CN109766888B - 一种具有可控免疫生长域的红外图像目标提取方法 - Google Patents
一种具有可控免疫生长域的红外图像目标提取方法 Download PDFInfo
- Publication number
- CN109766888B CN109766888B CN201711101229.4A CN201711101229A CN109766888B CN 109766888 B CN109766888 B CN 109766888B CN 201711101229 A CN201711101229 A CN 201711101229A CN 109766888 B CN109766888 B CN 109766888B
- Authority
- CN
- China
- Prior art keywords
- growth
- seed point
- point
- points
- source
- 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
针对区域生长中对生长域的影响可能导致过度生长问题,提出一种具有可控免疫生长域的红外目标提取方法,包括:输入图像;克隆选择算法寻找最大熵,获取最佳阈值进行阈值分割,确定候选种子点;根据规则完成初始种子点的选取;利用生长规则对所有初始种子点完成一次生长,获取源种子点;利用不同源种子点获取对应生长免疫域;以生长免疫域作为生长规则对源种子点进行生长,符合规则的像素点归入目标区域;重复步骤,直到所有源种子点生长完毕;完成红外图像分割。
Description
技术领域
本发明设计涉及一种用于数字图像处理领域的红外图像目标提取方法,是一种融合克隆选择、免疫域理论和区域生长的红外图像目标提取方法。
背景技术
图像目标提取即从图像中提取出目标区域。在过去的研究中,灰度图像的目标提取为主要研究方向。同时,除了灰度图像,彩色图像的目标提取也随着科技水平的提高,计算机处理速度的加快以及现实生活的发展需要愈发受人关注。无论是注重亮度的灰度图像还是包含亮度色调和颜色的深浅等有效信息的彩色图像,信息量的多寡对于当前高效的计算机处理能力,其影响微乎其微,因此红外图像作为彩色图像中的一类,计算量的问题能够有效解决。
图像目标提取是图像识别分析的首要步骤,是图像处理到图像分析的关键,其目的是根据图像的特征,将图像的背景和目标分离,从而为后续的识别等处理提供依据。彩色图像虽然包含丰富的信息量,但大部分彩色图像并不包含对于目标的针对性,红外图像作为彩色图像中的一类,其拍摄的图像对于目标存在一定的针对性,即一般而言目标温度与背景存在差异,因而红外图像在目标和背景的特征性质上,差异明显。这有助于更为合理有效的图像目标提取,从而使得更高层面的图像识别跟踪或理解成为可能,并足以确定图像最终的分析质量和识别效果。
综上所述,对红外图像目标提取算法进行研究和改进具有重大的实际意义,提出一种高效的目标提取算法将影响相关领域的快速发展。
发明内容
本发明克服现有技术提取红外图像中存在显著差异的目标区域精确性差问题,提出一种具有可控免疫生长域的红外图像目标提取方法。一方面提出可控生长域概念,克服区域生长中生长域易受影响导致过度生长问题,另一方面有效去除红外图像中干扰点,提高差异显著的目标区域的提取精确性,为后续的目标的识别及跟踪提供可靠的依据。
改进方法首先利用克隆选择算法寻找图像灰度直方图中的最大熵,获取最佳阈值即克隆阈值并进行阈值分割。然后在分割的区域中选择边缘的候选种子点作为初始种子点并使每个种子点生长一次获取符合生长规则的点作为源种子点。最后以源种子点获取其对应的生长免疫域,进行基于生长免疫域的区域生长。这种方式简化了区域生长中阈值的反复获取,使所有源种子点生长中的待生长点直接与源种子点进行生长判断。该方法主要针对红外图像的目标提取,对于背景相对简单而目标内差异明显的图像有不错的效果。
传统区域生长会对生长判决条件中的阈值产生不可控的影响。特殊情况下,在生长过程中,生长阈值的增大可能导致过度生长的产生。针对过度生长问题,本方法根据源种子点的多样性获取对应不同的生长免疫域以保证生长域的可控,防止生长中生长域受影响而出现过生长情况。
噪声及干扰点在图像处理中影响图像质量,改进算法根据图像特征及干扰点的分布能够有效去除图像中的干扰点。
生长免疫域应用在区域生长的判决条件中,其作用是保证源种子点生长过程中的所有待生长点在免疫域范围内符合生长规则。因而即使生长过程中待生长点与其邻域点出现过大的差异,只要其与源种子点的颜色距离在免疫域内,可忽略显著差异的影响,这能够有效克服目标区域内部差异显著的问题。
生长免疫域中源种子的多样性,能够保证多个源种子点在生长过程中生长区域覆盖图像目标的所有特征空间。
生长免疫域的效果,一方面相较传统固定阈值,能够根据源种子点情况自动调节免疫域,另一方面相较自适应阈值,能够防止特殊情况下生长域受影响导致过度生长的发生且生长过程更为简单明了。三种生长域在区域生长中的效果示意图如图2。
一种具备可控免疫生长域的红外目标提取方法,步骤如下:
(1)输入待分割图像;
(2)将图像转化为灰度图像,通过克隆选择算法寻找图像灰度直方图中的最大熵,获取最佳阈值,进行阈值分割处理,得到的分割区域作为候选种子点区域;
(3)完成种子点的选取,若某点是候选种子点,但其8邻域各点不全是候选种子点,则此点可作为初始种子点;
(4)利用生长规则对所有初始种子点完成一次生长,将符合生长规则的像素点归入到源种子点区域中;
(5)获取任一源种子点对应的生长免疫域,将生长免疫域作为种子点是否生长的判据,将符合生长条件的像素点归入目标区域;
(6)重复步骤(5),直到所有源种子点生长完毕;
(7)完成红外图像分割;
在步骤(2)所述的获取最佳阈值过程中,克隆选择算法的记忆功能能够保证算法有效收敛至最优解,且该克隆选择算法兼顾全局搜索和局部搜索构造记忆单元,能够记忆一个最优解的群体。
在步骤(3)所述的种子点自动选取过程中,选取候选种子区域的边缘种子点作为初始种子点,便于减少后续区域生长的计算量,且边缘的起始种子点获取相对简单,本发明根据红外图像的特性结合阈值分割后候选区域的特点,能够在不影响生长效果的情况下加快生长速度;考虑像素空间特征,制定种子自动选择规则:其8邻域各点不全是候选种子点。
在步骤(4)所述的区域生长过程中,是将初始种子点作为起点,以RGB颜色距离作为判决条件,向其8邻域生长。在这个步骤中,每个初始种子点依次仅生长一次,将符合生长规则的像素点作为下一步区域生长的源种子点;定义区域生长规则为:
其中R、G、B为图像中任一初始种子点的R、G、B分量,为该点的邻域像素点的R、G、B分量,d为初始点与其邻域点的颜色距离;通过计算与邻域点的距离,若邻域该颜色距离小于一个固定颜色距离且该点不属于步骤(2)的候选种子点,则将该点作为源种子点。
在步骤(5)所述的区域生长过程中,将源种子点作为基于生长免疫域的区域生长的初始种子点,将源种子点的颜色距离作为判决条件:
若任一源种子点与其邻域点或其已生长邻域点的邻域点的欧式距离小于生长免疫阈T,将这些邻域点归入生长区域中。各源种子点的生长免疫域为:
其中R、G、B为源种子点的R、G、B颜色分量,Rb、Gb、Bb为背景均值点的R、G、B分量,α为生长免疫域的比例系数。
本发明的优点在于运用红外图像及克隆阈值的分割特性,保证初始种子点的准确性的同时能够有效消除红外图像中的干扰点;针对区域生长中生长域受影响易导致过度生长问题,提出生长域可控,可控生长免疫域的引入有效减少了差异显著的目标区域对生长的影响并且防止了过度生长的产生。实验证明,本方法得到了较好的实验结果。
附图说明
图1为算法流程图。
图2为固定阈值、自适应阈值与生长免疫域的生长效果示意图。
图3为原始红外图像。
图4红色区域为获取的候选种子点区域。
图5为源种子点区域。
图6为红外图像的分割结果。
具体实施方式
下面结合附图,具体说明本发明。
本发明所述的一种具有可控免疫生长域的红外图像目标提取方法,步骤如下:
(1)输入待分割图像,如图3所示;
(2)将图像转化为灰度图像,通过克隆选择算法寻找图像灰度直方图中的最大熵,获取最佳阈值,进行阈值分割,如图4所示;
(3)完成种子点的选取,若某点是候选种子点,但其8邻域各点不全是候选种子点,则此点可作为初始种子点;
(4)利用生长规则对所有初始种子点完成一次生长,将符合生长规则的像素点归入到源种子点区域中,生长规则的规定阈值为0.12,图5所示为源种子点;
(5)获取任一源种子点对应的生长免疫域,将生长免疫域作为种子点是否生长的判据,将符合生长条件的像素点归入目标区域;
(6)重复步骤(5),直到所有源种子点生长完毕,生长免疫域的比例系数设为0.7;
(7)完成红外图像分割;
目标提取结果显示在图6中,结果显示本方法对目标差异明显的红外图像有较好的提取效果。简单背景下,能够除去一些小区域的背景干扰,达到一定准确性。
本说明书实施例所述内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (3)
1.一种具有可控免疫生长域的红外目标提取方法,步骤如下:
(1)输入待分割图像,待分割图像为红外图像;
(2)将待分割图像转化为灰度图像,通过克隆选择算法寻找图像灰度直方图的最大熵;将熵最大时的阈值作为最佳阈值;基于最佳阈值进行阈值分割处理,得到的区域作为候选种子点区域;
(3)若候选种子点区域中的候选种子点相邻的八个像素点不全是候选种子点,则该候选种子点作为初始种子点;
(4)计算初始种子点相邻待分割像素点与初始种子点的RGB颜色距离;颜色距离为:
其中R、G、B为初始种子点的R、G、B分量,为初始种子点的相邻待分割像素点的R、G、B分量,d为初始种子点与相邻待分割像素点的颜色距离;若颜色距离小于规定阈值,认为像素点符合生长规则,将像素点归入源种子点区域中;利用生长规则对所有初始种子点完成一次生长;
(5)获取源种子点区域中每一源种子点的区域生长的生长免疫域,将每一源种子点对应的生长免疫域分别作为每一源种子点周围的八个像素点是否继续生长的判据,并根据上述判据,从每一源种子点周围的八个像素点中选择继续生长的像素点归入目标区域;其中,源种子点的区域生长是将源种子点作为基于生长免疫域的区域生长的初始种子点,将源种子点的最大颜色距离作为判决条件;计算源种子点区域中每一源种子点与背景均值的颜色距离,作为源种子点对应的生长免疫域;生长免疫域是一个阈值范围,由源种子点和背景均值的R、G、B颜色分量决定,可定义为:
其中R、G、B为源种子点的R、G、B分量,Rb、Gb、Bb为背景R、G、B分量的均值,α为生长免疫域的比例系数;将生长免疫域作为源种子点周围的像素点是否继续生长的判据;若源种子点与周围的待分割像素点的颜色距离小于生长免疫域,或源种子点与周围已生长像素点的相邻待分割像素点的颜色距离小于生长免疫域,则满足生长判据,将符合要求的待分割像素点中归入目标区域;目标区域包括候选种子点区域和源种子点区域;
(6)完成红外图像分割。
2.根据权利要求1所述的方法,其特征在于:在步骤(2)所述的获取最佳阈值过程中,克隆选择算法的记忆功能能够保证算法有效收敛至最优解,且该克隆选择算法兼顾全局搜索和局部搜索构造记忆单元,能够记忆一个最优解的群体。
3.根据权利要求1所述的方法,其特征在于:在步骤(3)所述的种子点自动选取过程中,选取候选种子区域的边缘种子点作为初始种子点,便于减少后续区域生长的计算量,且边缘的起始种子点获取相对简单,本发明根据红外图像的特性结合阈值分割后候选区域的特点,能够在不影响生长效果的情况下加快生长速度;考虑像素空间特征,制定种子自动选择规则:其8邻域各点不全是候选种子点;其中,其8邻域各点是指候选种子区域的边缘种子点的相邻的八个像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711101229.4A CN109766888B (zh) | 2017-11-09 | 2017-11-09 | 一种具有可控免疫生长域的红外图像目标提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711101229.4A CN109766888B (zh) | 2017-11-09 | 2017-11-09 | 一种具有可控免疫生长域的红外图像目标提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109766888A CN109766888A (zh) | 2019-05-17 |
CN109766888B true CN109766888B (zh) | 2022-12-16 |
Family
ID=66449121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711101229.4A Active CN109766888B (zh) | 2017-11-09 | 2017-11-09 | 一种具有可控免疫生长域的红外图像目标提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109766888B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111537075A (zh) * | 2020-04-14 | 2020-08-14 | 重庆中科云从科技有限公司 | 一种温度提取方法、装置、机器可读介质及设备 |
CN112465852B (zh) * | 2020-12-03 | 2024-01-30 | 国网山西省电力公司晋城供电公司 | 一种用于电力设备红外图像分割的改进区域生长方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877128A (zh) * | 2009-12-23 | 2010-11-03 | 中国科学院自动化研究所 | 一种三维场景中不同物体的分割方法 |
CN104715483A (zh) * | 2015-03-20 | 2015-06-17 | 中国科学院自动化研究所 | 肺部ct影像病变组织的自动分割方法 |
CN104766078A (zh) * | 2015-04-02 | 2015-07-08 | 四川九洲电器集团有限责任公司 | 目标图像的倾斜角检测方法及倾斜角检测设备 |
CN104881670A (zh) * | 2015-05-20 | 2015-09-02 | 电子科技大学 | 一种用于sar方位角估计的快速目标提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9269155B2 (en) * | 2012-04-05 | 2016-02-23 | Mediatek Singapore Pte. Ltd. | Region growing method for depth map/color image |
-
2017
- 2017-11-09 CN CN201711101229.4A patent/CN109766888B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877128A (zh) * | 2009-12-23 | 2010-11-03 | 中国科学院自动化研究所 | 一种三维场景中不同物体的分割方法 |
CN104715483A (zh) * | 2015-03-20 | 2015-06-17 | 中国科学院自动化研究所 | 肺部ct影像病变组织的自动分割方法 |
CN104766078A (zh) * | 2015-04-02 | 2015-07-08 | 四川九洲电器集团有限责任公司 | 目标图像的倾斜角检测方法及倾斜角检测设备 |
CN104881670A (zh) * | 2015-05-20 | 2015-09-02 | 电子科技大学 | 一种用于sar方位角估计的快速目标提取方法 |
Non-Patent Citations (2)
Title |
---|
基于像素聚类的彩色图像分割技术研究;司马海峰;《中国博士学位论文全文数据库 信息科技辑》;20160415(第4期);第I138-39页 * |
基于克隆选择算法的最大模糊熵图像分割;任建 等;《微电子学与计算机》;20100930;第27卷(第9期);第114-116、121页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109766888A (zh) | 2019-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107578035B (zh) | 基于超像素-多色彩空间的人体轮廓提取方法 | |
CN109636784B (zh) | 基于最大邻域和超像素分割的图像显著性目标检测方法 | |
CN105354599B (zh) | 一种基于改进的slic超像素分割算法的颜色识别方法 | |
Pang et al. | Automatic segmentation of crop leaf spot disease images by integrating local threshold and seeded region growing | |
CN105701829B (zh) | 一种套袋绿色果实图像分割方法 | |
CN108875747A (zh) | 一种基于机器视觉的小麦不完善粒识别方法 | |
CN109241973B (zh) | 一种纹理背景下的字符全自动软分割方法 | |
CN106096491B (zh) | 一种眼底彩色照相图像中微动脉瘤自动化识别方法 | |
CN109766888B (zh) | 一种具有可控免疫生长域的红外图像目标提取方法 | |
WO2021189782A1 (zh) | 图像处理方法、系统、自动行走设备及可读存储介质 | |
CN112330561B (zh) | 基于交互式前景提取与信息熵分水岭的医学图像分割方法 | |
Zhu et al. | Automatic object detection and segmentation from underwater images via saliency-based region merging | |
CN103218833A (zh) | 边缘加强型的彩色空间最稳极值区域检测方法 | |
Ozturk et al. | Automatic leaf segmentation using grey wolf optimizer based neural network | |
CN111079637B (zh) | 田间图像中分割油菜花的方法、装置、设备及存储介质 | |
CN109101985A (zh) | 一种基于自适应邻域测试的图像误匹配点对剔除方法 | |
Gu et al. | A general histogram modification framework for efficient contrast enhancement | |
Sari et al. | Tomato ripeness clustering using 6-means algorithm based on v-channel otsu segmentation | |
CN110111342B (zh) | 一种抠图算法的优化选取方法及装置 | |
CN101447027A (zh) | 磁码字符区域的二值化方法及其应用 | |
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 | |
CN106780535A (zh) | 一种灰度图像处理方法 | |
CN116843581B (zh) | 一种多场景图的图像增强方法、系统、设备和存储介质 | |
CN116385435B (zh) | 基于图像分割的制药胶囊计数方法 | |
CN107038401A (zh) | 一种嘴唇轮廓的分割及特征提取方法 |
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 |