CN108596936A - 一种基于多层级slic的图像超像素分割方法 - Google Patents
一种基于多层级slic的图像超像素分割方法 Download PDFInfo
- Publication number
- CN108596936A CN108596936A CN201810403335.6A CN201810403335A CN108596936A CN 108596936 A CN108596936 A CN 108596936A CN 201810403335 A CN201810403335 A CN 201810403335A CN 108596936 A CN108596936 A CN 108596936A
- Authority
- CN
- China
- Prior art keywords
- super
- pixel
- image
- segmentation
- slic
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000011218 segmentation Effects 0.000 claims abstract description 46
- 238000001914 filtration Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000005267 amalgamation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G06T5/70—
-
- 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
- G06T2207/20112—Image segmentation details
Abstract
本发明公开了一种基于多层级SLIC(simple linear iterative clustering)的图像超像素分割方法,包括:对输入图像进行滤波处理,去除图像噪声;采用SLIC方法对图像进行超像素粗分割;计算分割结果中每个超像素的灰度标准差,若高于预设阈值,则对其进行迭代SLIC分割,直至图像中所有超像素的灰度标准差均小于等于预设阈值;为了消除迭代分割过程中产生的数据冗余、减少超像素数目,将图像中过分割的超像素进行合并。采用本发明方法对图像进行超像素分割,分割结果能在使用尽量少的超像素的前提下有效贴合图像目标边界,且能确保生成的每一个超像素的所有像素均属于同一目标。
Description
技术领域
本发明涉及图像分析技术领域,具体涉及一种基于多层级SLIC的图像超像素分割方法。
背景技术
图像的超像素分割是指利用图像灰度、色彩和空间等信息将图像分割成由多个邻接像素组成的多边形像素簇的技术,广泛应用于图像分割与目标识别等领域。超像素分割的目的在于消除图像冗余信息,运用尽量少的超像素块表示一幅图像,且使超像素块尽可能贴合图像目标边界,使每一个像素块中的所有像素尽量属于同一目标。由于图像的超像素分割是运用超像素块替代单个像素进行后续处理,因此,既可以大大降低运算量,提高运算效率,又能有效提高处理精度。
在文献“SLIC superpixels compared to state-of-the-art superpixelmethods”(IEEE Transaction on Pattern Analysis and Machine Intelligence,pp.2274-2281,2012)中,公开了一种运用简单线性迭代聚类(simple linear iterativeclustering,SLIC)进行图像超像素分割的方法(简称SLIC方法),该方法是目前已公开算法中超像素分割性能最好的,但它也存在明显的不足,即很难准确设定一个最优的超像素数目,若超像素数目设定过大,则容易造成图像过分割,即将图像区域划分得过细,削弱了超像素分割算法以较少的像素块替代单个像素的优势;若数目设置过少,则易造成欠分割,即超像素无法精确贴合图像目标边界,单个超像素中包含多个目标内容等,这样将难以利用生成的超像素进行后续处理。
发明内容
本发明的目的在于,提供一种可根据图像内容自动确定超像素数目,且能在运用尽量少的超像素数目的前提下,分割边界能有效贴合图像目标边界的超像素分割方法。
本发明通过以下方案实现:
一种基于多层级SLIC的图像超像素分割方法,包括以下步骤:
(1)对输入图像进行滤波操作,在去除图像噪声的同时保留图像边界;
(2)设置待生成的超像素数目n1,采用SLIC方法对滤波后的图像f进行超像素分割,其中n1为大于0的自然数,优选n1为50~500的自然数;
(3)计算图像f中每个超像素Pi的灰度标准差σi,若σi大于预先设定的阈值σ,则取图像f中该超像素最小外接矩形对应的子图像Si,并对该子图像设置待生成的超像素数目n2,采用SLIC方法对Si进行超像素分割,其中σ为正常数,n2为大于0的自然数,优选σ为10~25的正常数,n2为4~10的自然数;
(4)将Si中Pi区域的超像素分割结果赋给Pi,实现Pi的一次迭代超像素分割;
(5)重复步骤(3)~(4),直到图像f中所有超像素的灰度标准差均小于等于阈值σ;
(6)为了消除迭代分割过程中产生的数据冗余,以减少超像素数目,将图像f中过分割的超像素进行合并。
在所述的第(1)步中,图像滤波操作具体包括:采用(2a+1)×(2a+1)的模板对输入图像进行中值滤波,其中a为大于0的自然数,优选a为1~5的自然数。
在所述的第(6)步中,过分割超像素合并方法包括以下步骤:
(a)判断图像f中每个超像素Pi是否满足以下条件:(Ⅰ)像素数目小于T;(Ⅱ)与邻接超像素的灰度均值之差的最小值小于阈值μ,其中T为大于0的自然数,μ为正常数,优选T为300~1200的自然数,μ为5~25的正常数;
(b)若满足上述条件,则将超像素Pi和与Pi灰度均值最接近的邻接超像素进行合并。
与现有技术相比,采用本发明方法有以下几个优点:
一、本发明方法对于超像素数目的设定不敏感,可根据图像内容自动将图像划分成适当数目的超像素块;
二、本发明方法获得的超像素可有效贴合图像目标边界,确保每一个超像素中的所有像素均属于同一目标;
三、本发明方法可在运用尽量少的超像素情况下,取得令人满意的超像素分割结果,采用本发明方法对图像进行超像素分割,可有效提高图像后续处理的精度和效率。
附图说明
图1本发明实施方式的基于多层级SLIC的图像超像素分割方法流程图;
图2本发明实施方式的SLIC分割结果图;
图3本发明实施方式的子图像选取示意图;
图4本发明实施方式的多层级迭代SLIC分割结果图;
图5本发明实施方式的超像素合并结果图;
图6欠分割误差UR计算示意图。
具体实施方式
实施例1
图1所示为本发明实施方式的基于多层级SLIC的图像超像素分割方法流程图。首先对输入图像进行滤波操作,去除图像噪声,然后采用SLIC方法对滤波后的图像f进行超像素分割,并计算分割结果中每一个超像素Pi的灰度标准差σi,将其与预先设置的阈值σ进行比较,若满足σi>σ,则对图像f中该超像素Pi的最小外接矩形对应的子图像进行SLIC分割,并将Pi区域的超像素分割结果赋给Pi,实现Pi的一次迭代分割,直到图像f中所有超像素的灰度标准差均小于等于阈值σ,多层级迭代分割过程结束。最后考虑到多层级迭代分割造成的分割冗余,将满足条件的超像素与邻接超像素进行合并,达到减少超像素数目、去除过分割的目的。
下面结合图1,以一较佳的实施例详细说明本发明的基于多层级SLIC的图像超像素分割方法。具体实现步骤如下:
(1)采用(2a+1)×(2a+1)的模板对输入图像进行中值滤波,在去除图像噪声的同时保留图像边界,其中a优选1~5的自然数,本实施例选a为2。
(2)设置待生成的超像素数目n1,采用SLIC方法对滤波后的图像f进行超像素分割,其中n1优选50~500的自然数,本实施例选n1为150,SLIC超像素分割结果如图2所示,图中每个封闭曲线包含的区域为一个超像素,可以看到,SLIC超像素分割虽然能有效贴合图像中的强边界,但对于弱边界效果欠佳,图中大部分单个超像素包含多个目标内容。
(3)为了使每个超像素中的所有像素均属于同一目标,对图像f中的超像素进行多层级迭代SLIC分割。具体实现步骤如下:
(a)计算图像f中每个超像素Pi的灰度标准差σi,若σi大于预先设定的阈值σ,则取图像f中该超像素最小外接矩形对应的子图像Si,如图3所示,并设置待生成的超像素数目n2,采用SLIC方法对该子图像Si进行超像素分割,其中阈值σ优选10~25的正常数,n2优选4~10的自然数,本实施例优选σ=13,n2=6;
(b)将Si中Pi区域的超像素分割结果赋给Pi,实现Pi的一次迭代超像素分割;
(c)重复步骤(a)~(b),直到图像f中所有超像素的灰度标准差均小于等于阈值σ。
图4为多层级迭代SLIC分割结果,可以看到,图像细节越丰富,超像素分割越细,虽然每个超像素中的所有像素基本属于同一目标,但同时也存在一定程度的过分割。
(4)为了消除迭代分割过程中产生的数据冗余,减少超像素数目,将图像f中过分割的超像素进行合并。具体实现步骤如下:
(a)判断图像f中每个超像素Pi是否满足以下条件:(Ⅰ)像素数目小于T;(Ⅱ)与邻接超像素的灰度均值之差的最小值小于阈值μ,其中T优选300~1200的自然数,μ优选5~25的正常数,本实施例优选T=900,μ=13;
(d)若满足上述条件,则将超像素Pi和与Pi灰度均值最接近的邻接超像素进行合并。
图5为超像素合并后的结果,可以看到,相较图4,超像素数目显著减少,且每个超像素中的所有像素均属于同一目标,表明本发明方法可根据图像内容自动确定超像素数目,且在使用较少超像素的情况下很好地贴合图像目标边界。
实施例2
采用实施例1的方法对Berkeley公共数据库进行测试统计。Berkeley数据库包含300幅大小为321×481的自然图像,以及其对应的人工区域分割和边界标记结果。采用边界召回率(Boundary Recall,BR)和欠分割误差(Under-segmentation Error,UR)对测试结果进行定量评价。边界召回率BR用于统计正确检测的图像边界与真实边界的比率,具体计算公式如下:
其中,TP为人工标记的图像边界像素落在距离本发明方法检测得到的超像素边界2个像素之内的像素数目,BN则为人工标记的图像边界像素总数目。边界召回率BR取值范围为0~100%,值越大表明本发明的超像素分割方法能更有效地检测图像边界。欠分割误差UR是评价超像素是否精确贴合图像目标边界的一个重要指标,计算公式如下:
其中,|·|表示当前区域的像素数目,M为图像中人工分割区域的数目,N为图像像素数目,Ai为图像中人工分割的任意区域,Pj为与Ai交集不为空的超像素,和则分别为Pj与Ai相交和不相交的区域,如图6所示。欠分割误差UR为大于等于0的值,值越小表明超像素分割越贴合图像目标边界、效果越好。由本实施例得到的超像素数目、边界召回率BR和欠分割误差UR的均值和方差分别为370±133、86.59%±5.77%和8.05%±4.36%,在运用相同超像素数目情况下,SLIC方法得到的BR和UR的均值与方差分别为80.78%±9.13%和8.42%±4.57%,表明本发明方法的分割结果能更有效地贴合图像目标边界,且精度高、鲁棒性强。
Claims (5)
1.一种基于多层级SLIC的图像超像素分割方法,其特征在于包括以下步骤:
(1)对输入图像进行滤波操作,在去除图像噪声的同时保留图像边界;
(2)设置待生成的超像素数目n1,采用SLIC方法对滤波后的图像f进行超像素分割,其中n1为大于0的自然数;
(3)计算图像f中每个超像素Pi的灰度标准差σi,若σi大于预先设定的阈值σ,则取图像f中该超像素最小外接矩形对应的子图像Si,并对该子图像设置待生成的超像素数目n2,采用SLIC方法对Si进行超像素分割,其中σ为正常数,n2为大于0的自然数;
(4)将Si中Pi区域的超像素分割结果赋给Pi,实现Pi的一次迭代超像素分割;
(5)重复步骤(3)~(4),直到图像f中所有超像素的灰度标准差均小于等于阈值σ;
(6)为了消除迭代分割过程中产生的数据冗余,以减少超像素数目,将图像f中过分割的超像素进行合并,合并方法包括以下步骤:
a.判断图像f中每个超像素Pi是否满足以下条件:(Ⅰ)像素数目小于T;(Ⅱ)与邻接超像素的灰度均值之差的最小值小于阈值μ,其中T为大于0的自然数,μ为正常数;
b.若满足上述条件,则将超像素Pi和与Pi灰度均值最接近的邻接超像素进行合并。
2.如权利要求1所述的基于多层级SLIC的图像超像素分割方法,其特征在于,所述的第(1)步中,滤波操作具体包括:采用(2a+1)×(2a+1)的模板对输入图像进行中值滤波,其中a为大于0的自然数。
3.如权利要求2所述的基于多层级SLIC的图像超像素分割方法,其特征在于,所述a为1~5的自然数。
4.如权利要求1所述的基于多层级SLIC的图像超像素分割方法,其特征在于,所述n1为50~500的自然数,σ为10~25的正常数,n2为4~10的自然数。
5.如权利要求5所述的基于多层级SLIC的图像超像素分割方法,其特征在于,所述T为300~1200的自然数,μ为5~25的正常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810403335.6A CN108596936A (zh) | 2018-04-28 | 2018-04-28 | 一种基于多层级slic的图像超像素分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810403335.6A CN108596936A (zh) | 2018-04-28 | 2018-04-28 | 一种基于多层级slic的图像超像素分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108596936A true CN108596936A (zh) | 2018-09-28 |
Family
ID=63619316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810403335.6A Pending CN108596936A (zh) | 2018-04-28 | 2018-04-28 | 一种基于多层级slic的图像超像素分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596936A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541920A (zh) * | 2019-09-23 | 2021-03-23 | 大连民族大学 | 基于多通道式的图像超像素目标行人分割方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719294A (zh) * | 2016-01-21 | 2016-06-29 | 中南大学 | 一种乳腺癌病理学图像有丝分裂核自动分割方法 |
-
2018
- 2018-04-28 CN CN201810403335.6A patent/CN108596936A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719294A (zh) * | 2016-01-21 | 2016-06-29 | 中南大学 | 一种乳腺癌病理学图像有丝分裂核自动分割方法 |
Non-Patent Citations (2)
Title |
---|
王君: "近周期结构性遮挡物检测与去除", 《中国优秀硕士学位论文全文数据库》 * |
颜雨等: "基于区域再分割的改进型SLIC超像素生成算法", 《激光杂志》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541920A (zh) * | 2019-09-23 | 2021-03-23 | 大连民族大学 | 基于多通道式的图像超像素目标行人分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573502B (zh) | 一种自动测量Cobb角的方法 | |
CN107657606B (zh) | 一种显示装置的亮度缺陷检测方法与装置 | |
Liu et al. | Digital image forgery detection using JPEG features and local noise discrepancies | |
CN108830832A (zh) | 一种基于机器视觉的塑料筒表面缺陷检测算法 | |
CN105784713A (zh) | 基于机器视觉的密封圈表面缺陷检测方法 | |
CN107016680B (zh) | 一种基于显著性检测的害虫图像背景去除方法 | |
CN109948393A (zh) | 一种一维条码的定位方法及装置 | |
CN111754538B (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN104036521A (zh) | 一种新的视网膜眼底图像分割方法 | |
CN110738652A (zh) | 一种肺部动静脉分离方法及装置 | |
CN113658117A (zh) | 一种基于深度学习的沥青混合料中集料边界识别与划分方法 | |
CN112927247A (zh) | 基于目标检测的切图方法、切图装置和存储介质 | |
CN113689431B (zh) | 工业产品外观缺陷检测方法和装置 | |
CN113034528A (zh) | 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法 | |
CN110544262A (zh) | 一种基于机器视觉的子宫颈细胞图像分割方法 | |
Ružić et al. | Texture and color descriptors as a tool for context-aware patch-based image inpainting | |
CN112396618B (zh) | 一种基于图像处理的晶界提取及晶粒度测量方法 | |
CN108596936A (zh) | 一种基于多层级slic的图像超像素分割方法 | |
WO2013032441A1 (en) | Inserting an object into an image | |
CN116363097A (zh) | 一种光伏板的缺陷检测方法及系统 | |
CN103679170B (zh) | 一种基于局部特征的显著区域检测方法 | |
CN113724245A (zh) | 用于pcb插件焊点缺陷检测方法、系统及其存储介质 | |
CN109359654B (zh) | 基于频率调谐全局显著度和深度学习的图像分割方法及系统 | |
CN111951254B (zh) | 基于边缘引导加权平均的源相机识别方法及系统 | |
CN111932470A (zh) | 基于视觉选择融合的图像复原方法、装置、设备和介质 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Liao Miao Inventor after: Zhao Yuqian Inventor after: Liao Shenghui Inventor before: Huang Miao Inventor before: Zhao Yuqian Inventor before: Liao Shenghui |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180928 |