CN109615600B - 一种自适应层次直方图的彩色图像分割方法 - Google Patents
一种自适应层次直方图的彩色图像分割方法 Download PDFInfo
- Publication number
- CN109615600B CN109615600B CN201811517182.4A CN201811517182A CN109615600B CN 109615600 B CN109615600 B CN 109615600B CN 201811517182 A CN201811517182 A CN 201811517182A CN 109615600 B CN109615600 B CN 109615600B
- Authority
- CN
- China
- Prior art keywords
- histogram
- color
- image
- histograms
- segmentation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 117
- 238000003709 image segmentation Methods 0.000 title claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 122
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 3
- 235000019592 roughness Nutrition 0.000 description 19
- 239000003086 colorant Substances 0.000 description 9
- 241000270295 Serpentes Species 0.000 description 6
- 230000000052 comparative effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 235000019587 texture Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 210000003746 feather Anatomy 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004439 roughness measurement Methods 0.000 description 1
- 238000000926 separation method Methods 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,公开了一种自适应层次直方图的彩色图像分割方法,包括以下步骤:S1、对RGB彩色图像,分别在R色彩平面、G色彩平面和B色彩平面生成三组层次直方图;每组层次直方图包含多层直方图,它们分别对应于图像的多级别抽象粒度;一组层次直方图中最底层直方图是原始直方图,代表图像最细粒度的抽像;上一层直方图根据下一层直方图产生,因此上一层直方图比下一层直方图的抽像粒度大;S2、对每组层次直方图中的顶层直方图阈值化,完成图像的初始分割;S3、对初始分割形成的簇进行合并,完成图像最终分割,这种自适应层次直方图的彩色图像分割方法,具有更优的分割效率并且能获得较优的分割质量。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种自适应层次直方图的彩色图像分割方法。
背景技术
图像分割对于图像分析、模式识别以及计算机视觉相关的应用领域发挥着重要作用。在分割中,图像被分割成不同的非重叠区域,这些区域的内部在某些属性上是同质的,如颜色信息、边缘和纹理。虽然已有许多图像分割技术被提出,但由于图像的多样性和复杂性,图像分割仍然是一个非常具有挑战性的研究课题。此外,彩色图像提供比灰度图像更丰富的信息,特别是自然彩色图像分割越来越受到学者的关注。
利用图像的直方图的形状信息来确定图像分割阈值的方法是较为流行的方法。其基本原理隐含地依赖于这样一种假设,即像素的强度或其它相关信息在相同的对象中是相似的,在不同对象之间应当是不相似的。如此,图像中的对象对应于直方图中的一个钟形区域。钟形区域的峰值及其相邻位置强度对应于对象的主体像素,钟形区域的边界对应于对象的边缘像素。因此,可以利用直方图上的波峰和波谷来确定图像中的簇,且最佳阈值必定位于波谷区域。例如,Rosenfeld等人将直方图凹性分析作为阈值选择的方法。Lim和Lee提出了一种波谷搜索方法,它可以平滑直方图,并通过计算平滑直方图的导数来检测波谷作为阈值。由于直方图只包含灰度级别信息,这些方法并没有考虑了相同或相似灰度像素的空间相关性。为了克服这一缺点,直方图的一些变体被相继提出。例如,Mohabey和Ray利用粗糙集理论构建histon。与直方图不同,histon的每个bin对应于不确定性的相似强度的像素集合的计量。借助粗糙集理论,直方图和histon分别被对应于是上下近似。Mushrif和Ray随后提出利用每个灰度级别的粗糙性(Roughness)来提取彩色图像的同质区域。然而,对于某些图像,很难获得粗糙性测量的显著波峰和波谷;Xie等人使用局部多项式回归平滑直方图和histon,然后再计算粗糙性度量,这使得他们的方法更容易找到真实的波峰和波谷。
与直方图相似,histon和roughness度量都提供了图像中同质区域的全局信息,每个波峰及其相邻位置代表一个同质区域。作为直方图的两种变体,基于histon和粗糙性(roughness)度量的两种分割方法被证明可以获得更好的分割结果。但是,这类方法都需要计算每个像素与其邻域之间的距离,算法时耗长。此外,此类技术通常包括对直方图(histon或roughness-index)数据进行一些平滑处理,搜索显著波峰,然后在相邻的显著波峰之间的确定最小值作为阈值,步骤较为繁琐。并且,如果波谷是平坦的,这些技术很难找到确切的阈值。
发明内容
本发明提供一种自适应层次直方图的彩色图像分割方法,可以解决现有技术中的上述问题。
本发明提供了一种自适应层次直方图的彩色图像分割方法,包括以下步骤:
S1、对RGB彩色图像,在R色彩平面、G色彩平面和B色彩平面分别生成一组层次直方图;
每组层次直方图包含多层直方图,多层直方图分别对应于图像的多级别抽象粒度;每组层次直方图中最底层直方图是原始直方图,代表图像最细粒度的抽像;上一层直方图根据下一层直方图产生,上一层直方图比下一层直方图的抽像粒度大;
S2、对每组层次直方图中的顶层直方图阈值化,完成图像的初始分割,形成多个簇;
S3、对初始分割形成的簇进行合并,完成图像最终分割。
上述步骤S1中生成一组层次直方图的方法如下:
S11、对一幅大小为M×N的彩色图像I,根据公式(1)分别在其R、G和B色彩平面生成原始直方图,原始直方图作为各色彩平面的层次直方图的第1层直方图即最底层直方图;
直方图hi中的每一个箱体bin是一个三元组(l,count,right),强度值为l,像素数为count=hi(l),箱体右界为right,第1层直方图的箱体bin的右界等于该箱体对应的强度值;L=256为三个色彩平面的强度范围;
S12、分别根据R、G、B色彩平面的原始直方图作如下计算:
按公式(2)计算R、G、B色彩平面的灰度合并阈值wi:
公式(2)中的w为一个给定的灰度合并阈值参数;
S13、取出层次直方图中的最顶层直方图hi,根据公式(3)和公式(4)找出直方图中的所有局部波谷;
hi(l)<hi(l-1)&hi(l)<hi(l+1),其中(0≤l≤L-1) (3)
当hi(l)满足公式(3)时,则l是波谷;
hi(l)<hi(l-1)&hi(l)=hi(l+1)=…=hi(l+k)&hi(l+k)<hi(l+k+1)
其中(0≤l≤L-1) (4)
S14、根据灰度合并阈值wi,将最顶层直方图中局部相邻波谷之间的所有箱体合并成一个或多个箱体,得到该直方图的上一层直方图;
S15、如果新生成的直方图中每一对相邻箱体bin的强度差值大于wi或新生成的直方图与前一层直方图相同,则输出层次直方图;否则将该直方图压入层次直方图栈中;
S16、重复步骤S13~S15;直至输出层次直方图。
上述步骤S14中将最顶层直方图中局部相邻波谷之间的所有箱体合并成一个或多个箱体的方法如下:
S141、从小到大依次取出两个左右相邻的波谷强度left,right;
S142、如果这两个左右相邻的波谷差值小于阈值wi,则将两个左右相邻的波谷区间内所有的箱体合并成一个箱体bin=(l,count,right),其中箱体bin的像素数count按照公式(5)计算,箱体的右界为right,箱体的强度值l按照公式(6)计算;
count=∑left≤j<righthi(j), (5)
S143、如果这两个左右相邻的波谷差值大于或等于阈值wi,将该相邻波谷区间平均分割成((lright-lleft)/wi)+1个波段,找出每个波段的最小波谷强度left和最大波谷强度right,然后将每个波段按照步骤S142的方式合并成一个箱体。
上述步骤2中对每组层次直方图中的顶层直方图阈值化的方法如下:
S21、分别取出R,G,B色彩平面的层次直方图的最顶层直方图hi,i∈{R,G,B};
S22、对于色彩平面i,将在范围[lm-1R,lmR)的原始像素强度设置成强度lm,lm-1R为顶层直方图hi中的第(m-1)个箱体,lmR为顶层直方图hi中的第m个箱体,则hi[m]=[lm,h(lm),lmR]和hi[m+1]=[lm-1,h(lm-1),lm-1R]。
上述步骤S3中对初始分割形成的簇进行合并的方法如下:
S31、对初始分割图像,按相同颜色号划分成簇,其中颜色号分别由R,G,B三个分量构成;
S32、将像素规模占比小于给定的像素阈值TS的簇合并到欧几里德距离最近的簇,其中合并后的颜色号取合并后所有像素的平均值,即合并后两个簇的颜色加权平均值,直到每个簇的像素规模大于阈值TS;
S33、找出两个欧几里德距离最近的簇,如果它们之间的距离小于给定的欧几里德距离阈值TC,则将两个簇进行合并,其中合并后的颜色号取合并后所有像素的平均值,即合并后两个簇的颜色加权平均值;
S34、重复步骤S33,直到两个最近的簇的欧几里德距离大于阈值TC。
与现有技术相比,本发明的有益效果在于:
本发明公开了一种自适应层次直方图的彩色图像阈值分割方法。首先该方法对一幅RGB彩色图像分别在R,G,B色彩平面生成层次直方图(hierarchical-histogram)。一个层次直方图包含一组直方图,它们分别对应于图像的多级别抽象粒度。一个层次直方图的最底层直方图是原始直方图,代表图像最细粒度的抽像;上一层直方图根据下一层直方图产生,因此上一层直方图比下一层直方图的抽像粒度大。该方法能自适应确定各个色彩平面层次直方图的层数,然后利用顶层直方图完成图像的初始分割。最后,对初始分割的结果进行合并,完成图像最终分割,实现了图像的高质量快速分割,分割效率高。
本发明提出了层次直方图的结构,能够快速自适应地从波谷识别出分割阈值,对彩色图像分割具有较好的效果。另外本方法不需要对直方图进行平滑处理,也不需要先找出显著的波峰,且对噪声不敏感。
附图说明
图1为本发明所述的自适应层次直方图的彩色图像分割整体流程图。
图2为本发明所述的层次直方图的结构样图。
图3为本发明所述的自适应层次直方图的计算流程图。
图4为本发明方法对彩色图像Lena的R,G,B平面生成的层次直方图。
(a)为Red色彩分量;(b)为Green色彩分量;(c)为Blue色彩分量。
图5为本发明方法对彩色图像Lena的分割结果。
(a)为原始图像;(b)为初始分割结果(384colors);(c)为最终分割结果(14colors)。
图6为本发明对比例图像Birds的分割结果比较图。
(a)原始图像;(b)基于histon技术的初始分割;(c)基于histon技术的最终分割;(d)基于roughness技术的初始分割;(e)基于roughness技术的最终分割;(f)本发明技术的初始分割;(g)本发明技术的最终分割。
图7为本发明对比例图像Church的分割结果比较图。
(a)原始图像;(b)基于histon技术的初始分割;(c)基于histon技术的最终分割;(d)基于roughness技术的初始分割;(e)基于roughness技术的最终分割;(f)本发明技术的初始分割;(g)本发明技术的最终分割。
图8为本发明对比例图像Harbor的分割结果比较图。
(a)原始图像;(b)基于histon技术的初始分割;(c)基于histon技术的最终分割;(d)基于roughness技术的初始分割;(e)基于roughness技术的最终分割;(f)本发明技术的初始分割;(g)本发明技术的最终分割。
图9本发明对比例图像Marsh的分割结果比较图
(a)原始图像;(b)基于histon技术的初始分割;(c)基于histon技术的最终分割;(d)基于roughness技术的初始分割;(e)基于roughness技术的最终分割;(f)本发明技术的初始分割;(g)本发明技术的最终分割。
图10本发明对比例图像Snake的分割结果比较图。
(a)原始图像;(b)基于histon技术的初始分割;(c)基于histon技术的最终分割;(d)基于roughness技术的初始分割;(e)基于roughness技术的最终分割;(f)本发明技术的初始分割;(g)本发明技术的最终分割。
具体实施方式
下面结合附图1-10,对本发明的一个具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
如图1-3所示,本发明实施例以对彩色图像Lena的分割为例,本发明按图3所示的计算流程分别在R,G,B色彩平面生成的层次直方图。该步骤中,给定初始箱体合并阈值参数w=20,然后根据公式(2)计算每个色彩平面的箱体合并阈值参数wi(i∈{R,G,B}),即当第i个色彩平面的层次直方图的顶层直方图中每一对相邻箱体bin的强度差值大于wi或新生成的直方图不发生变化,则完全生成了层次直方图。该图像在各色彩平面的层次直方图结果分别显示在图4(a),图4(b)和图4(c)。
如图4所示,每个色彩平面生成的层次直方图都包含4个直方图。第1层直方图根据原始图像Lena生成,上一层直方图根据前一层直方图生成。在图4所示的每个直方图中,灰色的虚线标示出波谷的强度的位置。由图4可见,R,G,B色彩平面的第一层直方图都包含了许多的局部波谷,这些相邻的波谷形成了许多小宽幅的钟形区域。这些小宽幅的钟形区域对应于相应的同质像素。将第1层直方图里的每个小的钟形区域取其强度均值,替代成一个新的箱体bin,从而得到第2层直方图,并且依次类推。此例,每个色彩平面的第4层直方图作为顶层直方图用于对图像进行初分割。
在后续的簇合并阶段,如果簇的像素占比规模小于给定的阈值TS=0.1%,则该簇被归并到色彩距离最近的簇。如果两个簇的色彩距离小于欧几里德距离阈值TC=70则对这两个簇进行合并。图5(b)显示了初始分割结果,图5(c)显示了最终分割结果。
与其它相关方法分割结果的视觉比较:
作为基于直方图技术分割的两种变体,基于histon和基于roughness-index的技术被证明可以获得较好的分割结果。下面是本发明技术与这两种技术的分割比较。对于基于histon和基于roughness-index的技术,所有涉及参数如下:在步骤一,两个涉及搜索显著波峰的参数符合如下条件(1)一个波峰是显著的当该波峰的高度超波峰平均高度的20%;并且(2)所选择的相邻两个波峰的距离大于10.在步骤三,域合并参数Tn和Td分别设置为0.1%和20。对于本发明技术,步骤一仅涉及到一个bin合并参数w。实验中,w被设置为15,在步骤3,域合并参数Tn和Td同样分别设置为0.1%和20。
对于图像Birds,图6分别显示了基于histon和基于roughness-index的技术和本发明三种技术的初始分割结果和最终分割结果。对于histon,基于roughness-index的技术,和本发明技术,初始分割颜色数目分别为28如图6(b)所示,178如图6(d)所示和506如图6(f)所示;最终分割结果颜色数目分别为7如图6(c)所示,13如图6(e)所示和12如图6(g)所示。对于基于histon技术的分割结果如图6(b)和图6(c),我们可以看到,分割后的结果中颜色较少,导致结果中同质区域较大。然而,这些鸟的白色羽毛被错误地归并到与天空相同的颜色。对于基于roughness技术的分割结果图6(d)和图6(e),鸟的羽毛颜色被归并到与天空相近的颜色。相比之下,本发明技术成功的避免了这些分类错误。尽管基于histon和基于roughness的技术产生了较少的初始分割数,但它们丢失了许多小而明显的区域的细节。
对于图像Church,图7显示了三种技术的初始分割结果和最终分割结果。对于基于histon的技术、基于roughness-index的技术,和本发明技术,初始分割颜色数目分别为202如图7(b)所示,306如图7(d)所示和390如图7(f)所示;最终分割结果颜色数目分别为43如图7(c),43如图7(e)和46如图7(g)。对于基于histon的分割结果如图7(b)和图7(c),远处的山脊和建筑外墙的颜色与原图图7(a)不符。此外,对于基于histon和基于roughness技术的分割结果图7(b)和图7(e),我们观察到左下角平缓的山坡非常暗的颜色与原始图像不匹配。从原始图像图7(a)可以看出,在左下角平缓的山坡地和中间的山坡地之间,有明显的边界。然而,在分割结果中,这个边界几乎消失了图7(b)和图7(e)。而对于本发明技术的分割的结果,如图7(f)和图7(g)所示,我们观察到建筑、山脉、天空和云层的颜色与原始图像中相应区域的颜色完全匹配。
