CN105574880A - 基于指数矩像素分类的彩色图像分割方法 - Google Patents
基于指数矩像素分类的彩色图像分割方法 Download PDFInfo
- Publication number
- CN105574880A CN105574880A CN201511000117.0A CN201511000117A CN105574880A CN 105574880 A CN105574880 A CN 105574880A CN 201511000117 A CN201511000117 A CN 201511000117A CN 105574880 A CN105574880 A CN 105574880A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- segmentation
- training
- color image
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—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
- Image Analysis (AREA)
Abstract
本发明公开了一基于指数矩像素分类的彩色图像分割方法,该方法在彩色图像分割过程中,在RGB三个通道中利用指数矩对彩色图像分解,并利用分解所得的适当的矩值作为图像的像素级特征;利用二维Otsu快速阈值初分割算法求出阈值并选取训练样本;最后使用TSVM分类器对已经得到的像素级特征和训练样本进行最后的分类,得出分割结果。因为指数矩对图像描述能力强,数值计算稳定,噪声敏感性低使得它能很好地提取图像的特征,所以通过用指数矩对图像进行特征提取,较之用单一颜色或纹理做分割在很大程度上提高了分割效果。
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,尤其是一种利用指数矩分解求矩值作为像素的特征,描述图像能力强并且能很好刻画像素特征的基于指数矩像素分类的彩色图像分割方法。
背景技术
图像分割是图像处理和计算机视觉中的一个基础而关键的热点研究问题。在许多图像处理任务中,往往只有图像中的某些部分才是研究人员感兴趣的,为了达到对这些视觉目标的识别和分析,需要通过图像分割算法将它们从图像中分离出来,并在分割出来的目标上进一步实现图像的其它处理。因此,图像分割方法是将图像分成若干个互不相交且具有独特性的区域并将人们感兴趣的目标提取出来。但是由于图像的复杂性,目前还没有一种标准的分割方法适合所有不同种类的图像。为了确保图像分割的准确性和高效性,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图像像素级特征的分类问题,但目前提出的大部分特征刻画图像的像素能力不强,本文提出基于指数矩像素分类的彩色图像分割方法能够很好的刻画像素特征。彩色图像分割问题也可以看成图像像素级特征的分类问题,但目前提出的大部分特征刻画图像的像素能力不强。
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,提供一种利用指数矩分解求矩值作为像素的特征,描述图像能力强并且能很好刻画像素特征的基于指数矩像素分类的彩色图像分割方法。
本发明的技术解决方案是:一种基于指数矩像素分类的彩色图像分割算法,
其特征在于包括:
步骤1:将彩色图像的RGB三个分量分别进行指数矩分解,选取求出的矩值作为图像的像素级特征;
步骤2:利用Otsu阈值法选取训练样本,创建训练集;
步骤3:使用训练集进行TSVM模型训练,以训练后的TSVM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,得到最后的分割结果。
所述步骤1如下:
步骤11:对于一幅彩色图像先分解成RGB三个通道;
步骤12:对RGB中的每个通道构造每个像素点的局部窗口,选取
以点为中心的3×3局部窗口;
步骤13:计算每个局部窗口的指数矩;
步骤14:通过指数矩对彩色图像求出的矩值,选取四个矩值点作为像素特征,窗口大小选取为3×3,阶数为3。
所述步骤13如下:
步骤131:假定为极坐标下的图像,定义指数矩如下
其中为径向基函数,k的取值范围是所有整数;
步骤132:是定义在单位圆内极坐标下的积分运算,而数字图像函数是定义在直角坐标下的,所以计算图像的指数矩首先要把直角坐标系下的函数转换为极坐标系下的图像函数,先将单位圆内的极坐标转化为直角坐标:
其中r的变化范围为,的变化范围是,x和y的变化范围是;
步骤133:再将坐标转化为像素坐标:
其中,为取整运算,取为不小于x的整数,根据上述公式,的图像函数值就是a点的图像函数值:
步骤134:离散的积分函数表达式为:
用离散的积分函数将步骤131的公式化为求和形式:
在上式中令:
。
的傅里叶变换就是的指数矩,利用二维快速傅里叶变换的方法计算得到的结果就是图像的指数矩。
所述步骤2如下:
步骤21:定义一个以为中心,大小为(此处为3×3)的窗口,在位置,像素的平均灰度级为:
其中:[k/2]表示对k/2取整;若的灰度级为L,则的灰度级也为L,记像素灰度值为i且邻域平均灰度值为j的像素点个数为,则相应的概率密度为:
显然,以i,j为自变量;
步骤22:设区域0和区域1的概率分别为和,可以表示为:
步骤23:Otsu阈值法的目标和背景(即区域0和区域1)可以分别写成如下形式:
总体均值为:
步骤24:定义目标和背景的类间离散测度矩阵:
步骤25:采用矩阵的迹作为目标和背景的类间距离测度函数:
显然测度函数大小只与,,这3个量有关,二维Otsu算法的分割阈值取在矩阵的迹为最大时。即测度函数取最大时,可求得最佳阈值:
。
所述步骤3如下:
步骤31:利用最佳阈值分割结果选取个目标像素和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:TSVM模型训练,使用上步创建的训练集训练TSVM模型(分类器);
步骤33:使用训练后的TSVM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。
本发明像素级特征提取的过程中,在RGB通道上使用指数矩计算彩色图像像素的矩值来刻划像素的特征,计算二维Otsu快速阈值法做初分割,并用其进行训练样本的选取,结合TSVM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。利用指数矩提取特征,能够更好的描述图像,而且核函数简单,数值计算稳定,噪声敏感性低,能够很好的刻划图像像素的特征;而TSVM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。
具体实施方式
基于指数矩像素分类的彩色图像分割算法,其特征在于包括:
步骤1:将彩色图像的RGB三个分量分别进行指数矩分解,选取求出的矩值作为图像的像素级特征,具体如下:
步骤11:对于一幅彩色图像先分解成RGB三个通道;
步骤12:对RGB中的每个通道构造每个像素点的局部窗口,选取
以点为中心的3×3局部窗口;
步骤13:计算每个局部窗口的指数矩:
步骤131:假定为极坐标下的图像,定义指数矩如下
其中为径向基函数,k的取值范围是所有整数;
步骤132:是定义在单位圆内极坐标下的积分运算,而数字图像函数是定义在直角坐标下的,所以计算图像的指数矩首先要把直角坐标系下的函数转换为极坐标系下的图像函数,先将单位圆内的极坐标转化为直角坐标:
其中r的变化范围为,的变化范围是,x和y的变化范围是;
步骤133:再将坐标转化为像素坐标:
其中,为取整运算,取为不小于x的整数,根据上述公式,的图像函数值就是a点的图像函数值:
步骤134:离散的积分函数表达式为:
用离散的积分函数将步骤131的公式化为求和形式:
在上式中令:
。
的傅里叶变换就是的指数矩,利用二维快速傅里叶变换的方法计算得到的结果就是图像的指数矩。
步骤14:通过指数矩对彩色图像求出的矩值,选取四个矩值点作为像素特征,窗口大小选取为3×3,阶数为3。
步骤2:利用Otsu阈值法选取训练样本,创建训练集,具体如下:
步骤21:定义一个以为中心,大小为3×3的窗口,在位置,像素的平均灰度级为:
其中:[k/2]表示对k/2取整;若的灰度级为L,则的灰度级也为L,记像素灰度值为i且邻域平均灰度值为j的像素点个数为,则相应的概率密度为:
显然,以i,j为自变量;
步骤22:设区域0和区域1的概率分别为和,可以表示为:
步骤23:Otsu阈值法的目标和背景(即区域0和区域1)可以分别写成如下形式:
总体均值为:
步骤24:定义目标和背景的类间离散测度矩阵:
步骤25:采用矩阵的迹作为目标和背景的类间距离测度函数:
显然测度函数大小只与,,这3个量有关,二维Otsu算法的分割阈值取在矩阵的迹为最大时(即测度函数取最大时),可求得最佳阈值:
。
步骤3:使用训练集进行TSVM模型训练,以训练后的TSVM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,得到最后的分割结果,具体如下:
步骤31:利用最佳阈值分割结果选取个目标像素和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:TSVM模型训练,使用上步创建的训练集训练TSVM模型(分类器);
步骤33:使用训练后的TSVM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。
Claims (5)
1.一种基于指数矩像素分类的彩色图像分割算法,其特征在于包括:
步骤1:将彩色图像的RGB三个分量分别进行指数矩分解,选取求出的矩值作为图像的像素级特征;
步骤2:利用Otsu阈值法选取训练样本,创建训练集;
步骤3:使用训练集进行TSVM模型训练,以训练后的TSVM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,得到最后的分割结果。
2.根据权利要求1所述的基于指数矩像素分类的彩色图像分割算法,其特征在于所述步骤1如下:
步骤11:对于一幅彩色图像先分解成RGB三个通道;
步骤12:对RGB中的每个通道构造每个像素点的局部窗口,选取
以点为中心的3×3局部窗口;
步骤13:计算每个局部窗口的指数矩;
步骤14:通过指数矩对彩色图像求出的矩值,选取四个矩值点作为像素特征,窗口大小选取为3×3,阶数为3。
3.根据权利要求2所述的基于指数矩像素分类的彩色图像分割算法,其特征在于所述步骤13如下:
步骤131:假定为极坐标下的图像,定义指数矩如下
其中为径向基函数,k的取值范围是所有整数;
步骤132:把直角坐标系下的函数转换为极坐标系下的图像函数,先将单位圆内的极坐标转化为直角坐标:
其中r的变化范围为,的变化范围是,x和y的变化范围是;
步骤133:再将坐标转化为像素坐标:
其中,为取整运算,取为不小于x的整数,根据上述公式,的图像函数值就是a点的图像函数值:
步骤134:离散的积分函数表达式为:
用离散的积分函数将步骤131的公式化为求和形式:
在上式中令:
。
4.根据权利要求3所述的基于指数矩像素分类的彩色图像分割算法,其特征在于所述步骤2如下:
步骤21:定义一个以为中心,大小为的窗口,在位置,像素的平均灰度级为:
其中:[k/2]表示对k/2取整;若的灰度级为L,则的灰度级也为L,记像素灰度值为i且邻域平均灰度值为j的像素点个数为,则相应的概率密度为:
显然,以i,j为自变量;
步骤22:设区域0和区域1的概率分别为和,可以表示为:
步骤23:Otsu阈值法的目标和背景可以分别写成如下形式:
总体均值为:
;
步骤24:定义目标和背景的类间离散测度矩阵:
步骤25:采用矩阵的迹作为目标和背景的类间距离测度函数:
二维Otsu算法的分割阈值取在矩阵的迹为最大时,求得最佳阈值:
。
5.根据权利要求4所述的的基于指数矩像素分类的彩色图像分割算法,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个目标像素和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:TSVM模型训练,使用上步创建的训练集训练TSVM模型;
步骤33:使用训练后的TSVM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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511000117.0A CN105574880A (zh) | 2015-12-28 | 2015-12-28 | 基于指数矩像素分类的彩色图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511000117.0A CN105574880A (zh) | 2015-12-28 | 2015-12-28 | 基于指数矩像素分类的彩色图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105574880A true CN105574880A (zh) | 2016-05-11 |
Family
ID=55884969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511000117.0A Pending CN105574880A (zh) | 2015-12-28 | 2015-12-28 | 基于指数矩像素分类的彩色图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105574880A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407899A (zh) * | 2016-08-30 | 2017-02-15 | 电子科技大学 | 基于局部纹理特征的人群密度谱估计方法 |
CN106815845A (zh) * | 2016-12-24 | 2017-06-09 | 辽宁师范大学 | 基于像素概率密度分类的彩色图像分割方法 |
CN108694415A (zh) * | 2018-05-16 | 2018-10-23 | 南京大学 | 图像特征提取方法、装置及水源图像分类方法、装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504715A (zh) * | 2014-12-31 | 2015-04-08 | 辽宁师范大学 | 基于局部四元数矩特征的图像分割方法 |
CN104504698A (zh) * | 2014-12-20 | 2015-04-08 | 辽宁师范大学 | 基于局部像素分类的彩色图像分割方法 |
-
2015
- 2015-12-28 CN CN201511000117.0A patent/CN105574880A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504698A (zh) * | 2014-12-20 | 2015-04-08 | 辽宁师范大学 | 基于局部像素分类的彩色图像分割方法 |
CN104504715A (zh) * | 2014-12-31 | 2015-04-08 | 辽宁师范大学 | 基于局部四元数矩特征的图像分割方法 |
Non-Patent Citations (3)
Title |
---|
姜永静: "《指数矩及其在模式识别中的应用》", 《中国博士学位论文全文数据库(电子期刊)》 * |
徐长新等: "《二维Otsu 阈值法的快速算法》", 《计算机应用》 * |
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)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407899A (zh) * | 2016-08-30 | 2017-02-15 | 电子科技大学 | 基于局部纹理特征的人群密度谱估计方法 |
CN106407899B (zh) * | 2016-08-30 | 2019-07-19 | 电子科技大学 | 基于局部纹理特征的人群密度谱估计方法 |
CN106815845A (zh) * | 2016-12-24 | 2017-06-09 | 辽宁师范大学 | 基于像素概率密度分类的彩色图像分割方法 |
CN108694415A (zh) * | 2018-05-16 | 2018-10-23 | 南京大学 | 图像特征提取方法、装置及水源图像分类方法、装置 |
CN108694415B (zh) * | 2018-05-16 | 2022-08-12 | 南京大学 | 图像特征提取方法、装置及水源图像分类方法、装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN105528794B (zh) | 基于混合高斯模型与超像素分割的运动目标检测方法 | |
CN106991686B (zh) | 一种基于超像素光流场的水平集轮廓跟踪方法 | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN110569782A (zh) | 一种基于深度学习目标检测方法 | |
CN109871829B (zh) | 一种基于深度学习的检测模型训练方法和装置 | |
CN103617413B (zh) | 一种在图像中识别物体的方法 | |
Deng et al. | Cloud detection in satellite images based on natural scene statistics and gabor features | |
CN104657980A (zh) | 一种改进的基于Meanshift的多通道图像分割算法 | |
CN112258525B (zh) | 一种基于鸟类高帧频序列图像丰度统计和种群识别算法 | |
CN108073940B (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN108846845B (zh) | 基于缩略图与分层模糊聚类的sar图像分割方法 | |
CN105184771A (zh) | 一种自适应运动目标检测系统及检测方法 | |
CN108388901B (zh) | 基于空间-语义通道的协同显著目标检测方法 | |
CN110503113A (zh) | 一种基于低秩矩阵恢复的图像显著性目标检测方法 | |
CN113822352A (zh) | 基于多特征融合的红外弱小目标检测方法 | |
CN114724218A (zh) | 视频检测方法、装置、设备及介质 | |
CN107067037A (zh) | 一种使用llc准则定位图像前景的方法 | |
CN105574880A (zh) | 基于指数矩像素分类的彩色图像分割方法 | |
CN104504715A (zh) | 基于局部四元数矩特征的图像分割方法 | |
CN111274964A (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
CN104680181B (zh) | 基于似然比特征的sar图像超像素分割方法 | |
CN110321808B (zh) | 遗留物与盗移物检测方法、设备和存储介质 | |
CN108090914A (zh) | 基于统计建模与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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160511 |