CN106846321B - 一种基于贝叶斯概率与神经网络的图像分割方法 - Google Patents
一种基于贝叶斯概率与神经网络的图像分割方法 Download PDFInfo
- Publication number
- CN106846321B CN106846321B CN201611124012.0A CN201611124012A CN106846321B CN 106846321 B CN106846321 B CN 106846321B CN 201611124012 A CN201611124012 A CN 201611124012A CN 106846321 B CN106846321 B CN 106846321B
- Authority
- CN
- China
- Prior art keywords
- pixel
- pixels
- neural network
- probability
- clustering
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 33
- 238000003709 image segmentation Methods 0.000 title claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 230000000877 morphologic effect Effects 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000011423 initialization method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000011218 segmentation Effects 0.000 abstract description 4
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
Images
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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种基于贝叶斯概率与神经网络的图像分割方法，包括：为每个像素定义一个后验概率能量函数，通过利用基于贝叶斯概率计算的形态学膨胀方法对每个像素的相邻像素进行计算，然后对该像素的进行膨胀，使具有相似或者相同的后验概率分布的像素作为对分割分类的神经网络的输入。通过将该像素及其自适应的相邻像素输入到一个多层的神经网络中，提取判别性的特征判断是否为待分割图像的前景或背景，达到有效分割的效果。
Description
技术领域
本发明涉及计算机视觉领域，更具体地，涉及一种基于贝叶斯概率与神经网络的图像分割方法。
背景技术
目前，摄像设备已经普及到了各种应用场合，随之产生了海量的图像数据。与之同时，计算机视觉，图像处理技术广泛地应用到多个领域。图像分割方法作为一种提取感兴趣的图像区域信息的方法也被应用到各种场景中，对这种技术的需求量广泛。图像分割技术就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，并且已经成为从图像处理到图像分析的关键步骤。经过了多年的技术发展与更新，图像分割逐步形成了自己的科学体系，已然成为了一个跨学科的领域，并且引起了各个领域的研究和应用人士的广泛关注，如医学领域，航空航天遥感领域，工业检测，安防与军事领域等。
图像分割算法有基于边缘检测的图像分割方法，根据图像中相邻区域边界部分灰度值的不连续性来包括各种梯度算子、二阶导数算子、canny算子等。基于区域相似性的图像分割方法，此方法基于图像中属于同一目标的像素存在某种图像特征上的一致性这样一个假设。基于图像阈值分割方法包括基于直方图形状的阈值分割，基于聚类的阈值分割，基于熵的阈值分割，基于属性相似性的阈值分割，基于空间信息的方法，基于局部信息的动态阈值分割。
然而，在这些分割算法中还存在一些尚未完全解决的问题，这些问题影响了基于图像分割方法在实际应用中发挥其固有的优势。其一，在硬划分分割算法中，高精度与低计算复杂度往往是一对矛盾。其二，制约图像分割中应用的一个主要因素是算法对图像中噪声干扰的抑制能力。
收到上面两点的约束，上述方法大多不能在图像分割上取得很好的效果，需要对这些方法优化。
发明内容
为了克服上述现有技术的不足，本发明提供了一种基于贝叶斯概率与神经网络的图像分割方法。本方法引入了待分割像素的空间信息将对噪声的干扰具有更强的抑制能力，达到更好的图像分割效果。
为了达到上述目的，本发明采用的技术方案是：
一种基于贝叶斯概率与神经网络的图像分割方法，包括如下步骤：
(1)对于图像每一个像素，计算该像素的后验概率能量函数，得到该像素的能量值；
(2)以该像素为中心，向该像素的邻域扩展，利用贝叶斯概率计算其相邻像素与该像素的相邻关系，选择后验概率大的M个像素；
(3)设定高斯分布函数作为被选择的M个像素的条件概率密度函数，然后使用K-means聚类算法对M个像素进行聚类，包括中心点的初始化和聚类收敛。
(4)根据聚类结果，选择类别大的一类的聚类中心点为中心，计算N个到该中心最近的点作为神经网络的输入数据。
(5)将最终被选取的N个像素输入到神经网络中，提取判别性特征判断该像素属于前景还是背景。
优选的，步骤(1)中，对于每一个像素，计算该像素的后验概率能量函数，得到该像素的能量值。利用形态学膨胀的思想将同一区域中邻域像素间的空间关系引入到像素的先验概率分布中。能量函数的计算公式为
其中P为高斯函数，将图像中的像素分为K个类别，需要K个高斯函数作为混合条件概率密度函数，P(Ωj|xi)表示后验概率，xi表示待分类的像素。
