CN111242960A - 基于复杂网络理论的图像分割方法 - Google Patents

基于复杂网络理论的图像分割方法 Download PDF

Info

Publication number
CN111242960A
CN111242960A CN202010083808.6A CN202010083808A CN111242960A CN 111242960 A CN111242960 A CN 111242960A CN 202010083808 A CN202010083808 A CN 202010083808A CN 111242960 A CN111242960 A CN 111242960A
Authority
CN
China
Prior art keywords
image
network
nodes
node
region
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
CN202010083808.6A
Other languages
English (en)
Inventor
韩越兴
宋磊磊
王冰
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.)
Beijing Transpacific Technology Development Ltd
Original Assignee
Beijing Transpacific Technology Development Ltd
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 Beijing Transpacific Technology Development Ltd filed Critical Beijing Transpacific Technology Development Ltd
Priority to CN202010083808.6A priority Critical patent/CN111242960A/zh
Publication of CN111242960A publication Critical patent/CN111242960A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • G06F18/232Non-hierarchical techniques
    • G06F18/2321Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/70Denoising; Smoothing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/13Edge detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10004Still image; Photographic image

Landscapes

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

Abstract

本发明公开了一种基于复杂网络理论的图像分割方法,发展了复杂网络中相关理论,无需大量数据和标签,能实现对复杂纹理图像的分割。本方法首先对图像进行去噪,利用聚类获得目标像素区域,生成网络节点集;然后,对图像进行网格化,获得网络的拓扑结构;之后,优化网络拓扑结构得到最优社区结构划分结果;最后,根据社区结构的最优划分,结合区域轮廓提取和区域分割实现图像分割任务。本发明中提到的图像分割方法可应用于具有复杂纹理的数字图像分割,因此,本发明可以应用在多个学科领域,如材料学、医学、微观结构学、天文学等,提高研究速度,降低研究成本,促进这些学科的研究和发展。

Description

基于复杂网络理论的图像分割方法
技术领域
本发明涉及一种图像分割处理方法,特别是涉及一种包含复杂纹理的图像分割方法,应用于计算机视觉或图像处理技术领域。
背景技术
在计算机视觉领域,图像分割是重要的图像处理任务之一,并且很具有挑战性。图像分割技术在许多领域内都具有广泛的应用,例如在无人车驾驶、物体识别、医学图像处理等领域。目前比较常见的图像分割方法有许多种,包括基于边界信息的图像分割方法、基于机器学习的图像分割方法以及基于深度学习的图像分割方法。传统的图像分割方法对包含复杂纹理的图像很难进行分割;基于机器学习的分割算法往往需要为每个像素进行提取特征,并对每个像素点进行分类,因此,计算量以及存储消耗是非常大的;深度学习可以利用卷积神经网络提取出图像高层语义特征,实现图像的分割,但是深度学习都是基于大量图像样本进行训练且要标签数据,这在一定程度上也对其产生了限制。在一些科研领域内,如材料学、医学,其图像往往都是高分辨率但数据样本比较小,对图像分割提出了具大的挑战。
近年来,伴随着复杂网络研究的热潮,复杂网络理论在处理图像中所体现出来的性能逐渐显现,越来越多基于复杂网络理论的图像处理算法开始出现。研究人员发现利用复杂网络可以结合图像局部性质和整体性质,为图像处理提供更加全面的信息,有助于一些图像处理问题的解决,比如轮廓识别、纹理分析等。复杂网络中的社区结构是重要的拓扑结构属性之一,它揭示了复杂网络中隐藏的规律和行为特征。社区结构中要求,在社区内部节点之间的联系非常紧密,而社区之间的联系则相对比较稀疏。基于复杂网络理论社区结构中这一特征,可以把它和图像分割相关联,在图像中找出由不同的像素值所代表的不同的社区来实现图像分割任务。但现有的利用复杂网络理论处理包含复杂纹理的图像时效果还不够理想。
发明内容
为了解决现有技术问题,本发明的目的在于克服已有技术存在的不足,提供一种基于复杂网络理论的图像分割方法,发展了复杂网络中相关理论,无需大量数据和标签,可以实现对复杂纹理图像的分割。
为达到上述发明创造目的,本发明采用如下技术方案:
一种基于复杂网络理论的图像分割方法,步骤如下:
a. 对图像进行去噪声处理,然后基于图像中像素值的分布,利用聚类和网格化方法,在图像上生成网络节点集;
b. 定义网络节点之间的相似性,生成网络边集,生成图像的网络拓扑结构;
c. 利用模块度函数,优化网络拓扑结构,得到最优社区结构划分结果;
d. 基于生成的图像的网络拓扑结构以及最优社区结构划分结果,进行区域轮廓的提取,获得各个图像分割区域,完成区域分割任务。
本发明采用降噪方法,优选均值滤波、中值滤波或高斯滤波方法,对输入的数字图像进行降噪。本发明采用聚类算法,优选采用K-means算法、DBSCAN算法或Meanshift算法,对图像进行像素级别上的聚类,以实现对不同像素级目标的初步分割。
作为本发明优选的技术方案,在所述步骤a中,通过降噪方法,对输入的数字图像进行降噪;
然后根据图像中像素值的分布,采用聚类算法,对图像进行像素级别上的聚类,对不同像素级目标进行初步分割;
然后对图像进行网格化,从而将图像用多个大小为d*d的方格进行划分,d为网格的方格行数或列数,计算每个方格内不同类别的像素点数,每个方格用像素点数多的类型标记成此方格的类型,并记录此方格为一个节点,方格中心点坐标表示节点的位置,把所有节点记录在一个节点集V = {v 1 , v 2 , ··· , v n }中,每个节点都有一个坐标值,即v i (x i ,y i );通过此步骤,获得图像上的网络节点集。
作为本发明优选的技术方案,在所述步骤b中,构建的生成图像的网络拓扑结构的步骤如下:
复杂网络用节点及节点之间的边进行表示的,即G = (V, E),其中V = {v 1 , v 2 , ··· , v n }为节点集,E = {e 1 , e 2 , ··· , e m }为边集;
定义集合V以及E,得到网络拓扑结构,通过所述步骤a方法,获得节点集V
两个节点v i (x i ,y i )和v j (x j ,y j )相似性是通过节点之间归一化后的欧式距离来度量的,其中欧式距离Di,j如下所示:
Figure 568249DEST_PATH_IMAGE002
, (1)
归一化后的欧式距离同样用D i,j 表示,公式如下:
Figure 282127DEST_PATH_IMAGE004
, (2)
其中M D 表示任意两个节点之间距离中的最大值;
引入半径阈值r ∈[0, 1],用来判断两节点之间是否应该存在连边,如下列公式所示:
Figure 593023DEST_PATH_IMAGE006
(3)
为了显示网络中节点连接的紧密程度,引入连接密度
Figure 784970DEST_PATH_IMAGE008
来度量节点之间的连接的紧密程度:
Figure 130500DEST_PATH_IMAGE010
(4)
其中,
Figure 749700DEST_PATH_IMAGE012
是节点度,表示与节点
Figure 547892DEST_PATH_IMAGE014
相连边的个数;
Figure 543530DEST_PATH_IMAGE016
是节点强度,表示与节点
Figure DEST_PATH_IMAGE017
相连边上的权值之和;把连接密度归一化到区间[0,1]中,公式如下:
Figure 540305DEST_PATH_IMAGE019
(5)
利用连接密度,从网络拓扑中筛选出连接紧密的节点,即连接密度大的节点;
因此,一个连接密度阈值t被定义,若两个节点的连接密度同时大于阈值时,则保留原本连接,否则断开;从而利用本步骤以上方法,构建图像的网络拓扑结构。
作为本发明优选的技术方案,在所述步骤c中,进行优化网络拓扑结构,得到最优社区结构划分结果,采用如下步骤;
在得到所述步骤b中图像的网络拓扑结构时,对于一个个密集的区域,网络是不连通的,每一个连通区域表示一个社区结构;在不同的阈值参数下,得到不同的社区划分结果;为了找到最优的rt,定义社区模块度如下:
Figure 330406DEST_PATH_IMAGE021
(6)
其中,
Figure 84736DEST_PATH_IMAGE023
是总强度之和,
Figure 352906DEST_PATH_IMAGE025
满足以下公式:
Figure 876291DEST_PATH_IMAGE027
(7)
另外,
Figure 105803DEST_PATH_IMAGE029
Figure 347428DEST_PATH_IMAGE031
分别代表了
Figure DEST_PATH_IMAGE032
节点和
Figure 950448DEST_PATH_IMAGE034
节点所属的社区,并得到以下关系:
Figure 593919DEST_PATH_IMAGE036
(8)
公式(6)主要统计了
Figure 929085DEST_PATH_IMAGE025
Figure DEST_PATH_IMAGE038
差的累加和,和越大,则说明社区划分的越好,即区域分割的越合理,因此需要找到合适的rt,使得公式(6)中的Q最大,从而得到最优社区结构划分结果。
作为本发明优选的技术方案,在所述步骤d中,进行区域轮廓的提取和区域分割时,采用如下步骤:
通过在所述步骤b中复杂网络的建立和在所述步骤c中公式(6)的计算,对图片中的拓扑结构进行分割,从一个完整的拓扑网络分割成多个子图,每个子图就是一个分割区域,然后利用填充算法,对各个子图内的空洞进行填充,最后利用边缘检测和轮廓提取,获得各个图像分割区域,完成区域分割任务。
本发明与现有技术相比较,具有如下显而易见的突出实质性特点和显著优点:
1. 本发明方法能够分割带有复杂纹理的图像,能够获得复杂纹理图像中关键部位的形状;
2. 本发明方法能优化网络拓扑结构中的社区结构,实现从社区结构划分到图像区域分割的映射;
3. 本发明方法无需大量数据和标签,就能实现对具有复杂纹理图像的分割。
附图说明
图1为本发明各实施例基于复杂网络理论的图像分割方法的流程示意图。
具体实施方式
以下结合具体的实施例子对上述方案做进一步说明,本发明的优选实施例详述如下:
实施例一:
在本实施例中,参见图1,一种基于复杂网络理论的图像分割方法,步骤如下:
a. 对图像进行去噪声处理,然后基于图像中像素值的分布,利用聚类和网格化方法,在图像上生成网络节点集;本实施例对图像进行预处理,包括图像去噪,生成目标像素区域,对图像进行网格化,最终生成网络节点集,为更有效利用复杂网络来结合图像局部性质和整体性质打好基础;
b. 定义网络节点之间的相似性,生成网络边集,生成图像的网络拓扑结构;
c. 利用模块度函数,优化网络拓扑结构,得到最优社区结构划分结果;本实施例使图像按社区结构的性质,生成的拓扑结构划分社区,并得到最优社区结构划分结果,本实施例采用复杂网络中的社区结构,能揭示了复杂网络中隐藏的规律和行为特征;
d. 基于生成的图像的网络拓扑结构以及最优社区结构划分结果,进行区域轮廓的提取,获得各个图像分割区域,完成区域分割任务。社区结构中要求,在社区内部节点之间的联系非常紧密,而社区之间的联系则相对比较稀疏。本实施例基于复杂网络理论社区结构中这一特征,将其和图像分割相关联,在图像中找出由不同的像素值所代表的不同的社区来实现图像分割任务。
本实施例基于复杂网络理论的图像分割方法,发展了复杂网络中相关理论,实现对复杂纹理图像的分割。首先对图像进行去噪,利用聚类获得目标像素区域,生成网络节点集;然后,对图像进行网格化,获得网络的拓扑结构;之后,优化网格结构得到最优社区结构划分结果;最后,根据社区结构的最优划分,结合区域轮廓提取和区域分割实现图像分割任务。本发明中提到的图像分割方法可应用于具有复杂纹理的数字图像分割,因此,本发明可以应用在多个学科领域,如材料学、医学、微观结构学、天文学等,提高研究速度,降低研究成本,促进这些学科的研究和发展。
实施例二:
本实施例与实施例一基本相同,特别之处在于:
在本实施例中,参见图1,在所述步骤a中,通过降噪方法,并采用均值滤波、中值滤波或高斯滤波方法,对输入的数字图像进行降噪;
然后根据图像中像素值的分布,利用聚类算法,并采用K-means算法、DBSCAN算法或Meanshift算法,对图像进行像素级别上的聚类,对不同像素级目标进行初步分割;
然后对图像进行网格化,从而将图像用多个大小为d*d的方格进行划分,d为网格的方格行数或列数,计算每个方格内不同类别的像素点数,每个方格用像素点数多的类型标记成此方格的类型,并记录此方格为一个节点,方格中心点坐标表示节点的位置,把所有节点记录在一个节点集V = {v 1 , v 2 , ··· , v n }中,每个节点都有一个坐标值,即v i (x i ,y i );通过此步骤,获得图像上的网络节点集。本实施例通过一次扫描下来即可获得网络中的所有节点,生成网络节点集。
实施例三:
本实施例与前述实施例基本相同,特别之处在于:
在本实施例中,参见图1,在所述步骤b中,构建的生成图像的网络拓扑结构步骤如下:
复杂网络用节点及节点之间的边进行表示的,即G = (V, E),其中V = {v 1 , v 2 , ··· , v n }为节点集,E = {e 1 , e 2 , ··· , e m }为边集;
定义集合V以及E,得到网络拓扑结构,通过所述步骤a方法,获得节点集V
两个节点v i (x i ,y i )和v j (x j ,y j )相似性是通过节点之间归一化后的欧式距离来度量的,其中欧式距离Di,j如下所示:
Figure 189165DEST_PATH_IMAGE002
, (1)
归一化后的欧式距离同样用D i,j 表示,公式如下:
Figure 64718DEST_PATH_IMAGE039
, (2)
其中M D 表示任意两个节点之间距离中的最大值;
引入半径阈值r ∈[0, 1],用来判断两节点之间是否应该存在连边,如下列公式所示:
Figure 562695DEST_PATH_IMAGE006
(3)
为了显示网络中节点连接的紧密程度,引入连接密度
Figure 334342DEST_PATH_IMAGE008
来度量节点之间的连接的紧密程度:
Figure DEST_PATH_IMAGE040
(4)
其中,
Figure 81718DEST_PATH_IMAGE012
是节点度,表示与节点
Figure 495382DEST_PATH_IMAGE032
相连边的个数;
Figure 847866DEST_PATH_IMAGE016
是节点强度,表示与节点
Figure DEST_PATH_IMAGE041
相连边上的权值之和;把连接密度归一化到区间[0,1]中,公式如下:
Figure 587152DEST_PATH_IMAGE019
(5)
利用连接密度,从网络拓扑中筛选出连接紧密的节点,即连接密度大的节点;
因此,一个连接密度阈值t被定义,若两个节点的连接密度同时大于阈值时,则保留原本连接,否则断开;从而利用本步骤以上方法,构建图像的网络拓扑结构。
实施例四:
本实施例与前述实施例基本相同,特别之处在于:
在本实施例中,参见图1,在所述步骤c中,进行优化网络拓扑结构,得到最优社区结构划分结果,采用如下步骤;
在得到所述步骤b中图像的网络拓扑结构时,对于一个个密集的区域,网络是不连通的,每一个连通区域表示一个社区结构;在不同的阈值参数下,得到不同的社区划分结果;为了找到最优的rt,定义社区模块度如下:
Figure DEST_PATH_IMAGE042
(6)
其中,
Figure 556245DEST_PATH_IMAGE023
是总强度之和,
Figure 773599DEST_PATH_IMAGE025
满足以下公式:
Figure 246169DEST_PATH_IMAGE027
(7)
另外,
Figure 890777DEST_PATH_IMAGE029
Figure 816008DEST_PATH_IMAGE031
分别代表了
Figure 40316DEST_PATH_IMAGE014
节点和
Figure 898550DEST_PATH_IMAGE034
节点所属的社区,并得到以下关系:
Figure 182901DEST_PATH_IMAGE036
(8)
公式(6)主要统计了
Figure 126586DEST_PATH_IMAGE025
Figure 154585DEST_PATH_IMAGE038
差的累加和,和越大,则说明社区划分的越好,即区域分割的越合理,因此需要找到合适的rt,使得公式(6)中的Q最大,从而得到最优社区结构划分结果。
本实施例得到网络拓扑时一个个密集的区域,网络是不连通的,每一个连通区域表示一个社区结构。在不同的阈值参数下可以得到不同的社区划分结果。为了找到最优的rt,特别定义社区模块度,优化网络结构得到最优分割结果。
实施例五:
本实施例与前述实施例基本相同,特别之处在于:
在本实施例中,参见图1,在所述步骤d中,进行区域轮廓的提取和区域分割时,采用如下步骤:
通过在所述步骤b中复杂网络的建立和在所述步骤c中公式(6)的计算,对图片中的拓扑结构进行分割,从一个完整的拓扑网络分割成多个子图,每个子图就是一个分割区域,然后利用填充算法,对各个子图内的空洞进行填充,最后利用边缘检测和轮廓提取,获得各个图像分割区域,完成区域分割任务。
本实施例方法能够分割带有复杂纹理的图像,能够获得复杂纹理图像中关键部位的形状;可以优化网络拓扑结构中的社区结构,实现从社区结构划分到图像区域分割的映射;本实施例方法无需大量数据和标签,就能实现对具有复杂纹理图像的分割。社区结构中要求,在社区内部节点之间的联系非常紧密,而社区之间的联系则相对比较稀疏。本实施例方法基于复杂网络理论社区结构中这一特征,可以把它和图像分割相关联,在图像中找出由不同的像素值所代表的不同的社区来实现图像分割任务。
综上所述,本发明上述实施例基于复杂网络理论的图像分割方法的流程示意图,共分为以下步骤:首先,对图像进行预处理,包括图像去噪、生成目标像素区域,对图像进行网格化,生成网络节点集;然后,定义和计算节点之间的相似性,生成网络边集,得到网络的拓扑结构;之后,图像按社区结构的性质,生成的拓扑结构划分社区,并得到最优分割结果;最后,区域轮廓的提取和区域分割的实现。本发明上述实例方法采用图像分割方法,是针对具有复杂纹理的数字图像提出了一种基于复杂网络理论的图像分割方法,可应用于具有复杂纹理的数字图像分割,因此,本发明可以应用在多个学科领域,如材料学、医学、微观结构学、天文学等,提高研究速度,降低研究成本,促进这些学科的研究和发展。
上面对本发明实施例结合附图进行了说明,但本发明不限于上述实施例,还可以根据本发明的发明创造的目的做出多种变化,凡依据本发明技术方案的精神实质和原理下做的改变、修饰、替代、组合或简化,均应为等效的置换方式,只要符合本发明的发明目的,只要不背离本发明基于复杂网络理论的图像分割方法的技术原理和发明构思,都属于本发明的保护范围。

Claims (5)

1.一种基于复杂网络理论的图像分割方法,其特征在于,步骤如下:
a. 对图像进行去噪声处理,然后基于图像中像素值的分布,利用聚类和网格化方法,在图像上生成网络节点集;
b. 定义网络节点之间的相似性,生成网络边集,生成图像的网络拓扑结构;
c. 利用模块度函数,优化网络拓扑结构,得到最优社区结构划分结果;
d. 基于生成的图像的网络拓扑结构以及最优社区结构划分结果,进行区域轮廓的提取,获得各个图像分割区域,完成区域分割任务。
2.根据权利要求1所述基于复杂网络理论的图像分割方法,其特征在于:在所述步骤a中,通过降噪方法,对输入的数字图像进行降噪;
然后根据图像中像素值的分布,采用聚类算法,对图像进行像素级别上的聚类,对不同像素级目标进行初步分割;
然后对图像进行网格化,从而将图像用多个大小为d*d的方格进行划分,d为网格的方格行数或列数,计算每个方格内不同类别的像素点数,每个方格用像素点数多的类型标记成此方格的类型,并记录此方格为一个节点,方格中心点坐标表示节点的位置,把所有节点记录在一个节点集V = {v 1 , v 2 , · · · , v n }中,每个节点都有一个坐标值,即v i (x i , y i );通过此步骤,获得图像上的网络节点集。
3.根据权利要求2所述基于复杂网络理论的图像分割方法,其特征在于:在所述步骤b中,构建的生成图像的网络拓扑结构的步骤如下:
复杂网络用节点及节点之间的边进行表示的,即G = (V, E),其中V = {v 1 , v 2 , · · · , v n }为节点集,E = {e 1 , e 2 , · · · , e m }为边集;
定义集合V以及E,得到网络拓扑结构,通过所述步骤a方法,获得节点集V
两个节点v i (x i ,y i )和v j (x j ,y j )相似性是通过节点之间归一化后的欧式距离来度量的,其中欧式距离Di,j如下所示:
Figure DEST_PATH_IMAGE002
, (1)
归一化后的欧式距离同样用D i,j 表示,公式如下:
Figure DEST_PATH_IMAGE004
, (2)
其中M D 表示任意两个节点之间距离中的最大值;
引入半径阈值r ∈[0, 1],用来判断两节点之间是否应该存在连边,如下列公式所示:
Figure DEST_PATH_IMAGE006
(3)
为了显示网络中节点连接的紧密程度,引入连接密度
Figure DEST_PATH_IMAGE008
来度量节点之间的连接的紧密程度:
Figure DEST_PATH_IMAGE010
(4)
其中,
Figure DEST_PATH_IMAGE012
是节点度,表示与节点
Figure DEST_PATH_IMAGE014
相连边的个数;
Figure DEST_PATH_IMAGE016
是节点强度,表示与节点
Figure DEST_PATH_IMAGE014A
相连边上的权值之和;把连接密度归一化到区间[0,1]中,公式如下:
Figure DEST_PATH_IMAGE019
(5)
利用连接密度,从网络拓扑中筛选出连接紧密的节点,即连接密度大的节点;
因此,一个连接密度阈值t被定义,若两个节点的连接密度同时大于阈值时,则保留原本连接,否则断开;从而利用本步骤以上方法,构建图像的网络拓扑结构。
4.根据权利要求3所述基于复杂网络理论的图像分割方法,其特征在于:在所述步骤c中,进行优化网络拓扑结构,得到最优社区结构划分结果,采用如下步骤;
在得到所述步骤b中图像的网络拓扑结构时,对于一个个密集的区域,网络是不连通的,每一个连通区域表示一个社区结构;在不同的阈值参数下,得到不同的社区划分结果;为了找到最优的rt,定义社区模块度如下:
Figure DEST_PATH_IMAGE021
(6)
其中,
Figure DEST_PATH_IMAGE023
是总强度之和,
Figure DEST_PATH_IMAGE025
满足以下公式:
Figure DEST_PATH_IMAGE027
(7)
另外,
Figure DEST_PATH_IMAGE029
Figure DEST_PATH_IMAGE031
分别代表了
Figure DEST_PATH_IMAGE014AA
节点和
Figure DEST_PATH_IMAGE034
节点所属的社区,并得到以下关系:
Figure DEST_PATH_IMAGE036
(8)
公式(6)主要统计了
Figure DEST_PATH_IMAGE025A
Figure DEST_PATH_IMAGE039
差的累加和,和越大,则说明社区划分的越好,即区域分割的越合理,因此需要找到合适的rt,使得公式(6)中的Q最大,从而得到最优社区结构划分结果。
5.根据权利要求4所述基于复杂网络理论的图像分割方法,其特征在于:在所述步骤d中,进行区域轮廓的提取和区域分割时,采用如下步骤:
通过在所述步骤b中复杂网络的建立和在所述步骤c中公式(6)的计算,对图片中的拓扑结构进行分割,从一个完整的拓扑网络分割成多个子图,每个子图就是一个分割区域,然后利用填充算法,对各个子图内的空洞进行填充,最后利用边缘检测和轮廓提取,获得各个图像分割区域,完成区域分割任务。
CN202010083808.6A 2020-02-10 2020-02-10 基于复杂网络理论的图像分割方法 Pending CN111242960A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010083808.6A CN111242960A (zh) 2020-02-10 2020-02-10 基于复杂网络理论的图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010083808.6A CN111242960A (zh) 2020-02-10 2020-02-10 基于复杂网络理论的图像分割方法

Publications (1)

Publication Number Publication Date
CN111242960A true CN111242960A (zh) 2020-06-05

Family

ID=70871340

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010083808.6A Pending CN111242960A (zh) 2020-02-10 2020-02-10 基于复杂网络理论的图像分割方法

Country Status (1)

Country Link
CN (1) CN111242960A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115908142A (zh) * 2023-01-06 2023-04-04 诺比侃人工智能科技(成都)股份有限公司 一种基于视觉识别的接触网微小部件验损方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108876803A (zh) * 2018-05-25 2018-11-23 西安理工大学 一种基于谱聚类社团划分的彩色图像分割方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108876803A (zh) * 2018-05-25 2018-11-23 西安理工大学 一种基于谱聚类社团划分的彩色图像分割方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
BRUNO BRANDOLI MACHADO,ET AL.: "A complex network approach for nanoparticle agglomeration analysis in nanoscale images", 《J NANOPART RES》, 11 February 2017 (2017-02-11), pages 3 - 5 *
CHUANBIN LAI,ET AL.: "Material Image Segmentation with the Machine Learning Method and Complex Network Method", 《MRS ADVANCES》, 31 December 2019 (2019-12-31), pages 1122 *
GEEKSTUFF: "社区划分的标准--模块度", 《CSDN》, 8 May 2015 (2015-05-08), pages 1 *
OSCAR CUADROS,ET AL.: "Segmentation of Large Images with Complex Networks", 《2012 XXV SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES》, 31 December 2012 (2012-12-31), pages 25 - 27 *
YUEXING HAN,ET AL.: "Segmenting images with complex textures by using hybrid algorithm", 《JOURNAL OF ELECTRONIC IMAGING》, 31 December 2019 (2019-12-31) *
王林等: "复杂网络理论在彩色图像分割中的应用研究", 《计算机测量与控制》, no. 07, 25 July 2018 (2018-07-25) *
胥杏培等: "一种结合深度学习特征和社团划分的图像分割方法", 《小型微型计算机系统》, no. 11, 15 November 2018 (2018-11-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115908142A (zh) * 2023-01-06 2023-04-04 诺比侃人工智能科技(成都)股份有限公司 一种基于视觉识别的接触网微小部件验损方法

Similar Documents

Publication Publication Date Title
CN108549891B (zh) 基于背景与目标先验的多尺度扩散显著目标检测方法
Bhargavi et al. A survey on threshold based segmentation technique in image processing
CN104933709B (zh) 基于先验信息的随机游走ct肺组织图像自动分割方法
CN108629783B (zh) 基于图像特征密度峰值搜索的图像分割方法、系统及介质
CN110188763B (zh) 一种基于改进图模型的图像显著性检测方法
Lalitha et al. A survey on image segmentation through clustering algorithm
CN106991686B (zh) 一种基于超像素光流场的水平集轮廓跟踪方法
CN104123417B (zh) 一种基于聚类融合的图像分割的方法
CN109801295B (zh) 基于二次限制区域生长法的图像分割方法
CN105184772A (zh) 一种基于超像素的自适应彩色图像分割方法
CN106919950B (zh) 概率密度加权测地距离的脑部mr图像分割方法
CN111815640B (zh) 一种基于忆阻器的rbf神经网络医学图像分割算法
Havel et al. Efficient tree construction for multiscale image representation and processing
CN114581451A (zh) 一种基于散射图神经网络的大脑磁共振图像分割方法
CN106446925A (zh) 一种基于图像处理的海豚身份识别的方法
Sasmal et al. A survey on the utilization of Superpixel image for clustering based image segmentation
Kosarevych et al. Image segmentation based on the evaluation of the tendency of image elements to form clusters with the help of point field characteristics
Katkar et al. A novel approach for medical image segmentation using PCA and K-means clustering
Liao et al. Image segmentation based on deep learning features
CN111242960A (zh) 基于复杂网络理论的图像分割方法
CN108830864A (zh) 图像分割方法
Li et al. Edge-based split-and-merge superpixel segmentation
CN111986223A (zh) 一种基于能量函数的室外点云场景中树木提取方法
CN111539966A (zh) 一种基于模糊c均值聚类的比色传感器阵列图像分割方法
Khan et al. Image segmentation via multi dimensional color transform and consensus based region merging

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