CN107833225A - 基于特征驱动启发式四色标签的图像分割方法及系统 - Google Patents

基于特征驱动启发式四色标签的图像分割方法及系统 Download PDF

Info

Publication number
CN107833225A
CN107833225A CN201710971440.5A CN201710971440A CN107833225A CN 107833225 A CN107833225 A CN 107833225A CN 201710971440 A CN201710971440 A CN 201710971440A CN 107833225 A CN107833225 A CN 107833225A
Authority
CN
China
Prior art keywords
color
region
label
segmentation
heuristic
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
Application number
CN201710971440.5A
Other languages
English (en)
Other versions
CN107833225B (zh
Inventor
刘李漫
刘海华
谌先敢
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.)
South Central Minzu University
Original Assignee
South Central University for Nationalities
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 South Central University for Nationalities filed Critical South Central University for Nationalities
Priority to CN201710971440.5A priority Critical patent/CN107833225B/zh
Publication of CN107833225A publication Critical patent/CN107833225A/zh
Application granted granted Critical
Publication of CN107833225B publication Critical patent/CN107833225B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于特征驱动启发式四色标签的图像分割方法及系统，涉及计算机视觉领域。该方法包括以下步骤：使用meanshift方法，对输入图像进行初始化分割；对初始化分割后的图像进行全局分组，分析特征空间初始区域的分布，将初始分割的区域集合上的相似矩阵作为AP聚类输入；采用相邻关系破解算法，破解不必要的邻接，使得均匀相邻区域能够被标记为相同的颜色；采用启发式四色标签算法，自适应地建立内部着色关系；组合MMPC模型和GAC模型，建立MMPC‑GAC模型，迭代进行MMPC‑GAC建模和MLG优化，直到达到收敛，得到最终四色分割图像。本发明使得均匀相邻区域能够被标记为相同的颜色，为均匀外观区域建立全局一致性。

Description

基于特征驱动启发式四色标签的图像分割方法及系统
技术领域
本发明涉及计算机视觉领域，具体是涉及一种基于特征驱动启发式四色标签的图像分割方法及系统。
背景技术
图像分割算法大致可分为三类，即无监督方法、半监督方法和监督方法，这三种方法相互关联，边界线不是很清楚。采用无监督方法，进行图像分割，无需人为干预；处理具有粗略先验的图像，例如偶然字幕，用户涂鸦和注释可以视为半监督方法。
分割问题本质上是聚类问题，其目的是将像素分组成局部均匀区域。K-means(K均值)、mean-shift(均值偏移)、区域合并、区域分割是基于聚类的方法的典型例子。具体来说，K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，K-means是一种参数化方法，需要先验知识聚类中心的数量；mean-shift、区域合并、区域分割都是非参数方法，不需要对中心数量或特征分布进行假设。
除了基于聚类的方法，基于图的方法也受到很大的关注，例如基于图的图像分割、比率切割、归一化切割、平均切割、生成树的分割等。还有一种基于MMPC-GAC(MultiphaseMultiple Piecewise Constant and Geodesic Active Contour，多相多分段常数和大地测量活动轮廓)模型的无监督图像分割方法。为了提供MLG(Multiple Layer Graph，多层图)的有效优化，并减少优化的近似误差，将四色标签引入优化迭代，以限制MLG在四层内。但是对于具有杂波和复杂结构的图像，由于初始化分割会过度分割，四色标记过程的随机性通常会产生混沌色彩映射，这可能导致慢收敛和令人不满意的分割。
四色定理表明，任何2D地图都可以标记不超过四种颜色，以使两个相邻的平面区域具有相同的颜色。利用这个定理，多层图(MLG)可以为每个区域分配一个颜色，来限制四层。在这些设置中，每个颜色对应于多相模型中的相位，并且每个相位(颜色)的局部区域将被聚集成nl个群集，使用K-means来寻找多个分段常数。
四色标签策略使得MMPC-GAC的优化更加有效，降低了MLG方法的近似优化误差。值得注意的是，2D地图只能用四种颜色进行理论着色，实际上，图片结构复杂时将耗时过长。若当前区域没有允许使用的颜色，复杂地图通常会使着色过程退后一步，重新着色以前的区域。随机着色策略的另一个明显的弱点是：给不同的区域分配相同的颜色，或者均匀区域分配不同的颜色。
发明内容
本发明的目的是为了克服上述背景技术的不足，提供一种基于特征驱动启发式四色标签的图像分割方法及系统，使得均匀相邻区域能够被标记为相同的颜色，为均匀外观区域建立全局一致性。
本发明提供一种基于特征驱动启发式四色标签的图像分割方法，包括以下步骤：
S1、使用基于聚类的均值偏移mean shift方法，对输入图像进行初始化分割；对初始化分割后的图像进行全局分组，分析特征空间初始区域的分布，将初始分割的区域集合上的相似矩阵作为亲和度AP聚类输入；采用相邻关系破解算法，破解不必要的邻接，使得均匀相邻区域能够被标记为相同的颜色；
S2、采用启发式四色标签算法，自适应地建立内部着色关系；
S3、组合多相多分段常数MMPC模型和大地测量活动轮廓GAC模型，建立MMPC-GAC模型，描述出现不均匀性的目标和背景，迭代进行MMPC-GAC建模和多层图MLG优化，直到达到收敛，得到最终四色分割图像。
在上述技术方案的基础上，步骤S1具体包括以下步骤：
使用mean shift算法初步分割输入的图像，得到初步分割区域集合R，R是一个分割成若干个区域的集合，R＝{ri或rj}，i、j为正整数，其中ri、rj为区域序号，Aij为初始相邻矩阵，当区域ri和rj相邻时，Aij＝1，否则为0；Sij为初步分割区域集合R上的相似矩阵；采用相邻关系破解算法，该算法输出的破裂相邻矩阵为Aij’，初始化使Aij’＝Aij，使用AP聚类破解相似矩阵Sij不必要的邻接，使得均匀相邻区域能够被标记为相同的颜色。
在上述技术方案的基础上，步骤S1中，如果ri和rj属于同一个集群，则通过重置Aij’＝0，来更新相邻矩阵。
在上述技术方案的基础上，步骤S2具体包括以下步骤：
采用启发式四色标签算法，初始化相邻矩阵Aij、彩色区域集合Cl，彩色区域集合Cl初始化阶段为空集，初始化着色标签可用颜色指示符al i＝1，颜色顺序ol i＝l，其中l为四种不同的颜色标签之一，i为对应的区域；
从左到右，从上到下对区域ri进行编号，然后根据编号顺序进行着色；在分配并将第一区域推入彩色区域C1之后，从第二区域开始着色循环；
在向区域ri分配颜色之前，首先评估区域ri和所有着色区域集合Cl之间的特征距离dl i，根据特征距离dl i按升序排列候选颜色，颜色标签l的顺序将被存储在ol i中，为均匀区域提供一致的颜色；
根据ol i尝试所有颜色，一旦当前颜色标签l满足“可用”：al i＝1和相邻约束：Ai，j<i≠1时，区域将被分配颜色标签l；然后，将ri推入彩色区域Cl，此时设定al i＝0，将区域ri的颜色标签l标记为不可用，转向下一个区域；如无满足颜色，重新着色上一个区域。
在上述技术方案的基础上，步骤S3具体包括以下步骤：
对输入的源图像I进行迭代循环，实现MMPC-GAC建模和MLG优化，将具有相同颜色或相同颜色标签l的区域、像素作为一个相位Pl，标签函数p是源图像I的像素；将每个相位分组到具有K均值K-means的子相位中，计算多分段常数函数；采用MLG方法迭代求解多阶段优化问题，得到像素标记，分段常数不再改变或迭代次数达到上限时，迭代结束，得到最终四色分割图像。
本发明还提供一种基于特征驱动启发式四色标签的图像分割系统，该系统包括初始化分割单元、着色单元、迭代优化单元；
初始化分割单元用于：使用基于聚类的均值偏移mean shift方法，对输入图像进行初始化分割；对初始化分割后的图像进行全局分组，分析特征空间初始区域的分布，将初始分割的区域集合上的相似矩阵作为亲和度AP聚类输入；采用相邻关系破解算法，破解不必要的邻接，使得均匀相邻区域能够被标记为相同的颜色；
着色单元用于：采用启发式四色标签算法，自适应地建立内部着色关系；
迭代优化单元用于：组合多相多分段常数MMPC模型和大地测量活动轮廓GAC模型，建立MMPC-GAC模型，描述出现不均匀性的目标和背景，迭代进行MMPC-GAC建模和多层图MLG优化，直到达到收敛，得到最终四色分割图像。
在上述技术方案的基础上，所述初始化分割单元使用mean shift算法初步分割输入的图像，得到初步分割区域集合R，R是一个分割成若干个区域的集合，R＝{ri或rj}，i、j为正整数，其中ri、rj为区域序号，Aij为初始相邻矩阵，当区域ri和rj相邻时，Aij＝1，否则为0；Sij为初步分割区域集合R上的相似矩阵；采用相邻关系破解算法，该算法输出的破裂相邻矩阵为Aij’，初始化使Aij’＝Aij，使用AP聚类破解相似矩阵Sij不必要的邻接，使得均匀相邻区域能够被标记为相同的颜色。
在上述技术方案的基础上，如果ri和rj属于同一个集群，所述初始化分割单元重置Aij’＝0，更新相邻矩阵。
在上述技术方案的基础上，所述着色单元采用启发式四色标签算法，初始化相邻矩阵Aij、彩色区域集合Cl，彩色区域集合Cl初始化阶段为空集，初始化着色标签可用颜色指示符al i＝1，颜色顺序ol i＝l，其中l为四种不同的颜色标签之一，i为对应的区域；
从左到右，从上到下对区域ri进行编号，然后根据编号顺序进行着色；在分配并将第一区域推入彩色区域C1之后，从第二区域开始着色循环；
在向区域ri分配颜色之前，首先评估区域ri和所有着色区域集合Cl之间的特征距离dl i，根据特征距离dl i按升序排列候选颜色，颜色标签l的顺序将被存储在ol i中，为均匀区域提供一致的颜色；
根据ol i尝试所有颜色，一旦当前颜色标签l满足“可用”：al i＝1和相邻约束：Ai，j<i≠1时，区域将被分配颜色标签l；然后，将ri推入彩色区域Cl，此时设定al i＝0，将区域ri的颜色标签l标记为不可用，转向下一个区域；如无满足颜色，重新着色上一个区域。
在上述技术方案的基础上，所述迭代优化单元对输入的源图像I进行迭代循环，实现MMPC-GAC建模和MLG优化，将具有相同颜色或相同颜色标签l的区域、像素作为一个相位Pl，标签函数 p是源图像I的像素；将每个相位分组到具有K均值K-means的子相位中，计算多分段常数函数；采用MLG方法迭代求解多阶段优化问题，得到像素标记，分段常数不再改变或迭代次数达到上限时，迭代结束，得到最终四色分割图像。
与现有技术相比，本发明的优点如下：
(1)本发明使用无监督方法进行图像分割，使用基于聚类的均值偏移mean shift方法，对输入图像进行初始化分割；对初始化分割后的图像进行全局分组，分析特征空间初始区域的分布，将初始分割的区域集合上的相似矩阵作为亲和度AP聚类输入；采用相邻关系破解算法，破解不必要的邻接，使得均匀相邻区域能够被标记为相同的颜色；采用启发式四色标签算法，自适应地建立内部着色关系；组合多相多分段常数MMPC模型和大地测量活动轮廓GAC模型，建立MMPC-GAC模型，描述出现不均匀性的目标和背景，迭代进行MMPC-GAC建模和多层图MLG优化，直到达到收敛，得到最终四色分割图像。本发明分割构建相邻矩阵之后，根据分组结果破解不必要的邻接，这使得均匀相邻区域可以被标记为相同的颜色，通过启发式策略来对区域进行着色，这给潜在的均匀区域提供了一致的颜色标签，迭代优化过程遵循四色标签来实现最终分割，能够解决现有的随机四色标记策略有明显不均匀性的混沌色彩映射的技术问题。
(2)本发明引入区域邻接破解方法，来自适应地松开颜色标签约束，使得均匀相邻区域可以被标记为相同的颜色；然后提出启发式四色标签算法，为均匀外观区域建立全局一致性。
(3)本发明提出的启发式四色标签算法是随机着色方法的一个很好的替代和改进，特别是对于那些具有杂波和复杂结构的图像，使整个迭代算法产生更好的分割，使结构复杂和杂波的图像能够更快的收敛，能够解决令人不满意的杂乱分割情况。
(4)本发明面临复杂的自然景观图片，能够展示更加合理的颜色图。在杂波、结构复杂的图像中，迭代算法会产生更好的分割更快的收敛。在反复实验中，与随机四色标签的方法相比，启发式四色标签能够获得更好的分割图像数量，且更适合复杂和困难的情况，另一个特性是它通常在低数量的迭代(例如2-3次迭代)中产生更好的分割。
(5)与最先进的方法进行定量比较中，采用BSDS300数据库进行比较，本发明中的AP聚类偏好的值固定为相似矩阵的中值。本发明在PRI(Probabilistic Rand Index，概率边缘指数)和GCE(Global Consistency Error，全局一致性错误)的度量下获得了竞争优势，甚至在VoI(Variation of Information，信息变化)和BDE(Boundary DisplacementError，边界位移误差)指标下表现更好，特别是将RFCL(Random Four-Color Labeling，随机四色标签)在R Better(Random Better，随机更好)组上的测量结果与H Better(Heuristic Better，启发式更好)组中的HFCL(Heuristic Four-Color Labeling，启发式四色标签)的测量结合起来时，发现它几乎优于所有度量下的所有比较方法。
(6)本发明是随机四色标记策略的一个很好的替代策略，特别是当随机四色标签(RFCL)在涉及图像的复杂场景上表现不佳时。
附图说明
图1是本发明实施例中基于特征驱动启发式四色标签的图像分割方法的简化流程图。
图2是本发明实施例中基于特征驱动启发式四色标签的图像分割方法的详细流程图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细描述。
参见图1所示，本发明实施例提供一种基于特征驱动启发式四色标签的图像分割方法，包括以下步骤：
S1、使用基于聚类的均值偏移mean shift方法，对输入图像进行初始化分割，其中，mean shift参数设置已固定；
本发明实施例使用尺寸固定为481×321(321×481)的BSDS300及其扩展版BSDS500的图像，mean shift被用作初始化的过分割方法，对其参数进行设置；
对初始化分割后的图像进行全局分组，分析特征空间初始区域的分布，将初始分割的区域集合上的相似矩阵作为AP(Affinity Prorogation，亲和度)聚类输入；采用相邻关系破解算法，破解不必要的邻接，使得均匀相邻区域能够被标记为相同的颜色；
S2、采用启发式四色标签算法，自适应地建立内部着色关系；
S3、组合MMPC(Multiphase Multiple Piecewise Constant，多相多分段常数)模型和GAC(Geodesic Active Contour，大地测量活动轮廓)模型，建立MMPC-GAC模型，描述出现不均匀性的目标和背景，迭代进行MMPC-GAC建模和多层图MLG优化，直到达到收敛，得到最终四色分割图像。
步骤S1具体包括以下步骤：
参见图2所示，使用mean shift算法初步分割输入的图像，得到初步分割区域集合R，R是一个分割成若干个区域的集合，R＝{ri或rj}，i、j为正整数，其中ri、rj为区域序号，Aij为初始相邻矩阵，当区域ri和rj相邻时，Aij＝1，否则为0；Sij为初步分割区域集合R上的相似矩阵；采用相邻关系破解算法，该算法输出的破裂相邻矩阵为Aij’，初始化使Aij’＝Aij，使用AP聚类破解相似矩阵Sij不必要的邻接，使得均匀相邻区域能够被标记为相同的颜色；如果ri和rj属于同一个集群，则通过重置Aij’＝0，来更新相邻矩阵。
步骤S2具体包括以下步骤：
参见图2所示，采用启发式四色标签算法，初始化相邻矩阵Aij、彩色区域集合Cl，彩色区域集合Cl初始化阶段为空集，初始化着色标签可用颜色指示符al i＝1，颜色顺序ol i＝l，其中l为四种不同的颜色标签之一，i为对应的区域；
从左到右，从上到下对区域ri进行编号，然后根据编号顺序进行着色；在分配并将第一区域推入彩色区域C1之后，从第二区域开始着色循环；
在向区域ri分配颜色之前，首先评估区域ri和所有着色区域集合Cl之间的特征距离dl i，根据特征距离dl i按升序排列候选颜色，颜色标签l的顺序将被存储在ol i中，为均匀区域提供一致的颜色；
根据ol i尝试所有颜色，一旦当前颜色标签l满足“可用”：al i＝1和相邻约束：Ai，j<i≠1时，区域将被分配给颜色标签l；然后，将ri推入彩色区域Cl，此时设定al i＝0，将区域ri的颜色标签l标记为不可用，转向下一个区域；如无满足颜色，重新着色上一个区域。
步骤S2中，在着色过程中，al i＝1表示颜色标签l可用于区域ri，一旦颜色标签l已被测试或使用，al i将被设置为0，表示颜色标签l不可用。
步骤S3具体包括以下步骤：
对输入的源图像I进行迭代循环，实现MMPC-GAC建模和MLG优化，将具有相同颜色或相同颜色标签l的区域、像素作为一个相位Pl，标签函数p是源图像I的像素；将每个相位分组到具有K均值K-means的子相位中，计算多分段常数函数；采用MLG方法迭代求解多阶段优化问题，得到像素标记，分段常数不再改变或迭代次数达到上限时，迭代结束，得到最终四色分割图像。
本发明实施例还提供一种基于特征驱动启发式四色标签的图像分割系统，该系统包括初始化分割单元、着色单元、迭代优化单元；
初始化分割单元用于：使用基于聚类的均值偏移mean shift方法，对输入图像进行初始化分割；对初始化分割后的图像进行全局分组，分析特征空间初始区域的分布，将初始分割的区域集合上的相似矩阵作为亲和度AP聚类输入；采用相邻关系破解算法，破解不必要的邻接，使得均匀相邻区域能够被标记为相同的颜色；
着色单元用于：采用启发式四色标签算法，自适应地建立内部着色关系；
迭代优化单元用于：组合多相多分段常数MMPC模型和大地测量活动轮廓GAC模型，建立MMPC-GAC模型，描述出现不均匀性的目标和背景，迭代进行MMPC-GAC建模和多层图MLG优化，直到达到收敛，得到最终四色分割图像。
初始化分割单元使用mean shift算法初步分割输入的图像，得到初步分割区域集合R，R是一个分割成若干个区域的集合，R＝{ri或rj}，i、j为正整数，其中ri、rj为区域序号，Aij为初始相邻矩阵，当区域ri和rj相邻时，Aij＝1，否则为0；Sij为初步分割区域集合R上的相似矩阵；采用相邻关系破解算法，该算法输出的破裂相邻矩阵为Aij’，初始化使Aij’＝Aij，使用AP聚类破解相似矩阵Sij不必要的邻接，使得均匀相邻区域能够被标记为相同的颜色。
如果ri和rj属于同一个集群，初始化分割单元重置Aij’＝0，更新相邻矩阵。
着色单元采用启发式四色标签算法，初始化相邻矩阵Aij、彩色区域集合Cl，彩色区域集合Cl初始化阶段为空集，初始化着色标签 可用颜色指示符al i＝1，颜色顺序ol i＝l，其中l为四种不同的颜色标签之一，i为对应的区域；
从左到右，从上到下对区域ri进行编号，然后根据编号顺序进行着色；在分配并将第一区域推入彩色区域C1之后，从第二区域开始着色循环；
在向区域ri分配颜色之前，首先评估区域ri和所有着色区域集合Cl之间的特征距离dl i，根据特征距离dl i按升序排列候选颜色，颜色标签l的顺序将被存储在ol i中，为均匀区域提供一致的颜色；
根据ol i尝试所有颜色，一旦当前颜色标签l满足“可用”：al i＝1和相邻约束：Ai，j<i≠1时，区域将被分配颜色标签l；然后，将ri推入彩色区域Cl，此时设定al i＝0，将区域ri的颜色标签l标记为不可用，转向下一个区域；如无满足颜色，重新着色上一个区域。
迭代优化单元对输入的源图像I进行迭代循环，实现MMPC-GAC建模和MLG优化，将具有相同颜色或相同颜色标签l的区域、像素作为一个相位Pl，标签函数p是源图像I的像素；将每个相位分组到具有K均值K-means的子相位中，计算多分段常数函数；采用MLG方法迭代求解多阶段优化问题，得到像素标记，分段常数不再改变或迭代次数达到上限时，迭代结束，得到最终四色分割图像。
本发明实施例面临复杂的自然景观图片，能够展示更加合理的颜色图。在杂波、结构复杂的图像中，迭代算法会产生更好的分割更快的收敛。在反复实验中，与随机四色标签的方法相比，启发式四色标签能够获得更好的分割图像数量，且更适合复杂和困难的情况，另一个特性是它通常在低数量的迭代(例如2-3次迭代)中产生更好的分割。
与最先进的方法进行定量比较中，采用BSDS300数据库进行比较，本发明实施例中的AP聚类偏好的值固定为相似矩阵的中值。本发明实施例在PRI(Probabilistic RandIndex，概率边缘指数)和GCE(Global Consistency Error，全局一致性错误)的度量下获得了竞争优势，甚至在VoI(Variation of Information，信息变化)和BDE(BoundaryDisplacement Error，边界位移误差)指标下表现更好，特别是将RFCL(Random Four-ColorLabeling，随机四色标签)在R Better(Random Better，随机更好)组上的测量结果与HBetter(Heuristic Better，启发式更好)组中的HFCL(Heuristic Four-Color Labeling，启发式四色标签)的测量结合起来时，发现它几乎优于所有度量下的所有比较方法。
本发明实施例是随机四色标记策略的一个很好的替代策略，特别是当随机四色标签(RFCL)在涉及图像的复杂场景上表现不佳时。
本领域的技术人员可以对本发明实施例进行各种修改和变型，倘若这些修改和变型在本发明权利要求及其等同技术的范围之内，则这些修改和变型也在本发明的保护范围之内。
说明书中未详细描述的内容为本领域技术人员公知的现有技术。

Claims (10)

1.一种基于特征驱动启发式四色标签的图像分割方法，其特征在于，包括以下步骤：
S1、使用基于聚类的均值偏移mean shift方法，对输入图像进行初始化分割；对初始化分割后的图像进行全局分组，分析特征空间初始区域的分布，将初始分割的区域集合上的相似矩阵作为亲和度AP聚类输入；采用相邻关系破解算法，破解不必要的邻接，使得均匀相邻区域能够被标记为相同的颜色；
S2、采用启发式四色标签算法，自适应地建立内部着色关系；
S3、组合多相多分段常数MMPC模型和大地测量活动轮廓GAC模型，建立MMPC-GAC模型，描述出现不均匀性的目标和背景，迭代进行MMPC-GAC建模和多层图MLG优化，直到达到收敛，得到最终四色分割图像。
2.如权利要求1所述的基于特征驱动启发式四色标签的图像分割方法，其特征在于：步骤S1具体包括以下步骤：
使用mean shift算法初步分割输入的图像，得到初步分割区域集合R，R是一个分割成若干个区域的集合，R＝{ri或rj}，i、j为正整数，其中ri、rj为区域序号，Aij为初始相邻矩阵，当区域ri和rj相邻时，Aij＝1，否则为0；Sij为初步分割区域集合R上的相似矩阵；采用相邻关系破解算法，该算法输出的破裂相邻矩阵为Aij’，初始化使Aij’＝Aij，使用AP聚类破解相似矩阵Sij不必要的邻接，使得均匀相邻区域能够被标记为相同的颜色。
3.如权利要求2所述的基于特征驱动启发式四色标签的图像分割方法，其特征在于：步骤S1中，如果ri和rj属于同一个集群，则通过重置Aij’＝0，来更新相邻矩阵。
4.如权利要求2所述的基于特征驱动启发式四色标签的图像分割方法，其特征在于：步骤S2具体包括以下步骤：
采用启发式四色标签算法，初始化相邻矩阵Aij、彩色区域集合Cl，彩色区域集合Cl初始化阶段为空集，初始化着色标签可用颜色指示符al i＝1，颜色顺序ol i＝l，其中l为四种不同的颜色标签之一，i为对应的区域；
从左到右，从上到下对区域ri进行编号，然后根据编号顺序进行着色；在分配并将第一区域推入彩色区域C1之后，从第二区域开始着色循环；
在向区域ri分配颜色之前，首先评估区域ri和所有着色区域集合Cl之间的特征距离dl i，根据特征距离dl i按升序排列候选颜色，颜色标签l的顺序将被存储在ol i中，为均匀区域提供一致的颜色；
根据ol i尝试所有颜色，一旦当前颜色标签l满足“可用”：al i＝1和相邻约束：Ai，j<i≠1时，区域将被分配颜色标签l；然后，将ri推入彩色区域Cl，此时设定al i＝0，将区域ri的颜色标签l标记为不可用，转向下一个区域；如无满足颜色，重新着色上一个区域。
5.如权利要求4所述的基于特征驱动启发式四色标签的图像分割方法，其特征在于：步骤S3具体包括以下步骤：
对输入的源图像I进行迭代循环，实现MMPC-GAC建模和MLG优化，将具有相同颜色或相同颜色标签l的区域、像素作为一个相位Pl，标签函数p是源图像I的像素；将每个相位分组到具有K均值K-means的子相位中，计算多分段常数函数；采用MLG方法迭代求解多阶段优化问题，得到像素标记，分段常数不再改变或迭代次数达到上限时，迭代结束，得到最终四色分割图像。
6.一种基于特征驱动启发式四色标签的图像分割系统，其特征在于：该系统包括初始化分割单元、着色单元、迭代优化单元；
初始化分割单元用于：使用基于聚类的均值偏移mean shift方法，对输入图像进行初始化分割；对初始化分割后的图像进行全局分组，分析特征空间初始区域的分布，将初始分割的区域集合上的相似矩阵作为亲和度AP聚类输入；采用相邻关系破解算法，破解不必要的邻接，使得均匀相邻区域能够被标记为相同的颜色；
着色单元用于：采用启发式四色标签算法，自适应地建立内部着色关系；
迭代优化单元用于：组合多相多分段常数MMPC模型和大地测量活动轮廓GAC模型，建立MMPC-GAC模型，描述出现不均匀性的目标和背景，迭代进行MMPC-GAC建模和多层图MLG优化，直到达到收敛，得到最终四色分割图像。
7.如权利要求6所述的基于特征驱动启发式四色标签的图像分割系统，其特征在于：所述初始化分割单元使用mean shift算法初步分割输入的图像，得到初步分割区域集合R，R是一个分割成若干个区域的集合，R＝{ri或rj}，i、j为正整数，其中ri、rj为区域序号，Aij为初始相邻矩阵，当区域ri和rj相邻时，Aij＝1，否则为0；Sij为初步分割区域集合R上的相似矩阵；采用相邻关系破解算法，该算法输出的破裂相邻矩阵为Aij’，初始化使Aij’＝Aij，使用AP聚类破解相似矩阵Sij不必要的邻接，使得均匀相邻区域能够被标记为相同的颜色。
8.如权利要求7所述的基于特征驱动启发式四色标签的图像分割系统，其特征在于：如果ri和rj属于同一个集群，所述初始化分割单元重置Aij’＝0，更新相邻矩阵。
9.如权利要求7所述的基于特征驱动启发式四色标签的图像分割系统，其特征在于：所述着色单元采用启发式四色标签算法，初始化相邻矩阵Aij、彩色区域集合Cl，彩色区域集合Cl初始化阶段为空集，初始化着色标签可用颜色指示符al i＝1，颜色顺序ol i＝l，其中l为四种不同的颜色标签之一，i为对应的区域；
从左到右，从上到下对区域ri进行编号，然后根据编号顺序进行着色；在分配并将第一区域推入彩色区域C1之后，从第二区域开始着色循环；
在向区域ri分配颜色之前，首先评估区域ri和所有着色区域集合Cl之间的特征距离dl i，根据特征距离dl i按升序排列候选颜色，颜色标签l的顺序将被存储在ol i中，为均匀区域提供一致的颜色；
根据ol i尝试所有颜色，一旦当前颜色标签l满足“可用”：al i＝1和相邻约束：Ai，j<i≠1时，区域将被分配颜色标签l；然后，将ri推入彩色区域Cl，此时设定al i＝0，将区域ri的颜色标签l标记为不可用，转向下一个区域；如无满足颜色，重新着色上一个区域。
10.如权利要求9所述的基于特征驱动启发式四色标签的图像分割系统，其特征在于：所述迭代优化单元对输入的源图像I进行迭代循环，实现MMPC-GAC建模和MLG优化，将具有相同颜色或相同颜色标签l的区域、像素作为一个相位Pl，标签函数p是源图像I的像素；将每个相位分组到具有K均值K-means的子相位中，计算多分段常数函数；采用MLG方法迭代求解多阶段优化问题，得到像素标记，分段常数不再改变或迭代次数达到上限时，迭代结束，得到最终四色分割图像。
CN201710971440.5A 2017-10-18 2017-10-18 基于特征驱动启发式四色标签的图像分割方法及系统 Active CN107833225B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710971440.5A CN107833225B (zh) 2017-10-18 2017-10-18 基于特征驱动启发式四色标签的图像分割方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710971440.5A CN107833225B (zh) 2017-10-18 2017-10-18 基于特征驱动启发式四色标签的图像分割方法及系统

Publications (2)

Publication Number Publication Date
CN107833225A true CN107833225A (zh) 2018-03-23
CN107833225B CN107833225B (zh) 2020-06-16

Family

ID=61648353

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710971440.5A Active CN107833225B (zh) 2017-10-18 2017-10-18 基于特征驱动启发式四色标签的图像分割方法及系统

Country Status (1)

Country Link
CN (1) CN107833225B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111583380A (zh) * 2020-05-19 2020-08-25 北京数字绿土科技有限公司 一种分割点云连通区域的快速着色方法、终端及存储介质
CN112069953A (zh) * 2020-08-26 2020-12-11 江苏农林职业技术学院 一种水稻秧苗生长期自动识别方法、装置
CN113168537A (zh) * 2018-12-05 2021-07-23 爱克发有限公司 改进深度神经网络的分割

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101244649A (zh) * 2008-03-28 2008-08-20 北京工业大学 印品四色套准偏差自动检测方法
CN101853517A (zh) * 2010-05-26 2010-10-06 西安交通大学 一种基于笔划限制和纹理的真实图像油画自动生成方法
CN102938161A (zh) * 2012-09-24 2013-02-20 西北工业大学 一种基于Mean Shift的三维形状自动分割方法
CN103955942A (zh) * 2014-05-22 2014-07-30 哈尔滨工业大学 一种基于svm的2d图像的深度图提取方法
CN104091333A (zh) * 2014-07-01 2014-10-08 黄河科技学院 基于区域可信融合的多类无监督彩色纹理图像分割方法
CN106897996A (zh) * 2017-02-04 2017-06-27 同济大学 基于机器视觉的套印误差检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101244649A (zh) * 2008-03-28 2008-08-20 北京工业大学 印品四色套准偏差自动检测方法
CN101853517A (zh) * 2010-05-26 2010-10-06 西安交通大学 一种基于笔划限制和纹理的真实图像油画自动生成方法
CN102938161A (zh) * 2012-09-24 2013-02-20 西北工业大学 一种基于Mean Shift的三维形状自动分割方法
CN103955942A (zh) * 2014-05-22 2014-07-30 哈尔滨工业大学 一种基于svm的2d图像的深度图提取方法
CN104091333A (zh) * 2014-07-01 2014-10-08 黄河科技学院 基于区域可信融合的多类无监督彩色纹理图像分割方法
CN106897996A (zh) * 2017-02-04 2017-06-27 同济大学 基于机器视觉的套印误差检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LIMAN LIU等: ""Image segmentation by iterative optimization of multiphase multiple piecewise constant model and fout-color relabeling"", 《PATTEDRN RECOGNITION》 *
刘李漫: ""基于变分模型和图割优化的图像与视频目标分割方法研究"", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113168537A (zh) * 2018-12-05 2021-07-23 爱克发有限公司 改进深度神经网络的分割
CN111583380A (zh) * 2020-05-19 2020-08-25 北京数字绿土科技有限公司 一种分割点云连通区域的快速着色方法、终端及存储介质
CN112069953A (zh) * 2020-08-26 2020-12-11 江苏农林职业技术学院 一种水稻秧苗生长期自动识别方法、装置

Also Published As

Publication number Publication date
CN107833225B (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
CN107392925B (zh) 基于超像素编码和卷积神经网络的遥感影像地物分类方法
CN107610141A (zh) 一种基于深度学习的遥感图像语义分割方法
CN107833225A (zh) 基于特征驱动启发式四色标签的图像分割方法及系统
JP5797789B2 (ja) 準複製画像検索のための方法およびシステム
CN105118049A (zh) 一种基于超像素聚类的图像分割方法
CN110136182A (zh) 激光点云与2d影像的配准方法、装置、设备和介质
CN105608459B (zh) 商品图片的分割方法及其装置
CN107437060A (zh) 对象识别设备、对象识别方法和程序
CN102938161B (zh) 一种基于Mean Shift的三维形状自动分割方法
CN107146229B (zh) 基于元胞自动机模型的结肠息肉图像分割方法
US9047660B2 (en) Network cycle features in relative neighborhood graphs
CN107921701A (zh) 3d打印中的色彩映射
CN108171715A (zh) 一种图像分割方法及装置
CN106097313B (zh) 图像分割方法及装置
CN107209500A (zh) 用于3d物体的产生的控制数据
CN110147816A (zh) 一种彩色深度图像的获取方法、设备、计算机存储介质
CN108564604A (zh) 基于平面约束和三角剖分的双目视觉立体匹配方法及装置
CN114140485A (zh) 一种三七主根切割轨迹生成方法及系统
Gao et al. Saliency-guided adaptive seeding for supervoxel segmentation
CN113570599A (zh) 一种基于图像处理的实木颗粒板板材质量评价方法及系统
CN110910417B (zh) 一种基于超像素邻帧特征对比的弱小运动目标检测方法
CN102855624B (zh) 一种基于广义数据场和Ncut算法的图像分割方法
CN105828434B (zh) 一种子网划分式DV-hop无线传感器网络定位方法
CN103824283B (zh) 基于随机概率采样与多级融合的大幅面地形图分割方法
KR101611466B1 (ko) 고속 픽셀 세그멘테이션을 위한 서브샘플링 기반 영상 과분할 방법

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