优选的，步骤(2)中，以待计算的像素为中心，向该像素的邻域扩展，利用贝叶斯概率计算其相邻像素与该像素的相邻关系，选择后验概率大的M个像素。
优选的，步骤(3)中，设定高斯分布函数作为被选择的M个像素的条件概率密度函数，然后使用K-means聚类算法对这M个像素进行聚类，包括中心点的初始化和聚类收敛。在本方法中，选择K-means++作为中心点的初始化方法，并且选择MacQueen的k-means方法作为聚类收敛的方法。
优选的，步骤(4)中，根据聚类结果，剔除相关性不大的被选中的像素，具体做法是选择类别大的一类的聚类中心点为中心，计算N个到该中心最近的点作为神经网络的输入数据。这就意味着被选中的N个像素具有大的相关性，能够代表待分类的像素的计算结果。
优选的，步骤(5)中，将最终被选取的N个像素输入到神经网络中，提取判别性特征判断该像素属于前景还是背景。在本方法中，神经网络为一个3层的网络，第一层为90个神经元，第二层为70个神经元，第三层为50个神经元，最后接一个SVM分类器。
本发明相对于现有技术具有如下的优点及效果：
1、本发明提出了一种新的基于贝叶斯概率与神经网络的图像分割方法。
2、本发明将基于形态学的膨胀思想的贝叶斯计算融入的图像分割方法中。
3、本发明通过神经网络提取判别性特征对图像分割。
附图说明
图1为本发明的总体流程图。
图2为神经网络结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，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用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
附图给出了本发明的操作过程，
如图1所示，一种基于贝叶斯概率与神经网络的图像分割方法，包括以下步骤：
(1)对于每一个像素，计算该像素的后验概率能量函数，得到该像素的能量值。
(2)以该像素为中心，向该像素的邻域扩展，利用贝叶斯概率计算其相邻像素与该像素的相邻关系，选择后验概率大的M个像素。
(3)设定高斯分布函数作为被选择的M个像素的条件概率密度函数，然后使用K-means聚类算法对M个像素进行聚类，包括中心点的初始化和聚类收敛。
(4)根据聚类结果，选择类别大的一类的聚类中心点为中心，计算N个到该中心最近的点作为神经网络的输入数据。
(5)将最终被选取的N个像素输入到神经网络中，提取判别性特征判断该像素属于前景还是背景。
步骤(1)中的具体过程如下：利用形态学膨胀的思想将同一区域中邻域像素间的空间关系引入到像素的先验概率分布中。能量函数的计算公式为
其中P为高斯函数，将图像中的像素分为K个类别，需要K个高斯函数作为混合条件概率密度函数，P(Ωj|xi)表示后验概率，xi表示待分类的像素。
步骤(2)中的具体过程如下：以待计算的像素为中心，向该像素的邻域扩展，利用贝叶斯概率计算其相邻像素与该像素的相邻关系，选择后验概率大的M个像素。
步骤(3)中的具体过程如下：设定高斯分布函数作为被选择的M个像素的条件概率密度函数，然后使用K-means聚类算法对这M个像素进行聚类，包括中心点的初始化和聚类收敛。在本方法中，选择K-means++作为中心点的初始化方法，并且选择MacQueen的k-means方法作为聚类收敛的方法。
步骤(4)中的具体过程如下：根据聚类结果，剔除相关性不大的被选中的像素，具体做法是选择类别大的一类的聚类中心点为中心，计算N个到该中心最近的点作为神经网络的输入数据。这就意味着被选中的N个像素具有大的相关性，能够代表待分类的像素的计算结果。
步骤(5)中的具体过程如下：将最终被选取的N个像素输入到神经网络中，提取判别性特征判断该像素属于前景还是背景。在本方法中，神经网络为一个3层的网络，第一层为90个神经元，第二层为70个神经元，第三层为50个神经元，最后接一个SVM分类器。
Claims (6)
1.一种基于贝叶斯概率与神经网络的图像分割方法，其特征在于，包括以下步骤：
(1)对于图像的每一个像素，计算该像素的后验概率能量函数，得到该像素的能量值；
(2)以该像素为中心，向该像素的邻域扩展，利用贝叶斯概率计算其相邻像素与该像素的相邻关系，选择后验概率大的M个像素；
(3)设定高斯分布函数作为被选择的M个像素的条件概率密度函数，然后使用K-means聚类算法对M个像素进行聚类，包括中心点的初始化和聚类收敛；
(4)根据聚类结果，选择类别大的一类的聚类中心点为中心，计算N个到该中心最近的像素点作为神经网络的输入数据；
(5)将最终被选取的N个像素点作为神经网络的输入数据，提取判别性特征，根据SVM分类器判断该像素属于前景还是背景，实现图像分割。
2.根据权利要求1所述的基于贝叶斯概率与神经网络的图像分割方法，其特征在于，所述步骤(1)中，对于每一个像素，计算该像素的后验概率能量函数，得到该像素的能量值；利用形态学膨胀的思想将同一区域中邻域像素间的空间关系引入到像素的先验概率分布中,其能量函数E的计算公式为：
其中P为高斯函数，将图像中的像素分为K个类别，需要K个高斯函数作为混合条件概率密度函数，P(Ωj|xi)表示后验概率，xi表示待分类的像素。
3.根据权利要求1所述的基于贝叶斯概率与神经网络的图像分割方法，其特征在于，所述步骤(2)中，以待计算的像素为中心，向该像素的邻域扩展，利用贝叶斯概率计算其相邻像素与该像素的相邻关系，选择后验概率大的M个像素。
4.根据权利要求1所述的贝叶斯概率与神经网络的图像分割方法，其特征在于，所述步骤(3)中，设定高斯分布函数作为被选择的M个像素的条件概率密度函数，然后使用K-means聚类算法对这M个像素进行聚类，包括中心点的初始化和聚类收敛；其中选择K-means++作为中心点的初始化方法，并且选择MacQueen的k-means方法作为聚类收敛的方法。
5.根据权利要求1所述的贝叶斯概率与神经网络的图像分割方法，其特征在于，所述步骤(4)中，根据聚类结果，剔除相关性不大的被选中的像素，具体做法是：选择类别大的一类的聚类中心点为中心，计算N个到该中心最近的点作为神经网络的输入数据；即被选中的N个像素具有大的相关性，能够代表待分类的像素的计算结果。
6.根据权利要求1所述的贝叶斯概率与神经网络的图像分割方法，其特征在于，所述步骤(5)中，将最终被选取的N个像素点输入到神经网络中，提取判别性特征判断该像素属于前景还是背景；其中所述神经网络为一个3层的网络，第一层为90个神经元，第二层为70个神经元，第三层为50个神经元，最后接一个SVM分类器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611124012.0A CN106846321B (zh) | 2016-12-08 | 2016-12-08 | 一种基于贝叶斯概率与神经网络的图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611124012.0A CN106846321B (zh) | 2016-12-08 | 2016-12-08 | 一种基于贝叶斯概率与神经网络的图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106846321A CN106846321A (zh) | 2017-06-13 |
| CN106846321B true CN106846321B (zh) | 2020-08-18 |
Family
ID=59139225
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611124012.0A Active CN106846321B (zh) | 2016-12-08 | 2016-12-08 | 一种基于贝叶斯概率与神经网络的图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106846321B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109271544B (zh) * | 2018-07-11 | 2020-11-13 | 中国科学院自动化研究所 | 自动挑选画家代表作的方法及装置 |
| CN109961453B (zh) * | 2018-10-15 | 2021-03-12 | 华为技术有限公司 | 一种图像处理方法、装置与设备 |
| CN113129312B (zh) | 2018-10-15 | 2022-10-28 | 华为技术有限公司 | 一种图像处理方法、装置与设备 |
| CN110197286B (zh) * | 2019-05-10 | 2021-03-16 | 武汉理工大学 | 一种基于混合高斯模型和稀疏贝叶斯的主动学习分类方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7447359B2 (en) * | 2004-09-07 | 2008-11-04 | Siemens Medical Solutions Usa, Inc. | System and method for anatomical structure parsing and detection |
| CN102402685B (zh) * | 2011-11-10 | 2013-06-26 | 西安电子科技大学 | 基于Gabor特征的三马尔可夫场SAR图像分割方法 |
| CN102903110B (zh) * | 2012-09-29 | 2015-11-25 | 宁波大学 | 对具有深度图像信息的图像的分割方法 |
| CN103020971A (zh) * | 2012-12-28 | 2013-04-03 | 青岛爱维互动信息技术有限公司 | 从图像中自动分割目标对象的方法 |
| KR101929560B1 (ko) * | 2013-01-29 | 2019-03-14 | 삼성전자주식회사 | 이미지 에지 검출 방법 및 장치 |
| CN103761727A (zh) * | 2013-12-28 | 2014-04-30 | 辽宁师范大学 | 基于自适应高斯混合模型的鲁棒图像分割方法 |
| CN104217438B (zh) * | 2014-09-19 | 2017-03-01 | 西安电子科技大学 | 基于半监督的图像显著性检测方法 |
| CN104392458B (zh) * | 2014-12-12 | 2017-02-22 | 哈尔滨理工大学 | 基于空间限制邻域混合模型的图像分割方法 |
-
2016
- 2016-12-08 CN CN201611124012.0A patent/CN106846321B/zh active Active
Non-Patent Citations (4)
| Title |
|---|
| Image segmentation using spectral clustering of Gaussian mixture models;Shan Zeng等;《Neurocomputing》;20141120;第144卷;第346-356页 * |
| Neural Network Approach to Background Modeling for Video Object Segmentation;Dubravko Culibrk等;《IEEE Transactions on Neural Networks》;20071105;第18卷(第6期);第1614-1626页 * |
| 基于Contourlet域树状系数的自组织神经网络图像分割;项海林等;《系统工程与电子技术》;20080531;第30卷(第5期);第843-846页 * |
| 结合高斯回归模型和隐马尔可夫随机场的模糊聚类图像分割;赵雪梅等;《电子与信息学报》;20141130(第11期);第2730-2736页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106846321A (zh) | 2017-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xiao et al. | A weakly supervised semantic segmentation network by aggregating seed cues: the multi-object proposal generation perspective | |
| CN112184752A (zh) | 一种基于金字塔卷积的视频目标跟踪方法 | |
| Tian et al. | Review of object instance segmentation based on deep learning | |
| CN106846321B (zh) | 一种基于贝叶斯概率与神经网络的图像分割方法 | |
| CN109086777A (zh) | 一种基于全局像素特征的显著图精细化方法 | |
| CN107369158A (zh) | 基于rgb‑d图像的室内场景布局估计及目标区域提取方法 | |
| CN113989582A (zh) | 一种基于密集语义对比的自监督视觉模型预训练方法 | |
| Li et al. | Joint CRF and locality-consistent dictionary learning for semantic segmentation | |
| Agarwal et al. | Robust copy-move forgery detection using modified superpixel based FCM clustering with emperor penguin optimization and block feature matching | |
| Annum et al. | Saliency detection using contrast enhancement and texture smoothing operations | |
| Li et al. | Fast regions-of-interest detection in whole slide histopathology images | |
| Ren et al. | Research on infrared small target segmentation algorithm based on improved mask R-CNN | |
| Park et al. | Color image segmentation using adaptive mean shift and statistical model-based methods | |
| Zhu et al. | Foreground object sensing for saliency detection | |
| Wang et al. | Estimation of clusters number and initial centers of K-means algorithm using watershed method | |
| Santos et al. | Human skin segmentation improved by saliency detection | |
| Li et al. | Statistical background model-based target detection | |
| Rathi et al. | Copy move forgery detection by using integration of SLIC and SIFT | |
| Chen et al. | Patch-based stereo matching using 3D convolutional neural networks | |
| Tsai et al. | A low computational complexity algorithm for real-time salient object detection | |
| Jian et al. | Research on born-digital image text extraction based on conditional random field | |
| Xu et al. | A Probability-Driven Framework for Open World 3D Point Cloud Semantic Segmentation | |
| Rui et al. | DB-NMS: improving non-maximum suppression with density-based clustering | |
| Cui et al. | Underwater image saliency detection based on improved histogram equalization | |
| Dong et al. | RWSeg: Cross-graph Competing Random Walks for Weakly Supervised 3D Instance 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |