CN110503656A - 一种超像素分割方法及相关设备 - Google Patents
一种超像素分割方法及相关设备 Download PDFInfo
- Publication number
- CN110503656A CN110503656A CN201910802938.8A CN201910802938A CN110503656A CN 110503656 A CN110503656 A CN 110503656A CN 201910802938 A CN201910802938 A CN 201910802938A CN 110503656 A CN110503656 A CN 110503656A
- Authority
- CN
- China
- Prior art keywords
- cluster block
- central point
- pixel
- cluster
- block central
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (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
本申请公开了一种超像素分割方法、装置、电子设备及计算机可读存储介质,该超像素分割方法包括:对目标图像进行初始化分割以获取目标数量个聚类块及其聚类块中心点;分别计算像素点与预设大小邻域内各聚类块中心点的特征向量的欧式距离,将欧式距离最小的聚类块中心点确定为附属中心点;特征向量基于像素点的HSL颜色空间值和坐标值而生成;将附属于同一聚类块中心点的像素点以及聚类块中心点重新作为一个聚类块;更新确定各个聚类块的聚类块中心点,以便继续启动分别计算像素点与预设大小邻域内各个聚类块中心点的特征向量的欧式距离的步骤进行迭代,直至满足迭代结束条件。本申请可同时有效提高超像素分割效率和效果。
Description
技术领域
本申请涉及计算机视觉技术领域,特别涉及一种超像素分割方法、装置、电子设备及计算机可读存储介质。
背景技术
超像素分割指的是将数字图像细分为多个图像子区域(像素的集合,也被称作超像素)的过程。超像素是由一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域。这些小区域大多保留了进一步进行图像分割的有效信息,且一般不会破坏图像中物体的边界信息。
超像素分割算法提供了计算图像特征的方便方法,简化了图像的表示形式,使得图像更容易理解和分析,大大降低了后续图像处理任务的复杂性。因此,它们已经成为许多计算机视觉算法的关键模块。
当前,现有技术中的超像素分割方法主要分成基于梯度上升和基于图的这两类。但这些方法基本均是利用像素点的RGB颜色空间值进行分割计算,而基于RGB颜色空间值的处理过程中需要进行多次转换,无法同时得到优良的分割效果和高速的处理效率。
鉴于此,提供一种解决上述技术问题的方案,已经是本领域技术人员所亟需关注的。
发明内容
本申请的目的在于提供一种超像素分割方法、装置、电子设备及计算机可读存储介质,以便同时有效提高分割效率和分割效果。
为解决上述技术问题,第一方面,本申请公开了一种超像素分割方法,包括:
对目标图像进行初始化分割以获取目标数量个聚类块;将各聚类块的物理中心点作为聚类块中心点;
分别计算像素点与预设大小邻域内各个所述聚类块中心点的特征向量的欧式距离,将欧式距离最小的所述聚类块中心点确定为所述像素点的附属中心点;所述特征向量基于所述像素点的HSL颜色空间值和坐标值而生成;
通过将附属于同一聚类块中心点的像素点以及所述聚类块中心点重新作为一个聚类块对所述目标图像进行聚类更新;
更新确定各个所述聚类块的聚类块中心点,以便继续启动所述分别计算像素点与预设大小邻域内各个所述聚类块中心点的特征向量的欧式距离的步骤进行迭代,直至满足迭代结束条件。
可选地,所述分别计算像素点与预设大小邻域内各个所述聚类块中心点的特征向量的欧式距离,包括:
基于预设颜色距离计算公式,分别计算像素点与所述预设大小邻域内各个所述聚类块中心点的颜色距离;所述预设颜色距离计算公式为:
dhsl=α(hk-hi)2+β(sk-si)2+γ(lk-li)2;
其中,dhsl为颜色距离;(hk,sk,lk)为第k个聚类块中心点的HSL颜色空间值;(hi,si,li)为第i个像素点的HSL颜色空间值;α、β、γ均为预设权重;
基于预设位置距离计算公式,分别计算像素点与所述预设大小邻域内各个所述聚类块中心点的位置距离;所述预设位置距离计算公式为:
dxy=(xk-xi)2+(yk-yi)2;
其中,dxy为颜色距离;(xk,yk)为第k个聚类块中心点的坐标值;(xi,yi)为第i个像素点的坐标值;
基于预设欧式距离计算公式,分别计算像素点与所述预设大小邻域内各个所述聚类块中心点的特征向量的欧式距离;所述预设欧式距离计算公式为:
其中,D为欧式距离;m为聚类密度控制参数;s为聚类中心点的预设标准间距。
可选地,在所述将各聚类块的物理中心点作为聚类块中心点之后、所述分别计算像素点与预设大小邻域内各个所述聚类块中心点的特征向量的欧式距离之前,还包括:
根据HSL颜色空间值对所述聚类块中心点进行优化更新。
可选地,所述根据HSL颜色空间值对所述聚类块中心点进行优化更新,包括:
根据预设颜色梯度计算公式,计算所述聚类块中各个像素点的颜色梯度;
将颜色梯度最小的像素点确定为所述聚类块更新后的聚类块中心点。
可选地,所述对目标图像进行初始化分割以获取目标数量个聚类块,包括:
根据预设聚类块尺寸,将所述目标图像均匀分割生成所述目标数量个聚类块。
可选地,所述预设聚类块尺寸为3*3;所述预设颜色梯度计算公式为:
其中,G为所述颜色梯度;f(x,y)=(h,s,l)是以(x,y)为坐标的聚类块中心点的HSL颜色空间值向量。
可选地,所述更新确定各个所述聚类块的聚类块中心点,包括:
将各个所述聚类块中特征向量平均值所对应的像素点作为更新后的聚类块中心点。
第二方面,本申请还公开了一种超像素分割装置,包括:
初始化模块,用于对目标图像进行初始化分割以获取目标数量个聚类块;将各聚类块的物理中心点作为聚类块中心点;
聚类模块,用于分别计算像素点与预设大小邻域内各个所述聚类块中心点的特征向量的欧式距离,将欧式距离最小的所述聚类块中心点确定为所述像素点的附属中心点;所述特征向量基于所述像素点的HSL颜色空间值和坐标值而生成;通过将附属于同一聚类块中心点的像素点以及所述聚类块中心点重新作为一个聚类块对所述目标图像进行聚类更新;
更新模块,用于更新确定各个所述聚类块的聚类块中心点,以便继续启动所述分别计算像素点与预设大小邻域内各个所述聚类块中心点的特征向量的欧式距离的步骤进行迭代,直至满足迭代结束条件。
第三方面,本申请还公开了一种电子设备,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以实现如上所述的任一种超像素分割方法的步骤。
第四方面,本申请还公开了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用以实现如上所述的任一种超像素分割方法的步骤。
本申请所提供的超像素分割方法包括:对目标图像进行初始化分割以获取目标数量个聚类块;将各聚类块的物理中心点作为聚类块中心点;分别计算像素点与预设大小邻域内各个所述聚类块中心点的特征向量的欧式距离,将欧式距离最小的所述聚类块中心点确定为所述像素点的附属中心点;所述特征向量基于所述像素点的HSL颜色空间值和坐标值而生成;通过将附属于同一聚类块中心点的像素点以及所述聚类块中心点重新作为一个聚类块对所述目标图像进行聚类更新;更新确定各个所述聚类块的聚类块中心点,以便继续启动所述分别计算像素点与预设大小邻域内各个所述聚类块中心点的特征向量的欧式距离的步骤进行迭代,直至满足迭代结束条件。
可见,本申请通过不断迭代来逐步优化对像素点聚类分割的结果,在每一次迭代过程中均先后对聚类块、聚类块中心点进行优化更新,其中,在更新聚类块时具体是以基于HSL颜色空间值计算生成的欧式距离为依据,无需进行过多的数据转换处理,有效提高了超像素分割效率,并且可获取较好的超像素边界贴合度,提高超像素分割效果。本申请所提供的超像素分割装置、电子设备及计算机可读存储介质同样具有上述有益效果。
附图说明
为了更清楚地说明现有技术和本申请实施例中的技术方案,下面将对现有技术和本申请实施例描述中需要使用的附图作简要的介绍。当然,下面有关本申请实施例的附图描述的仅仅是本申请中的一部分实施例,对于本领域普通技术人员来说,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,所获得的其他附图也属于本申请的保护范围。
图1为本申请实施例公开的一种超像素分割方法的流程图;
图2为本申请实施例公开的一种计算两个像素点的特征向量的欧式距离的流程图;
图3为本申请实施例公开的又一种超像素分割方法的流程图;
图4为本申请实施例公开的一种超像素分割装置的结构框图;
图5为本申请实施例公开的一种电子设备的结构框图。
具体实施方式
本申请的核心在于提供一种超像素分割方法、装置、电子设备及计算机可读存储介质,以便同时有效提高分割效率和分割效果。
为了对本申请实施例中的技术方案进行更加清楚、完整地描述,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介绍。显然,所描述的实施例仅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。
当前,现有技术中的超像素分割方法主要分成基于梯度上升和基于图的这两类。但这些方法基本均是利用像素点的RGB颜色空间值进行分割计算,而基于RGB颜色空间值的处理过程中需要进行多次转换,无法同时得到优良的分割效果和高速的处理效率。鉴于此,本申请提供了一种超像素分割方法,可有效解决上述问题。
参见图1所示,本申请实施例公开了一种超像素分割方法,主要包括:
S11:对目标图像进行初始化分割以获取目标数量个聚类块;将各聚类块的物理中心点作为聚类块中心点。
具体地,本申请实施例所提供的超像素分割方法,是通过不断迭代来优化聚类分割的结果,直至获得理想的分割效果。在迭代初始,需要进行初始化分割,将目标图像分割成目标数量个超像素,每个超像素就是一个聚集了多个像素点的聚类块。同时,位于每个聚类块的物理中心点处的像素点便可作为该聚类块的聚类块中心点。
其中,作为一个具体实施例,在对目标图像进行初始化分割以获取目标数量个聚类块时,具体可以根据预设聚类块尺寸,将目标图像均匀分割生成目标数量个聚类块。例如,预设聚类块尺寸可设置为a*a的方形尺寸,并具体可选择为3*3。当然,本领域技术人员也可以不采用均匀分割的方式,例如随机分割,本申请对此并不做进一步限定。
S12:分别计算像素点与预设大小邻域内各个聚类块中心点的特征向量的欧式距离,将欧式距离最小的聚类块中心点确定为像素点的附属中心点;特征向量基于像素点的HSL颜色空间值和坐标值而生成。
初始化分割之后,对于某个聚类块中的某个像素点来说,当前其所属的聚类块中心点未必是与该像素点的颜色、亮度、纹理等特征最为接近的聚类块中心点,因此,需要通过不断的迭代处理来优化各个聚类块及其聚类块中心点。
具体地,需要指出的是,本申请实施例所提供的超像素分割方法中,用于衡量两个像素点之间的图像特性一致程度的指标具体是两像素点的特征向量的欧式距离,其中,特征向量包括了像素点的HSL颜色空间值和坐标值。
HSL是工业界的一种颜色标准,其中,h表示色相,s表示饱和度,l表示亮度。工业界多利用HSL中色相(h)、饱和度(s)、亮度(l)三个颜色通道的变化以及它们相互之间的叠加来生产得到各式各样的颜色的。
本申请将HSL颜色空间从工业色彩生产领域应用到计算机视觉领域中的超像素分割中,结合HSL颜色空间值与坐标值构建了像素点的特征向量用于聚类优化。具体地,该特征向量为五维向量C=[h,s,l,x,y]T。鉴于HSL三个分量的表征含义与超像素分割时所关注的图像特征吻合度较高,因此在聚类优化计算过程中无需太多的数据转换处理,由此可极大地提高处理效率和处理质量。
如此,基于特征向量计算得到的欧式距离,不仅反映了两个像素点间的位置关联信息,也反映了两像素点间的图像色彩关联信息。欧式距离越小,说明两像素点间的相似度越大,被划分为同一个聚类块的合理性就越高。由此,可将在预设大小邻域内与某个像素点的欧式距离最小的聚类块中心点,作为该像素点的附属中心点,以便将该像素点与其附属中心点划分为同一个聚类块。其中,预设大小邻域的尺寸可具体选择为2a*2a。
具体地,可利用为各个像素点设置的标签值bi来表示该像素点所属的附属中心点。例如,bi=k,则表示像素点i的附属中心点是聚类块中心点k。
作为一种具体实施例,参见图2所示,本申请实施例公开了一种计算两个像素点的特征向量的欧式距离的方法,主要包括:
S21:基于预设颜色距离计算公式,分别计算像素点与预设大小邻域内各个聚类块中心点的颜色距离。
预设颜色距离计算公式为:
dhsl=α(hk-hi)2+β(sk-si)2+γ(lk-li)2;
其中,dhsl为颜色距离;(hk,sk,lk)为第k个聚类块中心点的HSL颜色空间值;(hi,si,li)为第i个像素点的HSL颜色空间值;α、β、γ均为预设权重;
其中,本领域技术人员可根据实际所针对的目标图像的类型特点而自行选择设置三个预设权重的大小。例如,对于图像色彩丰富且明亮的目标图像,可适当增大色相(h)分量的预设权重α;对于图像昏暗且色彩对比明显的目标图像,可适当增大亮度(l)分量的预设权重γ。
S22:基于预设位置距离计算公式,分别计算像素点与预设大小邻域内各个聚类块中心点的位置距离。
预设位置距离计算公式为:
dxy=(xk-xi)2+(yk-yi)2;
其中,dxy为颜色距离;(xk,yk)为第k个聚类块中心点的坐标值;(xi,yi)为第i个像素点的坐标值;
S23:基于预设欧式距离计算公式,分别计算像素点与预设大小邻域内各个聚类块中心点的特征向量的欧式距离。
预设欧式距离计算公式为:
其中,D为欧式距离;m为聚类密度控制参数;n为聚类中心点的预设标准间距。
聚类密度控制参数m用于控制超像素之间的紧密度,在一个具体实施例中可具体取值为10;聚类中心点的预设标准间距n是两个相邻的超像素中心之间的标准间距,可具体通过来计算获取,其中,A为目标图像的总面积尺寸;W为在步骤S11中设定的聚类块的目标数量。
S13:通过将附属于同一聚类块中心点的像素点以及聚类块中心点重新作为一个聚类块对目标图像进行聚类更新。
由此,根据计算出的欧式距离大小,即可将各个像素点分别划分入与其距离最小的聚类块中心点所在的聚类块中,令该聚类块中心点作为该像素点新的附属中心点。
S14:更新确定各个聚类块的聚类块中心点。
对于经步骤S13重新聚类后的各个聚类块,聚类块中心点同样有待于进行更新优化,因此,可在本步骤中以各个聚类块为单位,更新确定各个聚类块的聚类块中心点。
至此,对聚类块的一次迭代过程结束。若得到的超像素分割效果并不满足迭代结束条件,则可继续反复执行步骤S12~S15,直至迭代结束条件满足为止。
S15:判断是否满足迭代结束条件;若是,则进入S16;若否,则进入S12。
S16:输出当前分割结果。
作为一种具体实施例,迭代结束条件具体可以为迭代次数达到预设目标次数,例如10次等。本领域技术人员可根据实际应用情况自行选择并设置,本申请对此并不做进一步限定。
本申请实施例所提供的超像素分割方法包括:对目标图像进行初始化分割以获取目标数量个聚类块;将各聚类块的物理中心点作为聚类块中心点;分别计算像素点与预设大小邻域内各个聚类块中心点的特征向量的欧式距离,将欧式距离最小的聚类块中心点确定为像素点的附属中心点;特征向量基于像素点的HSL颜色空间值和坐标值而生成;通过将附属于同一聚类块中心点的像素点以及聚类块中心点重新作为一个聚类块对目标图像进行聚类更新;更新确定各个聚类块的聚类块中心点,以便继续启动分别计算像素点与预设大小邻域内各个聚类块中心点的特征向量的欧式距离的步骤进行迭代,直至满足迭代结束条件。
可见,本申请通过不断迭代来逐步优化对像素点聚类分割的结果,在每一次迭代过程中均先后对聚类块、聚类块中心点进行优化更新,其中,在更新聚类块时具体是以基于HSL颜色空间值计算生成的欧式距离为依据,无需进行过多的数据转换处理,有效提高了超像素分割效率,并且可获取较好的超像素边界贴合度,提高超像素分割效果。
在上述内容的基础上,本申请实施例所提供的超像素分割方法中,作为一种具体实施例,在步骤S11即将各聚类块的物理中心点作为聚类块中心点之后、步骤S12即分别计算像素点与预设大小邻域内各个聚类块中心点的特征向量的欧式距离之前,还包括:
根据HSL颜色空间值对聚类块中心点进行优化更新。
具体地,由于初始化分割所确定的聚类块中心点有很大成分的不合理性,因此,为了加快迭代处理速度,可在步骤S12之前,率先对初始化得到的聚类块中心点进行优化更新。
进一步地,作为一种具体实施例,根据HSL颜色空间值对聚类块中心点进行优化更新具体可以包括:
根据预设颜色梯度计算公式,计算聚类块中各个像素点的颜色梯度;
将颜色梯度最小的像素点确定为聚类块更新后的聚类块中心点。
具体地,梯度反映的是变化快慢信息,因此,在颜色梯度最小的地方,像素点的HSL颜色空间值的变化最为缓慢,也就是说,该处的像素点在颜色上的差别较小,比较相似。如此,可将颜色梯度最小的像素点确定为更新后的聚类块中心点。
在上述内容的基础上,本申请实施例所提供的超像素分割方法中,作为一种具体实施例,步骤S14中更新确定各个聚类块的聚类块中心点具体可以包括:
将各个聚类块中特征向量平均值所对应的像素点作为更新后的聚类块中心点。
具体地,在本实施例中,基于特征向量C=[h,s,l,x,y]T,可根据下式求取特征向量平均值:
其中,G表示聚类块;xj表示聚类块G中的第j个像素点;T表示聚类块G中像素点的总个数;为像素点xj的特征向量;θ为聚类块G的特征向量平均值。
参见图3所示,本申请实施例公开了又一种超像素分割方法,主要包括:
S31:根据预设聚类块尺寸,将目标图像均匀分割生成目标数量个聚类块。
在本实施例中,预设聚类块尺寸可具体为3*3。
S32:根据预设颜色梯度计算公式,计算聚类块中各个像素点的颜色梯度。
以预设聚类块尺寸为3*3的情况为例,预设颜色梯度计算公式可具体采用:
其中,G为颜色梯度;f(x,y)=(h,s,l)是以(x,y)为坐标的聚类块中心点的HSL颜色空间值向量。
需要指出的是,本申请实施例中,所采用的颜色梯度计算公式中并未采用开方或者平方运算,可进一步有效提高分割处理速度以及分割效果。
S33:将颜色梯度最小的像素点确定为聚类块更新后的聚类块中心点。
S34:分别计算像素点与预设大小邻域内各个聚类块中心点的特征向量的欧式距离。
本实施例中,可具体采用如前的预设欧式距离计算公式来计算欧式距离。
S35:将欧式距离最小的聚类块中心点确定为像素点的附属中心点。
S36:通过将附属于同一聚类块中心点的像素点以及聚类块中心点重新作为一个聚类块对目标图像进行聚类更新。
S37:将各个聚类块中特征向量平均值所对应的像素点作为更新后的聚类块中心点。
S38:判断是否满足迭代结束条件;若否,则进入S34;若是,则进入S39。
S39:输出当前分割结果。
参见图4所示,本申请实施例公开了一种超像素分割装置,主要包括:
初始化模块41,用于对目标图像进行初始化分割以获取目标数量个聚类块;将各聚类块的物理中心点作为聚类块中心点;
聚类模块42,用于分别计算像素点与预设大小邻域内各个聚类块中心点的特征向量的欧式距离,将欧式距离最小的聚类块中心点确定为像素点的附属中心点;特征向量基于像素点的HSL颜色空间值和坐标值而生成;通过将附属于同一聚类块中心点的像素点以及聚类块中心点重新作为一个聚类块对目标图像进行聚类更新;
更新模块43,用于更新确定各个聚类块的聚类块中心点,以便继续启动分别计算像素点与预设大小邻域内各个聚类块中心点的特征向量的欧式距离的步骤进行迭代,直至满足迭代结束条件。
可见,本申请实施例所公开的超像素分割装置,通过不断迭代来逐步优化对像素点聚类分割的结果,在每一次迭代过程中均先后对聚类块、聚类块中心点进行优化更新,其中,在更新聚类块时具体是以基于HSL颜色空间值计算生成的欧式距离为依据,无需进行过多的数据转换处理,有效提高了超像素分割效率,并且可获取较好的超像素边界贴合度,提高超像素分割效果。
关于上述超像素分割装置的具体内容,可参考前述关于超像素分割方法的详细介绍,这里就不再赘述。
参见图5所示,本申请实施例公开了一种电子设备,包括:
存储器51,用于存储计算机程序;
处理器52,用于执行所述计算机程序以实现如上所述的任一种超像素分割方法的步骤。
进一步地,本申请实施例还公开了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用以实现如上所述的任一种超像素分割方法的步骤。
关于上述电子设备和计算机可读存储介质的具体内容,可参考前述关于超像素分割方法的详细介绍,这里就不再赘述。
本申请中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的设备而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需说明的是,在本申请文件中,诸如“第一”和“第二”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者操作区分开来,而不一定要求或者暗示这些实体或者操作之间存在任何这种实际的关系或者顺序。此外,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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的技术方案进行了详细介绍。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的保护范围内。
Claims (10)
1.一种超像素分割方法,其特征在于,包括:
对目标图像进行初始化分割以获取目标数量个聚类块;将各聚类块的物理中心点作为聚类块中心点;
分别计算像素点与预设大小邻域内各个所述聚类块中心点的特征向量的欧式距离,将欧式距离最小的所述聚类块中心点确定为所述像素点的附属中心点;所述特征向量基于所述像素点的HSL颜色空间值和坐标值而生成;
通过将附属于同一聚类块中心点的像素点以及所述聚类块中心点重新作为一个聚类块对所述目标图像进行聚类更新;
更新确定各个所述聚类块的聚类块中心点,以便继续启动所述分别计算像素点与预设大小邻域内各个所述聚类块中心点的特征向量的欧式距离的步骤进行迭代,直至满足迭代结束条件。
2.根据权利要求1所述的超像素分割方法,其特征在于,所述分别计算像素点与预设大小邻域内各个所述聚类块中心点的特征向量的欧式距离,包括:
基于预设颜色距离计算公式,分别计算像素点与所述预设大小邻域内各个所述聚类块中心点的颜色距离;所述预设颜色距离计算公式为:
dhsl=α(hk-hi)2+β(sk-si)2+γ(lk-li)2;
其中,dhsl为颜色距离;(hk,sk,lk)为第k个聚类块中心点的HSL颜色空间值;(hi,si,li)为第i个像素点的HSL颜色空间值;α、β、γ均为预设权重;
基于预设位置距离计算公式,分别计算像素点与所述预设大小邻域内各个所述聚类块中心点的位置距离;所述预设位置距离计算公式为:
dxy=(xk-xi)2+(yk-yi)2;
其中,dxy为颜色距离;(xk,yk)为第k个聚类块中心点的坐标值;(xi,yi)为第i个像素点的坐标值;
基于预设欧式距离计算公式,分别计算像素点与所述预设大小邻域内各个所述聚类块中心点的特征向量的欧式距离;所述预设欧式距离计算公式为:
其中,D为欧式距离;m为聚类密度控制参数;s为聚类中心点的预设标准间距。
3.根据权利要求1所述的超像素分割方法,其特征在于,在所述将各聚类块的物理中心点作为聚类块中心点之后、所述分别计算像素点与预设大小邻域内各个所述聚类块中心点的特征向量的欧式距离之前,还包括:
根据HSL颜色空间值对所述聚类块中心点进行优化更新。
4.根据权利要求3所述的超像素分割方法,其特征在于,所述根据HSL颜色空间值对所述聚类块中心点进行优化更新,包括:
根据预设颜色梯度计算公式,计算所述聚类块中各个像素点的颜色梯度;
将颜色梯度最小的像素点确定为所述聚类块更新后的聚类块中心点。
5.根据权利要求4所述的超像素分割方法,其特征在于,所述对目标图像进行初始化分割以获取目标数量个聚类块,包括:
根据预设聚类块尺寸,将所述目标图像均匀分割生成所述目标数量个聚类块。
6.根据权利要求5所述的超像素分割方法,其特征在于,所述预设聚类块尺寸为3*3;所述预设颜色梯度计算公式为:
其中,G为所述颜色梯度;f(x,y)=(h,s,l)是以(x,y)为坐标的聚类块中心点的HSL颜色空间值向量。
7.根据权利要求1至6任一项所述的超像素分割方法,其特征在于,所述更新确定各个所述聚类块的聚类块中心点,包括:
将各个所述聚类块中特征向量平均值所对应的像素点作为更新后的聚类块中心点。
8.一种超像素分割装置,其特征在于,包括:
初始化模块,用于对目标图像进行初始化分割以获取目标数量个聚类块;将各聚类块的物理中心点作为聚类块中心点;
聚类模块,用于分别计算像素点与预设大小邻域内各个所述聚类块中心点的特征向量的欧式距离,将欧式距离最小的所述聚类块中心点确定为所述像素点的附属中心点;所述特征向量基于所述像素点的HSL颜色空间值和坐标值而生成;通过将附属于同一聚类块中心点的像素点以及所述聚类块中心点重新作为一个聚类块对所述目标图像进行聚类更新;
更新模块,用于更新确定各个所述聚类块的聚类块中心点,以便继续启动所述分别计算像素点与预设大小邻域内各个所述聚类块中心点的特征向量的欧式距离的步骤进行迭代,直至满足迭代结束条件。
9.一种电子设备,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以实现如权利要求1至7任一项所述的超像素分割方法的步骤。
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中存储有计算机程序,所述计算机程序被处理器执行时用以实现如权利要求1至7任一项所述的超像素分割方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910802938.8A CN110503656A (zh) | 2019-08-28 | 2019-08-28 | 一种超像素分割方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910802938.8A CN110503656A (zh) | 2019-08-28 | 2019-08-28 | 一种超像素分割方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110503656A true CN110503656A (zh) | 2019-11-26 |
Family
ID=68589997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910802938.8A Pending CN110503656A (zh) | 2019-08-28 | 2019-08-28 | 一种超像素分割方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110503656A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260596A (zh) * | 2020-01-09 | 2020-06-09 | 山东财经大学 | 一种具有抗噪的快速图像超像素自动生成方法,设备以及可读存储介质 |
CN111784715A (zh) * | 2020-08-13 | 2020-10-16 | 北京英迈琪科技有限公司 | 一种图像分离方法及其系统 |
CN112085749A (zh) * | 2020-09-10 | 2020-12-15 | 桂林电子科技大学 | 一种多尺度非迭代超像素分割方法 |
CN118053081A (zh) * | 2024-04-15 | 2024-05-17 | 西安城市发展资源信息有限公司 | 基于图像处理的城乡规划数据更新方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295013A (zh) * | 2013-05-13 | 2013-09-11 | 天津大学 | 一种基于成对区域的单幅图像阴影检测方法 |
CN103426169A (zh) * | 2013-07-26 | 2013-12-04 | 西安华海盈泰医疗信息技术有限公司 | 一种医学图像的分割算法 |
CN105354599A (zh) * | 2015-11-25 | 2016-02-24 | 安徽创世科技有限公司 | 一种基于改进的slic超像素分割算法的颜色识别方法 |
CN106682684A (zh) * | 2016-11-23 | 2017-05-17 | 天津津航计算技术研究所 | 一种基于k均值聚类的目标识别方法 |
CN109063781A (zh) * | 2018-08-14 | 2018-12-21 | 浙江理工大学 | 一种仿自然色彩功能和形式的模糊意象织物设计方法 |
CN110163217A (zh) * | 2019-01-18 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 用于配色或配色辅助的方法、装置以及计算机可读存储媒体 |
-
2019
- 2019-08-28 CN CN201910802938.8A patent/CN110503656A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295013A (zh) * | 2013-05-13 | 2013-09-11 | 天津大学 | 一种基于成对区域的单幅图像阴影检测方法 |
CN103426169A (zh) * | 2013-07-26 | 2013-12-04 | 西安华海盈泰医疗信息技术有限公司 | 一种医学图像的分割算法 |
CN105354599A (zh) * | 2015-11-25 | 2016-02-24 | 安徽创世科技有限公司 | 一种基于改进的slic超像素分割算法的颜色识别方法 |
CN106682684A (zh) * | 2016-11-23 | 2017-05-17 | 天津津航计算技术研究所 | 一种基于k均值聚类的目标识别方法 |
CN109063781A (zh) * | 2018-08-14 | 2018-12-21 | 浙江理工大学 | 一种仿自然色彩功能和形式的模糊意象织物设计方法 |
CN110163217A (zh) * | 2019-01-18 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 用于配色或配色辅助的方法、装置以及计算机可读存储媒体 |
Non-Patent Citations (1)
Title |
---|
周宝: "基于超像素聚类的图像分割方法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260596A (zh) * | 2020-01-09 | 2020-06-09 | 山东财经大学 | 一种具有抗噪的快速图像超像素自动生成方法,设备以及可读存储介质 |
CN111784715A (zh) * | 2020-08-13 | 2020-10-16 | 北京英迈琪科技有限公司 | 一种图像分离方法及其系统 |
CN111784715B (zh) * | 2020-08-13 | 2022-01-04 | 重庆七腾科技有限公司 | 一种图像分离方法及其系统 |
CN112085749A (zh) * | 2020-09-10 | 2020-12-15 | 桂林电子科技大学 | 一种多尺度非迭代超像素分割方法 |
CN118053081A (zh) * | 2024-04-15 | 2024-05-17 | 西安城市发展资源信息有限公司 | 基于图像处理的城乡规划数据更新方法 |
CN118053081B (zh) * | 2024-04-15 | 2024-06-11 | 西安城市发展资源信息有限公司 | 基于图像处理的城乡规划数据更新方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503656A (zh) | 一种超像素分割方法及相关设备 | |
Xiao et al. | Brightness and contrast controllable image enhancement based on histogram specification | |
CN111951153B (zh) | 基于生成对抗网络隐空间解构的人脸属性精细化编辑方法 | |
CN107301402A (zh) | 一种现实场景关键帧的确定方法、装置、介质及设备 | |
US9058540B2 (en) | Data clustering method and device, data processing apparatus and image processing apparatus | |
CN110660040A (zh) | 一种基于深度学习的工业品不规则缺陷检测方法 | |
CN108230340B (zh) | 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 | |
CN111291768A (zh) | 图像特征匹配方法及装置、设备、存储介质 | |
CN112288087A (zh) | 一种神经网络剪枝方法、装置、电子设备及存储介质 | |
CN108830408A (zh) | 一种面向任务资源匹配的装备保障任务多目标规划方法 | |
CN109145964A (zh) | 一种实现图像颜色聚类的方法和系统 | |
CN110058841A (zh) | 面向具有对称性的非线性函数通用计算装置和方法 | |
US7471825B2 (en) | System and method for utilizing a graphic equalizer in performing image search procedures | |
CN109741358A (zh) | 基于自适应超图学习的超像素分割方法 | |
US11650319B2 (en) | Assigning each point of a point cloud to a scanner position of a plurality of different scanner positions in a point cloud | |
CN106067158B (zh) | 一种基于gpu的特征比对方法及装置 | |
CN117011655A (zh) | 基于自适应区域选择特征融合方法、目标跟踪方法及系统 | |
CN111161289A (zh) | 图像中物体轮廓精度提升方法、装置和计算机程序产品 | |
CN116433690A (zh) | 一种基于灰狼与粒子群协同优化算法的Otsu阈值分割方法 | |
CN113344947B (zh) | 一种超像素聚合分割方法 | |
CN106340020A (zh) | 超像素分割方法和装置 | |
CN109190493A (zh) | 图像识别方法、装置及机器人视觉系统 | |
CN108564593A (zh) | 一种基于变异型粒子群算法的图像分割方法及系统 | |
CN111563863B (zh) | 一种直方图受限的图像增强方法及装置 | |
CN108564534A (zh) | 一种基于检索的图像对比度调整方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191126 |