CN105321178B - 一种基于稀疏主成分分析的图像分割的方法及装置 - Google Patents
一种基于稀疏主成分分析的图像分割的方法及装置 Download PDFInfo
- Publication number
- CN105321178B CN105321178B CN201510657285.0A CN201510657285A CN105321178B CN 105321178 B CN105321178 B CN 105321178B CN 201510657285 A CN201510657285 A CN 201510657285A CN 105321178 B CN105321178 B CN 105321178B
- Authority
- CN
- China
- Prior art keywords
- image
- principal component
- point
- sparse principal
- block
- 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
本发明公开了一种基于稀疏主成分分析的图像分割的方法及装置,通过对待处理图像中的每一点,获取该点的邻域,根据该邻域的灰度值获取相似图像块,组成样本训练集,通过对样本训练集中的与该点对应的样本块进行稀疏主成分分析,得到稀疏主成分表达基和稀疏主成分表达系数,根据稀疏主成分表达基和稀疏主成分表达系数计算以该点为中心的图像块不含噪声的像素值,根据待处理图像中的各点对应的不含噪声的像素值构造不含噪声的图像,并且对不含噪声的图像分别进行二维直方图的全局阈值分割和基于移动平均法局部阈值分割,将两种分割方法得到图像根据区域联通性,获取分割后的图像,以此保证分割后的图像不受噪声影响。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种基于稀疏主成分分析的图像分割的方法及装置。
背景技术
图像分割就是将图像分割成各具特定性质的区域并将感兴趣的目标提取出来的过程。图像分割后的图像是互不重叠的,实现了图像中目标和背景的分离,有利于后续对图像的特征提取和目标分析。目前图像分割技术已广泛应用于生物医学图像、遥感图像以及军事等领域。特别是在机器视觉中,图像分割已经成为目前研究的热点。机器视觉对图像处理分为底层、中层和高层三个层次,图像分割将机器视觉的底层特征处理和高层处理联系到一起,为感兴趣的目标进行跟踪、检测和识别这些高层次的视觉任务提供图像的区域划分。在基于多种图像视觉应用的场景中,图像分割的质量和效率影响了其后续应用任务的进行。
现有技术中,由于图像中有噪声,使进行图像分割时受噪声影响,导致图像的分割质量下降,影响图像的视觉效果,甚至会掩盖图像的一些特征,直接影响图像的后续处理效果。
发明内容
本发明提供了一种基于稀疏主成分分析的图像分割的方法,包括:
对待处理图像中的每一点,根据预设的图像分块尺寸获取该点的邻域,将其作为图像块,使所述待处理图像的每个点表达成由该点邻域像素组成的图像块,根据该点对应的图像块的灰度值从所述待处理图像中获取所有的相似图像块,组成样本训练集;
对所述样本训练集中的与该点对应的样本块进行稀疏主成分分析,得到稀疏主成分表达基和稀疏主成分表达系数,根据所述稀疏主成分表达基和所述稀疏主成分表达系数计算以该点为中心的图像块不含噪声的像素值;
当所述待处理图像中的每一点都已计算得到以该点为中心的图像块不含噪声的像素值时,根据所述待处理图像中的各点对应的不含噪声的像素值得到不含噪声的图像;
对所述不含噪声的图像进行二维直方图的全局阈值分割,得到第一图像,对所述不含噪声的图像进行基于移动平均法局部阈值分割,得到第二图像,根据所述第一图像和所述第二图像之间的区域联通性,得到分割后的图像。所述根据预设的图像分块尺寸获取该点的邻域,将其作为图像块,具体包括:
以该点为中心,从所述待处理图像上根据预设的图像分块尺寸获取该点邻域,将其作为图像块,所述预设的图像分块尺寸的长和高相等。
所述根据该点对应的图像块的灰度值从所述待处理图像中获取所有的相似图像块,组成样本训练集,具体包括:
将所述图像块的灰度值进行降维处理,得到用列向量表示的灰度值,计算所述用列向量表示的灰度值的方差,从所述待处理图像中获取方差小于预设特定值的图像块,将其作为样本块,计算所述待处理图像的灰度值的欧氏距离,根据所述欧氏距离从所述样本块中获取相似图像块,组成样本训练集。
所述对所述样本训练集中与该点对应的样本块进行稀疏主成分分析,得到稀疏主成分表达基和稀疏主成分表达系数,具体包括:
对所述样本训练集进行中心化,得到中心化矩阵,对所述中心化矩阵计算协方差矩阵,对所述协方差矩阵进行奇异值分解得到特征值和特征向量;
将所述特征向量作为初始值,对所述样本训练集中的与该点对应的样本块进行稀疏主成分分析,反复迭代直到收敛,得到所述稀疏主成分表达基和所述稀疏主成分表达系数;
所述稀疏主成分分析的公式具体为:其中,y表示所述中心化矩阵,B表示主成分表达基,α表示主成分表达基的系数,λ表示信号的重建残差和表达系数之间的平衡因子。
所述根据所述稀疏主成分表达基和所述稀疏主成分表达系数计算以该点
为中心的图像块不含噪声的像素值,具体包括:
计算所述样本训练集的均值,根据所述稀疏主成分表达基、所述稀疏主成分表达系数和所述样本训练集的均值计算以该点为中心的图像块不含噪声的像素值。
所述根据所述第一图像和所述第二图像之间的区域联通性,得到分割后的图像,包括:
从所述第二图像中获取所述第一图像中所有的点,并对每个点按照预设映射条件获取该点邻域;
判断所述该点邻域内是否存在至少一个像素目标,是则该点为目标;否则删除该点;
当所述第二图像中所有点都是目标时,得到分割后的图像。
另一方面,本实施例提供一种基于稀疏主成分分析的图像分割的装置,包括:
获取模块,用于对待处理图像中的每一点,根据预设的图像分块尺寸获取该点的邻域,将其作为图像块,使所述待处理图像的每个点表达成由该点邻域像素组成的图像块;
组成模块,用于根据该点对应的图像块的灰度值从所述待处理图像中获取所有的相似图像块,组成样本训练集;
分析模块,用于对所述样本训练集中的与该点对应的样本块进行稀疏主成分分析,得到稀疏主成分表达基和稀疏主成分表达系数;
计算模块,用于根据所述稀疏主成分表达基和所述稀疏主成分表达系数计算以该点为中心的图像块不含噪声的像素值;
去噪模块,用于当所述待处理图像中的每一点都已计算得到以该点为中心的图像块不含噪声的像素值时,根据所述待处理图像中的各点对应的不含噪声的像素值得到不含噪声的图像;
图像处理模块,用于对所述不含噪声的图像进行二维直方图的全局阈值分割,得到第一图像,对所述不含噪声的图像进行基于移动平均法局部阈值分割,得到第二图像;
图像分割模块,用于根据所述第一图像及所述第二图像之间的区域联通性,得到分割后的图像。
所述获取模块,具体用于以该点为中心,从所述待处理图像上根据预设的图像分块尺寸获取该点邻域,将其作为图像块,所述预设的图像分块尺寸的长和高相等。
所述组成模块,具体包括:
降维子模块,具体用于将所述图像块的灰度值进行降维处理,得到用列向量表示的灰度值;
获取样本块子模块,具体用于计算所述用列向量表示的灰度值的方差,从所述待处理图像中获取方差小于预设特定值的图像块,将其作为样本块;
组成训练集子模块,具体用于计算所述待处理图像的灰度值的欧氏距离,根据所述欧氏距离从所述样本块中获取相似图像块,组成样本训练集。
所述分析模块,具体包括:
分析子模块,用于对所述样本训练集进行中心化,得到中心化矩阵,对所述中心化矩阵计算协方差矩阵,对所述协方差矩阵进行奇异值分解得到特征值和特征向量;
迭代子模块,用于将所述特征向量作为初始值,对所述样本训练集中的与该点对应的样本块进行稀疏主成分分析,反复迭代直到收敛,得到所述稀疏主成分表达基和所述稀疏主成分表达系数;
所述稀疏主成分分析的公式具体为:其中,y表示所述中心化矩阵,B表示主成分表达基,α表示主成分表达基的系数,λ表示信号的重建残差和表达系数之间的平衡因子。
所述计算模块,具体用于计算所述样本训练集的均值,根据所述稀疏主成分表达基、所述稀疏主成分表达系数和所述样本训练集的均值计算以该点为中心的图像块不含噪声的像素值。
所述图像分割模块,具体包括:
区域连通子模块,用于从所述第二图像中获取所述第一图像中所有的点,并对每个点按照预设映射条件获取该点邻域;
区域判断子模块,用于判断所述该点邻域内是否存在至少一个像素目标,是则该点为目标;否则删除该点;
分割图像子模块,用于当所述第二图像中所有点都是目标时,得到分割后的图像。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
通过本发明,可以对待处理图像中的每一点,获取该点的邻域,根据该邻域的灰度值获取相似图像块,组成样本训练集,通过对样本训练集中的与该点对应的样本块进行稀疏主成分分析,得到稀疏主成分表达基和稀疏主成分表达系数,在对待处理图像中每个点对应的样本块进行稀疏主成分分析过程中,实现对待处理图像的内容分析,根据稀疏主成分表达基和稀疏主成分表达系数计算以该点为中心的图像块不含噪声的像素值,根据待处理图像中的各点对应的不含噪声的像素值构造不含噪声的图像,并且对不含噪声的图像进行二维直方图的全局阈值分割,得到第一图像,对不含噪声的图像进行基于移动平均法局部阈值分割,得到第二图像,根据上述第一图像和第二图像之间的区域联通性,得到分割后的图像,以此保证分割后的图像不受噪声影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于稀疏主成分分析的图像分割的方法流程图;
图2是本发明实施例提供的原始图像示意图;
图3是本发明实施例提供的采用手动标定方法对图2进行图像分割得到的效果示意图;
图4是本发明实施例提供的采用MEM方法对图2进行图像分割得到的效果示意图;
图5是本发明实施例提供的采用2D OTSU方法对图2进行图像分割得到的效果示意图;
图6是本发明实施例提供的采用本发明提供的方法对图2进行图像分割得到的效果示意图;
图7是本发明实施例提供的分别采用MEM方法、2D OTSU方法以及本发明提供的分割方法的图像的PSNR曲线对比图;
图8是本发明实施例提供的分别采用MEM方法、2D OTSU方法以及本发明提供的分割方法的图像的SSIM曲线对比图;
图9是本发明实施例提供的一种基于稀疏主成分分析的图像分割的装置框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
本实施例提供一种基于稀疏主成分分析的图像分割的方法,如图1所示,包括:
步骤101:对待处理图像中的每一点,根据预设的图像分块尺寸获取该点的邻域,将其作为图像块;
具体的,从待处理图像中获取任意一点,以该点为中心,从待处理图像上根据预设的图像分块尺寸获取该点邻域,将其作为图像块。其中,预设的图像分块尺寸的长和高相等。对待处理图像中的每一点执行上述操作,使待处理图像的每个点表达成由该点邻域像素组成的图像块。预设的图像分块尺寸可以为正方形块,也可以为圆形。优选的,预设的图像分块尺寸为3×3。
例如:待处理图像尺寸为M×N,从待处理图像中获取任意一点,该点像素为(i,j),其中,0≤i≤M-1,0≤j≤N-1。以(i,j)为中心,取其尺寸为3×3的邻域,将其作为图像块。
步骤102:根据该点对应的图像块的灰度值从待处理图像中获取所有的相似图像块,组成样本训练集;
具体的,获取该点对应的图像块的灰度值,将图像块的灰度值进行降维处理,得到用列向量表示的灰度值,计算用列向量表示的灰度值的方差,从待处理图像中获取方差小于预设特定值的图像块,将其作为样本块,计算待处理图像的灰度值的欧氏距离,根据欧氏距离从样本块中获取相似图像块,组成样本训练集。
本实施例中,获取该点对应的图像块的灰度值之后,将图像块的灰度值按照Z字形方法转换成用列向量表示的灰度值,完成降维处理。计算用列向量表示的灰度值的方差,判断该方差是否小于预设特定值,如果方差小于预设特定值,则将该图像块作为样本块。当待处理图像中的每个点均已计算得到各点对应的图像块的灰度值的方差,并且根据计算出的方差筛选出样本块时,计算待处理图像的灰度值的欧氏距离,根据欧氏距离从待处理图像中获取相似图像块,组成样本训练集。其中,相似图像块的数量大于等于0,小于等于图像的面积,相似图像块的尺寸与预设的图像分块尺寸相同。
进一步的,获取该点对应的图像块的灰度值,具体为:获取该点对应的图像块,获取该图像块中每一点的灰度值。
例如:点(i,j)对应的图像块中的任意一点的灰度值为f(i,j),其中,f(i,j)∈R9。用Z字形方法将灰度值转换为列向量y(i,j)。计算列向量的方差,并对该方差进行判断,如果方差小于预设特定值,则将该图像块作为样本块。计算该样本块的灰度值的欧氏距离,根据该欧氏距离从待处理图像中获取尺寸为3×3的相似图像块,将获取到的所有的相似图像块组成样本训练集。
步骤103:对样本训练集中的与该点对应的样本块进行稀疏主成分分析,得到稀疏主成分表达基和稀疏主成分表达系数,根据稀疏主成分表达基和稀疏主成分表达系数计算以该点为中心的图像块不含噪声的像素值;
具体的,对样本训练集进行中心化,得到中心化矩阵,对中心化矩阵计算协方差矩阵,对协方差矩阵进行奇异值分解(SVD,Singular Value Decomposition)得到特征值和特征向量。将特征向量作为初始值,对样本训练集中的与该点对应的样本块进行稀疏主成分分析,反复迭代直到收敛,得到稀疏主成分表达基和稀疏主成分表达系数;其中,进行稀疏主成分分析(SPCA,Sparse Principal Component Analysis)的公式具体为:在该公式中,y表示中心化矩阵,B表示主成分表达基,α表示主成分表达基的系数,λ表示信号的重建残差和表达系数之间的平衡因子。
本实施例中,计算样本训练集的均值,用样本训练集与样本训练集的均值做减法运算,得到中心化矩阵。计算中心化矩阵的协方差矩阵,对协方差矩阵进行奇异值分解,将协方差矩阵用特征值和特征向量表示,将特征向量作为初始值,对样本训练集中的与该点对应的样本块进行稀疏主成分分析,在满足稀疏主成分分析公式的约束条件下,反复迭代直到收敛,得到稀疏主成分表达基和稀疏主成分表达系数。
对待处理图像中的每个点对应的样本块,分别计算稀疏主成分表达基和稀疏主成分表达系数,对各个点对应的样本块的稀疏主成分表达基、稀疏主成分表达系数和样本训练集的均值计算,具体计算公式为:其中,μ表示图像表达样本集的均值。是用列向量表示的,将这个列向量转化为块,即求得像素点(i,j)为中心的图像块不含噪声的像素值。对待处理图像中的每个点执行步骤103操作,这样得到了待处理图像中以各个点为中心的图像块不含噪声的像素值。
步骤104:当待处理图像中的每一点都已计算得到以该点为中心的图像块不含噪声的像素值时,根据待处理图像中的各点对应的不含噪声的像素值得到不含噪声的图像。
步骤105:对不含噪声的图像进行二维直方图的全局阈值分割,得到第一图像,对不含噪声的图像进行基于移动平均法局部阈值分割,得到第二图像;
步骤106:根据第一图像和第二图像质检的区域连通性,得到分割后的图像。
本实施例中,从第二图像中获取第一图像中所有的点,并对每个点按照预设映射条件获取该点邻域,判断该点邻域内是否存在至少一个像素目标,是则该点为目标;否则删除该点;
当第二图像中所有点都是目标时,得到分割后的图像。
具体地,获取待处理图像的灰度值,根据待处理图像的中每点的灰度值和相应的邻域平均灰度,利用相对频率法的密度函数构建二维直方图。假设给定阈值(s,t),s表示像素点本身的灰度,t表示像素点的邻域平均灰度。这个阈值可将图像分为目标和背景部分,相应的目标和背景的均值矢量为μ0和μ1。二维直方图上的总的均值矢量为μT。在这里,使用矩阵的轨迹作为阈值分割中类间的离散度测度,具体由公式:
trSB=P0[(μ0i-μTi)2+(μ0j-μTj)2]+P1[(μ1i-μTI)2+(μ1j-μTj)2]表示。当给定的阈值trSB使离散测度达到最大值时,能够将目标和背景区分开来,并且能够减少噪声和边缘的干扰。根据最佳阈值(s,t),将图像分割为目标和背景区域,得到第一图像。
对待处理图像,以Z字形模式逐行扫描。令zk+1表示扫描过程中在第k+1步遇到的像素点(i,j)的灰度值,则此点的移动平均(平均灰度)如公式:表示,其中,n表示计算平均的点数,并且
假设局部阈值Tij=Kmij,K∈[0,1],mij是输入图像在像素点处的移动平均。
由于局部阈值Tij是在扫描过程中,不断的感知像素点的变化而更新的,能够有效区分像素点(i,j)是否和其周围像素属于同一区域,即能有效的区分图像的细节部分。因此,使用局部阈值Tij,就能很好的分割图像的细节信息,得到第二图像。
对于第一图像中的任意一点a,如果在第二图像中能够找到与该点对应的点b,并且b是第二图像中的目标时,通过区域连通性判断,即在第二图像中对b按照预设映射条件获取点b邻域,如果在邻域中有一个像素目标存在,则b点为目标,若是在邻域中没有像素目标存在,则说明b点为孤立点,将像b点删除。按照这种方法,遍历整个第一图像,将目标图像添加到第一图像中,直到判定完成,获得得到处理后的图像。其中,预设映射条件为尺寸为奇数的正方形块。
针对上述技术方案,本实施例提供一个具体例子进行说明:
本次实验是以MATLAB R2013a为实验平台,选取伯克利数据库中的481×321像素大小的标准测试图像进行实验。选取数据库中的图像作为测试图像,同时,将数据库中人工标定的图像作为对比图像,评价分割质量的好坏。选取了100张像素大小为481×321的原始图像作为测试图像。对原始图像添加均值为0,标准差为0.2、0.4、0.6、0.8的高斯白噪声。例如对于含有添加均值为0,标准差为0.2的图像。选取图像的某一像素点(i,j)的3×3的邻域作为图像块。然后将该邻域块的灰度值f(i,j)用列向量表示。在以(i,j)为中心的大小为L×L的窗口内,使用图像灰度值的欧式距离作为图像块的相似性度量。从从输入的图像块y依次选取最相似的n个样本块作为训练样本集X。根据公式(1):将样本集X进行中心化,用表示。对中心化矩阵,求其样本协方差矩阵,进行SVD分解,可以将协方差矩阵用特征值和特征向量表示,假设其主成份基为B。然后,对输入的图像块y,根据公式(2):进行SPCA表达,得到图像块的稀疏主成份表达基B和对应的稀疏主成份表达系数α。根据公式(3)利用公式(2)得到的图像块的稀疏主成份表达基B和对应的稀疏主成份表达系数α,重建去噪后的图像块是用列向量表示的,将这个列向量转化为块,求得像素点(i,j)为中心的图像块不含噪声的像素值。然后对整幅图像的像素点都进行估计,就可以求得整个不含噪声的图像。对去噪后的图像,根据公式(4):trSB=P0[(μ0i-μTi)2+(μ0j-μTj)2]+P1[(μ1i-μTI)2+(μ1j-μTj)2],求得全局阈值(s,t),将图像分割为目标和背景区域,得到分割图像Y1。然后,对去噪后的图像,根据公式(5):得到局部阈值Tij,得到阈值分割图像Y2。对获得的分割图像Y1和Y2,根据区域连通性的判断,得到分割图像Y。
以下提供实验对比说明本方法的有效性。
(1)平衡因子λ的选取
在对图像进行稀疏去噪时,平衡因子λ能够调节稀疏性,从而影响图像的分割效果。因此,通过调节平衡因子λ的值(将平衡因子λ归一化),能够自适应的去除噪声。采用本文的分割方法对图像进行分割,测出其PSNR(释义峰值信噪比,Peak Signal to NoiseRatio)值。当平衡因子λ没有达到某个数值时,不影响特征向量的稀疏性,即没有对图像进行稀疏去噪;当平衡因子λ达到某个数值,使特征向量具有一定的稀疏性,即对对图像进行稀疏去噪,图像的分割结果的PSNR值有所上升。因此,当平衡因子λ=0.0035,选取λ作为平衡参数。
(2)有噪声图像的分割实例
对添加高斯噪声的图像,分别使用MEM(二维最小误差法,Minimum Error method)和2D OTSU(二维最大类间方差法,简称2D OTSU)法进行图像分割。测出其PSNR值和SSIM值,并记录分割结果。对高斯噪声的图像,先进行SPCA去噪(此时选取分割图像的PSNR最大值时的平衡因子λ=0.0035作为平衡参数),用本文的分割方法对图像进行分割,测出其PSNR值和SSIM值,并记录分割结果。并结合伯克利人工分割效果,对图像进行比较。通过对原始图像进行分割,原始图像如图2所示。其中,采用手动标定方法对图2进行图像分割得到的效果图如图3所示。采用MEM方法对图2进行图像分割得到的效果图如图4所示。采用2D OTSU方法对图2进行图像分割得到的效果图如图5所示。采用本发明提供的方法对图2进行图像分割得到的效果图如图6所示。图2至图6是选择添加了标准差为0,方差为0.01的图像进行展示,通过对比可以看出,采用本发明提供的方法进行图像分割,得到分割后的图像更精确,效果更好。图7是分别采用MEM方法、2D OTSU方法以及本发明提供的分割方法的图像的PSNR曲线对比图。图8是分别采用MEM方法、2D OTSU方法以及本发明提供的分割方法的图像的SSIM曲线对比图。其中,PSNR值和SSIM值分别是选取多张图像的PSNR和SSIM平均值。
从图2至图6可以看出,对添加均值为0,方差为0.01的噪声图像,主观上比较,如图6所示,本文的分割算法更接近伯克利人工分割的结果,图像的主体方面得到了很好地分割效果,同时提取了更多的细节信息,整体图像的分割效果较好。图4为采用MEM对图像的分割效果图,图5为采用2D OTSU对图像的分割效果图,通过图4和图5可以看到,分割出了图像的整体轮廓,但是对于轮廓的边缘有很多细节方面被忽略,分割效果尚有不足。
从图7和图8可以看出,对添加了高斯噪声的图像,三种分割方法的分割图像的PSNR值和SSIM值会随着噪声的增加而降低,就是说,噪声的不断变大对图像的分割结果的影响也变大。将图6和图4以及图5比较,本文的分割方法分割后的图像的PSNR值和SSIM值都高于MEM和2D OTSU分割的结果。这是由于噪声值会影响分割阈值的选取。假设像素点不是噪声点,其邻域中含有噪声,其邻域均值就会受到噪声的影响,这样会增加噪声对整个图像阈值分割的选取,影响了分割效果。
另一方面,本实施例提供一种基于稀疏主成分分析的图像分割的装置,如图9所示,包括:
获取模块201,用于对待处理图像中的每一点,根据预设的图像分块尺寸获取该点的邻域,将其作为图像块,使待处理图像的每个点表达成由该点邻域像素组成的图像块;
本实施例中,获取模块201,具体用于以该点为中心,从待处理图像上根据预设的图像分块尺寸获取该点邻域,将其作为图像块,预设的图像分块尺寸的长和高相等。
组成模块202,用于根据该点对应的图像块的灰度值从待处理图像中获取所有的相似图像块,组成样本训练集;
本实施例中,组成模块202,具体包括:
降维子模块,具体用于将图像块的灰度值进行降维处理,得到用列向量表示的灰度值;
获取样本块子模块,具体用于计算用列向量表示的灰度值的方差,从待处理图像中获取方差小于预设特定值的图像块,将其作为样本块;
组成训练集子模块,具体用于计算待处理图像的灰度值的欧氏距离,根据欧氏距离从样本块中获取相似图像块,组成样本训练集。
分析模块203,用于对样本训练集中的与该点对应的样本块进行稀疏主成分分析,得到稀疏主成分表达基和稀疏主成分表达系数;
本实施例中,分析模块203,具体包括:
分析子模块,用于对样本训练集进行中心化,得到中心化矩阵,对中心化矩阵计算协方差矩阵,对协方差矩阵进行奇异值分解得到特征值和特征向量;
迭代子模块,用于将特征向量作为初始值,对样本训练集中的与该点对应的样本块进行稀疏主成分分析,反复迭代直到收敛,得到稀疏主成分表达基和稀疏主成分表达系数;
稀疏主成分分析的公式具体为:其中,y表示中心化矩阵,B表示主成分表达基,α表示主成分表达基的系数,λ表示信号的重建残差和表达系数之间的平衡因子。
计算模块204,用于根据稀疏主成分表达基和稀疏主成分表达系数计算以该点为中心的图像块不含噪声的像素值;
本实施例中,计算模块204,具体用于计算样本训练集的均值,根据稀疏主成分表达基、稀疏主成分表达系数和样本训练集的均值计算以该点为中心的图像块不含噪声的像素值。
去噪模块205,用于当待处理图像中的每一点都已计算得到以该点为中心的图像块不含噪声的像素值时,根据待处理图像中的各点对应的不含噪声的像素值得到不含噪声的图像;
图像处理模块206,用于对不含噪声的图像进行二维直方图的全局阈值分割,得到第一图像,对不含噪声的图像进行基于移动平均法局部阈值分割,得到第二图像;
图像分割模块207,用于根据第一图像及第二图像之间的区域联通性,得到分割后的图像。
本实施例中,图像分割模块207,具体包括:
区域连通子模块,用于从第二图像中获取第一图像中所有的点,并对每个点按照预设映射条件获取该点邻域;
区域判断子模块,用于判断该点邻域内是否存在至少一个像素目标,是则该点为目标;否则删除该点;
分割图像子模块,用于当第二图像中所有点都是目标时,得到分割后的图像。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上对本发明所提供的一种基于稀疏主成分分析的图像分割的方法及装置,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于稀疏主成分分析的图像分割的方法,其特征在于,包括:
对待处理图像中的每一点,根据预设的图像分块尺寸获取该点的邻域,将其作为图像块,使所述待处理图像的每个点表达成由该点邻域像素组成的图像块,根据该点对应的图像块的灰度值从所述待处理图像中获取所有的相似图像块,组成样本训练集;
对所述样本训练集中的与该点对应的样本块进行稀疏主成分分析,得到稀疏主成分表达基和稀疏主成分表达系数,根据所述稀疏主成分表达基和所述稀疏主成分表达系数计算以该点为中心的图像块不含噪声的像素值;
当所述待处理图像中的每一点都已计算得到以该点为中心的图像块不含噪声的像素值时,根据所述待处理图像中的各点对应的不含噪声的像素值得到不含噪声的图像;
对所述不含噪声的图像进行二维直方图的全局阈值分割,得到第一图像,对所述不含噪声的图像进行基于移动平均法局部阈值分割,得到第二图像,根据所述第一图像和所述第二图像之间的区域联通性,得到分割后的图像;
其中,所述对所述样本训练集中与该点对应的样本块进行稀疏主成分分析,得到稀疏主成分表达基和稀疏主成分表达系数,具体包括:
对所述样本训练集进行中心化,得到中心化矩阵,对所述中心化矩阵计算协方差矩阵,对所述协方差矩阵进行奇异值分解得到特征值和特征向量;
将所述特征向量作为初始值,对所述样本训练集中的与该点对应的样本块进行稀疏主成分分析,反复迭代直到收敛,得到所述稀疏主成分表达基和所述稀疏主成分表达系数;
所述稀疏主成分分析的公式具体为:其中,y表示所述中心化矩阵,B表示稀疏主成分表达基,α表示稀疏主成分表达基的系数,λ表示信号的重建残差和表达系数之间的平衡因子。
2.如权利要求1所述的方法,其特征在于,所述根据该点对应的图像块的灰度值从所述待处理图像中获取所有的相似图像块,组成样本训练集,具体包括:
将所述图像块的灰度值进行降维处理,得到用列向量表示的灰度值,计算所述用列向量表示的灰度值的方差,从所述待处理图像中获取方差小于预设特定值的图像块,将其作为样本块,计算所述待处理图像的灰度值的欧氏距离,根据所述欧氏距离从所述样本块中获取相似图像块,组成样本训练集。
3.如权利要求1所述的方法,其特征在于,所述根据所述稀疏主成分表达基和所述稀疏主成分表达系数计算以该点为中心的图像块不含噪声的像素值,具体包括:
计算所述样本训练集的均值,根据所述稀疏主成分表达基、所述稀疏主成分表达系数和所述样本训练集的均值计算以该点为中心的图像块不含噪声的像素值。
4.如权利要求1所述的方法,其特征在于,所述根据所述第一图像和所述第二图像之间的区域联通性,得到分割后的图像,包括:
从所述第二图像中获取所述第一图像中所有的点,并对每个点按照预设映射条件获取该点邻域;
判断所述该点邻域内是否存在至少一个像素目标,是则该点为目标;否则删除该点;
当所述第二图像中所有点都是目标时,得到分割后的图像。
5.一种基于稀疏主成分分析的图像分割的装置,其特征在于,包括:
获取模块,用于对待处理图像中的每一点,根据预设的图像分块尺寸获取该点的邻域,将其作为图像块,使所述待处理图像的每个点表达成由该点邻域像素组成的图像块;
组成模块,用于根据该点对应的图像块的灰度值从所述待处理图像中获取所有的相似图像块,组成样本训练集;
分析模块,用于对所述样本训练集中的与该点对应的样本块进行稀疏主成分分析,得到稀疏主成分表达基和稀疏主成分表达系数;
计算模块,用于根据所述稀疏主成分表达基和所述稀疏主成分表达系数计算以该点为中心的图像块不含噪声的像素值;
去噪模块,用于当所述待处理图像中的每一点都已计算得到以该点为中心的图像块不含噪声的像素值时,根据所述待处理图像中的各点对应的不含噪声的像素值得到不含噪声的图像;
图像处理模块,用于对所述不含噪声的图像进行二维直方图的全局阈值分割,得到第一图像,对所述不含噪声的图像进行基于移动平均法局部阈值分割,得到第二图像;
图像分割模块,用于根据所述第一图像及所述第二图像之间的区域联通性,得到分割后的图像;
所述分析模块,具体包括:
分析子模块,用于对所述样本训练集进行中心化,得到中心化矩阵,对所述中心化矩阵计算协方差矩阵,对所述协方差矩阵进行奇异值分解得到特征值和特征向量;
迭代子模块,用于将所述特征向量作为初始值,对所述样本训练集中的与该点对应的样本块进行稀疏主成分分析,反复迭代直到收敛,得到所述稀疏主成分表达基和所述稀疏主成分表达系数;
所述稀疏主成分分析的公式具体为:其中,y表示所述中心化矩阵,B表示稀疏主成分表达基,α表示稀疏主成分表达基的系数,λ表示信号的重建残差和表达系数之间的平衡因子。
6.如权利要求5所述的装置,其特征在于,所述组成模块,具体包括:
降维子模块,具体用于将所述图像块的灰度值进行降维处理,得到用列向量表示的灰度值;
获取样本块子模块,具体用于计算所述用列向量表示的灰度值的方差,从所述待处理图像中获取方差小于预设特定值的图像块,将其作为样本块;
组成训练集子模块,具体用于计算所述待处理图像的灰度值的欧氏距离,根据所述欧氏距离从所述样本块中获取相似图像块,组成样本训练集。
7.如权利要求6所述的装置,其特征在于,
所述计算模块,具体用于计算所述样本训练集的均值,根据所述稀疏主成分表达基、所述稀疏主成分表达系数和所述样本训练集的均值计算以该点为中心的图像块不含噪声的像素值。
8.如权利要求6所述的装置,其特征在于,所述图像分割模块,具体包括:
区域连通子模块,用于从所述第二图像中获取所述第一图像中所有的点,并对每个点按照预设映射条件获取该点邻域;
区域判断子模块,用于判断所述该点邻域内是否存在至少一个像素目标,是则该点为目标;否则删除该点;
分割图像子模块,用于当所述第二图像中所有点都是目标时,得到分割后的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510657285.0A CN105321178B (zh) | 2015-10-12 | 2015-10-12 | 一种基于稀疏主成分分析的图像分割的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510657285.0A CN105321178B (zh) | 2015-10-12 | 2015-10-12 | 一种基于稀疏主成分分析的图像分割的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105321178A CN105321178A (zh) | 2016-02-10 |
CN105321178B true CN105321178B (zh) | 2018-05-01 |
Family
ID=55248493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510657285.0A Active CN105321178B (zh) | 2015-10-12 | 2015-10-12 | 一种基于稀疏主成分分析的图像分割的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105321178B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009579A (zh) * | 2017-11-29 | 2018-05-08 | 合肥寰景信息技术有限公司 | 基于深度学习的特种车辆检测与识别系统 |
CN111860547B (zh) * | 2020-08-10 | 2023-04-18 | 华侨大学 | 基于稀疏表示的图像分割方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903239A (zh) * | 2014-03-24 | 2014-07-02 | 合肥工业大学 | 一种基于稀疏主成分分析和连分式插值技术的视频超分辨率重建方法及其系统 |
CN104637060A (zh) * | 2015-02-13 | 2015-05-20 | 武汉工程大学 | 一种基于邻域主成分分析-拉普拉斯的图像分割方法 |
CN104899862A (zh) * | 2015-04-01 | 2015-09-09 | 武汉工程大学 | 基于全局与局部阈值的视网膜血管分割算法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070156471A1 (en) * | 2005-11-29 | 2007-07-05 | Baback Moghaddam | Spectral method for sparse principal component analysis |
-
2015
- 2015-10-12 CN CN201510657285.0A patent/CN105321178B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903239A (zh) * | 2014-03-24 | 2014-07-02 | 合肥工业大学 | 一种基于稀疏主成分分析和连分式插值技术的视频超分辨率重建方法及其系统 |
CN104637060A (zh) * | 2015-02-13 | 2015-05-20 | 武汉工程大学 | 一种基于邻域主成分分析-拉普拉斯的图像分割方法 |
CN104899862A (zh) * | 2015-04-01 | 2015-09-09 | 武汉工程大学 | 基于全局与局部阈值的视网膜血管分割算法 |
Also Published As
Publication number | Publication date |
---|---|
CN105321178A (zh) | 2016-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hosseini et al. | Encoding visual sensitivity by maxpol convolution filters for image sharpness assessment | |
EP2869261B1 (en) | Method for processing image data representing a three-dimensional volume | |
Jourabloo et al. | New algorithms for recovering highly corrupted images with impulse noise | |
CN109919929B (zh) | 一种基于小波变换的舌裂纹特征提取方法 | |
Igbinosa | Comparison of edge detection technique in image processing techniques | |
CN105590301B (zh) | 自适应正斜双十字窗均值滤波的脉冲噪声消除方法 | |
CN106327451A (zh) | 一种古生物化石的图像修复方法 | |
Kwon et al. | ETVOS: An enhanced total variation optimization segmentation approach for SAR sea-ice image segmentation | |
Koç et al. | Automatic segmentation of high speed video images of vocal folds | |
CN105321178B (zh) | 一种基于稀疏主成分分析的图像分割的方法及装置 | |
Wu et al. | An efficient decision-based and edge-preserving method for salt-and-pepper noise removal | |
Kumar et al. | A comparative study of various filtering techniques | |
CN114862710A (zh) | 红外和可见光图像融合方法及装置 | |
CN110751680A (zh) | 一种具有快速对齐算法的图像处理方法 | |
Gao et al. | New edge detection algorithms using alpha weighted quadratic filter | |
Rao et al. | Statistical analysis for performance evaluation of image segmentation quality using edge detection algorithms | |
Khellah | Textured image denoising using dominant neighborhood structure | |
Kugu | Satellite image denoising using Bilateral Filter with SPEA2 optimized parameters | |
Berger et al. | Automated ice-bottom tracking of 2D and 3D ice radar imagery using Viterbi and TRW-S | |
Bania et al. | Adaptive trimmed median filter for impulse noise detection and removal with an application to mammogram images | |
Rao et al. | A review on edge detection technique in image processing techniques | |
CN109242797B (zh) | 基于均质和异质区域融合的图像去噪方法、系统及介质 | |
Yoon et al. | Bayesian Inference for 2D gel electrophoresis image analysis | |
Sri et al. | Edge detection by using lookup table | |
Tsakanikas et al. | Effective denoising of 2D gel proteomics images using contourlets |
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 |