CN110211135A - 一种面向复杂背景干扰的硅藻图像分割方法、装置及设备 - Google Patents
一种面向复杂背景干扰的硅藻图像分割方法、装置及设备 Download PDFInfo
- Publication number
- CN110211135A CN110211135A CN201910487288.2A CN201910487288A CN110211135A CN 110211135 A CN110211135 A CN 110211135A CN 201910487288 A CN201910487288 A CN 201910487288A CN 110211135 A CN110211135 A CN 110211135A
- Authority
- CN
- China
- Prior art keywords
- picture
- diatom
- split
- rectangle frame
- complex background
- 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 67
- 238000005192 partition Methods 0.000 title claims description 20
- 238000012545 processing Methods 0.000 claims abstract description 46
- 230000011218 segmentation Effects 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000000638 solvent extraction Methods 0.000 claims abstract description 13
- 238000003709 image segmentation Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 241000195493 Cryptophyta Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000000399 optical microscopy Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种面向复杂背景干扰的硅藻分割方法、装置及设备,方法包括:对待分割图片进行显著性处理,得到显著图;对显著图进行阈值化处理,生成二值化图;根据二值化图,计算得到包含目标物的最小的矩形框;将包含矩形框的待分割图片通过迭代能量最小化分割算法进行分割,直到Gibbs能量项收敛,得到分割出来的硅藻图像。上述方法无需对包含复杂背景的硅藻图片进行预处理,减轻了操作人员的要求,同时上述方法应用了迭代能量最小化分割算法,大大提高了分割精度和效率。因此,本申请所提供的方法解决了受复杂背景干扰,难于提取硅藻有效区域和部分硅藻有效区域提取方法存在过多人工交互和提取精度不高的技术问题。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种面向复杂背景干扰的硅藻图像分割方法、装置及设备。
背景技术
硅藻的种类有20多万种,硅藻的准确分类在水资源质量监控及法医学检验中起着重要的作用。直接对自然界中的硅藻成像,在成像过程中会受到细微砂石,颗粒等复杂背景的干扰,因此硅藻的检测在图像处理技术领域中需要对硅藻或硅藻的图像进行处理,需要将硅藻图像有效区域提取出来,接着再进行识别工作。
现有方法主要集中在对简单背景的光学显微镜成像的硅藻有效区域的提取,而这些方法在硅藻成像前需要采用复杂的实验手段将硅藻里面的以及周围的细微砂石,颗粒清洗去除,接着在简单背景下对干净的硅藻进行光学显微镜成像。或者利用化学方法对硅藻进行处理使其表面纹饰清晰,然后通过小波图像变换对采集的图像进行增强和特征提取接着分类识别的方法。上述方法能较好的提取出硅藻有效区域,但需要复杂的预处理以及耗费大量的人力去完成。除上述方法之外,目前,有一种直接在原有复杂背景干扰下进行高清电子显微镜成像,运用计算机图像处理技术去除背景干扰进行硅藻有效区域提取方式,该方法将待识别硅藻的图像与待识别硅藻匹配的藻类拟合轮廓边框作为硅藻ROI(Region ofInterest,感兴趣区域),根据所述硅藻ROI从待识别硅藻的图像提取待识别硅藻对应的待识别硅藻图像。此方法能较有效地在复杂背景干扰下提取出硅藻有效区域,但是需要的人工交互较多,且提取的硅藻ROI时不能完全跟去除复杂背景的硅藻本身轮廓重合,分割精度不高,可能存在过分割现象,即提取的硅藻感兴趣区域中包含部分背景。
综上所述,现有技术大多需要对硅藻进行复杂的预处理才能有效提取硅藻区域,而使用藻类拟合轮廓边框提取有效区域的方式则存在人工交互多和提取精度不高等问题。
发明内容
本申请实施例提供了一种面向复杂背景干扰的硅藻图像分割方法以及装置,解决受复杂背景干扰,难于提取硅藻有效区域和部分硅藻有效区域提取方法存在过多人工交互和提取精度不高的技术问题。
有鉴于此,本申请第一方面提供了一种面向复杂背景干扰的硅藻图像分割方法,包括:
对待分割图片进行显著性处理,得到显著图;
对所述显著图进行阈值化处理,生成二值化图;
根据所述二值化图,计算得到包含目标物的最小的矩形框;
将包含所述矩形框的所述待分割图片通过迭代能量最小化分割算法进行分割,直到Gibbs能量项收敛,得到分割出来的硅藻图像。
优选的,所述对待分割图片进行显著性处理具体为:使用GBVS算法对待分割图片进行显著性处理。
优选的,所述GBVS算法具体为:
对待分割图片进行特征提取,生成特征图;
构建所述特征图的马尔科夫链,通过所述马尔科夫链的平衡分布得到相应的激活图;
对所述激活图进行线性融合,生成显著图。
优选的,所述对待分割图片进行显著性处理,得到显著图之前,还包括:
获取包含待提取硅藻图像的待分割图片;
优选的,所述根据所述二值化图,计算得到包含目标物的最小的矩形框之后,还包括:
将包含所述矩形框的待分割图片发送至用户,并获取调节后的矩形框。
本申请第二方面提供了一种面向复杂背景干扰的硅藻图像分割装置,包括:
显著性处理模块,用于对待分割图片进行显著性处理,得到显著图;
阈值化处理模块,用于对所述显著图进行阈值化处理,生成二值化图;
矩形框生成模块,用于根据所述二值化图,计算得到包含目标物的最小的矩形框;
分割模块,用于将包含所述矩形框的所述待分割图片通过迭代能量最小化分割算法进行分割,直到Gibbs能量项收敛,得到分割出来的硅藻图像。
优选的,所述对待分割图片进行显著性处理具体为:使用GBVS算法对待分割图片进行显著性处理。
优选的,还包括:
获取模块,用于获取包含待提取硅藻图像的待分割图片;
优选的,还包括:
调节模块,用于将包含所述矩形框的待分割图片发送至用户,并获取调节后的矩形框。
本申请第三方面提供了一种面向复杂背景干扰的硅藻图像分割设备,包括存储器和处理器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令上述第一方面所述的面向复杂背景干扰的硅藻图像分割方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请实施例中,提供了一种面向复杂背景干扰的硅藻图像分割的方法对待分割图片进行显著性处理,得到显著图;对显著图进行阈值化处理,生成二值化图;根据二值化图,计算得到包含目标物的最小的矩形框;将包含矩形框的待分割图片通过迭代能量最小化分割算法进行分割,直到Gibbs能量项收敛,得到分割出来的硅藻图像。
本申请所提供的方法通过图像处理的方式省去了化学处理环节,即省去了人工对硅藻进行预处理的环节,从而减少了人工交互;同时本申请所提供的方法利用二值化图先计算出包含目标物的最小矩形框,将待处理图片的前景和背景进行了划分,提高了提取的精度。
因此,上述方法解决了受复杂背景干扰,难于提取硅藻有效区域和部分硅藻有效区域提取方法存在过多人工交互和提取精度不高的技术问题,改善了目前使用复杂的预处理硅藻耗费大量的人力和资源的现状,减少了化学试剂的使用,以及化学处理方法耗费时间长等缺点,减轻了操作人员的要求,有效的迭代能量最小化分割算法大大提高了分割精度和效率。
附图说明
图1为本申请第一实施例中面向复杂背景干扰的硅藻图像分割方法的方法流程图;
图2为本申请第二实施例中面向复杂背景干扰的硅藻图像分割方法的方法流程图;
图3为本申请第二实施例所提供方法的应用例中的原图;
图4为使用GBVS方法得到的显著性图;
图5为显著图进行阈值化处理后生成的二值化图;
图6为计算得到的包含目标物的最小的矩形框;
图7为使用GRAB CUT后的交互图;
图8为提取出硅藻图像后的最终效果图;
图9为本申请实施例中面向复杂背景干扰的硅藻图像分割装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请设计了一种面向复杂背景干扰的硅藻图像分割方法、装置及设备,能够直接将通过高清电子显微镜获得的图像进行分离得到硅藻图片,为研究人员对硅藻图片的接下来识别操作提供便利,而不必像传统方法那样使用化学方法先对其进行化学处理,消除硅藻内部及其周围的杂质,再用光学显微镜成像得到与复杂背景分离的硅藻图像。
本申请第一方面提供了一种面向复杂背景干扰的硅藻图像分割方法。
为了便于理解,请参阅图1,图1为本申请第一实施例中面向复杂背景干扰的硅藻图像分割方法的方法流程图,具体为:
步骤101:对待分割图片进行显著性处理,得到显著图。
可以理解的是,生成显著图后可以比较方便的对图片中的边界进行划分,以便于后续的生成二值化图。
步骤102:对显著图进行阈值化处理,生成二值化图。
生成二值化图,就是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的只有黑和白的视觉效果,使图像变得简单,而且数据量减小,能凸显出感兴趣的目标(即硅藻图像)的轮廓。
步骤103:根据二值化图,计算得到包含目标物的最小的矩形框。
需要说明的是,根据二值化图可以得到硅藻图像的大致轮廓,能够框住此轮廓的最小矩形框,即本步骤计算得到的矩形框。此步骤是为了便于后续通过迭代能量最小化分割算法对图片进行处理,矩形框用于将框内的前景图和框外的背景图区分开,提高了后续分割速度。
步骤104:将包含矩形框的待分割图片通过迭代能量最小化分割算法(GRAB CUT(Interactive Foreground Extraction using Iterated Graph Cuts))进行分割,直到Gibbs能量项收敛,得到分割出来的硅藻图像。
需要说明的是,上述描述中“包含矩形框的待分割图片”请参阅图6,即将矩形框放在待处理图片内。
迭代能量最小化分割算法具体为:
(1)对矩形框内的图像进行计算得到一个初始的三值图T(Trimap,是一种静态图像抠图算法,对图像进行粗略划分,即分为前景,背景和待求的未知区域)。矩形框外的像素全部作为背景像素TB,而矩形框内像素全部作为不确定像素TU。初始化mask掩码矩阵:对TB内的每一像素n,初始化像素n的标签αn=0;而对TU内的每个像素n,初始化像素n的标签αn=1。
(2)对属于框内中可能的前景(即硅藻所在的区域)进行标记,标记前景和背景后更新mask矩阵中的标签,TU中标签含有三种,即背景,可能的前景,前景;分别用0,1,2标记。
(3)根据mask矩阵标记利用k-means算法分别把属于前景和背景的像素聚类为K类。
(4)将每个像素的RGB值输入其属于的高斯混合模型中,并使用这些数据集优化高斯混合模型的参数。
(5)分割估计建立Gibbs能量项,然后通过最大流最小割算法来进行分割。
(6)重复步骤(2),(3),(4),(5)直到Gibbs能量项收敛,得到分割出来的硅藻图像。
本申请实施例所提供的面向复杂背景干扰的硅藻图像分割方法,通过对待分割图片进行显著性处理,得到显著图;对显著图进行阈值化处理,生成二值化图;根据二值化图,计算得到包含目标物的最小的矩形框;将包含矩形框的待分割图片通过迭代能量最小化分割算法进行分割,直到Gibbs能量项收敛,得到分割出来的硅藻图像。本申请所提供的方法解决了受复杂背景干扰,难于提取硅藻有效区域和部分硅藻有效区域提取方法存在过多人工交互和提取精度不高的技术问题,改善了目前使用复杂的预处理硅藻耗费大量的人力和资源的现状,减少了化学试剂的使用,以及化学处理方法耗费时间长等缺点,减轻了操作人员的要求,有效的迭代能量最小化分割算法大大提高了分割精度和效率。
请参阅图2,图2为本申请第二实施例中面向复杂背景干扰的硅藻图像分割方法的方法流程图,具体为:
步骤201:获取待提取硅藻的待分割图片。
可以理解的是,待分割图片既可以是现有图片,也可以是从其他设备中获取的图片,因此首先可以先获取待提取硅藻的待分割图片。
步骤2021:对待分割图片进行特征提取,生成特征图。
需要说明的是,步骤2021至步骤2023均为使用GBVS算法对待分割图片进行显著性处理,得到显著图的具体步骤。
首先,对硅藻高清图像采用高斯滤波器进行降采样,获得九个尺度下的三通道图像;接着构建高斯金字塔,利用领域插值与归一化操作(Center-surround differencesand Normalization)对金字塔中不同层间图像进行跨尺度差减,从而得到不同尺度下的颜色,亮度,方向三种特征图。
步骤2022:构建特征图的马尔科夫链,通过所述马尔科夫链的平衡分布得到相应的激活图。
对于一幅特征图M,以图中的每一个像素点作为图中的节点。任意两个节点之间的边代表两个节点之间的差异性,根据像素点之间的相似性和像素点位置间的距离(欧几里德距离)作为连接权值。将特征图的节点视为马尔科夫链中的状态,边权重代表转移概率。对概率转移矩阵进行多次迭代,直到马尔科夫链达到平稳分布。最后找到马尔科夫矩阵的主特征向量,主特征向量是主特征值对应的向量,矩阵的多个特征值中模最大的特征值叫主特征值,对应图像的显著节点。通过将主特征向量排列成两维形式,就可获得到激活图。
步骤2023:对激活图进行线性融合,生成显著图。
获得特征图的激活图后,再把各类特征通道的激活图调至同一尺度后相加,归一化后得到亮度,颜色和方向特征通道的单一激活图像。最后,融合亮度,颜色和方向特征通道激活图以获得视觉显著图。
需要说明的是,本申请实施例仅仅提供了步骤2021至2023的一种具体实现方式,其中的参数例如“九个尺度”、“三种特征”等具体参数可以根据实际的使用需要进行适应性的调整。
步骤204:对显著图进行阈值化处理,生成二值化图。
需要说明的是,步骤204与第一实施例中的步骤102类似,此处不再进行赘述。
步骤205:根据二值化图,计算得到包含目标物的最小的矩形框。
需要说明的是,步骤205与第一实施例中的步骤103类似,此处不再进行赘述。
步骤206:将包含矩形框的待分割图片发送至用户,并获取调节后的矩形框。
需要说明的是,此步骤可以通过用户自行判断并调节矩形框的尺寸和位置,目的在于使得矩形框能够完整包含住目标物(硅藻图像),以便于后续的图片处理更好的进行。
步骤207:将包含矩形框的待分割图片通过迭代能量最小化分割算法进行分割,直到Gibbs能量项收敛,得到分割出来的硅藻图像。
需要说明的是,步骤207与第一实施例中的步骤104类似,此处不再进行赘述。
本申请实施例中对显著图的获取方法进行了详细的描述,另外引入了简单的人机交互,以便于硅藻图像的提取更加准确清晰。
以下是本申请实施例的具体应用,请参阅图3至图6。
图3为本申请第二实施例所提供方法的应用例中的原图;
图4为使用GBVS方法得到的显著性图;
图5为显著图进行阈值化处理后生成的二值化图;
图6为计算得到的包含目标物的最小的矩形框;
图7为使用GRAB CUT后的交互图;
图8为提取出硅藻图像后的最终效果图。
根据上图可知,应用本申请实施例所提供的面向复杂背景干扰的硅藻图像分割方法能够有效且准确的提取出硅藻图像。
本申请第二方面提供了一种面向复杂背景干扰的硅藻图像分割装置。请参阅图9,包括:
显著性处理模块301,用于对待分割图片进行显著性处理,得到显著图。
其中,对待分割图片进行显著性处理具体为:使用GBVS算法对待分割图片进行显著性处理。
阈值化处理模块302,用于对显著图进行阈值化处理,生成二值化图。
矩形框生成模块303,用于根据二值化图,计算得到包含目标物的最小的矩形框。
分割模块304,用于将包含矩形框的待分割图片通过迭代能量最小化分割算法进行分割,直到Gibbs能量项收敛,得到分割出来的硅藻图像。
获取模块305,用于获取待提取硅藻的待分割图片。
调节模块306,用于将包含矩形框的待分割图片发送至用户,并获取调节后的矩形框。
本申请第三方面提供了一种面向复杂背景干扰的硅藻图像分割设备,包括存储器和处理器:
存储器,用于存储程序代码,并将程序代码传输给处理器;
处理器,用于根据程序代码中的指令执行如上述第一方面所提供的面向复杂背景干扰的硅藻图像分割方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种面向复杂背景干扰的硅藻图像分割方法,其特征在于,包括:
对待分割图片进行显著性处理,得到显著图;
对所述显著图进行阈值化处理,生成二值化图;
根据所述二值化图,计算得到包含目标物的最小的矩形框;
将包含所述矩形框的所述待分割图片通过迭代能量最小化分割算法进行分割,直到Gibbs能量项收敛,得到分割出来的硅藻图像。
2.根据权利要求1所述的面向复杂背景干扰的硅藻图像分割方法,其特征在于,所述对待分割图片进行显著性处理具体为:使用GBVS算法对待分割图片进行显著性处理。
3.根据权利要求2所述的面向复杂背景干扰的硅藻图像分割方法,其特征在于,所述GBVS算法具体为:
对待分割图片进行特征提取,生成特征图;
构建所述特征图的马尔科夫链,通过所述马尔科夫链的平衡分布得到相应的激活图;
对所述激活图进行线性融合,生成显著图。
4.根据权利要求1所述的面向复杂背景干扰的硅藻图像分割方法,其特征在于,所述对待分割图片进行显著性处理,得到显著图之前,还包括:
获取包含待提取硅藻图像的待分割图片。
5.根据权利要求1所述的面向复杂背景干扰的硅藻图像分割方法,其特征在于,所述根据所述二值化图,计算得到包含目标物的最小的矩形框之后,还包括:
将包含所述矩形框的待分割图片发送至用户,并获取调节后的矩形框。
6.一种面向复杂背景干扰的硅藻图像分割装置,其特征在于,包括:
显著性处理模块,用于对待分割图片进行显著性处理,得到显著图;
阈值化处理模块,用于对所述显著图进行阈值化处理,生成二值化图;
矩形框生成模块,用于根据所述二值化图,计算得到包含目标物的最小的矩形框;
分割模块,用于将包含所述矩形框的所述待分割图片通过迭代能量最小化分割算法进行分割,直到Gibbs能量项收敛,得到分割出来的硅藻图像。
7.根据权利要求6所述的面向复杂背景干扰的硅藻图像分割装置,其特征在于,所述对待分割图片进行显著性处理具体为:使用GBVS算法对待分割图片进行显著性处理。
8.根据权利要求6所述的面向复杂背景干扰的硅藻图像分割装置,其特征在于,还包括:
获取模块,用于获取包含待提取硅藻图像的待分割图片。
9.根据权利要求6所述的面向复杂背景干扰的硅藻图像分割装置,其特征在于,还包括:
调节模块,用于将包含所述矩形框的待分割图片发送至用户,并获取调节后的矩形框。
10.一种面向复杂背景干扰的硅藻图像分割设备,其特征在于,包括存储器和处理器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-5任一项所述的面向复杂背景干扰的硅藻图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910487288.2A CN110211135A (zh) | 2019-06-05 | 2019-06-05 | 一种面向复杂背景干扰的硅藻图像分割方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910487288.2A CN110211135A (zh) | 2019-06-05 | 2019-06-05 | 一种面向复杂背景干扰的硅藻图像分割方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110211135A true CN110211135A (zh) | 2019-09-06 |
Family
ID=67791116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910487288.2A Pending CN110211135A (zh) | 2019-06-05 | 2019-06-05 | 一种面向复杂背景干扰的硅藻图像分割方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110211135A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969605A (zh) * | 2019-11-28 | 2020-04-07 | 华中科技大学 | 一种基于空时显著图的运动小目标检测方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011244053A (ja) * | 2010-05-14 | 2011-12-01 | Nikon Corp | 画像処理装置、撮像装置、及び画像処理プログラム |
CN103735253A (zh) * | 2014-01-17 | 2014-04-23 | 厦门强本科技有限公司 | 一种基于移动终端的中医舌象分析系统及方法 |
CN107680106A (zh) * | 2017-10-13 | 2018-02-09 | 南京航空航天大学 | 一种基于Faster R‑CNN的显著性目标检测方法 |
CN108537239A (zh) * | 2018-04-18 | 2018-09-14 | 西南科技大学 | 一种图像显著性目标检测的方法 |
CN108961268A (zh) * | 2018-06-19 | 2018-12-07 | 广东工业大学 | 一种显著图计算方法及相关装置 |
-
2019
- 2019-06-05 CN CN201910487288.2A patent/CN110211135A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011244053A (ja) * | 2010-05-14 | 2011-12-01 | Nikon Corp | 画像処理装置、撮像装置、及び画像処理プログラム |
CN103735253A (zh) * | 2014-01-17 | 2014-04-23 | 厦门强本科技有限公司 | 一种基于移动终端的中医舌象分析系统及方法 |
CN107680106A (zh) * | 2017-10-13 | 2018-02-09 | 南京航空航天大学 | 一种基于Faster R‑CNN的显著性目标检测方法 |
CN108537239A (zh) * | 2018-04-18 | 2018-09-14 | 西南科技大学 | 一种图像显著性目标检测的方法 |
CN108961268A (zh) * | 2018-06-19 | 2018-12-07 | 广东工业大学 | 一种显著图计算方法及相关装置 |
Non-Patent Citations (2)
Title |
---|
HAREL, J. , C. KOCH , AND P. PERONA: "Graph-Based Visual Saliency", CONFERENCE ON ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS MIT PRESS * |
陈曦1,范敏1,熊庆宇2: "《基于马尔科夫链的显著性区域检测算法研究》", 《计算机工程与应用》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969605A (zh) * | 2019-11-28 | 2020-04-07 | 华中科技大学 | 一种基于空时显著图的运动小目标检测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428428B (zh) | 一种图像语义分割方法、电子设备和可读存储介质 | |
CN109961049B (zh) | 一种复杂场景下香烟品牌识别方法 | |
CN108765371B (zh) | 一种病理切片中非常规细胞的分割方法 | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
CN108573276A (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
Grady et al. | Fast approximate random walker segmentation using eigenvector precomputation | |
CN110197206B (zh) | 图像处理的方法及装置 | |
CN111353385B (zh) | 一种基于掩膜对齐与注意力机制的行人再识别方法和装置 | |
CN110796038A (zh) | 结合快速区域生长超像素分割的高光谱遥感图像分类方法 | |
US20110075926A1 (en) | Systems and methods for refinement of segmentation using spray-paint markup | |
CN109635811A (zh) | 空间植物的图像分析方法 | |
CN113420827A (zh) | 语义分割网络训练和图像语义分割方法、装置及设备 | |
WO2024016812A1 (zh) | 显微图像的处理方法、装置、计算机设备及存储介质 | |
CN110473212B (zh) | 一种融合显著性和超像素的电镜硅藻图像分割方法及装置 | |
CN117058546A (zh) | 全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法 | |
Ghaffar | Facial emotions recognition using convolutional neural net | |
CN111275732A (zh) | 一种基于深度卷积神经网络的前景对象图像分割方法 | |
CN110211135A (zh) | 一种面向复杂背景干扰的硅藻图像分割方法、装置及设备 | |
EP3018626B1 (en) | Apparatus and method for image segmentation | |
Hanbury | How do superpixels affect image segmentation? | |
CN114862716B (zh) | 人脸图像的图像增强方法、装置、设备及存储介质 | |
Saranya et al. | An approach towards ear feature extraction for human identification | |
Prasad et al. | Unsupervised resolution independent based natural plant leaf disease segmentation approach for mobile devices | |
Huart et al. | Similarity-based and perception-based image segmentation | |
da Silva et al. | Satellite image segmentation using wavelet transforms based on color and texture features |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190906 |