CN106384354A - 基于slic算法的超像素分割方法 - Google Patents

基于slic算法的超像素分割方法 Download PDF

Info

Publication number
CN106384354A
CN106384354A CN201610825379.9A CN201610825379A CN106384354A CN 106384354 A CN106384354 A CN 106384354A CN 201610825379 A CN201610825379 A CN 201610825379A CN 106384354 A CN106384354 A CN 106384354A
Authority
CN
China
Prior art keywords
lambda
value
cluster centre
image
cie
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
Application number
CN201610825379.9A
Other languages
English (en)
Inventor
谷延锋
王腾飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201610825379.9A priority Critical patent/CN106384354A/zh
Publication of CN106384354A publication Critical patent/CN106384354A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Facsimile Image Signal Circuits (AREA)
  • Color Image Communication Systems (AREA)

Abstract

基于SLIC算法的超像素分割方法，属于图像处理领域。现有的SLIC方法不适合超像素分割方法的问题。一种基于SLIC算法的超像素分割方法，将多波段图像转换到CIE‑LAB彩色空间的图像；按照设定的超像素个数，在CIE‑LAB彩色空间的图像内初始化聚类中心；在设定的n*n领域范围内打乱聚类中心，形成新的聚类中心；按照各点与新的聚类中心的设定距离计算，为每个新的聚类中心分配匹配点；计算新的聚类中心与之前得聚类中心的距离值L1，并判断L1的值是否小于设定的阈值，若是，则返回步骤三重新打乱聚类中心，否则，继续进行新的聚类中心与之前得聚类中心的距离值L1的迭代计算，直到L1的值小于设定的阈值，获得分割结果。

Description

基于SLIC算法的超像素分割方法
技术领域
本发明涉及一种基于SLIC算法的超像素分割方法。
背景技术
近年来，成像高光谱的空间分辨率与光谱分辨率越来越高，在农业自动化，城市规划等各个领域起到了很大的作用，具有巨大的发展潜力。当前高光谱图像分辨率已经达到亚米级，在图像识别等领域，原有的方法也难以适用。
超像素分割被广泛用于对高分辨率图像的预处理，以获得更好的处理结果。超像素方法保存了目标轮廓，将多个元素集合作为一个对象进行处理，减少了计算量，获得了更快的计算速度，与更好的处理结果。
目前使用的SLIC超像素分割方法一般是针对彩色图像提出的，对于现在越来越高分辨率的遥感多光谱或高光谱图像，需要对SLIC方法进行改进，以适用于多个波段的超像素方法来进行预处理，满足当前需求。
发明内容
本发明的目的是为了解决现有的SLIC方法不适合超像素分割方法的问题，而提出一种基于SLIC算法的超像素分割方法。
一种基于SLIC算法的超像素分割方法，所述方法通过以下步骤实现：
步骤一、将多波段图像转换到CIE-LAB彩色空间的图像；
步骤二、按照设定的超像素个数，在CIE-LAB彩色空间的图像内初始化聚类中心；
步骤三、在设定的n*n领域范围内打乱聚类中心，形成新的聚类中心；
步骤四、按照各点与新的聚类中心的设定距离计算，为每个新的聚类中心分配匹配点；
步骤五、计算新的聚类中心与之前得聚类中心的距离值L1，并判断L1的值是否小于设定的阈值，
若是，则返回步骤三重新打乱聚类中心，
否则，继续进行新的聚类中心与之前得聚类中心的距离值L1的迭代计算，直到L1的值小于设定的阈值，获得分割结果。
本发明的有益效果为：
本发明针对已有的SLIC超像素分割方法，将多个波段的图像转换成XYZ三刺激色，再转换到CIELAB色彩空间，对原有的SLIC方法进行推广，实现了在多个波段图像下的超像素分割方法，为高分辨率、多波段图像的后续处理提供了有效的预处理手段。
完成将多波段图像转换到CIE-LAB彩色空间的图像后，再经过初始化聚类中心、重新分配聚类中心、计算聚类中心距离、迭代的过程实现改进的SLIC图像分割方法，采用本发明公开的改进的SLIC图像分割方法，可以更加有效将SLIC方法应用于多光谱以及高光谱图像上，为高分辨率遥感图像的应用提供了广泛的支撑。与现有普通SLIC图像分割方法相比，将高分辨率图像处理速度提高20％左右。
附图说明
图1为本发明的流程图；
具体实施方式
具体实施方式一：
本实施方式的基于SLIC算法的超像素分割方法，SLIC算法是指简单线性迭代聚类图像分割算法，结合图1所示的流程图，所述方法通过以下步骤实现：
步骤一、将多波段图像转换到CIE-LAB彩色空间的图像；
步骤二、按照设定的超像素个数，在CIE-LAB彩色空间的图像内初始化聚类中心；
步骤三、在设定的n*n领域范围内打乱聚类中心，形成新的聚类中心；
步骤四、按照各点与新的聚类中心的设定距离计算，为每个新的聚类中心分配匹配点；
步骤五、计算新的聚类中心与之前得聚类中心的距离值L1，并判断L1的值是否小于设定的阈值，
若是，则返回步骤三重新打乱聚类中心，
否则，继续进行新的聚类中心与之前得聚类中心的距离值L1的迭代计算，直到L1的值小于设定的阈值，获得分割结果。
具体实施方式二：
与具体实施方式一不同的是，本实施方式的基于SLIC算法的超像素分割方法，步骤一所述的将多波段图像转换到CIE-LAB彩色空间的图像的过程为，
步骤一一、通过公式(1)反演出K的值：
Y 0 = K ∫ λ S ( λ ) y ‾ ( λ ) d λ - - - ( 1 )
此时，根据XYZ空间里Y0值为100的恒定要求，所以令Y0＝100；通过表一所示的CIE1931-D50标准表格获得S(λ)值以及则推导出K的值；式中，K表示用于归一化的参数；Y0表示CIE1931XYZ色彩空间的Y分量，Y分量表示绿原色；λ表示波长，S(λ)表示光源的相对光谱功率分布，即表一所示的CIE 1931-D50标准表格中D50列对应的值；dλ表示对波长λ求导运算；
表一，CIE 1931-D50标准
步骤一二、将图像灰度值为八位0-255区间的图像归一化处理，取每个波段图像的归一化灰度值，以得到物体的光谱反射率或者透射率；通过公式(2)将多波段图像转换到三刺激值XYZ空间：
X = K ∫ λ S ( λ ) R ( λ ) x ‾ ( λ ) d λ Y = K ∫ λ S ( λ ) R ( λ ) y ‾ ( λ ) d λ Z = K ∫ λ S ( λ ) R ( λ ) z ‾ ( λ ) d λ - - - ( 2 )
其中，为光谱色三刺激值，是红原色X的刺激值，是绿原色Y的刺激值，是蓝原色Z的刺激值；S(λ)为光源的相对光谱功率分布，R(λ)为物体的光谱反射率或者光谱透射率；dλ表示对波长λ求导运算；
步骤一三、根据公式(3)将步骤一二获得的三刺激值XYZ空间中的XYZ色彩转换成LAB色彩：
L * = 116 f ( Y / Y n ) - 16 a * = 500 [ f ( X / X n ) - f ( Y / Y n ) ] b * = 500 [ f ( X / X n ) - f ( Z / Z n ) ] - - - ( 3 )
其中，Xn取值为95.047、Yn取值为100.0、Zn取值为108.883；
具体实施方式三：
与具体实施方式一不同的是，本实施方式的基于SLIC算法的超像素分割方法，步骤一二所述的物体的光谱反射率或者光谱透射率R(λ)经过归一化运算获得的。
具体实施方式四：
与具体实施方式一、二或四不同的是，本实施方式的基于SLIC算法的超像素分割方法，步骤五所述的设定的阈值为1或1.5，影响计算复杂度。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (4)

