CN108122233A - 基于局部像素综合特征的彩色图像分割方法 - Google Patents

Abstract

本发明公开了一种基于局部像素综合特征的彩色图像分割方法，首先对原始彩色图像的三个分量进行滤波去噪，得到预处理的彩色图像；其次，构造小窗口图像并归一化到外接图像，利用2D‑FFT方法计算出三个通道的指数矩，并结合四元数理论求取快速高精度四元数指数矩；然后，计算幅值和相对相位作为像素特征，通过二维Tsallis熵对图像进行初分割，获得训练样本；最后，结合所得的像素特征与训练样本，利用模型完成图像分割。

Description

基于局部像素综合特征的彩色图像分割方法

技术领域

本发明属于数字图像分割技术领域，涉及基于阈值分割的图像分割方法，特别涉及一种基于局部像素综合特征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，颜色和形状是图像的两个最重要特征，能否准确的表征图像特征是影响分割效果的重要因素。现有的图像特征提取方法，如颜色矩阵，特征矩（Zernike矩等），小波变换等，均使用单独的颜色特征或形状特征来表征图像，影响了分割效果。此外，如何能在高精确度特征提取方法的基础上，有效降低时间复杂度也是图像分割方法亟待解决的关键问题。

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，提供一种基于局部像素综合特征的彩色图像分割方法。

本发明的技术解决方案是：一种基于局部像素综合特征的彩色图像分割方法，其特征在于按如下步骤进行：

约定：指原始彩色图像；表示小窗口图像；表示处理后的小窗口图像；表示极坐标图像；表示指数矩，为阶数，为重复度；分别表示三个通道的指数矩；表示四元数指数矩；表示快速高精度四元数指数矩；代表幅值；代表相位；代表相对相位；指邻域平均灰度级；表示联合概率；和分别表示目标熵和背景熵；

a. 初始设置

获取原始彩色图像并初始化设置；

b. 滤波去噪

使用二维高斯低通滤波器分别对的三个分量进行去噪处理，得到预处理的彩色图像；

c. 快速高精度四元数指数矩计算

c.1 构造以为中心的小窗口图像，做的外接圆，得到外接图像；

c.2 根据下式将转化为极坐标图像：

；

c.3 计算指数矩：

其中，为径向函数的共轭，；

c.4 指数矩积分化为求和：

则为的傅立叶变换；

c.5 对的三个通道分别做二维快速傅立叶变换（2D-FFT），得到三个通道的指数矩；

c.6 计算快速高精度四元数指数矩：

其中，；

d. 幅值和相对相位计算

d.1 根据下式计算幅值：

；

d.2 根据下式计算相位：

；

d.3 根据下式计算相对相位：

d.4 取与的位置作为像素特征，重复步骤c~d，直到所有小窗口图像计算完毕；

e. 二维Tsallis熵初分割

e.1 计算坐标点的邻域平均灰度级：

其中，一般取奇数，表示对取整；

e.2 计算与灰度级的联合概率：

其中，表示与灰度级对出现的频次；

e.3 根据下式，分别计算二维Tsallis熵的目标和背景：

其中，，为固定参数，大量实验证明，可达到最佳阈值；

f. 模型训练

利用选取的训练数据训练模型；

g. 模型分类

预测测试集的类标签，利用二维Tsallis熵阈值获得训练集的类标签，合并测试集和训练集的类标签形成类标签向量，作为图像的分割结果。

本发明首先对原始彩色图像的三个分量进行滤波去噪，得到预处理的彩色图像；其次，构造小窗口图像并归一化到外接图像，利用2D-FFT方法计算出三个通道的指数矩，并结合四元数理论求取快速高精度四元数指数矩；然后，计算幅值和相对相位作为像素特征，通过二维Tsallis熵对图像进行初分割，获得训练样本；最后，结合所得的像素特征与训练样本，利用模型完成图像分割。实验结果表明，本发明的方法由于引入快速高精度四元数指数矩，充分考虑了颜色分量间相关性，并利用其幅值和相对相位作为像素特征进行二维Tsallis熵分割，较好的刻画了图像内容，提高了图像分割的精度，降低了图像分割时间。

与现有技术相比，本发明具有以下有益效果：

第一，利用2D-FFT方法计算指数矩，降低了时间复杂度，从而减少了整体运算时间；

第二，结合四元数理论提出的快速高精度四元数指数矩，达到了颜色通道之间的耦合，能够有效捕捉彩色图像的重要信息；

第三，利用快速高精度四元数指数矩的幅值和相对相位作为像素特征进行二维Tsallis熵分割，较好的刻画了图像内容，提高了图像分割的精度。

附图说明

图1为本发明实施例快速高精度四元数指数矩重构图像与重构误差图像结果图。

图2为本发明实施例快速高精度四元数指数矩的幅值特征结果图。

图3为本发明实施例快速高精度四元数指数矩的相对相位特征结果图。

图4为本发明实施例二维Tsallis熵初分割结果图。

图5为本发明实施例分割及比较结果图。

图6为本发明实施例的流程图。

具体实施方式

本发明的方法共包括五个阶段：图像滤波去噪、快速高精度四元数指数矩计算、幅值和相对相位计算、二维Tsallis熵初分割、利用模型进行像素分类。

约定：指原始彩色图像；表示小窗口图像；表示处理后的小窗口图像；表示极坐标图像；表示指数矩，为阶数，为重复度；分别表示三个通道的指数矩；表示四元数指数矩；表示快速高精度四元数指数矩；代表幅值；代表相位；代表相对相位；指邻域平均灰度级；表示联合概率；和分别表示目标熵和背景熵；

具体步骤如图6所示：

a. 初始设置

获取原始彩色图像并初始化设置；

b. 滤波去噪

使用二维高斯低通滤波器分别对的三个分量进行去噪处理，得到预处理的彩色图像；

c. 快速高精度四元数指数矩计算

c.1 构造以为中心的小窗口图像，做的外接圆，得到外接图像；

c.2 根据下式将转化为极坐标图像：

；

c.3 计算指数矩：

其中，为径向函数的共轭，；

c.4 指数矩积分化为求和：

则为的傅立叶变换；

c.5 对的三个通道分别做二维快速傅立叶变换（2D-FFT），得到三个通道的指数矩；

c.6 计算快速高精度四元数指数矩：

其中，；

d. 幅值和相对相位计算

d.1 根据下式计算幅值：

；

d.2 根据下式计算相位：

；

d.3 根据下式计算相对相位：

d.4 取与的位置作为像素特征，重复步骤c~d，直到所有小窗口图像计算完毕；

e. 二维Tsallis熵初分割

e.1 计算坐标点的邻域平均灰度级：

其中，一般取奇数，表示对取整；

e.2 计算与灰度级的联合概率：

其中，表示与灰度级对出现的频次；

e.3 根据下式，分别计算二维Tsallis熵的目标和背景：

其中，，为固定参数，大量实验证明，可达到最佳阈值；

f. 模型训练

利用选取的训练数据训练模型；

g. 模型分类

预测测试集的类标签，利用二维Tsallis熵阈值获得训练集的类标签，合并测试集和训练集的类标签形成类标签向量，作为图像的分割结果。

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分别为255*170像素，300*225像素和300*420像素的彩色图像，这些图像来自三个数据库，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为本发明实施例快速高精度四元数指数矩重构图像与重构误差图像结果图。

图2为本发明实施例快速高精度四元数指数矩的幅值特征结果图。

图3为本发明实施例快速高精度四元数指数矩的相对相位特征结果图。

图4为本发明实施例二维Tsallis熵初分割结果图。

图5为本发明实施例分割及比较结果图。

对比文献：Wang X Y, Wu Z F, Chen L, et al. Pixel classification basedcolor image segmentation using quaternion exponent moments[J]. NeuralNetworks, 2015.

实验结果表明，本发明的方法由于引入快速高精度四元数指数矩，充分考虑了颜色分量间相关性，并利用其幅值和相对相位作为像素特征进行二维Tsallis熵分割，较好的刻画了图像内容，提高了图像分割的精度，降低了图像分割时间。

Claims (1)

1.一种基于局部像素综合特征的彩色图像分割方法，其特征在于按照如下步骤进行：

约定：指原始彩色图像；表示小窗口图像；表示处理后的小窗口图像；表示极坐标图像；表示指数矩，为阶数，为重复度；分别表示三个通道的指数矩；表示四元数指数矩；表示快速高精度四元数指数矩；代表幅值；代表相位；代表相对相位；指邻域平均灰度级；表示联合概率；和分别表示目标熵和背景熵；

a. 初始设置

获取原始彩色图像并初始化设置；

b. 滤波去噪

使用二维高斯低通滤波器分别对的三个分量进行去噪处理，得到预处理的彩色图像；

c. 快速高精度四元数指数矩计算

c.1 构造以为中心的小窗口图像，做的外接圆，得到外接图像；

c.2 根据下式将转化为极坐标图像：

；

c.3 计算指数矩：

其中，为径向函数的共轭，；

c.4 指数矩积分化为求和：

则为的傅立叶变换；

c.5 对的三个通道分别做二维快速傅立叶变换（2D-FFT），得到三个通道的指数矩；

c.6 计算快速高精度四元数指数矩：

其中，；

d. 幅值和相对相位计算

d.1 根据下式计算幅值：

；

d.2 根据下式计算相位：

；

d.3 根据下式计算相对相位：

d.4 取与的位置作为像素特征，重复步骤c~d，直到所有小窗口图像计算完毕；

e. 二维Tsallis熵初分割

e.1 计算坐标点的邻域平均灰度级：

其中，一般取奇数，表示对取整；

e.2 计算与灰度级的联合概率：

其中，表示与灰度级对出现的频次；

e.3 根据下式，分别计算二维Tsallis熵的目标和背景：

其中，，为固定参数，大量实验证明，可达到最佳阈值；

f.模型训练

利用选取的训练数据训练模型；

g.模型分类

预测测试集的类标签，利用二维Tsallis熵阈值获得训练集的类标签，合并测试集和训练集的类标签形成类标签向量，作为图像的分割结果。