CN105608690B - 一种基于图论和半监督学习相结合的图像分割方法 - Google Patents
一种基于图论和半监督学习相结合的图像分割方法 Download PDFInfo
- Publication number
- CN105608690B CN105608690B CN201510906391.8A CN201510906391A CN105608690B CN 105608690 B CN105608690 B CN 105608690B CN 201510906391 A CN201510906391 A CN 201510906391A CN 105608690 B CN105608690 B CN 105608690B
- Authority
- CN
- China
- Prior art keywords
- image
- matrix
- training
- component analysis
- analysis network
- 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.)
- Expired - Fee Related
Links
Abstract
本发明公开了一种基于图论和半监督学习相结合的图像分割方法,首先利用核主成分分析法将数据映射到核空间里面,然后将图像二值化后分割成一定数量的区域块,将分割后每一个图像区域视为一个节点,然后通过半监督学习方法进行多角度数据的获取、预测矩阵的建立、训练模型的构建以及图像的分割。本发明能提高图像分割的精度,有助于推动模式识别、计算机视觉、人工智能等领域的发展。
Description
技术领域
本发明涉及一种图形分割方法,具体涉及一种基于图论和半监督学习相结合的图像分割方法。
背景技术
图像分割与目标提取作为图像处理与计算机视觉领域中的一个重要分支,一直吸引着众多研究者的关注。同时,图像分割与目标提取在模式识别、计算机视觉、人工智能等领域也具有广泛的应用。因此,对图像分割与目标提取的深入研究不仅有助于图像分割与目标提取的完善解决,而且有助于推动模式识别、计算机视觉、人工智能等领域的发展。
目前,图像分割主要用来实现未知类别的数据的归类,在医疗数据分析、信用卡的信用分级和图像分类等领域有着重大的意义,一旦研究成功并投入应用,将产生巨大的社会和经济效益。但是真实世界中的数据(例如互联网中的图像)大多是无类别标签的,且样本的人工标定过程非常费时费力且昂贵,使得数据的准确分类有一定难度。最近,基于相似图构造的半监督学习方法在数据挖掘和模式分类等相关领域已经兴起成为强大而流行的有效工具。基于真实世界中的数据特点,半监督学习主要通过有标定样本的类别,和有标签与无标签样本间的相似性,揭示出无标签样本的类别
而在现实图像分割的问题中,图像数据可以从诸如颜色,纹理,形状等不同视觉角度加以描述。这些不同的图像特征从不同视角揭示了所研究图像的不同属性。对此类多视角描述对象的研究在学术界称之为多视角学习。
传统的图像分割方法有:均值漂移方法,归一化分割方法和K均值方法等,普遍存在分割精度低,未考虑图像多个视角特征等缺陷。
发明内容
为解决上述问题,本发明提供了一种基于图论和半监督学习相结合的图像分割方法,提高了图像分离的精度。
为实现上述目的,本发明采取的技术方案为:
一种基于图论和半监督学习相结合的图像分割方法,包括如下步骤:
S1、输入图像数据库中的N1幅训练图像,并对其进行预处理,分别得到N1幅训练图像中每一幅图像的局部特征矩阵;其中图像数据库包含N幅大小为m×n已经人工分类并作标记的图像,N1<N;
S2、计算局部特征矩阵Ii的协方差矩阵均值,选择任意一个核函数,将协方差矩阵均值映射到高维空间的核子空间当中,得到核子空间当中的协方差矩阵K,并对K去均值,将去均值后的协方差矩阵K进行奇异值分解,得到主成分,从而获得第一层核主成分分析网络的滤波器;分别将Ii与滤波器卷积,得到第一层核主成分分析网络的训练输出图像;
S3、将第一层核主成分分析网络的训练输出图像替代步骤S1的N1幅训练图像,重复步骤S1、S2,得到第二层核主成分分析网络的滤波器以及第二层核主成分分析网络的训练输出图像;
S4、将第二层核主成分分析网络的训练输出图像中的每幅图像二值化;
S5、将步骤S4所得的图像分割成一定数量的区域块,将分割后每一个图像区域视为一个节点,建立每个区域块的三通道图像到三维图的映射,并统计顶点之间的邻接关系以及计算连接两个顶点的边的权重;
S6、将所有节点分为标注节点和未标注节点,其中标注节点占少数;
S7、获取包括标注节点和未标注节点的由多视角特征表示的不同视角样本数据;
S8、将所得的不同视角样本数据进行相似性学习,构造相似近邻图,计算得到权重系数矩阵,并对所述权重系数矩阵进行对称化、归一化处理;
S9、根据训练集中有标签图像样本的类别标签信息,初始化一个类标签矩阵;
S10、基于上述类标签矩阵及对称化、归一化处理后的权重系数矩阵进行非负稀疏标签传播的迭代过程,得到预测矩阵;
S11、根据所得预测矩阵表征的相似性概率,预测未标注节点图像不同视角样本数据的准确类别,得到直推式图像分类结果,训练完成半监督分类建模,生成训练模型;
S12、利用所得训练模型对测试集中的未标注节点待分类的图像样本进行类别信息的预测,得到测试集中的未标注节点待分类的图像样本的类别标签,以实现对图像数据的分割过程。
其中,所述步骤S1中预处理的具体步骤为:在N幅大小为m×n的图像数据库中随机选取N1幅作为训练图像数据库;用一个大小为k1×k2的滑块遍历训练图像数据库中的N1幅训练图像的每一个像素,得到mn个长度为k1k2的列向量,将所得列向量去均值后组合,从而得到每幅训练图像Xi的局部特征矩阵Ii。
其中,所述步骤S2的具体步骤包括:
S21、分别求N1个局部特征矩阵的协方差矩阵:对得到的N1个协方差矩阵求平均值;
S22、选择线性核函数、多项式核函数、高斯核函数、指数核函数、拉普拉斯核函数、双曲正切核函数、有理二次核函数、逆多元二次核函数、圆核函数中的任意一个核函数将协方差矩阵均值映射到高维空间中的核子空间,得到核子空间当中的协方差矩阵K,并对核子空间当中的协方差矩阵K进行去均值;
S23、对K进行奇异值分解,找出的L1个主成分,并将找出的L1个主成分作为第一层核主成分分析网络的滤波器:
S24、将N1个局部特征矩阵分别与L1个第一层核主成分分析网络的滤波器卷积,得到第一层核主成分分析网络的训练输出图像。
其中,所述步骤S4中二值化操作具体为:第二层核主成分分析网络的训练输出图像中的元素如果大于0,则将该元素置为1;如果小于或者等于0,则将该元素置为0。
本发明具有以下有益效果:
提高了图像分割的精度和图像分割质量,有助于推动模式识别、计算机视觉、人工智能等领域的发展。
具体实施方式
为了使本发明的目的及优点更加清楚明白,以下结合实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供了一种基于图论和半监督学习相结合的图像分割方法,包括如下步骤:
S1、输入图像数据库中的N1幅训练图像,并对其进行预处理,分别得到N1幅训练图像中每一幅图像的局部特征矩阵;其中图像数据库包含N幅大小为m×n已经人工分类并作标记的图像,N1<N;
S2、计算局部特征矩阵Ii的协方差矩阵均值,选择任意一个核函数,将协方差矩阵均值映射到高维空间的核子空间当中,得到核子空间当中的协方差矩阵K,并对K去均值,将去均值后的协方差矩阵K进行奇异值分解,得到主成分,从而获得第一层核主成分分析网络的滤波器;分别将Ii与滤波器卷积,得到第一层核主成分分析网络的训练输出图像;
S3、将第一层核主成分分析网络的训练输出图像替代步骤S1的N1幅训练图像,重复步骤S1、S2,得到第二层核主成分分析网络的滤波器以及第二层核主成分分析网络的训练输出图像;
S4、将第二层核主成分分析网络的训练输出图像中的每幅图像二值化;
S5、将步骤S4所得的图像分割成一定数量的区域块,将分割后每一个图像区域视为一个节点,建立每个区域块的三通道图像到三维图的映射,并统计顶点之间的邻接关系以及计算连接两个顶点的边的权重;
S6、将所有节点分为标注节点和未标注节点,其中标注节点占少数;
S7、获取包括标注节点和未标注节点的由多视角特征表示的不同视角样本数据;
S8、将所得的不同视角样本数据进行相似性学习,构造相似近邻图,计算得到权重系数矩阵,并对所述权重系数矩阵进行对称化、归一化处理;
S9、根据训练集中有标签图像样本的类别标签信息,初始化一个类标签矩阵;
S10、基于上述类标签矩阵及对称化、归一化处理后的权重系数矩阵进行非负稀疏标签传播的迭代过程,得到预测矩阵;
S11、根据所得预测矩阵表征的相似性概率,预测未标注节点图像不同视角样本数据的准确类别,得到直推式图像分类结果,训练完成半监督分类建模,生成训练模型;
S12、利用所得训练模型对测试集中的未标注节点待分类的图像样本进行类别信息的预测,得到测试集中的未标注节点待分类的图像样本的类别标签,以实现对图像数据的分割过程。
所述步骤S1中预处理的具体步骤为:在N幅大小为m×n的图像数据库中随机选取N1幅作为训练图像数据库;用一个大小为k1×k2的滑块遍历训练图像数据库中的N1幅训练图像的每一个像素,得到mn个长度为k1k2的列向量,将所得列向量去均值后组合,从而得到每幅训练图像Xi的局部特征矩阵Ii。
所述步骤S2的具体步骤包括:
S21、分别求N1个局部特征矩阵的协方差矩阵:对得到的N1个协方差矩阵求平均值;
S22、选择线性核函数、多项式核函数、高斯核函数、指数核函数、拉普拉斯核函数、双曲正切核函数、有理二次核函数、逆多元二次核函数、圆核函数中的任意一个核函数将协方差矩阵均值映射到高维空间中的核子空间,得到核子空间当中的协方差矩阵K,并对核子空间当中的协方差矩阵K进行去均值;
S23、对K进行奇异值分解,找出的L1个主成分,并将找出的L1个主成分作为第一层核主成分分析网络的滤波器:
S24、将N1个局部特征矩阵分别与L1个第一层核主成分分析网络的滤波器卷积,得到第一层核主成分分析网络的训练输出图像。
所述步骤S4中二值化操作具体为:第二层核主成分分析网络的训练输出图像中的元素如果大于0,则将该元素置为1;如果小于或者等于0,则将该元素置为0。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于图论和半监督学习相结合的图像分割方法,其特征在于,包括如下步骤:
S1、输入图像数据库中的N1幅训练图像,并对其进行预处理,分别得到N1幅训练图像中每一幅图像的局部特征矩阵;
S2、计算局部特征矩阵Ii的协方差矩阵均值,选择任意一个核函数,将协方差矩阵均值映射到高维空间的核子空间当中,得到核子空间当中的协方差矩阵K,并对K去均值,将去均值后的协方差矩阵K进行奇异值分解,得到主成分,从而获得第一层核主成分分析网络的滤波器;分别将Ii与滤波器卷积,得到第一层核主成分分析网络的训练输出图像;
S3、将第一层核主成分分析网络的训练输出图像替代步骤S1的N1幅训练图像,重复步骤S1、S2,得到第二层核主成分分析网络的滤波器以及第二层核主成分分析网络的训练输出图像;
S4、将第二层核主成分分析网络的训练输出图像中的每幅图像二值化;
S5、将步骤S4所得的图像分割成一定数量的区域块,将分割后每一个图像区域视为一个节点,建立每个区域块的三通道图像到三维图的映射,并统计顶点之间的邻接关系以及计算连接两个顶点的边的权重;
S6、将所有节点分为标注节点和未标注节点;
S7、获取包括标注节点和未标注节点的由多视角特征表示的不同视角样本数据;
S8、将所得的不同视角样本数据进行相似性学习,构造相似近邻图,计算得到权重系数矩阵,并对所述权重系数矩阵进行对称化、归一化处理;
S9、根据训练集中有标签图像样本的类别标签信息,初始化一个类标签矩阵;
S10、基于上述类标签矩阵及对称化、归一化处理后的权重系数矩阵进行非负稀疏标签传播的迭代过程,得到预测矩阵;
S11、根据所得预测矩阵表征的相似性概率,预测未标注节点图像不同视角样本数据的准确类别,得到直推式图像分类结果,训练完成半监督分类建模,生成训练模型;
S12、利用所得训练模型对测试集中的未标注节点待分类的图像样本进行类别信息的预测,得到测试集中的未标注节点待分类的图像样本的类别标签,以实现对图像数据的分割过程。
2.根据权利要求1所述的一种基于图论和半监督学习相结合的图像分割方法,其特征在于,所述步骤S1中预处理的具体步骤为:在N幅大小为m×n的图像数据库中随机选取N1幅作为训练图像数据库;用一个大小为k1×k2的滑块遍历训练图像数据库中的N1幅训练图像的每一个像素,得到mn个长度为k1k2的列向量,将所得列向量去均值后组合,从而得到每幅训练图像Xi的局部特征矩阵Ii。
3.根据权利要求1所述的一种基于图论和半监督学习相结合的图像分割方法,其特征在于,所述步骤S1中图像数据库包含N幅大小为m×n已经人工分类并作标记的图像,N1<N。
4.根据权利要求1所述的一种基于图论和半监督学习相结合的图像分割方法,其特征在于,所述步骤S6中标注节点占少数。
5.根据权利要求1所述的一种基于图论和半监督学习相结合的图像分割方法,其特征在于,所述步骤S2的具体步骤包括:
S21、分别求N1个局部特征矩阵的协方差矩阵:对得到的N1个协方差矩阵求平均值;
S22、选择线性核函数、多项式核函数、高斯核函数、指数核函数、拉普拉斯核函数、双曲正切核函数、有理二次核函数、逆多元二次核函数、圆核函数中的任意一个核函数将协方差矩阵均值映射到高维空间中的核子空间,得到核子空间当中的协方差矩阵K,并对核子空间当中的协方差矩阵K进行去均值;
S23、对K进行奇异值分解,找出的L1个主成分,并将找出的L1个主成分作为第一层核主成分分析网络的滤波器;
S24、将N1个局部特征矩阵分别与L1个第一层核主成分分析网络的滤波器卷积,得到第一层核主成分分析网络的训练输出图像。
6.根据权利要求1所述的一种基于图论和半监督学习相结合的图像分割方法,其特征在于,所述步骤S4中二值化操作具体为:第二层核主成分分析网络的训练输出图像中的元素如果大于0,则将该元素置为1;如果小于或者等于0,则将该元素置为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510906391.8A CN105608690B (zh) | 2015-12-05 | 2015-12-05 | 一种基于图论和半监督学习相结合的图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510906391.8A CN105608690B (zh) | 2015-12-05 | 2015-12-05 | 一种基于图论和半监督学习相结合的图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105608690A CN105608690A (zh) | 2016-05-25 |
CN105608690B true CN105608690B (zh) | 2018-06-08 |
Family
ID=55988606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510906391.8A Expired - Fee Related CN105608690B (zh) | 2015-12-05 | 2015-12-05 | 一种基于图论和半监督学习相结合的图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105608690B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868760A (zh) * | 2016-03-11 | 2016-08-17 | 信阳农林学院 | 模式识别方法及系统 |
CN106204538B (zh) * | 2016-06-28 | 2017-08-22 | 陕西师范大学 | 一种图像分割方法及系统 |
CN106650696B (zh) * | 2016-12-30 | 2019-12-10 | 山东大学 | 一种基于奇异值分解的手写电气元件符号识别方法 |
CN106845383B (zh) * | 2017-01-16 | 2023-06-06 | 腾讯科技(上海)有限公司 | 人头检测方法和装置 |
CN106991443A (zh) * | 2017-03-31 | 2017-07-28 | 西安理工大学 | 图像多特征动态结构融合的标记传播分类方法 |
CN107506792B (zh) * | 2017-08-16 | 2020-09-29 | 广西荷福智能科技有限公司 | 一种半监督的显著对象检测方法 |
TWI649659B (zh) * | 2017-10-27 | 2019-02-01 | 財團法人工業技術研究院 | 自動光學檢測影像分類方法、系統及含有該方法之電腦可讀取媒體 |
US11315231B2 (en) | 2018-06-08 | 2022-04-26 | Industrial Technology Research Institute | Industrial image inspection method and system and computer readable recording medium |
CN110163205B (zh) * | 2019-05-06 | 2021-05-28 | 网易有道信息技术(北京)有限公司 | 图像处理方法、装置、介质和计算设备 |
CN110516572B (zh) * | 2019-08-16 | 2022-06-28 | 咪咕文化科技有限公司 | 一种识别体育赛事视频片段的方法、电子设备及存储介质 |
CN112699960B (zh) * | 2021-01-11 | 2023-06-09 | 华侨大学 | 基于深度学习的半监督分类方法、设备及存储介质 |
CN112597984B (zh) * | 2021-03-04 | 2021-05-25 | 腾讯科技(深圳)有限公司 | 图像数据处理方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942779A (zh) * | 2014-03-27 | 2014-07-23 | 南京邮电大学 | 一种基于图论和半监督学习相结合的图像分割方法 |
CN104463202A (zh) * | 2014-11-28 | 2015-03-25 | 苏州大学 | 一种多类图像半监督分类方法及系统 |
CN104751175A (zh) * | 2015-03-12 | 2015-07-01 | 西安电子科技大学 | 基于增量支持向量机的sar图像多类标场景分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011160309A1 (zh) * | 2010-06-25 | 2011-12-29 | 中国科学院自动化研究所 | 基于鲁棒统计信息传播的多模态三维磁共振图像脑肿瘤分割方法 |
-
2015
- 2015-12-05 CN CN201510906391.8A patent/CN105608690B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942779A (zh) * | 2014-03-27 | 2014-07-23 | 南京邮电大学 | 一种基于图论和半监督学习相结合的图像分割方法 |
CN104463202A (zh) * | 2014-11-28 | 2015-03-25 | 苏州大学 | 一种多类图像半监督分类方法及系统 |
CN104751175A (zh) * | 2015-03-12 | 2015-07-01 | 西安电子科技大学 | 基于增量支持向量机的sar图像多类标场景分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105608690A (zh) | 2016-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105608690B (zh) | 一种基于图论和半监督学习相结合的图像分割方法 | |
Zhao et al. | Jsnet: Joint instance and semantic segmentation of 3d point clouds | |
CN105931253B (zh) | 一种基于半监督学习相结合的图像分割方法 | |
Eslami et al. | Attend, infer, repeat: Fast scene understanding with generative models | |
CN110097103A (zh) | 基于生成对抗网络的半监督图像分类方法 | |
CN109977232A (zh) | 一种基于力导图的图神经网络可视分析方法 | |
CN107506761A (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 | |
CN110175251A (zh) | 基于语义对抗网络的零样本草图检索方法 | |
CN109766858A (zh) | 结合双边滤波的三维卷积神经网络高光谱影像分类方法 | |
CN103886342B (zh) | 基于光谱和邻域信息字典学习的高光谱图像分类方法 | |
CN104239902B (zh) | 基于非局部相似性和稀疏编码的高光谱图像分类方法 | |
CN106682696A (zh) | 基于在线示例分类器精化的多示例检测网络及其训练方法 | |
CN110533024B (zh) | 基于多尺度roi特征的双二次池化细粒度图像分类方法 | |
CN109190643A (zh) | 基于卷积神经网络中药识别方法及电子设备 | |
CN104298999B (zh) | 基于递归自动编码的高光谱特征学习方法 | |
CN111738355B (zh) | 注意力融合互信息的图像分类方法、装置及存储介质 | |
CN107729312A (zh) | 基于序列标注建模的多粒度分词方法及系统 | |
CN106529586A (zh) | 基于补充文本特征的图像分类方法 | |
CN105989336A (zh) | 基于带权重的解卷积深度网络学习的场景识别方法 | |
CN104751463B (zh) | 一种基于草图轮廓特征的三维模型最佳视角选取方法 | |
CN107341510A (zh) | 基于稀疏正交的双图非负矩阵分解的图像聚类方法 | |
CN109255289A (zh) | 一种基于统一式生成模型的跨衰老人脸识别方法 | |
CN109255339B (zh) | 基于自适应深度森林人体步态能量图的分类方法 | |
CN110909867A (zh) | 一种基于力导图的图神经网络可视分析方法 | |
CN112905828B (zh) | 一种结合显著特征的图像检索器、数据库及检索方法 |
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 | ||
DD01 | Delivery of document by public notice |
Addressee: Ma Junliang Document name: Notice of termination of patent right |
|
DD01 | Delivery of document by public notice | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180608 Termination date: 20211205 |
|
CF01 | Termination of patent right due to non-payment of annual fee |