法与使用CTM方法、Meanshift方法和N-Cut方法的分割结果对比图如图8中的(a)所示;编号124084的待分割图片使用本实施例的分割方法与使用CTM方法、Meanshift方法和N-Cut方法的分割结果对比图如图8中的(b)所示。
表2图像分割结果的定量评价
本实施例克服了传统基于graph方法只采用色彩特征,忽略纹理特征影响,对纹理信息丰富的图片会造成严重误分割和过分割的问题。通过30幅样本图片得到纹理特征和色彩特征的统一系数,将纹理和色彩信息有效融合,实验表明,本实施例的分割方法分割准确性高,误分割现象大大减少。
实施例2
本实施例的一种改进的基于图和色彩纹理特征的图像分割方法,基本步骤以及分割效果同实施例1,不同之处在于:步骤5)中执行合并准则1时初始阈值k的取值范围为450;执行合并准则2时初始合并阈值k2为175。
实施例3
本实施例的一种改进的基于图和色彩纹理特征的图像分割方法,基本步骤以及分割效果同实施例1,不同之处在于:步骤5)中执行合并准则1时初始阈值k的取值范围为500;执行合并准则2时初始合并阈值k2为200。
上述实施例的一种改进的基于图和色彩纹理特征的图像分割方法,分割的准确性高,误分割、过分割现象大大减少。可为基于内容的视频检索、图像检索、视频编解码、运动估计等后期应用提供稳定的分割结果,抽象出有用的对象信息。
Claims (7)
1.一种改进的基于图和色彩纹理特征的图像分割方法,步骤如下:
1)选取30张样本图片,提取该30张样本图片的纹理特征和色彩特征,将得到的纹理特征和色彩特征组成一个矩阵Feature,并对矩阵Feature求协方差,将该协方差作为30幅样本图片的色彩信息和纹理信息的统一系数∑;
2)构造待分割图片的带权无向图G=(V,E);
3)提取待分割图片的纹理特征和色彩特征,并构造待分割图片的纹理色彩特征描述符;
4)利用步骤1)获得的统一系数Σ和步骤3)获得的待分割图片的纹理色彩特征描述符计算待分割图片的带权无向图中边的权值;
5)对步骤2)构造的带权无向图中的节点进行合并归类,得到符合人眼感知的分割图片。
2.根据权利要求1所述的一种改进的基于图和色彩纹理特征的图像分割方法,其特征在于:步骤1)中获得样本图片纹理特征和色彩特征之间的统一系数Σ的具体方法如下:
a)样本选取:
选取30幅尺寸相同的图片作为样本图片,该30幅尺寸相同的样本图片的长和宽折合为像素分别为w和h;
b)样本图片纹理特征提取:
将步骤a)中选取的30幅样本图片分别转换成灰度图,并对得到的灰度图进行haar小波变换,分解得到30幅样本图片在水平方向、垂直方向和对角方向的纹理特征集和其中,i=1,2,…30,n=1,2,…(w*h);则第i幅图片第n个像素的纹理特征为
c)样本图片色彩特征提取:
将步骤a)中选取的30幅样本图片从RGB色彩空间转换到Lab色彩空间,并在转换得到的Lab色彩空间中提取三个色彩通道L通道、a通道、b通道的值作为样本图片的色彩特征,则第i幅图片第n个像素的色彩特征为
d)求解样本图片的统一系数Σ:
利用步骤b)提取的30幅样本图片各像素点的纹理特征和步骤c)提取的30幅样本图片各像素点的色彩特征,建立一个6*(w*h*30)的矩阵,
对该色彩纹理特征矩阵Feature求协方差,将求得的协方差作为30幅样本图片的色彩信息和纹理信息的统一系数∑。
3.根据权利要求2所述的一种改进的基于图和色彩纹理特征的图像分割方法,其特征在于:步骤2)中构造带权无向图G=(V,E)的具体方法如下:
将待分割图片中的每个像素点作为无向图节点,V是无向图节点的集合,vi、vj表示无向图中任意两个节点,vi、vj∈V;E是无向图中所有节点构成边的集合,E(vi,vj)表示连接无向图节点vi和vj的边。
4.根据权利要求3所述的一种改进的基于图和色彩纹理特征的图像分割方法,其特征在于:步骤3)中获得待分割图片纹理色彩特征描述符的具体方法如下:
①将待分割图片转换成灰度图,对该灰度图进行haar小波变换,分解得到待分割图片在水平方向、垂直方向和对角方向的纹理特征集{Whn},{Wvn},{Wdn};
②将待分割图片从RGB色彩空间转换到Lab色彩空间,提取Lab色彩空间三个色彩通道的值作为待分割图片的色彩特征{colorLn},{coloran},{colorbn};
③得到待分割图片第n个像素的纹理色彩特征描述符:
vn=[Whn,Wvn,Wdn,colorLn,coloran,colorbn],n=1,2,…(w*h)。
5.根据权利要求3或4所述的一种改进的基于图和色彩纹理特征的图像分割方法,其特征在于:步骤4)中计算带权无向图中边的权值的具体方法如下:
将步骤1)中获得的统一系数∑和步骤3)中获得的待分割图片的纹理色彩特征描述符vn带入马氏距离公式得到带权无向图中边的权值w(vi,vj),该权值用于度量无向图中两节点之间的纹理色彩特征差异度,权值越大,差异越大,权值越小,差异越小。
6.根据权利要求5所述的一种改进的基于图和色彩纹理特征的图像分割方法,其特征在于:步骤5)中类合并的具体方法如下:
①将无向图中的边按步骤4)计算得到的权值大小进行非降排序,并将无向图中每一个节点划分为一个独立类,对应为{C1,C2,…,Cw*h},每一类对应的合并优先级为{r1,r2,…,rw*h},初始时r1=r2=…=rw*h=0,类合并顺序根据排序由前到后进行;
②执行合并准则1:
设定合并的初始阈值mInt(C1)=k,Ci和Cj表示两个不同的类,比较Ci中所有节点vi∈Ci和Cj中所有节点vj∈Cj组成的边的权值w(vi,vj),最小的权值作为Ci和Cj的类间距离Diff(Ci,Cj),
若Diff(Ci,Cj)≤mInt(Cx),则比较两节点所在类Ci,Cj的合并优先级ri,rj的大小,若ri>rj,则类Cj并入Ci,且重新计合并后的类为Ci,合并后的类Ci的优先级为ri+1,也重新记为ri;反之,则类Ci并入Cj,重新计合并后的类为Cj,合并后的类Cj的优先级为rj+1,重新记为rj,合并后的类用数学表达式表述为:
mInt(Cx)表示合并阈值,初始时mInt(Cx)=mInt(C1)=k,执行合并操作后,自适应调整合并阈值mInt(Cx),mInt(Cx)与合并成Cx的两子类Ci和Cj的最大类内距离Int(Ci)和Int(Cj)及Ci和Cj包含的节点数size(Ci)和size(Cj)有关,其中:
mInt(Cx)=min(Int(Ci)+T(Ci),Int(Cj)+T(Cj));
若Diff(Ci,Cj)>mInt(Cx),则Ci,Cj为独立的类;按照权值由小到大重复对类执行合并准则1,得到分割结果将每一类划分为独立的区域,完成初始分割;
③执行合并准则2:
完成初始分割后,针对节点数很少的类执行合并准则2,设定初始合并阈值为k2,若某一类包含的节点数小于k2,则将该类合并到在空间上相邻且类间距离最小的类中。
7.根据权利要求6所述的一种改进的基于图和色彩纹理特征的图像分割方法,其特征在于:步骤5)中执行合并准则1时初始阈值k的取值范围为400~500;执行合并准则2时初始合并阈值k2为150~200。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310486060.4A CN103530882B (zh) | 2013-10-17 | 2013-10-17 | 一种改进的基于图和色彩纹理特征的图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310486060.4A CN103530882B (zh) | 2013-10-17 | 2013-10-17 | 一种改进的基于图和色彩纹理特征的图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103530882A true CN103530882A (zh) | 2014-01-22 |
CN103530882B CN103530882B (zh) | 2017-02-08 |
Family
ID=49932861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310486060.4A Expired - Fee Related CN103530882B (zh) | 2013-10-17 | 2013-10-17 | 一种改进的基于图和色彩纹理特征的图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103530882B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886614A (zh) * | 2014-04-14 | 2014-06-25 | 重庆威堪科技有限公司 | 基于网络节点分形维数的图像边缘检测方法 |
CN104504734A (zh) * | 2014-09-16 | 2015-04-08 | 浙江工业大学 | 一种基于语义的图像颜色传输方法 |
CN104778703A (zh) * | 2015-04-15 | 2015-07-15 | 天津大学 | 织物图案创意要素自动提取方法 |
CN105303546A (zh) * | 2014-06-20 | 2016-02-03 | 江南大学 | 基于模糊连接度的近邻传播聚类图像分割方法 |
CN105488809A (zh) * | 2016-01-14 | 2016-04-13 | 电子科技大学 | 基于rgbd描述符的室内场景语义分割方法 |
CN105513008A (zh) * | 2015-12-15 | 2016-04-20 | 天津津芯微电子科技有限公司 | 一种图像处理方法及装置 |
CN107220985A (zh) * | 2017-05-18 | 2017-09-29 | 西安电子科技大学 | 基于图划分粒子群优化的sar图像自动分割方法 |
CN107543828A (zh) * | 2017-08-25 | 2018-01-05 | 广东工业大学 | 一种工件表面缺陷检测方法及系统 |
CN112991238A (zh) * | 2021-02-22 | 2021-06-18 | 上海市第四人民医院 | 基于纹理色彩混合式的食物图像分割方法、系统、介质及终端 |
CN114239198A (zh) * | 2021-12-06 | 2022-03-25 | 国网湖北省电力有限公司电力科学研究院 | 一种基于并行优化的电网子图划分方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101558404A (zh) * | 2005-06-17 | 2009-10-14 | 微软公司 | 图像分割 |
CN102760292A (zh) * | 2011-04-26 | 2012-10-31 | 李国君 | 利用纹理特征的影像分割法 |
US20130051663A1 (en) * | 2011-08-26 | 2013-02-28 | Aravind Krishnaswamy | Fast Adaptive Edge-Aware Matting |
US20130243308A1 (en) * | 2012-03-17 | 2013-09-19 | Sony Corporation | Integrated interactive segmentation with spatial constraint for digital image analysis |
-
2013
- 2013-10-17 CN CN201310486060.4A patent/CN103530882B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101558404A (zh) * | 2005-06-17 | 2009-10-14 | 微软公司 | 图像分割 |
CN102760292A (zh) * | 2011-04-26 | 2012-10-31 | 李国君 | 利用纹理特征的影像分割法 |
US20130051663A1 (en) * | 2011-08-26 | 2013-02-28 | Aravind Krishnaswamy | Fast Adaptive Edge-Aware Matting |
US20130243308A1 (en) * | 2012-03-17 | 2013-09-19 | Sony Corporation | Integrated interactive segmentation with spatial constraint for digital image analysis |
Non-Patent Citations (4)
Title |
---|
ÖZLEM N. SUBAKAN · BABA C. VEMURI: "A Quaternion Framework for Color Image Smoothing and Segmentation", 《INT J COMPUT VIS》 * |
PEDRO F. FELZENSZWALB 等: "Efficient Graph-Based Image Segmentation", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》 * |
李小红 等: "结合分水岭和区域合并的彩色图像分割", 《电子测量与仪器学报》 * |
陈强 等: "基于统计和纹理特征的SAS图像SVM分割研究", 《仪器仪表学报》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886614A (zh) * | 2014-04-14 | 2014-06-25 | 重庆威堪科技有限公司 | 基于网络节点分形维数的图像边缘检测方法 |
CN103886614B (zh) * | 2014-04-14 | 2017-05-03 | 重庆威堪科技有限公司 | 基于网络节点分形维数的图像边缘检测方法 |
CN105303546B (zh) * | 2014-06-20 | 2018-08-17 | 江南大学 | 基于模糊连接度的近邻传播聚类图像分割方法 |
CN105303546A (zh) * | 2014-06-20 | 2016-02-03 | 江南大学 | 基于模糊连接度的近邻传播聚类图像分割方法 |
CN104504734A (zh) * | 2014-09-16 | 2015-04-08 | 浙江工业大学 | 一种基于语义的图像颜色传输方法 |
CN104504734B (zh) * | 2014-09-16 | 2017-09-26 | 浙江工业大学 | 一种基于语义的图像颜色传输方法 |
CN104778703A (zh) * | 2015-04-15 | 2015-07-15 | 天津大学 | 织物图案创意要素自动提取方法 |
CN105513008A (zh) * | 2015-12-15 | 2016-04-20 | 天津津芯微电子科技有限公司 | 一种图像处理方法及装置 |
CN105513008B (zh) * | 2015-12-15 | 2019-01-11 | 天津津芯微电子科技有限公司 | 一种图像处理方法及装置 |
CN105488809A (zh) * | 2016-01-14 | 2016-04-13 | 电子科技大学 | 基于rgbd描述符的室内场景语义分割方法 |
CN105488809B (zh) * | 2016-01-14 | 2018-04-17 | 电子科技大学 | 基于rgbd描述符的室内场景语义分割方法 |
CN107220985A (zh) * | 2017-05-18 | 2017-09-29 | 西安电子科技大学 | 基于图划分粒子群优化的sar图像自动分割方法 |
CN107220985B (zh) * | 2017-05-18 | 2020-02-07 | 西安电子科技大学 | 基于图划分粒子群优化的sar图像自动分割方法 |
CN107543828A (zh) * | 2017-08-25 | 2018-01-05 | 广东工业大学 | 一种工件表面缺陷检测方法及系统 |
CN107543828B (zh) * | 2017-08-25 | 2020-09-11 | 广东工业大学 | 一种工件表面缺陷检测方法及系统 |
CN112991238A (zh) * | 2021-02-22 | 2021-06-18 | 上海市第四人民医院 | 基于纹理色彩混合式的食物图像分割方法、系统、介质及终端 |
CN112991238B (zh) * | 2021-02-22 | 2023-08-22 | 上海市第四人民医院 | 基于纹理色彩混合式的食物图像分割方法、系统、介质 |
CN114239198A (zh) * | 2021-12-06 | 2022-03-25 | 国网湖北省电力有限公司电力科学研究院 | 一种基于并行优化的电网子图划分方法及装置 |
CN114239198B (zh) * | 2021-12-06 | 2023-03-10 | 国网湖北省电力有限公司电力科学研究院 | 一种基于并行优化的电网子图划分方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103530882B (zh) | 2017-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103530882A (zh) | 一种改进的基于图和色彩纹理特征的图像分割方法 | |
CN101976438B (zh) | 基于空间邻域信息的fcm纹理图像分割方法 | |
Ochmann et al. | Automatic generation of structural building descriptions from 3D point cloud scans | |
Alidoost et al. | A CNN-based approach for automatic building detection and recognition of roof types using a single aerial image | |
CN102682287B (zh) | 基于显著度信息的行人检测方法 | |
CN104240256B (zh) | 一种基于层次化稀疏建模的图像显著性检测方法 | |
CN102663757A (zh) | 基于核传递的半自动图像分割方法 | |
CN105608692B (zh) | 基于反卷积网络和稀疏分类的极化sar图像分割方法 | |
WO2021082168A1 (zh) | 一种场景图像中特定目标对象的匹配方法 | |
CN103198479B (zh) | 基于语义信息分类的sar图像分割方法 | |
CN102254326A (zh) | 利用核传递进行图像分割的方法 | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN103955913A (zh) | 一种基于线段共生矩阵特征和区域图的sar图像分割方法 | |
CN105608454A (zh) | 基于文字结构部件检测神经网络的文字检测方法及系统 | |
CN106055653A (zh) | 基于图像语义注释的视频浓缩对象检索方法 | |
CN101930537A (zh) | 基于弯曲不变量相关特征的三维人脸识别方法及系统 | |
Oskouie et al. | Automated recognition of building façades for creation of As-Is Mock-Up 3D models | |
CN107341813A (zh) | 基于结构学习和素描特性推理网络的sar图像分割方法 | |
CN102622761B (zh) | 基于相似性相互作用机理的图像分割方法 | |
CN103150731A (zh) | 一种模糊聚类图像分割方法 | |
CN103136757A (zh) | 基于流形距离的两阶段聚类算法的sar图像分割方法 | |
CN104268507A (zh) | 一种基于rgb-d图像的手语字母识别方法 | |
Rajeswari et al. | Automatic road extraction based on level set, normalized cuts and mean shift methods | |
Yang et al. | Semantic segmentation in architectural floor plans for detecting walls and doors | |
CN103793913A (zh) | 一种结合均值漂移的谱聚类图像分割方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170208 Termination date: 20181017 |
|
CF01 | Termination of patent right due to non-payment of annual fee |