1.一种基于SLIC算法的超像素分割方法，其特征在于：所述方法通过以下步骤实现：
步骤一、将多波段图像转换到CIE-LAB彩色空间的图像；
步骤二、按照设定的超像素个数，在CIE-LAB彩色空间的图像内初始化聚类中心；
步骤三、在设定的n*n领域范围内打乱聚类中心，形成新的聚类中心；
步骤四、按照各点与新的聚类中心的设定距离计算，为每个新的聚类中心分配匹配点；
步骤五、计算新的聚类中心与之前得聚类中心的距离值L1，并判断L1的值是否小于设定的阈值，
若是，则返回步骤三重新打乱聚类中心，
否则，继续进行新的聚类中心与之前得聚类中心的距离值L1的迭代计算，直到L1的值小于设定的阈值，获得分割结果。
2.根据权利要求1所述基于SLIC算法的超像素分割方法，其特征在于：步骤一所述的将多波段图像转换到CIE-LAB彩色空间的图像的过程为，
步骤一一、通过公式(1)反演出K的值：
Y 0 = K ∫ λ S ( λ ) y ‾ ( λ ) d λ - - - ( 1 )
此时，根据XYZ空间里Y0值为100的恒定要求，所以令Y0＝100；通过CIE 1931-D50标准表格获得S(λ)值以及则推导出K的值；
式中，K表示用于归一化的参数；Y表示CIE1931XYZ色彩空间的Y分量，Y分量表示绿原色；λ表示波长，S(λ)表示光源的相对光谱功率分布，即CIE 1931-D50标准表格中D50列对应的值；dλ表示对波长λ求导运算；
步骤一二、将图像灰度值为八位0-255区间的图像归一化处理，取每个波段图像的归一化灰度值，以得到物体的光谱反射率或者透射率：
X = K ∫ λ S ( λ ) R ( λ ) x ‾ ( λ ) d λ Y = K ∫ λ S ( λ ) R ( λ ) y ‾ ( λ ) d λ Z = K ∫ λ S ( λ ) R ( λ ) z ‾ ( λ ) d λ - - - ( 2 )
其中，为光谱色三刺激值，是红原色X的刺激值，是绿原色Y的刺激值，是蓝原色Z的刺激值；S(λ)为光源的相对光谱功率分布，R(λ)为物体的光谱反射率或者光谱透射率；dλ表示对波长λ求导运算；
步骤一三、根据公式(3)将步骤一二获得的三刺激值XYZ空间中的XYZ色彩转换成LAB色彩：
L * = 116 f ( Y / Y n ) - 16 a * = 500 [ f ( X / X n ) - f ( Y / Y n ) ] b * = 500 [ f ( X / X n ) - f ( Z / Z n ) ] - - - ( 3 )
其中，Xn取值为95.047、Yn取值为100.0、Zn取值为108.883；
3.根据权利要求1或2所述基于SLIC算法的超像素分割方法，其特征在于：步骤一二所述的物体的光谱反射率或者光谱透射率R(λ)经过归一化运算获得的。
4.根据权利要求3所述基于SLIC算法的超像素分割方法，其特征在于：步骤五所述的设定的阈值为1或1.5。。
CN201610825379.9A 2016-09-14 2016-09-14 基于slic算法的超像素分割方法 Pending CN106384354A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610825379.9A CN106384354A (zh) 2016-09-14 2016-09-14 基于slic算法的超像素分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610825379.9A CN106384354A (zh) 2016-09-14 2016-09-14 基于slic算法的超像素分割方法

Publications (1)

Publication Number Publication Date
CN106384354A true CN106384354A (zh) 2017-02-08

Family

ID=57936542

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610825379.9A Pending CN106384354A (zh) 2016-09-14 2016-09-14 基于slic算法的超像素分割方法

Country Status (1)

Country Link
CN (1) CN106384354A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106952269A (zh) * 2017-02-24 2017-07-14 北京航空航天大学 近邻可逆的视频前景物体序列检测分割方法及系统
CN107194936A (zh) * 2017-05-24 2017-09-22 哈尔滨工业大学 基于超像素联合稀疏表示的高光谱图像目标检测方法
CN107194931A (zh) * 2017-05-09 2017-09-22 西安交通大学 一种基于双目图像匹配获取目标深度信息的方法和系统
CN107423741A (zh) * 2017-06-20 2017-12-01 长安大学 一种基于视觉仿生与力场作用的图像自适应聚类方法
CN107766878A (zh) * 2017-09-28 2018-03-06 北京华航无线电测量研究所 一种基于Lab色彩空间K均值聚类的危险品检测方法
CN108830869A (zh) * 2018-05-11 2018-11-16 西安电子科技大学 基于超像素的遥感图像并行分割方法
CN108985247A (zh) * 2018-07-26 2018-12-11 北方工业大学 多光谱图像城市道路识别方法
WO2019062092A1 (zh) * 2017-09-30 2019-04-04 深圳市颐通科技有限公司 基于超像素-多色彩空间的人体轮廓提取方法
CN109949320A (zh) * 2019-03-20 2019-06-28 哈尔滨工业大学 基于熵与互信息的高光谱图像超像元分割方法
CN110120042A (zh) * 2019-05-13 2019-08-13 哈尔滨工业大学 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法
CN110135432A (zh) * 2019-05-24 2019-08-16 哈尔滨工程大学 一种基于K-means聚类的高光谱遥感图像分割方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198483A (zh) * 2013-04-07 2013-07-10 西安电子科技大学 基于边缘和光谱反射率曲线的多时相遥感图像配准方法
CN103226832A (zh) * 2013-05-07 2013-07-31 西安电子科技大学 基于光谱反射率变化分析的多光谱遥感影像变化检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198483A (zh) * 2013-04-07 2013-07-10 西安电子科技大学 基于边缘和光谱反射率曲线的多时相遥感图像配准方法
CN103226832A (zh) * 2013-05-07 2013-07-31 西安电子科技大学 基于光谱反射率变化分析的多光谱遥感影像变化检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴洋: "基于超像素的面向对象遥感图像分类方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
游晶 等: "一种处理多光谱彩色合成图像的白平衡法", 《大气与环境光学学报》 *
罗雪梅: "图像色外观再现技术研究", 《中国博士学位论文全文数据库信息科技辑》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106952269A (zh) * 2017-02-24 2017-07-14 北京航空航天大学 近邻可逆的视频前景物体序列检测分割方法及系统
CN107194931A (zh) * 2017-05-09 2017-09-22 西安交通大学 一种基于双目图像匹配获取目标深度信息的方法和系统
CN107194936A (zh) * 2017-05-24 2017-09-22 哈尔滨工业大学 基于超像素联合稀疏表示的高光谱图像目标检测方法
CN107194936B (zh) * 2017-05-24 2021-02-02 哈尔滨工业大学 基于超像素联合稀疏表示的高光谱图像目标检测方法
CN107423741B (zh) * 2017-06-20 2020-05-05 长安大学 一种基于视觉仿生与力场作用的图像自适应聚类方法
CN107423741A (zh) * 2017-06-20 2017-12-01 长安大学 一种基于视觉仿生与力场作用的图像自适应聚类方法
CN107766878B (zh) * 2017-09-28 2020-12-04 北京华航无线电测量研究所 一种基于Lab色彩空间K均值聚类的危险品检测方法
CN107766878A (zh) * 2017-09-28 2018-03-06 北京华航无线电测量研究所 一种基于Lab色彩空间K均值聚类的危险品检测方法
WO2019062092A1 (zh) * 2017-09-30 2019-04-04 深圳市颐通科技有限公司 基于超像素-多色彩空间的人体轮廓提取方法
CN108830869A (zh) * 2018-05-11 2018-11-16 西安电子科技大学 基于超像素的遥感图像并行分割方法
CN108830869B (zh) * 2018-05-11 2022-05-10 西安电子科技大学 基于超像素的遥感图像并行分割方法
CN108985247A (zh) * 2018-07-26 2018-12-11 北方工业大学 多光谱图像城市道路识别方法
CN108985247B (zh) * 2018-07-26 2021-12-21 北方工业大学 多光谱图像城市道路识别方法
CN109949320A (zh) * 2019-03-20 2019-06-28 哈尔滨工业大学 基于熵与互信息的高光谱图像超像元分割方法
CN110120042A (zh) * 2019-05-13 2019-08-13 哈尔滨工业大学 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法
CN110120042B (zh) * 2019-05-13 2023-07-14 哈尔滨工业大学 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法
CN110135432A (zh) * 2019-05-24 2019-08-16 哈尔滨工程大学 一种基于K-means聚类的高光谱遥感图像分割方法

Similar Documents

Publication Publication Date Title
CN106384354A (zh) 基于slic算法的超像素分割方法
CN103093444B (zh) 基于自相似性和结构信息约束的图像超分辨重建方法
WO2019062608A1 (zh) 图像处理方法和装置、电子设备、计算机存储介质
CN103942769B (zh) 一种卫星遥感影像融合方法
Le Moan et al. A constrained band selection method based on information measures for spectral image color visualization
CN101425179B (zh) 一种人脸图像重光照的方法及装置
CN103854261A (zh) 色偏图像的校正方法
CN103839079A (zh) 一种基于分类学习的相似图像彩色化算法
CN101930596A (zh) 一种复杂光照下的两步法颜色恒常性方法
CN107169946B (zh) 基于非负稀疏矩阵与超球面彩色变换的图像融合方法
CN103612483A (zh) 一种基于光谱匹配的油墨配色方法
CN108711160B (zh) 一种基于hsi增强性模型的目标分割方法
Lei et al. An algorithm of skin detection based on texture
CN107292328A (zh) 多尺度多特征融合的遥感影像阴影检测提取方法及系统
CN107623845A (zh) 一种基于先验知识的图像处理方法及装置
CN103929629B (zh) 一种基于图像主要颜色的图像处理方法
CN111539965A (zh) 协同多源信息的城市地表水国产高分遥感自适应提取方法
CN105426847A (zh) 低质量自然光虹膜图像非线性增强方法
CN106815602A (zh) 一种基于多层次特征描述的跑道fod图像探测方法及装置
Jeon Color image enhancement by histogram equalization in heterogeneous color space
CN106875370A (zh) 一种全色图像和多光谱图像的融合方法及装置
CN106447603A (zh) 一种彩色图像灰度化方法
CN110545414B (zh) 一种图像锐化方法
CN104268554B (zh) 一种基于相关系数的高光谱图像波段选择方法
CN102789638A (zh) 基于梯度场与尺度空间理论的图像融合方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170208

RJ01 Rejection of invention patent application after publication