CN104952076B - 基于分块相似性度量的图像分割方法 - Google Patents
基于分块相似性度量的图像分割方法 Download PDFInfo
- Publication number
- CN104952076B CN104952076B CN201510340934.4A CN201510340934A CN104952076B CN 104952076 B CN104952076 B CN 104952076B CN 201510340934 A CN201510340934 A CN 201510340934A CN 104952076 B CN104952076 B CN 104952076B
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- piecemeal
- block
- fixed partition
- 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.)
- Active
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
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于聚类技术的图像分割领域,具体涉及一种基于分块相似性度量的图像分割方法。本发明读入一幅自然场景图像,图像大小为M×N,确定欲分割的类别数目K,根据固定划分方式将图像划分为若干个面积相等的矩形区块,每个区块的大小为m×n;在固定划分的基础上对图像进行重叠划分,即将固定划分的块边界线,每次向右并向下移动过l个像素点,直到与原来的固定划分的块边界线重合为止;使每个像素点属于原来的固定划分中的一个区块,包含于不同的区块。本发明提出了一种基于分块相似性度量的图像分割方法,将像素之间的位置关系考量隐含在小区块中,对重叠划分出来的区块进行聚类分割,有效地改善了对像素进行聚类的分割效果。
Description
技术领域
本发明属于聚类技术的图像分割领域,具体涉及一种基于分块相似性度量的图像分割方法。
背景技术
图像分割可以看做是图像中物体识别的一个关键的预处理步骤,它的目的是将数字图象中的不同事物以图像区域的方式提取分离出来,便于对某些感兴趣的目标区域进行处理。图像分割是图像自动语义内容分析的基础,分割结果的好坏将严重影响后续的分类与识别应用的效果。
在众多的分割方法中,基于像素视觉特征的聚类分割方法因其突出的分割效果而占有重要地位。基于视觉空间聚类的分割方法首先对像素的视觉特征(如颜色、纹理)进行聚类,利用视觉描述空间中的相似性测度来判断像素的区域归属,对于简单噪声较小的图像可取得良好的分割效果。通常情况下,基于聚类技术的图像分割都是建立在像素独立假设基础上的,在像素的聚类过程中只考虑了像素在视觉空间中的统计分布特性,而没有考虑到图像像素之间的空间位置相关性,这往往会影响分割后图像区域的平滑性。
而受像素空间位置限制的混合模型相比于独立混合模型,可以有效改善分割结果的平滑性。但是,空间限制混合模型的模型参数耦合性过高,使模型求解难度过高,从而增大了算法的复杂度。
发明内容
本发明的目的在于提供一种基于分块相似性度量的图像分割方法。
本发明的内容是这样实现的:
(1)读入一幅自然场景图像,图像大小为M×N,确定欲分割的类别数目K,根据固定划分方式将图像划分为若干个面积相等的矩形区块,每个区块的大小为m×n;
(2)在固定划分的基础上对图像进行重叠划分,即将固定划分的块边界线,每次向右并向下移动过l个像素点,直到与原来的固定划分的块边界线重合为止;使每个像素点属于原来的固定划分中的一个区块,包含于不同的区块;
(3)对重叠划分过程中产生的所有区块,计算其视觉特征,灰度均值和方差,利用K均值算法或EM算法对所有这些区块进行聚类,判断每个分块的类别归属;
(4)对图像中每个像素点,采用熵值的倒数来确定每个像素点的权值,
对每个像素点计算熵值,pi为该像素点属于第i类的概率,pi可通过统计该像素点属于不同的分块的类别情况来获得;
(5)考察每个分块内像素点的权值,如果权值像素点超过给定阈值,则认为该分块的区域一致性好,否则,对该分块进行分裂,分为四等分;如果本次没有需要分裂的分块,转步骤(6),否则,转步骤(3);
步骤(6)利用每个像素点的类别标示,输出分割图像。
本发明的有益效果在于:
本发明提出了一种基于分块相似性度量的图像分割方法,将像素之间的位置关系考量隐含在小区块(可以理解为“超级像素”)中,对重叠划分出来的区块进行聚类分割,有效地改善了对像素进行聚类的分割效果。
附图说明
本发明的算法流程图。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明所提出的图像分割方法的具体步骤如下:
步骤1:读入一幅自然场景图像,图像大小为M×N,确定欲分割的类别数目K,根据固定划分方式将图像划分为若干个面积相等的矩形区块,每个区块的大小为m×n;
步骤2:在固定划分的基础上对图像进行重叠划分,即将固定划分的块边界线,每次向右并向下移动过l个像素点,直到与原来的固定划分的块边界线重合为止。这样,使每个像素点不止属于原来的固定划分中的一个区块,而是可以包含于不同的区块。
