CN109191482B - 一种基于区域自适应光谱角阈值的图像合并分割方法 - Google Patents
一种基于区域自适应光谱角阈值的图像合并分割方法 Download PDFInfo
- Publication number
- CN109191482B CN109191482B CN201811215940.7A CN201811215940A CN109191482B CN 109191482 B CN109191482 B CN 109191482B CN 201811215940 A CN201811215940 A CN 201811215940A CN 109191482 B CN109191482 B CN 109191482B
- Authority
- CN
- China
- Prior art keywords
- region
- spectral
- image
- regions
- homogeneity
- 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.)
- Active
Links
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
- G06T7/136—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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
Abstract
本发明提供了一种基于区域自适应光谱角阈值的图像合并分割方法,能够避免过分割与欠分割现象,实现有效的图像分割。本发明一种面向目标的图像分割算法,以具有直观物理意义的区域间的平均光谱角作为合并与否和合并顺序的判断依据。采用光谱角作为全局梯度计算、过分割产生、全局地物相似性初始判断以及产生区域自适应的光谱角阈值的重要且唯一输入参数,充分考虑了遥感领域彩色、多光谱以至高光谱图像的光谱相关性。采用合并区域、待合并区域以及两者边界的空间统计量——区域同质性,自适应的产生适合每一个区域的光谱角阈值。既充分考虑了图像的空间相关性,又避免由于空间分割几何形状不规则带来的空间关系的不确定性。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种基于区域自适应光谱角阈值的图像合并分割方法。
背景技术
传统的图像分割方法,主要分为基于区域的方法和基于边界的方法。基于区域和基于边界的主要差别在于利用光谱上的相似性或者差异性产生不同的相邻分块。由于传统方法解释、划分图像是以像素为研究单位,处理面向目标的分割问题时,过分割或者欠分割现象始终难以避免。为了克服传统方法的以上缺陷,科学家们提出了一种先产生过分割图像再合并其中相似块的处理框架。
产生过分割的常见方法有基于支持向量机、基于分水岭、基于超像素的以及基于子区域增长的等等。产生合并的方法,按照参数确定方法,可以分为全局类方法和区域类方法。全局类方法通常设置一到多个全局参数,来处理具有某一类或者某几类特征的图像,它对算法使用者的从业经验有一定要求,典型的应用有成熟化的商业软件eCognition,ENVI软件的特征提取功能以及开源软件system of Automated Geoscientific Analyses(SAGA)等。区域类方法着重强调根据图像不同空间区域的光谱信息差异,而这些差异也受到空间拓扑信息的影响(包括图像块的紧凑程度以及图像块的周长等等),因此在不同的区域使用不同的区域合并参数。其中,最具代表性的方法是多尺度分割策略。然而,上述的研究,实质上仍是采用一个或多个离散尺度分割图像,并未解决面向对象图像分割中分割尺度不连续的问题,也无法从根本上避免过分割和欠分割的问题。2017年,Yang,Jian等人提出了基于光谱角阈值的先分割再合并的算法框架,但是此方法在单次合并中只考虑了每一个区域本身的性质,忽略了当前研究区域和临近区域之间的联系,仍会导致过分割与欠分割现象的出现。
发明内容
有鉴于此,本发明提供了一种基于区域自适应光谱角阈值的图像合并分割方法,能够避免过分割与欠分割现象,实现有效的图像分割。
为实现上述目的,本发明提供了一种基于区域自适应光谱角阈值的图像合并分割方法,包括以下步骤:
步骤1,设置一个滑窗,计算滑窗中心像素点与其相邻像素点的光谱角距离,以最大光谱角距离作为该中心像素点的梯度值;移动滑窗,得到待处理图像各个像素点的梯度值,基于各个梯度值生成待处理图像的梯度图;基于待处理图像的梯度图,通过分水岭法或基于边缘的分割算法产生原始的过分割图像;
步骤2,生成表示原始过分割图像的空间相邻关系的区域临接图;
步骤3,针对区域临接图中的各区域,计算该区域与其相邻区域的平均光谱角,将平均光谱角互为最小的两个区域作为一对待合并区域,放入待判断合并与否序列;
步骤4,计算待判断合并与否序列中的每一对待合并区域的自适应光谱角阈值;
所述自适应光谱角阈值获取方式为:
获得待合并区域对中两个区域的同质性松弛因子,利用待处理图像的光谱阈值与该同质性松弛因子的比值,得到该对待合并区域的自适应的光谱角阈值;其中,所述同质性松弛因子由待合并区域对中两个区域的内部相对同质性、边界相对同质性和待处理图像的全局区域平均同质性决定;
步骤5,针对各对待合并区域,比较两个区域的平均光谱角以及对应的自适应光谱角阈值,若两个区域的平均光谱角小于或等于它们的自适应光谱角阈值,则这两个区域合并组成新的区域,反之,则不合并;
步骤6,更新区域临接图,重复3-6步骤,直到没有区域合并发生,输出最终的合并分割图像。
其中,所述步骤3中,对于相邻区域S和Q,两相邻区域之间的平均光谱角θ(S,Q)为:
其中,所述步骤4中,对于待合并对中的相邻区域S和Q,所述同质性松弛因子为:
其中,区域B(S,Q)表示区域S和区域Q的边界区域;分别表示区域S、Q的面积;表示区域S和区域Q并集的面积;TS、TQ、分别表示区域S、Q、边界区域B(S,Q)内全部像素的平均光谱响应的标准差,TSQ表示区域S与区域Q并集内全部像素的平均光谱响应的标准差,Tg表示以面积为权重衡量的待处理图像的全局区域平均同质性。
其中,对区域S和区域Q的自适应区域光谱角阈值为:
其中α表示待处理图像的光谱阈值,RTS,Q表示区域S和区域Q的同质性松弛因子。
其中,所述步骤1中,所述分水岭法采取8连通域。
有益效果:
本发明的一种基于区域自适应光谱角阈值的图像合并分割方法,是一种面向目标的图像分割算法,以具有直观物理意义的区域间的平均光谱角作为合并与否和合并顺序的判断依据。采用光谱角作为全局梯度计算、过分割产生、全局地物相似性初始判断以及产生区域自适应的光谱角阈值的重要且唯一输入参数,充分考虑了遥感领域彩色、多光谱以至高光谱图像的光谱相关性。采用合并区域、待合并区域以及两者边界的空间统计量——区域同质性,自适应的产生适合每一个区域的光谱角阈值。既充分考虑了图像的空间相关性,又避免由于空间分割几何形状不规则带来的空间关系的不确定性。
本发明利用了先分割、再合并、最终产生面向目标的分割结果的技术框架,采用了区域自适应光谱角阈值作为区域相似性的判断标准,克服了传统方法只能以一个或多个离散阈值分割图像的缺陷,进一步避免了过分割现象和欠分割现象的产生。同时,由于只需要输入一个空间光谱角参数,分割就可以自动完成,弱化了对使用者特定领域知识的要求,大大减少了工作时间。
附图说明
图1为本发明的分割图像流程图;
图2为本发明待合并区域相关性质说明图;
图3为本发明当前区域同质性对局部阈值的影响的说明图;
图4为本发明相邻区域同质性和边界同质性对局部阈值影响的说明图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提出的一种基于区域自适应光谱角阈值的图像合并分割方法,根据区域合并过程中,同质性更强的区域比异质性更强的区域有更大的可能成为相邻区域的一部分并参与合并过程,以两个区域的内部相对同质性、边界相对同质性和全局区域平均同质性之间的相互关系建立数学模型。依据此模型代入每次参与合并的当前区域和相邻区域的区域同质性与边界同质性,迭代产生自适应的光谱角阈值,若当前区域和相邻区域的空间光谱角小于此阈值,则发生合并,反之则跳过此次判断。经过多次循环、判断、迭代产生最终的图像分割结果。
如图1所示,为本发明的具体流程图,详细说明如下:
步骤1、产生初始的过分割图像,包括如下子步骤:
步骤11,输入光谱图像可以表示为I(m,n,L),其中m,n为输入空间图像的长度上的像素数目和宽度上的像素数目,L为图像的光谱维。设a、b为空间上的两个相邻像素,ai,bi为这两个像素在光谱波段i上的光谱响应,计算两者之间的空间光谱角Θab如公式(1)所示:
步骤13,以每个像素点的最大光谱角作为此点的梯度值;基于各个像素点的梯度值,生成待处理图像的梯度图;基于待处理图像的梯度图,通过分水岭法或基于边缘的分割算法产生原始的过分割图像(本实施例中采取8连通域进行分水岭算法);
步骤2、假设有步骤1获得的原始过分割图像中有n个待合并的分割区域,生成表示它们空间相邻关系的区域临接图(Regional adjacent graph,简称RAG);
步骤3,针对区域临接图中的各区域,计算该区域与其相邻区域的平均光谱角,将平均光谱角互为最小的两个区域作为一对待合并区域,放入待判断合并与否的序列,具体如下:
在任意一个区域S,沿光谱维上计算包含全部像素点的光谱响应均值,记作,其中i为光谱维上的任意一个波段;遍历所有波段,得到每一个区域在全谱段的空间光谱响应均值;以其中一对相邻区域(S,Q)为例,区域S和Q之间的平均光谱角θ(S,Q)根据公式(1)进一步推导得出:
记S在邻域内对应的平均光谱角最小区域为(S,Smin),Smin在邻域内对应的平均光谱角最小区域为(Smin,Smin-min),若Smin-min与S为同一区域,则将(S,Smin)作为待合并项,放入待判断合并与否的序列。若Smin-min与S为不同区域,则跳过S区域的此次合并判断,进行下一个区域判断,直到所有区域均被遍历;
步骤4、计算所有对待合并区域的自适应光谱角阈值,包括如下子步骤:
步骤41,如图2所示,假设待合并的区域为(S,Q);以区域包含的像素个数衡量其面积,区域S中包含n1个像素(图2中指的是P1,P2,P3,P4),面积为区域Q中包含n2个像素(图2中指的是P5,P6,P7,P8),其面积为区域B(S,Q)表示区域S和区域Q的边界区域(图2中指的是P2,P4,P5,P6),其面积为区域SQ表示区域S和区域Q的并集,其面积是
对于属于区域S的像素点p(p=P1,P2,P3,P4),记其在的i波段光谱响应强度为SRi(p),将其沿光谱维光谱平均,得到平均光谱响应计算区域内全部像素的平均光谱响应标准差(standard deviation,简称STDV),以TS表示,来衡量其同质性,得到S区域的同质性:
假设全图共有N个待合并的分割区域,第i个区域表示为Si,其面积为ni,以面积为权重衡量的全局的区域同质性Tg如下:
步骤42,在全局的光谱相似性判断一定(待处理图像的光谱阈值α一定)的条件下,区域S的同质性越高,由公式(4)计算出的TS就越小,其相应的相似性判断αT就应更加松弛,也即αT取更高的阈值(αT>α)。在图3中,以粗线作为边界的黑色方框分别表示各个区域,其中包含的细线方框表示其中包含的像素,圆环的多少表示一个像素中光谱响应的强弱。可以看到,在图3(a)和图3(b)中,区域S和区域Q具有相同的平均光谱强度,根据公式(3)可知,区域S和区域Q也具有相同的空间光谱角。但是,在图3(a)中的区域S的区域同质性弱于图3(b)中区域S的区域同质性,因此认为如图3(b)中的区域S的情形,应该比(a)获得更加松弛的阈值,将这种区域同质性T影响自适应光谱角αT的性质表达如下:
其中待处理图像的光谱阈值α已知。
在图3中,(a)图中S的区域同质性TS大于图3(b)中S的区域同质性,导致图3(a)中的S区域自适应光谱角αT小于图3(b)中的自适应光谱角,即图3(b)中的S在后续的合并判断中发生合并的可能性更大,得到结论:一个区域的同质性越高,其自适应光谱角阈值就越高,与临近区域(例如图4中区域Q1、区域Q2、区域Q3、区域Q4为区域S的临近区域)合并的可能性就越大;同理可以推论,当临近区域的区域同质性更高时,当前区域(例如图4中的区域S)与它发生合并的可能性就更大(图4中区域Q1、区域Q3与区域S发生合并的可能性大于区域Q2、区域Q4与区域S发生合并的可能性)。进一步提出,当边界的区域同质性更佳(相对于如果发生合并而产生的新的区域的同质性)时(在图4中区域Q1相对于区域S的边界区域同质性优于区域Q3相对于区域S的边界区域同质性),其相应的相似性判断就应该更加松弛(图4中区域Q1与区域S发生合并的可能性大于区域Q3与区域S发生合并的可能性)。根据以上分析可知,传统方法忽略了相邻区域和边界同质性对自适应光谱角的影响,进一步得到以下判断:
1)当相邻区域中两者的同质性都较高时,此相邻区域对的自适应光谱角应该更加松弛;
2)相邻区域的边界同质性越高,此相邻区域对的自适应光谱角应该更加松弛。
综合各个部分区域面积对各种限制条件的影响,建立相邻区域S和Q的同质性松弛条件RTS,Q的表达式如下:
其中TSQ表示区域S与区域Q并集内全部像素的平均光谱响应的标准差。此时对区域S和区域Q的自适应区域光谱角阈值均为:
步骤5,针对各待合并区域,比较两个区域的平均光谱角以及它们的自适应光谱角阈值,若待合并区域的平均光谱角小于或等于其自适应的区域光谱角阈值,发生合并;反之跳过此次判断,遍历全图,完成同样过程。
若θ(S,Q)≤αT,则符合合并标准,发生合并;若θ(S,Q)>αT,则不符合标准,跳过此次合并。按照此策略,判断每一组待合并区域的平均光谱角与基于各自区域的光谱角阈值的关系,若小于等于光谱角阈值,发生合并;大于光谱角阈值,则跳过此次判断。按照同样步骤对待合并序列中的所有区域对完成判断,进行合并或跳过;
步骤6、更新区域临接图,重复2-6步骤,直到没有区域合并发生,输出最终的合并分割图像。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于区域自适应光谱角阈值的图像合并分割方法,其特征在于,包括以下步骤:
步骤1,设置一个滑窗,计算滑窗中心像素点与其相邻像素点的光谱角距离,以最大光谱角距离作为该中心像素点的梯度值;移动滑窗,得到待处理图像各个像素点的梯度值,基于各个梯度值生成待处理图像的梯度图;基于待处理图像的梯度图,通过分水岭法或基于边缘的分割算法产生原始的过分割图像;
步骤2,生成表示原始过分割图像的空间相邻关系的区域临接图;
步骤3,针对区域临接图中的各区域,计算该区域与其相邻区域的平均光谱角,将平均光谱角互为最小的两个区域作为一对待合并区域,放入待判断合并与否序列;
步骤4,计算待判断合并与否序列中的每一对待合并区域的自适应光谱角阈值;
所述自适应光谱角阈值获取方式为:
获得待合并区域对中两个区域的同质性松弛因子,利用待处理图像的光谱阈值与该同质性松弛因子的比值,得到该对待合并区域的自适应的光谱角阈值;其中,所述同质性松弛因子由待合并区域对中两个区域的内部相对同质性、边界相对同质性和待处理图像的全局区域平均同质性决定;
步骤5,针对各对待合并区域,比较两个区域的平均光谱角以及对应的自适应光谱角阈值,若两个区域的平均光谱角小于或等于它们的自适应光谱角阈值,则这两个区域合并组成新的区域,反之,则不合并;
步骤6,更新区域临接图,重复3-6步骤,直到没有区域合并发生,输出最终的合并分割图像。
5.如权利要求1所述的一种基于区域自适应光谱角阈值的图像合并分割方法,其特征在于,所述步骤1中,所述分水岭法采取8连通域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811215940.7A CN109191482B (zh) | 2018-10-18 | 2018-10-18 | 一种基于区域自适应光谱角阈值的图像合并分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811215940.7A CN109191482B (zh) | 2018-10-18 | 2018-10-18 | 一种基于区域自适应光谱角阈值的图像合并分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109191482A CN109191482A (zh) | 2019-01-11 |
CN109191482B true CN109191482B (zh) | 2021-09-21 |
Family
ID=64945972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811215940.7A Active CN109191482B (zh) | 2018-10-18 | 2018-10-18 | 一种基于区域自适应光谱角阈值的图像合并分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109191482B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111868783B (zh) * | 2019-02-14 | 2021-03-23 | 中国水利水电科学研究院 | 基于边界提取的区域合并图像分割算法 |
CN111160300B (zh) * | 2019-12-31 | 2022-06-28 | 北京理工大学重庆创新中心 | 一种结合全局先验的深度学习高光谱图像显著性检测算法 |
CN111681246B (zh) * | 2020-04-27 | 2024-01-23 | 珠海一微半导体股份有限公司 | 一种激光地图的区域分割方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923707A (zh) * | 2009-07-23 | 2010-12-22 | 北京师范大学 | 一种基于分水岭算法的高空间分辨率多光谱遥感图像分割方法 |
CN102496151A (zh) * | 2011-12-08 | 2012-06-13 | 南京大学 | 一种用于高分辨率遥感图像多尺度分割的方法 |
CN107274416A (zh) * | 2017-06-13 | 2017-10-20 | 西北工业大学 | 基于光谱梯度与层次结构的高光谱图像显著性目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009143651A1 (en) * | 2008-05-29 | 2009-12-03 | Carestream Health, Inc. | Fast image segmentation using region merging with a k-nearest neighbor graph |
