CN108090914B - 基于统计建模与像素分类的彩色图像分割方法 - Google Patents
基于统计建模与像素分类的彩色图像分割方法 Download PDFInfo
- Publication number
- CN108090914B CN108090914B CN201711364439.2A CN201711364439A CN108090914B CN 108090914 B CN108090914 B CN 108090914B CN 201711364439 A CN201711364439 A CN 201711364439A CN 108090914 B CN108090914 B CN 108090914B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- tsvm
- segmentation
- statistical modeling
- 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.)
- Expired - Fee Related
Links
- 238000003709 image segmentation Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 abstract description 8
- 238000013179 statistical model Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000010365 information processing Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于统计建模与像素分类的彩色图像分割方法,首先在原始彩色图像RGB颜色空间内,对R分量(G、B类似)进行非下采样Shearlet变换,使其分解为一个低频子带和若干高频子带;其次,对同尺度高频子带利用贝塞尔K概率密度函数进行统计建模,估计出形状参数和尺度参数,并以每组参数的极值作为像素特征;然后,使用二维Tsallis熵进行初分割,得到训练样本;最后,结合像素特征与训练样本,用TSVM完成图像分割。由于利用非下采样Shearlet变换分解图像并利用贝塞尔K统计模型建模来提取像素特征,较好的刻画了图像的内容,有效地提高了图像分割的精度。
Description
技术领域
本发明属于数字图像分割技术领域,涉及一种基于统计建模与像素分类的彩色图像分割方法。
背景技术
随着科技的发展,人们对信息的需求日渐增加,如何有效的从海量信息中挑选出有用的信息是信息处理的关键问题。图像处理作为信息处理的一种最常见的形式也在不断发展,而图像分割作为图像处理的中心环节更是被广泛关注。一般来说,对于一幅图像人们只对某一具体部分感兴趣,这部分感兴趣叫做对象,剩余部分叫做背景。在多媒体信息处理中,图像分割往往是必不可少的,其目的是区分出图像中的对象和背景,以便对对象区域进行研究。尽管已有各种各样的图像分割方法,但由于图像的复杂性,目前尚没有一种标准的分割方法适合于所有不同种类的图像,因此,图像分割技术仍是目前研究的热点之一。
在图像视觉特征提取过程中,能否高精度的表示图像特征是决定图像分割效果的重要因素,目前的图像特征提取方法,如小波变换、多尺度几何变换等,尚存在以下三点不足:第一,易受噪音的影响;第二,面对高维问题时,无法充分利用数据本身具有的几何特征来反应图像内容;第三,处理具有复杂几何特征的图像时,计算的冗余度与复杂度会有所增加。
发明内容
本发明是为了解决现有技术所存在的上述技术问题,提出了一种基于统计建模与像素分类的彩色图像分割方法。
本发明的技术解决方案是:一种基于统计建模与像素分类的彩色图像分割方法,其特征在于按照如下步骤进行:
约定:尺寸为M×N彩色图像表示为f(x,y);fp,c(x)表示贝塞尔K分布概率密度函数;形状参数表示为p;尺度参数表示为c;g(x,y)表示(x,y)位置的邻域平均灰度级;p(i,j)表示灰度级与g(x,y)的联合概率密度;与分别表示目标熵与背景熵;Φα(t,s)表示最佳阈值向量;TSVM表示图像分类器;
a.初始设置
获取原始彩色图像f(x,y)并初始化设置;
b.非下采样Shearlet变换分解图像
在f(x,y)的RGB色彩空间内,对R、G、B每个分量进行参数为[3 3 3 3 3]的非下采样Shearlet变换,分解图像;
c.统计建模
c.1定义fp,c(x)如下式:
c.2对R、G、B每个分量的同尺度高频子带,利用fp,c(x)进行统计建模,计算出每个尺度的p和c:
其中,m2和m4分别表示样本系数的二阶和四阶中心距;
c.3取每个分量五组p,c的极值,用pr,cr,pg,cg,pb,cb表示,并将其作为像素特征;
d.图像二维Tsallis熵初分割
d.1计算坐标点(x,y)的邻域平均灰度级g(x,y):
其中,n1取奇数,[n12]表示对n12取整;
d.2p(i,j)为:
p(i,j)=r(i,j)/(M×N)i,j=0,1,…L-1
其中,r(i,j)表示灰度级L与g(x,y)出现的频次,L=256;
d.3根据下式,分别计算二维Tsallis熵的目标和背景:
d.4定义判别函数Φα(t,s)如下:
当Φα(t,s)取最大值时,即可得到最优阈值:
d.5利用最佳阈值得到初分割结果,合并目标像素子集与背景像素子集得到训练样本;
e.TSVM模型训练
结合像素特征与训练样本集,训练TSVM模型;
f.TSVM模型分类
利用TSVM模型进行像素分类,完成图像分割。
本发明首先在原始彩色图像RGB颜色空间内,对R分量(G、B类似)进行非下采样Shearlet变换,使其分解为一个低频子带和若干高频子带;其次,对同尺度高频子带利用贝塞尔K概率密度函数进行统计建模,估计出形状参数和尺度参数,并以每组参数的极值作为像素特征;然后,使用二维Tsallis熵进行初分割,得到训练样本;最后,结合像素特征与训练样本,用TSVM完成图像分割。实验结果表明,本发明的方法由于利用非下采样Shearlet变换分解图像并利用贝塞尔K统计模型建模来提取像素特征,较好的刻画了图像的内容,有效地提高了图像分割的精度。
与现有技术相比,本发明具有以下有益效果:
第一,非下采样Shearlet变换可出色捕获图像“几何结构”,且变换系数的分布符合贝塞尔K分布,能够更准确的提取像素特征,更好的刻画图像内容;
第二,利用二维Tsallis熵阈值选择训练样本,能够得到一个快速、稳定的训练样本;
第三,TSVM的分类器使用非平行超平面对系数进行分类,既提高了准确率又减少了时间复杂度。
附图说明
图1为本发明实施例同尺度高频子带统计建模结果图。
图2为本发明实施例二维Tsallis熵初分割结果图。
图3为本发明实施例TSVM分割及比较结果图。
图4为本发明实施例的流程图。
具体实施方式
本发明的方法流程如图4所示:共包括四个阶段:原始彩色图像非下采样Shearlet变换分解、对高频子带进行贝塞尔K分布统计建模、图像二维Tsallis熵初分割、利用TSVM分类器进行像素分类。
约定:尺寸为M×N彩色图像表示为f(x,y);fp,c(x)表示贝塞尔K分布概率密度函数;形状参数表示为p;尺度参数表示为c;g(x,y)表示(x,y)位置的邻域平均灰度级;p(i,j)表示灰度级与g(x,y)的联合概率密度;与分别表示目标熵与背景熵;Φα(t,s)表示最佳阈值向量;TSVM表示图像分类器;
a.初始设置
获取原始彩色图像f(x,y)并初始化设置;
b.非下采样Shearlet变换分解图像
在f(x,y)的RGB色彩空间内,对R、G、B每个分量进行参数为[3 3 3 3 3]的非下采样Shearlet变换,分解图像;
c.统计建模
c.1定义fp,c(x)如下式:
c.2对R、G、B每个分量的同尺度高频子带,利用fp,c(x)进行统计建模,计算出每个尺度的p和c:
其中,m2和m4分别表示样本系数的二阶和四阶中心距;
c.3取每个分量五组p,c的极值,用pr,cr,pg,cg,pb,cb表示,并将其作为像素特征;
d.图像二维Tsallis熵初分割
d.1计算坐标点(x,y)的邻域平均灰度级g(x,y):
其中,n1取奇数,[n12]表示对n12取整;
d.2p(i,j)为:
p(i,j)=r(i,j)/(M×N)i,j=0,1,…L-1
其中,r(i,j)表示灰度级L与g(x,y)出现的频次,L=256;
d.3根据下式,分别计算二维Tsallis熵的目标和背景:
d.4定义判别函数Φα(t,s)如下:
当Φα(t,s)取最大值时,即可得到最优阈值:
d.5利用最佳阈值得到初分割结果,合并目标像素子集与背景像素子集得到训练样本;
e.TSVM模型训练
结合像素特征与训练样本集,训练TSVM模型;
f.TSVM模型分类
利用TSVM模型进行像素分类,完成图像分割。
实验测试和参数设置:
实验是在MATLAB 7.12.0(R2011a)环境下执行的,实验涉及到的是分辨率为255*170像素,300*225像素,300*420像素的彩色图像,所涉及到的图像来自于三个数据库,分别为Berkeley分割数据库(BSD)、分割评价数据库(SED)和剑桥微软研究对象识别的图像数据库(MSRC)。
图1为本发明实施例同尺度高频子带统计建模结果图。
图2为本发明实施例二维Tsallis熵初分割结果图。
图3为本发明实施例TSVM分割及比较结果图。
实验结果表明,本发明的方法由于利用非下采样Shearlet变换分解图像并利用贝塞尔K统计模型建模来提取像素特征,较好的刻画了图像的内容,有效地提高了图像分割的精度。
Claims (1)
1.一种基于统计建模与像素分类的彩色图像分割方法,其特征在于按照如下步骤进行:
约定:尺寸为M×N彩色图像表示为f(x,y);fp,c(x)表示贝塞尔K分布概率密度函数;形状参数表示为p;尺度参数表示为c;g(x,y)表示(x,y)位置的邻域平均灰度级;p(i,j)表示灰度级与g(x,y)的联合概率密度;与分别表示目标熵与背景熵;Φα(t,s)表示最佳阈值向量;TSVM表示图像分类器;
a.初始设置
获取原始彩色图像f(x,y)并初始化设置;
b.非下采样Shearlet变换分解图像
在f(x,y)的RGB色彩空间内,对R、G、B每个分量进行参数为[3 3 3 3 3]的非下采样Shearlet变换,分解图像;
c.统计建模
c.1定义fp,c(x)如下式:
c.2对R、G、B每个分量的同尺度高频子带,利用fp,c(x)进行统计建模,计算出每个尺度的p和c:
其中,m2和m4分别表示样本系数的二阶和四阶中心距;
c.3取每个分量五组p,c的极值,用pr,cr,pg,cg,pb,cb表示,并将其作为像素特征;
d.图像二维Tsallis熵初分割
d.1计算坐标点(x,y)的邻域平均灰度级g(x,y):
其中,n1取奇数,[n1/2]表示对n1/2取整;
d.2p(i,j)为:
p(i,j)=r(i,j)/(M×N)i,j=0,1,…L-1
其中,r(i,j)表示灰度级L与g(x,y)出现的频次,L=256;
d.3根据下式,分别计算二维Tsallis熵的目标和背景:
d.4定义判别函数Φα(t,s)如下:
当Φα(t,s)取最大值时,即可得到最优阈值:
d.5利用最佳阈值得到初分割结果,合并目标像素子集与背景像素子集得到训练样本;
e.TSVM模型训练
结合像素特征与训练样本集,训练TSVM模型;
f.TSVM模型分类
利用TSVM模型进行像素分类,完成图像分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711364439.2A CN108090914B (zh) | 2017-12-18 | 2017-12-18 | 基于统计建模与像素分类的彩色图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711364439.2A CN108090914B (zh) | 2017-12-18 | 2017-12-18 | 基于统计建模与像素分类的彩色图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108090914A CN108090914A (zh) | 2018-05-29 |
CN108090914B true CN108090914B (zh) | 2021-11-19 |
Family
ID=62176745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711364439.2A Expired - Fee Related CN108090914B (zh) | 2017-12-18 | 2017-12-18 | 基于统计建模与像素分类的彩色图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108090914B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598711B (zh) * | 2019-08-31 | 2022-12-16 | 华南理工大学 | 一种结合分类任务的目标分割方法 |
CN112102350A (zh) * | 2020-08-28 | 2020-12-18 | 西安工程大学 | 一种基于Otsu和Tsallis熵的二次图像分割方法 |
CN112215272A (zh) * | 2020-09-29 | 2021-01-12 | 重庆大学 | 一种基于贝塞尔曲线的图像分类神经网络攻击方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2385494A1 (en) * | 2010-05-07 | 2011-11-09 | IBBT vzw | A method and device for estimating noise in a reconstructed image |
CN102547074A (zh) * | 2012-01-04 | 2012-07-04 | 西安电子科技大学 | Surfacelet域BKF模型贝叶斯视频去噪方法 |
CN105426543A (zh) * | 2015-12-28 | 2016-03-23 | 辽宁师范大学 | 基于贝塞尔统计模型的图像检索方法 |
CN105608705A (zh) * | 2016-01-14 | 2016-05-25 | 辽宁师范大学 | 基于非下采样Shearlet变换与矢量C-V模型的图像分割方法 |
-
2017
- 2017-12-18 CN CN201711364439.2A patent/CN108090914B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2385494A1 (en) * | 2010-05-07 | 2011-11-09 | IBBT vzw | A method and device for estimating noise in a reconstructed image |
CN102547074A (zh) * | 2012-01-04 | 2012-07-04 | 西安电子科技大学 | Surfacelet域BKF模型贝叶斯视频去噪方法 |
CN105426543A (zh) * | 2015-12-28 | 2016-03-23 | 辽宁师范大学 | 基于贝塞尔统计模型的图像检索方法 |
CN105608705A (zh) * | 2016-01-14 | 2016-05-25 | 辽宁师范大学 | 基于非下采样Shearlet变换与矢量C-V模型的图像分割方法 |
Non-Patent Citations (3)
Title |
---|
Extended Shearlet HMT Model-Based Image Denoising Using BKF Distribution;Xiang-Yang Wang等;《Journal of Mathematical Imaging and Vision》;20150930;全文 * |
图像去噪的若干问题研究;刘阳成;《万方学位论文数据库》;20141128;全文 * |
基于内容的图像检索理论与关键技术研究;李威仪;《万方学位论文数据库》;20170616;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108090914A (zh) | 2018-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112200750B (zh) | 一种超声图像去噪模型建立方法及超声图像去噪方法 | |
CN106778788B (zh) | 对图像进行美学评价的多特征融合方法 | |
CN109035172B (zh) | 一种基于深度学习的非局部均值超声图像去噪方法 | |
CN108289222B (zh) | 一种基于结构相似度映射字典学习的无参考图像质量评价方法 | |
CN106204447A (zh) | 基于总变差分和卷积神经网络的超分辨率重建方法 | |
CN109872305B (zh) | 一种基于质量图生成网络的无参考立体图像质量评价方法 | |
CN109003265B (zh) | 一种基于贝叶斯压缩感知的无参考图像质量客观评价方法 | |
CN109255358B (zh) | 一种基于视觉显著性和深度图的3d图像质量评价方法 | |
CN109657707B (zh) | 一种基于观测矩阵变换维度的图像分类方法 | |
CN108090914B (zh) | 基于统计建模与像素分类的彩色图像分割方法 | |
CN108932699B (zh) | 基于变换域的三维匹配调和滤波图像去噪方法 | |
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 | |
CN109886945B (zh) | 基于对比度增强的无参考对比度失真图像质量评价方法 | |
CN112288645B (zh) | 一种颅骨面貌复原模型构建方法及复原方法与系统 | |
CN112967210B (zh) | 一种基于全卷积孪生网络的无人机图像去噪方法 | |
CN111339924B (zh) | 一种基于超像素和全卷积网络的极化sar图像分类方法 | |
CN110097499B (zh) | 基于谱混合核高斯过程回归的单帧图像超分辨率重建方法 | |
Malladi et al. | Image denoising using superpixel-based PCA | |
CN102663686A (zh) | 基于Treelet变换和高斯尺度混合模型的图像去噪方法 | |
CN114266957A (zh) | 一种基于多降质方式数据增广的高光谱图像超分辨率复原方法 | |
CN103903228A (zh) | 一种基于hwd变换的非局部图像去噪方法 | |
CN109003247B (zh) | 彩色图像混合噪声的去除方法 | |
Shahram et al. | Recovering layers of brush strokes through statistical analysis of color and shape: an application to van Gogh's" Self portrait with grey felt hat" | |
CN105608701A (zh) | 基于四元数圆谐矩的彩色图像分割方法 | |
CN110880192B (zh) | 基于概率密度函数字典的图像dct系数分布拟合方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211119 |