CN109584247A - 一种基于半监督的超像素谱聚类彩色图像分割方法 - Google Patents
一种基于半监督的超像素谱聚类彩色图像分割方法 Download PDFInfo
- Publication number
- CN109584247A CN109584247A CN201811384849.8A CN201811384849A CN109584247A CN 109584247 A CN109584247 A CN 109584247A CN 201811384849 A CN201811384849 A CN 201811384849A CN 109584247 A CN109584247 A CN 109584247A
- Authority
- CN
- China
- Prior art keywords
- super
- pixel
- semi
- supervised
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000003595 spectral effect Effects 0.000 title claims abstract description 24
- 238000003709 image segmentation Methods 0.000 title claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011524 similarity measure Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005204 segregation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20101—Interactive definition of point of interest, landmark or seed
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于半监督的超像素谱聚类彩色图像分割方法,包括以下步骤:步骤一、输入待处理的RGB彩色图像;步骤二、初始化SLIC参数的超像素初始化尺寸和规范系数,计算超像素,并提取每个超像素块像素点的均值,生成超像素图像;步骤三、在超像素图像中,通过人工标记划线的方式获取半监督信息;步骤四、利用上一步中得到的半监督信息,构造超像素块之间的相似性;步骤五、利用NJW谱聚类算法结合构造的半监督相似性矩阵,进行彩色图像分割;步骤六、根据超像素区域的划分结果得到输入图像最终的分割结果。本发明能够加快图像分割的速度并提高了算法的效率,获得了比较理想的分割结果。
Description
技术领域
本发明属于图像处理领域,具体涉及一种基于半监督的超像素谱聚类彩色图像分割方法。
背景技术
随着科学技术的发展,将接收到的彩色图像进行处理,以备进一步的分析和使用,已经成为了图像工程发展的当务之急。图像分割是图像处理的基础,其结果的好坏直接影响着图像分析的准确性。图像分割的定义就是将输入的图像分割成若干个有特殊意义的区域并区分出图像目标和背景的过程。传统的图像分割技术是基于像素级别的,往往使得最终的图像分割结果很容易出现碎片化的现象,为了能够突出图像的区域信息,引入了超像素的概念。
基于聚类算法的图像分割技术一直是研究的一个热点,特别是谱聚类算法,因为它对样本空间的分布没有限制都可以收敛于全局最优解,且能够应用在图像分割领域并取得很好的分割效果。但是传统谱聚类算法是基于图谱理论的,在海量数据运算、相似性构造等方面还存在许多尚未解决的问题,因此,对谱聚类算法的研究仍然是一个热点和难点。
发明内容
本发明的目的在于针对上述现有技术中的问题,提供一种基于半监督的超像素谱聚类彩色图像分割方法,根据用户提供的少量标记信息构造预分割区域模糊相似性测度,再利用相似性测度构造预分割区域的相似性矩阵,通过规范切图谱划分准则对预分割区域进行划分得到最终的图像分割结果,能提高传统谱聚类的分割性能,改善分割效果,降低计算复杂度。
为了实现上述目的,本发明采用的技术方案包括以下步骤:
步骤一、输入待分割的图像I,提取每个超像素区域的RGB平均值作为区域代表特征;
步骤二、用户在图像上进行标记,根据标记信息获得超像素区域的半监督模糊隶属度uij;
步骤三、利用公式Sij=max({min(μti,μtj)}t=1,2,...,c)得到相似性矩阵S并构造拉普拉斯矩阵L;
步骤四、根据用户标记获得聚类数目k,计算拉普拉斯矩阵L的k个最大特征值对应的特征向量,构造矩阵F=[f1,f2,...,fk]并进行归一化得到新的矩阵F,其中
步骤五、将矩阵F的每一行看成是Rk空间中的一个点,聚类得到超像素区域的划分;
步骤六、根据超像素区域的划分结果得到输入图像最终的分割结果。
所述的步骤一利用SLIC超像素算法对输入的图像进行预处理。
所述的预处理过程包括首先初始化SLIC参数的超像素初始化尺寸以及规范系数,然后计算图像超像素,再提取每个超像素块像素点的均值,最后生成超像素图像。
所述的步骤五使用聚类算法将矩阵F聚为k类。
所述的聚类算法采用NJW谱聚类算法。
所述步骤一输入的待分割的图像I为RGB彩色图像。
所述步骤二中用户在图像上进行标记的方式采用人工划线。
与现有技术相比,本发明具有如下的有益效果:首先通过对图像预分隔得到超像素图像,然后采用模糊理论获得超像素区域的半监督模糊隶属度,构造出半监督的相似性测度,最后再利用该测度构造的拉普拉斯矩阵特征向量进行聚类,继而获得最终的分割结果。本发明的图像分割方法由于引入了SLIC超像素预处理机制以及半监督的模糊隶属度构造相似性测度,使分割结果的整体性和准确性都获得了比较有效的提高,加快了分割速度,提高了处理效率。
附图说明
图1本发明分隔方法的流程图;
图2本发明仿真实验中使用Berkeley的图像分割结果对比图:
(a)待分割彩色图像;(b)待分割彩色图像的超像素图像;
(c)半监督图像;(d)本发明分隔方法的分割结果图像;
图3采用不同算法处理Berkeley图像库中选取#3096图像的分割结果对比图:
(a)原始图像;(b)超像素图像;(c)标记图像;(d)NJW分割图像;
(e)分割结果;(f)分割结果;(g)FCM分割结果;
(h)SLIC+FCM分割结果;
(i)半监督FCM分割结果;(j)本发明分割结果;
图4采用不同算法处理Berkeley图像库中选取#238011图像的分割结果对比图:
(a)原始图像;(b)超像素图像;(c)标记图像;(d)NJW分割图像;
(e)分割结果;(f)分割结果;(g)FCM分割结果;
(h)SLIC+FCM分割结果;
(i)半监督FCM分割结果;(j)本发明分割结果;
图5采用不同算法处理Berkeley图像库中选取#118035图像的分割结果对比图:
(a)原始图像;(b)超像素图像;(c)标记图像;(d)NJW分割图像;
(e)分割结果;(f)分割结果;(g)FCM分割结果;
(h)SLIC+FCM分割结果;
(i)半监督FCM分割结果;(j)本发明分割结果;
图6采用不同算法处理Berkeley图像库中选取#124084图像的分割结果对比图:
(a)原始图像;(b)超像素图像;(c)标记图像;(d)NJW分割图像;
(e)分割结果;(f)分割结果;(g)FCM分割结果;
(h)SLIC+FCM分割结果;
(i)半监督FCM分割结果;(j)本发明分割结果;
具体实施方式
下面结合附图对本发明做进一步的详细说明。
参见图1,本发明基于半监督的超像素谱聚类彩色图像分割方法包括以下步骤:
1、输入待处理的RGB彩色图像;
2、预处理:初始化SLIC参数的超像素初始化尺寸和规范系数,计算超像素,并提取每个超像素块像素点的均值,生成超像素图像;
3、在超像素图像中,通过人工标记划线的方式获取半监督信息;
4、利用上一步中得到的半监督信息,构造超像素块之间的相似性;
5、利用NJW谱聚类算法结合构造的半监督相似性矩阵,进行彩色图像分割;
6、得到最终的彩色图像分割结果。
下面结合仿真图对本发明的效果做进一步描述。
1、仿真条件
计算机Intel Core i3M380 2.53GHZ CPU,4G内存,在MATLAB2015b软件下进行。
2、仿真内容
对Berkery库中的图像进行分割实验。
3.仿真效果分析
通过上述Berkery图像在FCM上的分割结果和本发明在彩色图像上的分割结果,可以看出本发明在降低了算法的时间复杂度和分割精度上取得很好的效果。
如图2(b)所示,待分割彩色图像过分割后,目标边缘能通过超像素明确的识别。
如图2(c)所示,在超像素图像中,通过人工标记的方式获得监督信息,利用获得到的监督信息来指导彩色图像分割结果。如图2(d)所示,本发明的方法表现出很好的分割效果。
参见图3-6,选取了Berkeley图像库中的4幅图像(#3096,#238011,#118035,#124084)进行对比实验。对比方法包括本发明的算法、FCM算法、算法、基于SLIC的FCM算法、基于SLIC的算法、基于半监督的模糊C均值聚类算法以及NJW谱聚类算法。在算法以及基于SLIC的算法中,均为随机选取了0.1%的点作为采样点,同时为了克服算法不稳定性对实验的影响,这两种算法均采用的是10次实验的最好效果。在利用SLIC超像素算法进行初始化时的图像中,同幅图像所用的预处理图像为同一超像素图像。在NJW算法中,没有使用SLIC超像素算法进行预处理,相似性的构造是利用FCM求隶属度矩阵,然后利用模糊隶属度构造近邻数为150的稀疏矩阵。
从图中的分割结果能够看出,FCM算法和半监督的FCM算法获得的分割结果错分比较多,特别是#118035图上的屋顶以及#124084图中的花瓣。而NJW和谱聚类算法由于受到近邻数目和随机选取采样点的影响,分割结果都不理想。基于SLIC的FCM算法、基于SLIC的算法以及本发明的方法获得的分割结果要明显好于其他不进行超像素初分割的算法。本发明方法由于引入了SLIC超像素预处理机制和半监督的模糊隶属度构造相似性测度,从分割结果的整体性和准确性上都获得了比较理想的分割结果。表1中展示了4幅图像使用FCM算法、算法以及本发明算法所用时间对比如下:
表1各算法运行时间对比(S)
通过以上各算法的时间对比,能够看出本发明算法要明显优于谱聚类中的算法,由于算法本身是为了提高谱聚类算法的运算速度而提出来的优化算法,可以得出本发明的算法在运算速度方面要优于传统的聚类算法。
Claims (7)
1.一种基于半监督的超像素谱聚类彩色图像分割方法,其特征在于,包括以下步骤:
步骤一、输入待分割的图像I,提取每个超像素区域的RGB平均值作为区域代表特征;
步骤二、用户在图像上进行标记,根据标记信息获得超像素区域的半监督模糊隶属度uij;
步骤三、利用公式Sij=max({min(μti,μtj)}t=1,2,...,c)得到相似性矩阵S并构造拉普拉斯矩阵L;
步骤四、根据用户标记获得聚类数目k,计算拉普拉斯矩阵L的k个最大特征值对应的特征向量,构造矩阵F=[f1,f2,...,fk]并进行归一化得到新的矩阵F,其中
步骤五、将矩阵F的每一行看成是Rk空间中的一个点,聚类得到超像素区域的划分;
步骤六、根据超像素区域的划分结果得到输入图像最终的分割结果。
2.根据权利要求1所述基于半监督的超像素谱聚类彩色图像分割方法,其特征在于:所述的步骤一利用SLIC超像素算法对输入的图像进行预处理。
3.根据权利要求2所述基于半监督的超像素谱聚类彩色图像分割方法,其特征在于:所述的预处理过程包括首先初始化SLIC参数的超像素初始化尺寸以及规范系数,然后计算图像超像素,再提取每个超像素块像素点的均值,最后生成超像素图像。
4.根据权利要求1所述基于半监督的超像素谱聚类彩色图像分割方法,其特征在于:所述的步骤五使用聚类算法将矩阵F聚为k类。
5.根据权利要求4所述基于半监督的超像素谱聚类彩色图像分割方法,其特征在于:所述的聚类算法采用NJW谱聚类算法。
6.根据权利要求1所述基于半监督的超像素谱聚类彩色图像分割方法,其特征在于:所述步骤一输入的待分割的图像I为RGB彩色图像。
7.根据权利要求1所述基于半监督的超像素谱聚类彩色图像分割方法,其特征在于:所述步骤二中用户在图像上进行标记的方式采用人工划线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811384849.8A CN109584247A (zh) | 2018-11-20 | 2018-11-20 | 一种基于半监督的超像素谱聚类彩色图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811384849.8A CN109584247A (zh) | 2018-11-20 | 2018-11-20 | 一种基于半监督的超像素谱聚类彩色图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109584247A true CN109584247A (zh) | 2019-04-05 |
Family
ID=65923417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811384849.8A Pending CN109584247A (zh) | 2018-11-20 | 2018-11-20 | 一种基于半监督的超像素谱聚类彩色图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109584247A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108447050A (zh) * | 2018-03-07 | 2018-08-24 | 湘潭大学 | 一种基于超像素的工件表面缺陷分割方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105118049A (zh) * | 2015-07-22 | 2015-12-02 | 东南大学 | 一种基于超像素聚类的图像分割方法 |
CN105184772A (zh) * | 2015-08-12 | 2015-12-23 | 陕西师范大学 | 一种基于超像素的自适应彩色图像分割方法 |
CN105303546A (zh) * | 2014-06-20 | 2016-02-03 | 江南大学 | 基于模糊连接度的近邻传播聚类图像分割方法 |
CN108664976A (zh) * | 2018-04-25 | 2018-10-16 | 安徽大学 | 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法 |
-
2018
- 2018-11-20 CN CN201811384849.8A patent/CN109584247A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105303546A (zh) * | 2014-06-20 | 2016-02-03 | 江南大学 | 基于模糊连接度的近邻传播聚类图像分割方法 |
CN105118049A (zh) * | 2015-07-22 | 2015-12-02 | 东南大学 | 一种基于超像素聚类的图像分割方法 |
CN105184772A (zh) * | 2015-08-12 | 2015-12-23 | 陕西师范大学 | 一种基于超像素的自适应彩色图像分割方法 |
