CN105160677B - 一种适用于空间非合作目标的多特征图像分割定位方法 - Google Patents
一种适用于空间非合作目标的多特征图像分割定位方法 Download PDFInfo
- Publication number
- CN105160677B CN105160677B CN201510551774.8A CN201510551774A CN105160677B CN 105160677 B CN105160677 B CN 105160677B CN 201510551774 A CN201510551774 A CN 201510551774A CN 105160677 B CN105160677 B CN 105160677B
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- pixel
- super
- msubsup
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种适用于空间非合作目标的多特征图像分割定位技术,弥补了现有算法在运行效率、适应范围和鲁棒性上的不足。该技术首先采用SLIC算法对图像进行分割得到尺寸相似的超像素,然后分别计算不同超像素的主次方向比特征、方差特征和面积周长特征,通过级联不同的特征权重,形成对超像素的最终评价,评价值高于阈值的超像素作为目标定位的候选区域。最后,对滤波后的模糊图像重复执行上述步骤得到另一组候选区域,两组候选区域的重叠部分作为目标的预测区域,进而实现对未知目标的快速检测、定位。
Description
【技术领域】
本发明属于图像处理与计算机视觉领域,具体涉及一种适用于空间非合作目标的多特征图像分割定位方法。
【背景技术】
视觉是人类获取外界信息的重要途径,研究表明,日常生活中人类有超过70%的信息是通过眼睛以视觉的形式获取,而图像则是信息的重要载体。随着图像处理技术的日益发展,图像的尺寸、分辨率逐渐增大,其包含的信息也在不断丰富,这给图像处理算法和设备的运行带来较大压力。但对于大部分应用而言,如行人监控、人脸识别等,我们一般只关心图像中包含某种特征物体的区域,对其他区域并不感兴趣,而它们通常只占整幅图像的一小部分,因此直接处理整幅图像是没有必要的。如何在整幅图像中快速、有效地提取特定的感兴趣区域便成为重要的研究内容。
图像目标检测一直以来都是计算机视觉中非常活跃的研究方向,在很多领域都得到广泛应用,如行人检测、人脸识别、目标实时跟踪等,其中基于图像分割的方法是进行目标检测定位的重要途径。图像分割的目的在于判断图像中的每一个像素是否属于前景物体或背景。但传统的图像分割算法在实际应用中主要面临两个问题:1、能够精确处理图像的通用分割算法还没有出现,算法需根据具体应用调整参数设置;2、算法的时间复杂度往往较高,很难满足实时性的要求。比如GS(Graph-based Segmentation)算法,虽然其运行时间较快,但算法无法对超像素的尺寸等参数进行调整;基于NC(Normalized Cuts)的分割算法能够方便地调整超像素的数目,但其时间开销过大,且分割效果并不理想。因此采用一种速度快、效果好的分割方法,并设计能够提取超像素判别特征的特征表达算子,从而完成定位过程,具有十分重要的意义。
本发明基于SLIC(Simple Linear Iterative Clustering)方法和反应超像素不同特征的描述算子,通过与传统目标检测算法的比较,进一步验证了本算法在目标识别精度、运行效率上的优势,同时算法对噪声具有一定的鲁棒性,有广泛的应用前景。
【发明内容】
本发明的目的在于弥补现有图像分割定位算法在运行速度、适应范围和鲁棒性上的不足,提供一种无需标记信息,并实现图像目标快速检测的适用于空间非合作目标的多特征图像分割定位方法。
为达到上述目的,本发明所采用的技术方案包括以下步骤:
1)选取包含非合作目标的图像作为待处理图像,应用SLIC算法将图像分割为尺寸以及内部元素特征相似的超像素,超像素互不重合,且有唯一的标记信息i(i=0,1,2,…N-1),N表示超像素的总数目;
2)选取i=0所对应的超像素区域xi,计算区域的主次方向比,作为当前区域的方向特征fi 1;
3)计算超像素区域xi的方差,作为当前区域的方差特征fi 2,即:
其中,xij表示xi转化为灰度图像后第j个像素对应的灰度值;
4)计算超像素区域xi的面积与周长的比值fi 3作为当前区域的第三个特征,则:
fi 3=ni/pi
其中,pi表示区域xi的边界中所包含的像素个数;
5)依次遍历其余超像素,并计算每一个超像素所对应的特征fi 1,fi 2,fi 3;级联上述三个特征,形成对超像素xi的最终评价fi=c1fi 1+c2fi 2+c3fi 3,其中c1,c2,c3表示每个特征对最终评价值的权重;
采用二维高斯分布生成满足上述要求的权重分布,即:
其中,wi表示第i个超像素对应的权重;
对所有特征进行归一化,得到:
6)将每个超像素的最终评价指标按照从高到低的顺序进行排序,评价指标高于阈值T的超像素作为图像定位的候选区域,其中λ表示一常数,g(·)表示取均值函数;
7)将原图像进行滤波操作,得到细节模糊后的图像,重复步骤1)至步骤6),得到的候选区域与之前的候选区域求交集,完成对图像的定位。
本发明进一步的改进在于:
所述步骤2)中,计算区域的主次方向比的具体步骤为:
2-1)计算区域xi的协方差矩阵Γi:
其中,ni表示区域xi中像素的个数,表示第j个像素对应的向量,向量元素为像素点在图像中的横、纵坐标。
2-2)对协方差矩阵Γi进行特征分解,得到特征向量Vi和特征值λmax,λmin,使得
2-3)计算主次方向比fi 1=λmax/λmin。
与现有技术相比,本发明具有以下有益效果:
本发明通过控制超像素的尺寸可以缩小相似像素判定时的搜索范围,因此本发明的时间复杂度较小,其只与图像中像素的数目有关;本发明产生的超像素更符合图像中的纹理分布,通过级联不同特征,超像素候选区域对目标具有更优的表示能力,因此其分割定位效果更好;本发明图像不同特征元素的快速分割、识别,能够为图像中显著物体的识别提供良好的区域特征表示。
【附图说明】
图1为本发明的流程图;
图2为本发明的超像素权重分布示意图;
【具体实施方式】
以下结合附图对本发明进行详细的描述。应当指出的是,所描述的实施例仅旨在便于对本发明的理解,而对其不起任何限定作用。
参见图1,本发明一种适用于空间非合作目标的多特征图像分割定位方法,其主要由图像分割、超像素主次方向比特征计算、超像素方差特征计算、超像素面积周长特征计算、特征加权融合和目标定位六部分构成。
该方法具体包括步骤如下:
1.图像分割:
选取包含非合作目标的图像作为待处理图像,应用SLIC(Simple LinearIterative Clustering)算法将图像分割为尺寸相当、内部元素特征相似的超像素。超像素互不重合,且有唯一的标记信息i(i=0,1,2,…N-1),N表示超像素的总数目。简要做法如下:
1)按固定采样步长s初始化聚类中心点,每个像素的标记设为-1,距最近中心点的距离设为正无穷;
2)对每一个中心点,计算其2s×2s邻域中每个像素点距此中心点的距离,并与该像素点已有的距离进行比较,较小的值设为当前像素点的距离,并保持像素点标记与该聚类中心点标记一致;
3)更新聚类中心点,计算分割误差;
4)重复执行步骤2和3,直到误差满足条件。
2.超像素主次方向比特征计算:
选取i=0所对应的超像素区域xi,计算区域的主次方向比,作为当前区域的方向特征fi 1。具体步骤为:
1)计算区域xi的协方差矩阵Γi。其中ni表示区域xi中像素的个数,表示第j个像素对应的向量,向量元素为像素点在图像中的横、纵坐标。
2)对协方差矩阵Γi进行特征分解,得到特征向量Vi和特征值λmax,λmin,使得
3)计算主次方向比fi 1=λmax/λmin。
3.超像素方差特征计算:
计算超像素区域xi的方差,作为当前区域的方差特征fi 2,即:
其中xij表示xi转化为灰度图像后第j个像素对应的灰度值。通过定义方差信息,可以有效地消除图像背景对定位算法的影响。
4.超像素面积周长特征计算:
计算超像素区域xi的面积与周长的比值fi 3(fi 3=ni/pi,其中pi表示区域xi的边界中所包含的像素个数),作为当前区域的第三个特征。相比于正方形区域,长方形区域的面积周长比较小,选择其作为特征有助于突出分布于支架处的超像素,并抑制位于背景区域的超像素。
5.特征加权融合:
依次遍历其余超像素,并计算每一个超像素所对应的特征fi 1,fi 2,fi 3。级联上述三个特征,形成对超像素xi的最终评价fi=c1fi 1+c2fi 2+c3fi 3,其中c1,c2,c3表示每个特征对最终评价值的权重。
基于如下先验信息:对于手动获取的图像,其感兴趣区域通常分布于中心附近。因此对于图像中心附近的超像素,应赋予其较高的权重,而随着超像素和图像中心的距离的逐渐增大,其权重应逐步减小。在此,采用二维高斯分布生成满足上述要求的权重分布,如图2所示,即:其中wi表示第i个超像素对应的权重。
为避免每个特征本身的取值范围对最终评价指标的影响,对所有特征进行归一化,有:
6.目标定位
将每个超像素的最终评价指标按照从高到低的顺序进行排序,超像素的评价指标越大,表明基于该超像素进行定位的准确度越高。评价指标高于阈值T的超像素作为图像定位的候选区域,其中λ表示一常数,g(·)表示取均值函数。
将原图像进行滤波操作,得到细节模糊后的图像,重复步骤1至步骤6,得到的候选区域与之前的候选区域求交集,完成对图像的定位。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (2)
1.一种适用于空间非合作目标的多特征图像分割定位方法,其特征在于,包括以下步骤:
1)选取包含非合作目标的图像作为待处理图像,应用SLIC算法将图像分割为尺寸以及内部元素特征相似的超像素,超像素互不重合,且有唯一的标记信息i,其中i=0,1,2,…N-1,N表示超像素的总数目;
2)选取i=0所对应的超像素区域xi,计算区域的主次方向比,作为当前区域的方向特征fi 1;
3)计算超像素区域xi的方差,作为当前区域的方差特征fi 2,即:
<mrow>
<msubsup>
<mi>f</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</munderover>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
其中,xij表示xi转化为灰度图像后第j个像素对应的灰度值;
4)计算超像素区域xi的面积与周长的比值fi 3作为当前区域的第三个特征,则:
fi 3=ni/pi
其中,pi表示区域xi的边界中所包含的像素个数;
5)依次遍历其余超像素,并计算每一个超像素所对应的特征fi 1,fi 2,fi 3;级联上述三个特征,形成对超像素xi的最终评价fi=c1fi 1+c2fi 2+c3fi 3,其中c1,c2,c3表示每个特征对最终评价值的权重;
采用二维高斯分布生成满足上述要求的权重分布,即:
<mrow>
<msub>
<mover>
<mi>f</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
</mrow>
其中,wi表示第i个超像素对应的权重;
对所有特征进行归一化,得到:
<mrow>
<msub>
<mover>
<mi>f</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mfrac>
<msubsup>
<mi>f</mi>
<mi>i</mi>
<mn>1</mn>
</msubsup>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>{</mo>
<msubsup>
<mi>f</mi>
<mi>j</mi>
<mn>1</mn>
</msubsup>
<mo>}</mo>
</mrow>
</mfrac>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<mfrac>
<msubsup>
<mi>f</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>{</mo>
<msubsup>
<mi>f</mi>
<mi>j</mi>
<mn>2</mn>
</msubsup>
<mo>}</mo>
</mrow>
</mfrac>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>3</mn>
</msub>
<mfrac>
<msubsup>
<mi>f</mi>
<mi>i</mi>
<mn>3</mn>
</msubsup>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>{</mo>
<msubsup>
<mi>f</mi>
<mi>j</mi>
<mn>3</mn>
</msubsup>
<mo>}</mo>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
6)将每个超像素的最终评价指标按照从高到低的顺序进行排序,评价指标高于阈值T的超像素作为图像定位的候选区域,其中λ表示一常数,g(·)表示取均值函数;
7)将原图像进行滤波操作,得到细节模糊后的图像,重复步骤1)至步骤6),得到的候选区域与之前的候选区域求交集,完成对图像的定位。
2.根据权利要求1所述的适用于空间非合作目标的多特征图像分割定位方法,其特征在于,所述步骤2)中,计算区域的主次方向比的具体步骤为:
2-1)计算区域xi的协方差矩阵Γi:
<mrow>
<msub>
<mi>&Gamma;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</munderover>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>T</mi>
</msubsup>
</mrow>
其中,ni表示区域xi中像素的个数,表示第j个像素对应的向量,向量元素为像素点在图像中的横、纵坐标;
2-2)对协方差矩阵Γi进行特征分解,得到特征向量Vi和特征值λmax,λmin,使得
<mrow>
<msub>
<mi>&Gamma;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>V</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<msub>
<mi>&lambda;</mi>
<mi>max</mi>
</msub>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msub>
<mi>&lambda;</mi>
<mi>min</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<msub>
<mi>V</mi>
<mi>i</mi>
</msub>
</mrow>
2-3)计算主次方向比fi 1=λmax/λmin。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510551774.8A CN105160677B (zh) | 2015-09-01 | 2015-09-01 | 一种适用于空间非合作目标的多特征图像分割定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510551774.8A CN105160677B (zh) | 2015-09-01 | 2015-09-01 | 一种适用于空间非合作目标的多特征图像分割定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105160677A CN105160677A (zh) | 2015-12-16 |
CN105160677B true CN105160677B (zh) | 2018-03-06 |
Family
ID=54801519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510551774.8A Active CN105160677B (zh) | 2015-09-01 | 2015-09-01 | 一种适用于空间非合作目标的多特征图像分割定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105160677B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694848A (zh) * | 2018-05-30 | 2018-10-23 | 深圳众厉电力科技有限公司 | 一种车辆通信和导航系统 |
CN114708432B (zh) * | 2022-04-02 | 2023-05-23 | 广西壮族自治区自然资源遥感院 | 基于规则网格离散化目标分割区域的加权度量方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136766A (zh) * | 2012-12-28 | 2013-06-05 | 上海交通大学 | 一种基于颜色对比和颜色分布的物体显著性检测方法 |
CN103456013A (zh) * | 2013-09-04 | 2013-12-18 | 天津大学 | 一种表示超像素以及度量超像素之间相似性的方法 |
CN103871062A (zh) * | 2014-03-18 | 2014-06-18 | 北京控制工程研究所 | 一种基于超像素描述的月面岩石检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8428363B2 (en) * | 2011-04-29 | 2013-04-23 | Mitsubishi Electric Research Laboratories, Inc. | Method for segmenting images using superpixels and entropy rate clustering |
US8577170B2 (en) * | 2011-09-15 | 2013-11-05 | Microsoft Corporation | Shadow detection in a single image |
-
2015
- 2015-09-01 CN CN201510551774.8A patent/CN105160677B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136766A (zh) * | 2012-12-28 | 2013-06-05 | 上海交通大学 | 一种基于颜色对比和颜色分布的物体显著性检测方法 |
CN103456013A (zh) * | 2013-09-04 | 2013-12-18 | 天津大学 | 一种表示超像素以及度量超像素之间相似性的方法 |
CN103871062A (zh) * | 2014-03-18 | 2014-06-18 | 北京控制工程研究所 | 一种基于超像素描述的月面岩石检测方法 |
Non-Patent Citations (1)
Title |
---|
A New Multistage Medical Segmentation Method Based on Superpixel and Fuzzy Clustering;Shiyong Ji, et al.;《Computational and Mathematical Methods in Medicine》;20141231;第2014卷;第1-13页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105160677A (zh) | 2015-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104599275B (zh) | 基于概率图模型的非参数化的rgb-d场景理解方法 | |
CN107657226B (zh) | 一种基于深度学习的人数估计方法 | |
CN103984953A (zh) | 基于多特征融合与Boosting决策森林的街景图像的语义分割方法 | |
CN102096821B (zh) | 基于复杂网络理论的强干扰环境下的车牌识别方法 | |
CN105631892B (zh) | 一种基于阴影和纹理特征的航空影像建筑物损毁检测方法 | |
CN103839065A (zh) | 人群动态聚集特征提取方法 | |
CN107392968B (zh) | 融合颜色对比图和颜色空间分布图的图像显著性检测方法 | |
CN102024180B (zh) | 一种基于支持向量机的参数自适应的运动预测方法 | |
CN102999926B (zh) | 一种基于底层特征融合的图像视觉显著性计算方法 | |
CN104715244A (zh) | 一种基于肤色分割和机器学习的多视角人脸检测方法 | |
CN104715251B (zh) | 一种基于直方图线性拟合的显著目标检测方法 | |
TWI441096B (zh) | 適用複雜場景的移動偵測方法 | |
CN110163239A (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 | |
CN105005989A (zh) | 一种弱对比度下的车辆目标分割方法 | |
CN106780503A (zh) | 基于后验概率信息熵的遥感图像最优分割尺度确定方法 | |
CN110276247A (zh) | 一种基于YOLOv3-Tiny的行车检测方法 | |
CN105069774A (zh) | 基于多示例学习与图割优化的目标分割方法 | |
CN103824280A (zh) | 一种台风中心提取方法 | |
CN105160677B (zh) | 一种适用于空间非合作目标的多特征图像分割定位方法 | |
CN103324753B (zh) | 基于共生稀疏直方图的图像检索方法 | |
CN105447527A (zh) | 采用图像识别技术将环境微生物进行分类的方法和系统 | |
CN114529583B (zh) | 基于残差回归网络的电力设备跟踪方法及跟踪系统 | |
CN107256412B (zh) | 一种基于多人眼感知分组特性的图构造方法 | |
CN105678797A (zh) | 基于视觉显著模型的图像分割方法 | |
CN103295026B (zh) | 基于空间局部聚合描述向量的图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |