CN104504698A - 基于局部像素分类的彩色图像分割方法 - Google Patents
基于局部像素分类的彩色图像分割方法 Download PDFInfo
- Publication number
- CN104504698A CN104504698A CN201410795274.4A CN201410795274A CN104504698A CN 104504698 A CN104504698 A CN 104504698A CN 201410795274 A CN201410795274 A CN 201410795274A CN 104504698 A CN104504698 A CN 104504698A
- Authority
- CN
- China
- Prior art keywords
- training
- pixel
- pht
- square
- local
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一基于局部像素分类的彩色图像分割方法,首先利用四元数PHT提取像素级颜色特征;然后利用ACS-FCM选取训练样本;最后利用训练后的TWSVM模型进行分类,通过使用非平行平面,为两类数据分别构造单独的超平面,并尽可能使每个超平面距离本类样本近,距它类样本远,进而获得更好的分类模型且速度明显快于传统的LS-SVM。本发明由于结合了ACS和FCM,利用ACS的全局性和鲁棒性克服了FCM分割不够精确、易陷入局部最优的缺点,能够很好的保持图像分量间彼此的联系性和相关性,且很好的刻画了图像像素的特征。
Description
技术领域
本发明属于多媒体信息处理的图像分割技术领域,尤其是一种可保持图像分量间彼此的联系性和相关性,且很好地刻画了图像像素的特征的基于局部像素分类的彩色图像分割方法。
背景技术
图像分割是将图像中具有特殊意义的区域分割开来,便于目标检测、识别及图像检索等。虽然人们对图像分割技术已经做了大量的研究,但是对彩色图像分割的方法较少。
发明内容
本发明是为了解决现有技术所存在的上述技术问题,提供一种可保持图像分量间彼此的联系性和相关性,且很好地刻画了图像像素的特征的基于局部像素分类的彩色图像分割方法。
本发明的技术解决方案是:一种基于局部像素分类的彩色图像分割方法,依次按照如下步骤进行:
步骤1:选取构造彩色图像每个像素点 的局部窗口,利用四元数PHT矩分解求局部窗口的矩值,构造像素的特征;
步骤2:将像素点视为蚂蚁,聚类中心视为食物源,则聚类的过程即蚂蚁觅食过程,利用ACS-FCM选取训练样本,所有的训练样本构成训练集,剩下的像素作为测试集,确定训练集类标签;
步骤3:利用训练样本进行TWSVM模型训练,使用训练后的TWSVM模型预测测试集的类标签,合并训练集和测试集的类标签向量,作为最后的图像分割结果。
所述步骤1如下:
步骤11:对于给定的一幅原彩色图像m×n,选取以每个像素点为中心的5×5局部窗口;
步骤12:计算局部窗口的四元数PHT矩;
步骤13:通过四元数PHT矩分解求彩色图像的矩值,利用四元数PHT矩值求出幅值,选取一个矩值作为像素级特征,且窗口大小为5×5,阶数为3。
所述步骤12如下:
步骤121:假设为极坐标系下的彩色图像,则根据传统灰度图像的PHT矩定义及四元数理论,定义彩色图像四元数PHT矩如下:
其中,是一个单位纯四元数,;
步骤122:利用有限个四元数PHT矩来近似重构出彩色图像函数,假定为重构图像的最高阶数,为重构图像的最大重复度,在极坐标系下,利用下述四元数PHT重构公式近似地重构出彩色图像函数,具体公式为:
。
所述步骤2如下:
步骤21:建立模型,将像素点视为蚂蚁,聚类中心视为食物源,则聚类的过程即蚂蚁觅食过程;
步骤22:参数初始化,给定数据样本集,设置等参数的初始值,设置初始聚类中心,给出一个初始蚁群分配方案,并计算数据样本与聚类中心间的加权欧氏距离:
步骤23:蚂蚁的移动,对每一只蚂蚁,根据转移概率为其选择一个新的节点,并将蚂蚁移动到此节点;
步骤24:一次蚁群聚类完成后,更新各类的聚类中心,重新计算样本点到该新的聚类中心的加权距离,然后使用更新规则对这2个聚类中心之间的路径上的信息素浓度进行更新;
步骤25:目标函数及终止,计算目标函数如下:
若循环次数大于规定次数,停止运行并输出图片为训练样本,否则转步骤23;
步骤26:所有的训练样本构成训练集,剩下的像素作为测试集,确定训练集类标签。
所述步骤3如下:
步骤31:以训练集训练TWSVM模型;
步骤32:使用训练后的TWSVM模型预测测试集的类标签,合并训练集和测试集的类标签向量,把它作为最后的图像分割结果。
本发明利用四元数PHT提取像素级颜色特征,利用ACS-FCM选取训练样本,最后利用TWSVM进行分类,通过使用非平行平面为两类数据分别构造单独的超平面,获得更好的分类模型,且速度明显快于传统的LS-SVM。由于结合了ACS和FCM,ACS的全局性和鲁棒性克服了FCM分割不够精确易陷入局部最优的缺点,使得本发明能够很好的保持图像分量间彼此的联系性和相关性,且很好的刻画了图像像素的特征,确保图像分割的准确性。
附图说明
图1为本发明实施例的流程图。
具体实施方式
如图1所示,本发明的方法依次按照如下步骤进行:
一种基于局部像素分类的彩色图像分割方法,依次按照如下步骤进行:
步骤1:选取构造彩色图像每个像素点的局部窗口,利用四元数PHT矩分解求局部窗口的矩值,构造像素的特征;
具体步骤如下:
所述步骤1如下:
步骤11:对于给定的一幅原彩色图像m×n,选取以每个像素点为中心的5×5局部窗口;
步骤12:计算局部窗口的四元数PHT矩;
步骤121:为便于全面刻画与描述彩色图像特征,将传统灰度图像的PHT矩理论推广到四元数层面,并进一步定义出彩色图像的四元数PHT矩。假设为极坐标系下的彩色图像,则根据传统灰度图像的PHT矩定义及四元数理论,定义彩色图像四元数PHT矩如下:
其中,是一个单位纯四元数,;
步骤122:利用有限个四元数PHT矩来近似重构出彩色图像函数,假定为重构图像的最高阶数,为重构图像的最大重复度,在极坐标系下,利用下述四元数PHT重构公式近似地重构出彩色图像函数,具体公式为:
。
步骤13:通过四元数PHT矩分解求彩色图像的矩值,利用四元数PHT矩值求出幅值,选取一个矩值作为像素级特征,且窗口大小为5×5,阶数为3。
步骤2:将像素点视为蚂蚁,聚类中心视为食物源,则聚类的过程即蚂蚁觅食过程,利用ACS-FCM选取训练样本,所有的训练样本构成训练集,剩下的像素作为测试集,确定训练集类标签;具体步骤如下:
步骤21:建立模型,将像素点视为蚂蚁,聚类中心视为食物源,则聚类的过程即蚂蚁觅食过程;
步骤22:参数初始化,给定数据样本集,设置等参数的初始值,设置初始聚类中心,给出一个初始蚁群分配方案,并计算数据样本与聚类中心间的加权欧氏距离:
步骤23:蚂蚁的移动,对每一只蚂蚁,根据转移概率为其选择一个新的节点,并将蚂蚁移动到此节点;
步骤24:一次蚁群聚类完成后,更新各类的聚类中心,重新计算样本点到该新的聚类中心的加权距离,然后使用更新规则对这2个聚类中心之间的路径上的信息素浓度进行更新;
步骤25:目标函数及终止,计算目标函数如下:
若循环次数大于规定次数,停止运行并输出图片为训练样本,否则转步骤23;
步骤26:所有的训练样本构成训练集,剩下的像素作为测试集,确定训练集类标签。
步骤3:利用训练样本进行TWSVM模型训练,使用训练后的TWSVM模型预测测试集的类标签,合并训练集和测试集的类标签向量,作为最后的图像分割结果;具体步骤如下:
步骤31:以训练集训练TWSVM模型;
步骤32:使用训练后的TWSVM模型预测测试集的类标签,合并训练集和测试集的类标签向量,把它作为最后的图像分割结果。
Claims (5)
1.一种基于局部像素分类的彩色图像分割方法,其特征在于依次按照如下步骤进行:
步骤1:选取构造彩色图像每个像素点 的局部窗口,利用四元数PHT矩分解求局部窗口的矩值,构造像素的特征;
步骤2:将像素点视为蚂蚁,聚类中心视为食物源,则聚类的过程即蚂蚁觅食过程,利用ACS-FCM选取训练样本,所有的训练样本构成训练集,剩下的像素作为测试集,确定训练集类标签;
步骤3:利用训练样本进行TWSVM模型训练,使用训练后的TWSVM模型预测测试集的类标签,合并训练集和测试集的类标签向量,作为最后的图像分割结果。
2.根据权利要求1所述的基于局部像素分类的彩色图像分割方法,其特征在于所述步骤1如下:
步骤11:对于给定的一幅原彩色图像m×n,选取以每个像素点为中心的5×5局部窗口;
步骤12:计算局部窗口的四元数PHT矩;
步骤13:通过四元数PHT矩分解求彩色图像的矩值,利用四元数PHT矩值求出幅值,选取一个矩值作为像素级特征,且窗口大小为5×5,阶数为3。
3.根据权利要求2所述的基于局部像素分类的彩色图像分割方法,其特征在于所述步骤12如下:
步骤121:假设为极坐标系下的彩色图像,则根据传统灰度图像的PHT矩定义及四元数理论,定义彩色图像四元数PHT矩如下:
其中,是一个单位纯四元数,;
步骤122:利用有限个四元数PHT矩来近似重构出彩色图像函数,假定为重构图像的最高阶数,为重构图像的最大重复度,在极坐标系下,利用下述四元数PHT重构公式近似地重构出彩色图像函数,具体公式为:
。
4.根据权利要求2或3所述的基于局部像素分类的彩色图像分割方法,其特征在于所述步骤2如下:
步骤21:建立模型,将像素点视为蚂蚁,聚类中心视为食物源,则聚类的过程即蚂蚁觅食过程;
步骤22:参数初始化,给定数据样本集,设置等参数的初始值,设置初始聚类中心,给出一个初始蚁群分配方案,并计算数据样本与聚类中心间的加权欧氏距离:
步骤23:蚂蚁的移动,对每一只蚂蚁,根据转移概率为其选择一个新的节点,并将蚂蚁移动到此节点;
步骤24:一次蚁群聚类完成后,更新各类的聚类中心,重新计算样本点到该新的聚类中心的加权距离,然后使用更新规则对这2个聚类中心之间的路径上的信息素浓度进行更新;
步骤25:目标函数及终止,计算目标函数如下:
若循环次数大于规定次数,停止运行并输出图片为训练样本,否则转步骤23;
步骤26:所有的训练样本构成训练集,剩下的像素作为测试集,确定训练集类标签。
5.根据权利要求4所述的基于局部像素分类的彩色图像分割方法,其特征在于所述步骤3如下:
步骤31:以训练集训练TWSVM模型;
步骤32:使用训练后的TWSVM模型预测测试集的类标签,合并训练集和测试集的类标签向量,把它作为最后的图像分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410795274.4A CN104504698A (zh) | 2014-12-20 | 2014-12-20 | 基于局部像素分类的彩色图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410795274.4A CN104504698A (zh) | 2014-12-20 | 2014-12-20 | 基于局部像素分类的彩色图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104504698A true CN104504698A (zh) | 2015-04-08 |
Family
ID=52946092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410795274.4A Pending CN104504698A (zh) | 2014-12-20 | 2014-12-20 | 基于局部像素分类的彩色图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104504698A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574880A (zh) * | 2015-12-28 | 2016-05-11 | 辽宁师范大学 | 基于指数矩像素分类的彩色图像分割方法 |
CN106815852A (zh) * | 2016-12-24 | 2017-06-09 | 辽宁师范大学 | 基于四元数极谐变换的彩色图像取证方法 |
CN108122233A (zh) * | 2017-12-18 | 2018-06-05 | 辽宁师范大学 | 基于局部像素综合特征的彩色图像分割方法 |
CN109410212A (zh) * | 2018-10-11 | 2019-03-01 | 陕西师范大学 | 一种交互式图像分割方法 |
CN111639715A (zh) * | 2020-06-01 | 2020-09-08 | 重庆大学 | 基于ls-svm的汽车仪表组装质量预测方法与系统 |
CN111652320A (zh) * | 2020-06-10 | 2020-09-11 | 创新奇智(上海)科技有限公司 | 一种样本分类方法、装置、电子设备及存储介质 |
CN111738295A (zh) * | 2020-05-22 | 2020-10-02 | 南通大学 | 图像的分割方法及存储介质 |
-
2014
- 2014-12-20 CN CN201410795274.4A patent/CN104504698A/zh active Pending
Non-Patent Citations (3)
Title |
---|
张频捷 等: "基于ACS-FCM算法的图像分割研究", 《中原工学院学报》 * |
王向阳 等: "基于局部像素特征分类的图像分割算法", 《辽宁师范大学学报(自然科学版)》 * |
王春鹏: "面向彩色图像的知识产权保护技术研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574880A (zh) * | 2015-12-28 | 2016-05-11 | 辽宁师范大学 | 基于指数矩像素分类的彩色图像分割方法 |
CN106815852A (zh) * | 2016-12-24 | 2017-06-09 | 辽宁师范大学 | 基于四元数极谐变换的彩色图像取证方法 |
CN106815852B (zh) * | 2016-12-24 | 2019-08-27 | 辽宁师范大学 | 基于四元数极谐变换的彩色图像取证方法 |
CN108122233A (zh) * | 2017-12-18 | 2018-06-05 | 辽宁师范大学 | 基于局部像素综合特征的彩色图像分割方法 |
CN108122233B (zh) * | 2017-12-18 | 2021-11-19 | 辽宁师范大学 | 基于局部像素综合特征的彩色图像分割方法 |
CN109410212A (zh) * | 2018-10-11 | 2019-03-01 | 陕西师范大学 | 一种交互式图像分割方法 |
CN109410212B (zh) * | 2018-10-11 | 2021-06-22 | 陕西师范大学 | 一种交互式图像分割方法 |
CN111738295A (zh) * | 2020-05-22 | 2020-10-02 | 南通大学 | 图像的分割方法及存储介质 |
CN111738295B (zh) * | 2020-05-22 | 2024-03-22 | 南通大学 | 图像的分割方法及存储介质 |
CN111639715A (zh) * | 2020-06-01 | 2020-09-08 | 重庆大学 | 基于ls-svm的汽车仪表组装质量预测方法与系统 |
CN111652320A (zh) * | 2020-06-10 | 2020-09-11 | 创新奇智(上海)科技有限公司 | 一种样本分类方法、装置、电子设备及存储介质 |
CN111652320B (zh) * | 2020-06-10 | 2022-08-09 | 创新奇智(上海)科技有限公司 | 一种样本分类方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104504698A (zh) | 基于局部像素分类的彩色图像分割方法 | |
CN109829443B (zh) | 基于图像增强与3d卷积神经网络的视频行为识别方法 | |
Tu et al. | Action-stage emphasized spatiotemporal VLAD for video action recognition | |
CN110610510B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
WO2018108129A1 (zh) | 用于识别物体类别的方法及装置、电子设备 | |
CN108229550B (zh) | 一种基于多粒度级联森林网络的云图分类方法 | |
EP3427187A1 (en) | Deep-learning based feature mining for 2.5d sensing image search | |
CN104915643A (zh) | 一种基于深度学习的行人再标识方法 | |
US11721088B2 (en) | Image translation for image recognition to compensate for source image regional differences | |
CN107301376B (zh) | 一种基于深度学习多层刺激的行人检测方法 | |
CN113536972B (zh) | 一种基于目标域伪标签的自监督跨域人群计数方法 | |
CN108734200B (zh) | 基于bing特征的人体目标视觉检测方法和装置 | |
CN109508675A (zh) | 一种针对复杂场景的行人检测方法 | |
CN110675421B (zh) | 基于少量标注框的深度图像协同分割方法 | |
CN112766218B (zh) | 基于非对称联合教学网络的跨域行人重识别方法和装置 | |
CN106228109A (zh) | 一种基于骨骼运动轨迹的动作识别方法 | |
CN109360191B (zh) | 一种基于变分自编码器的图像显著性检测方法 | |
CN110991374B (zh) | 一种基于rcnn的指纹奇异点检测方法 | |
CN113486886A (zh) | 一种自然场景下的车牌识别方法和装置 | |
CN110516527B (zh) | 一种基于实例分割的视觉slam回环检测改进方法 | |
CN104504715A (zh) | 基于局部四元数矩特征的图像分割方法 | |
Das et al. | AttentionBuildNet for building extraction from aerial imagery | |
US20220319144A1 (en) | Efficient retrieval of a target from an image in a collection of remotely sensed data | |
Huang et al. | Drone-based car counting via density map learning | |
Ren et al. | Student behavior detection based on YOLOv4-Bi |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150408 |