CN108664976A (zh) * | 2018-04-25 | 2018-10-16 | 安徽大学 | 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法 |
Non-Patent Citations (2)
Title |
---|
刘汉强 等: "基于半监督的超像素谱聚类彩色图像分割算法", 《计算机工程与应用》 * |
赵静: "基于超像素和谱聚类的交互式彩色图像分割算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108447050A (zh) * | 2018-03-07 | 2018-08-24 | 湘潭大学 | 一种基于超像素的工件表面缺陷分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ibrahim et al. | Image segmentation methods based on superpixel techniques: A survey | |
CN110163239B (zh) | 一种基于超像素和条件随机场的弱监督图像语义分割方法 | |
CN102968782B (zh) | 一种彩色图像中显著对象的自动抠取方法 | |
Grady et al. | Random walks for interactive alpha-matting | |
CN102592268B (zh) | 一种分割前景图像的方法 | |
CN106504255B (zh) | 一种基于多标签多示例学习的多目标图像联合分割方法 | |
US10916022B2 (en) | Texture synthesis method, and device for same | |
WO2019071976A1 (zh) | 基于区域增长和眼动模型的全景图像显著性检测方法 | |
Han | Improved SLIC imagine segmentation algorithm based on K-means | |
CN107146219B (zh) | 一种基于流形正则化支持向量机的图像显著性检测方法 | |
Li et al. | Robust interactive image segmentation via graph-based manifold ranking | |
Huang et al. | Robust skin detection in real-world images | |
CN114445268A (zh) | 一种基于深度学习的服装风格迁移方法及系统 | |
Niu et al. | Salient object segmentation based on superpixel and background connectivity prior | |
CN109584247A (zh) | 一种基于半监督的超像素谱聚类彩色图像分割方法 | |
CN111062274B (zh) | 上下文感知嵌入的人群计数方法、系统、介质及电子设备 | |
Huang et al. | Segdiscover: Visual concept discovery via unsupervised semantic segmentation | |
CN106530303A (zh) | 一种基于谱聚类的彩色图像快速分割方法 | |
Abinaya et al. | Jasmine flower segmentation: A superpixel based approach | |
Yang et al. | Graph matching based on fast normalized cut and multiplicative update mapping | |
CN110084247A (zh) | 一种基于模糊特征的多尺度显著性检测方法及装置 | |
Huang et al. | Interactive segmentation based on initial segmentation and region merging | |
Kang et al. | Automatic image segmentation using saliency detection and superpixel graph cuts | |
Fu et al. | Image Segmentation Method Based on Hierarchical Region Merging's NCUT | |
Ni et al. | Agglomerative oversegmentation using dual similarity and entropy rate |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190405 |
|
RJ01 | Rejection of invention patent application after publication |