CN105701807A - 一种基于投票策略的图像分割方法 - Google Patents
一种基于投票策略的图像分割方法 Download PDFInfo
- Publication number
- CN105701807A CN105701807A CN201610015999.6A CN201610015999A CN105701807A CN 105701807 A CN105701807 A CN 105701807A CN 201610015999 A CN201610015999 A CN 201610015999A CN 105701807 A CN105701807 A CN 105701807A
- Authority
- CN
- China
- Prior art keywords
- original image
- image
- gray scale
- pixel
- voting
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明公开了一种基于投票策略的图像分割方法,提供一种灰度不均匀图像分割方法,在图像分割中添加投票的概念。为保证投票次数一致性及边缘灰度连续性,首先对原图像进行延伸得到大小为原图像三倍的延伸图像,先后利用不同的图像分割方法对延伸图像的每个像素进行投票,再将投票结果矩阵转化为灰度级为L的灰度图像,而后利用所得图像直方图中最低点对应的灰度为阈值对所得灰度图像进行分割,可有效、完整地对具有灰度不均的图像进行分割,并将分割误差控制在可接受范围内,且受参数影响小。同时,本方法可以将不同的分割算法结合到一个框架中对同一图像进行分割,可结合不同分割算法的优点,并实现不同分割算法的互补。
Description
技术领域
本发明属于图像处理领域,涉及一种基于投票策略的图像分割方法。
背景技术
图像分割技术具有广泛的应用价值,可应用到模式识别、机器视觉等各行业各领域中。目前的图像分割方法主要可以分为基于阈值的图像分割、基于边缘的图像分割、基于区域特性的图像分割、基于统计模式分类的图像分割等。主要方法有阈值法、活动轮廓模型法、边缘算子检测法、区域生长法、模糊聚类法等。
基于阈值的图像分割算法利用阈值将图像分割为目标和背景区域。阈值分割技术的关键在于阈值的选择,不同的阈值可能会引起完全不同的结果。此类方差往往受噪声影响严重,且受灰度不均匀性影响严重。
基于边缘的分割方法主要基于图像灰度级的不连续性,它通过检测不同连续区域之间的边界来实现对图像的分割,边缘检测算法有一个缺点:不能得到连续的单像素边缘。传统的边缘算子抗噪性低,且无法得到连续的边缘,受背景灰度不均影响较大。
基于区域特性的分割技术有两种基本形式:区域生长和分裂合并。与阈值方法不同,这类方法不但考虑了像素的相似性,还考虑了空间上的邻接性,因此可以有效消除孤立噪声的干扰,具有很强的鲁棒性。而且,无论是合并还是分裂,都能够将分割深入到像素级,因此可以保证较高的分割精度。
基于统计模式分类的分割技术中的模式可以定义为对图像中目标或其它感兴趣部分的定量或结构化的描述,图像分割可以被视为以像素为基元的模式分类过程。这类方法,对于无法由灰度区分的复杂的纹理图像显得尤为有效。
但大多数目前的分割方法往往无法准确分割具有灰度分布不均匀特征的图像,且易产生误分割。LiC、XuC、GuiC等人在《IEEETRANSACTIONSONIMAGEPROCESSING》(2010,19(12):3243-3254)的文章“DistanceRegularizedLevelSetEvolutionandItsApplicationtoImageSegmentation”提出了基于灰度场校正的水平集图像分割方法,能较好地分割具有灰度不均匀特征的图像,但是此方法参数复杂且分割结果受参数影响大。HuangQ、GaoW、Cai在《Patternrecognitionletters》(2005,26(6):801-808)的文章“Thresholdingtechniquewithadaptivewindowselectionforunevenlightingimage”中利用Lorentz信息自适应地改变局部窗口大小,对具有光照不均匀的文献图像有较好的分割结果,然而并不适用于其它灰度不均类型图像的分割。
发明内容
针对传统图像处理方法在处理图像时受图像灰度不均匀影响较大的问题,本发明提供一种基于投票策略的图像分割方法,添加投票的概念,先利用不同的图像处理方法对原图像中每个像素进行投票,再将投票结果矩阵转化为灰度图像,而后以所得灰度图像的直方图中最低点对应的灰度作为阈值,对所得灰度图像进行分割,能较好地分割灰度不均匀图像,且分割精度较高、抗噪性较好,分割结果不受参数影响。
本发明解决其技术问题所采用的技术方案包括以下步骤:
(1)初始化,设原图像O的长为H,宽为W,灰度级为L,步骤包括:
1)对原图像O进行延伸,得到一个大小为3H×3W的延伸图像Y;
2)生成一个大小为3H×3W、元素全为0的计数矩阵C,用于存储投票结果;
3)生成窗口边长等差矩阵S={N,N+d,...,N+(n-1)×d},其中N为初始窗口边长,d为C的方差,n为S的元素个数,为保证窗口边长为奇数,N取奇数,d取偶数。
(2)投票:对Y中的每一个像素,以当前像素为中心,分别当窗口边长为{N,N+d,...,N+(n-1)×d}时,分别用K种不同的分割算法求当前窗口的投票标准,投票标准与所用分割算法有关,可为灰度阈值、聚类中心灰度值等,然后对当前窗口内的每个像素进行投票,若该像素满足投票标准,则C中对应元素值加1,否则减1。
(3)分割:将C转化为一个灰度级为L的灰度图像并从中取出结果图像R,R在C中的位置与O在Y中的位置相同,计算R的灰度直方图,求其灰度直方图的最低点,然后以最低点对应的灰度为阈值T对R进行分割,将R中灰度大于T的像素灰度置为L-1,否则置为0。
在上述步骤(1)的步骤1)中,将Y视为一个3×3的矩阵,则图像延伸的具体方法为:令Y的(2,2)为原图像,由原图像以左上角中心镜像原图像得到Y(1,1),由原图像的上边对称镜像原图像得到Y(1,2),由原图像的右上角中心镜像原图像得到Y(1,3),由原图像的左边对称镜像原图像得到Y(2,1),由原图像的右边对称镜像原图像得到Y(2,3),由原图像的左下角中心镜像原图像得到Y(3,1),由原图像的下边对称镜像原图像得到Y(3,2),由原图像的右下角中心镜像原图像得到Y(3,3)。
在上述步骤(2)中,窗口内用不同分割算法进行投票,根据不同算法的原理决定投票规则。所有分割方法均可归纳为求当前窗口是否满足其是目标的判断准则的取值,因此窗口内用分割方法进行投票的具体步骤可归纳地表示为:
1)利用分割算法计算当前窗口内判断准则的取值;
2)遍历当前窗口中各像素,若其大于当前窗口的判断准则取值则矩阵C中对应元素值加1,否则减1。
本发明的有益效果是:本发明提供的基于投票策略的图像分割方法,可有效、完整地对灰度不均匀的图像进行分割,并将分割误差控制在可接受范围内。同时,本方法可以将不同的分割算法结合到一个框架中对同一图像进行分割,以结合不同分割算法的优点,并实现不同分割算法的互补。
下面结合附图和实施例对本发明进一步说明。
附图说明
图1为本发明算法流程示意图。
图2为算法中图像延伸示意图。
具体实施方式
利用本方法对灰度级为256,大小为178×178的灰度不均匀原图像O进行分割,取N=21,n=4,d=10,即S={21,31,41,51}。在第二步用于投票的分割方法中,选择最大类间方差法、水平集方法、模糊C均值法进行投票,执行以下步骤:
(1)初始化。将原图像O进行延伸,令Y的(2,2)等于原图像,由原图像以左上角中心镜像原图像得到Y(1,1),由原图像的上边对称镜像原图像得到Y(1,2),由原图像的右上角中心镜像原图像得到Y(1,3),由原图像的左边对称镜像原图像得到Y(2,1),由原图像的右边对称镜像原图像得到Y(2,3),由原图像的左下角中心镜像原图像得到Y(3,1),由原图像的下边对称镜像原图像得到Y(3,2),由原图像的右下角中心镜像原图像得到Y(3,3),最终得到大小为534×534的延伸图像Y。初始化大小为534×534的计数矩阵C=0。
(2)投票。对延伸图像Y中的每一个像素,以当前像素为中心,分别在边长大小为{21,31,41,51}的窗口内,分别利用三种分割算法:最大类间差法、水平集方法和模糊C均值法对当前窗口内的每个像素进行投票,将结果保存到矩阵C。
在上述步骤(2)中,窗口内用最大类间方差法进行投票的具体步骤为:
1)计算当前窗口内每个灰度级的概率和数量;
2)计算阈值分别取各灰度级时的背景概率、目标概率、背景均值、目标均值、背景方差、目标方差;
3)遍历各灰度级,求得使类间方差达到最大阈值T1。
4)遍历当前窗口中各像素,若其灰度值大于T1则C中对应元素值加1,否则减1。
窗口内用水平集法进行投票的具体步骤为:
1)初始化当前窗口内的初始曲线;
2)计算当前窗口的u;
3)遍历当前窗口中各像素,若u≥0则C中对应元素值加1,否则减1。
窗口内用模糊C均值聚类法(类别数为2)进行投票的具体步骤为:
1)计算当前窗口的两个聚类中心1(目标)和2(背景);
2)分别计算当前窗口中各像素到两个聚类中心的欧式距离d1和d2。
3)遍历当前窗口中像素,若d1≥d2则C中对应元素值加1,否则减1。
(3)将矩阵C转化为一个灰度级为256的图像并从中取出结果图像R(R在C中的位置与原图像O在延伸图像Y中的位置相同),求图像R的灰度直方图,以灰度直方图最低点所对应的灰度值为阈值T对图像R进行分割,若图像R内像素灰度大于T则置其灰度为255,否则置其灰度为0。
与其它现有流行分割方法相比,基于投票策略的图像分割方法对于具有灰度不均匀的图像有较好分割效果,能有效地去除图像中的灰度不均匀,且较好地保留目标边缘,分割精度较高,抗噪性较好,参数影响小,是一种能较好地分割非理想图像的高精度分割方法,表明了本发明方法的可行性和有效性。
Claims (3)
1.一种基于投票策略的图像分割方法,其特征在于包括下述步骤:
(1)初始化。设原图像O的长为H,宽为W,灰度级为L。图像延伸:依照原图像信息对原图像O进行延伸,得到一个大小为3H×3W的延伸图像Y。初始化大小为3H×3W、元素全为0的计数矩阵C,用于存储投票结果。初始化窗口边长等差矩阵S={N,N+d,…,N+(n-1)×d},其中N为初始窗口边长,d为等差矩阵S的方差,n为矩阵S的元素个数,为保证窗口边长为奇数,N为奇数,d为偶数。
(2)投票。对延伸图像Y中的每一个像素,以当前像素为中心,分别当窗口边长为{N,N+d,…,N+(n-1)×d}时,分别用K种不同的分割算法求当前窗口的投票标准,然后对当前窗口内的每个像素进行投票,若当像素满足投票标准,则C中对应元素值加1,否则减1。
(3)分割。将C转化为一个灰度级为L的灰度图像并从中取出结果图像R(R在C中的位置与原图像O在延伸图像Y中的位置相同),计算R的灰度直方图,求其灰度直方图的最低点,然后以最低点对应的灰度为阈值T对R进行分割,将R中灰度大于T的像素灰度置为L-1,否则置为0。
2.根据权利要求1所述的一种基于投票策略的图像分割方法,其特征在于:在所述步骤(1)中,将Y视为一个3×3的矩阵,原图像O延伸的具体步骤包括:令Y的(2,2)等于原图像,由原图像以左上角中心镜像原图像得到Y(1,1),由原图像的上边对称镜像原图像得到Y(1,2),由原图像的右上角中心镜像原图像得到Y(1,3),由原图像的左边对称镜像原图像得到Y(2,1),由原图像的右边对称镜像原图像得到Y(2,3),由原图像的左下角中心镜像原图像得到Y(3,1),由原图像的下边对称镜像原图像得到Y(3,2),由原图像的右下角中心镜像原图像得到Y(3,3)。
3.在上述步骤(2)中,窗口内用不同分割算法进行投票,根据不同算法的原理决定投票规则。所有分割方法均可归纳为求当前窗口是否满足其是目标的判断准则的取值,因此窗口内用分割方法进行投票的具体步骤可归纳地表示为:
1)利用分割算法计算当前窗口内判断准则的取值;
2)遍历当前窗口中各像素,若其大于当前窗口的判断准则取值则矩阵C中对应元素值加1,否则减1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610015999.6A CN105701807B (zh) | 2016-01-12 | 2016-01-12 | 一种基于投票策略的图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610015999.6A CN105701807B (zh) | 2016-01-12 | 2016-01-12 | 一种基于投票策略的图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105701807A true CN105701807A (zh) | 2016-06-22 |
CN105701807B CN105701807B (zh) | 2019-05-10 |
Family
ID=56227168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610015999.6A Expired - Fee Related CN105701807B (zh) | 2016-01-12 | 2016-01-12 | 一种基于投票策略的图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105701807B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110198470A (zh) * | 2019-06-06 | 2019-09-03 | 深圳市福瑞达显示技术有限公司 | 拼接风扇屏的分布式显示方法及其显示系统 |
CN111047601A (zh) * | 2019-11-22 | 2020-04-21 | 重庆邮电大学 | 一种局部窗口大小自适应的工业ct图像分割方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236607A (zh) * | 2008-03-03 | 2008-08-06 | 哈尔滨工程大学 | 一种用于灰度图像快速多阈值分割的方法 |
US20080267498A1 (en) * | 2007-04-30 | 2008-10-30 | Mark Shaw | Unsupervised color image segmentation by dynamic color gradient thresholding |
CN101630411A (zh) * | 2009-07-02 | 2010-01-20 | 浙江省电力公司 | 基于熵值的面向输电线路部件识别的自动阈值图象分割方法 |
CN102646193A (zh) * | 2012-03-23 | 2012-08-22 | 河海大学 | 一种环形排布字符图像分割方法 |
-
2016
- 2016-01-12 CN CN201610015999.6A patent/CN105701807B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080267498A1 (en) * | 2007-04-30 | 2008-10-30 | Mark Shaw | Unsupervised color image segmentation by dynamic color gradient thresholding |
CN101236607A (zh) * | 2008-03-03 | 2008-08-06 | 哈尔滨工程大学 | 一种用于灰度图像快速多阈值分割的方法 |
CN101630411A (zh) * | 2009-07-02 | 2010-01-20 | 浙江省电力公司 | 基于熵值的面向输电线路部件识别的自动阈值图象分割方法 |
CN102646193A (zh) * | 2012-03-23 | 2012-08-22 | 河海大学 | 一种环形排布字符图像分割方法 |
Non-Patent Citations (2)
Title |
---|
范新南 等: "基于匀光处理的自适应裂缝分割与提取算法", 《科学技术与工程》 * |
金炎芳 等: "基于混合高斯模型MRF场的CT图像分割", 《计算机应用研究》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110198470A (zh) * | 2019-06-06 | 2019-09-03 | 深圳市福瑞达显示技术有限公司 | 拼接风扇屏的分布式显示方法及其显示系统 |
CN111047601A (zh) * | 2019-11-22 | 2020-04-21 | 重庆邮电大学 | 一种局部窗口大小自适应的工业ct图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105701807B (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112424828B (zh) | 一种集成空间约束的核模糊c均值快速聚类算法 | |
CN107679520B (zh) | 一种适用于复杂条件下的车道线视觉检测方法 | |
CN102043959B (zh) | 车牌字符分割方法 | |
CN103996209A (zh) | 一种基于显著性区域检测的红外舰船目标分割方法 | |
CN107578430A (zh) | 一种基于自适应权值和局部熵的立体匹配方法 | |
CN110189339A (zh) | 深度图辅助的主动轮廓抠图方法及系统 | |
EP2733666B1 (en) | Method for superpixel life cycle management | |
CN109241973B (zh) | 一种纹理背景下的字符全自动软分割方法 | |
CN109416749B (zh) | 一种图像的灰阶分类方法、装置以及可读存储介质 | |
CN107832674B (zh) | 一种车道线检测方法 | |
CN107169962B (zh) | 基于空间密度约束核模糊聚类的灰度图像快速分割方法 | |
CN105184771A (zh) | 一种自适应运动目标检测系统及检测方法 | |
CN111783722B (zh) | 一种激光点云的车道线提取方法和电子设备 | |
CN105678773B (zh) | 一种低对比度图像分割方法 | |
JP7392488B2 (ja) | 遺留物誤検出の認識方法、装置及び画像処理装置 | |
CN105701807A (zh) | 一种基于投票策略的图像分割方法 | |
CN117314940B (zh) | 基于人工智能的激光切割零件轮廓快速分割方法 | |
CN108846845B (zh) | 基于缩略图与分层模糊聚类的sar图像分割方法 | |
CN114693716A (zh) | 一种面向复杂交通条件下的驾驶环境综合识别信息提取方法 | |
CN104268845A (zh) | 极值温差短波红外图像的自适应双局部增强方法 | |
CN112288780B (zh) | 多特征动态加权的目标跟踪算法 | |
CN105760876A (zh) | 一种基于散热器栅格背景消融的车标定位方法 | |
CN106127765A (zh) | 基于自适应窗口和平滑阈值法的图像二值化系统 | |
CN110956616B (zh) | 一种基于立体视觉的目标检测方法及系统 | |
CN107122757A (zh) | 一种实时鲁棒的非结构化道路检测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190510 Termination date: 20200112 |
|
CF01 | Termination of patent right due to non-payment of annual fee |