CN110838130A - 一种快速模糊距离变换方法 - Google Patents

一种快速模糊距离变换方法 Download PDF

Info

Publication number
CN110838130A
CN110838130A CN201810927909.XA CN201810927909A CN110838130A CN 110838130 A CN110838130 A CN 110838130A CN 201810927909 A CN201810927909 A CN 201810927909A CN 110838130 A CN110838130 A CN 110838130A
Authority
CN
China
Prior art keywords
dimensional
image
pixel
distance
fuzzy
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
Application number
CN201810927909.XA
Other languages
English (en)
Other versions
CN110838130B (zh
Inventor
郭斯羽
凌志刚
李树涛
刘敏
温和
汪沨
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.)
Hunan University
Original Assignee
Hunan University
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 Hunan University filed Critical Hunan University
Priority to CN201810927909.XA priority Critical patent/CN110838130B/zh
Publication of CN110838130A publication Critical patent/CN110838130A/zh
Application granted granted Critical
Publication of CN110838130B publication Critical patent/CN110838130B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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
    • G06T2207/20036—Morphological image processing
    • G06T2207/20041—Distance transform

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种快速模糊距离变换方法。对模糊分割所得的二维或三维模糊分割图像进行分辨率倍增处理，在提高分辨率的过程中，控制原图像中相邻的两个对象像素点在提高分辨率后，仅通过一个插入像素来保持连通，从而保证了提高分辨率之后的对象具有与原图像中相同的拓扑连通性；对分辨率倍增后的模糊分割图像，令像素值为0的像素的距离变换值为0，其余像素的距离变换值初始为无穷大；之后以像素值为0的像素为初始种子点，按照最小代价路径方法将距离变换值逐步由种子点扩散至与之相邻的对象像素，直至所有像素点处的距离变换值均已求得为止；对所得的高分辨率的距离变换结果进行下采样获得原模糊分割图像对应的距离变换结果。本发明能克服已有的模糊距离变换方法中不能保证高分辨率图像与原图像拓扑连通性不变的问题，并且通过采用最小代价距离方法提高了运行速度。

Description

一种快速模糊距离变换方法
技术领域
本发明涉及工农业生产、交通、互联网等应用领域，具体是一种针对图像的模糊分割结果中对象的快速模糊距离变换方法。
背景技术
距离变换是图像分割、分析和理解任务中的一个重要工具，例如利用距离变换，可以进行图像的分水岭分割、提取分割区域骨架和分离分割区域的各个显著子区域等工作，进而对于图像中对象的理解与识别具有重要意义。
模糊距离变换是用于模糊分割图像的距离变换。图像的模糊分割不是硬性地将图像中的像素分为对象或非对象，而且给每个像素赋予一个属于对象的隶属度值，从而能够更好地把握人类视觉在确定对象时所存在的固有的模糊性。
现有的模糊距离变换方法主要通过动态规划算法来实现，通过结合提高分辨率的操作，能够求取准确的模糊距离变换结果，但是其运行速度偏慢，而且若干使用了提高分辨率操作的方法，在进行分辨率提升时，有可能造成原有的完整模糊对象被分裂为多个不连通部分的问题。
因此，有必要找到一种更为快速的模糊距离变换方法，能够更为迅速地获取准确的模糊距离变换结果，并能在进行分辨率提升时保持原有对象的拓扑连通性不变，从而能够在相关应用中更为可靠和有效地使用模糊距离变换。
发明内容
本发明所要解决的技术问题是在现有的模糊距离变换方法基础上，针对其分辨率提高过程中可能导致的区域拓扑性质发生改变以及速度相对较慢的问题，提供一种能够保持高分辨率下区域拓扑连通性且速度更快的模糊距离变换方法。
为解决上述技术问题，本发明提出的解决方案为：在提高分辨率的过程中，确保低分辨率下的相邻像素，其对应的高分辨率像素之间仅通过一种无歧义的方式保持连通，并利用最小代价路径算法来控制距离变换值的扩散，以提高运行速度。
设需要进行模糊距离变换的模糊分割图像为I，即I中的每个像素或体素的值，均是取值在[0,1]区间上的模糊集合隶属度函数值，表示该像素或体素属于被分割出来的模糊对象的“程度”。本发明所述的模糊距离变换具体包括以下步骤：
i.对需要进行距离变换的所述模糊分割图像I，若I为二维图像，则对它进行二维倍分辨率拓展；若I为三维图像，则对它进行三维倍分辨率拓展；经过所述二维或三维倍分辨率拓展后所得的拓展图像为IF；
ii.对所述的拓展图像IF进行基于最小代价路径的距离扩散，得到拓展距离变换结果DF；
iii.抽取所述拓展距离变换结果DF中对应所述模糊分割图像I中各像素或体素位置处的值，构成所述模糊分割图像I的模糊距离变换结果D。
第i步中二维倍分辨率拓展具体包含如下步骤：
a.产生高为2H+1、宽为2W+1的二维图像IF，其中H和W分别为所述需要进行距离变换的二维模糊分割图像I的高和宽；IF中的所有像素值初始化为0；
b.对i＝1,2,...,H和j＝1,2,...,W，置IF(2i,2j)＝I(i,j)，其中A(i,j)表示二维矩阵A中第i行第j列的元素；
c.对i＝3,5,...,2H-1和j＝2,4,...,2W，若IF(i-1,j)>0且IF(i+1,j)>0，则置
IF(i,j)＝[IF(i-1,j)+IF(i+1,j)]/2；
否则置IF(i,j)＝0；
d.对i＝2,4,...,2H和j＝3,5,...,2W-1，若IF(i,j-1)>0且IF(i,j+1)>0，则置
IF(i,j)＝[IF(i,j-1)+IF(i,j+1)]/2；
否则置IF(i,j)＝0；
e.对i＝3,5,...,2H-1和j＝3,5,...,2W-1，若IF(i-1,j-1)、IF(i+1,j-1)、IF(i-1,j+1)、IF(i+1,j+1)均大于0，则置
IF(i,j)＝[IF(i-1,j-1)+IF(i+1,j-1)+IF(i-1,j+1)+IF(i+1,j+1)]/4；
否则，若IF(i-1,j-1)、IF(i+1,j+1)均大于0且IF(i+1,j-1)、IF(i-1,j+1)均等于0，则置
IF(i,j)＝[IF(i-1,j-1)+IF(i+1,j+1)]/2；
否则，若IF(i-1,j-1)、IF(i+1,j+1)均等于0且IF(i+1,j-1)、IF(i-1,j+1)均大于0，则置
IF(i,j)＝[IF(i-1,j+1)+IF(i+1,j-1)]/2；
f.IF即为所述二维倍分辨率拓展所得的拓展图像，返回IF。
第i步中三维倍分辨率拓展具体包含如下步骤：
a.产生高为2H+1、宽为2W+1、深为2D+1的三维图像IF，其中H、W和D分别为所述需要进行距离变换的三维模糊分割图像I的高、宽和层数；IF中的所有像素值初始化为0；
b.对i＝1,2,...,H、j＝1,2,...,W和k＝1,2,...,D，置IF(2i,2j,2k)＝I(i,j,k)，其中B(i,j,k)表示三维矩阵B中第i行第j列第k层的元素；
