CN110619643B - 一种基于局部信息的区域生长图像分割方法 - Google Patents
一种基于局部信息的区域生长图像分割方法 Download PDFInfo
- Publication number
- CN110619643B CN110619643B CN201910874429.6A CN201910874429A CN110619643B CN 110619643 B CN110619643 B CN 110619643B CN 201910874429 A CN201910874429 A CN 201910874429A CN 110619643 B CN110619643 B CN 110619643B
- Authority
- CN
- China
- Prior art keywords
- pixels
- pixel
- neighborhood
- region growing
- value
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20101—Interactive definition of point of interest, landmark or seed
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
本发明公开了一种基于局部信息的区域生长图像分割方法,包括:首先,在图像目标区域选取一个种子点;然后,以该种子点为起点,利用像素局部信息,并采用不同尺度的生长准则对图像进行多尺度区域生长,且在每一次区域生长中利用中间结果的R、G、B色彩均值和标准差动态更新生长准则;最后,采用Kullback‑Leibler散度计算相邻两次区域生长结果的概率分布差异,当差异值大于预设阈值时,取上一次区域生长结果作为最终分割结果。本发明方法对噪声不敏感,可有效分割目标边界模糊、灰度不均一、纹理丰富的图像,分割精度高、鲁棒性强。
Description
技术领域
本发明属于数字图像处理领域,涉及一种数字图像分割技术,特别涉及一种基于局部信息的区域生长图像分割方法。
技术背景
区域生长法是一种将具有相似属性的像素聚合起来的图像分割方法。该方法首先需要指定一组种子点(种子点可以是单个像素,也可以是某个小区域),然后根据事先定义的生长准则,对种子点邻域内的像素进行判断,若邻域像素与种子像素间的相似度满足生长准则,则将邻域像素标定为目标,并以该邻域像素点为新的种子点,重复上述搜索判断过程,直至所有满足条件的像素点均被包括进来。其中生长的相似性准则可根据图像数据类型利用图像像素间的灰度、色彩等信息进行定义。
现有的区域生长法通常具有以下几个缺点:生长准则的定义具有盲目性,很难事先找到一个合适的生长准则,而不合适的生长准则极易造成图像过分割或欠分割;由于现有技术通常利用单个像素特征及固定生长准则对图像进行分割,因此,对于目标边界模糊、灰度不均一、纹理丰富的图像分割效果较差;对噪声敏感,易对噪声图像产生分割空洞,尤其当种子点指定为噪声点时,该方法将无法进行分割。
发明内容
本发明针对上述现有技术的缺点与不足,旨在提供一种分割效果好、鲁棒性强且对噪声不敏感的基于局部信息的区域生长图像分割方法。
本发明通过以下方案实现:
一种基于局部信息的区域生长图像分割方法,具体实现步骤如下:
(1)在原始图像的目标区域中人工选取一个种子点u;
(3)初始化i=1,ki=ω,Si={u},其中ω为大于0的常数,优选0.2~2之间的常数;
其中,Rq、Gq和Bq分别表示像素q在R、G、B三个色彩通道上的值,L(p)表示以像素p为中心大小为(2n+1)×(2n+1)的局部像素块,其中n为大于等于0的自然数,优选1~6之间的自然数,card(L(p))表示像素块L(p)所包含的像素数目,取值为(2n+1)×(2n+1);若和同时满足和则将该邻域像素p包含进入集合Si;
(7)重复步骤(5)和(6),直至不再有新像素包含进入集合Si;
(8)判断i是否等于1,若不等,则执行步骤(9);若相等,则执行i=i+1,ki=ki+δ,Si={u},并重复步骤(4)~(7),其中δ为大于0的常数,优选0.01~0.5之间的常数;
(9)计算Si和Si-1所包含像素在R、G、B三个色彩通道上概率分布的Kullback-Leibler散度和:
其中,和分别为Si和Si-1所包含像素在R、G、B三个色彩通道上的概率分布,计算得到的D值越大,表明Si和Si-1所包含像素概率分布的差异越大;若计算得到的D值小于等于预设阈值ε,则执行i=i+1,ki=ki+δ,Si={u},并重复步骤(4)~(7),其中ε,优选3~50之间的常数;若差异D大于ε,则取上一次区域生长结果Si-1作为最终的图像分割结果。
与现有区域生长方法相比,本发明方法有以下几个优点:
本发明方法根据不同尺度生长准则得到的分割结果的概率分布差异自适应确定区域生长的终止条件,可有效避免人工选择终止条件引起的过分割或欠分割。
本发明方法在进行区域生长时利用中间结果动态更新生长准则,可针对不同图像自动制定适合的生长准则,分割精度高、鲁棒性强,尤其对于目标边界模糊、纹理丰富的图像具有明显的分割优势。
本发明方法利用图像像素的局部信息替代单个像素信息进行区域生长,对噪声不敏感,即便种子点选取为噪声点,也可获得较好的分割效果。
附图说明
图1本发明实施方式的原始图像示意图;
图2本发明实施方式的人工选取种子点示意图;
图3本发明实施方式中由不同ki值计算得到的D值变化图;
图4本发明实施方式的分割结果示意图。
具体实施方式
一种基于局部信息的区域生长图像分割方法,具体实现步骤如下:
(1)在原始图像的目标区域中人工选取一个种子点u,以图1所示原始图像为例,图2中黑色空心点即为人工选取的种子点;
(3)初始化i=1,ki=ω,Si={u},其中ω为大于0的常数,优选0.2~2之间的常数,本实施方式优选ω=1;
其中,Rq、Gq和Bq分别表示像素q在R、G、B三个色彩通道上的值,L(p)表示以像素p为中心大小为(2n+1)×(2n+1)的局部像素块,其中n为大于等于0的自然数,优选1~6之间的自然数,本实施方式优选n=2,card(L(p))表示像素块L(p)所包含的像素数目,取值为(2n+1)×(2n+1);若和同时满足和则将该邻域像素p包含进入集合Si;
(7)重复步骤(5)和(6),直至不再有新像素包含进入集合Si;
(8)判断i是否等于1,若不等,则执行步骤(9);若相等,则执行i=i+1,ki=ki+δ,Si={u},并重复步骤(4)~(7),其中δ为大于0的常数,优选0.01~0.5之间的常数;
(9)计算Si和Si-1所包含像素在R、G、B三个色彩通道上概率分布的Kullback-Leibler散度和:
其中,和分别为Si和Si-1所包含像素在R、G、B三个色彩通道上的概率分布,计算得到的D值越大,表明Si和Si-1所包含像素概率分布的差异越大;若计算得到的D值小于等于预设阈值ε,则执行i=i+1,ki=ki+δ,Si={u},并重复步骤(4)~(7),其中ε为大于0的常数,优选3~50之间的常数,本实施方式优选ε=10;若差异D大于ε,则取上一次区域生长结果Si-1作为最终的图像分割结果。
图3为采用本实施方式得到的不同ki值下的D值,可以看到,当ki值较小时,Si和Si-1所包含像素概率分布的差异较小,接近于0,当ki增大至2.45时,D值出现了突变,跳变至65.62,大于预设阈值ε,因此,取ki=2.4时,Si所包含的像素作为最终的分割结果。图4所示即为采用本实施方式得到的分割结果,可以看到,图中的目标区域被有效分割。
Claims (3)
1.一种基于局部信息的区域生长图像分割方法,其特征在于,包括以下步骤:
(1)在原始图像的目标区域中人工选取一个种子点u;
(3)初始化i=1,ki=ω,Si={u},其中ω为大于0的常数;
其中,Rq、Gq和Bq分别表示像素q在R、G、B三个色彩通道上的值,L(p)表示以像素p为中心大小为(2n+1)×(2n+1)的局部像素块,其中n为大于等于0的自然数,card(L(p))表示像素块L(p)所包含的像素数目,取值为(2n+1)×(2n+1);若和同时满足和则将该邻域像素p包含进入集合Si;
(6)以Si为当前区域,采用下述公式
(7)重复步骤(5)和(6),直至不再有新像素包含进入集合Si;
(8)判断i是否等于1,若不等,则执行步骤(9);若相等,则执行i=i+1,ki=ki+δ,Si={u},并重复步骤(4)~(7),其中δ为大于0的常数;
(9)计算Si和Si-1所包含像素在R、G、B三个色彩通道上概率分布的Kullback-Leibler散度和:
2.如权利要求1所述的一种基于局部信息的区域生长图像分割方法,其特征在于:所述r为2~10之间的常数,所述ω为0.2~2之间的常数,所述n为1~6之间的自然数,所述ε为3~50之间的常数,所述δ为0.01~0.5之间的常数。
3.如权利要求1所述的一种基于局部信息的区域生长图像分割方法,其特征在于:在所述的第(4)和第(6)步中,邻域像素取4-邻域或8-邻域像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910874429.6A CN110619643B (zh) | 2019-09-17 | 2019-09-17 | 一种基于局部信息的区域生长图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910874429.6A CN110619643B (zh) | 2019-09-17 | 2019-09-17 | 一种基于局部信息的区域生长图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110619643A CN110619643A (zh) | 2019-12-27 |
CN110619643B true CN110619643B (zh) | 2022-04-08 |
Family
ID=68922988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910874429.6A Active CN110619643B (zh) | 2019-09-17 | 2019-09-17 | 一种基于局部信息的区域生长图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110619643B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111734357B (zh) * | 2020-08-10 | 2020-11-13 | 西南石油大学 | 一种基于人工智能的气藏单井控制面积劈分方法 |
CN112258522B (zh) * | 2020-10-19 | 2021-05-04 | 哈尔滨体育学院 | 基于二次区域生长的武术竞赛区域分割方法 |
CN114298927B (zh) * | 2021-12-16 | 2022-10-04 | 北京朗视仪器股份有限公司 | 一种cbct图像去噪方法、装置、存储介质及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622750A (zh) * | 2012-02-24 | 2012-08-01 | 西安电子科技大学 | 基于交互式区域生长的胃部ct序列图像分割方法 |
CN103400365A (zh) * | 2013-06-26 | 2013-11-20 | 成都金盘电子科大多媒体技术有限公司 | 肺区ct序列自动分割方法 |
CN109801295A (zh) * | 2018-12-26 | 2019-05-24 | 西安电子科技大学 | 基于二次限制区域生长法的图像分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8369590B2 (en) * | 2007-05-21 | 2013-02-05 | Cornell University | Method for segmenting objects in images |
-
2019
- 2019-09-17 CN CN201910874429.6A patent/CN110619643B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622750A (zh) * | 2012-02-24 | 2012-08-01 | 西安电子科技大学 | 基于交互式区域生长的胃部ct序列图像分割方法 |
CN103400365A (zh) * | 2013-06-26 | 2013-11-20 | 成都金盘电子科大多媒体技术有限公司 | 肺区ct序列自动分割方法 |
CN109801295A (zh) * | 2018-12-26 | 2019-05-24 | 西安电子科技大学 | 基于二次限制区域生长法的图像分割方法 |
Non-Patent Citations (3)
Title |
---|
"A completely automatic segmentation method for breast ultrasound images";Juan Shan.et al;《 https://www.researchgate.net/publication/265979094》;20081231;全文 * |
"Automatic liver vessel segmentation using 3D region growing and hybrid";Ye-zhan Zeng.et al;《Computers in Biology and Medicine》;20180420;全文 * |
"改进区域生长的医学超声图像分割方法研究";安新军等;《计算机工程与设计》;20090328;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110619643A (zh) | 2019-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619643B (zh) | 一种基于局部信息的区域生长图像分割方法 | |
US8280165B2 (en) | System and method for segmenting foreground and background in a video | |
CN112424828B (zh) | 一种集成空间约束的核模糊c均值快速聚类算法 | |
CN109410126B (zh) | 一种细节增强与亮度自适应的高动态范围图像的色调映射方法 | |
CN109242791B (zh) | 一种针对破损植物叶片的批量修复方法 | |
CN109741341B (zh) | 一种基于超像素和长短时记忆网络的图像分割方法 | |
CN111652892A (zh) | 一种基于深度学习的遥感影像建筑物矢量提取及优化方法 | |
CN110782407B (zh) | 一种基于天空区域概率分割的单幅图像去雾方法 | |
CN108182671B (zh) | 一种基于天空区域识别的单幅图像去雾方法 | |
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 | |
CN109472792A (zh) | 结合局部熵的局部能量泛函与非凸正则项的图像分割方法 | |
CN110503140B (zh) | 基于深度迁移学习与邻域降噪的分类方法 | |
CN108133462B (zh) | 一种基于梯度场区域分割的单幅图像的复原方法 | |
CN111047603B (zh) | 一种基于新型马尔可夫随机场和区域合并的航拍图像混合分割算法 | |
CN111986126B (zh) | 一种基于改进vgg16网络的多目标检测方法 | |
CN111932645B (zh) | 基于生成对抗网络gan自动生成水墨画的方法 | |
CN113052859A (zh) | 基于自适应种子点密度聚类超像素分割方法 | |
CN110852207A (zh) | 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法 | |
CN115457551A (zh) | 适用于小样本条件的叶片损伤识别方法 | |
CN114386482B (zh) | 一种基于半监督增量学习的图片分类系统及分类方法 | |
CN115809966A (zh) | 一种低照度图像的增强方法和系统 | |
CN110084820A (zh) | 基于改进fcm算法的紫色土图像自适应分割提取方法 | |
CN110246169B (zh) | 一种基于梯度的窗口自适应立体匹配方法及系统 | |
CN111275729A (zh) | 精分割天空区域的方法及系统、图像换天的方法及系统 | |
CN108257157B (zh) | 一种基于Lab色彩空间和ViBe改进的运动目标检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |