CN110428441B - 一种基于ica重构误差水平集的多图协同分割方法 - Google Patents
一种基于ica重构误差水平集的多图协同分割方法 Download PDFInfo
- Publication number
- CN110428441B CN110428441B CN201910492896.2A CN201910492896A CN110428441B CN 110428441 B CN110428441 B CN 110428441B CN 201910492896 A CN201910492896 A CN 201910492896A CN 110428441 B CN110428441 B CN 110428441B
- Authority
- CN
- China
- Prior art keywords
- image
- level set
- ica
- reconstruction
- features
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理技术领域,公开了一种基于ICA重构误差水平集的多图协同分割方法,使用ICA重构技术分别提取所有图像初始轮廓联合内部区域和当前图像初始轮廓外部区域的独立分量;然后通过独立分量重构当前图像的内部区域和外部区域;分别计算重构图像内外部区域与真实的内外部区域之间重构误差,用欧式距离度量所有图像内部和外部区域的重构误差并构造水平集形式的能量函数;最后采用变分法最小化该能量函数,驱动每幅图像中初始轮廓演化到目标边界不断迭代,直至分割出一组图像的公共前景。本发明ICA的独立成分是服从非高斯分布,图像中底层和高层语义特征也是服从非高斯分布的,使本发明可以在N幅具有相同或相似目标的图像中有效的分割出目标。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种基于ICA(Independent ComponentAnalysis)重构误差水平集的多图协同分割方法。
背景技术
在图像分割技术领域,基于主动轮廓的方法非常热门,其中,几何型主动轮廓方法将低维曲线嵌入到更高一维曲面中,具有灵活处理目标拓扑变换的优点,应用广泛。而在图像协同分割领域,基于水平集的方法还没有得到广泛重视,因此本发明基于水平集方法设计了一个能够充分利用图像间前景相似这一特性的协同分割模型,模型融合了底层特征和高层语义特征的有效信息,能够处理前景相似,背景复杂情况下进行协同分割的需求。
目前,业内常用的图像协同分割方法有:
⑴基于主动轮廓的图像协同分割;
主动轮廓模型是指在图像目标区域初始化一条闭合曲线,通过曲线描述分割区域的边界,同时曲线根据分割区域的能量函数进行演化,当曲线与对象区域的轮廓重合时能量有最小值。因此基于主动轮廓模型的图像分割关键在于能量函数的构建。该方法在驱动曲线演化时主要使用了传统的底层特征,例如颜色、纹理等,在描述复杂图像时缺少高层语义特征,难以消除背景的影响,无法对背景相对复杂的图片进行有效协同分割。
⑵基于深度学习的图像协同分割;
深度学习是近年来计算机视觉研究的热点,研究学者们通过深度学习提取图像更为抽象的特征。目前主流的深度学习分割算法都是从FCN(Fully Convolutional Network)全卷积神经网络发展而来的。FCN通过将CNN中后几层的卷积层转换为全卷积层,实现了对特征图像素级别的预测。由于该方法需要解决模型过拟合的问题,提高泛化能力,因此需要大量的训练样本,并且由于该模型只用了深度神经网络抽象出的高级图像特征,对图像低级边缘信息运用较少,导致它对细小边缘的分割定位准确度有所欠缺,分割结果对于边缘的刻画不够精确。
综上所述,现有技术存在的问题是:如何用有效的形式来表征单张图像的底层与高层特征并且如何利用该形式融合多张图像的全局特性是很重要的一点。
解决上述技术问题的难度:提出一个有效的协同分割模型,并结合图像的底层特征,高层特征对图像进行表示,并且用该形式对待分割图片中所有相同或相似目标进行表征。
解决上述技术问题的意义:提出上述模型后,该模型具有同时描述图像底层与高层特征的能力,能够精确刻画分割目标边缘,并且无需训练样本。
发明内容
针对现有技术存在的问题,本发明提供了一种基于ICA重构误差水平集的多图协同分割方法。
本发明是这样实现的,一种基于ICA重构误差水平集的多图协同分割方法,所述基于ICA重构误差水平集的多图协同分割方法使用ICA重构技术分别提取所有图像初始轮廓联合内部区域和当前图像初始轮廓外部区域的独立分量,然后通过独立分量重构当前图像的内部区域和外部区域;分别计算重构图像内外部区域与真实的内外部区域之间重构误差,用水平集方法累加所有图像内部和外部区域的重构误差得到能量函数;最后最小化该能量函数,同时驱动每幅图像中曲线演化到目标的边界,不断迭代,直至分割出一组图像的公共前景。
进一步,所述基于ICA重构误差水平集的多图协同分割方法包括以下步骤:
步骤一,输入n幅大小为M×N的待分割图像I;
步骤三,人工或者自动地同时初始化n幅图像的演化曲线,并用水平集函数分别表示为φ0,…,φn;
步骤四,每个演化曲线分别将图像分割为内部区域RF和外部区域RB,将n幅图像联合内部区域展开成矩阵/>其中m表示每幅图像内部区域像素点数,WF是一个n×m×15的矩阵;将单幅图像的外部区域RB展开成矩阵WB=[x1,…,xv],n表示外部区域像素点数,WB是一个v×15的矩阵;
步骤五,采用快速ICA算法对WF和WB进行ICA分解,分别得到独立分量SF和SB;
步骤六,根据基向量SF,重构出RF中的每个像素;同理,根据基向量SB,重构出RB中的每个像素;
累加每个像素的重构误差,构造数据驱动能量项:其中,φq为图像q的水平集函数,φq<0表示外部区域,φq>0表示内部区域,H(·)为Heaviside函数。公式第一项表示曲线的内部能量项,即曲线长度项;公式第二项表示所有图像的内部区域像素的重构误差的累加和,称为协同分割能量项;公式第三项表示图像q的外部区域像素的重构误差的累加和,称为单图分割能量项。最后两项统称为外部能量项。
步骤八,最小化能量函数,驱动曲线演化,得到分割结果。
进一步,所述步骤二的深度特征计算如下:
深度特征:使用matlab自带的深度学习工具箱deep learning toolbox提取图像的深度特征;
进一步,所述步骤六的重构过程分为两步:
进一步,所述步骤八的最小化能量函数,驱动曲线演化,得到分割结果具体步骤如下:
第一步,能量函数对应的演化方程为:
第二步,水平集函数的更新方程为:
第三步,迭代更新水平集函数φ,直到收敛得到最后的分割结果φ*。
本发明的另一目的在于提供一种应用所述基于ICA重构误差水平集的多图协同分割方法的信息数据处理终端。
综上所述,本发明的优点及积极效果为:本发明创造性的将ICA重构思想应用到基于水平集方法的协同分割中,有效结合了图像底层特征及CNN提取的高层语义特征,能够有效的分割出多幅图像中的相似目标,并且无需训练样本。本发明使用ICA重构技术,假设各样本特征间是相互统计独立的,相对于PCA技术必须假设图像信息满足高斯分布,ICA的独立成分是服从非高斯分布的,图像中提取的底层及高层语义特征信息也是服从非高斯分布的,这使得本发明的方法可以在N幅具有相同或相似目标的图像中有效的分割出目标。
附图说明
图1是本发明实施例提供的基于ICA重构误差水平集的多图协同分割方法流程图。
图2是本发明实施例提供的基于ICA重构误差水平集的多图协同分割方法实现流程图。
图3是本发明与传统主动轮廓方法在协同分割数据库上的分割效果对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术无法克服复杂背景的影响,分割结果对于边缘的刻画不精确的问题。本发明的基于ICA重构误差水平集的多图协同分割方法,将ICA重构思想应用于图像分割。相对于PCA需要潜在地假设图像信息满足高斯分布,ICA技术可以处理大量的非高斯分布的数据,图像中大量底层与高层语义特征信息都服从非高斯分布,因此本发明可以得到较好的实验效果。
下面结合附图对本发明的技术方案作详细的描述。
如图1所示,本发明实施例提供的基于ICA重构误差水平集的多图协同分割方法包括以下步骤:
S101:使用ICA重构技术分别重构多幅图像联合前景以及当前图像背景中的每个特征像素;
S102:然后计算每个像素的重构误差,累加所有像素的重构误差得到能量最小化的能量函数,驱动曲线演化到目标的边界。
下面结合附图对本发明的技术方案作进一步的描述。
如图2所示,本发明实施例提供的基于ICA重构误差水平集的多图协同分割方法包括以下步骤:
步骤一,输入n幅大小为M×N的待分割图像I;
步骤二,对于图像中的每个像素点i,分别提取深度特征以及显著性特征,共15维特征,因而xi是15维的列向量。深度特征主要使用matlab自带的深度学习工具箱deeplearning toolbox进行提取。
步骤三,人工或者自动地同时初始化n幅图像的演化曲线,并用水平集函数分别表示为φ0,…,φn;
步骤四,每个演化曲线分别将图像分割为内部区域RF和外部区域RB,将n幅图像联合内部区域展开成矩阵/>其中m表示每幅图像内部区域像素点数,WF是一个n×m×15的矩阵;将单幅图像的外部区域RB展开成矩阵WB=[x1,…,xv],n表示外部区域像素点数,WB是一个v×15的矩阵;
步骤五,采用快速ICA算法对WF和WB进行ICA分解,分别得到独立分量SF和SB;
步骤六,根据基向量SF,重构出RF中的每个像素;同理,根据基向量SB,重构出RB中的每个像素;
累加每个像素的重构误差,构造数据驱动能量项:其中,φq为图像q的水平集函数,φq<0表示内部区域,φq>0表示外部区域,H(·)为Heaviside函数。公式第一项表示曲线的内部能量项,即曲线长度项;公式第二项表示所有图像的内部区域像素的重构误差的累加和,称为协同分割能量项;公式第三项表示图像q的外部区域像素的重构误差的累加和,称为单图分割能量项。最后两项统称为外部能量项。
步骤八,最小化能量函数,驱动曲线演化,得到分割结果。
第一步,能量函数对应的演化方程为:
第二步,水平集函数的更新方程为:
第三步,迭代更新水平集函数φ,直到收敛得到最后的分割结果φ*。
下面结合仿真对本发明的技术效果作详细的描述。
1.仿真条件
本发明是在中央处理器为Intel(R)Core i7-77003.60GHZ、内存16G、WINDOWS 10操作系统上,运用MATLAB软件进行的仿真。
2.仿真内容
本发明方法在协同分割数据库中进行实验,将分割结果与业内常用的基于主动轮廓的协同分割方法进行对比,选取了6幅背景比较复杂的自然图像来说明本发明方法的优势。在图3中,第一行是6幅待分割的原图像,第二行是ground truth,第三行是本发明对应的分割结果,第四行是对比方法的分割结果。
3.仿真效果分析:
本发明可以在背景复杂的多幅自然图像中进行协同分割并取得很好的效果。从图3可以看出,在图像背景复杂且目标非匀质时,本发明可以取得较好的分割结果,这说明了ICA技术重构图像前景的有效性,ICA降维得到的独立分量可以更好地揭示相似前景间底层与高层语义特征具有共性的本质结构。相对于业内常用的基于主动轮廓的协同分割方法,本发明的方法能够更好地表征图像前景的共同特征,降低复杂背景对分割的干扰,最后得到较好的分割结果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于ICA重构误差水平集的多图协同分割方法,其特征在于,所述基于ICA重构误差水平集的多图协同分割方法包括:
首先使用ICA重构技术分别提取所有图像初始轮廓联合内部区域和当前图像初始轮廓外部区域的独立分量;
然后通过独立分量重构当前图像的内部区域和外部区域;分别计算重构图像内外部区域与真实的内外部区域之间重构误差,用欧式距离度量所有图像内部和外部区域的重构误差并构造水平集形式的能量函数;
最后采用变分法最小化该能量函数,驱动每幅图像中初始轮廓演化到目标边界,不断迭代,直至分割出一组图像的公共前景。
2.如权利要求1所述的基于ICA重构误差水平集的多图协同分割方法,其特征在于,所述基于ICA重构误差水平集的多图协同分割方法包括以下步骤:
步骤一,输入n幅大小为M×N的待分割图像I;
步骤三,人工或者自动地同时初始化n幅图像的演化曲线,并用水平集函数分别表示为φ0,…,φn;
步骤四,每个演化曲线分别将图像分为内部区域RF和外部区域RB,将n幅图像联合内部区域展开成矩阵/>其中m表示每幅图像内部区域像素点数,WF是一个n×m×15的矩阵;将单幅图像的外部区域RB展开成矩阵WB=[x1,…,xv],n表示外部区域像素点数,WB是一个v×15的矩阵;
步骤五,采用快速ICA算法对WF和WB进行ICA分解,分别得到独立分量SF和SB;
步骤六,根据基向量SF,重构出RF中的每个像素;同理,根据基向量SB,重构出RB中的每个像素;
累加每个像素的重构误差,构造数据驱动能量项:其中,φq为图像q的水平集函数,φq<0表示外部区域,φq>0表示内部区域,H( ·) 为Heaviside函数;公式第一项表示曲线的内部能量项,即曲线长度项;公式第二项表示所有图像的内部区域像素的重构误差的累加和,称为协同分割能量项;公式第三项表示图像q的外部区域像素的重构误差的累加和,称为单图分割能量项, 最后两项统称为外部能量项;
步骤八,最小化能量函数,驱动曲线演化,得到分割结果。
3.如权利要求2所述的基于ICA重构误差水平集的多图协同分割方法,其特征在于,所述步骤二的深度特征计算如下:
深度特征:使用matlab自带的深度学习工具箱deep learning toolbox提取图像的深度特征。
6.一种应用权利要求1~5任意一项所述基于ICA重构误差水平集的多图协同分割方法的信息数据处理终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910492896.2A CN110428441B (zh) | 2019-06-06 | 2019-06-06 | 一种基于ica重构误差水平集的多图协同分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910492896.2A CN110428441B (zh) | 2019-06-06 | 2019-06-06 | 一种基于ica重构误差水平集的多图协同分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110428441A CN110428441A (zh) | 2019-11-08 |
CN110428441B true CN110428441B (zh) | 2023-03-31 |
Family
ID=68408505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910492896.2A Active CN110428441B (zh) | 2019-06-06 | 2019-06-06 | 一种基于ica重构误差水平集的多图协同分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110428441B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779346A (zh) * | 2012-07-05 | 2012-11-14 | 西安电子科技大学 | 基于改进c-v模型的sar图像变化检测方法 |
CN108596911A (zh) * | 2018-03-15 | 2018-09-28 | 西安电子科技大学 | 一种基于pca重构误差水平集的图像分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10217224B2 (en) * | 2016-12-22 | 2019-02-26 | TCL Research America Inc. | Method and system for sharing-oriented personalized route planning via a customizable multimedia approach |
-
2019
- 2019-06-06 CN CN201910492896.2A patent/CN110428441B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779346A (zh) * | 2012-07-05 | 2012-11-14 | 西安电子科技大学 | 基于改进c-v模型的sar图像变化检测方法 |
CN108596911A (zh) * | 2018-03-15 | 2018-09-28 | 西安电子科技大学 | 一种基于pca重构误差水平集的图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110428441A (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596248B (zh) | 一种基于改进深度卷积神经网络的遥感影像分类方法 | |
Wickramasinghe et al. | Voxel2mesh: 3d mesh model generation from volumetric data | |
CN108428229B (zh) | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 | |
WO2024077812A1 (zh) | 基于点云语义分割与结构拟合的单体建筑三维重建方法 | |
CN111640125B (zh) | 基于Mask R-CNN的航拍图建筑物检测和分割方法及装置 | |
CN111612008A (zh) | 基于卷积网络的图像分割方法 | |
CN110458192B (zh) | 基于视觉显著性的高光谱遥感图像分类方法及系统 | |
CN111126127B (zh) | 一种多级空间上下文特征指导的高分辨率遥感影像分类方法 | |
CN111191735B (zh) | 基于数据差异和多尺度特征的卷积神经网络影像分类方法 | |
CN111797692B (zh) | 一种基于半监督学习的深度图像手势估计方法 | |
CN109948454B (zh) | 表情数据库的增强方法、训练方法、计算设备及存储介质 | |
CN113436237B (zh) | 一种基于高斯过程迁移学习的复杂曲面高效测量系统 | |
CN110909778B (zh) | 一种基于几何一致性的图像语义特征匹配方法 | |
CN112818920B (zh) | 一种双时相高光谱图像空谱联合变化检测方法 | |
CN112163990B (zh) | 360度图像的显著性预测方法及系统 | |
CN113989287A (zh) | 城市道路遥感图像分割方法、装置、电子设备和存储介质 | |
CN110717978A (zh) | 基于单张图像的三维头部重建方法 | |
CN106407975A (zh) | 基于空间‑光谱结构约束的多尺度分层目标检测方法 | |
CN110428441B (zh) | 一种基于ica重构误差水平集的多图协同分割方法 | |
CN115170599A (zh) | 通过图神经网络的链路预测进行血管分割的方法和装置 | |
CN112508844B (zh) | 一种基于弱监督的大脑磁共振图像分割方法 | |
CN114998587A (zh) | 一种遥感影像建筑物语义分割方法及系统 | |
CN102938156B (zh) | 一种基于积分图像的面状注记配置方法 | |
Jian et al. | Remote Sensing Image Classification Based on Different Convolutional Neural Network Models | |
CN111627033A (zh) | 一种难样本实例分割方法、设备及计算机可读存储介质 |
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 |