CN110473210A - 基于置信度传播的图像分割方法和装置 - Google Patents
基于置信度传播的图像分割方法和装置 Download PDFInfo
- Publication number
- CN110473210A CN110473210A CN201910715594.7A CN201910715594A CN110473210A CN 110473210 A CN110473210 A CN 110473210A CN 201910715594 A CN201910715594 A CN 201910715594A CN 110473210 A CN110473210 A CN 110473210A
- Authority
- CN
- China
- Prior art keywords
- scale
- segmentation result
- segmentation
- iteration
- result
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005192 partition Methods 0.000 title claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 224
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 230000009466 transformation Effects 0.000 claims abstract description 27
- 238000003709 image segmentation Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 16
- 235000013399 edible fruits Nutrition 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000001052 transient effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 241000669244 Unaspis euonymi Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000007619 statistical method Methods 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
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种基于置信度传播的图像分割方法和装置，方法包括：对待分割图像进行小波变换，得到各尺度的特征向量；针对任一尺度，基于置信度传播算法进行尺度内迭代分割，并计算每一迭代分割结果对应的全局能量，直至达到预设尺度内迭代条件；全局能量包括基于迭代分割结果和特征向量得到的标记场能量和特征场能量；将全局能量最小时对应的迭代分割结果作为该尺度的最终分割结果，将该尺度的最终分割结果作为下一尺度的初始分割结果，进行尺度间迭代分割，直至得到最细尺度的最终分割结果；将最细尺度的最终分割结果作为待分割图像的最终分割结果。本发明实施例提供的方法和装置，实现了全局最优的图像分割，提高了图像分割的准确性。
Description
技术领域
本发明涉及图像分割技术领域，尤其涉及一种基于置信度传播的图像分割方法和装置。
背景技术
图像分割是一种重要的图像处理技术，是解决图像分析与识别的关键步骤。图像分割能够将原始图像中的目标从复杂的背景中提取出来，为后续的图像处理提供可靠依据。
马尔科夫随机场模型，是统计学方法中最常用的一种图模型，它将概率论与图论联系起来，并且有机地结合图像的时间和空间等信息，利用众多的变量独立关系，构造了一种基于联合概率分布的结构模型，为处理图像分割领域的不确定性问题提供了重要的渠道。
马尔科夫随机场模型因其可以表达图像像素间的空间信息，受到了广泛的关注。目前，马尔科夫随机场模型已应用于不同的图像分割领域，并存在针对不同的应用环境对马尔科夫随机场模型进行改进的多种方法。
然而，将马尔科夫随机场模型应用在图像分割领域，存在如下问题：在进行能量函数最小化时，易陷入局部最小，导致搜寻效率低下、目标图像分割精确度不高，无法保证整幅图像分割中各目标区域内的一致性及不同目标区域间的差异性。
发明内容
本发明实施例提供一种基于置信度传播的图像分割方法和装置，用以解决现有的马尔科夫随机场图像分割结果的全局性能差的问题。
第一方面，本发明实施例提供一种基于置信度传播的图像分割方法，包括：
对待分割图像进行小波变换，得到各尺度的特征向量；
针对任一所述尺度，基于置信度传播算法进行尺度内迭代分割，并计算每一迭代分割结果对应的全局能量，直至达到预设尺度内迭代条件；其中，所述全局能量包括基于所述迭代分割结果和所述特征向量得到的标记场能量和特征场能量；
将所述全局能量最小时对应的所述迭代分割结果作为所述任一尺度的最终分割结果，将所述任一尺度的最终分割结果作为下一尺度的初始分割结果，进行尺度间迭代分割，直至得到最细尺度的最终分割结果；
将所述最细尺度的最终分割结果作为所述待分割图像的最终分割结果。
第二方面，本发明实施例提供一种无线自组网通信节点，包括：
小波变换模块，用于对待分割图像进行小波变换，得到各尺度的特征向量；
尺度内迭代模块，用于针对任一所述尺度，基于置信度传播算法进行尺度内迭代分割，并计算每一迭代分割结果对应的全局能量，直至达到预设尺度内迭代条件；其中，所述全局能量包括基于所述迭代分割结果和所述特征向量得到的标记场能量和特征场能量；
尺度间迭代模块，用于将所述全局能量最小时对应的所述迭代分割结果作为所述任一尺度的最终分割结果，将所述任一尺度的最终分割结果作为下一尺度的初始分割结果，进行尺度间迭代分割，直至得到最细尺度的最终分割结果；
分割结果模块，用于将所述最细尺度的最终分割结果作为所述待分割图像的最终分割结果。
第三方面，本发明实施例提供一种电子设备，包括处理器、通信接口、存储器和总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信，处理器可以调用存储器中的逻辑指令，以执行如第一方面所提供的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种基于置信度传播的图像分割方法和装置，在尺度内迭代中，将包含标记场能量和特征场能量的全局能量最小时对应的迭代分割结果作为最终分割结果，通过两种随机场的相互约束、共同作用来实现该尺度的分割；在尺度间迭代中，将大尺度的最终分割结果直接投影到相邻小尺度上作为初始分割结果，从而实现全局最优的图像分割，提高图像分割的准确性。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于置信度传播的图像分割方法的流程示意图；
图2为本发明实施例提供的二阶邻域系统和原子图的示意图；
图3为本发明另一实施例提供的基于置信度传播的图像分割方法的流程示意图；
图4为本发明实施例提供的小波变换示意图；
图5为本发明实施例提供的小波变换的状态空间与特征空间对应结构示意图；
图6为本发明实施例提供的待分割图像；
图7为本发明实施例提供的待分割图像的最终分割结果；
图8为本发明实施例提供的基于置信度传播的图像分割装置的结构示意图；
图9为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的基于置信度传播的图像分割方法的流程示意图，如图1所示，基于置信度传播的图像分割方法，包括如下步骤：
步骤110，对待分割图像进行小波变换，得到各尺度的特征向量。
具体地，小波变换(wavelet transform，WT)继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。
待分割图像即需要进行图像分割的图像。在预先设置好小波变换的参数，例如小波域分解层数后，对待分割图像进行小波变换，得到各个分解层号分别对应的特征向量，即各个尺度下的特征向量。
步骤120，针对任一尺度，基于置信度传播算法进行尺度内迭代分割，并计算每一迭代分割结果对应的全局能量，直至达到预设尺度内迭代条件；其中，全局能量包括基于迭代分割结果和特征向量得到的标记场能量和特征场能量。
步骤130，将全局能量最小时对应的迭代分割结果作为该尺度的最终分割结果，将该尺度的最终分割结果作为下一尺度的初始分割结果，进行尺度间迭代分割，直至得到最细尺度的最终分割结果。
具体地，在小波变换完成后，需要针对各个尺度分别进行尺度内和尺度间的分割迭代。针对任一尺度，首先获取上一尺度的最终分割结果作为该尺度的初始分割结果，并在初始分割结果的基础上，基于置信度传播算法进行尺度内的迭代分割，得到每次迭代下的迭代分割结果，并计算每次迭代下的迭代分割结果的标记场能量和特征场能量，并由此构成每次迭代分割结果的全局能量。此处，特征场通过描述同标记的小波系数之间的相关性反映每一像素观测特征属性，标记场通过考虑像素邻域标记间的相互约束、相互作用来反映待分割图像分割的区域一致性，特征场和标记场相互约束、共同作用来实现该尺度的分割。
在尺度内迭代时，应用置信度传播(Belief Propagation，BP)算法作为图像分割的迭代算法。置信度传播算法是一种在图模型上进行推断的消息传递算法，对于马尔科夫随机场中的每一个节点，通过消息传播，把该节点的概率分布状态传递给相邻的节点，从而影响相邻节点的概率分布状态。此外，预设尺度内迭代条件是针对尺度内迭代分割预先设定的迭代终止条件，预设尺度内迭代条件可以是迭代次数达到预设次数，或者迭代分割结果中的参数满足预设条件等，本发明实施例对此不作具体限定。
在完成尺度内迭代分割后，即达到预设尺度内迭代条件后，从每次迭代下的迭代分割结果中，选取全局能量最小值对应的迭代分割结果作为该尺度的最终迭代结果，并作为下一尺度的初始分割结果参与下一尺度的尺度间迭代。
步骤140，将最细尺度的最终分割结果作为待分割图像的最终分割结果。
需要说明的是，尺度间迭代是由最粗尺度向最细尺度迭代的过程.完成尺度间的迭代，即可得到最细尺度的最终分割结果，该结果也是待分割图像的最终分割结果。
本发明实施例提供的方法，在尺度内迭代中，将包含标记场能量和特征场能量的全局能量最小时对应的迭代分割结果作为最终分割结果，通过两种随机场的相互约束、共同作用来实现该尺度的分割；在尺度间迭代中，将大尺度的最终分割结果直接投影到相邻小尺度上作为初始分割结果，从而实现全局最优的图像分割，提高图像分割的准确性。
基于上述实施例，该方法中，步骤120之前还包括：基于最粗尺度的特征向量，对最粗尺度进行聚类，得到最粗尺度的初始分割结果。
具体地，在进行尺度间迭代时，通常将上一尺度的最终分割结果作为当前尺度的初始分割结果。而最粗尺度是首个尺度，最粗尺度不存在对应的上一尺度，因此需要对最粗尺度进行聚类，将聚类结果作为初始分割结果。此处，聚类的方法可以是k均值聚类算法K-means，也可以是均值漂移聚类、基于密度的聚类(DBSCAN)等，本发明实施例对此不作具体限定。
基于上述任一实施例，该方法中，步骤120具体包括：
步骤121，针对任一尺度，基于上一迭代分割结果，通过置信度传播算法，更新当前迭代分割结果。
具体地，基于如下公式更新当前迭代分割结果：
式中，xp、xq∈label＝{1，2，...，L}为相邻节点的标记值，其中，label即标记；n为小波变换的尺度，t为当前迭代次数；为可观察节点与隐藏节点之间的相互作用的似然函数，为两个相邻的隐藏节点xp、xq之间相互作用的势函数，N(p)\q为不包括节点q的节点p的四邻域系统，为尺度n下第t次迭代时节点p向节点q发送的消息，为置信度。
需要说明的是，可观察节点即节点的小波系数，隐藏节点即节点的标记值，当前迭代分割结果由当前迭代下所有节点的标记值构成。
步骤122，对当前迭代分割结果进行平滑优化。
具体地，基于置信度传播算法更新当前迭代分割结果后，还可以对当前迭代分割结果进行平滑，消除部分孤立点，以得到更好的分割效果。此处，平滑优化可以是采用3*3模板进行，也可以采用其他规格的模板进行。
步骤123，基于当前迭代分割结果计算标记场能量。
具体地，基于如下公式计算标记场能量：
式中，为尺度n下第t次迭代时的标记场能量；Vc(x)为与基团c有关的势函数；β为MLL(multilevel logistic model，多级逻辑模型)模型势函数。此处，基团c选取二阶邻域势团，图2为本发明实施例提供的二阶邻域系统和原子图的示意图，图2中斜线填充的方格为节点xs的邻域节点。
步骤124，基于当前迭代分割结果和该尺度的特征向量，计算特征场能量。
具体地，基于如下公式计算特征场能量：
式中，为特征场能量，为尺度n下位置(i，j)的特征值，xij为位置(i，j)的标记值；表示在尺度n下的第t次迭代时位置(i，j)处所对应的均值和方差。
步骤125，基于标记场能量和特征场能量，得到当前迭代分割结果对应的全局能量。
具体地，基于如下公式获取全局能量E(n)(t)：
式中，S为待分割图像的状态空间。
步骤126，将当前迭代分割结果更新为上一迭代分割结果，并重复基于上一迭代分割结果，通过置信度传播算法，更新当前迭代分割结果，直至达到预设尺度内迭代条件。
具体地，在完成当前迭代次数对应的迭代分割后，即可执行下一次迭代，此时当前迭代分割结果即上一次迭代对应的迭代分割结果，即上一迭代分割结果，并重新执行上述步骤121至步骤125，实现当前迭代次数对应的迭代分割，更新当前迭代分割结果，并计算当前迭代分割结果对应的全局能量，直至达到预设尺度内迭代条件，结束尺度内迭代。
基于上述任一实施例，该方法中，步骤120还包括：基于当前迭代分割结果和该尺度的特征向量，应用高斯模型估计当前区域均值和当前区域方差。
具体地，基于如下公式获取当前区域均值和当前区域方差：
式中，和分别为当前区域均值和当前区域方差；(i，j)为像素的坐标，S为待分割图像的状态空间，为尺度n下的像素(i，j)对应的特征值，为尺度下的像素(i，j)对应的标记值，η＝{(-1，-1)，(-1，0)，(-1，1)，(0，1)}为一阶平面区域，p为取值的概率，此概率仅与以(i，j)为中心的邻域η的像素状态有关。
由此得到的当前区域均值和当前区域方差，可以作为衡量当前迭代是否满足预设尺度内迭代条件的参数条件，判断是否结束尺度内迭代。
基于上述任一实施例，图3为本发明另一实施例提供的基于置信度传播的图像分割方法的流程示意图，如图3所示，该方法包括：
301，设置小波变换层数为J-1，分类数为label＝(1，2，…，L)。
302，设置预设尺度内迭代条件为P。
303，对待分割图像I进行小波变换。
此处，待分割图像I定义在大小为M×N的网格S上，做J-1层小波分解，每一小波尺度用对应的层号n来表示，1≤n≤J-1。
小波域中，分辨率尺度n上构建的状态空间用S(n)描述，则所有分辨率状态空间构成集合S＝{S(0)，…S(n)，…，S(J-1)}；尺度n内状态空间表示为 表示尺度n上像素(i，j)的状态值；同理，构建各分辨率特征集合w＝{w(0)，…，w(n)，…，w(J-1)}，尺度n内的特征场
图4为本发明实施例提供的小波变换示意图，如图4所示，每一尺度由4个频带(LL、LH、HL、HH)的小波系数组成，本发明实施例中，令图5为本发明实施例提供的小波变换的状态空间与特征空间对应结构示意图，如图5所示，状态空间S和观测特征W空间一一对应。
304，使用K-means聚类算法，对最粗尺度，即尺度J-1进行聚类，得到所述最粗尺度J-1的初始分割结果
305，针对尺度J-1，基于置信度传播算法进行尺度内迭代分割：
首先，使用高斯模型进行参数估计，得到当前区域均值和当前区域方差：
式中，和分别为当前区域均值和当前区域方差；(i，j)为像素的坐标，为尺度n下的像素(i，j)对应的特征值，为尺度下的像素(i，j)对应的标记值，η＝{(-1，-1)，(-1，0)，(-1，1)，(0，1)}为一阶平面区域，p为取值的概率，此概率仅与以(i，j)为中心的邻域η的像素状态有关。
基于当前区域均值和当前区域方差判断当前迭代分割结果是否满足预设尺度内迭代条件P，若满足，则将全局能量最小时对应的迭代分割结果作为该尺度的最终分割结果，并执行步骤306；
否则，基于上一迭代分割结果，通过置信度传播算法，更新当前迭代分割结果：
式中，xp、xq∈label＝{1，2，...，L}为相邻节点的标记值，其中，label即标记；n为小波变换的尺度，t为当前迭代次数；为可观察节点与隐藏节点之间的相互作用的似然函数，为两个相邻的隐藏节点xp、xq之间相互作用的势函数，N(p)\q为不包括节点q的节点p的四邻域系统，为尺度n下第t次迭代时节点p向节点q发送的消息，为置信度。
此后，对当前迭代分割结果进行平滑优化。
再者，基于当前迭代分割结果计算标记场能量：
式中，为尺度n下第t次迭代时的标记场能量；Vc(x)为与基团c有关的势函数；β为MLL(multilevellogistic model，多级逻辑模型)模型势函数。此处，基团c选取二阶邻域势团。
基于当前迭代分割结果和该尺度的特征向量，计算特征场能量：
式中，为特征场能量，为尺度n下位置(i，j)的特征值，xij为位置(i，j)的标记值；表示在尺度n下的第t次迭代时位置(i，j)处所对应的均值和方差。
最终，基于标记场能量和特征场能量，得到当前迭代分割结果对应的全局能量E(n )(t)：
完成上述操作中，更新迭代次数，重新执行步骤305。
306，将下一尺度作为当前尺度，令n＝n-1，并判断n是否小于0，若n小于0，则结束上述流程，将尺度n+1下的最终分割结果作为图像的最终分割结果；否则，执行307。
307，将尺度n+1下的最终分割结果作为尺度n的初始分割结果，使用高斯模型进行参数估计，得到当前区域均值和当前区域方差。
基于当前区域均值和当前区域方差判断当前迭代分割结果是否满足预设尺度内迭代条件P，若满足，则将全局能量最小时对应的迭代分割结果作为该尺度的最终分割结果，并执行步骤306；
否则，基于上一迭代分割结果，通过置信度传播算法，更新当前迭代分割结果。
此后，对当前迭代分割结果进行平滑优化。
再者，基于当前迭代分割结果计算标记场能量，基于当前迭代分割结果和该尺度的特征向量，计算特征场能量。最终，基于标记场能量和特征场能量，得到当前迭代分割结果对应的全局能量。
完成上述操作中，更新迭代次数，重新执行步骤307。
基于上述任一实施例，图6为本发明实施例提供的待分割图像，如图6所示，待分割图像为大小为512×512的含有结节的肺部CT图像。图7为本发明实施例提供的待分割图像的最终分割结果。对比图6和图7可知，上述实施例中提供的基于置信度传播的图像分割方法，可以有效提升分割结果的质量，在最终分割结果中不但可以清晰地分割出感兴趣区域，而且很好地保留了区域的细节部分。
基于上述任一实施例，图8为本发明实施例提供的基于置信度传播的图像分割装置的结构示意图，如图8所示，该装置包括小波变换模块810、尺度内迭代模块820、尺度间迭代模块830和分割结果模块840；
小波变换模块810用于对待分割图像进行小波变换，得到各尺度的特征向量；
尺度内迭代模块820用于针对任一所述尺度，基于置信度传播算法进行尺度内迭代分割，并计算每一迭代分割结果对应的全局能量，直至达到预设尺度内迭代条件；其中，所述全局能量包括基于所述迭代分割结果和所述特征向量得到的标记场能量和特征场能量；
尺度间迭代模块830用于将所述全局能量最小时对应的所述迭代分割结果作为所述任一尺度的最终分割结果，将所述任一尺度的最终分割结果作为下一尺度的初始分割结果，进行尺度间迭代分割，直至得到最细尺度的最终分割结果；
分割结果模块840用于将所述最细尺度的最终分割结果作为所述待分割图像的最终分割结果。
本发明实施例提供的装置，在尺度内迭代中，将包含标记场能量和特征场能量的全局能量最小时对应的迭代分割结果作为最终分割结果，通过两种随机场的相互约束、共同作用来实现该尺度的分割；在尺度间迭代中，将大尺度的最终分割结果直接投影到相邻小尺度上作为初始分割结果，从而实现全局最优的图像分割，提高图像分割的准确性。
基于上述任一实施例，该装置还包括：
聚类模块，用于基于最粗尺度的所述特征向量，对所述最粗尺度进行聚类，得到所述最粗尺度的初始分割结果。
基于上述任一实施例，该装置中，尺度内迭代模块820包括：
置信度传播更新单元，用于针对任一尺度，基于上一迭代分割结果，通过置信度传播算法，更新当前迭代分割结果；
平滑单元，用于对所述当前迭代分割结果进行平滑优化；
标记场能量计算单元，用于基于所述当前迭代分割结果计算标记场能量；
特征场能量计算单元，用于基于所述当前迭代分割结果和所述任一尺度的特征向量，计算特征场能量；
全局能量计算单元，用于基于所述标记场能量和所述特征场能量，得到所述当前迭代分割结果对应的全局能量；
迭代判断单元，用于将所述当前迭代分割结果更新为所述上一迭代分割结果，并重复所述基于上一迭代分割结果，通过置信度传播算法，更新当前迭代分割结果，直至达到预设尺度内迭代条件。
基于上述任一实施例，置信度传播更新单元，具体用于：
基于如下公式更新所述当前迭代分割结果：
式中，xp、xq∈label＝{1，2，...，L}为相邻节点的标记值，其中，label即标记；n为小波变换的尺度，t为当前迭代次数；为可观察节点与隐藏节点之间的相互作用的似然函数，为两个相邻的隐藏节点xp、xq之间相互作用的势函数，N(p)\q为不包括节点q的节点p的四邻域系统，为尺度n下第t次迭代时节点p向节点q发送的消息，为置信度。
基于上述任一实施例，该装置中，标记场能量计算单元具体用于：
基于如下公式计算所述标记场能量：
式中，为尺度n下第t次迭代时的标记场能量；Vc(x)为与基团c有关的势函数；β为MLL模型势函数。
基于上述任一实施例，该装置中，特征场能量计算单元具体用于：
基于如下公式计算所述特征场能量：
式中，为所述特征场能量，为尺度n下位置(i，j)的特征值，xij为位置(i，j)的标记值；表示在尺度n下的第t次迭代时位置(i，j)处所对应的均值和方差。
基于上述任一实施例，该装置中，尺度内迭代模块820还包括：
参数评估单元，用于基于所述当前迭代分割结果和所述任一尺度的特征向量，应用高斯模型估计当前区域均值和当前区域方差。
图9为本发明实施例提供的电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器(processor)901、通信接口(Communications Interface)902、存储器(memory)903和通信总线904，其中，处理器901，通信接口902，存储器903通过通信总线904完成相互间的通信。处理器901可以调用存储在存储器903上并可在处理器901上运行的计算机程序，以执行上述各实施例提供的基于置信度传播的图像分割方法，例如包括：对待分割图像进行小波变换，得到各尺度的特征向量；针对任一所述尺度，基于置信度传播算法进行尺度内迭代分割，并计算每一迭代分割结果对应的全局能量，直至达到预设尺度内迭代条件；其中，所述全局能量包括基于所述迭代分割结果和所述特征向量得到的标记场能量和特征场能量；将所述全局能量最小时对应的所述迭代分割结果作为所述任一尺度的最终分割结果，将所述任一尺度的最终分割结果作为下一尺度的初始分割结果，进行尺度间迭代分割，直至得到最细尺度的最终分割结果；将所述最细尺度的最终分割结果作为所述待分割图像的最终分割结果。
此外，上述的存储器903中的逻辑指令可以通过软件功能单元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，本发明实施例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)执行本发明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(ROM，Read-0nly Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于置信度传播的图像分割方法，例如包括：对待分割图像进行小波变换，得到各尺度的特征向量；针对任一所述尺度，基于置信度传播算法进行尺度内迭代分割，并计算每一迭代分割结果对应的全局能量，直至达到预设尺度内迭代条件；其中，所述全局能量包括基于所述迭代分割结果和所述特征向量得到的标记场能量和特征场能量；将所述全局能量最小时对应的所述迭代分割结果作为所述任一尺度的最终分割结果，将所述任一尺度的最终分割结果作为下一尺度的初始分割结果，进行尺度间迭代分割，直至得到最细尺度的最终分割结果；将所述最细尺度的最终分割结果作为所述待分割图像的最终分割结果。
以上所描述的通信节点实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于置信度传播的图像分割方法，其特征在于，包括：
对待分割图像进行小波变换，得到各尺度的特征向量；
针对任一所述尺度，基于置信度传播算法进行尺度内迭代分割，并计算每一迭代分割结果对应的全局能量，直至达到预设尺度内迭代条件；其中，所述全局能量包括基于所述迭代分割结果和所述特征向量得到的标记场能量和特征场能量；
将所述全局能量最小时对应的所述迭代分割结果作为所述任一尺度的最终分割结果，将所述任一尺度的最终分割结果作为下一尺度的初始分割结果，进行尺度间迭代分割，直至得到最细尺度的最终分割结果；
将所述最细尺度的最终分割结果作为所述待分割图像的最终分割结果。
2.根据权利要求1所述的基于置信度传播的图像分割方法，其特征在于，所述针对任一所述尺度，基于置信度传播算法进行尺度内迭代分割，并计算每一迭代分割结果对应的全局能量，直至达到预设尺度内迭代条件，之前还包括：
基于最粗尺度的所述特征向量，对所述最粗尺度进行聚类，得到所述最粗尺度的初始分割结果。
3.根据权利要求1所述的基于置信度传播的图像分割方法，其特征在于，所述针对任一所述尺度，基于置信度传播算法进行尺度内迭代分割，并计算每一迭代分割结果对应的全局能量，直至达到预设尺度内迭代条件，具体包括：
针对任一尺度，基于上一迭代分割结果，通过置信度传播算法，更新当前迭代分割结果；
对所述当前迭代分割结果进行平滑优化；
基于所述当前迭代分割结果计算标记场能量；
基于所述当前迭代分割结果和所述任一尺度的特征向量，计算特征场能量；
基于所述标记场能量和所述特征场能量，得到所述当前迭代分割结果对应的全局能量；
将所述当前迭代分割结果更新为所述上一迭代分割结果，并重复所述基于上一迭代分割结果，通过置信度传播算法，更新当前迭代分割结果，直至达到预设尺度内迭代条件。
4.根据权利要求3所述的基于置信度传播的图像分割方法，其特征在于，所述针对任一所述尺度，基于上一迭代分割结果，通过置信度传播算法，更新当前迭代分割结果，具体包括：
基于如下公式更新所述当前迭代分割结果：
式中，xp、xq∈label＝{1，2，...，L}为相邻节点的标记值，其中，label即标记；n为小波变换的尺度，t为当前迭代次数；为可观察节点与隐藏节点之间的相互作用的似然函数，为两个相邻的隐藏节点xp、xq之间相互作用的势函数，N(p)\q为不包括节点q的节点p的四邻域系统，为尺度n下第t次迭代时节点p向节点q发送的消息，为置信度。
5.根据权利要求4所述的基于置信度传播的图像分割方法，其特征在于，所述基于所述当前迭代分割结果计算所述标记场能量，具体包括：
基于如下公式计算所述标记场能量：
式中，为尺度n下第t次迭代时的标记场能量；Vc(x)为与基团c有关的势函数；β为MLL模型势函数。
6.根据权利要求4所述的基于置信度传播的图像分割方法，其特征在于，所述基于所述当前迭代分割结果和所述任一尺度的特征向量，计算所述特征场能量，具体包括：
基于如下公式计算所述特征场能量：
式中，为所述特征场能量，为尺度n下位置(i，j)的特征值，xij为位置(i，j)的标记值；表示在尺度n下的第t次迭代时位置(i，j)处所对应的均值和方差。
7.根据权利要求3所述的基于置信度传播的图像分割方法，其特征在于，所述针对任一所述尺度，基于置信度传播算法进行尺度内迭代分割，并计算每一迭代分割结果对应的全局能量，直至达到预设尺度内迭代条件，还包括：
基于所述当前迭代分割结果和所述任一尺度的特征向量，应用高斯模型估计当前区域均值和当前区域方差。
8.一种基于置信度传播的图像分割装置，其特征在于，包括：
小波变换模块，用于对待分割图像进行小波变换，得到各尺度的特征向量；
尺度内迭代模块，用于针对任一所述尺度，基于置信度传播算法进行尺度内迭代分割，并计算每一迭代分割结果对应的全局能量，直至达到预设尺度内迭代条件；其中，所述全局能量包括基于所述迭代分割结果和所述特征向量得到的标记场能量和特征场能量；
尺度间迭代模块，用于将所述全局能量最小时对应的所述迭代分割结果作为所述任一尺度的最终分割结果，将所述任一尺度的最终分割结果作为下一尺度的初始分割结果，进行尺度间迭代分割，直至得到最细尺度的最终分割结果；
分割结果模块，用于将所述最细尺度的最终分割结果作为所述待分割图像的最终分割结果。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7中任一项所述的基于置信度传播的图像分割方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于置信度传播的图像分割方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910715594.7A CN110473210B (zh) | 2019-08-05 | 2019-08-05 | 基于置信度传播的图像分割方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910715594.7A CN110473210B (zh) | 2019-08-05 | 2019-08-05 | 基于置信度传播的图像分割方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110473210A true CN110473210A (zh) | 2019-11-19 |
| CN110473210B CN110473210B (zh) | 2022-05-24 |
Family
ID=68509419
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910715594.7A Active CN110473210B (zh) | 2019-08-05 | 2019-08-05 | 基于置信度传播的图像分割方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110473210B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111583277A (zh) * | 2020-05-07 | 2020-08-25 | 三峡大学 | 肺部ct图像分割方法与装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069796A (zh) * | 2015-08-12 | 2015-11-18 | 西安电子科技大学 | 基于小波散射网络的sar图像分割方法 |
| CN105335968A (zh) * | 2015-10-13 | 2016-02-17 | 南京邮电大学 | 一种基于置信度传播算法的深度图提取方法及装置 |
-
2019
- 2019-08-05 CN CN201910715594.7A patent/CN110473210B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069796A (zh) * | 2015-08-12 | 2015-11-18 | 西安电子科技大学 | 基于小波散射网络的sar图像分割方法 |
| CN105335968A (zh) * | 2015-10-13 | 2016-02-17 | 南京邮电大学 | 一种基于置信度传播算法的深度图提取方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| YINHUI ZHANG: ""Global optimization of wavelet-domain hidden Markov tree for image segmentation"", 《PATTERN RECOGNITION》 * |
| 刘俊岭: ""基于小波域多尺度MRF的彩色图像分割新方法"", 《第十六届全国图象图形学学术会议》 * |
| 刘光辉: ""基于多尺度局部区域置信度传播算法的图像分割"", 《北京工业大学学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111583277A (zh) * | 2020-05-07 | 2020-08-25 | 三峡大学 | 肺部ct图像分割方法与装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110473210B (zh) | 2022-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20080247646A1 (en) | Method for segmenting an image using constrained graph partitioning of watershed adjacency graphs | |
| Asuncion et al. | Learning with blocks: Composite likelihood and contrastive divergence | |
| CN109559328B (zh) | 一种基于贝叶斯估计与水平集的快速图像分割方法及装置 | |
| CN115130643A (zh) | 具有异质性的数据集的图形神经网络 | |
| CN102074013B (zh) | 基于小波域多尺度Markov网模型的图像分割方法 | |
| US20210287099A1 (en) | Mutual Information Neural Estimation with Eta-Trick | |
| CN112927266B (zh) | 基于不确定性引导训练的弱监督时域动作定位方法及系统 | |
| EP4007973A1 (en) | Framework for learning to transfer learn | |
| CN103985112A (zh) | 基于改进多目标粒子群优化聚类的图像分割方法 | |
| CN111223128A (zh) | 目标跟踪方法、装置、设备及存储介质 | |
| CN115239760B (zh) | 一种目标跟踪方法、系统、设备及存储介质 | |
| Katkar et al. | A novel approach for medical image segmentation using PCA and K-means clustering | |
| CN115641583A (zh) | 一种基于自监督和主动学习的点云检测方法、系统及介质 | |
| CN111626311B (zh) | 一种异构图数据处理方法和装置 | |
| CN110473210A (zh) | 基于置信度传播的图像分割方法和装置 | |
| CN104778666A (zh) | 一种基于谱聚类和混合模型聚类的图像分割方法 | |
| Lim et al. | Efficient energy minimization for enforcing label statistics | |
| Nguyen et al. | A new image segmentation approach based on the Louvain algorithm | |
| Saito et al. | Application of the mean field methods to MRF optimization in computer vision | |
| Sashida et al. | Comparison of multi-label graph cuts method and Monte Carlo simulation with block-spin transformation for the piecewise constant Mumford–Shah segmentation model | |
| CN113920079A (zh) | 一种困难样本挖掘方法、系统、终端以及存储介质 | |
| CN112966775A (zh) | 建筑构件的三维点云分类方法、系统、装置及存储介质 | |
| CN111583277A (zh) | 肺部ct图像分割方法与装置 | |
| US20220262097A1 (en) | Label estimation device, label estimation method, and label estimation program | |
| Ružić et al. | Neighborhood-consensus message passing as a framework for generalized iterated conditional expectations |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231111 Address after: No. 57-5 Development Avenue, No. 6015, Yichang Area, China (Hubei) Free Trade Zone, Yichang City, Hubei Province, 443005 Patentee after: Hubei Jiugan Technology Co.,Ltd. Address before: 443002 No. 8, University Road, Yichang, Hubei Patentee before: CHINA THREE GORGES University |