CN111340824B - 一种基于数据挖掘的图像特征分割方法 - Google Patents
一种基于数据挖掘的图像特征分割方法 Download PDFInfo
- Publication number
- CN111340824B CN111340824B CN202010119665.XA CN202010119665A CN111340824B CN 111340824 B CN111340824 B CN 111340824B CN 202010119665 A CN202010119665 A CN 202010119665A CN 111340824 B CN111340824 B CN 111340824B
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- value
- segmentation
- gray
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000007418 data mining Methods 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 238000003064 k means clustering Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 abstract description 14
- 239000011159 matrix material Substances 0.000 description 10
- 230000000694 effects Effects 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G06T5/70—
-
- G06T5/73—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明公开了一种基于数据挖掘的图像特征分割方法,该方法包括采集待分割的初始图像,对初始图像进行图像去噪预处理,采用数据挖掘技术对预处理后的图像进行颜色特征分析,采用数据挖掘技术对预处理后的图像进行纹理特征分析,建立区域分割模型进行聚类分割,得到图像特征分割结果。本发明采用数据挖掘技术对预处理后的图像进行颜色特征和纹理特征图像分割,能够快速正确地实现图像特征分割,且不需要事先认定分割类数,从而得到期望的分割结果。
Description
技术领域
本发明属于图像分割技术领域,具体涉及一种基于数据挖掘的图像特征分割方法。
背景技术
图像分割是图像识别和计算机视觉至关重要的预处理。没有正确的分割就不可能有正确的识别。但是,进行分割仅有的依据是图像中像素的亮度及颜色,由计算机自动处理分割时,将会遇到各种困难。例如,光照不均匀、噪声的影响、图像中存在不清晰的部分,以及阴影等,常常发生分割错误。因此图像分割是需要进一步研究的技术。人们希望引入一些人为的知识导向和人工智能的方法,用于纠正某些分割中的错误,是很有前途的方法,但是这又增加了解决问题的复杂性。
图像分割是图像分析的第一步,图像分割接下来的任务,如特征提取、目标识别等的好坏,都取决于图像分割的质量如何。由于该课题的难度和深度,进展比较缓慢。图像分割技术自20世纪70年代起一直受到人们的高度重视,虽然研究人员针对各种问题提出了许多方法,但迄今为止仍然不存在一个普遍适用的理论和方法。另外,还没有制定出选择适用分割算法的标准,这给图像分割技术的应用带来了许多实际问题。最近几年又出现了了许多新思路、新方法或改进算法,对一些经典方法和新出现的方法作了概述,并将图像分割方法分为阈值分割方法、边缘检测方法、区域提取方法和结合特定理论工具的分割方法4类。
1、阈值法是一种简单但是非常有效的方法,只能产生二值图像来分区两个不同的类。对噪声很敏感,没有考虑图像的纹理信息等有用信息,分割结果有时不能尽如人意。
2、边缘检测法是基于图像不连续性的分割技术。有一些较为经典的算法。克服了传统图像信息定义的缺陷,具有较好的抗噪声和检测结果。但是运算量较大。不能很好的解决耗时问题。
3、区域提取法利用图像的局部空间信息,有效克服其它方法存在的图像分割空间不连续的缺点,但它通常造成图像的过度分割。
发明内容
针对现有技术中存在的以上问题,本发明提供了一种基于数据挖掘的图像特征分割方法。
为了达到上述发明目的,本发明采用的技术方案为:
一种基于数据挖掘的图像特征分割方法,包括以下步骤:
S1、采集待分割的初始图像;
S2、采用改进的K-means聚类算法对初始图像进行图像去噪预处理;
S3、采用数据挖掘技术对预处理后的图像进行颜色特征分析,得到区域约束;
S4、采用数据挖掘技术对预处理后的图像进行纹理特征分析,得到提取目标轮廓的基准面;
S5、建立区域分割模型进行聚类分割,得到图像特征分割结果。
进一步地,所述步骤S2具体为:
采用K-means聚类算法对初始图像进行滤波处理,并依次采用柔化处理、中值滤波处理和锐化处理进行图像去噪预处理。
进一步地,所述步骤S3具体包括以下分步骤:
S31、提取图像的局部特征
定义B(x,y)为背景图像,F(x,y)为加入目标后的场景图像,D(x,y)为差分图像,I(x,y)为二值化图像,将预处理后的图像进行RGB三通道分离,对各通道分别进行背景差分,对每个像素选取各通道差值的最大值,进行阈值二值化处理,表示为
Di(x,y)=|Fi(x,y)-Bi(x,y)|
其中i=r,g,b表示三个颜色分量,Fi(x,y)为场景图像F(x,y)分离出的第i通道的图像,Bi(x,y)为背景图像B(x,y)分离出的第i通道的图像,Di(x,y)为第i通道的差分图像,θB为设定的二值化阈值;
S32、将局部特征与深度信息、位置信息结合生成新的特征向量
基于深度信息对目标区域进行细化处理,细化后的图像V(x,y)表示为:
其中ID(x,y)为预处理后的深度图像;
对细化后的图像V(x,y)中值不为0的区域进行连通域分析,按照四邻接规则将值相同的像素标记在同一连通域中,获得的n个连通域分别为Ok,K=1、2、....、n,得到区域约束L(x,y)表示为
进一步地,所述步骤S4具体包括以下分步骤:
S41、利用直方图均衡化算法对图像进行对比度增强,绘制二维灰度直方图曲线,表示为
其中,DB为转换后的灰度值,f(DA)为变换函数,DA为转换前的灰度值,Dmax为灰度最大值,Hi为第i级灰度的像素个数,A0为像素总数;
S42、设f(x,y)为进行红外图像直方图均衡化后的二维灰度直方图曲线,其中x表示灰度级别,y表示具体各个灰度级别像素出现的次数,对f(x,y)在点(x,y)处求取梯度,表示为
其中Gx,Gy分别为x,y方向的梯度;
梯度的幅值作为变化率大小的度量,表示为
S43、计算步骤S42中获得的灰度梯度均值,表示为
其中k为所求取灰度梯度值编号;
舍弃灰度梯度值小于梯度均值的部分,保留灰度梯度值大于灰度梯度均值的部分,表示为
其中m为舍弃灰度梯度小于平均灰度梯度值后的灰度梯度值编号;
将灰度梯度值大于灰度均值的像素点灰度组合成一个集合,构成全局阈值面,作为提取目标轮廓的基准面。
进一步地,所述步骤S4中采用均值和方差作为纹理特征挖掘的评价参量,计算图像特征评价值,表示为:
其中VA表示目标图像的方差,VB表示背景类的方差,DM代表二者之间的均值差,VE表示特征评价值。
进一步地,所述步骤S5具体包括以下分步骤:
S51、根据每个像素点的区域约束L(x,y)和特征约束T(x,y)将特征点划分为不同组;
S52、对每组特征点基于其特征向量中的空间特征进行均值漂移聚类处理;
S53、将聚类后的特征点重新分组;
S54、根据区域约束中的深度信息进行聚类分割,得到图像特征分割结果。
进一步地,所述步骤S52中均值漂移聚类处理具体为:
将每个特征点Ti均与一个模板Mj匹配,则图像的局部特征转化为特征约束,表示为
将得到的每个像素点的区域约束L(x,y)和特征约束T(x,y),与该像素点坐标(x,y)结合,组成新的特征向量[x,y,L(x,y),T(x,y)]。
本发明具有以下有益效果:本发明采用数据挖掘技术对预处理后的图像进行颜色特征和纹理特征图像分割,能够快速正确地实现图像特征分割,且不需要事先认定分割类数,从而得到期望的分割结果。
附图说明
图1是本发明基于数据挖掘的图像特征分割方法流程示意图;
图2是本发明实施例中自然光下的苹果图像;
图3是本发明实施例中苹果图像的线剖面图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例提供了一种基于数据挖掘的图像特征分割方法,包括以下步骤S1至S5:
S1、采集待分割的初始图像;
S2、采用改进的K-means聚类算法对初始图像进行图像去噪预处理;
在本实施例中,由于采集的初始图像特征收到噪声干扰,因此需要在图像分割处理之前,将图像的噪点去除。本文使用K-means聚类算法实现滤波处理,具体包括以下步骤:
(1)将随机选取的K值作为初始点,并进行记录;
(2)将剩余的记录集合到一起,对每个记录与K个初始点之间的距离进行记录,将每个记录划分到最近的初始点那一类中,根据分类结果获得K个聚集;
(3)计算每个聚集的质心,将质心设定为聚类中心点;
(4)设定质心为新的初始点,再次重复上述步骤,不断迭代运算,直到确定聚集不再出现改变为止。
由于传统的K-means聚类算法在选定聚类个数和模板初值上存在一定的问题,大多数用户都难以在短时间内预定出划分多少类,算法难以尽快完成收敛。因此本发明在传统聚类算法的基础上进行改进,加入数学手段去除图像中的噪声,抽取图像中的轮廓特征,实现图像空间变换,从而获得明显的效果。使用的改进措施包括柔化处理、中值滤波处理和锐化处理三种。
柔化处理用于针对图像中的点状噪声进行去除,柔化处理可以防止图像中的任何一个像素和相邻像素的颜色值出现陡突,具体为将图像设定在3×3的矩阵中,得到的系数为
由于上述模板中中心元素1与它周边的像素平均值完全相同,十分容易被取代,使用该模板进行去噪处理,会严重降低图像的对比图,导致图像轮廓过于模糊。因此本发明在上述模板上进行加强,引入加权系数进行改进,得到的矩阵模板为:
上式中的矩阵模板通过二维高斯函数计算而得到,中心像素点与周边像素点完全不同,在进行去噪处理时,不仅能够很好地去除噪声,同时可以保留原图像的对比度。
中值滤波处理是一种非线性的处理技术,能够在抑制图像噪声的同时,确保图像轮廓清晰。本发明通过选取像素进帮N×N各像素颜色值的中值作为当前像素新的颜色值,如果中间数值个数为2个,则取两个中间值的平均值,对其进行中值滤波处理。
锐化处理与柔化处理完全相反,锐化处理是通过增强高频分量来减少图像中的模糊程度的,既增强边缘效果,又增强图像噪声。本发明使用的锐化模板为普拉斯模板:
在使用该模板处理后,图像的轮廓线条将会大大增强,轮廓线以内的区域明亮度增加,轮廓线以外的区域明亮度较少。在使用计算程序运行普拉斯模板时,要分析如何处理溢出点,设定所有大于255的点取值都为255,所有小于0的点取值都为正值。
S3、采用数据挖掘技术对预处理后的图像进行颜色特征分析,得到区域约束;
在本实施例中,分析噪声滤除后的预处理图像,可知目标图像颜色和背景颜色通常存在差别,一些图像的目标图像颜色和背景颜色差别较大,比较好进行分割,也有的图像目标颜色和背景颜色差别相对较小,分割起来比较困难。
本发明选取在自然光下拍摄的苹果图像作为研究图像,如图2所示,对图2中的白色线进行剖面分析,得到线剖面图如图3所示。
图2中的M、N像素点与图3中的线段MN相对应,图3中的M和N之间的像素点属于苹果像素点,其它点属于背景像素1点。分析图像的R、G、B值,根据分析结果可知,苹果所在部分的像素点,红色较多,蓝色较少,由此可以得出图像中苹果所在位置的R/B值绝大部分都大于1.4;而背景部分,树叶、树枝和空隙的红色和蓝色都十分接近,分析图3中的线剖面图可知,背景中的线R/B值绝大多数都小于1.4。由此可知,可以通过像素点的R/B值是否大于1.4判断像素点属于苹果还是属于背景,1.4作为分割阈值,如果像素点的R/B值大于1.4,则认为该像素点为苹果所在区域的像素点,否则该像素点属于背景区域的像素点。
对于大部分图像来说,目标的R/B值都与背景的R/B值不同,所以只要通过挖掘图像中的颜色R/B值,就可以将目标图像从背景图像中提取出来,并加以区分。
步骤S3具体包括以下分步骤:
S31、提取图像的局部特征
定义B(x,y)为背景图像,F(x,y)为加入目标后的场景图像,D(x,y)为差分图像,I(x,y)为二值化图像,将预处理后的图像进行RGB三通道分离,对各通道分别进行背景差分,对每个像素选取各通道差值的最大值,进行阈值二值化处理,表示为
Di(x,y)=|Fi(x,y)-Bi(x,y)|
其中i=r,g,b表示三个颜色分量,Fi(x,y)为场景图像F(x,y)分离出的第i通道的图像,Bi(x,y)为背景图像B(x,y)分离出的第i通道的图像,Di(x,y)为第i通道的差分图像,θB为设定的二值化阈值;
S32、将局部特征与深度信息、位置信息结合生成新的特征向量
基于深度信息对目标区域进行细化处理,细化后的图像V(x,y)表示为:
其中ID(x,y)为预处理后的深度图像;
对细化后的图像V(x,y)中值不为0的区域进行连通域分析,按照四邻接规则将值相同的像素标记在同一连通域中,获得的n个连通域分别为Ok,K=1、2、....、n,得到区域约束L(x,y)表示为
S4、采用数据挖掘技术对预处理后的图像进行纹理特征分析,得到提取目标轮廓的基准面;
在本实施例中,基于数据挖掘技术对颜色特征进行分析从而完成图像分割的方法并不适用于背景像素和目标像素相近的图像,例如图2中的图像,如果背景图像像素点的R/B值同样大于1.4,那么就很容易被划分成苹果像素点,限制识别和分割的精度。图像像素灰度级或颜色变化能够很好地反映出图像的纹理特征,因此本发明基于数据挖掘技术再次处理图2中的图像,在灰度共生矩阵中获得描述参量,进而实现纹理分析。对比的四种纹理特征分别为对比度、熵、相关性和能量。
步骤S4具体包括以下分步骤:
S41、利用直方图均衡化算法对图像进行对比度增强,绘制二维灰度直方图曲线,表示为
其中,DB为转换后的灰度值,f(DA)为变换函数,DA为转换前的灰度值,Dmax为灰度最大值,Hi为第i级灰度的像素个数,A0为像素总数;
S42、设f(x,y)为进行红外图像直方图均衡化后的二维灰度直方图曲线,其中x表示灰度级别,y表示具体各个灰度级别像素出现的次数,对f(x,y)在点(x,y)处求取梯度,表示为
梯度的幅值作为变化率大小的度量,表示为
而对于二维离散函数f(i,j),用有限差分作为梯度幅值的一个近似:
从而近似简化为
作为局部阈值选取的依据;
S43、计算步骤S42中获得的灰度梯度均值,表示为
其中k为所求取灰度梯度值编号;
舍弃灰度梯度值小于梯度均值的部分,保留灰度梯度值大于灰度梯度均值的部分,表示为
其中m为舍弃灰度梯度小于平均灰度梯度值后的灰度梯度值编号,m=1,2,3,…,n;
将灰度梯度值大于灰度均值的像素点灰度组合成一个集合,构成全局阈值面,作为提取目标轮廓的基准面。
本发明采用均值和方差作为纹理特征挖掘的评价参量,从而分析背景和分割目标的相异性,即图2中的背景类和苹果类的相异性。均值差表示的是背景类和目标类之间的距离,均值差越大,分割效果越明显;方差代表样本的分散程度,样本越分散,背景类和目标类越容易交叉在一起,所以方差越小越好。计算图像特征评价值,表示为:
其中VA表示目标图像的方差,VB表示背景类的方差,DM代表二者之间的均值差,VE表示特征评价值。
在确定出VE的计算结果后,将选择对比度和相关性提取出来,在神经网络中进行训练,获得最终的纹理特征分析结果。
均值表示信号中直流分量的大小,用E(x)表示。对于高斯白噪声信号而言,它的均值为0,所以它只有交流分量,表示为
方差用variance或deviation或Var表示。方差描述信号的波动范围,表示信号中交流分量的强弱,即交流信号的平均功率,表示为
D(X)=E{[X-E(X)]2}=E{X2-2XE(X)+[E(X)]2}
局部连接度和差异度分别反映了纹理形态和纹理灰度变化的特征,利用这两种算子提取纹理图像的相似形态特征和局部灰度变化特征,提取的特征不受方向等信息的影响,因而较为稳定;且局部连接度和差异度具有互补性,将连接度和差异度与灰度信息相结合,可以准确地分割复杂纹理图像。
局部连接度的计算步骤为:
(1)在每个像素点I(x,y)周围选取一个局部窗口I1;
(2)计算局部窗口I1中每一个点的灰度值与中心点I(x,y)的灰度差异,如果差异在阈值R内则该点的值置为1,否则为0,从而得到二值化的局部区域I2;
(3)在I2中,对于每一个值为1的点,统计该点8邻接的1的数量;
(4)当8邻接的1的数目少于4时,则该点的值置为0,否则为1;
(5)统计矩阵I4中值为1的点的数目,即为局部连接度。
用I1表示位于I(x,y)周围的局部邻域,I1(i,j)表示局部邻域的某个点,j是判断某点与中心点灰度差值是否在阈值R内的函数,如果在R内则该点置为1,否则为0,I2表示j处理后的矩阵,即
其中(i,j)∈Ω1,I1(i,j)表示矩阵I1中的某个点,Ω1表示局部窗口中所有像素的位置坐标集合,用I3表示计算矩阵中每个点8邻接的1的数量,有
I3(i,j)=I2(i-1,j-1)+I2(i,j-1)+I2(i+1,j-1)+I2(i-1,j)+I2(i+1,j)+I2(i-1,j+1)+I2(i,j+1)+I2(i+1,j+1)
将矩阵I3中每个小于4的点置为0,其他点置为1,得到新的矩阵I4,即
通过C0函数可以得到连接度Ic
Ic(x,y)=C0(i,j)=I4(0,0)+I4(0,1)+I4(0,2)+…+I4(i,j)+…+I4(n,n)。
S5、建立区域分割模型进行聚类分割,得到图像特征分割结果。
在本实施例中,本发明将挖掘出来的图像划分成一组多边形,在此基础上,建立区域分割模型,通过K-S算法分析距离刻画区域与全局纹理特征分布之间的异质性,在非约束吉布斯表达式下构建图像特征函数的分布概率,通过M-H算法对该概率的分布函数进行模拟,最后得到确切的分割结果。
步骤S5具体包括以下分步骤:
S51、根据每个像素点的区域约束L(x,y)和特征约束T(x,y)将特征点划分为不同组;
S52、对每组特征点基于其特征向量中的空间特征进行均值漂移聚类处理;
其中均值漂移聚类处理具体为:
将每个特征点Ti均与一个模板Mj匹配,则图像的局部特征转化为特征约束,表示为
将得到的每个像素点的区域约束L(x,y)和特征约束T(x,y),与该像素点坐标(x,y)结合,组成新的特征向量[x,y,L(x,y),T(x,y)]。该特征向量与基于颜色信息进行分割的特征向量[x,y,VRGB(x,y)]相比,减小了目标本身复杂颜色特征的影响,可以避免过分割现象的发生.基于新的特征向量,使用均值漂移算法对特征点进行聚类、分割。
S53、将聚类后的特征点重新分组;
S54、根据区域约束中的深度信息进行聚类分割,得到图像特征分割结果。
上述K-S算法的工作流程为:
对于一个包含K个类别的点集合,交替进行如下两个步骤:
(1)对于每一个点,将其计入距离其最近的中心点所在的集合中。第i个中心点所在集合在t次迭代结束时为
(2)按照下式更新中心点
本发明基于结合特定理论工具的分割方法,是通过训练多层感知机来得到线性决策函数,然后用决策函数对象素进行分类来达到分割的目的,克服了传统函数带宽对分割效果的影响,有很好的通用性和有效性,能够快速正确地实现分割,且不需要事先认定分割类数,从而得到期望的分割结果。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种基于数据挖掘的图像特征分割方法,其特征在于,包括以下步骤:
S1、采集待分割的初始图像;
S2、采用改进的K-means聚类算法对初始图像进行图像去噪预处理;
S3、采用数据挖掘技术对预处理后的图像进行颜色特征分析,得到区域约束,具体包括以下分步骤:
S31、提取图像的局部特征
定义B(x,y)为背景图像,F(x,y)为加入目标后的场景图像,D(x,y)为差分图像,I(x,y)为二值化图像,将预处理后的图像进行RGB三通道分离,对各通道分别进行背景差分,对每个像素选取各通道差值的最大值,进行阈值二值化处理,表示为
Di(x,y)=|Fi(x,y)-Bi(x,y)|
其中i=r,g,b表示三个颜色分量,Fi(x,y)为场景图像F(x,y)分离出的第i通道的图像,Bi(x,y)为背景图像B(x,y)分离出的第i通道的图像,Di(x,y)为第i通道的差分图像,θB为设定的二值化阈值;
S32、将局部特征与深度信息、位置信息结合生成新的特征向量
基于深度信息对目标区域进行细化处理,细化后的图像V(x,y)表示为:
其中ID(x,y)为预处理后的深度图像;
对细化后的图像V(x,y)中值不为0的区域进行连通域分析,按照四邻接规则将值相同的像素标记在同一连通域中,获得的n个连通域分别为Ok,K=1、2、....、n,得到区域约束L(x,y)表示为
S4、采用数据挖掘技术对预处理后的图像进行纹理特征分析,得到提取目标轮廓的基准面;
S5、建立区域分割模型进行聚类分割,得到图像特征分割结果。
2.如权利要求1所述的基于数据挖掘的图像特征分割方法,其特征在于,所述步骤S2具体为:
采用K-means聚类算法对初始图像进行滤波处理,并依次采用柔化处理、中值滤波处理和锐化处理进行图像去噪预处理。
3.如权利要求1所述的基于数据挖掘的图像特征分割方法,其特征在于,所述步骤S4具体包括以下分步骤:
S41、利用直方图均衡化算法对图像进行对比度增强,绘制二维灰度直方图曲线,表示为
其中,DB为转换后的灰度值,f(DA)为变换函数,DA为转换前的灰度值,Dmax为灰度最大值,Hi为第i级灰度的像素个数,A0为像素总数;
S42、设f(x,y)为进行红外图像直方图均衡化后的二维灰度直方图曲线,其中x表示灰度级别,y表示具体各个灰度级别像素出现的次数,对f(x,y)在点(x,y)处求取梯度,表示为
其中Gx,Gy分别为x,y方向的梯度;
梯度的幅值作为变化率大小的度量,表示为
S43、计算步骤S42中获得的灰度梯度均值,表示为
其中k为所求取灰度梯度值编号;
舍弃灰度梯度值小于梯度均值的部分,保留灰度梯度值大于灰度梯度均值的部分,表示为
其中m为舍弃灰度梯度小于平均灰度梯度值后的灰度梯度值编号;
将灰度梯度值大于灰度均值的像素点灰度组合成一个集合,构成全局阈值面,作为提取目标轮廓的基准面。
5.如权利要求4所述的基于数据挖掘的图像特征分割方法,其特征在于,所述步骤S5具体包括以下分步骤:
S51、根据每个像素点的区域约束L(x,y)和特征约束T(x,y)将特征点划分为不同组;
S52、对每组特征点基于其特征向量中的空间特征进行均值漂移聚类处理;
S53、将聚类后的特征点重新分组;
S54、根据区域约束中的深度信息进行聚类分割,得到图像特征分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010119665.XA CN111340824B (zh) | 2020-02-26 | 2020-02-26 | 一种基于数据挖掘的图像特征分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010119665.XA CN111340824B (zh) | 2020-02-26 | 2020-02-26 | 一种基于数据挖掘的图像特征分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340824A CN111340824A (zh) | 2020-06-26 |
CN111340824B true CN111340824B (zh) | 2022-07-12 |
Family
ID=71187067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010119665.XA Active CN111340824B (zh) | 2020-02-26 | 2020-02-26 | 一种基于数据挖掘的图像特征分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340824B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085675B (zh) * | 2020-08-31 | 2023-07-04 | 四川大学 | 深度图像去噪方法、前景分割方法及人体运动监测方法 |
CN112836692B (zh) * | 2020-11-27 | 2023-03-24 | 北京百度网讯科技有限公司 | 用于处理图像的方法、装置、设备和介质 |
CN112784710B (zh) * | 2021-01-07 | 2024-01-19 | 上海海事大学 | 胸腔积液性质分析决策函数的构造方法及基于其的分析方法 |
CN113499553B (zh) * | 2021-06-25 | 2023-09-26 | 上海东普信息科技有限公司 | 基于便携式无人机的灭火方法、装置、设备及存储介质 |
CN113724238A (zh) * | 2021-09-08 | 2021-11-30 | 佛山科学技术学院 | 基于特征点邻域颜色分析的陶瓷砖色差检测与分级方法 |
CN115760826B (zh) * | 2022-11-29 | 2023-08-11 | 江苏满锐精密工具有限公司 | 一种基于图像处理的轴承磨损状况诊断方法 |
CN115908428B (zh) * | 2023-03-03 | 2023-05-12 | 山东大学齐鲁医院 | 一种用于调节并指牵开器的图像处理方法及系统 |
CN117079397B (zh) * | 2023-09-27 | 2024-03-26 | 青海民族大学 | 一种基于视频监控的野外人兽安全预警方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009058915A1 (en) * | 2007-10-29 | 2009-05-07 | The Trustees Of The University Of Pennsylvania | Computer assisted diagnosis (cad) of cancer using multi-functional, multi-modal in-vivo magnetic resonance spectroscopy (mrs) and imaging (mri) |
CN105718955A (zh) * | 2016-01-25 | 2016-06-29 | 中国人民解放军军事医学科学院卫生装备研究所 | 一种基于多重编码与特征融合的视觉地形分类方法 |
CN106934401A (zh) * | 2017-03-07 | 2017-07-07 | 上海师范大学 | 一种基于改进词袋模型的图像分类方法 |
CN107633522A (zh) * | 2017-08-30 | 2018-01-26 | 山东财经大学 | 基于局部相似性活动轮廓模型的脑部图像分割方法和系统 |
CN107918759A (zh) * | 2017-10-09 | 2018-04-17 | 大圣科技股份有限公司 | 室内物体的自动分割识别方法、电子设备及存储介质 |
CN109035254A (zh) * | 2018-09-11 | 2018-12-18 | 中国水产科学研究院渔业机械仪器研究所 | 基于改进K-means聚类的运动鱼体阴影去除及图像分割方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080285860A1 (en) * | 2007-05-07 | 2008-11-20 | The Penn State Research Foundation | Studying aesthetics in photographic images using a computational approach |
US9111146B2 (en) * | 2008-02-15 | 2015-08-18 | Tivo Inc. | Systems and methods for semantically classifying and normalizing shots in video |
CN101447076B (zh) * | 2008-12-02 | 2010-09-22 | 浙江大学 | 一种web图像中感兴趣区域的分割方法 |
CN102346851B (zh) * | 2011-11-04 | 2013-01-23 | 西安电子科技大学 | 基于njw谱聚类标记的图像分割方法 |
CN105404846B (zh) * | 2014-09-15 | 2019-05-24 | 中国移动通信集团广东有限公司 | 一种图像处理方法及装置 |
CN105139355A (zh) * | 2015-08-18 | 2015-12-09 | 山东中金融仕文化科技股份有限公司 | 一种深度图像的增强方法 |
CN106570873B (zh) * | 2016-11-08 | 2019-10-25 | 江苏大学 | 一种医学图像分割方法 |
CN107066938B (zh) * | 2017-02-08 | 2020-02-07 | 清华大学 | 视频分析设备、方法和计算机程序产品 |
CN108805858A (zh) * | 2018-04-10 | 2018-11-13 | 燕山大学 | 基于数据挖掘的肝病ct图像计算机辅助诊断系统及方法 |
CN109145964B (zh) * | 2018-08-01 | 2020-09-08 | 武汉大学 | 一种实现图像颜色聚类的方法和系统 |
-
2020
- 2020-02-26 CN CN202010119665.XA patent/CN111340824B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009058915A1 (en) * | 2007-10-29 | 2009-05-07 | The Trustees Of The University Of Pennsylvania | Computer assisted diagnosis (cad) of cancer using multi-functional, multi-modal in-vivo magnetic resonance spectroscopy (mrs) and imaging (mri) |
CN105718955A (zh) * | 2016-01-25 | 2016-06-29 | 中国人民解放军军事医学科学院卫生装备研究所 | 一种基于多重编码与特征融合的视觉地形分类方法 |
CN106934401A (zh) * | 2017-03-07 | 2017-07-07 | 上海师范大学 | 一种基于改进词袋模型的图像分类方法 |
CN107633522A (zh) * | 2017-08-30 | 2018-01-26 | 山东财经大学 | 基于局部相似性活动轮廓模型的脑部图像分割方法和系统 |
CN107918759A (zh) * | 2017-10-09 | 2018-04-17 | 大圣科技股份有限公司 | 室内物体的自动分割识别方法、电子设备及存储介质 |
CN109035254A (zh) * | 2018-09-11 | 2018-12-18 | 中国水产科学研究院渔业机械仪器研究所 | 基于改进K-means聚类的运动鱼体阴影去除及图像分割方法 |
Non-Patent Citations (1)
Title |
---|
《Binarization of Color Character Strings in Scene Images Using K-Means Clustering and Support Vector Machines》;Toru Wakahara;《2011 International Conference on Document Analysis and Recognition》;20111103;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111340824A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340824B (zh) | 一种基于数据挖掘的图像特征分割方法 | |
Adeyanju et al. | Machine learning methods for sign language recognition: A critical review and analysis | |
CN109800824B (zh) | 一种基于计算机视觉与机器学习的管道缺陷识别方法 | |
CN110334706B (zh) | 一种图像目标识别方法及装置 | |
CN110717896B (zh) | 基于显著性标签信息传播模型的板带钢表面缺陷检测方法 | |
CN107862667B (zh) | 一种基于高分辨率遥感影像的城市阴影检测与去除方法 | |
CN115861135A (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
CN108510499B (zh) | 一种基于模糊集和Otsu的图像阈值分割方法及装置 | |
CN102663400B (zh) | 一种结合预处理的lbp特征提取方法 | |
Asi et al. | A coarse-to-fine approach for layout analysis of ancient manuscripts | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN112837344B (zh) | 一种基于条件对抗生成孪生网络的目标跟踪方法 | |
CN110706235B (zh) | 一种基于双级级联分割的远红外行人检测方法 | |
CN109035274A (zh) | 基于背景估计与u型卷积神经网络的文档图像二值化方法 | |
Wang et al. | Pixel classification based color image segmentation using quaternion exponent moments | |
CN111583279A (zh) | 一种基于pcba的超像素图像分割方法 | |
CN110889332A (zh) | 一种基于面试中微表情的说谎检测方法 | |
CN110728302A (zh) | 一种基于HSV和Lab颜色空间的色纺织物组织识别的方法 | |
CN112750106A (zh) | 一种基于非完备标记的深度学习的核染色细胞计数方法、计算机设备、存储介质 | |
CN111091134A (zh) | 一种基于多特征融合的色纺织物组织结构识别的方法 | |
Mukhiddinov et al. | Saliency cuts: salient region extraction based on local adaptive thresholding for image information recognition of the visually impaired. | |
CN111582223A (zh) | 一种三维人脸识别方法 | |
CN107358635B (zh) | 一种基于模糊相似性的彩色形态学图像处理方法 | |
CN109886325B (zh) | 一种非线性颜色空间分类的模板选择与加速匹配方法 | |
Meurie et al. | A comparison of supervised pixels-based color image segmentation methods. application in cancerology |
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 |