CN108122233B - 基于局部像素综合特征的彩色图像分割方法 - Google Patents
基于局部像素综合特征的彩色图像分割方法 Download PDFInfo
- Publication number
- CN108122233B CN108122233B CN201711363530.2A CN201711363530A CN108122233B CN 108122233 B CN108122233 B CN 108122233B CN 201711363530 A CN201711363530 A CN 201711363530A CN 108122233 B CN108122233 B CN 108122233B
- Authority
- CN
- China
- Prior art keywords
- image
- exponential
- moment
- segmentation
- color image
- 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 22
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000021615 conjugation Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000010365 information processing Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process 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
- 230000009466 transformation Effects 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
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
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
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，其特征在于按照如下步骤进行：
约定：f(i,j)指原始彩色图像；I0(i,j)表示N×N小窗口图像；I(i,j)表示处理后的小窗口图像；fp(ru,θv)表示极坐标图像；Enm表示指数矩，n为阶数，m为重复度；Enm(fR),Enm(fG),Enm(fB)分别表示R,G,B三个通道的指数矩；E表示四元数指数矩；
表示快速高精度四元数指数矩；FZ代表幅值；xw代表相位；XW代表相对相位；g(mm,nn)指邻域平均灰度级；p(ii,jj)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f(i,j)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f(i,j)的R,G,B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(i,j)为中心的3×3小窗口图像I0(i,j)，做I0(i,j)的外接圆，得到外接图像I(i,j)；
c.2将I(i,j)转化为极坐标图像f(r,θ)；
c.3计算指数矩：
其中，
为径向函数An(r)的共轭，
c.4指数矩Enm积分化为求和：
则Enm为Gp(ru,θv)的傅立叶变换；
c.5对Gp(ru,θv)的R,G,B三个通道分别做二维快速傅立叶变换(2D-FFT)，得到I(i,j)三个通道的指数矩Enm(fR)，Enm(fG)，Enm(fB)；
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FZ：
d.2根据下式计算相位xw：
xw＝arctan(EE/AE)；
d.3根据下式计算相对相位XW：
XW(i,j)＝∠xw(i,j)-∠xw(i,j+1)
d.4取FZ与XW的(0,0)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(mm,nn)的邻域平均灰度级g(mm,nn)：
其中，n1取奇数，[n1/2]表示对n1/2取整；
e.2计算g(mm,nn)与灰度级的联合概率p(ii,jj)：
p(ii,jj)＝r(ii,jj)/(MM×NN) ii,jj＝0,1,…，L-1
其中，r(ii,jj)表示g(mm,nn)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，
α为固定参数，α＝0.8；
f.PCC模型训练
利用选取的训练数据训练PCC模型；
g.PCC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R,G,B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PCC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PCC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
本发明的方法如图6所示共包括五个阶段：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PCC模型进行像素分类。
约定：f(i,j)指原始彩色图像；I0(i,j)表示N×N小窗口图像；I(i,j)表示处理后的小窗口图像；fp(ru,θv)表示极坐标图像；Enm表示指数矩，n为阶数，m为重复度；Enm(fR),Enm(fG),Enm(fB)分别表示R,G,B三个通道的指数矩；E表示四元数指数矩；
表示快速高精度四元数指数矩；FZ代表幅值；xw代表相位；XW代表相对相位；g(mm,nn)指邻域平均灰度级；p(ii,jj)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f(i,j)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f(i,j)的R,G,B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(i,j)为中心的3×3小窗口图像I0(i,j)，做I0(i,j)的外接圆，得到外接图像I(i,j)；
c.2将I(i,j)转化为极坐标图像f(r,θ)；
c.3计算指数矩：
其中，
为径向函数An(r)的共轭，
c.4指数矩Enm积分化为求和：
则Enm为Gp(ru,θv)的傅立叶变换；
c.5对Gp(ru,θv)的R,G,B三个通道分别做二维快速傅立叶变换(2D-FFT)，得到I(i,j)三个通道的指数矩Enm(fR)，Enm(fG)，Enm(fB)；
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FZ：
d.2根据下式计算相位xw：
xw＝arctan(EE/AE)；
d.3根据下式计算相对相位XW：
XW(i,j)＝∠xw(i,j)-∠xw(i,j+1)
d.4取FZ与XW的(0,0)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(mm,nn)的邻域平均灰度级g(mm,nn)：
其中，n1取奇数，[n1/2]表示对n1/2取整；
e.2计算g(mm,nn)与灰度级的联合概率p(ii,jj)：
p(ii,jj)＝r(ii,jj)/(MM×NN) ii,jj＝0,1,…，L-1
其中，r(ii,jj)表示g(mm,nn)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，
α为固定参数，α＝0.8；
f.PCC模型训练
利用选取的训练数据训练PCC模型；
g.PCC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PCC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：f(i,j)指原始彩色图像；I0(i,j)表示N×N小窗口图像；I(i,j)表示处理后的小窗口图像；fp(ru,θv)表示极坐标图像；Enm表示指数矩，n为阶数，m为重复度；Enm(fR),Enm(fG),Enm(fB)分别表示R,G,B三个通道的指数矩；E表示四元数指数矩；
表示快速高精度四元数指数矩；FZ代表幅值；xw代表相位；XW代表相对相位；g(mm,nn)指邻域平均灰度级；p(ii,jj)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f(i,j)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f(i,j)的R,G,B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(i,j)为中心的3×3小窗口图像I0(i,j)，做I0(i,j)的外接圆，得到外接图像I(i,j)；
c.2将I(i,j)转化为极坐标图像f(r,θ)；
c.3计算指数矩：
其中，
为径向函数An(r)的共轭，
c.4指数矩Enm积分化为求和：
则Enm为Gp(ru,θv)的傅立叶变换；
c.5对Gp(ru,θv)的R,G,B三个通道分别做二维快速傅立叶变换(2D-FFT)，得到I(i,j)三个通道的指数矩Enm(fR)，Enm(fG)，Enm(fB)；
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FZ：
d.2根据下式计算相位xw：
xw＝arctan(EE/AE)；
d.3根据下式计算相对相位XW：
XW(i,j)＝∠xw(i,j)-∠xw(i,j+1)
d.4取FZ与XW的(0,0)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(mm,nn)的邻域平均灰度级g(mm,nn)：
其中，n1取奇数，[n1/2]表示对n1/2取整；
e.2计算g(mm,nn)与灰度级的联合概率p(ii,jj)：
p(ii,jj)＝r(ii,jj)/(MM×NN) ii,jj＝0,1,…，L-1
其中，r(ii,jj)表示g(mm,nn)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，
α为固定参数，α＝0.8；
f.PCC模型训练
利用选取的训练数据训练PCC模型；
g.PCC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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711363530.2A CN108122233B (zh) | 2017-12-18 | 2017-12-18 | 基于局部像素综合特征的彩色图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711363530.2A CN108122233B (zh) | 2017-12-18 | 2017-12-18 | 基于局部像素综合特征的彩色图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108122233A CN108122233A (zh) | 2018-06-05 |
| CN108122233B true CN108122233B (zh) | 2021-11-19 |
Family
ID=62229239
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711363530.2A Expired - Fee Related CN108122233B (zh) | 2017-12-18 | 2017-12-18 | 基于局部像素综合特征的彩色图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108122233B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113628235B (zh) * | 2021-05-10 | 2024-07-19 | 哈尔滨工业大学 | 一种基于pde的自适应阈值分割签名图像二值处理方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2191288A1 (fr) * | 2007-09-18 | 2010-06-02 | Centre National de la Recherche Scientifique (CNRS) Etablissement Public à Caractère Scientifique et Technologique | Encodage spatial en irm au moyen de nombres hypercomplexes |
| CN104504715A (zh) * | 2014-12-31 | 2015-04-08 | 辽宁师范大学 | 基于局部四元数矩特征的图像分割方法 |
| CN104504698A (zh) * | 2014-12-20 | 2015-04-08 | 辽宁师范大学 | 基于局部像素分类的彩色图像分割方法 |
| CN105608701A (zh) * | 2015-12-28 | 2016-05-25 | 辽宁师范大学 | 基于四元数圆谐矩的彩色图像分割方法 |
-
2017
- 2017-12-18 CN CN201711363530.2A patent/CN108122233B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2191288A1 (fr) * | 2007-09-18 | 2010-06-02 | Centre National de la Recherche Scientifique (CNRS) Etablissement Public à Caractère Scientifique et Technologique | Encodage spatial en irm au moyen de nombres hypercomplexes |
| CN104504698A (zh) * | 2014-12-20 | 2015-04-08 | 辽宁师范大学 | 基于局部像素分类的彩色图像分割方法 |
| CN104504715A (zh) * | 2014-12-31 | 2015-04-08 | 辽宁师范大学 | 基于局部四元数矩特征的图像分割方法 |
| CN105608701A (zh) * | 2015-12-28 | 2016-05-25 | 辽宁师范大学 | 基于四元数圆谐矩的彩色图像分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| Pixel classification based color image segmentation using quaternion exponent moments;Xiang-Yang Wang等;《Neural Networks》;20151106;第74卷;全文 * |
| Quaternion Exponent Moments and Their Invariants for Color Image;Yang, Hong-ying等;《Fundamenta Informaticae》;20160613;第145卷(第2期);全文 * |
| 四元数域彩色图像分割方法研究;吴志芳;《万方学位论文数据库》;20170616;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108122233A (zh) | 2018-06-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tian et al. | Deep learning on image denoising: An overview | |
| CN111401384B (zh) | 一种变电设备缺陷图像匹配方法 | |
| CN109035172B (zh) | 一种基于深度学习的非局部均值超声图像去噪方法 | |
| Xiang et al. | Crack detection algorithm for concrete structures based on super-resolution reconstruction and segmentation network | |
| 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 | |
| CN103020965B (zh) | 一种基于显著性检测的前景分割方法 | |
| CN110826389B (zh) | 基于注意力3d频率卷积神经网络的步态识别方法 | |
| CN107506761A (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 | |
| CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
| CN111325750B (zh) | 一种基于多尺度融合u型链神经网络的医学图像分割方法 | |
| CN110751612A (zh) | 多通道多尺度卷积神经网络的单幅图像去雨方法 | |
| CN112101262B (zh) | 一种多特征融合手语识别方法及网络模型 | |
| CN111091524A (zh) | 基于深度卷积神经网络的前列腺经直肠超声图像分割方法 | |
| Batchuluun et al. | Thermal image reconstruction using deep learning | |
| CN114862838A (zh) | 基于无监督学习的缺陷检测方法及设备 | |
| CN103020898A (zh) | 序列虹膜图像超分辨率重建方法 | |
| CN108122233B (zh) | 基于局部像素综合特征的彩色图像分割方法 | |
| CN116740528A (zh) | 一种基于阴影特征的侧扫声呐图像目标检测方法及系统 | |
| CN114444565A (zh) | 一种图像篡改检测方法、终端设备及存储介质 | |
| CN117058735A (zh) | 一种基于参数迁移和光流特征提取的微表情识别方法 | |
| CN108090914B (zh) | 基于统计建模与像素分类的彩色图像分割方法 | |
| CN111008570A (zh) | 一种基于压缩-激励伪三维网络的视频理解方法 | |
| CN105608701A (zh) | 基于四元数圆谐矩的彩色图像分割方法 | |
| CN113744241A (zh) | 基于改进slic算法的细胞图像分割方法 | |
| CN117830889A (zh) | 基于光流图特征融合机制的视频显著性检测方法、系统及存储介质 |
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 |
Granted publication date: 20211119 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |