CN104504715A - 基于局部四元数矩特征的图像分割方法 - Google Patents
基于局部四元数矩特征的图像分割方法 Download PDFInfo
- Publication number
- CN104504715A CN104504715A CN201410848428.1A CN201410848428A CN104504715A CN 104504715 A CN104504715 A CN 104504715A CN 201410848428 A CN201410848428 A CN 201410848428A CN 104504715 A CN104504715 A CN 104504715A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- training
- local
- hypercomplex number
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一基于局部四元数矩特征的图像分割方法,使用四元数指数矩计算彩色图像像素的矩值来刻画像素的特征,计算二维Arimoto熵初分割,并令其来选取训练样本,结合TWSVM支持向量机理论,对样本进行训练,得出训练模型,从而对像素进行分类,最终得到分割结果。由于利用局部四元数指数矩提取特征,能够保持图像各个分量间彼此的联系性和相关性,很好的刻画了图像像素的特征,而TWSVM的分类器使用非平行平面,通过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,速度及效果明显优于传统分类器。
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各个分量间彼此的联系性和相关性的基于局部四元数矩特征的图像分割方法。
背景技术
多年来,图像分割一直是数字图像处理技术中的一项关键技术,其目的是将图像中具有特殊意义的区域分割开来,这些区域是互不相交的,每一区域都满足特定区域的一致性。图像分割是图像分析和模式识别的第一步,在许多计算机视觉应用中发挥着重要的作用,比如目标检测和识别、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,但是由于图像的复杂性,还没有一种标准的分割方法适合所有不同种类的图像,因此,图像分割技术仍是目前研究的热点之一。
为了确保图像分割的准确性和速度,大量的算法及相应的改进算法被提出。彩色图像分割问题也可以看成根据像素级特征的分类问题,但是大多数提出的是针对分量提取图像像素的特征,这样就忽略了分量彼此的联系性和相关性。
发明内容
本发明是针对现有技术所存在的上述技术问题,提供一种可保持图像各个分量间彼此的联系性和相关性的基于局部四元数矩特征的图像分割方法。
本发明的技术方案是:一种基于局部四元数矩特征的图像分割方法,其特征在于按如下步骤进行:
步骤1:对彩色图像构造每个像素点 的局部窗口,利用四元数指数矩分解求局部窗口的矩值,构造像素的特征;
步骤2:利用二维Arimoto熵初分割,选取训练样本,创建训练集;
步骤3:利用TWSVM模型训练,像素分类,使用训练后的TWSVM模型预测剩余像素(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,对原彩色图像构造每个像素点部窗口,取以点为中心的局部窗口;
步骤12:计算每个局部窗口的四元数指数矩;
步骤13:通过四元数指数矩分解求彩色图像的矩值,利用四元数指数矩矩值求出幅值,选取(0,0)(0,1)(1,0)(1,1)四个矩值作为像素级特征,且窗口大小为,阶数为3。
所述步骤12如下:
步骤121:假定为极坐标下的彩色图像,则根据传统灰度图像的指数矩定义及四元数理论,定义四元数指数矩如下:
其中,是一个单位纯四元数,在此选择,为径向基函数,且有;
步骤122:提取彩色图像的R、G、B三个分量,分别计算其指数矩,将表示取复数p的实部,表示取复数p的虚部,则四元数指数矩分解可以表示为:
其中,
步骤123:对于彩色图像函数,计算出它的四元数指数矩后,可以利用有限个(设最高阶为n max 、最大重复度为m max )四元数指数矩来近似重构彩色图像函数,极坐标系下利用有限个四元数指数矩近似重构彩色图像函数的表达式为:
。
所述步骤2如下:
步骤21:定义一个以(x,y)为中心大小为窗口W xy ,在位置(x,y)像素的平均灰度级为:
其中,是位于(x,y)的像素对于V分量的灰度级,设图像的灰度级分为L级,为取整函数,局部窗口的像素的平均灰度级取值范围为0~L-1;
步骤22:像素的灰度级对(m,n)是由灰度级m和平均灰度级n组成的,设为V分量的灰度级对数目,那么定义二维联合概率密度为:
步骤23:设区域0和区域1的概率分别为和,可以表示为:
步骤24:二维熵的目标和背景(即区域0和区域1的二维Arimoto熵)可以分别写成如下形式:
其中是不为1的正常数(此处为0.1);
步骤25:利用Arimoto熵的准可加性,使用如下判别函数:
步骤26:当判别函数达到最大时可求得最佳阈值,即:
。
所述步骤3如下:
步骤31:利用最佳阈值分割结果选取n 0 个目标像素和n 1 个背景像素作为训练样本,所有的训练样本一起构成完整的训练集,剩下的像素作为测试集;
步骤32:TWSVM模型训练,使用步骤2创建的训练集训练TWSVM模型(分类器);
步骤33:TWSVM像素分类,使用训练后的TWSVM模型预测剩余像素(测试集)的类标签,合并训练集(类标签由二维Arimoto熵阈值给出)和测试集(类标签由TWSVM给出)的类标签向量,把它作为最后的图像分割结果。
本发明使用四元数指数矩计算彩色图像像素的矩值来刻画像素的特征,计算二维Arimoto熵初分割,并令其来选取训练样本,结合TWSVM支持向量机理论,对样本进行训练,得出训练模型,从而对像素进行分类,最终得到分割结果。由于利用局部四元数指数矩提取特征,能够保持图像各个分量间彼此的联系性和相关性,很好的刻画了图像像素的特征,而TWSVM的分类器使用非平行平面,通过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,且速度明显比传统分类器更快,使得该方法具有应用简单、方便、高效等特点,并且分割效果优于传统方法。
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,本发明的方法按照如下步骤进行:
步骤1:像素级特征的构造对于一幅彩色图像,对彩色图像构造每个像素点的局部窗口,利用四元数指数矩分解求局部窗口的矩值,构造像素的特征。该步骤还包括以下步骤:
步骤11:对于给定的一幅原彩色图像,对原彩色图像构造每个像素点部窗口,本发明选取以点为中心的局部窗口;
步骤12:计算每个局部窗口的四元数指数矩;
步骤13:通过四元数指数矩分解求彩色图像的矩值,利用四元数指数矩矩值求出幅值,选取(0,0)(0,1)(1,0)(1,1)四个矩值作为像素级特征,且窗口大小为,阶数为3。
其中的步骤12如下:
步骤121:为便于全面刻画与描述彩色图像特征,将传统灰度图像的指数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指数矩,假定为极坐标下的彩色图像,则根据传统灰度图像的指数矩定义及四元数理论,定义四元数指数矩如下:
其中,是一个单位纯四元数,在此选择,为径向基函数,且有;
步骤122:提取彩色图像I的R、G、B三个分量,分别计算其指数矩,将表示取复数p的实部,表示取复数p的虚部,则四元数指数矩分解可以表示为:
其中,
步骤123:对于彩色图像函数,计算出它的四元数指数矩后,可以利用有限个(设最高阶为n max 、最大重复度为m max )四元数指数矩来近似重构彩色图像函数,极坐标系下利用有限个四元数指数矩近似重构彩色图像函数的表达式为:
步骤2:利用二维Arimoto熵初分割,选取训练样本,创建训练集,具体步骤如下:
步骤21:定义一个以(x,y)为中心大小为(此处为)窗口W xy ,在位置(x,y)像素的平均灰度级为:
其中,是位于(x,y)的像素对于V分量的灰度级,设图像的灰度级分为L级,为取整函数,局部窗口的像素的平均灰度级取值范围为0~L-1;
步骤22:像素的灰度级对(m,n)是由灰度级m和平均灰度级n组成的,设为V分量的灰度级对数目,那么定义二维联合概率密度为:
步骤23:设区域0和区域1的概率分别为和,可以表示为:
步骤24:二维熵的目标和背景(即区域0和区域1的二维Arimoto熵)可以分别写成如下形式:
其中是不为1的正常数(此处为0.1);
步骤25:利用Arimoto熵的准可加性,使用如下判别函数:
步骤26:当判别函数达到最大时可求得最佳阈值,即:
步骤3:利用TWSVM模型训练,像素分类,使用训练后的TWSVM模型预测剩余像素(测试集)的类标签,合并训练集 (类标签由二维Arimoto熵阈值给出)和测试集的类标签向量,作为最后的图像分割结果。该步骤还包括以下步骤:
步骤31:利用最佳阈值分割结果选取n 0 个目标像素和n 1 个背景像素作为训练样本,所有的训练样本一起构成完整的训练集,剩下的像素作为测试集;
步骤32:TWSVM模型训练,使用步骤2创建的训练集训练TWSVM模型(分类器);
步骤33:TWSVM像素分类,使用训练后的TWSVM模型预测剩余像素(测试集)的类标签,合并训练集(类标签由二维Arimoto熵阈值给出)和测试集(类标签由TWSVM给出)的类标签向量,把它作为最后的图像分割结果。
Claims (5)
1.一种基于局部四元数矩特征的图像分割方法,其特征在于按如下步骤进行:
步骤1:对彩色图像构造每个像素点 的局部窗口,利用四元数指数矩分解求局部窗口的矩值,构造像素的特征;
步骤2:利用二维Arimoto熵初分割,选取训练样本,创建训练集;
步骤3:利用TWSVM模型训练,像素分类,使用训练后的TWSVM模型预测剩余像素的类标签,形成测试集,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所述的基于局部四元数矩特征的图像分割方法,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,对原彩色图像构造每个像素点部窗口,取以点为中心的局部窗口;
步骤12:计算每个局部窗口的四元数指数矩;
步骤13:通过四元数指数矩分解求彩色图像的矩值,利用四元数指数矩矩值求出幅值,选取(0,0)(0,1)(1,0)(1,1)四个矩值作为像素级特征,且窗口大小为,阶数为3。
3.根据权利要求2所述基于局部四元数据特征的图像分割方法,其特征在于所述步骤12如下:
步骤121:假定为极坐标下的彩色图像,则根据传统灰度图像的指数矩定义及四元数理论,定义四元数指数矩如下:
其中,是一个单位纯四元数,在此选择,为径向基函数,且有;
步骤122:提取彩色图像的R、G、B三个分量,分别计算其指数矩,将表示取复数p的实部,表示取复数p的虚部,则四元数指数矩分解可以表示为:
其中,
步骤123:对于彩色图像函数,计算出它的四元数指数矩后,可以利用有限个四元数指数矩来近似重构彩色图像函数,极坐标系下利用有限个四元数指数矩近似重构彩色图像函数的表达式为:
。
4.根据权利要求2或3所述的基于局部四元数矩特征的图像分割方法,其特征在于所述步骤2如下:
步骤21:定义一个以(x,y)为中心大小为窗口W xy ,在位置(x,y)像素的平均灰度级为:
其中,是位于(x,y)的像素对于V分量的灰度级,设图像的灰度级分为L级,为取整函数,局部窗口的像素的平均灰度级取值范围为0~L-1;
步骤22:像素的灰度级对(m,n)是由灰度级m和平均灰度级n组成的,设为V分量的灰度级对数目,那么定义二维联合概率密度为:
步骤23:设区域0和区域1的概率分别为和,可以表示为:
步骤24:二维熵的目标和背景可以分别写成如下形式:
其中是不为1的正常数;
步骤25:利用Arimoto熵的准可加性,使用如下判别函数:
步骤26:当判别函数达到最大时可求得最佳阈值,即:
。
5.根据权利要求4所述的基于局部四元数矩特征的图像分割方法,其特征在于所述步骤3如下:
步骤31:利用最佳阈值分割结果选取n 0 个目标像素和n 1 个背景像素作为训练样本,所有的训练样本一起构成完整的训练集,剩下的像素作为测试集;
步骤32:TWSVM模型训练,使用步骤2创建的训练集训练TWSVM模型;
步骤33:TWSVM像素分类,使用训练后的TWSVM模型预测剩余像素的类标签,合并训练集和测试集的类标签向量,为最后的图像分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410848428.1A CN104504715A (zh) | 2014-12-31 | 2014-12-31 | 基于局部四元数矩特征的图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410848428.1A CN104504715A (zh) | 2014-12-31 | 2014-12-31 | 基于局部四元数矩特征的图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104504715A true CN104504715A (zh) | 2015-04-08 |
Family
ID=52946109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410848428.1A Pending CN104504715A (zh) | 2014-12-31 | 2014-12-31 | 基于局部四元数矩特征的图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104504715A (zh) |
Cited By (5)
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 |
CN105608701A (zh) * | 2015-12-28 | 2016-05-25 | 辽宁师范大学 | 基于四元数圆谐矩的彩色图像分割方法 |
CN105631871A (zh) * | 2015-12-28 | 2016-06-01 | 辽宁师范大学 | 基于四元数指数矩的彩色图像复制篡改检测方法 |
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013020142A2 (en) * | 2011-08-04 | 2013-02-07 | University Of Southern California | Image-based crack detection |
CN103426156A (zh) * | 2012-05-15 | 2013-12-04 | 中国科学院声学研究所 | 一种基于svm分类器的sas图像分割方法及系统 |
CN104217215A (zh) * | 2014-08-28 | 2014-12-17 | 哈尔滨工程大学 | 一种水面有雾图像和清晰图像的分类识别方法 |
-
2014
- 2014-12-31 CN CN201410848428.1A patent/CN104504715A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013020142A2 (en) * | 2011-08-04 | 2013-02-07 | University Of Southern California | Image-based crack detection |
WO2013020142A3 (en) * | 2011-08-04 | 2013-04-25 | University Of Southern California | Image-based crack detection |
CN103426156A (zh) * | 2012-05-15 | 2013-12-04 | 中国科学院声学研究所 | 一种基于svm分类器的sas图像分割方法及系统 |
CN104217215A (zh) * | 2014-08-28 | 2014-12-17 | 哈尔滨工程大学 | 一种水面有雾图像和清晰图像的分类识别方法 |
Non-Patent Citations (3)
Title |
---|
卓问: "基于二维Arimoto熵的阈值分割方法", 《模式识别与人工智能》 * |
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 (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 |
CN105608701A (zh) * | 2015-12-28 | 2016-05-25 | 辽宁师范大学 | 基于四元数圆谐矩的彩色图像分割方法 |
CN105631871A (zh) * | 2015-12-28 | 2016-06-01 | 辽宁师范大学 | 基于四元数指数矩的彩色图像复制篡改检测方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109154978B (zh) | 用于检测植物疾病的系统和方法 | |
CN106372648B (zh) | 基于多特征融合卷积神经网络的浮游生物图像分类方法 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
WO2020108362A1 (zh) | 人体姿态检测方法、装置、设备及存储介质 | |
WO2020119661A1 (zh) | 一种目标检测方法、装置以及行人检测方法、系统 | |
CN108121991B (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 | |
CN104050471B (zh) | 一种自然场景文字检测方法及系统 | |
CN105205475A (zh) | 一种动态手势识别方法 | |
CN105528575B (zh) | 基于上下文推理的天空检测方法 | |
CN109002755B (zh) | 基于人脸图像的年龄估计模型构建方法及估计方法 | |
CN106156777B (zh) | 文本图片检测方法及装置 | |
CN110569782A (zh) | 一种基于深度学习目标检测方法 | |
CN104504715A (zh) | 基于局部四元数矩特征的图像分割方法 | |
CN108734200B (zh) | 基于bing特征的人体目标视觉检测方法和装置 | |
Xu et al. | Weakly supervised deep semantic segmentation using CNN and ELM with semantic candidate regions | |
CN109977834B (zh) | 从深度图像中分割人手与交互物体的方法和装置 | |
CN106203448B (zh) | 一种基于非线性尺度空间的场景分类方法 | |
CN111160194B (zh) | 一种基于多特征融合的静态手势图像识别方法 | |
CN116883588A (zh) | 一种大场景下的三维点云快速稠密重建方法及系统 | |
CN102136074A (zh) | 一种基于mmi的木材图像纹理分析与识别方法 | |
CN104268845A (zh) | 极值温差短波红外图像的自适应双局部增强方法 | |
CN105608701A (zh) | 基于四元数圆谐矩的彩色图像分割方法 | |
Henry et al. | Automatic trimap generation and artifact reduction in alpha matte using unknown region detection | |
CN106022310B (zh) | 基于htg-hog和stg特征的人体行为识别方法 | |
CN105574880A (zh) | 基于指数矩像素分类的彩色图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150408 |
|
WD01 | Invention patent application deemed withdrawn after publication |