CN110232690A - 一种图像分割的方法、系统、设备及计算机可读存储介质 - Google Patents
一种图像分割的方法、系统、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110232690A CN110232690A CN201910487264.7A CN201910487264A CN110232690A CN 110232690 A CN110232690 A CN 110232690A CN 201910487264 A CN201910487264 A CN 201910487264A CN 110232690 A CN110232690 A CN 110232690A
- Authority
- CN
- China
- Prior art keywords
- sample
- image
- image segmentation
- pair
- pixel points
- 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.)
- Granted
Links
- 238000003709 image segmentation Methods 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 239000003086 colorant Substances 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000013480 data collection Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001052 transient effect Effects 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
-
- 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
- G06T2207/20081—Training; Learning
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
本申请公开了一种图像分割的方法,包括:利用成对约束集训练预设图像分割模型;依据预设规则对图像样本数据集中的各对样本像素点赋予权重,得到权重系数矩阵;根据权重系数矩阵计算预设图像分割模型的交叉熵,并根据交叉熵确定最优图像分割模型;利用最优图像分割模型对图像样本数据集进行处理,得到图像分割结果。本申请使得得到的最优图像分割模型充分的利用了成对约束交叉熵学习机制,提高了图像聚类效果,改善边界信息丢失的问题;同时,利用交叉熵工具测度成对约束集对象内部信息和对象间的差异信息,从而实现成对约束信息的有效利用。本申请同时还提供了一种图像分割的系统、设备及计算机可读存储介质,具有上述有益效果。
Description
技术领域
本申请涉及图像分割领域,特别涉及一种图像分割的方法、系统、设备 及计算机可读存储介质。
背景技术
图像分割技术是将图像中具有相同特征的部分划分为互不重叠的区域, 是图像识别和计算机领域至关重要的预处理,广泛应用在通信、目标识别和 医学成像等领域。图像分割的方法大致可以分为基于边缘检测的方法和基于 区域生成的方法两大类,由于在成像过程中受到各种因素的影响,导致图像 出现局部边缘模糊,低噪声、区域灰度不均匀的问题,这都给图像中目标的 精确切割带来了极大的挑战。
现有技术缺乏成对约束信息的有效测度,学习算法也停留在各类信息平 衡参数或权重参数的选择上,没有形成基于成对约束指导信息的有效学习机 制,导致图像分割的精度不高。
因此,如何提高图像分割的精度是本领域技术人员目前需要解决的技术 问题。
发明内容
本申请的目的是提供一种图像分割的方法、系统、设备及计算机可读存 储介质,用于提高图像分割的精度。
为解决上述技术问题,本申请提供一种图像分割的方法,该方法包括:
对获取的图像数据进行预处理得到图像样本数据集;
根据所述图像样本数据集标定对应的成对约束集;
利用所述成对约束集训练预设图像分割模型;
依据预设规则对所述图像样本数据集中的各对样本像素点赋予权重,得 到权重系数矩阵;
根据所述权重系数矩阵计算所述预设图像分割模型的交叉熵,并根据所 述交叉熵确定最优图像分割模型;
利用所述最优图像分割模型对所述图像样本数据集进行处理,得到图像 分割结果。
可选的,根据所述图像样本数据集标定对应的成对约束集,包括:
确定所述图像样本数据集中图像样本像素点的类簇;
在所述图像样本数据集中的图片上选取多组样本对;其中,所述样本对 为一对在所述图片上随机选择的两个样本像素点;
依次对所述各组样本对进行标定,进而得到所述成对约束集;
其中,所述样本对的标定过程包括:
若所述样本对中的两个样本像素点颜色相同,则标定为同一类簇;
若所述样本对中的两个样本像素点颜色不同,则标定为不同类簇。
可选的,所述依据预设规则对所述图像样本数据集中的各对样本像素点 赋予权重,得到权重系数矩阵,包括:
对所述同一类簇的样本对赋予第一交叉熵权重;
对所述不同类簇的样本对赋予第二交叉熵权重;
对所述两个样本像素点相同的样本对赋予信息熵权重;
对不属于所述样本对的样本像素点赋予权重0。
可选的,利用所述成对约束集训练预设图像分割模型,包括:
利用FCM学习算法学习所述成对约束集中各所述类簇的中心;
根据各所述类簇的中心利用学习算法函数调整所述预设图像分割模型中 核函数的核参数及核权重。
可选的,根据所述权重系数矩阵计算所述预设图像分割模型的交叉熵, 并根据所述交叉熵确定最优图像分割模型,包括:
根据公式计算所述预设 图像分割模型的隶属度;
确定所述交叉熵最小时的预设图像分割模型作为所述最优图像分割模 型;
其中,JPC_MKCCE为所述预设图像分割模型的目标函数,xj为样本像素点, c为样本像素点的总数,vi为第i个类簇的中心,n为类簇的总数,m为模糊 系数,uij表示样本xj属于vi类簇的隶属度,K(xj,vi)为高斯混合核函数,Γjk表 示一对样本像素点xj和xk组合的权重,H(xj,xk)为样本像素点xj对样本像素点 xk的样本交叉熵。
本申请还提供一种图像分割的系统,该系统包括:
获取模块,用于对获取的图像数据进行预处理得到图像样本数据集;
标定模块,用于根据所述图像样本数据集标定对应的成对约束集;
训练模块,用于利用所述成对约束集训练预设图像分割模型;
权重赋值模块,用于依据预设规则对所述图像样本数据集中的各对样本 像素点赋予权重,得到权重系数矩阵;
计算模块,用于根据所述权重系数矩阵计算所述预设图像分割模型的交 叉熵,并根据所述交叉熵确定最优图像分割模型;
图像分割模块,用于利用所述最优图像分割模型对所述图像样本数据集 进行处理,得到图像分割结果。
可选的,所述标定模块包括:
第一确定子模块,用于确定所述图像样本数据集中图像样本像素点的类 簇;
选取子模块,用于在所述图像样本数据集中的图片上选取多组样本对; 其中,所述样本对为一对在所述图片上随机选择的两个样本像素点;
标定子模块,用于依次对所述各组样本对进行标定,进而得到所述成对 约束集;
其中,所述样本对的标定过程包括:
若所述样本对中的两个样本像素点颜色相同,则标定为同一类簇;
若所述样本对中的两个样本像素点颜色不同,则标定为不同类簇。
可选的,所述训练模型包括:
学习子模块,用于利用FCM学习算法学习所述成对约束集中各所述类簇 的中心;
调整子模块,用于根据各所述类簇的中心利用学习算法函数调整所述预 设图像分割模型中核函数的核参数及核权重。
本申请还提供一种图像分割设备,该图像分割设备包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述任一项所述图像分割的 方法的步骤。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存 储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述图 像分割的方法的步骤。
本申请所提供图像分割的方法,包括:对获取的图像数据进行预处理得 到图像样本数据集;根据图像样本数据集标定对应的成对约束集;利用成对 约束集训练预设图像分割模型;依据预设规则对图像样本数据集中的各对样 本像素点赋予权重,得到权重系数矩阵;根据权重系数矩阵计算预设图像分 割模型的交叉熵,并根据交叉熵确定最优图像分割模型;利用最优图像分割 模型对图像样本数据集进行处理,得到图像分割结果。
本申请所提供的技术方案,通过依据预设规则对图像样本数据集中的各 对样本像素点赋予权重,得到权重系数矩阵,然后根据权重系数矩阵计算预 设图像分割模型的交叉熵,并根据交叉熵确定最优图像分割模型,使得得到 的最优图像分割模型充分的利用了成对约束交叉熵学习机制,提高了图像聚 类效果,改善边界信息丢失的问题;同时,利用交叉熵工具测度成对约束集 对象内部信息和对象间的差异信息,从而实现成对约束信息的有效利用。本 申请同时还提供了一种图像分割的系统、设备及计算机可读存储介质,具有上述有益效果,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实 施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面 描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不 付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种图像分割的方法的流程图;
图2为为图1所提供的一种图像分割的方法中S103的一种实际表现方式的 流程图;
图3为图1所提供的一种图像分割的方法中S102的一种实际表现方式的流 程图;
图4为本申请实施例所提供的一种成对约束标定的示意图;
图5为图1所提供的一种图像分割的方法中S104的一种实际表现方式的流 程图;
图6为本申请实施例所提供的一种图像分割的系统的结构图;
图7为本申请实施例所提供的另一种图像分割的系统的结构图;
图8为本申请实施例所提供的一种图像分割设备的结构图。
具体实施方式
本申请的核心是提供一种图像分割的方法、系统、设备及计算机可读存 储介质,用于提高图像分割的精度。
为使本申请实施例的目的、技术方案和优点更加清楚,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。
请参考图1,图1为本申请实施例所提供的一种图像分割的方法的流程图。
其具体包括如下步骤:
S101:对获取的图像数据进行预处理得到图像样本数据集;
基于现有技术中,缺乏成对约束信息的有效测度,学习算法也停留在各 类信息平衡参数或权重参数的选择上,没有形成基于成对约束指导信息的有 效学习机制,导致图像分割的精度不高,本申请通过利用成对约束交叉熵学 习机制,提高图像分割的精度。
可选的,这里提到的对获取的图像数据进行预处理得到图像样本数据集, 其具体可以为对图像数据进行读取,得到包含有每个样本像素点灰度值等信 息的图像样本数据集;
可选的,该图像数据的获取方式可以为用户将采集的图像输入至系统中, 也可以为系统连接到云平台指定位置中进行下载,还可以为系统通过网络进 入指定网站进行下载,本申请对图像的获取方式不做具体限定。
S102:根据图像样本数据集标定对应的成对约束集;
这里提到的,标定成对约束集的目的在于,利用成对约束集确定预设模 型的参数,同时利用交叉熵工具测度成对约束集对象内部信息和对象间的差 异信息,从而实现成对约束信息的有效利用。
S103:利用成对约束集训练预设图像分割模型;
可选的,这里提到的利用成对约束集训练预设图像分割模型,其具体可 以为如图2所示的步骤,下面结合图2进行说明;
请参考图2,图2为为图1所提供的一种图像分割的方法中S103的一种实际 表现方式的流程图,其具体包括如下步骤:
S201:利用FCM学习算法学习成对约束集中各类簇的中心;
可选的,其具体可以为:
根据公式学习成对约束集中各类簇的中心;
其中,vi为每个类的中心,c为样本像素点的总数,2R为标定的约束集中 样本像素点个数,uik表示为xk属于第i类簇的隶属度。
S202:根据各类簇的中心利用学习算法函数调整预设图像分割模型中核 函数的核参数及核权重;
可选的,其具体可以为:
利用公式调整核函数的的 形状参数σ1,σ2,σ3,...,σL和核权重α1,α2,α3,...,αL;
其中,和分别为聚类中心vi和vh的中值,K(xk,xj)为混合核函数,该 混合核函数的公式为:
其中,L表示子核函数的个数。
S104:依据预设规则对图像样本数据集中的各对样本像素点赋予权重, 得到权重系数矩阵;
可选的,该预设规则可以为用户根据图像样本像素点的重要度设定的规 则,对各对样本像素点赋予权重,得到权重系数矩阵。
S105:根据权重系数矩阵计算预设图像分割模型的交叉熵,并根据交叉 熵确定最优图像分割模型;
可选的,这里提到的根据权重系数矩阵计算预设图像分割模型的交叉熵, 并根据交叉熵确定最优图像分割模型,其具体可以为:
根据公式计算预设图像 分割模型的隶属度;
确定交叉熵最小时的预设图像分割模型作为最优图像分割模型;
其中,JPC_MKCCE为预设图像分割模型的目标函数,xj为样本像素点,c为 样本像素点的总数,vi为第i个类簇的中心,n为类簇的总数,m为模糊系数, uij表示样本xj属于vi类簇的隶属度,K(xj,vi)为高斯混合核函数,Γjk表示一对 样本像素点xj和xk组合的权重,H(xj,xk)为样本像素点xj对样本像素点xk的样 本交叉熵;
本申请实施例利用交叉熵工具测度成对约束集对象内部信息和对象间的 差异信息,从而实现成对约束信息的有效利用,使得得到的最优图像分割模 型充分的利用了成对约束交叉熵学习机制,提高了图像聚类效果,改善边界 信息丢失的问题。
S106:利用最优图像分割模型对图像样本数据集进行处理,得到图像分 割结果。
基于上述技术方案,本申请所提供的一种图像分割的方法,通过依据预 设规则对图像样本数据集中的各对样本像素点赋予权重,得到权重系数矩阵, 然后根据权重系数矩阵计算预设图像分割模型的交叉熵,并根据交叉熵确定 最优图像分割模型,使得得到的最优图像分割模型充分的利用了成对约束交 叉熵学习机制,提高了图像聚类效果,改善边界信息丢失的问题;同时,利 用交叉熵工具测度成对约束集对象内部信息和对象间的差异信息,从而实现 成对约束信息的有效利用。
针对于上一实施例的步骤S102,其中所描述的根据图像样本数据集标定 对应的成对约束集,其具体也可以为如图3所示的步骤,下面结合图3进行说 明。
请参考图3,图3为图1所提供的一种图像分割的方法中S102的一种实际表 现方式的流程图。
其具体包括以下步骤:
S301:确定图像样本数据集中图像样本像素点的类簇;
例如,可以根据颜色信息差异,通过人工判断来确定图像样本像素点的 类簇。
S302:在图像样本数据集中的图片上选取多组样本对;
这里提到的样本对为一对在图片上随机选择的两个样本像素点;
S303:依次对各组样本对进行标定,进而得到成对约束集;
其中,样本对的标定过程包括:
若样本对中的两个样本像素点颜色相同,则标定为同一类簇;
若样本对中的两个样本像素点颜色不同,则标定为不同类簇。
例如,请参考图4,图4为本申请实施例所提供的一种成对约束标定的示 意图,如图4所示,在进行成对约束标定时,先随机选取图片上的点,若选 取的点为X1和X2,则视为属于同一类簇,标记为(X1,X2)∈ML,若选取的点 为X1和X3,则视为属于不同类簇,标记为(X1,X3)∈CL,由此得到成对约束 标定集。
针对于上述实施例中的步骤S104,当预设规则为用户根据图像样本像素 点的类簇设定的规则时,其中所描述的依据预设规则对图像样本数据集中的 各对样本像素点赋予权重,得到权重系数矩阵,其具体也可以为如图5所示的 步骤,下面结合图5进行说明。
请参考图5,图5为图1所提供的一种图像分割的方法中S104的一种实际表 现方式的流程图。
其具体包括以下步骤:
S501:对同一类簇的样本对赋予第一交叉熵权重;
S502:对不同类簇的样本对赋予第二交叉熵权重;
S503:对两个样本像素点相同的样本对赋予信息熵权重;
S504:对不属于样本对的样本像素点赋予权重0。
例如,根据该预设规则,便可对已标定的xj,xk且(xj,xk)∈ML,赋予权重 -γjk;已标定的xj,xk且(xj,xk)∈CL赋予权重γjk;对样本像素点xj,xk且j=k赋予 权重γjj;其余的赋予权重0;
交叉熵权重γjk与信息熵权重γjj的数值是由网格搜索方法选出的,选出的 γjk、γjj组合由聚类准确率决定其是否是最优值。γjk数值约在0.01,γjj数值约 在0.80。
其中,Γjk表示一对样本像素点xj和xk组合的权重,n表示图像样本数据集 中样本像素点数,γjk≥0,γjj>0,1≤j,k≤n。
请参考图6,图6为本申请实施例所提供的一种图像分割的系统的结构图。
该系统可以包括:
获取模块100,用于对获取的图像数据进行预处理得到图像样本数据集;
标定模块200,用于根据图像样本数据集标定对应的成对约束集;
训练模块300,用于利用成对约束集训练预设图像分割模型;
权重赋值模块400,用于依据预设规则对图像样本数据集中的各对样本像 素点赋予权重,得到权重系数矩阵;
计算模块500,用于根据权重系数矩阵计算预设图像分割模型的交叉熵, 并根据交叉熵确定最优图像分割模型;
图像分割模块600,用于利用最优图像分割模型对图像样本数据集进行处 理,得到图像分割结果。
请参考图7,图7为本申请实施例所提供的另一种图像分割的系统的结构 图。
该标定模块200可以包括:
第一确定子模块,用于确定图像样本数据集中图像样本像素点的类簇;
选取子模块,用于在图像样本数据集中的图片上选取多组样本对;其中, 样本对为一对在图片上随机选择的两个样本像素点;
标定子模块,用于依次对各组样本对进行标定,进而得到成对约束集;
其中,样本对的标定过程包括:
若样本对中的两个样本像素点颜色相同,则标定为同一类簇;
若样本对中的两个样本像素点颜色不同,则标定为不同类簇。
该训练模型300可以包括:
学习子模块,用于利用FCM学习算法学习成对约束集中各类簇的中心;
调整子模块,用于根据各类簇的中心利用学习算法函数调整预设图像分 割模型中核函数的核参数及核权重。
该权重赋值模块400可以包括:
第一赋值子模块,用于对同一类簇的样本对赋予第一交叉熵权重;
第二赋值子模块,用于对不同类簇的样本对赋予第二交叉熵权重;
第三赋值子模块,用于对两个样本像素点相同的样本对赋予信息熵权重;
第四赋值子模块,用于对不属于样本对的样本像素点赋予权重0。
该计算模块500可以包括:
计算子模块,用于根据公式
计算预设图像分割模型 的隶属度;
第二确定子模块,用于确定交叉熵最小时的预设图像分割模型作为最优 图像分割模型;
其中,JPC_MKCCE为预设图像分割模型的目标函数,xj为样本像素点,c为 样本像素点的总数,vi为第i个类簇的中心,n为类簇的总数,m为模糊系数, uij表示样本xj属于vi类簇的隶属度,K(xj,vi)为高斯混合核函数,Γjk表示一对 样本像素点xj和xk组合的权重,H(xj,xk)为样本像素点xj对样本像素点xk的样 本交叉熵。
由于系统部分的实施例与方法部分的实施例相互对应,因此系统部分的 实施例请参见方法部分的实施例的描述,这里暂不赘述。
请参考图8,图8为本申请实施例所提供的一种图像分割设备的结构图。
该图像分割设备700可因配置或性能不同而产生比较大的差异,可以包括 一个或一个以上处理器(central processing units,CPU)722(例如,一个或一 个以上处理器)和存储器732,一个或一个以上存储应用程序742或数据744的 存储介质730(例如一个或一个以上海量存储设备)。其中,存储器732和存 储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括 一个或一个以上模块(图示没标出),每个模块可以包括对装置中的一系列 指令操作。更进一步地,中央处理器722可以设置为与存储介质730通信,在图像分割设备700上执行存储介质730中的一系列指令操作。
图像分割设备700还可以包括一个或一个以上电源727,一个或一个以上 有线或无线网络接口750,一个或一个以上输入输出接口758,和/或,一个或 一个以上操作系统741,例如Windows ServerTM,Mac OS XTM,UnixTM, LinuxTM,FreeBSDTM等等。
上述图1至图5所描述的图像分割的方法中的步骤由图像分割设备基于该 图8所示的结构实现。
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。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置、设备和 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,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。
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。
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,功能 调用装置,或者网络设备等)执行本申请各个实施例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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光 盘等各种可以存储程序代码的介质。
以上对本申请所提供的一种图像分割的方法、系统、设备及计算机可读 存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方 式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心 思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原 理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入 本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅 仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或 者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语 “包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括 一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没 有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所 固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素, 并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种图像分割的方法,其特征在于,包括:
对获取的图像数据进行预处理得到图像样本数据集;
根据所述图像样本数据集标定对应的成对约束集;
利用所述成对约束集训练预设图像分割模型;
依据预设规则对所述图像样本数据集中的各对样本像素点赋予权重,得到权重系数矩阵;
根据所述权重系数矩阵计算所述预设图像分割模型的交叉熵,并根据所述交叉熵确定最优图像分割模型;
利用所述最优图像分割模型对所述图像样本数据集进行处理,得到图像分割结果。
2.根据权利要求1所述的方法,其特征在于,根据所述图像样本数据集标定对应的成对约束集,包括:
确定所述图像样本数据集中图像样本像素点的类簇;
在所述图像样本数据集中的图片上选取多组样本对;其中,所述样本对为一对在所述图片上随机选择的两个样本像素点;
依次对所述各组样本对进行标定,进而得到所述成对约束集;
其中,所述样本对的标定过程包括:
若所述样本对中的两个样本像素点颜色相同,则标定为同一类簇;
若所述样本对中的两个样本像素点颜色不同,则标定为不同类簇。
3.根据权利要求2所述的方法,其特征在于,所述依据预设规则对所述图像样本数据集中的各对样本像素点赋予权重,得到权重系数矩阵,包括:
对所述同一类簇的样本对赋予第一交叉熵权重;
对所述不同类簇的样本对赋予第二交叉熵权重;
对所述两个样本像素点相同的样本对赋予信息熵权重;
对不属于所述样本对的样本像素点赋予权重0。
4.根据权利要求1所述的方法,其特征在于,利用所述成对约束集训练预设图像分割模型,包括:
利用FCM学习算法学习所述成对约束集中各所述类簇的中心;
根据各所述类簇的中心利用学习算法函数调整所述预设图像分割模型中核函数的核参数及核权重。
5.根据权利要求1所述的方法,其特征在于,根据所述权重系数矩阵计算所述预设图像分割模型的交叉熵,并根据所述交叉熵确定最优图像分割模型,包括:
根据公式计算所述预设图像分割模型的隶属度;
确定所述交叉熵最小时的预设图像分割模型作为所述最优图像分割模型;
其中,JPC_MKCCE为所述预设图像分割模型的目标函数,xj为样本像素点,c为样本像素点的总数,vi为第i个类簇的中心,n为类簇的总数,m为模糊系数,uij表示样本xj属于vi类簇的隶属度,K(xj,vi)为高斯混合核函数,Γjk表示一对样本像素点xj和xk组合的权重,H(xj,xk)为样本像素点xj对样本像素点xk的样本交叉熵。
6.一种图像分割的系统,其特征在于,包括:
获取模块,用于对获取的图像数据进行预处理得到图像样本数据集;
标定模块,用于根据所述图像样本数据集标定对应的成对约束集;
训练模块,用于利用所述成对约束集训练预设图像分割模型;
权重赋值模块,用于依据预设规则对所述图像样本数据集中的各对样本像素点赋予权重,得到权重系数矩阵;
计算模块,用于根据所述权重系数矩阵计算所述预设图像分割模型的交叉熵,并根据所述交叉熵确定最优图像分割模型;
图像分割模块,用于利用所述最优图像分割模型对所述图像样本数据集进行处理,得到图像分割结果。
7.根据权利要求6所述的系统,其特征在于,所述标定模块包括:
第一确定子模块,用于确定所述图像样本数据集中图像样本像素点的类簇;
选取子模块,用于在所述图像样本数据集中的图片上选取多组样本对;其中,所述样本对为一对在所述图片上随机选择的两个样本像素点;
标定子模块,用于依次对所述各组样本对进行标定,进而得到所述成对约束集;
其中,所述样本对的标定过程包括:
若所述样本对中的两个样本像素点颜色相同,则标定为同一类簇;
若所述样本对中的两个样本像素点颜色不同,则标定为不同类簇。
8.根据权利要求6所述的系统,其特征在于,所述训练模型包括:
学习子模块,用于利用FCM学习算法学习所述成对约束集中各所述类簇的中心;
调整子模块,用于根据各所述类簇的中心利用学习算法函数调整所述预设图像分割模型中核函数的核参数及核权重。
9.一种图像分割设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至5任一项所述图像分割的方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述图像分割的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910487264.7A CN110232690B (zh) | 2019-06-05 | 2019-06-05 | 一种图像分割的方法、系统、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910487264.7A CN110232690B (zh) | 2019-06-05 | 2019-06-05 | 一种图像分割的方法、系统、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110232690A true CN110232690A (zh) | 2019-09-13 |
CN110232690B CN110232690B (zh) | 2023-03-17 |
Family
ID=67858517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910487264.7A Active CN110232690B (zh) | 2019-06-05 | 2019-06-05 | 一种图像分割的方法、系统、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110232690B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599492A (zh) * | 2019-09-19 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 图像分割模型的训练方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663757A (zh) * | 2012-04-20 | 2012-09-12 | 西安电子科技大学 | 基于核传递的半自动图像分割方法 |
US20160321522A1 (en) * | 2015-04-30 | 2016-11-03 | Canon Kabushiki Kaisha | Devices, systems, and methods for pairwise multi-task feature learning |
WO2017092431A1 (zh) * | 2015-12-01 | 2017-06-08 | 乐视控股(北京)有限公司 | 基于肤色的人手检测方法及装置 |
CN106846326A (zh) * | 2017-01-17 | 2017-06-13 | 合肥工业大学 | 基于多核局部信息fcm算法的图像分割方法 |
CN107563445A (zh) * | 2017-09-06 | 2018-01-09 | 苏州大学 | 一种基于半监督学习的提取图像特征的方法与装置 |
CN108764281A (zh) * | 2018-04-18 | 2018-11-06 | 华南理工大学 | 一种基于半监督自步学习跨任务深度网络的图像分类方法 |
CN109086805A (zh) * | 2018-07-12 | 2018-12-25 | 华南理工大学 | 一种基于深度神经网络和成对约束的聚类方法 |
-
2019
- 2019-06-05 CN CN201910487264.7A patent/CN110232690B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663757A (zh) * | 2012-04-20 | 2012-09-12 | 西安电子科技大学 | 基于核传递的半自动图像分割方法 |
US20160321522A1 (en) * | 2015-04-30 | 2016-11-03 | Canon Kabushiki Kaisha | Devices, systems, and methods for pairwise multi-task feature learning |
WO2017092431A1 (zh) * | 2015-12-01 | 2017-06-08 | 乐视控股(北京)有限公司 | 基于肤色的人手检测方法及装置 |
CN106846326A (zh) * | 2017-01-17 | 2017-06-13 | 合肥工业大学 | 基于多核局部信息fcm算法的图像分割方法 |
CN107563445A (zh) * | 2017-09-06 | 2018-01-09 | 苏州大学 | 一种基于半监督学习的提取图像特征的方法与装置 |
CN108764281A (zh) * | 2018-04-18 | 2018-11-06 | 华南理工大学 | 一种基于半监督自步学习跨任务深度网络的图像分类方法 |
CN109086805A (zh) * | 2018-07-12 | 2018-12-25 | 华南理工大学 | 一种基于深度神经网络和成对约束的聚类方法 |
Non-Patent Citations (2)
Title |
---|
吴术路等: "基于成对约束的混合核函数KFCM图像分割算法", 《微电子学与计算机》 * |
徐圣兵等: "基于成对约束的交叉熵半监督聚类算法", 《模式识别与人工智能》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599492A (zh) * | 2019-09-19 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 图像分割模型的训练方法、装置、电子设备及存储介质 |
CN110599492B (zh) * | 2019-09-19 | 2024-02-06 | 腾讯科技(深圳)有限公司 | 图像分割模型的训练方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110232690B (zh) | 2023-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2020537204A (ja) | ディープニューラルネットワークの正規化方法および装置、機器、ならびに記憶媒体 | |
CN113344986B (zh) | 点云配准结果的评估方法、装置、设备及存储介质 | |
CN112328715B (zh) | 视觉定位方法及相关模型的训练方法及相关装置、设备 | |
CN111666900B (zh) | 基于多源遥感影像的土地覆盖分类图的获取方法和装置 | |
CN107480621B (zh) | 一种基于人脸图像的年龄识别方法 | |
CN108830289B (zh) | 一种基于改进的模糊c均值聚类的图像聚类方法及装置 | |
CN110189341B (zh) | 一种图像分割模型训练的方法、图像分割的方法及装置 | |
CN110188825B (zh) | 基于离散多视图聚类的图像聚类方法、系统、设备及介质 | |
WO2022206729A1 (zh) | 视频封面选择方法、装置、计算机设备和存储介质 | |
CN116563096B (zh) | 用于图像配准的形变场的确定方法、装置以及电子设备 | |
WO2021217937A1 (zh) | 姿态识别模型的训练方法及设备、姿态识别方法及其设备 | |
US10846559B2 (en) | Image detection method, system and non-volatile computer readable medium | |
CN111814804A (zh) | 基于ga-bp-mc神经网络的人体三维尺寸信息预测方法及装置 | |
CN112700375A (zh) | 一种光照补偿方法及装置 | |
CN111062428A (zh) | 一种高光谱图像的聚类方法、系统及设备 | |
CN114419378B (zh) | 图像分类的方法、装置、电子设备及介质 | |
CN110232690B (zh) | 一种图像分割的方法、系统、设备及计算机可读存储介质 | |
CN108597589B (zh) | 模型生成方法、目标检测方法及医学成像系统 | |
CN112488178B (zh) | 网络模型的训练方法及装置、图像处理方法及装置、设备 | |
CN107832695A (zh) | 在视网膜图像中基于纹理特征的视盘识别方法及装置 | |
CN110929731B (zh) | 一种基于探路者智能搜索算法的医疗影像处理方法及装置 | |
CN112101185A (zh) | 一种训练皱纹检测模型的方法、电子设备及存储介质 | |
CN109884682B (zh) | 一种晶体位置查找表的生成方法、装置、设备及介质 | |
CN111951316A (zh) | 图像量化方法和存储介质 | |
CN107492101B (zh) | 基于自适应构造最优图的多模态鼻咽肿瘤分割算法 |
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 |