CN103530887B - 一种基于多特征融合的河面图像区域分割方法 - Google Patents
一种基于多特征融合的河面图像区域分割方法 Download PDFInfo
- Publication number
- CN103530887B CN103530887B CN201310524589.0A CN201310524589A CN103530887B CN 103530887 B CN103530887 B CN 103530887B CN 201310524589 A CN201310524589 A CN 201310524589A CN 103530887 B CN103530887 B CN 103530887B
- Authority
- CN
- China
- Prior art keywords
- river
- segmentation
- river surface
- image
- coefficient
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多特征融合的河面图像区域分割方法,属于图像分割技术领域。该基于多特征融合的河面分割算法,将图像的饱和度、纹理和色调等特征通过融合公式结合在一起,作为河面分割的融合特征。同时,通过大量的实验获取最佳参数,使得分割效果达到最好。本方法能够克服传统的利用单特征对河流图像进行分割存在的不足,在河岸河面环境因素较复杂的情况下,有针对性的改变参数对河流图片进行分割,实现了较高的准确率。
Description
技术领域
本发明属于图像分割技术领域,涉及一种基于多特征融合的河面图像区域分割方法。
背景技术
近年来,随着工业发展和城镇扩张,河流生态环境的治理越来越重要,而河流监测在综合治理中起到了很重要的作用。河流监测是一项简单、枯燥而又时间长的工作,不适合采用人力,因此智能监控技术逐步被用在河流综合整治上。把摄像机固定在河岸上,采用非垂直角度进行拍摄,该方法不仅能够克服人力监测的弊端,而且能实时为管理者提供河流漂浮物和水体颜色等相关数据。上述监测方法提升了管理效率,对环境保护具有重大的意义。然而,由于在视频监控图像中包含河流和河岸两个区域,河岸区域属于干扰区域,而我们的感兴趣区域是河流区域,因此我们必须先对图像进行分割得到河流区域。分割的效果将直接影响到数据的准确性,这时一种好的分割算法就显得尤为重要。
图像分割是将图片中人们感兴趣的区域从背景中分割提取出来,到目前为止主要的图像分割算法有:阈值分割、区域分割、边缘检测分割和特定理论分割等。阈值分割是一种基于区域的图像分割算法。图像f(x,y)由不同灰度级像素值组成,选取阈值T,所有f(x,y)>T的点(x,y)为前景点,否则为背景点。基于区域分割是将图像f(x,y)划分成不同的区域,然后根据区域间的灰度不连续找到区域之间的边界进行图像分割,包括区域生长和分裂合并。在图像中,灰度级或者结构具有突变的地方,表明一个区域的终结另一个区域开始。这种不连续性称为边缘。边缘检测分割是检测图像中的边缘进行图像分割的一种算法。一般的边缘检测算法有:Roberts算子,Prewitt算子,Sobel算子,Canny算子等等。
目前国内外针对水面图像分割也有大量的研究,比如基于饱和度和区域一致性水面静态物体检测,基于HSV空间水面分割等等。它们主要基于水面饱和度低于河岸或者水面亮度高于河岸等特点对河流图像进行分割,一些比较简单的场景利用此方法能够很好的提取水面区域。但是河流是比较复杂的环境,比如河流中的倒影多样性,河岸环境复杂,水面因波浪或者水质呈现出不同颜色等等,因此利用前面的方法对于噪声干扰很严重的图像进行分割,无法取得很好的效果。
发明内容
有鉴于此,本发明的目的在于提供一种基于多特征融合的河面图像区域分割方法,该方法将图像的饱和度、纹理和色调等多个特征通过特定的公式进行融合,然后对河流区域进行提取。
为达到上述目的,本发明提供如下技术方案:
一种基于多特征融合的河面图像区域分割方法,包括以下步骤:步骤一:利用固定在河岸上的摄像机对河面图像进行采集,采用非垂直角度进行拍摄;步骤二:对采集到的河面图片进行饱和度、色调和纹理三个特征的提取;步骤三:采用多特征融合的方法对河面图像进行区域分割。
进一步,在步骤三中,采用以下算法对河面图像进行区域分割:
Img=x1*S+x2*G+x3*H,式中Img表示经过融合多特征的图像,H表示色调分量,S表示饱和度分量,G表示纹理分量;x1,x2,x3分别表示各特征分量的权值,根据各特征使河流区域与河岸区域差别程度而取不同的值,其和等于1。
进一步,通过以下步骤获得相应的x1,x2,x3值,使得分割效果达到最好:步骤一:从图像数据库中随机选出若干张图片作为训练样本,另外选取若干张作为测试样本;步骤二:在训练样本中,针对每一组系数x1,x2,x3的可能取值进行实验,其中x1,x2,x3的值满足:
0<=x1<=1.0,0<=x2<=1.0,x3=1.0-x1-x2,其中x1,x2的增大步长为0.05;选取使得训练样本平均准确率最大的一组系数为本训练样本中的最优系数X1,X2,X3;步骤三:使用最优系数X1,X2,X3对测试样本进行实验,得到测试样本的准确率并且算出平均值;步骤四:将步骤S41到步骤S43重复进行若干次,找到最高平均准确率对应的最优系数作为算法公式系数。
本发明的有益效果在于:本发明所述的基于多特征融合的河面图像区域分割方法能够克服传统的利用单特征对河流图像进行分割存在的不足,在河岸河面环境因素较复杂的情况下,本方法通过将彩色图像的饱和度、纹理和色调特征结合在一起,作为河面分割的融合特征,有针对性的改变参数对河流图片进行分割,实现了较高的准确率。
具体实施方式
下面通过实施例对本发明进行详细的描述。
当河面和河岸的环境因素较复杂时,分别用纹理、色调、饱和度三种特征都能够很好的把大部分河流区域提取出来,但是不能完全分割河流区域。因此本发明提出融合这三个特征值来进行河面分割,以达到更好的分割效果。结合各特征的优缺点,最后提出基于多特征的河流分割算法公式:
Img=x1*S+x2*G+x3*H(1)
式中Img表示经过融合多特征的图像,H表示色调分量,S表示饱和度分量,G表示纹理分量。x1,x2,x3分别表示各特征的权值,根据各特征使河流区域与河岸区域差别程度而取不同的值,并且它们之和等于1。
实施例:
对一条环境较为复杂的河流,采用数码高清照相机在野外进行了20次的数据采集,这些图片数据从30个不同位置以及不同天气条件而采集,得到的是2352×1568大小的JPG格式图片2350张。
将采集到的图片按照环境的优劣分为优、良、差三个级别的集合,形成三个数据库,分别有510,820,1020张图片,三个数据库说明如下:
优数据库:河岸与河面饱和度有明显的差别,图片中河面相对于河岸明显要光滑,另外河岸的各种物体在颜色上与河流区域明显不同。良数据库:主要特点是图片中河岸和河面区域某一特征差别比较明显,而其他特征则不明显。例如河岸有一块区域的饱和度很低,甚至比水面还低,这种情况出现于河岸有很多光秃的泥土。差数据库:这类图片环境复杂,河岸和河流区域各个特征差别很小,无法利用一般的算法把河流和河岸分割。
对每一张图片进行河面手工标注,使用手写板工具将河岸用黑色标注出来得到理想分割图,利用理想分割图算出分割准确率,方法如下:理想分割结果图片为F(x,y),算法分割结果图片为f(x,y)。它们都是二值图且图片大小为M×N,值为1是河流区域,值为0是河岸区域。我们定义准确率rate:
式中xor(F(x,y),f(x,y))表示F(x,y)和f(x,y)进行异或运算。
通过以下步骤获取式(1)中的三个系数的最优值:
步骤1:从每个级别数据库中随机选出250张图片作为训练样本,另外选取250张作为测试样本。
步骤2:在训练样本中,针对每一组系数x1,x2,x3的可能取值进行实验,其中x1,x2,x3的值满足:0<=x1<=1.0,0<=x2<=1.0,x3=1.0-x1-x2,其中x1,x2的增大步长为0.05。选取使得训练样本平均准确率最大的一组系数为本训练样本中的最优系数X1,X2,X3。
步骤3:使用最优系数X1,X2,X3对测试样本进行实验,得到测试样本的准确率并且算出平均值。
步骤4:将步骤1到步骤3重复进行50次。
上述步骤主要考察了5个方面的指标:不同的最优系数数目、最高正确率对应系数、最高正确率、最高平均正确率对应系数、最高平均正确率。
不同的最优系数数目:指50次实验得到的50个系数组中不同的系数数目,此指标考察的是算法的稳定性,如果值越小,说明算法受图片数据影响越小,稳定性越好。
最高准确率:指通过对测试样本进行50次实验得到50个准确率中最高的准确率,它反映了最好的分割效果。
最高正确率对应系数:指算法分割得到最高准确率对应的系数。
最高平均正确率:指通过50次实验对测试样本用同一组系数进行实验得到的准确率的平均值,然后选出最大的那个值,它反映了算法的分割效果。
最高平均正确率对应系数:指算法分割得到最高平均正确率对应的系数。
上述指标的统计结果如表一所示。
表一
不同的最优系数数目说明了算法的稳定性,其值越大说明算法与训练样本关系越紧密,算法稳定性越差。从表1可以得出,优数据库最优系数数目为1,因此算法针对优数据库稳定性很好。良和差两种情况下分别为12和25,因此针对这两种数据库算法分割准确率与训练样本关系比较紧密。
最高平均准确率比最高准确率更能反应算法的优劣,因此我们应该找到最高平均准确率对应的最优系数作为算法公式的系数。从表1可以得出,优数据库最高平均准确率为0.9361,对应系数x1=0.45,x2=0.25,x3=0.3,良数据库最高平均准确率为0.7338,对应系数x1=0.15,x2=0.45,x3=0.4,差数据库最高平均准确率为0.6785,对应系数x1=0.25,x2=0.6,x3=0.15。
可见,基于多特征融合算法,把图片分为不同的等级进行处理,有针对性的改变参数对河流图片进行分割,得到了比较理想的效果。其中在优数据库上得到的最佳分割准确率为0.9601。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (1)
1.一种基于多特征融合的河面图像区域分割方法,其特征在于:包括以下步骤:
步骤一:利用固定在河岸上的摄像机对河面图像进行采集,采用非垂直角度进行拍摄;
步骤二:对采集到的河面图片进行饱和度、色调和纹理三个特征的提取;
步骤三:采用多特征融合的方法对河面图像进行区域分割;
在步骤三中,采用以下算法对河面图像进行区域分割:
Img=x1*S+x2*G+x3*H,式中Img表示经过融合多特征的图像,H表示色调分量,S表示饱和度分量,G表示纹理分量;x1,x2,x3分别表示各特征分量的权值,根据各特征使河流区域与河岸区域差别程度而取不同的值,其和等于1;
通过以下步骤获得相应的x1,x2,x3值,使得分割效果达到最好:
步骤1):从图像数据库中随机选出若干张图片作为训练样本,另外选取若干张作为测试样本;
步骤2):在训练样本中,针对每一组系数x1,x2,x3的可能取值进行实验,其中x1,x2,x3的值满足:0<=x1<=1.0,0<=x2<=1.0,x3=1.0-x1-x2,其中x1,x2的增大步长为0.05;选取使得训练样本平均准确率最大的一组系数为本训练样本中的最优系数X1,X2,X3;
步骤3):使用最优系数X1,X2,X3对测试样本进行实验,得到测试样本的准确率并且算出平均值;
步骤4):将步骤1)到步骤3)重复进行若干次,找到最高平均准确率对应的最优系数作为算法公式系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310524589.0A CN103530887B (zh) | 2013-10-29 | 2013-10-29 | 一种基于多特征融合的河面图像区域分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310524589.0A CN103530887B (zh) | 2013-10-29 | 2013-10-29 | 一种基于多特征融合的河面图像区域分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103530887A CN103530887A (zh) | 2014-01-22 |
CN103530887B true CN103530887B (zh) | 2016-02-03 |
Family
ID=49932866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310524589.0A Expired - Fee Related CN103530887B (zh) | 2013-10-29 | 2013-10-29 | 一种基于多特征融合的河面图像区域分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103530887B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038707B (zh) * | 2016-02-02 | 2020-06-05 | 杭州海康威视数字技术股份有限公司 | 一种图像分割方法及装置 |
CN106651786B (zh) * | 2016-11-04 | 2019-05-14 | 中科宇图科技股份有限公司 | 河岸区域点云数据的处理方法 |
CN109242861A (zh) * | 2018-08-23 | 2019-01-18 | 成都信息工程大学 | 一种基于图像处理的水质监控方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101515369A (zh) * | 2009-04-02 | 2009-08-26 | 西安电子科技大学 | 基于半监督学习的多尺度sar图像分割方法 |
EP2136319A2 (en) * | 2008-06-20 | 2009-12-23 | Sony Corporation | Object recognition device, object recognition method, program for object recognition method, and recording medium having recorded thereon program for object recognition method |
CN102629378A (zh) * | 2012-03-01 | 2012-08-08 | 西安电子科技大学 | 基于多特征融合的遥感图像变化检测方法 |
CN103093470A (zh) * | 2013-01-23 | 2013-05-08 | 天津大学 | 一种具有尺度无关特性的快速多模态图像协同分割方法 |
CN103236060A (zh) * | 2013-04-28 | 2013-08-07 | 北京农业信息技术研究中心 | 基于多特征融合的白粉虱图像分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3010836C (en) * | 2010-07-30 | 2020-09-08 | Fundacao D. Anna Sommer Champalimaud E Dr. Carlos Montez Champalimaud | Systems and methods for segmentation and processing of tissue images and feature extraction from same for treating, diagnosing, or predicting medical conditions |
-
2013
- 2013-10-29 CN CN201310524589.0A patent/CN103530887B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2136319A2 (en) * | 2008-06-20 | 2009-12-23 | Sony Corporation | Object recognition device, object recognition method, program for object recognition method, and recording medium having recorded thereon program for object recognition method |
CN101515369A (zh) * | 2009-04-02 | 2009-08-26 | 西安电子科技大学 | 基于半监督学习的多尺度sar图像分割方法 |
CN102629378A (zh) * | 2012-03-01 | 2012-08-08 | 西安电子科技大学 | 基于多特征融合的遥感图像变化检测方法 |
CN103093470A (zh) * | 2013-01-23 | 2013-05-08 | 天津大学 | 一种具有尺度无关特性的快速多模态图像协同分割方法 |
CN103236060A (zh) * | 2013-04-28 | 2013-08-07 | 北京农业信息技术研究中心 | 基于多特征融合的白粉虱图像分割方法 |
Non-Patent Citations (2)
Title |
---|
HSV 空间中彩色图像分割研究;张国权等;《计算机工程与应用》;20101231;第46卷(第26期);第1部分第1-3段 * |
基于多特征融合的复杂野外环境下水体障碍物的检测;徐栋;《中国优秀硕士学位论文》;20071215;第9页第2段以及图1-4,第14页第2段 * |
Also Published As
Publication number | Publication date |
---|---|
CN103530887A (zh) | 2014-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111797712B (zh) | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 | |
CN102567731B (zh) | 一种感兴趣区域提取方法 | |
CN103136766B (zh) | 一种基于颜色对比和颜色分布的物体显著性检测方法 | |
CN105654445B (zh) | 一种基于小波变换边缘检测的手机图像去噪方法 | |
CN109034026B (zh) | 一种遥感影像中水陆区域的红树林提取方法及系统 | |
CN109242888A (zh) | 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法 | |
CN107358161B (zh) | 一种基于遥感影像分类的海岸线提取方法及系统 | |
CN108121991A (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN104850850A (zh) | 一种结合形状和颜色的双目立体视觉图像特征提取方法 | |
CN104392233B (zh) | 一种基于区域的图像显著图提取方法 | |
CN108986116B (zh) | 一种基于遥感影像的红树林提取方法及系统 | |
CN102147867B (zh) | 一种基于主体的国画图像和书法图像的识别方法 | |
CN101551853A (zh) | 复杂静态彩色背景下的人耳检测方法 | |
CN106530313A (zh) | 一种基于区域分割的海天线实时检测方法 | |
CN103106658A (zh) | 一种海岛、礁岸线快速提取方法 | |
Cai et al. | Study on shadow detection method on high resolution remote sensing image based on HIS space transformation and NDVI index | |
CN109800713A (zh) | 基于区域增长的遥感图像云检测方法 | |
CN110414509A (zh) | 基于海陆分割和特征金字塔网络的港口停靠舰船检测方法 | |
Wu et al. | A weighting mean-separated sub-histogram equalization for contrast enhancement | |
CN108710862A (zh) | 一种高分辨率遥感影像水体提取方法 | |
CN103530887B (zh) | 一种基于多特征融合的河面图像区域分割方法 | |
CN109359533A (zh) | 一种基于多波段遥感影像的海岸线提取方法 | |
CN108829711A (zh) | 一种基于多特征融合的图像检索方法 | |
CN107154044A (zh) | 一种中餐食物图像的分割方法 | |
CN109840496A (zh) | 海水养殖区分层分类提取方法、装置、存储介质及电子设备 |
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: 20160203 Termination date: 20161029 |
|
CF01 | Termination of patent right due to non-payment of annual fee |