c.对i＝3,5,...,2H-1、j＝2,4,...,2W和k＝2,4,...,2D，若IF(i-1,j,k)>0且IF(i+1,j,k)>0，则置
IF(i,j,k)＝[IF(i-1,j,k)+IF(i+1,j,k)]/2；
否则置IF(i,j,k)＝0；
d.对i＝2,4,...,2H、j＝3,5,...,2W-1和k＝2,4,...,2D，若IF(i,j-1,k)>0且IF(i,j+1,k)>0，则置
IF(i,j,k)＝[IF(i,j-1,k)+IF(i,j+1,k)]/2；
否则置IF(i,j,k)＝0；
e.对i＝2,4,...,2H、j＝2,4,...,2W和k＝3,5,...,2D-1，若IF(i,j,k-1)>0且IF(i,j,k+1)>0，则置
IF(i,j,k)＝[IF(i,j,k-1)+IF(i,j,k+1)]/2；
否则置IF(i,j,k)＝0；
f.对i＝3,5,...,2H-1、j＝3,5,...,2W-1和k＝2,4,...,2D，若IF(i-1,j-1,k)、IF(i+1,j-1,k)、IF(i-1,j+1,k)、IF(i+1,j+1,k)均大于0，则置
IF(i,j,k)＝[IF(i-1,j-1,k)+IF(i+1,j-1,k)+IF(i-1,j+1,k)+IF(i+1,j+1,k)]/4；
否则，若IF(i-1,j-1,k)、IF(i+1,j+1,k)均大于0且IF(i+1,j-1,k)、IF(i-1,j+1,k)均等于0，则置
IF(i,j,k)＝[IF(i-1,j-1,k)+IF(i+1,j+1，k)]/2；
否则，若IF(i-1,j-1,k)、IF(i+1,j+1,k)均等于0且IF(i+1,j-1,k)、IF(i-1,j+1,k)均大于0，则置
IF(i,j,k)＝[IF(i-1,j+1,k)+IF(i+1,j-1,k)]/2；
否则置IF(i,j,k)＝0；
g.对i＝3,5,...,2H-1、j＝2,4,...,2W和k＝3,5,...,2D-1，若IF(i-1,j,k-1)、IF(i+1,j,k-1)、IF(i-1,j,k+1)、IF(i+1,j,k+1)均大于0，则置
IF(i,j,k)＝[IF(i-1,j,k-1)+IF(i+1,j,k-1)+IF(i-1,j,k+1)+IF(i+1,j,k+1)]/4；
否则，若IF(i-1,j,k-1)、IF(i+1,j,k+1)均大于0且IF(i+1,j,k-1)、IF(i-1,j,k+1)均等于0，则置
IF(i,j,k)＝[IF(i-1,j,k-1)+IF(i+1,j,k+1)]/2；
否则，若IF(i-1,j,k-1)、IF(i+1,j,k+1)均等于0且IF(i+1,j,k-1)、IF(i-1,j,k+1)均大于0，则置
IF(i,j,k)＝[IF(i-1,j,k+1)+IF(i+1,j,k-1)]/2；
否则置IF(i,j,k)＝0；
g.对i＝2,4,...,2H、j＝3,5,...,2W-1和k＝3,5,...,2D-1，若IF(i,j-1,k-1)、IF(i,j-1,k+1)、IF(i,j+1,k-1)、IF(i,j+1,k+1)均大于0，则置
IF(i,j,k)＝[IF(i,j-1,k-1)+IF(i,j-1,k+1)+IF(i,j+1,k-1)+IF(i,j+1,k+1)]/4；
否则，若IF(i,j-1,k-1)、IF(i,j+1,k+1)均大于0且IF(i,j-1,k+1)、IF(i,j+1,k-1)均等于0，则置
IF(i,j,k)＝[IF(i,j-1,k-1)+IF(i,j+1,k+1)]/2；
否则，若IF(i,j-1,k-1)、IF(i,j+1,k+1)均等于0且IF(i,j-1,k+1)、IF(i,j+1,k-1)均大于0，则置
IF(i,j,k)＝[IF(i,j+1,k-1)+IF(i,j-1,k+1)]/2；
否则置IF(i,j,k)＝0；
h.对i＝3,5,...,2H-1、j＝3,5,...,2W-1和k＝3,5,...,2D-1，若八邻点IF(i-1,j-1,k-1)、IF(i+1,j-1,k-1)、IF(i-1,j+1,k-1)、IF(i+1,j+1,k-1)、IF(i-1,j-1,k+1)、IF(i+1,j-1,k+1)、IF(i-1,j+1,k+1)、IF(i+1,j+1,k+1)均大于0，则置
Figure BDA0001765839830000041
否则，若所述八邻点中仅有IF(i-1,j-1,k-1)、IF(i+1,j+1,k+1)均大于0而其余点均等于0，则置
IF(i,j,k)＝[IF(i-1,j-1,k-1)+IF(i+1,j+1,k+1)]/2；
否则，若所述八邻点中仅有IF(i-1,j-1,k+1)、IF(i+1,j+1,k-1)均大于0而其余点均等于0，则置
IF(i,j,k)＝[IF(i+1,j+1，k-1)+IF(i-1,j-1,k+1)]/2；
否则，若所述八邻点中仅有IF(i-1,j+1,k+1)、IF(i+1,j-1,k-1)均大于0而其余点均等于0，则置
IF(i,j,k)＝[IF(i+1,j-1,k-1)+IF(i-1,j+1,k+1)]/2；
否则置IF(i,j,k)＝0；
i.IF即为所述三维倍分辨率拓展所得的拓展图像，返回IF。
第ii步中基于最小代价路径的距离扩散具体包含如下步骤：
a.对所述的拓展图像IF，产生与IF大小相同的所述拓展距离变换结果矩阵DF和布尔值标记矩阵M；M的所有元素初始化为FALSE；遍历IF中的所有像素或体素u，若IF(u)>0，则置DF(u)＝+∞，否则置DF(u)＝0，其中对于二维或三维矩阵A，A(u)表示A在像素或体素u处的像素值或体素值；
b.初始化一个优先队列Q用来保存待搜索的像素或体素，保证当前距离变换值最小的像素或体素总是Q中的首元素；
c.遍历IF中所有像素或体素u，若IF(u)＝0，且u的邻域内存在像素值或体素值大于0的相邻像素或体素w，则将w加入Q；对二维矩阵，其中一个像素u＝(i,j)的邻域指如下8个像素构成的集合：(i-1,j-1)、(i,j-1)、(i+1,j-1)、(i-1,j)、(i+1,j)、(i-1,j+1)、(i,j+1)、(i+1,j+1)；对三维矩阵，其中一个体素u＝(i,j,k)的邻域指如下26个体素构成的集合：(i-1,j-1,k-1)、(i,j-1,k-1)、(i+1,j-1,k-1)、(i-1,j,k-1)、(i,j,k-1)、(i+1,j,k-1)、(i-1,j-1,k)、(i,j-1,k)、(i+1,j-1,k)、(i-1,j,k)、(i+1,j,k)、(i-1,j+1,k)、(i,j+1,k)、(i+1,j+1,k)、(i-1,j-1,k+1)、(i,j-1,k+1)、(i+1,j-1,k+1)、(i-1,j,k+1)、(i,j,k+1)、(i+1,j,k+1)、(i-1,j+1,k+1)、(i,j+1,k+1)、(i+1,j+1,k+1)；
d.若Q为空，则返回DF；否则至第e步；
e.取出Q的首元素p；若M(p)＝TRUE，则至第d步；否则置M(p)＝TRUE；
f.遍历p的邻域中的每个像素或体素q；若M(q)＝FALSE且IF(q)>0，则计算L＝DF(p)+dist(p,q)×[IF(p)+IF(q)]/2，其中dist(p,q)表示两个像素或体素p和q之间的欧氏距离，若L<DF(q)，则置DF(q)＝L，并将q加入Q；遍历完成后至第d步。
综上所述，本发明所提供的方法，能够在进行分辨率倍增时控制像素以无歧义的方式保持相互之间的邻接性，从而保持提高分辨率后区域的拓扑连通性。同时由于采用了最小代价路径算法而非动态规划的方法，因此能够提高距离变换值扩散的速度，从而提高整个算法的速度。
附图说明
图1为本发明中所提方法的总体流程框图；
图2为实施例图像；
图3为实施例经模糊分割后所得的模糊分割图像；
图4为利用本发明中所提方法在图3上得到的距离变换结果。
具体实施方式
以下将结合附图和具体实施例对本发明做进一步详细说明。
本发明所提方法的总体流程框图如图1所示。
如图2所示是实施例图像。将实施例图像在计算机中读入MATLAB R2012a，利用im2bw函数获取自适应阈值分割阈值，利用该阈值进行阈值分割后所得的二值图像利用半径为5像素的结构元素进行数学形态学的开运算之后再进行闭运算，所得处理后的二值图像中，黑色区域的像素的模糊分割结果隶属度函数值为0，白色区域的隶属度函数值与该像素在原图中的灰度值成正比。由此得到的模糊分割图像如图3所示。
如图4所示是利用本发明中所提方法在图3上得到的距离变换结果。由图4可见，所得结果直观体现了模糊分割图像中模糊对象的像素点到非对象像素点(即隶属度函数值为0的像素点)之间的最短距离，与视觉直觉的结果较为吻合。
作为对比，还利用Saha等人提出的模糊距离变换(P.K.Saha,F.W.Wehrli,B.R.Gomberg,Fuzzy distance transform:theory,algorithms,andapplications.Computer Vision and Image Understanding,vol.86,171-190,2002.记为SWG)和本发明所提方法(记为OURS)，在包括实施例图像在内的40幅图像上进行了实验。图像大小均为2048×1536像素。各方法的平均运行时间如下表所示。由表可见，本发明所提方法所需的运行时间较SWG方法减少了13.5％。
算法 SWG OURS
平均运行时间(s) 0.481 0.416

Claims (4)

1.一种快速模糊距离变换方法，能够求取二维或三维模糊分割图像中模糊对象区域的模糊距离变换；所述的二维或三维模糊分割图像，图像中的每个像素或体素的取值在[0,1]区间上，表示该像素或体素属于所述模糊分割图像中的模糊对象区域的隶属度函数值；本发明所提出的方法包括以下步骤：
i.对需要进行距离变换的所述模糊分割图像I，若I为二维图像，则对它进行二维倍分辨率拓展；若I为三维图像，则对它进行三维倍分辨率拓展；经过所述二维或三维倍分辨率拓展后所得的拓展图像为IF；
ii.对所述的拓展图像IF进行基于最小代价路径的距离扩散，得到拓展距离变换结果DF；
iii.抽取所述拓展距离变换结果DF中对应所述模糊分割图像I中各像素或体素位置处的值，构成所述模糊分割图像I的模糊距离变换结果D。
2.根据权利要求1所述的一种快速模糊距离变换方法，其特征在于，第i步中二维倍分辨率拓展包含如下步骤：
a.产生高为2H+1、宽为2W+1的二维图像IF，其中H和W分别为所述需要进行距离变换的二维模糊分割图像I的高和宽；IF中的所有像素值初始化为0；
b.对i＝1,2,...,H和j＝1,2,...,W，置IF(2i,2j)＝I(i,j)，其中A(i,j)表示二维矩阵A中第i行第j列的元素；
c.对i＝3,5,...,2H-1和j＝2,4,...,2W，若IF(i-1,j)>0且IF(i+1,j)>0，则置
IF(i,j)＝[IF(i-1,j)+IF(i+1,j)]/2；
否则置IF(i,j)＝0；
d.对i＝2,4,...,2H和j＝3,5,...,2W-1，若IF(i,j-1)>0且IF(i,j+1)>0，则置
IF(i,j)＝[IF(i,j-1)+IF(i,j+1)]/2；
否则置IF(i,j)＝0；
e.对i＝3,5,...,2H-1和j＝3,5,...,2W-1，若IF(i-1,j-1)、IF(i+1,j-1)、IF(i-1,j+1)、IF(i+1,j+1)均大于0，则置
IF(i,j)＝[IF(i-1,j-1)+IF(i+1,j-1)+IF(i-1,j+1)+IF(i+1,j+1)]/4；
否则，若IF(i-1,j-1)、IF(i+1,j+1)均大于0且IF(i+1,j-1)、IF(i-1,j+1)均等于0，则置
IF(i,j)＝[IF(i-1,j-1)+IF(i+1,j+1)]/2；
否则，若IF(i-1,j-1)、IF(i+1,j+1)均等于0且IF(i+1,j-1)、IF(i-1,j+1)均大于0，则置
IF(i,j)＝[IF(i-1,j+1)+IF(i+1,j-1)]/2；
f.IF即为所述二维倍分辨率拓展所得的拓展图像，返回IF。
3.根据权利要求1所述的一种快速模糊距离变换方法，其特征在于，第i步中三维倍分辨率拓展包含如下步骤：
a.产生高为2H+1、宽为2W+1、深为2D+1的三维图像IF，其中H、W和D分别为所述需要进行距离变换的三维模糊分割图像I的高、宽和层数；IF中的所有像素值初始化为0；
b.对i＝1,2,...,H、j＝1,2,...,W和k＝1,2,...,D，置IF(2i,2j,2k)＝I(i,j,k)，其中B(i,j,k)表示三维矩阵B中第i行第j列第k层的元素；
c.对i＝3,5,...,2H-1、j＝2,4,...,2W和k＝2,4,...,2D，若IF(i-1,j,k)>0且IF(i+1,j,k)>0，则置
IF(i,j,k)＝[IF(i-1,j,k)+IF(i+1,j,k)]/2；
否则置IF(i,j,k)＝0；
d.对i＝2,4,...,2H、j＝3,5,...,2W-1和k＝2,4,...,2D，若IF(i,j-1,k)>0且IF(i,j+1,k)>0，则置
IF(i,j,k)＝[IF(i,j-1,k)+IF(i,j+1,k)]/2；
否则置IF(i,j,k)＝0；
e.对i＝2,4,...,2H、j＝2,4,...,2W和k＝3,5,...,2D-1，若IF(i,j,k-1)>0且IF(i,j,k+1)>0，则置
IF(i,j,k)＝[IF(i,j,k-1)+IF(i,j,k+1)]/2；
否则置IF(i,j,k)＝0；
f.对i＝3,5,...,2H-1、j＝3,5,...,2W-1和k＝2,4,...,2D，若IF(i-1,j-1,k)、IF(i+1,j-1,k)、IF(i-1,j+1,k)、IF(i+1,j+1,k)均大于0，则置
IF(i,j,k)＝[IF(i-1,j-1,k)+IF(i+1,j-1,k)+IF(i-1,j+1,k)+IF(i+1,j+1,k)]/4；
否则，若IF(i-1,j-1,k)、IF(i+1,j+1,k)均大于0且IF(i+1,j-1,k)、IF(i-1,j+1,k)均等于0，则置
IF(i,j,k)＝[IF(i-1,j-1,k)+IF(i+1,j+1,k)]/2；
否则，若IF(i-1,j-1,k)、IF(i+1,j+1,k)均等于0且IF(i+1,j-1,k)、IF(i-1,j+1,k)均大于0，则置
IF(i,j,k)＝[IF(i-1,j+1,k)+IF(i+1,j-1,k)]/2；
否则置IF(i,j,k)＝0；
g.对i＝3,5,...,2H-1、j＝2,4,...,2W和k＝3,5,...,2D-1，若IF(i-1,j,k-1)、IF(i+1,j,k-1)、IF(i-1,j,k+1)、IF(i+1,j,k+1)均大于0，则置
IF(i,j,k)＝[IF(i-1,j,k-1)+IF(i+1,j,k-1)+IF(i-1,j,k+1)+IF(i+1,j,k+1)]/4；
否则，若IF(i-1,j,k-1)、IF(i+1,j,k+1)均大于0且IF(i+1,j,k-1)、IF(i-1,j,k+1)均等于0，则置
IF(i,j,k)＝[IF(i-1,j,k-1)+IF(i+1,j,k+1)]/2；
否则，若IF(i-1,j,k-1)、IF(i+1,j,k+1)均等于0且IF(i+1,j,k-1)、IF(i-1,j,k+1)均大于0，则置
IF(i,j,k)＝[IF(i-1,j,k+1)+IF(i+1,j,k-1)]/2；
否则置IF(i,j,k)＝0；
g.对i＝2,4,...,2H、j＝3,5,...,2W-1和k＝3,5,...,2D-1，若IF(i,j-1,k-1)、IF(i,j-1,k+1)、IF(i,j+1,k-1)、IF(i,j+1,k+1)均大于0，则置
IF(i,j,k)＝[IF(i,j-1,k-1)+IF(i,j-1,k+1)+IF(i,j+1,k-1)+IF(i,j+1,k+1)]/4；
否则，若IF(i,j-1,k-1)、IF(i,j+1,k+1)均大于0且IF(i,j-1,k+1)、IF(i,j+1,k-1)均等于0，则置
IF(i,j,k)＝[IF(i,j-1,k-1)+IF(i,j+1,k+1)]/2；
否则，若IF(i,j-1,k-1)、IF(i,j+1,k+1)均等于0且IF(i,j-1,k+1)、IF(i,j+1,k-1)均大于0，则置
IF(i,j,k)＝[IF(i,j+1,k-1)+IF(i,j-1,k+1)]/2；
否则置IF(i,j,k)＝0；
h.对i＝3,5,...,2H-1、j＝3,5,...,2W-1和k＝3,5,...,2D-1，若八邻点IF(i-1,j-1,k-1)、IF(i+1,j-1,k-1)、IF(i-1,j+1,k-1)、IF(i+1,j+1,k-1)、IF(i-1,j-1,k+1)、IF(i+1,j-1,k+1)、IF(i-1,j+1,k+1)、IF(i+1,j+1,k+1)均大于0，则置
Figure FDA0001765839820000031
否则，若所述八邻点中仅有IF(i-1,j-1,k-1)、IF(i+1,j+1,k+1)均大于0而其余点均等于0，则置
IF(i,j,k)＝[IF(i-1,j-1,k-1)+IF(i+1,j+1,k+1)]/2；
否则，若所述八邻点中仅有IF(i-1,j-1,k+1)、IF(i+1,j+1,k-1)均大于0而其余点均等于0，则置
IF(i,j,k)＝[IF(i+1,j+1,k-1)+IF(i-1,j-1,k+1)]/2；
否则，若所述八邻点中仅有IF(i-1,j+1,k+1)、IF(i+1,j-1,k-1)均大于0而其余点均等于0，则置
IF(i,j,k)＝[IF(i+1,j-1,k-1)+IF(i-1,j+1,k+1)]/2；
否则置IF(i,j,k)＝0；
i.IF即为所述三维倍分辨率拓展所得的拓展图像，返回IF。
4.根据权利要求1所述的一种快速模糊距离变换方法，其特征在于，第ii步中基于最小代价路径的距离扩散包含如下步骤：
a.对所述的拓展图像IF，产生与IF大小相同的所述拓展距离变换结果矩阵DF和布尔值标记矩阵M；M的所有元素初始化为FALSE；遍历IF中的所有像素或体素u，若IF(u)>0，则置DF(u)＝+∞，否则置DF(u)＝0，其中对于二维或三维矩阵A，A(u)表示A在像素或体素u处的像素值或体素值；
b.初始化一个优先队列Q用来保存待搜索的像素或体素，保证当前距离变换值最小的像素或体素总是Q中的首元素；
c.遍历IF中所有像素或体素u，若IF(u)＝0，且u的邻域内存在像素值或体素值大于0的相邻像素或体素w，则将w加入Q；对二维矩阵，其中一个像素u＝(i,j)的邻域指如下8个像素构成的集合：(i-1,j-1)、(i,j-1)、(i+1,j-1)、(i-1,j)、(i+1,j)、(i-1,j+1)、(i,j+1)、(i+1,j+1)；对三维矩阵，其中一个体素u＝(i,j,k)的邻域指如下26个体素构成的集合：(i-1,j-1,k-1)、(i,j-1,k-1)、(i+1,j-1,k-1)、(i-1,j,k-1)、(i,j,k-1)、(i+1,j,k-1)、(i-1,j-1,k)、(i,j-1,k)、(i+1,j-1,k)、(i-1,j,k)、(i+1,j,k)、(i-1,j+1,k)、(i,j+1,k)、(i+1,j+1,k)、(i-1,j-1,k+1)、(i,j-1,k+1)、(i+1,j-1,k+1)、(i-1,j,k+1)、(i,j,k+1)、(i+1,j,k+1)、(i-1,j+1,k+1)、(i,j+1,k+1)、(i+1,j+1,k+1)；
d.若Q为空，则返回DF；否则至第e步；
e.取出Q的首元素p；若M(p)＝TRUE，则至第d步；否则置M(p)＝TRUE；
f.遍历p的邻域中的每个像素或体素q；若M(q)＝FALSE且IF(q)>0，则计算L＝DF(p)+dist(p,q)×[IF(p)+IF(q)]/2，其中dist(p,q)表示两个像素或体素p和q之间的欧氏距离，若L<DF(q)，则置DF(q)＝L，并将q加入Q；遍历完成后至第d步。
CN201810927909.XA 2018-08-15 2018-08-15 一种快速模糊距离变换方法 Active CN110838130B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810927909.XA CN110838130B (zh) 2018-08-15 2018-08-15 一种快速模糊距离变换方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810927909.XA CN110838130B (zh) 2018-08-15 2018-08-15 一种快速模糊距离变换方法

Publications (2)

Publication Number Publication Date
CN110838130A true CN110838130A (zh) 2020-02-25
CN110838130B CN110838130B (zh) 2022-07-12

Family

ID=69574090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810927909.XA Active CN110838130B (zh) 2018-08-15 2018-08-15 一种快速模糊距离变换方法

Country Status (1)

Country Link
CN (1) CN110838130B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766338A (zh) * 2021-01-11 2021-05-07 明峰医疗系统股份有限公司 一种计算距离图像的方法、系统及计算机可读存储介质
CN112950723A (zh) * 2021-03-05 2021-06-11 湖南大学 基于边缘尺度自适应散焦模糊估计的机器人相机标定方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050078119A1 (en) * 2003-09-08 2005-04-14 Stmicroelectronics Sa Device and method for processing video and graphics data
CN102968798A (zh) * 2012-12-12 2013-03-13 北京航空航天大学 一种基于小波变换和otsu阈值的sar图像海陆分割方法
CN103679721A (zh) * 2013-12-10 2014-03-26 中国船舶重工集团公司第七0九研究所 采用邻域法霍夫变换的图像轮廓简化方法
CN103955925A (zh) * 2014-04-22 2014-07-30 湖南大学 基于分块固定最小采样的改进概率霍夫变换曲线检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050078119A1 (en) * 2003-09-08 2005-04-14 Stmicroelectronics Sa Device and method for processing video and graphics data
CN102968798A (zh) * 2012-12-12 2013-03-13 北京航空航天大学 一种基于小波变换和otsu阈值的sar图像海陆分割方法
CN103679721A (zh) * 2013-12-10 2014-03-26 中国船舶重工集团公司第七0九研究所 采用邻域法霍夫变换的图像轮廓简化方法
CN103955925A (zh) * 2014-04-22 2014-07-30 湖南大学 基于分块固定最小采样的改进概率霍夫变换曲线检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
郭斯羽: "A New Focus Measure Using Block Maxima of Image Gradients", 《IEEE：A NEW FOCUS MEASURE USING BLOCK MAXIMA OF IMAGE GRADIENTS》 *
郭斯羽等: "基于二值图像邻域加权的直线Hough变换", 《电子测量与仪器学报》 *
郭正红等: "结合视觉显著图的Seam Carving图像缩放方法", 《云南大学学报(自然科学版)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766338A (zh) * 2021-01-11 2021-05-07 明峰医疗系统股份有限公司 一种计算距离图像的方法、系统及计算机可读存储介质
CN112950723A (zh) * 2021-03-05 2021-06-11 湖南大学 基于边缘尺度自适应散焦模糊估计的机器人相机标定方法
CN112950723B (zh) * 2021-03-05 2022-08-02 湖南大学 基于边缘尺度自适应散焦模糊估计的机器人相机标定方法

Also Published As

Publication number Publication date
CN110838130B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN107038448B (zh) 目标检测模型构建方法
CN111160407B (zh) 一种深度学习目标检测方法及系统
Chen et al. Dr-tanet: Dynamic receptive temporal attention network for street scene change detection
CN109086777B (zh) 一种基于全局像素特征的显著图精细化方法
CN111126385A (zh) 一种可变形活体小目标的深度学习智能识别方法
CN114223019A (zh) 用于参数有效的语义图像分割的反馈解码器
CN111583279A (zh) 一种基于pcba的超像素图像分割方法
CN111125397B (zh) 一种基于卷积神经网络的布料图像检索方法
Partovi et al. Roof Type Selection based on patch-based classsification using deep learning for high Resolution Satellite Imagery
Giang et al. TopicFM: Robust and interpretable topic-assisted feature matching
CN113888461A (zh) 基于深度学习的小五金件缺陷检测方法、系统及设备
KR20180067909A (ko) 영상 분할 장치 및 방법
CN110992379A (zh) 一种基于方向超像素的快速图像分割方法
CN110838130B (zh) 一种快速模糊距离变换方法
CN111222514B (zh) 一种基于视觉定位的局部地图优化方法
CN106846321B (zh) 一种基于贝叶斯概率与神经网络的图像分割方法
US20150086118A1 (en) Method for recognizing a visual context of an image and corresponding device
Saunders et al. Dyna-dm: Dynamic object-aware self-supervised monocular depth maps
CN116612385B (zh) 基于深度高分辨率关系图卷积的遥感影像多类信息提取方法与系统
CN113627481A (zh) 一种面向智慧园林的多模型组合的无人机垃圾分类方法
CN107170004B (zh) 一种无人车单目视觉定位中对匹配矩阵的图像匹配方法
CN110503093B (zh) 基于视差图dbscan聚类的感兴趣区域提取方法
Ling et al. Flowacc: Real-time high-accuracy dnn-based optical flow accelerator in fpga
CN114943823B (zh) 基于深度学习语义感知的无人机图像拼接方法及系统
CN114998630A (zh) 一种从粗到精的地对空图像配准方法

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