步骤3:对重叠划分过程中产生的所有区块,计算其视觉特征(灰度均值和方差等),利用K均值算法或EM算法对所有这些区块进行聚类,判断每个分块的类别归属。
步骤4:对图像中每个像素点,考察其属于不同分块时的归类情况,采用熵值(熵的计算公式参见公式(1))的倒数来确定每个像素点的权值,这样可以使得一个像素点在属于不同分块的条件下,如果这些分块归属某一类的概率趋于一致,该像素点就获得一个较高的权值;如果这些分块都趋向于归属不同的类别,则该像素就获得一个较低的权值。
对每个像素点都按公式(1)计算熵值,pi为该像素点属于第i类的概率,pi可通过统计该像素点属于不同的分块的类别情况来获得。
步骤5:考察每个分块内像素点的权值,如果权值较高像素点超过给定阈值,则认为该分块的区域一致性较好,否则,对该分块进行分裂,分为四等分。如果本次没有需要分裂的分块,转步骤6,否则,转步骤3。
步骤6:利用每个像素点的类别标示,输出分割图像。
本发明提出一种新的图像分割方法,首先将图像划分成矩形小区块,我们采取重叠划分方式,获取每个区块的视觉属性的描述(颜色或纹理);然后对分块的视觉空间利用K均值或EM算法进行聚类,利用分块聚类的结果,构造像素的权值;自动找出若干个具有典型颜色(或纹理)的小区块作为类别标记,然后将其他区块和这些区块进行相似性度量来确定每个区块的类别归属。对于像素权值难以趋于一致的区块,进行分裂后,重复上述过程。由于事先并没有提供任何指导性信息,该方法本质上还属于非监督学习算法。
Claims (1)
1.基于分块相似性度量的图像分割方法,其特征在于:
(1)读入一幅自然场景图像,图像大小为M×N,确定欲分割的类别数目K,根据固定划分方式将图像划分为若干个面积相等的矩形区块,每个区块的大小为m×n;
(2)在固定划分的基础上对图像进行重叠划分,即将固定划分的块边界线,每次向右并向下移动过l个像素点,直到与原来的固定划分的块边界线重合为止,使每个像素点不止属于原来的固定划分中的一个区块,而是可以包含于不同的区块;
(3)对重叠划分过程中产生的所有区块,计算其视觉特征,即灰度均值和方差,利用K均值算法或EM算法对所有这些区块进行聚类,判断每个分块的类别归属;
(4)对图像中每个像素点,采用熵值的倒数来确定每个像素点的权值,
对每个像素点计算熵值,pi为该像素点属于第i类的概率,pi可通过统计该像素点属于不同的分块的类别情况来获得;
(5)考察每个分块内像素点的权值,如果权值像素点超过给定阈值,则认为该分块的区域一致性好,否则,对该分块进行分裂,分为四等分;如果没有需要分裂的分块,转(6),否则,转(3);
(6)利用每个像素点的类别标示,输出分割图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510340934.4A CN104952076B (zh) | 2015-06-18 | 2015-06-18 | 基于分块相似性度量的图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510340934.4A CN104952076B (zh) | 2015-06-18 | 2015-06-18 | 基于分块相似性度量的图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104952076A CN104952076A (zh) | 2015-09-30 |
CN104952076B true CN104952076B (zh) | 2017-10-31 |
Family
ID=54166704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510340934.4A Active CN104952076B (zh) | 2015-06-18 | 2015-06-18 | 基于分块相似性度量的图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104952076B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221498A (zh) * | 2021-04-27 | 2021-08-06 | 上海华虹宏力半导体制造有限公司 | 缩小金属面积的方法 |
CN113706531B (zh) * | 2021-10-28 | 2022-02-08 | 海门市博洋铸造有限公司 | 基于机器视觉的金属板腐蚀程度判定方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761726A (zh) * | 2013-12-25 | 2014-04-30 | 河海大学 | 基于fcm的分块自适应图像分割方法 |
CN104036503A (zh) * | 2014-06-05 | 2014-09-10 | 哈尔滨工程大学 | 基于空间位置信息的图像分割方法 |
CN104077771A (zh) * | 2014-06-19 | 2014-10-01 | 哈尔滨工程大学 | 一种加权法实现空间限制的混合模型图像分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140307931A1 (en) * | 2013-04-15 | 2014-10-16 | Massachusetts Institute Of Technology | Fully automated system and method for image segmentation and quality control of protein microarrays |
-
2015
- 2015-06-18 CN CN201510340934.4A patent/CN104952076B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761726A (zh) * | 2013-12-25 | 2014-04-30 | 河海大学 | 基于fcm的分块自适应图像分割方法 |
CN104036503A (zh) * | 2014-06-05 | 2014-09-10 | 哈尔滨工程大学 | 基于空间位置信息的图像分割方法 |
CN104077771A (zh) * | 2014-06-19 | 2014-10-01 | 哈尔滨工程大学 | 一种加权法实现空间限制的混合模型图像分割方法 |
Non-Patent Citations (2)
Title |
---|
An Evolutional Learning Algorithm Based on Weighted Likelihood for Image Segmentation;Yu Lin-sen et al.;《IFIP Advances in Information and Communication Technology》;20150131;全文 * |
一种结合位置信息的混合模型图像分割方法;于林森 等;《信号处理》;20070630;第23卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104952076A (zh) | 2015-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10255691B2 (en) | Method and system of detecting and recognizing a vehicle logo based on selective search | |
CN102682287B (zh) | 基于显著度信息的行人检测方法 | |
CN105160317B (zh) | 一种基于区域分块行人性别识别方法 | |
CN110163239B (zh) | 一种基于超像素和条件随机场的弱监督图像语义分割方法 | |
EP3101594A1 (en) | Saliency information acquisition device and saliency information acquisition method | |
CN102184419B (zh) | 基于敏感部位检测的色情图像识别方法 | |
CN103473564B (zh) | 一种基于敏感区域的正面人脸检测方法 | |
CN102722891A (zh) | 一种图像显著度检测的方法 | |
CN102496023A (zh) | 像素层面的感兴趣区域提取方法 | |
CN108629783A (zh) | 基于图像特征密度峰值搜索的图像分割方法、系统及介质 | |
CN110728302A (zh) | 一种基于HSV和Lab颜色空间的色纺织物组织识别的方法 | |
Redondo-Cabrera et al. | All together now: Simultaneous object detection and continuous pose estimation using a hough forest with probabilistic locally enhanced voting | |
CN108549901A (zh) | 一种基于深度学习的快速迭代目标检测方法 | |
CN102779270A (zh) | 一种针对购物图像搜索的目标衣物图像提取方法 | |
CN103679719A (zh) | 一种图像分割方法 | |
CN108073940B (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN108664969A (zh) | 基于条件随机场的路标识别方法 | |
CN103020589A (zh) | 一种单训练样本人脸识别方法 | |
CN103390151A (zh) | 人脸检测方法及装置 | |
CN103714340B (zh) | 基于图像分块的自适应特征提取方法 | |
CN103150575A (zh) | 一种实时三维无标记人体姿态识别方法及系统 | |
CN104077771B (zh) | 一种加权法实现空间限制的混合模型图像分割方法 | |
CN104952076B (zh) | 基于分块相似性度量的图像分割方法 | |
CN103034840A (zh) | 一种性别识别方法 | |
CN105550642B (zh) | 基于多尺度线性差分特征低秩表示的性别识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |