CN110443809A - 带边界约束的结构敏感性彩色图像分割超像素化方法 - Google Patents

带边界约束的结构敏感性彩色图像分割超像素化方法 Download PDF

Info

Publication number
CN110443809A
CN110443809A CN201910628249.XA CN201910628249A CN110443809A CN 110443809 A CN110443809 A CN 110443809A CN 201910628249 A CN201910628249 A CN 201910628249A CN 110443809 A CN110443809 A CN 110443809A
Authority
CN
China
Prior art keywords
pixel
super
image
color
boundary
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
Application number
CN201910628249.XA
Other languages
English (en)
Inventor
张荣国
张建宇
胡静
刘小君
李富萍
赵建
李晓明
牛雪莹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Science and Technology
Original Assignee
Taiyuan University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Taiyuan University of Science and Technology filed Critical Taiyuan University of Science and Technology
Priority to CN201910628249.XA priority Critical patent/CN110443809A/zh
Publication of CN110443809A publication Critical patent/CN110443809A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06T7/90—Determination of colour characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

一种带边界约束的结构敏感性彩色图像分割超像素化方法，属于计算机应用技术的图像处理领域，特征是：（1）用线性迭代技术完成对彩色图像分割超像素化初始化构建；（2）彩色图像流形空间映射及超像素敏感性区域计算；（3）超像素CVT单元划分及局部k均值聚类；（4）带边界约束的结构敏感性彩色图像超像素化。优点及积极效果是：在考虑图像区域敏感性同时，引入目标图像边界信息，通过边界项计算当前像素落在图像真实边界上的可能性，重新分配和优化超像素边缘，使得超像素分割边缘和实际边界更好贴合，在密度大的区域生成较小超像素，在密度小的区域生成较大超像素，提高彩色图像超像素分割边缘和实际边界贴合度，改善彩色图像分割精度。

Description

带边界约束的结构敏感性彩色图像分割超像素化方法
技术领域
本发明属于计算机应用技术的图像处理领域，具体涉及一种带边界约束的结构敏感性彩色图像分割超像素化方法。
背景技术
传统的图像分割方法中，是以像素为基本处理对象，没有考虑像素之间的空间和组织关系。随着影像技术和计算机视觉技术的飞速发展，所要分割的图像尺寸越来越大，分辨率越来越高，导致现有方法处理效率过低，为此研究人员提出了有关超像素化的概念。所谓的超像素化，是指数字化图像中有相似颜色、纹理、亮度等特征，空间上相邻的多个像素点所组成的图像块。通常将图像预处理为具有某种分割、标注意义的超像素图像，可将拥有百万级别像素的图像，转换为几千个、甚至几百个各自内部具有相似特征且相互独立的像素块来进行图像处理，可大大降低图像后续处理的复杂程度，显著提高彩色图像处理效率。因此，图像分割过程中的超像素化技术在图像处理中具有十分重要的意义。
彩色图像分割的超像素化，就是将彩色图像的像素聚合成超像素图像块的过程，它是按彩色像素点间的特征相似性、空间相邻性进行像素分组，从而产生超像素图像。这样的过程可以有效地降低所要处理彩色图像的信息规模，为后续的图像处理过程减少计算量，降低复杂度。彩色图像分割的超像素化作为图像处理的重要预处理步骤，已被广泛地应用于图像分割、显著性检测、计算机视觉等领域。如今超像素化算法也是越来越多，目前彩色图像分割的超像素化算法大致分为以下几类：基于图论的方法、基于聚类方法、基于优化理论的方法和基于稠密度的方法。
基于图论的超像素化方法是将整个图像看作一个无向图，将图像中的每个节点视作无向图的节点，节点与节点之间边上的权重对应于像素特征之间的差异或者相似度，如正则化图割Ncuts算法、懒人随机游走LRW算法等。基于优化理论的方法根据图像的信息内容将图像分割超像素化引入最大化或最小化能量函数问题，如拓扑结构保留的ETPS算法、能量驱动的SEEDS算法等。基于聚类的算法将像素分组为聚类，并且迭代细化它们直到满足某些收敛条件为止，如分水岭Watershed算法、线性迭代SLIC算法等。基于稠密度的方法，是根据图像区域像素稠密度分布的信息，对图像进行超像素化，如边界扩张的均值漂移EAMS算法，快速漂移QS算法，敏感性SSS算法和MSLIC算法等。
这些算法简单高效，图像分割速度快，但在超像素化相似性度量和搜索策略上有着缺陷，存在的问题是：现有超像素化模型过度聚焦内容敏感性区域，对内部含有结构性边界的超像素不能很好地进行划分，导致超像素化后目标边界和待分割图像边界不能很好贴合、目标图像欠分割误差有待提高等问题。
发明内容
本发明目的是提供一种带边界约束的结构敏感性彩色图像分割超像素化方法，可有效地克服现有技术存在的缺点。
本发明是这样实现的，其特征在于实施步骤如下：
1.用线性迭代技术完成对彩色图像分割超像素化初始化构建：
线性迭代算法将图像转换为CIELAB颜色和XY坐标的5维特征向量Ci＝{li,ai,bi,xi,yi}，以此来度量像素间的相似性。算法初始化K个种子点在图像内均匀分配，以K个种子点为中心搜索与其特征相似的像素。假设图像中有N个像素点，预分割为K个相同尺寸的超像素，每个超像素的大小为N/K，则相邻种子点的距离近似为与标准K-means在整张图中搜索不同，线性迭代的搜索范围限制为2S×2S，以加速算法收敛。
线性迭代算法的距离度量包括颜色距离和空间距离。对于每个搜索到的像素点，分别计算它与种子点的距离。距离计算方法如下：
其中，dc为颜色距离，ds为空间距离，Nc和Ns为类内最大颜色距离和空间距离接近度，其中Nc不容易确定，随图像不同、聚类不同而变化，通常将Nc用固定常数m来代替。最终的距离度量D′如下：
所以彩色图像分割超像素化初始化过程可以通过以上的描述来完成。
2.彩色图像流形空间映射及超像素敏感性区域计算：
通过扩展SLIC以计算结构敏感的超像素，它继承了SLIC的算法简单、性能高等优点。同样使用CIELAB颜色空间,并将图像I中像素p＝(u,v)的颜色表示为c(u,v)＝(l(u,v),a(u,v),b(u,v))，定义一个伸缩图Φ:I→R5，将像素映射到包含颜色和空间5 维向量的2维流形中:
Φ(u,v)＝(λ1p,λ2c)＝(λ1u,λ1v,λ1l,λ2a,λ2b) (3)
其中λ1和λ2是全局伸缩因子，根据公式(1),设和则流形中两点间的距离度量为:
用表示以p为中心的单位平方区域。设p1,p2,p3,p4为的四个角，每个都由四个相邻像素的平均值确定，由△p1p2p3和△p3p4p1两个三角形组成，通过平面三角形区域△Φ(p1)Φ(p2)Φ(p3)估算曲面三角形区域Φ(△p1p2p3),公式如下:
其中θ是向量和之间的角度，长度由公式(4) 中的D来度量。区域的面积是所有像素的的总和，其中
3.超像素CVT单元划分及局部k均值聚类：
对于区域 上相应区域的面积取决于Ω的面积和Ω的强度或颜色变化。Ω中颜色的变化越大，Φ(Ω)的面积就越大，反之亦然。在上计算统一的曲面细分，反映射Φ-1到图像I中就是结构敏感性超像素。CVT影响着结构敏感的超像素分割的好坏，弯曲表面流形上简单高效的超像素CVT计算方法如下。
并且：
则：
由于超像素CVT中由不相交分量组成的Voronoi单元经常出现，可以使用适当的参数拆分合并运算符，来控制合并微小的超像素和分割较大的超像素。输出超像素的数量只能近似于用户指定的数量。同时，拆分和合并运算符中的相关控制参数，需要在不同的图像数据集超像素化过程中有所变化。
4.带边界约束的结构敏感性彩色图像超像素化：
在二维流形和输出结构敏感的超像素上生成统一的曲面细分，根据Φ(Ω)的面积大小来衡量是否存在结构敏感性区域，能够高效快速地生成结构敏感性超像素，传统方法不能使得超像素边缘很好地拟合真实图像边界。为进一步确保结构敏感性超像素的边缘更加贴合真实图像边界，在颜色和距离度量基础上，我们引入了新的度量w(p)，它表示以p为中心的像素邻域内计算目标像素在真实图像边界上的可能性，具体内容表示如下：
其中|R3(p)|是以像素p为中心的像素邻域内所有像素的集合，并且pi∈R3(p)，|R3(p)| 是R3(p)中的像素总数,g(p)是像素p的梯度，γ是变化因子，Gδ是高斯系数。
如果像素p四周的像素pi落在强度均匀的区域中，则g(pi)的值小并且与g(p)非常相似。如果像素p落在图像边界上，则围绕它的像素的强度沿边界的正交方向变化极大，并且边界附近的像素的梯度值大，而其他像素的梯度值小，因此w(p)变大。w(p)的值越大，对象边界上的像素p的概率越高。我们设计一个边界项B(p)，使超像素的边缘与图像中的对象边界对齐：
其中，是图像中w(p)的平均值，是lk(p)的数学期望。在以像素p为中心的3×3 局部区域中，lk(p)是其标签不等于k的像素数和该局部区域中总的像素数之比，lk(p)计算式为：
其中R3(p)与(9)中的相同。R3(p)′＝{p|p∈R3(p)&L(p)≠k},并且|R3(p)′|是集合R3(p)′中的元素的数量。在某种程度上，lk(p)的值表示像素p是否在超像素的边缘上的概率。等式(10)由两个项组成，而第二项对每个像素来说是常数。因为无论像素是在图像中的物体边界上还是位于先前的超像素边缘上，它都可能在下一次迭代中属于超像素边缘。边界项是为了确保超像素的边缘尽可能好地粘附到图像中的对象边界。
本发明优点及积极效果是：
本发明在考虑图像区域敏感性的同时，引入目标图像边界结构信息，通过所设计的边界项计算当前像素落在图像真实边界上的可能性，进而重新分配和优化超像素边缘，使得超像素分割边缘和实际边界尽可能贴合，保证在稀疏区域生成大的超像素块，从而使用较少的超像素分割，在密度大的区域生成较小的超像素块，从而使用较多的超像素分割，这样提高了超像素分割边缘和实际边界贴合度，改善了图像分割精度。通过在经典图像数据集上的实验证明，本发明方法能很好地获得彩色图像的超像素化分割结果，其效果优于现存的其他超像素化方法，目标图像分割精确度也优于现有方法。
附图说明
图1为动物彩色图像分割超像素化效果图，其中(a)为动物彩色图像原图，(b)为LSC 方法超像素化效果图，(c)为SEEDS方法超像素化效果图，(d)为SLIC方法超像素化效果图，(e)为MSLIC方法超像素化效果图，(f)为本发明方法超像素化效果图；
图2为植物彩色图像分割超像素化效果图，其中(a)为植物彩色图像原图，(b)为LSC 方法超像素化效果图，(c)为SEEDS方法超像素化效果图，(d)为SLIC方法超像素化效果图，(e)为MSLIC方法超像素化效果图，(f)为本发明方法超像素化效果图；
图3为物体彩色图像分割超像素化效果图，其中(a)为物体彩色图像原图，(b)为LSC 方法超像素化效果图，(c)为SEEDS方法超像素化效果图，(d)为SLIC方法超像素化效果图，(e)为MSLIC方法超像素化效果图，(f)为本发明方法超像素化效果图；
图4为人物彩色图像分割超像素化效果图，其中(a)为人物彩色图像原图，(b)为LSC 方法超像素化效果图，(c)为SEEDS方法超像素化效果图，(d)为SLIC方法超像素化效果图，(e)为MSLIC方法超像素化效果图，(f)为本发明方法超像素化效果图；
图5为彩色图像分割超像素化效果的定量化评估统计曲线图，其中(a)超像素化结果的召回率，(b)为超像素化结果的欠分割错误率，(c)为超像素化结果可实现分割准确度。
具体实施方式
本发明从备选图像数据库中选取图像作为输入内容，图像来源于Berkeley图像数据库，原始图像大小为481×320。实验的硬件环境：中央处理器Intel Core i5CPU，主频3.00GHz，内存4.00GB RAM，台式计算机；实验软件环境：操作系统Windows 10，开发系统Matlab/C++ 混合编程。具体实施方式如下：
1.用线性迭代技术完成对彩色图像分割超像素化初始化构建：
线性迭代算法将图像转换为CIELAB颜色和XY坐标的5维特征向量Ci＝{li,ai,bi,xi,yi}，以此来度量像素间的相似性。算法初始化K个种子点在图像内均匀分配，以K个种子点为中心搜索与其特征相似的像素。假设图像中有N个像素点，预分割为K个相同尺寸的超像素，每个超像素的大小为N/K，则相邻种子点的距离近似为与标准K-means在整张图中搜索不同，线性迭代的搜索范围限制为2S×2S，以加速算法收敛。
线性迭代算法的距离度量包括颜色距离和空间距离。对于每个搜索到的像素点，分别计算它与种子点的距离。距离计算方法如下：
其中，dc为颜色距离，ds为空间距离，Nc和Ns为类内最大颜色距离和空间距离接近度，其中Nc不容易确定，随图像不同、聚类不同而变化，通常将Nc用固定常数m来代替。最终的距离度量D′如下：
所以彩色图像分割超像素化初始化过程可以通过以上的描述来完成。
2.彩色图像流形空间映射及超像素敏感性区域计算：
通过扩展SLIC以计算结构敏感的超像素，它继承了SLIC的算法简单、性能高等优点。同样使用CIELAB颜色空间,并将图像I中像素p＝(u,v)的颜色表示为 c(u,v)＝(l(u,v),a(u,v),b(u,v))，定义一个伸缩图Φ:I→R5，将像素映射到包含颜色和空间5 维向量的2维流形中:
Φ(u,v)＝(λ1p,λ2c)＝(λ1u,λ1v,λ1l,λ2a,λ2b) (3)
其中λ1和λ2是全局伸缩因子，根据公式(1),设和则流形中两点间的距离度量为:
用表示以p为中心的单位平方区域。设p1,p2,p3,p4为的四个角，每个都由四个相邻像素的平均值确定，由△p1p2p3和△p3p4p1两个三角形组成，通过平面三角形区域△Φ(p1)Φ(p2)Φ(p3)估算曲面三角形区域Φ(△p1p2p3),公式如下:
其中θ是向量和之间的角度，长度由公式(4) 中的D来度量。区域的面积是所有像素的的总和，其中
3.超像素CVT单元划分及局部k均值聚类：
对于区域 上相应区域的面积取决于Ω的面积和Ω的强度或颜色变化。Ω中颜色的变化越大，Φ(Ω)的面积就越大，反之亦然。在上计算统一的曲面细分，反映射Φ-1到图像I中就是结构敏感性超像素。CVT影响着结构敏感的超像素分割的好坏，弯曲表面流形上简单高效的超像素CVT计算方法如下。
并且：
则：
由于超像素CVT中由不相交分量组成的Voronoi单元经常出现，可以使用适当的参数拆分合并运算符，来控制合并微小的超像素和分割较大的超像素。输出超像素的数量只能近似于用户指定的数量。同时，拆分和合并运算符中的相关控制参数，需要在不同的图像数据集超像素化过程中有所变化。
4.带边界约束的结构敏感性彩色图像超像素化：
在二维流形和输出结构敏感的超像素上生成统一的曲面细分，根据Φ(Ω)的面积大小来衡量是否存在结构敏感性区域，能够高效快速地生成结构敏感性超像素，传统方法不能使得超像素边缘很好地拟合真实图像边界。为进一步确保结构敏感性超像素的边缘更加贴合真实图像边界，在颜色和距离度量基础上，我们引入了新的度量w(p)，它表示以p为中心的像素邻域内计算目标像素在真实图像边界上的可能性，具体内容表示如下：
其中|R3(p)|是以像素p为中心的像素邻域内所有像素的集合，并且pi∈R3(p)，|R3(p)| 是R3(p)中的像素总数,g(p)是像素p的梯度，γ是变化因子，Gδ是高斯系数。
如果像素p四周的像素pi落在强度均匀的区域中，则g(pi)的值小并且与g(p)非常相似。如果像素p落在图像边界上，则围绕它的像素的强度沿边界的正交方向变化极大，并且边界附近的像素的梯度值大，而其他像素的梯度值小，因此w(p)变大。w(p)的值越大，对象边界上的像素p的概率越高。我们设计一个边界项B(p)，使超像素的边缘与图像中的对象边界对齐：
其中，是图像中w(p)的平均值，是lk(p)的数学期望。在以像素p为中心的3×3 局部区域中，lk(p)是其标签不等于k的像素数和该局部区域中总的像素数之比，lk(p)计算式为：
其中R3(p)与(9)中的相同。R3(p)′＝{p|p∈R3(p)&L(p)≠k},并且|R3(p)′|是集合R3(p)′中的元素的数量。在某种程度上，lk(p)的值表示像素p是否在超像素的边缘上的概率。等式 (10)由两个项组成，而第二项对每个像素来说是常数。因为无论像素是在图像中的物体边界上还是位于先前的超像素边缘上，它都可能在下一次迭代中属于超像素边缘。边界项是为了确保超像素的边缘尽可能好地粘附到图像中的对象边界。
以下通过本发明方法与LSC、SEEDS、SLIC和MSLIC方法超像素化结果进行比较。
图1为动物彩色图像分割超像素化效果图。动物的头、腿、身体部位等图像分布致密区域，超像素较小且密集，在墙体、地面、天空等稀疏区超像素较大且分布个数较少；
图2为植物彩色图像分割超像素化效果图。植物的花瓣、花蕊等部位图像分布致密区域，超像素较小且密集，在花叶、背景、等稀疏区超像素较大且分布个数较少；
图3为物体彩色图像分割超像素化效果图。飞机物体的机头、机身、机尾等部位图像分布致密区域，超像素较小且密集，在天空、机翼等稀疏区超像素较大且分布个数较少；
图4为人物彩色图像分割超像素化效果图。人物的眼睛、头发、脖子等部位图像分布致密区域，超像素较小且密集，在人脸、衣服、背景等稀疏区超像素较大且分布个数较少；
从四个不同图像的分割效果图来看，本发明方法在相同的迭代次数下，分割效果良好。可以看出，在四个彩色图像分割的超像素化效果图中，本发明方法超像素化效果更加良好，保持了MSLIC方法的特点，实现了对结构敏感性图像分割不同大小超像素的结果，且超像素内部语义信息完整，超像素边界更加贴合真实图像边界。
图5为彩色图像分割超像素化效果的定量化评估统计曲线图。与前四种方法相比，在图中可以明显地看出，本发明方法在边界召回率、欠分割错误率和可实现分割准确度方面优于现存方法，说明本发明方法在边界贴合方面表现良好，目标图像分割的精准度更高。本发明方法对结构敏感性区域彩色图像分割的超像素化效果整体优于前四种方法。

Claims (1)

1.一种带边界约束的结构敏感性彩色图像分割超像素化方法，其特征在于实施步骤如下：
步骤1.用线性迭代技术完成对彩色图像分割超像素化初始化构建：
线性迭代算法将图像转换为CIELAB颜色和XY坐标的5维特征向量Ci＝{li,ai,bi,xi,yi}，以此来度量像素间的相似性，算法初始化K个种子点在图像内均匀分配，以K个种子点为中心搜索与其特征相似的像素，假设图像中有N个像素点，预分割为K个相同尺寸的超像素，每个超像素的大小为N/K，则相邻种子点的距离近似为与标准K-means在整张图中搜索不同，线性迭代的搜索范围限制为2S×2S，以加速算法收敛；
线性迭代算法的距离度量包括颜色距离和空间距离，对于每个搜索到的像素点，分别计算它与种子点的距离，距离计算方法如下：
其中，dc为颜色距离，ds为空间距离，Nc和Ns为类内最大颜色距离和空间距离接近度，其中Nc不容易确定，随图像不同、聚类不同而变化，通常将Nc用固定常数m来代替，最终的距离度量D′如下：
彩色图像分割超像素化初始化过程可以通过以上的描述来完成；
步骤2.彩色图像流形空间映射及超像素敏感性区域计算：
通过扩展SLIC以计算结构敏感的超像素，它继承了SLIC的算法简单、性能高等优点，同样使用CIELAB颜色空间,并将图像I中像素p＝(u,v)的颜色表示为c(u,v)＝(l(u,v),a(u,v),b(u,v))，定义一个伸缩图Φ:I→R5，将像素映射到包含颜色和空间5维向量的2维流形中:
Φ(u,v)＝(λ1p,λ2c)＝(λ1u,λ1v,λ1l,λ2a,λ2b) (3)
其中λ1和λ2是全局伸缩因子，根据公式(1),设和则流形中两点间的距离度量为:
用表示以p为中心的单位平方区域，设p1,p2,p3,p4为的四个角，每个都由四个相邻像素的平均值确定，由Δp1p2p3和Δp3p4p1两个三角形组成，通过平面三角形区域ΔΦ(p1)Φ(p2)Φ(p3)估算曲面三角形区域Φ(Δp1p2p3),公式如下:
其中θ是向量和之间的角度，长度由公式(4)中的D来度量，区域的面积是所有像素的的总和，其中
步骤3.超像素CVT单元划分及局部k均值聚类：
对于区域 上相应区域的面积取决于Ω的面积和Ω的强度或颜色变化，Ω中颜色的变化越大，Φ(Ω)的面积就越大，反之亦然，在上计算统一的曲面细分，反映射Φ-1到图像I中就是结构敏感性超像素，CVT影响着结构敏感的超像素分割的好坏，弯曲表面流形上简单高效的超像素CVT计算方法如下：
并且：
则：
由于超像素CVT中由不相交分量组成的Voronoi单元经常出现，可以使用适当的参数拆分合并运算符，来控制合并微小的超像素和分割较大的超像素，输出超像素的数量只能近似于用户指定的数量，同时，拆分和合并运算符中的相关控制参数，需要在不同的图像数据集超像素化过程中有所变化；
步骤4.带边界约束的结构敏感性彩色图像超像素化：
在二维流形和输出结构敏感的超像素上生成统一的曲面细分，根据Φ(Ω)的面积大小来衡量是否存在结构敏感性区域，能够高效快速地生成结构敏感性超像素，传统方法不能使得超像素边缘很好地拟合真实图像边界，为进一步确保结构敏感性超像素的边缘更加贴合真实图像边界，在颜色和距离度量基础上，本发明引入了新的度量w(p)，它表示以p为中心的像素邻域内计算目标像素在真实图像边界上的可能性，具体内容表示如下：
其中|R3(p)|是以像素p为中心的像素邻域内所有像素的集合，并且pi∈R3(p)，|R3(p)|是R3(p)中的像素总数,g(p)是像素p的梯度，γ是变化因子，Gδ是高斯系数；
如果像素p四周的像素pi落在强度均匀的区域中，则g(pi)的值小并且与g(p)非常相似，如果像素p落在图像边界上，则围绕它的像素的强度沿边界的正交方向变化极大，并且边界附近的像素的梯度值大，而其他像素的梯度值小，因此w(p)变大，w(p)的值越大，对象边界上的像素p的概率越高，设计一个边界项B(p)，使超像素的边缘与图像中的对象边界对齐：
其中，是图像中w(p)的平均值，是lk(p)的数学期望，在以像素p为中心的3×3局部区域中，lk(p)是其标签不等于k的像素数和该局部区域中总的像素数之比，lk(p)计算式为：
其中R3(p)与(9)中的相同，R3(p)′＝{p|p∈R3(p)&L(p)≠k},并且|R3(p)′|是集合R3(p)′中的元素的数量，在某种程度上，lk(p)的值表示像素p是否在超像素的边缘上的概率，等式(10)由两个项组成，而第二项对每个像素来说是常数，因为无论像素是在图像中的物体边界上还是位于先前的超像素边缘上，它都可能在下一次迭代中属于超像素边缘，边界项是为了确保超像素的边缘尽可能好地粘附到图像中的对象边界。
CN201910628249.XA 2019-07-12 2019-07-12 带边界约束的结构敏感性彩色图像分割超像素化方法 Pending CN110443809A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910628249.XA CN110443809A (zh) 2019-07-12 2019-07-12 带边界约束的结构敏感性彩色图像分割超像素化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910628249.XA CN110443809A (zh) 2019-07-12 2019-07-12 带边界约束的结构敏感性彩色图像分割超像素化方法

Publications (1)

Publication Number Publication Date
CN110443809A true CN110443809A (zh) 2019-11-12

Family

ID=68429640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910628249.XA Pending CN110443809A (zh) 2019-07-12 2019-07-12 带边界约束的结构敏感性彩色图像分割超像素化方法

Country Status (1)

Country Link
CN (1) CN110443809A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111340826A (zh) * 2020-03-25 2020-06-26 南京林业大学 基于超像素与拓扑特征的航拍图像单株树冠分割算法
CN112150484A (zh) * 2020-09-28 2020-12-29 华侨大学 超像素的狄利克雷混合模型图像分割方法、装置及设备
CN112164087A (zh) * 2020-10-13 2021-01-01 北京无线电测量研究所 基于边缘约束和分割边界搜索的超像素分割方法及装置
CN112330697A (zh) * 2020-12-04 2021-02-05 中信银行股份有限公司 一种图像分割方法、装置、电子设备和可读存储介质
CN112381830A (zh) * 2020-10-23 2021-02-19 山东黄河三角洲国家级自然保护区管理委员会 基于YCbCr超像素和图割的鸟类关键部位提取方法和装置
CN112767508A (zh) * 2021-01-18 2021-05-07 赛诺联合医疗科技（北京）有限公司 针对呼吸门控图像的伪彩显示方法、系统、设备以及介质
CN113284158A (zh) * 2021-06-08 2021-08-20 中国科学院软件研究所 一种基于结构约束聚类的图像边缘提取方法及系统
CN113470053A (zh) * 2020-03-30 2021-10-01 杭州海康威视数字技术股份有限公司 一种合成图分割方法、装置和电子设备
CN115841600A (zh) * 2023-02-23 2023-03-24 山东金诺种业有限公司 基于深度学习的甘薯外观品质分类方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101625725A (zh) * 2008-07-11 2010-01-13 西安电子科技大学 基于流形距离的人工免疫无监督图像分类方法
CN103208121A (zh) * 2013-04-12 2013-07-17 南京师范大学 基于硬边界约束与两阶段合并的遥感图像分割方法
CN103353987A (zh) * 2013-06-14 2013-10-16 山东大学 一种基于模糊理论的超像素分割方法
CN107103326A (zh) * 2017-04-26 2017-08-29 苏州大学 基于超像素聚类的协同显著性检测方法
CN108230340A (zh) * 2018-02-05 2018-06-29 南京邮电大学 一种基于mmtd的slic超像素提取权值确定方法及超像素提取方法
US20180204088A1 (en) * 2017-01-13 2018-07-19 Beihang University Method for salient object segmentation of image by aggregating multi-linear exemplar regressors
CN108564012A (zh) * 2018-03-29 2018-09-21 北京工业大学 一种基于人体特征分布的行人解析方法
CN109598726A (zh) * 2018-10-26 2019-04-09 哈尔滨理工大学 一种基于slic的自适应图像目标区域分割方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101625725A (zh) * 2008-07-11 2010-01-13 西安电子科技大学 基于流形距离的人工免疫无监督图像分类方法
CN103208121A (zh) * 2013-04-12 2013-07-17 南京师范大学 基于硬边界约束与两阶段合并的遥感图像分割方法
CN103353987A (zh) * 2013-06-14 2013-10-16 山东大学 一种基于模糊理论的超像素分割方法
US20180204088A1 (en) * 2017-01-13 2018-07-19 Beihang University Method for salient object segmentation of image by aggregating multi-linear exemplar regressors
CN107103326A (zh) * 2017-04-26 2017-08-29 苏州大学 基于超像素聚类的协同显著性检测方法
CN108230340A (zh) * 2018-02-05 2018-06-29 南京邮电大学 一种基于mmtd的slic超像素提取权值确定方法及超像素提取方法
CN108564012A (zh) * 2018-03-29 2018-09-21 北京工业大学 一种基于人体特征分布的行人解析方法
CN109598726A (zh) * 2018-10-26 2019-04-09 哈尔滨理工大学 一种基于slic的自适应图像目标区域分割方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
HAI WANG 等: "BSLIC: SLIC Superpixels Based on Boundary Term", 《SYMMETRY》 *
RADHAKRISHNA ACHANTA 等: "SLIC Superpixels Compared to State-of-the-Art Superpixel Methods", 《PAMI 2012》 *
YONG-JIN LIU 等: "Manifold SLIC: A Fast Method to Compute Content-Sensitive Superpixels", 《CVPR 2016》 *
YONGXIA ZHANG 等: "A Simple Algorithm of Superpixel Segmentation With Boundary Constraint", 《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》 *
徐伟悦 等: "自然场景下苹果图像 FSLIC 超像素分割方法", 《农业机械学报》 *
胡志立 等: "基于SLIC的改进GrabCut彩色图像快速分割", 《计算机工程与应用》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111340826A (zh) * 2020-03-25 2020-06-26 南京林业大学 基于超像素与拓扑特征的航拍图像单株树冠分割算法
CN113470053B (zh) * 2020-03-30 2024-03-05 杭州海康威视数字技术股份有限公司 一种合成图分割方法、装置和电子设备
CN113470053A (zh) * 2020-03-30 2021-10-01 杭州海康威视数字技术股份有限公司 一种合成图分割方法、装置和电子设备
CN112150484A (zh) * 2020-09-28 2020-12-29 华侨大学 超像素的狄利克雷混合模型图像分割方法、装置及设备
CN112150484B (zh) * 2020-09-28 2024-04-19 华侨大学 超像素的狄利克雷混合模型图像分割方法、装置及设备
CN112164087A (zh) * 2020-10-13 2021-01-01 北京无线电测量研究所 基于边缘约束和分割边界搜索的超像素分割方法及装置
CN112164087B (zh) * 2020-10-13 2023-12-08 北京无线电测量研究所 基于边缘约束和分割边界搜索的超像素分割方法及装置
CN112381830A (zh) * 2020-10-23 2021-02-19 山东黄河三角洲国家级自然保护区管理委员会 基于YCbCr超像素和图割的鸟类关键部位提取方法和装置
CN112330697A (zh) * 2020-12-04 2021-02-05 中信银行股份有限公司 一种图像分割方法、装置、电子设备和可读存储介质
CN112330697B (zh) * 2020-12-04 2024-04-30 中信银行股份有限公司 一种图像分割方法、装置、电子设备和可读存储介质
CN112767508A (zh) * 2021-01-18 2021-05-07 赛诺联合医疗科技（北京）有限公司 针对呼吸门控图像的伪彩显示方法、系统、设备以及介质
CN112767508B (zh) * 2021-01-18 2023-12-26 赛诺联合医疗科技（北京）有限公司 针对呼吸门控图像的伪彩显示方法、系统、设备以及介质
CN113284158A (zh) * 2021-06-08 2021-08-20 中国科学院软件研究所 一种基于结构约束聚类的图像边缘提取方法及系统
CN113284158B (zh) * 2021-06-08 2022-05-31 中国科学院软件研究所 一种基于结构约束聚类的图像边缘提取方法及系统
CN115841600A (zh) * 2023-02-23 2023-03-24 山东金诺种业有限公司 基于深度学习的甘薯外观品质分类方法

Similar Documents

Publication Publication Date Title
CN110443809A (zh) 带边界约束的结构敏感性彩色图像分割超像素化方法
Ibrahim et al. Image segmentation methods based on superpixel techniques: A survey
Li et al. Superpixel segmentation using linear spectral clustering
Torrente et al. Recognition of feature curves on 3D shapes using an algebraic approach to Hough transforms
Park et al. Color image segmentation based on 3-D clustering: morphological approach
CN105488809B (zh) 基于rgbd描述符的室内场景语义分割方法
Papon et al. Voxel cloud connectivity segmentation-supervoxels for point clouds
Wang et al. Projective analysis for 3D shape segmentation
CN107330897B (zh) 图像分割方法及其系统
CN106022375B (zh) 一种基于hu不变矩和支持向量机的服装款式识别方法
CN106991686B (zh) 一种基于超像素光流场的水平集轮廓跟踪方法
CN104732545B (zh) 结合稀疏近邻传播和快速谱聚类的纹理图像分割方法
CN108416347A (zh) 基于边界先验和迭代优化的显著目标检测算法
CN107369158A (zh) 基于rgb‑d图像的室内场景布局估计及目标区域提取方法
CN109035196A (zh) 基于显著性的图像局部模糊检测方法
CN109242968A (zh) 一种基于多属性超体素图割的河道三维建模方法
Wang et al. Image segmentation using local variation and edge-weighted centroidal Voronoi tessellations
Wong et al. Image segmentation using modified region-based active contour model
Xiang et al. Interactive natural image segmentation via spline regression
Estrada et al. Spectral Embedding and Min Cut for Image Segmentation.
Yuan et al. Superpixels with content-adaptive criteria
Zhong et al. Robust image segmentation against complex color distribution
Yin et al. Study and application of improved level set method with prior graph cut in PCB image segmentation
Yu et al. SDG cut: 3D reconstruction of non-lambertian objects using graph cuts on surface distance grid
Chochia Image segmentation based on the analysis of distances in an attribute space

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: 20191112