对于图像Harbo,图8显示了三种技术的初始分割结果和最终分割结果。对于基于histon的技术、基于roughness-index的技术,和本发明技术,初始分割颜色数目分别为499图8(b),549图8(d)和265图8(f);最终分割结果颜色数目分别为50图8(c),49图8(e)和70图8(g)。对于基于histon和基于roughness的技术,虽然初始分割结果包含较多颜色数,但是可以看到一个明显的分类错误图8(b)和图8(d),这两种技术错误地将烟雾中的像素分配天空,这种分类误差不可避免出现在最终的分割结果图8(c)和图8(e)。相比之下,尽管本发明技术的初始分割结果包含较少颜色数图8(f)和图8(g),但是成功的分离出全部烟雾区域,避免了这种分类错误。此外,我们可以看到几乎所有的云都消失在基于histon的分割结果中图8(b)和图8(c)。但是本发明技术的分割结果图8(f)和图8(g)中几乎所有的云都被分离并保存了下来。
对于图像Marsh,图9显示了三种技术的初始分割结果和最终分割结果。对于基于histon的技术、基于roughness-index的技术和本发明技术,初始分割颜色数目分别为118图9(b),349图9(d)和264图9(f);最终分割结果颜色数目分别为22图9(c),33图9(e)和33(图.9g)。对于基于histon技术的分割结果图9(b)和图9(c),我们可以看到,小船内表面的颜色与原始图像中相应区域的颜色不匹配。此外,尽管基于histon的技术和基于roughness的技术都产生了更大同质的水面区域,但是近岸的湿地有相当多的像素被分类为水面的一部分。相比之下,本发明技术的分割结果图9(f)和图9(g)中,水面与近岸的湿地的边界被很好地保留了下来。如图9(f)和图9(g)所示,船只、水面和近岸的颜色与原始图像中相应区域的颜色相匹配。
对于图像Snake,图10显示了三种技术的初始分割结果和最终分割结果。对于基于histon的技术,基于roughness-index的技术,和本发明技术,初始分割颜色数目分别为7图(10b),11图10(d)和256图10(f);最终分割结果颜色数目分别为5图10(c),13图10(e)和10图10(g)。对于基于histon技术的分割结果图10(b)和图10(c),可以看到分割后的结果中颜色较少,导致结果中同质区域较大。然而,分割结果中的蛇和沙漠的颜色是一样的,这与原始图像中的颜色不匹配。此外,蛇的影子颜色与原始图像中的颜色不匹配。对于基于roughness技术的分割结果图10(d)和图10(e),沙子表面的纹理并不清晰。相比之下,对于本发明技术的分割结果图10(f)和图10(g)可以看出,蛇的颜色、蛇的阴影和沙漠,以及沙子表面的纹理都与原始图像相匹配。
本发明与其它相关方法分割结果的量化指标比较如表1和表2所示。
表1 5幅图像分割结果的MSE,F(I)和Q(I)值比较
表1列出了三种技术对前述5幅图像分割结果的MSE,F(I)和Q(I)。这些指标值越小,分割结果越好。表中粗体值标识出最好的结果。从表1可知,本发明技术在相同的4幅图像获得最佳的MSE,F(I)和Q(I)值;基于roughness的技术在1幅图像中获得最佳的MSE,F(I)和Q(I)值;而基于histon的分割技术获0次最优MSE,F(I)和Q(I)。
表2 BSDS 300图像分割结果的MSE,F(I)和Q(I)值,颜色数,运行时间的比较
对于伯克利图像分割数据集300幅图像(BSD300),表2列出了三种方法分割结果的平均MSE,平均F(I)和平均Q(I)值,结果表明,本发技术要优于其它两种比较的技术。表2的最后两列分别列出了平均初始分割时间和平均完整分割时间,结果表明,本发明技术具有显著更快的运行速度。
本发明提出了一种自适应层次直方图的彩色图像分割方法,解决了彩色图像高质量快速分割所涉及的一系列问题,具体包括:(1)提出了层次直方图(hierarchical-histogram)数据结构,一个层次化直方图(hierarchical-histogram)包括一组直方图,它们分别对应于图像的多级别粒度抽象;(2)自适应层次直方图彩色图像阈值分割方法,该方法具有更优的分割效率并且能获得较优的分割质量。
本发明公开了一种自适应层次直方图的彩色图像阈值分割方法。首先该方法对一幅RGB彩色图像分别在R,G,B色彩平面生成层次直方图(hierarchical-histogram)。一个层次直方图包含一组直方图,它们分别对应于图像的多级别抽象粒度。一个层次直方图的最底层直方图是原始直方图,代表图像最细粒度的抽像;上一层直方图根据下一层直方图产生,因此上一层直方图比下一层直方图的抽像粒度大。该方法能自适应确定各个色彩平面层次直方图的层数,然后利用顶层直方图完成图像的初始分割。最后,对初始分割的结果进行合并,完成图像最终分割,实现了图像的高质量快速分割,分割效率高。
本发明提出了层次直方图的结构,能够快速自适应地从波谷识别出分割阈值,对彩色图像分割具有较好的效果。另外本方法不需要对直方图进行平滑处理,也不需要先找出的波峰,且对噪声不敏感。
以上公开的仅为本发明的几个具体实施例,但是,本发明实施例并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (4)
1.一种自适应层次直方图的彩色图像分割方法,其特征在于,包括以下步骤:
S1、对RGB彩色图像,在R色彩平面、G色彩平面和B色彩平面分别生成一组层次直方图;
每组层次直方图包含多层直方图,多层直方图分别对应于图像的多级别抽象粒度;每组层次直方图中最底层直方图是原始直方图,代表图像最细粒度的抽像;上一层直方图根据下一层直方图产生,上一层直方图比下一层直方图的抽像粒度大;
S2、对每组层次直方图中的顶层直方图阈值化,完成图像的初始分割,形成多个簇;
S3、对初始分割形成的簇进行合并,完成图像最终分割;
所述步骤S1中生成一组层次直方图的方法如下:
S11、对一幅大小为M×N的彩色图像I,根据公式(1)分别在其R、G和B色彩平面生成原始直方图,原始直方图作为各色彩平面的层次直方图的第1层直方图即最底层直方图;
直方图hi中的每一个箱体bin是一个三元组(l,count,right),强度值为l,像素数为count=hi(l),箱体右界为right,第1层直方图的箱体bin的右界等于该箱体对应的强度值;L=256为三个色彩平面的强度范围;
S12、分别根据R、G、B色彩平面的原始直方图作如下计算:
按公式(2)计算R、G、B色彩平面的灰度合并阈值wi:
公式(2)中的w为一个给定的灰度合并阈值参数;
S13、取出层次直方图中的最顶层直方图hi,根据公式(3)和公式(4)找出直方图中的所有局部波谷;
hi(l)<hi(l-1)&hi(l)<hi(l+1),其中(0≤l≤L-1) (3)
当hi(l)满足公式(3)时,则l是波谷;
hi(l)<hi(l-1)&hi(l)=hi(l+1)=...=hi(l+k)&hi(l+k)<hi(l+k+1)
其中(0≤l≤L-1) (4)
S14、根据灰度合并阈值wi,将最顶层直方图中局部相邻波谷之间的所有箱体合并成一个或多个箱体,得到该直方图的上一层直方图;
S15、如果新生成的直方图中每一对相邻箱体bin的强度差值大于wi或新生成的直方图与前一层直方图相同,则输出层次直方图;否则将该直方图压入层次直方图栈中;
S16、重复步骤S13~S15;直至输出层次直方图。
2.根据权利要求1所述的自适应层次直方图的彩色图像分割方法,其特征在于,所述步骤S14中将最顶层直方图中局部相邻波谷之间的所有箱体合并成一个或多个箱体的方法如下:
S141、从小到大依次取出两个左右相邻的波谷强度left,right;
S142、如果这两个左右相邻的波谷差值小于阈值wi,则将两个左右相邻的波谷区间内所有的箱体合并成一个箱体bin=(l,count,right),其中箱体bin的像素数count按照公式(5)计算,箱体的右界为right,箱体的强度值l按照公式(6)计算;
count=∑left≤j≤righthi(j) (5)
S143、如果这两个左右相邻的波谷差值大于或等于阈值wi,将该相邻波谷区间平均分割成((lright-lleft)/wi)+1个波段,找出每个波段的最小波谷强度left和最大波谷强度right,然后将每个波段按照步骤S142的方式合并成一个箱体。
4.根据权利要求1所述的自适应层次直方图的彩色图像分割方法,其特征在于,所述步骤S3中对初始分割形成的簇进行合并的方法如下:
S31、对初始分割图像,按相同颜色号划分成簇,其中颜色号分别由R,G,B三个分量构成;
S32、将像素规模占比小于给定的像素阈值TS的簇合并到欧几里德距离最近的簇,其中合并后的颜色号取合并后所有像素的平均值,即合并后两个簇的颜色加权平均值,直到每个簇的像素规模大于阈值TS;
S33、找出两个欧几里德距离最近的簇,如果它们之间的距离小于给定的欧几里德距离阈值TC,则将两个簇进行合并,其中合并后的颜色号取合并后所有像素的平均值,即合并后两个簇的颜色加权平均值;
S34、重复步骤S33,直到两个最近的簇的欧几里德距离大于阈值TC。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811517182.4A CN109615600B (zh) | 2018-12-12 | 2018-12-12 | 一种自适应层次直方图的彩色图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811517182.4A CN109615600B (zh) | 2018-12-12 | 2018-12-12 | 一种自适应层次直方图的彩色图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109615600A CN109615600A (zh) | 2019-04-12 |
CN109615600B true CN109615600B (zh) | 2023-03-31 |
Family
ID=66008260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811517182.4A Active CN109615600B (zh) | 2018-12-12 | 2018-12-12 | 一种自适应层次直方图的彩色图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615600B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862007B (zh) * | 2020-07-02 | 2021-01-08 | 哈尔滨市科佳通用机电股份有限公司 | 基于方差区域分割的货车制动缸倾斜检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134219A (zh) * | 2014-08-12 | 2014-11-05 | 吉林大学 | 基于直方图的彩色图像分割算法 |
CN104537673A (zh) * | 2015-01-09 | 2015-04-22 | 西安电子科技大学 | 基于多阈值和自适应模糊聚类的红外图像分割方法 |
CN105046689A (zh) * | 2015-06-24 | 2015-11-11 | 北京工业大学 | 一种基于多层次图结构的交互式立体图像快速分割方法 |
CN105741279A (zh) * | 2016-01-27 | 2016-07-06 | 西安电子科技大学 | 基于粗糙集的快速抑制模糊聚类的图像分割方法 |
CN107833224A (zh) * | 2017-10-09 | 2018-03-23 | 西南交通大学 | 一种基于多层次区域合成的图像分割方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003021533A1 (en) * | 2001-08-31 | 2003-03-13 | Massachusetts Institute Of Technology | Color image segmentation in an object recognition system |
US8515171B2 (en) * | 2009-01-09 | 2013-08-20 | Rochester Institute Of Technology | Methods for adaptive and progressive gradient-based multi-resolution color image segmentation and systems thereof |
WO2011106440A1 (en) * | 2010-02-23 | 2011-09-01 | Loma Linda University Medical Center | Method of analyzing a medical image |
EP2637139A1 (en) * | 2012-03-05 | 2013-09-11 | Thomson Licensing | Method and apparatus for bi-layer segmentation |
-
2018
- 2018-12-12 CN CN201811517182.4A patent/CN109615600B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134219A (zh) * | 2014-08-12 | 2014-11-05 | 吉林大学 | 基于直方图的彩色图像分割算法 |
CN104537673A (zh) * | 2015-01-09 | 2015-04-22 | 西安电子科技大学 | 基于多阈值和自适应模糊聚类的红外图像分割方法 |
CN105046689A (zh) * | 2015-06-24 | 2015-11-11 | 北京工业大学 | 一种基于多层次图结构的交互式立体图像快速分割方法 |
CN105741279A (zh) * | 2016-01-27 | 2016-07-06 | 西安电子科技大学 | 基于粗糙集的快速抑制模糊聚类的图像分割方法 |
CN107833224A (zh) * | 2017-10-09 | 2018-03-23 | 西南交通大学 | 一种基于多层次区域合成的图像分割方法 |
Non-Patent Citations (2)
Title |
---|
"color image segmentation: rough-set theoretic approach";Mushrif M M等;《Pattern recognition letters》;20071124;全文 * |
"粗糙集理论在彩色图像分割算法中的应用研究";朱婷婷;《中国优秀硕士学位论文全文数据库》;20170615;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109615600A (zh) | 2019-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3740065B2 (ja) | 領域分割された映像の領域特徴値整合に基づいた客体抽出装置およびその方法 | |
JP3554930B2 (ja) | 色−テクスチャ距離の測定方法及び装置並びにこれらを用いた映像の領域区分方法及び装置 | |
CN107209931B (zh) | 颜色校正装置和方法 | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN107967673B (zh) | 一种自适应样本块图像修复方法 | |
CN105654501A (zh) | 基于模糊阈值的自适应图像分割方法 | |
Liu et al. | Image contrast enhancement based on intensity expansion-compression | |
CN111242878A (zh) | 基于布谷鸟搜索的矿井下图像增强方法 | |
CN103218833A (zh) | 边缘加强型的彩色空间最稳极值区域检测方法 | |
CN109345536B (zh) | 一种图像超像素分割方法及其装置 | |
CN108986109B (zh) | 一种序列化可视人体切片图像自动分割方法 | |
CN115641327A (zh) | 一种基于大数据的建筑工程质量监理和预警系统 | |
CN112488955A (zh) | 一种基于波长补偿的水下图像复原方法 | |
KR101753360B1 (ko) | 시점 변화에 강인한 특징점 정합 방법 | |
CN109615600B (zh) | 一种自适应层次直方图的彩色图像分割方法 | |
CN102411776A (zh) | 基于统计学和分形维数的机器人视觉图像分割方法 | |
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 | |
CN111476723A (zh) | 一种Landsat-7扫描线纠正器失效的遥感图像丢失像素恢复方法 | |
CN107609537B (zh) | 一种基于hsv空间水面图像特征的水岸线检测方法 | |
Grundland et al. | Automatic contrast enhancement by histogram warping | |
JP2009123234A (ja) | オブジェクト識別方法および装置ならびにプログラム | |
Jordan et al. | Mean-shift clustering for interactive multispectral image analysis | |
CN114998186A (zh) | 基于图像处理的铜始极片表面结疤缺陷检测方法及系统 | |
CN110322454B (zh) | 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法 | |
CN106296671A (zh) | 一种基于Gabor直方图熵的图像分割方法 |
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 |