-
2018
- 2018-10-18 CN CN201811215940.7A patent/CN109191482B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923707A (zh) * | 2009-07-23 | 2010-12-22 | 北京师范大学 | 一种基于分水岭算法的高空间分辨率多光谱遥感图像分割方法 |
CN102496151A (zh) * | 2011-12-08 | 2012-06-13 | 南京大学 | 一种用于高分辨率遥感图像多尺度分割的方法 |
CN107274416A (zh) * | 2017-06-13 | 2017-10-20 | 西北工业大学 | 基于光谱梯度与层次结构的高光谱图像显著性目标检测方法 |
Non-Patent Citations (2)
Title |
---|
一种基于自适应阈值的图像分割算法;王茜 等;《北京理工大学学报》;20030831;第23卷(第4期);第521-524页 * |
动态测量的高光谱图像压缩感知;闫歌 等;《中国光学》;20180831;第11卷(第4期);第550-557页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109191482A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shen et al. | Real-time superpixel segmentation by DBSCAN clustering algorithm | |
CN113781402B (zh) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 | |
CN107644429B (zh) | 一种基于强目标约束视频显著性的视频分割方法 | |
CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
JP5362878B2 (ja) | 画像処理装置及び画像処理方法 | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
CN109191482B (zh) | 一种基于区域自适应光谱角阈值的图像合并分割方法 | |
Machairas et al. | Waterpixels: Superpixels based on the watershed transformation | |
CN111242878B (zh) | 基于布谷鸟搜索的矿井下图像增强方法 | |
CN104966285B (zh) | 一种显著性区域的检测方法 | |
CN110853064B (zh) | 一种基于最小模糊散度的图像协同分割方法 | |
CN110084782B (zh) | 基于图像显著性检测的全参考图像质量评价方法 | |
CN110390643B (zh) | 一种车牌增强方法、装置及电子设备 | |
CN105335965B (zh) | 一种高分辨率遥感图像多尺度自适应决策融合分割方法 | |
CN112101370B (zh) | 一种纯色背景图像自动抠像方法、计算机可读存储介质及设备 | |
CN110245600B (zh) | 自适应起始快速笔画宽度无人机道路检测方法 | |
CN105389821B (zh) | 一种基于云模型和图割相结合的医学图像分割方法 | |
KR101150901B1 (ko) | 위성영상을 이용한 객체기반 분석을 위한 자동 영상분할 방법 | |
CN113052859A (zh) | 基于自适应种子点密度聚类超像素分割方法 | |
CN108038856B (zh) | 基于改进多尺度分形增强的红外小目标检测方法 | |
Srinivas et al. | Remote sensing image segmentation using OTSU algorithm | |
CN113989299A (zh) | 一种基于k均值聚类的露天矿岩层图像分割方法 | |
Kuzovkin et al. | Descriptor-based image colorization and regularization | |
CN109741337B (zh) | 基于Lab色彩空间的区域合并分水岭彩色遥感影像分割方法 | |
CN104268845A (zh) | 极值温差短波红外图像的自适应双局部增强方法 |
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 |