CN111476795A - 一种基于广度优先搜索的二值图标记方法 - Google Patents
一种基于广度优先搜索的二值图标记方法 Download PDFInfo
- Publication number
- CN111476795A CN111476795A CN202010123382.2A CN202010123382A CN111476795A CN 111476795 A CN111476795 A CN 111476795A CN 202010123382 A CN202010123382 A CN 202010123382A CN 111476795 A CN111476795 A CN 111476795A
- Authority
- CN
- China
- Prior art keywords
- breadth
- seed
- search
- image
- mark
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000000694 effects Effects 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 238000010845 search algorithm Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 6
- 239000003550 marker Substances 0.000 claims description 3
- 238000002372 labelling Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
Abstract
一种基于广度优先搜索的二值图标记方法,包括以下步骤:步骤1:基于区域生长的连通域标记;步骤2:采取基于广度优先搜索的算法进行标记;步骤3:标记效果评估标准,根据参考图像和二值图像连通标记后的同名标记区块数,判断其准确率。本发明提出了一种基于广度优先搜索的二值图标记算法,改进的连通区域标的算法可以大大提升图像处理的速度。
Description
技术领域
本发明属于图像分析处理领域的研究,涉及的是一种基于广度优先搜索的二值图标记方法,可以有效提升图像处理中二值图标记的速度。
背景技术
二值图连通区域标记是指将一幅彩色图像经过灰度图像处理后,对其中属于同一区块的像素给定同一标记,不属于同一区块的像素附上不同标记的处理过程。连通区域标记是计算机视觉领域、图像处理领域最常见的预处理操作,对其他图像处理过程如图像分割、边缘检测、特征提取等,具有很好的铺垫作用。因此,选择一种高效的二值图连通区域标记算法,能提升图像处理某些过程的速度。
而广度优先搜索搜索是人工智能中一项非常普遍使用的算法策略,能够解决许许多多的常见问题,在某些情况下我们很难想到高效的解法时,搜索往往是可选的唯一选择。因此,搜索算法是利用计算机的高性能来有目的的穷举一个问题的部分或所有的可能情况,首先选取种子点,再采取基于广度优先搜索的方法进行二值图标记,是解决该类问题的一种高效方法。
发明内容
为了克服现有技术的不足,本发明提供一种基于深度优先搜索的二值图标记方法,连通区域标记是计算机视觉领域、图像处理领域最常见的预处理操作。提升连通区域标的算法可以提升图像处理的速度。
本发明解决其技术问题所采用的技术方案是:
一种基于广度优先搜索的二值图标记方法,所述方法包括以下步骤:
步骤1:基于区域生长的连通域标记,基于区域生长是采取广度优先搜索算法的基本操作,过程如下:
步骤1.1:确定区域生长的种子点
首先对彩色图像进行灰度处理后,得到二值图像,预设图像宽度为M个像素、图像长度为N个像素,所以选取种子点需要遍历的像素共有MN个,用符号Hmn(m=0,…,M-1;n=0,…,N-1)表示其中的某个像素点,操作如下:
像素值为0是像素点呈黑色,因此首先剔除Hmn=0的非种子节点,初步将Hmn=255的图像像素默认为种子节点,因为是二值图像,直接将Hmn≠0的像素点默认为区域生长的种子点;
步骤2:采取广度优先搜索算法进行标记,过程如下:
步骤2.1:对像素间的连通性进行定义:
先对连通性进行定义,假设gij为对应图像像素(i,j)处的区域生长点,定义gij的如4邻域连通结构如下:
定义gij的如8邻域连通结构如下:
步骤2.2:构建映射表
假设gij、gpq分别为对应图像像素,(i,j)和(p,q)的两个图像像素位置,为gij的第k,k∈{0,...,M-1}个种子节点,那么其中k,k∈{0,…,N-1}是gij为种子节点下同名标记下的区域像素点,如构建映射关系表,用一个队列存储同名标记区域,用一个堆栈存储种子节点;
选取种子节点,分别按照4邻域连通结构规则以及8邻域连通结构规则进行连通域判断;
步骤2.3:基于广度优先搜索算法进行标记
针对4邻域连通结构规则以及8邻域连通结构规则分别构建种子节点区域生长的map模型,4邻域连通结构规则下全局遍历像素时,首先剔除非种子节点,遇到种子节点时,首先对种子节点的4邻域采取广度优先搜索,生成同名标记区域;其次再对新生成的孩子节点同样进行4邻域的广度优先搜索,直至无法遍历到空白像素点,并将同名标记区域进行计数,将已经遍历区域放入新的队列;
同理,8邻域连通结构规则下全局遍历像素时,首先剔除非种子节点,遇到种子节点时,首先对种子节点的8邻域采取广度优先搜索,生成同名标记区域;其次再对新生成的孩子节点同样进行8邻域的广度优先搜索,直至无法遍历到空白像素点,并将同名标记区域进行计数,将已经遍历区域放入新的队列;
步骤3:标记效果评估标准,为了对标记效果进行评估,作了如下定义:
提取同名标记准确率Precision定义为:
precision=np/min(nr,nu) (3)
其中,np表示准确标记的同名区域数,nr、nu分别表示参考图像和二值图像连通标记后的同名标记区块数。
本发明的有益效果主要表现在:连通区域标记是计算机视觉领域、图像处理领域最常见的预处理操作。针对这个问题,我们提出了一种基于广度优先搜索的二值图标记算法,改进的连通区域标的算法可以大大提升图像处理的速度。
附图说明
图1为本发明选择的连通域结构图,(a)是4邻域关系图,(b)是8邻域关系图。
图2为本发明中广度优先遍历的流程图。
图3为本发明基于广度优先搜索的二值图标记方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图3,一种基于广度优先搜索的二值图标记方法,所述方法包括以下步骤:
步骤1:基于区域生长的连通域标记,基于区域生长是采取广度优先搜索算法的基本操作,过程如下:
步骤1.1:确定区域生长的种子点
首先对彩色图像进行灰度处理后,得到二值图像,选取了一些特征比较明显可分的彩色图像进行处理,预设图像宽度为M个像素、图像长度为N个像素,所以选取种子点需要遍历的像素共有MN个,用符号Hmn(m=0,…,M-1;n=0,…,N-1)表示其中的某个像素点,操作如下:
像素值为0是像素点呈黑色,因此首先剔除Hmn=0的非种子节点。初步将Hmn=255的图像像素默认为种子节点,因为是二值图像,为了避免不必要的计算,可直接将Hmn≠0的像素点默认为区域生长的种子点;
步骤2:采取广度优先搜索算法进行标记,过程如下:
步骤2.1:对像素间的连通性进行定义:
为了提高二值图连通域标记的鉴别力,进一步选择了两种连通域确定性的计算方法,先对连通性进行定义:
假设gij为对应图像像素(i,j)处的区域生长点,定义gij的如4邻域连通结构如下:
定义gij的如8邻域连通结构如下:
为了更直观的表示,我们绘制了两种连通域关系的示意图,如图1。
步骤2.2:构建映射表
假设gij、gpq分别为对应图像像素,(i,j)和(p,q)的两个图像像素位置,为gij的第k,k∈{0,...,M-1}个种子节点,那么其中k,k∈{0,...,N-1}是gij为种子节点下同名标记下的区域像素点,构建映射关系表,用一个队列存储同名标记区域,用一个堆栈存储种子节点。
选取种子节点,分别按照4邻域连通结构规则以及8邻域连通结构规则进行连通域判断。
步骤2.3:基于广度优先搜索算法进行标记
广度优先搜索是人工智能中一种经典的搜索策略,在种子节点区域生长时采用了广度优先搜索的策略,不同于一般的广度优先搜索,根据二值图标记的特性,构建了新的广度优先搜索模型,算法原理如图2所示。
具体是针对4邻域连通结构规则以及8邻域连通结构规则分别构建种子节点区域生长的map模型,4邻域连通结构规则下全局遍历像素时,首先剔除非种子节点,遇到种子节点时,首先对种子节点的4邻域采取广度优先搜索,生成同名标记区域;其次再对新生成的孩子节点同样进行4邻域的广度优先搜索,直至无法遍历到空白像素点,并将同名标记区域进行计数,将已经遍历区域放入新的队列;
同理,8邻域连通结构规则下全局遍历像素时,首先剔除非种子节点,遇到种子节点时,首先对种子节点的8邻域采取广度优先搜索,生成同名标记区域;其次再对新生成的孩子节点同样进行8邻域的广度优先搜索,直至无法遍历到空白像素点,并将同名标记区域进行计数,将已经遍历区域放入新的队列。
步骤3:标记效果评估标准,为了对标记效果进行评估,作了如下定义:
提取同名标记准确率Precision定义为:
precision=np/min(nr,nu) (3)
其中,np表示准确标记的同名区域数,nr、nu分别表示参考图像和二值图像连通标记后的同名标记区块数。
连通区域标记是计算机视觉领域、图像处理领域最常见的预处理操作。针对这个问题,我们提出了一种基于广度优先搜索的二值图标记算法,改进的连通区域标的算法可以大大提升图像处理的速度。整体流程在图3中有详细展示。
Claims (1)
1.一种基于广度优先搜索的二值图标记方法,其特征在于,所述方法包括以下步骤:
步骤1:基于区域生长的连通域标记,基于区域生长是采取广度优先搜索算法的基本操作,过程如下:
步骤1.1:确定区域生长的种子点
首先对彩色图像进行灰度处理后,得到二值图像,预设图像宽度为M个像素、图像长度为N个像素,所以选取种子点需要遍历的像素共有MN个,用符号Hmn(m=0,...,M-1;n=0,...,N-1)表示其中的某个像素点,操作如下:
像素值为0是像素点呈黑色,因此首先剔除Hmn=0的非种子节点,初步将Hmn=255的图像像素默认为种子节点,因为是二值图像,直接将Hmn≠0的像素点默认为区域生长的种子点;
步骤2:采取广度优先搜索算法进行标记,过程如下:
步骤2.1:对像素间的连通性进行定义:
先对连通性进行定义,假设gij为对应图像像素(i,j)处的区域生长点,定义gij的如4邻域连通结构如下:
定义gij的如8邻域连通结构如下:
步骤2.2:构建映射表
假设gij、gpq分别为对应图像像素,(i,j)和(p,q)的两个图像像素位置,为gij的第k,k∈{0,...,M-1}个种子节点,那么其中k,k∈{0,...,N-1}是gij为种子节点下同名标记下的区域像素点,如构建映射关系表,用一个队列存储同名标记区域,用一个堆栈存储种子节点;
选取种子节点,分别按照4邻域连通结构规则以及8邻域连通结构规则进行连通域判断;
步骤2.3:基于广度优先搜索算法进行标记
针对4邻域连通结构规则以及8邻域连通结构规则分别构建种子节点区域生长的map模型,4邻域连通结构规则下全局遍历像素时,首先剔除非种子节点,遇到种子节点时,首先对种子节点的4邻域采取广度优先搜索,生成同名标记区域;其次再对新生成的孩子节点同样进行4邻域的广度优先搜索,直至无法遍历到空白像素点,并将同名标记区域进行计数,将已经遍历区域放入新的队列;
同理,8邻域连通结构规则下全局遍历像素时,首先剔除非种子节点,遇到种子节点时,首先对种子节点的8邻域采取广度优先搜索,生成同名标记区域;其次再对新生成的孩子节点同样进行8邻域的广度优先搜索,直至无法遍历到空白像素点,并将同名标记区域进行计数,将已经遍历区域放入新的队列;
步骤3:标记效果评估标准,为了对标记效果进行评估,作了如下定义:
提取同名标记准确率Precision定义为:
precision=np/min(nr,nu) (3)
其中,np表示准确标记的同名区域数,nr、nu分别表示参考图像和二值图像连通标记后的同名标记区块数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010123382.2A CN111476795A (zh) | 2020-02-27 | 2020-02-27 | 一种基于广度优先搜索的二值图标记方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010123382.2A CN111476795A (zh) | 2020-02-27 | 2020-02-27 | 一种基于广度优先搜索的二值图标记方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111476795A true CN111476795A (zh) | 2020-07-31 |
Family
ID=71748005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010123382.2A Pending CN111476795A (zh) | 2020-02-27 | 2020-02-27 | 一种基于广度优先搜索的二值图标记方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476795A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298880A (zh) * | 2021-05-27 | 2021-08-24 | 武汉天远视科技有限责任公司 | 一种相机标定板、相机标定方法及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136133A (zh) * | 2011-01-21 | 2011-07-27 | 北京中星微电子有限公司 | 一种图像处理方法及图像处理装置 |
CN102324090A (zh) * | 2011-09-05 | 2012-01-18 | 东软集团股份有限公司 | 一种从cta图像中去除扫描床的方法及装置 |
RU2440609C1 (ru) * | 2010-10-20 | 2012-01-20 | Государственное образовательное учреждение высшего профессионального образования "Рыбинская государственная авиационная технологическая академия имени П.А. Соловьева" | Способ сегментации растровых изображений на основе выращивания и слияния областей |
CN103164702A (zh) * | 2011-12-13 | 2013-06-19 | 李卫伟 | 标记中心点提取方法、装置及图像处理系统 |
CN106056118A (zh) * | 2016-06-12 | 2016-10-26 | 合肥工业大学 | 一种用于细胞的识别计数方法 |
US20170032518A1 (en) * | 2015-07-29 | 2017-02-02 | Perkinelmer Health Sciences, Inc. | Systems and methods for automated segmentation of individual skeletal bones in 3d anatomical images |
CN106875405A (zh) * | 2017-01-19 | 2017-06-20 | 浙江大学 | 基于广度优先搜索的ct图像肺实质模板气管消除方法 |
CN108510476A (zh) * | 2018-03-14 | 2018-09-07 | 五邑大学 | 一种基于机器视觉的手机屏线路检测方法 |
CN108520523A (zh) * | 2018-03-23 | 2018-09-11 | 浙江工业大学 | 一种保留非封闭曲线的线画图骨架提取方法 |
CN108961251A (zh) * | 2018-07-24 | 2018-12-07 | 武汉纺织大学 | 一种原棉疵点及杂质检测与识别方法及系统 |
CN109389033A (zh) * | 2018-08-28 | 2019-02-26 | 江苏理工学院 | 一种新型的瞳孔快速定位方法 |
CN109766892A (zh) * | 2018-12-21 | 2019-05-17 | 西安交通大学 | 一种基于边缘检测的射线检测图像标记信息字符分割方法 |
-
2020
- 2020-02-27 CN CN202010123382.2A patent/CN111476795A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2440609C1 (ru) * | 2010-10-20 | 2012-01-20 | Государственное образовательное учреждение высшего профессионального образования "Рыбинская государственная авиационная технологическая академия имени П.А. Соловьева" | Способ сегментации растровых изображений на основе выращивания и слияния областей |
CN102136133A (zh) * | 2011-01-21 | 2011-07-27 | 北京中星微电子有限公司 | 一种图像处理方法及图像处理装置 |
CN102324090A (zh) * | 2011-09-05 | 2012-01-18 | 东软集团股份有限公司 | 一种从cta图像中去除扫描床的方法及装置 |
CN103164702A (zh) * | 2011-12-13 | 2013-06-19 | 李卫伟 | 标记中心点提取方法、装置及图像处理系统 |
US20170032518A1 (en) * | 2015-07-29 | 2017-02-02 | Perkinelmer Health Sciences, Inc. | Systems and methods for automated segmentation of individual skeletal bones in 3d anatomical images |
CN106056118A (zh) * | 2016-06-12 | 2016-10-26 | 合肥工业大学 | 一种用于细胞的识别计数方法 |
CN106875405A (zh) * | 2017-01-19 | 2017-06-20 | 浙江大学 | 基于广度优先搜索的ct图像肺实质模板气管消除方法 |
CN108510476A (zh) * | 2018-03-14 | 2018-09-07 | 五邑大学 | 一种基于机器视觉的手机屏线路检测方法 |
CN108520523A (zh) * | 2018-03-23 | 2018-09-11 | 浙江工业大学 | 一种保留非封闭曲线的线画图骨架提取方法 |
CN108961251A (zh) * | 2018-07-24 | 2018-12-07 | 武汉纺织大学 | 一种原棉疵点及杂质检测与识别方法及系统 |
CN109389033A (zh) * | 2018-08-28 | 2019-02-26 | 江苏理工学院 | 一种新型的瞳孔快速定位方法 |
CN109766892A (zh) * | 2018-12-21 | 2019-05-17 | 西安交通大学 | 一种基于边缘检测的射线检测图像标记信息字符分割方法 |
Non-Patent Citations (7)
Title |
---|
SOUMABHA BHOWMICK ET AL: "A novel floor segmentation algorithm for mobile robot navigation", 《2015 FIFTH NATIONAL CONFERENCE ON COMPUTER VISION, PATTERN RECOGNITION, IMAGE PROCESSING AND GRAPHICS (NCVPRIPG)》 * |
SOUMABHA BHOWMICK ET AL: "A novel floor segmentation algorithm for mobile robot navigation", 《2015 FIFTH NATIONAL CONFERENCE ON COMPUTER VISION, PATTERN RECOGNITION, IMAGE PROCESSING AND GRAPHICS (NCVPRIPG)》, 13 June 2016 (2016-06-13), pages 1 - 4 * |
李杰等: "基于改进流域算法的三维图像分割方法", 《科学技术与工程》 * |
李杰等: "基于改进流域算法的三维图像分割方法", 《科学技术与工程》, vol. 13, no. 31, 5 December 2013 (2013-12-05), pages 9227 - 9230 * |
胡莹妲: "基于视觉技术的农作物害虫的统计研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
胡莹妲: "基于视觉技术的农作物害虫的统计研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, vol. 2014, no. 8, 15 August 2014 (2014-08-15), pages 41 - 43 * |
胡莹妲: "基于视觉技术的农作物害虫的统计研究", 中国优秀硕士学位论文全文数据库信息科技辑, vol. 2019, no. 08, pages 138 - 1477 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298880A (zh) * | 2021-05-27 | 2021-08-24 | 武汉天远视科技有限责任公司 | 一种相机标定板、相机标定方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859171B (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
CN108648233B (zh) | 一种基于深度学习的目标识别与抓取定位方法 | |
CN110399840B (zh) | 一种快速的草坪语义分割及边界检测方法 | |
CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN111709420A (zh) | 文本检测方法、电子设备及计算机可读介质 | |
CN109117703B (zh) | 一种基于细粒度识别的混杂细胞种类鉴定方法 | |
CN102096821A (zh) | 基于复杂网络理论的强干扰环境下的车牌识别方法 | |
CN112347970A (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN112991536B (zh) | 一种专题地图地理面要素自动提取和矢量化方法 | |
CN109460735A (zh) | 基于图半监督学习的文档二值化处理方法、系统、装置 | |
CN110634142B (zh) | 一种复杂车路图像边界优化方法 | |
CN111476795A (zh) | 一种基于广度优先搜索的二值图标记方法 | |
CN111444903B (zh) | 漫画气泡内文字定位方法、装置、设备及可读存储介质 | |
CN117572457A (zh) | 一种基于伪标签学习的跨场景多光谱点云分类方法 | |
CN113159044A (zh) | 一种基于深度学习的卷积神经网络的道路材质识别方法 | |
CN112184696A (zh) | 一种细胞核和细胞器计数及其面积计算方法与系统 | |
CN109241865B (zh) | 一种弱对比度交通场景下的车辆检测分割算法 | |
CN115841557A (zh) | 基于数字孪生技术的智能起重机操作环境构建方法 | |
CN112330659B (zh) | 结合lsd直线检测和连通域标记法的几何公差符号分割方法 | |
CN114627463A (zh) | 一种基于机器识别的非接触式配电数据识别方法 | |
CN114511862A (zh) | 表格识别方法、装置及电子设备 | |
CN110728723B (zh) | 一种面向瓦片地图的道路自动提取方法 | |
CN111435537B (zh) | 模型训练方法、装置及基于拼接图的位姿优化方法、装置 | |
CN112581398A (zh) | 基于区域生长标号的图像降噪方法 | |
CN111028258B (zh) | 一种大尺度灰度图像自适应阈值提取方法 |
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 |