CN103606143B - 一种基于分割传播的共分割结果修正方法 - Google Patents
一种基于分割传播的共分割结果修正方法 Download PDFInfo
- Publication number
- CN103606143B CN103606143B CN201310413872.6A CN201310413872A CN103606143B CN 103606143 B CN103606143 B CN 103606143B CN 201310413872 A CN201310413872 A CN 201310413872A CN 103606143 B CN103606143 B CN 103606143B
- Authority
- CN
- China
- Prior art keywords
- image
- spectrum
- segmentation image
- segmentation
- detection window
- 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)
- Image Processing (AREA)
Abstract
本发明提供一种基于分割传播的共分割结果修正方法,包括将共分割结果分为正确的分割结果集合及错误的分割结果集合;选择待修正的错误分割图像I′j;求当前错误分割图像I′j对应的全局谱MG;求当前错误分割图像I′j对应的局部谱ML;步骤6基于全局谱和局部谱获取当前的错误分割图像I′j对应的前景谱MU为:MU=αML+(1-α)MG;获取了当前的错误分割图像I′j的前景谱MU后,再对该前景谱MU进行分割,获取修正后的共分割结果。本发明通过全局和局部传播使得修正方法的自适应能力强,修正结果准确。
Description
技术领域
本发明涉及数字图像处理技术,特别涉及共分割技术。
背景技术
伴随着网络的发展,网络中存在着大量的数字图像。利用这些海量的图像实现特定对象的发现和分割越来越成为人们关注的问题。
共分割是从多幅不同背景的,包含相同特定对象的图像中将特定对象分割出来的技术。为了分割出当前图像中的特定对象,现有的共分割方法首先引入多幅包含相同特定对象的图像,如搜索引擎获取的图像,然后通过提取和分割出这组图像中包含的共同对象实现特定对象的分割。
虽然数字图像共分割方法取得了长足的进展,但现实中数字图像共分割的效果依旧不满意。传统的方法立足于从模型构建的角度提升共分割的性能。然而,构建鲁棒和有效的共分割模型是一项困难的工作。同时基于模型构建的方法很难克服场景的干扰,如复杂的背景及相似的背景。因此现有的分割方法在实际应用中的结果需要进一步提升。
发明内容
本发明所要解决的技术问题是,提供一种修正共分割结果的方法。
本发明为解决上述技术问题所采样的技术方案是,一种基于分割传播的共分割结果修正方法,包括以下步骤:
步骤1:将共分割结果分为正确的分割结果集合及错误的分割结果集合nG为正确分割图像的个数,i=1,…,nG,nB为错误分割图像I′j的个数,j=1,…,nB;
步骤2:选择待修正的错误分割图像I′j;
步骤3:求当前错误分割图像I′j对应的全局谱:
3-1取错误分割图像I′j进行对象分割,获取当前错误分割图像I′j的候选区域集合Q,nq为候选区域Qt的总数,t=1,…,nq;
3-2通过将正确的分割结果SG传播给候选区域Qt,得到nG个候选区域Qt的前景概率
其中,β为归一化因子,χ2(·)为求卡方Qi-square距离的函数,fs为第i个正确分割结果对应的特征向量,i=1,…,nG,为候选区域Qt对应的特征向量
,exp为以e为底数的指数函数;
3-3通过nG个前景概率得到候选区域Qt的nG个全局谱
其中,(k,l)表示候选区域Qt的像素点;
3-4对候选区域Qt的nG个全局谱取最大值 得到该候选区域Qt的一个最终全局谱,再对错误分割图像I′j中所有候选区域的最终全局谱进行加权运算,得到当前的错误分割图像I′j对应的全局谱MG;
步骤4:求当前错误分割图像I′j对应的局部谱:
4-1对nG个正确分割图像以及当前错误分割图像I′j进行对象检测,获取各正确分割图像中最好的nw个对象检测窗口以及错误分割图像I′j中最好的nw个对象检测窗口
4-2提取nG*nw个正确分割图像的检测窗口对应的特征值以及二值分割结果提取当前错误分割图像的检测窗口 对应的特征值
4-3通过将nG个正确分割图像的nw个检测窗口的分割结果传播给当前错误分割图像中各检测窗口,计算当前错误分割图像中各检测窗口的前景谱ML:
其中,(p,q)表示当前错误分割图像I′j的检测窗口中的像素点,表示正确分割图像的第ik检测窗口的特征值,表示当前错误分割图像的第v个检测窗口的特征值,i=1,…,nG,k=1,…,nw,v=1,…,nw,min表示取最小值;
4-4当前错误分割图像中nw个检测窗口的前景谱ML进行加权运算得到当前的错误分割图像I′j对应的最终的局部谱ML;
步骤5基于全局谱和局部谱获取当前的错误分割图像I′j对应的前景谱MU为:MU=αML+(1-α)MG;
其中,α为权值,MG表示当前的错误分割图像I′j对应的全局谱,ML表示当前的错误分割图像I′j对应的最终的局部谱;
步骤6获取了当前的错误分割图像I′j的前景谱MU后,再对该前景谱MU进行分割,获取修正后的共分割结果。
本发明的有益效果是,通过全局和局部传播使得修正方法的自适应能力强,修正结果准确。
具体实施方式
基于分割传播的共分割结果修正方法包括全局谱的生成,局部谱的生成,前景谱生成以及修正分割。具体如下:
步骤1:获取共分割结果集合S,S={S1,…,Sm},m为分割图像的总数;分割结果为掩膜mask,由0和1组成的一个二进制图像,通过0、1来区分前景区域与背景区域;
将共分割结果分为正确的分割结果集合及错误的分割结果集合nG为m个分割图像中正确分割图像的个数,i=1,…,nG,nB为m个分割图像中错误分割图像I′j的个数,j=1,…,nB;这里的图像的标准分割结果是已知的,对于图像是否分割正确的判断不属于本发明的讨论的重点;
步骤2:选择待修正的错误分割图像I′j;
步骤3:求当前错误分割图像I′j的全局谱:
3-1取错误分割图像I′j进行对象分割,获取当前错误分割图像I′j的候选区域集合Q,nq为候选区域Qt的总数,t=1,…,nq;本领域技术人员可以在现有公开的多种对象分割Objectco-segmentation方法中选择应用时使用的具体方法。
3-2通过将正确的分割结果SG传播给候选区域Qt,得到nG个候选区域Qt的前景概率
其中,β为归一化因子,χ2(·)为求卡方Qi-square距离的函数,fs为第i个正确分割结果对应的特征值,i=1,…,nG,为候选区域Qt对应的特征值,exp为以e为底数的指数函数;
3-3通过nG个前景概率得到候选区域Qt的nG个全局谱
其中,(k,l)表示候选区域Qt的像素点;
3-4对候选区域Qt的nG个全局谱进行加权运算得到该候选区域Qt的一个最终全局谱,再对错误分割图像I′j中所有候选区域的最终全局谱进行加权运算,得到当前的错误分割图像I′j对应的全局谱MG;全局谱是由0至1的数值组成的图像;
步骤4:求当前错误分割图像I′j的局部谱:
4-1对nG个正确分割图像以及当前错误分割图像I′j进行对象检测,获取各正确分割图像中最好的nw个检测窗口以及错误分割图像I′j中最好的nw个检测窗口本领域技术人员可以在现有公开的多种对象检测方法中选择应用时使用的具体方法;
4-2提取nG*nw个正确分割图像的检测窗口对应的特征值以及分割结果提取当前错误分割图像的检测窗口 对应的特征值
4-3通过将nG个正确分割图像的nw个检测窗口的分割结果传播给当前错误分割图像中各检测窗口,计算当前错误分割图像中各检测窗口的前景谱ML:
其中,(p,q)表示当前错误分割图像I′j的检测窗口中的像素点,表示正确分割图像的第ik检测窗口的特征值,表示当前错误分割图像的第v个检测窗口的特征值,i=1,…,nG,k=1,…,nw,v=1,…,nw,min表示取最小值;
可选的,前景谱ML的计算过程可以等同替换为以下方式:
先在nG*nw个正确分割图像的检测窗口中选择与当前错误分割图像中各检测窗口最接近的:
其中,i*,k*表示第i*个正确分割图像中的第k*个检测窗口与当前错误分割图像中第v个检测窗口最接近,i=1,…,nG,k=1,…,nw,v=1,…,nw,argmin表示取使目标函数取最小值时的变量值,d(·)表示求欧式距离函数或求Qi-square距离函数;
再计算
4-4当前错误分割图像中nw个检测窗口的前景谱ML进行加权运算得到当前的错误分割图像I′j对应的局部谱MG;局部谱是由0至1的数值组成的图像;
步骤5基于全局谱和局部谱获取当前的错误分割图像I′j对应的前景谱MU为:MU=αML+(1-α)MG;
其中,α为权值;
步骤6获取了当前的错误分割图像I′j的前景谱MU后,再对该前景谱MU进行共分割,获取修正后的共分割结果。
Claims (1)
1.一种基于分割传播的共分割结果修正方法,其特征在于,包括以下步骤:
步骤1:将共分割结果分为正确的分割结果集合及错误的分割结果集合nG为正确分割图像的个数,i=1,…,nG,nB为错误分割图像I′j的个数,j=1,…,nB;
步骤2:选择待修正的错误分割图像I′j;
步骤3:求当前错误分割图像I′j对应的全局谱:
3-1取错误分割图像I′j进行对象分割,获取当前错误分割图像I′j的候选区域集合Q,nq为候选区域Qt的总数,t=1,…,nq;
3-2通过将正确的分割结果SG传播给候选区域Qt,得到nG个候选区域Qt的前景概率
其中,β为归一化因子,χ2(·)为求卡方Qi-square距离的函数,fs为第i个正确分割结果对应的特征向量,i=1,…,nG,为候选区域Qt对应的特征向量,exp为以e为底数的指数函数;
3-3通过nG个前景概率得到候选区域Qt的nG个全局谱
其中,(k,l)表示候选区域Qt的像素点;
3-4对候选区域Qt的nG个全局谱取最大值得到该候选区域Qt的一个最终全局谱,再对错误分割图像I′j中所有候选区域的最终全局谱进行加权运算,得到当前的错误分割图像I′j对应的全局谱MG;
步骤4:求当前错误分割图像I′j对应的局部谱:
4-1对nG个正确分割图像以及当前错误分割图像I′j进行对象检测,获取各正确分割图像中最好的前nw个对象检测窗口以及错误分割图像I′j中最好的前nw个对象检测窗口
4-2提取nG*nw个正确分割图像的检测窗口对应的特征值以及二值分割结果提取当前错误分割图像的检测窗口 对应的特征值
4-3通过将nG个正确分割图像的nw个检测窗口的分割结果传播给当前错误分割图像中各检测窗口,计算当前错误分割图像中各检测窗口的前景谱ML:
其中,(p,q)表示当前错误分割图像I′j的检测窗口中的像素点,表示正确分割图像的第ik检测窗口的特征值,表示当前错误分割图像的第v个检测窗口的特征值,i=1,…,nG,k=1,…,nw,v=1,…,nw,min表示取最小值,d(·)表示求欧式距离函数或求Qi-square距离函数;
4-4当前错误分割图像中nw个检测窗口的前景谱ML进行加权运算得到当前的错误分割图像I′j对应的最终的局部谱ML;
步骤5基于全局谱和局部谱获取当前的错误分割图像I′j对应的前景谱MU为:MU=αML+(1-α)MG;
其中,α为权值,MG表示当前的错误分割图像I′j对应的全局谱,ML表示当前的错误分割图像I′j对应的最终的局部谱;
步骤6获取了当前的错误分割图像I′j的前景谱MU后,再对该前景谱MU进行分割,获取修正后的共分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310413872.6A CN103606143B (zh) | 2013-09-11 | 2013-09-11 | 一种基于分割传播的共分割结果修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310413872.6A CN103606143B (zh) | 2013-09-11 | 2013-09-11 | 一种基于分割传播的共分割结果修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103606143A CN103606143A (zh) | 2014-02-26 |
CN103606143B true CN103606143B (zh) | 2016-05-18 |
Family
ID=50124363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310413872.6A Expired - Fee Related CN103606143B (zh) | 2013-09-11 | 2013-09-11 | 一种基于分割传播的共分割结果修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103606143B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009212291A (ja) * | 2008-03-04 | 2009-09-17 | Toyota Motor Corp | 半導体装置とその製造方法 |
CN102982539A (zh) * | 2012-11-09 | 2013-03-20 | 电子科技大学 | 一种基于图像复杂性的特征自适应图像共分割方法 |
-
2013
- 2013-09-11 CN CN201310413872.6A patent/CN103606143B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009212291A (ja) * | 2008-03-04 | 2009-09-17 | Toyota Motor Corp | 半導体装置とその製造方法 |
CN102982539A (zh) * | 2012-11-09 | 2013-03-20 | 电子科技大学 | 一种基于图像复杂性的特征自适应图像共分割方法 |
Non-Patent Citations (3)
Title |
---|
An efficient algorithm for Co-segmentation;Hochbaum,D.S.,Singh,V.;《Computer Vision,2009 IEEE 12th International Conference on》;20091002;269-274 * |
Scale Invariant cosegmentation for image groups;Mukherjee,L.,Singh V.,Jiming Peng;《Computer Vision and Pattern Recognition(CVPR),2011 IEEE Conference on》;20110625;1881-1887 * |
基于多尺度图谱和局部谱的目标提取算法;王永国,彭国华,王小龙,唐梦;《计算机应用研究》;20130531;第30卷(第5期);1579-1580 * |
Also Published As
Publication number | Publication date |
---|---|
CN103606143A (zh) | 2014-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107123123B (zh) | 基于卷积神经网络的图像分割质量评价方法 | |
CN103824050B (zh) | 一种基于级联回归的人脸关键点定位方法 | |
CN102708370B (zh) | 一种多视角图像前景目标提取方法及装置 | |
CN109543559B (zh) | 基于孪生网络和动作选择机制的目标跟踪方法及系统 | |
CN111259940B (zh) | 一种基于空间注意力地图的目标检测方法 | |
CN101710418B (zh) | 基于测地距离的交互方式图象分割方法 | |
CN110110729B (zh) | 基于u形cnn模型实现遥感图像的建筑实例掩模提取方法 | |
CN104036479B (zh) | 一种基于非负矩阵分解的多聚焦图像融合方法 | |
CN104966286A (zh) | 一种3d视频显著性检测方法 | |
CN110298227B (zh) | 一种基于深度学习的无人机航拍图像中的车辆检测方法 | |
CN102609950B (zh) | 一种二维视频深度图的生成方法 | |
CN103942794A (zh) | 一种基于置信度的图像协同抠图方法 | |
CN103544697A (zh) | 一种基于超图谱分析的图像分割方法 | |
CN104091339A (zh) | 一种图像快速立体匹配方法及装置 | |
CN104036229A (zh) | 基于回归的主动外观模型初始化方法 | |
CN105303581A (zh) | 一种自适应参数的运动目标检测方法 | |
CN104166987A (zh) | 一种基于改进的自适应加权和置信度传播的视差估计方法 | |
CN104992454A (zh) | 一种区域化自动变类的图像分割方法 | |
CN103996206B (zh) | 一种基于GraphCut的复杂背景遥感图像中交互式目标提取方法 | |
CN106447662A (zh) | 一种基于组合距离的fcm图像分割算法 | |
CN103399863A (zh) | 基于边缘方向差特征袋的图像检索方法 | |
CN103716615A (zh) | 基于样本学习和深度图像传播的2d视频立体化方法 | |
CN104463896B (zh) | 基于核相似区分布特性的图像角点检测方法及系统 | |
CN104036517A (zh) | 一种基于梯度采样的图像抠图方法 | |
CN103606143B (zh) | 一种基于分割传播的共分割结果修正方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20160518 Termination date: 20190911 |
|
CF01 | Termination of patent right due to non-payment of annual fee |