CN106611418A - 一种图像分割算法 - Google Patents
一种图像分割算法 Download PDFInfo
- Publication number
- CN106611418A CN106611418A CN201610190509.6A CN201610190509A CN106611418A CN 106611418 A CN106611418 A CN 106611418A CN 201610190509 A CN201610190509 A CN 201610190509A CN 106611418 A CN106611418 A CN 106611418A
- Authority
- CN
- China
- Prior art keywords
- image
- matrix
- value
- matrixes
- classification
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering 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
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (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)
Abstract
本发明提出了一种图像分割算法,该算法将聚类分析算法有效地与图像分割进行结合,该算法的主要步骤如下:步骤1:图像特征数据采集,得到初始数据集;步骤2:对初始数据集预处理,得到矩阵;步骤3:进行矩阵运算得到聚类结果矩阵;步骤4:迭代获取最优的聚类类别和稳定的聚类结果;步骤5:得到最优聚类类别数后,将相同类别的像素点聚成一类,利用图像处理的方法将图像还原,最终得到图像分割的效果图。
Description
所属领域
本发明涉及图像处理、图像识别领域。
背景技术
随着智能技术的飞速发展,其在生活中也得到了广泛应用,智能家居技术便是其重要产物之一。智能家居的设备多样,其中摄像头可展示最为立体化的场景。通过摄像头可及时而有效地监控所关心区域的动态,一旦发现意外情况可及时处理,这对于做好重要区域的安防工作有较大帮助。图像分割是作为图像处理和图像识别的重要步骤,也逐渐成为该领域研究者研究的热点。
当前,图像的分割有多重方法,如阈值分割、边缘检测、直线提取法、区域生长和区域合并、模糊C-均值算法(Fuzzy C-Means)等,这些算法根据不同的应用场景可有多种变形。
基于聚类的图像分割算法是其中较为常见的一种。聚类分析的目标是:同一组内的对象是相似的,而不同组中的对象是不同的;同一组内的相似性越大,不同组间差别越大,则聚类效果越好,即达到高内聚低耦合的效果。聚类算法分为基于划分的聚类分析算法、基于层次的聚类分析算法、基于密度的聚类分析算法、基于网格的聚类分析算法和基于模型的聚类分析算法。
聚类算法FCM进行图像分割的优点是避免了设定阈值的问题,并能解决阈值化分割难以解决的多个分支的分割问题;聚类过程中不需要任何人工干预,很适合于自适应图像分割的应用领域聚类类别数的确定,不同的值会导致结果差异较大;初始类中心和初始隶属度矩阵的确定,会导致聚类结果局部最优。
发明内容
针对上述不足之处,本发明提出一种新的分割算法,首先基于图像的颜色特征,根据图像的颜色的RGB特征值,对图像进行分割处理,并计算每一份的平均RGB值,将这些值作为初始数据集,通过目标函数进行划分,然后定义邻接矩阵进行运算,最后进行邻接迭代得到最优的聚类类别,然后进行聚类还原,得到图像的分割效果图。
本发明的目的是:得到精确的聚类类别数和稳定的聚类结果
本发明为实现上述目的所采用的技术方案是:一种图像分割算法,该算法的步骤如下:
步骤1:图像特征数据采集,得到初始数据集;
步骤2:对初始数据集预处理,得到矩阵;
步骤3:进行矩阵运算得到聚类结果矩阵;
步骤4:迭代获取最优的聚类类别和稳定的聚类结果;
步骤5:得到最优聚类类别数后,将相同类别的像素点聚成一类,利用图像
处理的方法将图像还原,最终得到图像分割的效果图。
本发明的有益效果是:将聚类分析算法有效地与图像分割进行结合;它能有效的与经典聚类算法结合,利用经典聚类算法对初始数据进行处理,同时克服了经典聚类算法人为确定初始聚类中心和聚类类别数而导致的局部聚类最优,通过多次迭代的方式自适应地得到精确的聚类类别数和稳定的聚类结果。
具体实施方式
以下详细描述本发明。
一、图像特征数据采集
将待分割图像,按照图像像素大小均匀分成若干等分,可以分成8×8,16×16,32×32大小,一般来说分块方案按照图像像素来决定。分好块以后,计算出每一等份中的像素的平均RGB值,并以该值作为该份的代表值,将这些代表值作为后续算法的初始数据集。
xj表示第j块图像块的平均RGB值,i表示第j块图像块中第i个像素,R/G/B分别表示像素对应的RGB值。
二、数据集预处理
将xj放入数据集X中,X={x1,x2,...,xi},将聚类目标函数表示为:
由此得到参数uij,
其中,参数uij是数据点xi对于类别j的模糊隶属度,每个样本点的隶属度之和均为1,dij=ci-xj为第i组聚类中心与第j个数据点之间的欧几里得距离,m是加权指数。
通过公式聚类后,X集被划分为C类,并通过参数可以得到C×N的U矩阵:
其中,c∈[2,N],
三、矩阵运算
首先,定义一维向量L=[l1,l2...,lN],其中lj为U矩阵j列uij最大下表i的值,每个lj表示对应的xj所属的类别。
其次,定义判别矩阵O,该矩阵完全由一维向量L的值所决定:
O矩阵实际上表示的是数据点之间的关系,若Oij=1,则说明xi和xj在同一类别中,若oii=0,则说明两个点不在一个类别中,所以O矩阵即是在给定类别数后产生的聚类结果矩阵。
四、迭代获取最优结果
为了得到最优的聚类类别和稳定的聚类结果,需要通过多次迭代。
定义迭代判别矩阵:
判别矩阵J包含了所有数据点之间的关系,矩阵中的值越大,说明两点之间的联系越强,被聚成一类的可能性越大。迭代过程是将J矩阵每次递减1,直到变成零矩阵,每递减一次,通过图的广度优先搜索算法计算J矩阵对应的邻接图的子图数量M,将结果存入一维向量Y=[M1,M2...,MN]中,找出Y中出现次数最多的MK,该值即为最优的聚类类别数,得到的聚类结果也是稳定的。
五、分割得到效果图
通过上述过程可以得到最优聚类类别数,即为图像分割的类别数以及每个像素点所属类别,将相同类别的像素点聚成一类,利用图像处理的方法将图像还原,最终得到图像分割的效果图。
Claims (1)
1.一种图像分割算法,该算法涉及图像处理、图像识别领域,其特征是:该算法的具体实施步骤如下:
步骤1:图像特征数据采集:将待分割图像,按照图像像素大小均匀分成若干等分,可以分成88,1616,3232大小,一般来说分块方案按照图像像素来决定,分好块以后,计算出每一等份中的像素的平均RGB值,并以该值作为该份的代表值,将这些代表值作为后续算法的初始数据集:
表示第j块图像块的平均RGB值,i表示第j块图像块中第i个像素,R/G/B分别表示像素对应的RGB值;
步骤2:对初始数据集预处理:将放入数据集X中,,将聚类目标函数表示为:
由此得到参数:
其中,参数是数据点 对于类别j的模糊隶属度,每个样本点的隶属度之和均为1,为第i组聚类中心与第j个数据点之间的欧几里得距离,m是加权指数,
通过公式聚类后,X集被划分为C类,并通过参数可以得到的U矩阵:
其中,;
步骤3:矩阵运算:首先,定义一维向量 ,其中为U矩阵j列最大下标i的值,每个表示对应的所属的类别;
其次,定义判别矩阵O,该矩阵完全由一维向量L的值所决定:
O矩阵实际上表示的是数据点之间的关系,若,则说明和在同一类别中,若,则说明两个点不在一个类别中,所以O矩阵即是在给定类别数后产生的聚类结果矩阵;
步骤4:迭代获取最优结果:定义迭代判别矩阵:
判别矩阵J包含了所有数据点之间的关系,矩阵中的值越大,说明两点之间的联系越强,被聚成一类的可能性越大,迭代过程是将J矩阵每次递减1,直到变成零矩阵,每递减一次,通过图的广度优先搜索算法计算J矩阵对应的邻接图的子图数量M,将结果存入一维向量 中,找出Y中出现次数最多的,该值即为最优的聚类类别数,得到的聚类结果也是稳定的;
步骤5:合成效果图:通过上述过程可以得到最优聚类类别数,即为图像分割的类别数以及每个像素点所属类别,将相同类别的像素点聚成一类,利用图像处理的方法将图像还原,最终得到图像分割的效果图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610190509.6A CN106611418A (zh) | 2016-03-29 | 2016-03-29 | 一种图像分割算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610190509.6A CN106611418A (zh) | 2016-03-29 | 2016-03-29 | 一种图像分割算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106611418A true CN106611418A (zh) | 2017-05-03 |
Family
ID=58614809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610190509.6A Pending CN106611418A (zh) | 2016-03-29 | 2016-03-29 | 一种图像分割算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106611418A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263804A (zh) * | 2019-05-06 | 2019-09-20 | 杭州电子科技大学 | 一种基于安全半监督聚类的医学影像分割方法 |
CN110411724A (zh) * | 2019-07-30 | 2019-11-05 | 广东工业大学 | 一种旋转机械故障诊断方法、装置、系统及可读存储介质 |
CN114140474A (zh) * | 2021-11-30 | 2022-03-04 | 哈尔滨理工大学 | 一种多尺度分块贝叶斯图像分割方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100021009A1 (en) * | 2007-01-25 | 2010-01-28 | Wei Yao | Method for moving targets tracking and number counting |
CN101976438A (zh) * | 2010-10-27 | 2011-02-16 | 西安电子科技大学 | 基于空间邻域信息的fcm纹理图像分割方法 |
-
2016
- 2016-03-29 CN CN201610190509.6A patent/CN106611418A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100021009A1 (en) * | 2007-01-25 | 2010-01-28 | Wei Yao | Method for moving targets tracking and number counting |
CN101976438A (zh) * | 2010-10-27 | 2011-02-16 | 西安电子科技大学 | 基于空间邻域信息的fcm纹理图像分割方法 |
Non-Patent Citations (1)
Title |
---|
龚楷椿等: "基于邻接矩阵的自适应图像分割算法研究", 《电子科技》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263804A (zh) * | 2019-05-06 | 2019-09-20 | 杭州电子科技大学 | 一种基于安全半监督聚类的医学影像分割方法 |
CN110411724A (zh) * | 2019-07-30 | 2019-11-05 | 广东工业大学 | 一种旋转机械故障诊断方法、装置、系统及可读存储介质 |
CN110411724B (zh) * | 2019-07-30 | 2021-07-06 | 广东工业大学 | 一种旋转机械故障诊断方法、装置、系统及可读存储介质 |
CN114140474A (zh) * | 2021-11-30 | 2022-03-04 | 哈尔滨理工大学 | 一种多尺度分块贝叶斯图像分割方法 |
CN114140474B (zh) * | 2021-11-30 | 2022-06-28 | 哈尔滨理工大学 | 一种多尺度分块贝叶斯图像分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993748B (zh) | 一种基于点云处理网络的三维网格物体分割方法 | |
CN103207879B (zh) | 图像索引的生成方法及设备 | |
Pedronette et al. | Shape retrieval using contour features and distance optimization. | |
CN104077605A (zh) | 一种基于颜色拓扑结构的行人搜索识别方法 | |
CN101526994B (zh) | 一种与采集设备无关的指纹图像分割方法 | |
CN106780639B (zh) | 基于显著性特征稀疏嵌入和极限学习机的哈希编码方法 | |
CN111125397B (zh) | 一种基于卷积神经网络的布料图像检索方法 | |
CN114492619B (zh) | 一种基于统计和凹凸性的点云数据集构建方法及装置 | |
CN104715024A (zh) | 一种多媒体热点分析方法 | |
CN109886267A (zh) | 一种基于最优特征选择的低对比度图像显著性检测方法 | |
CN105931241A (zh) | 一种自然场景图像的自动标注方法 | |
CN112329771B (zh) | 一种基于深度学习的建筑材料样本识别方法 | |
CN103399863B (zh) | 基于边缘方向差特征袋的图像检索方法 | |
CN107657276B (zh) | 一种基于寻找语义类簇的弱监督语义分割方法 | |
CN106611418A (zh) | 一种图像分割算法 | |
CN110737788B (zh) | 快速的三维模型索引建立及检索方法 | |
Yin et al. | A new apple segmentation and recognition method based on modified fuzzy C-means and hough transform | |
CN111091129A (zh) | 一种基于多重颜色特征流形排序的图像显著区域提取方法 | |
Liao et al. | Deep-learning-based object-level contour detection with CCG and CRF optimization | |
CN114359632A (zh) | 一种基于改进PointNet++神经网络的点云目标分类方法 | |
CN104573701A (zh) | 一种玉米雄穗性状的自动检测方法 | |
Elashry et al. | Feature matching enhancement using the graph neural network (gnn-ransac) | |
CN106485276A (zh) | 一种基于内容图像的模糊最小‑最大神经网络聚类方法 | |
CN111127407A (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
Nasr-Isfahani et al. | A new approach for touching cells segmentation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170503 |
|
WD01 | Invention patent application deemed withdrawn after publication |