CN111507995A - 一种基于彩色图像金字塔和颜色通道分类的图像分割方法 - Google Patents
一种基于彩色图像金字塔和颜色通道分类的图像分割方法 Download PDFInfo
- Publication number
- CN111507995A CN111507995A CN202010365475.6A CN202010365475A CN111507995A CN 111507995 A CN111507995 A CN 111507995A CN 202010365475 A CN202010365475 A CN 202010365475A CN 111507995 A CN111507995 A CN 111507995A
- Authority
- CN
- China
- Prior art keywords
- image
- channel
- value
- blocks
- color
- 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
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
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种基于彩色图像金字塔和颜色通道分类的图像分割方法,首先获取物体标注框,再对每一帧图像进行缩放,得到不同分辨率的图像、形成图像金字塔,以颜色通道变化范围将其量化为一定数量的类别,并对所有图像的像素点进行分类,将每一类中的连通像素点集合提取外轮廓,根据轮廓包围的面积进而获取图像块,不仅提高了特征提取的准确性,而且在不同分辨率图像上进行图像分割提块,能够获得不同尺度下的图像特征,有利于提高图像的识别率,根据像素均匀分类还能有效减小图像处理的计算量,提高程序运行的效率,增强程序的实时性。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种基于彩色图像金字塔和颜色通道分类的图像分割方法。
背景技术
图像分割是数字图像处理中的关键技术之一,目前对图像分割的研究还在不断深入之中,是图像处理领域中研究的热点之一,图像分割是将图像中有意义的部分提取出来,其有意义的特征有图像的边缘、区域等,是进一步进行图像识别、分析和理解的基础,虽然目前已研究出一些边缘提取、区域分割的方法,但还没有一种普遍适用于各种图像的有效方法。
发明内容
本发明要解决的技术问题是:提供一种能多尺度进行图像分割及提取图像颜色块的基于彩色图像金字塔和颜色通道分类的图像分割方法,以克服已有技术所存在的上述不足。
本发明采取的技术方案是:一种基于彩色图像金字塔和颜色通道分类的图像分割方法,包括以下步骤:
A.获取图像,将图像输入神经网络模型,获取物体的标注框;
B.将图像标注框部分重新生成一张新的图像;
C.创建图像金字塔,将标注框图像输入图像金字塔内,金字塔共分为三层,每层图像尺寸缩小两倍;
D.将标注框图像由RGB图像转换为HSV图像;
E.对图像像素点进行分类;
F.对图像进行分割提块;
G.合并相邻分类的图像块。
其进一步的技术方案为:所述步骤E具体包括以下步骤:
e1.将图像像素点的H、S、V通道的像素值,统一归一化到0-255区间内;
e2.根据H通道的像素值,将图像像素点划分为16个类,0-16为第1类,17-32为第2类,33-48为第3类,以此类推,240-255为第16类;
e3.计算S值的分类分界点s,公式如下:
s=17.49-7.192*cos(Value(channel(V))*0.01287)-2.901*sin(Value(channel(V))*0.01287),其中,H、S、V为HSV图像各通道像素值,Value()为像素值,channel()为图像通道;
e4.根据S通道和V通道的像素值,将图像像素点划分为3个类,即17-19类,分类范围如下:
第17类,Value(channel(V))<51;
第18类,Value(channel(V))>51,Value(channel(S))<s;
第19类,Value(channel(V))>51,Value(channel(S))>s。
进一步:所述步骤F具体包括以下步骤:
f1.对分好类的图像进行轮廓查找,获取图像的轮廓;
f2.计算轮廓所包含的面积,同时将块面积大小的阈值设为原始图像的2%;
f3.判断块面积是否大于阈值,若是,进入步骤f4,若否,返回步骤f2;
f4.获取块的轮廓的外接矩形坐标,将其对应到原始图像上;
f5.取原始图像相同区域的像素点,作为图像块并转为块二值图保存。
进一步:所述步骤G具体包括以下步骤:
g1.若两个块任意一个像素点在四邻域内相邻,则该像素点为这两个块的相邻点,求出两个块之间所有的相邻点;
g2.若两个块的相邻点互为最多,则该两个块位置临近;
g3.根据步骤E的分类,判断该两个块的类别是否临近;
g4.若该两个块的位置和类别都临近,则将该两个块合并。
由于采用上述技术方案,本发明之一种基于彩色图像金字塔和颜色通道分类的图像分割方法具有如下有益效果:
1.本发明对获取到的图像进行不同程度的下采样,得到不同分辨率的图像、形成图像金字塔,以颜色通道变化范围将其量化为一定数量的类别,再对所有图像的像素点进行分类,将每一类中的连通像素点集合提取外轮廓,根据轮廓包围的面积进而获取图像块,在很大程度上提高了特征提取的准确性,对后续的图像处理奠定了良好基础。
2.本发明在进行图像分割提块前先获取物体的标注框,后再在标注框内分割,能够排除大部分背景的干扰,提高图像分割效率。
3.本发明将图像输入金字塔内,通过获取不同金字塔层的多种分辨率的图像,在不同分辨率图像上进行图像分割提块,能够获得不同尺度下的图像特征,有利于提高图像的识别率。
4.由于图像的RGB通道并不能很好的反映出物体具体的颜色信息,因此本发明将图像由RGB图像转换为HSV图像,HSV空间能够非常直观地表达色彩的阴暗、色调以及鲜艳程度,方便进行颜色之间的对比。
5.本发明将图像像素点的像素值统一归一化到0-255区间内,有利于均匀分类,以此能更有效的减小图像处理的计算量,提高程序运行的效率,增强程序的实时性;当光照条件不足时,图像的亮度会变暗(即V通道的值变小、饱和度降低,S通道的值减小),人眼不能很好的区分出物体的具体颜色,本发明将S和V通道的像素值另外划分为3类,符合了人眼的角度,一定程度上降低了光照条件不足带来的影响。
6.在分割提块中,若得到的块太小,对其进行特征提取将会得不到有用的特征,因此本发明将图像中块面积大小的阈值设为原始图像的2%,可有效防止获得无意义的块,增加提块效率。
7.本发明在提完块之后再做一次合并块处理,不仅可以有效防止相同颜色的像素点被分到不同的类里,还能减小边界像素值因光照不同导致分类不同的影响,以及获取到由两种相邻分类组成的像素合并块,为提取特征提供了更多的依据。
下面结合附图和实施例对本发明之一种基于彩色图像金字塔和颜色通道分类的图像分割方法的技术特征作进一步的说明。
附图说明
图1:本发明实施例一之建立图像金字塔流程图;
图2:本发明实施例一之图像轮廓提块流程图;
图3:本发明实施例一之相邻块合并流程图;
图4:本发明实施例一之金字塔图层示意图;
图5:本发明实施例一之金字塔图层标注框图像示意图;
图6:本发明实施例一金字塔底层图像之块二值图示意图;
图7:本发明实施例一金字塔第1层图像之块二值图示意图;
图8:本发明实施例一金字塔第2层图像之块二值图示意图。
具体实施方式
实施例一
一种基于彩色图像金字塔和颜色通道分类的图像分割方法,如图1所示,包括以下步骤:
A.获取图像,将图像输入神经网络模型,获取物体的标注框,在标注框内进行图像分割提块,能够排除大部分背景的干扰,提高图像分割效率;
B.将图像标注框部分重新生成一张新的图像,在重新生成的标注框图像上进行图像分割;
C.创建图像金字塔,将标注框图像输入图像金字塔内,如图4所示,金字塔共分为三层,每层图像尺寸缩小两倍,通过获取不同金字塔层的多种分辨率的图像,在不同分辨率图像上进行图像分割提块,能够获得不同尺度下的图像特征,有利于提高图像的识别率,金字塔图像如图5所示;
D.将标注框图像由RGB图像转换为HSV图像,图像的RGB通道不能很好的反映出物体具体的颜色信息,相对于RGB空间,HSV空间能够非常直观地表达色彩的阴暗、色调以及鲜艳程度,方便进行颜色之间的对比,RGB转HSV转换原理公式如下:
max=max(R,G,B)
min=min(R,G,B)
if R = max, H =(G-B)/(max-min)
if G = max, H =2+(B-R)/(max-min)
if B = max, H =4+(R-G)/(max-min)
H = H *60
if H <0, H = H +360
V=max(R,G,B)
S=(max-min)/max
说明:R、G、B分别为RGB图像各通道像素值,H、S、V分别为HSV图像各通道像素值,max为三个通道中的像素最大值,min为三个通道中的像素最小值,max()为求取图像通道中像素最大值的函数,min()为求取图像通道中像素最小值的函数;
E.对图像像素点进行分类;
e1.将图像像素点的H、S、V通道的像素值,统一归一化到0-255区间内,有利于均匀分类;
e2.根据H通道的像素值,将图像像素点划分为16个类,0-16为第1类,17-32为第2类,33-48为第3类,以此类推,240-255为第16类,对像素点均匀分类能有效的减小图像处理的计算量,提高程序运行的效率,增强程序的实时性,但当光照条件不足时,会使得图像的亮度变暗,即V通道的值变小,饱和度降低,S通道的值减小,人眼不能够很好的区分出物体的具体颜色,提块时应该考虑是否符合人眼的的角度,因此,将S和V通道的像素值,另外划分为3类,即一共有19个类,1-16类为根据H值划分的类,17-19类为根据S和V值划分的类;
e3.计算S值的分类分界点s,通过反复实验,得到了符合人眼特性的S和V值的范围公式,公式如下:
s=17.49-7.192*cos(Value(channel(V))*0.01287)-2.901*sin(Value(channel(V))*0.01287),其中,H、S、V为HSV图像各通道像素值,Value()为像素值,channel()为图像通道,例如:Value(channel(V)):HSV图像V通道像素值;
e4.根据S通道和V通道的像素值,将图像像素点划分为3个类,即17-19类,分类范围如下:
第17类,Value(channel(V))<51;
第18类,Value(channel(V))>51,Value(channel(S))<s;
第19类,Value(channel(V))>51,Value(channel(S))>s;
F.对图像进行分割提块(参见图2);
f1.对分好类的图像进行轮廓查找,即通过现有的轮廓提取方法获取图像的轮廓;
f2.计算轮廓所包含的面积,同时将块面积大小的阈值设为原始图像的2%,因为如果得到的块太小,对其提特征将会得不到有用的特征,这样的块没有意义,应舍弃;
f3.判断块面积是否大于阈值,若是,进入步骤f4,若否,返回步骤f2;
f4.获取块的轮廓的外接矩形坐标,将其对应到原始图像上;
f5.取原始图像相同区域的像素点,作为图像块并转为块二值图保存;
G.合并相邻分类的图像块(参见图3);
g1.相同颜色的像素点是在一定范围内连续的,为了防止相同颜色的像素点被分到不同的类里,在提完块之后要再做一次合并块处理,若两个块任意一个像素点在四邻域内相邻,则该像素点为这两个块的相邻点,因为一个块可能和多个块相邻,因此需先求出两个块之间所有的相邻点;
g2.若两个块的相邻点互为最多,则该两个块位置临近;
g3.根据步骤E的分类,判断该两个块的类别是否临近;
g4.若该两个块的位置和类别都临近,则将该两个块合并,可减小边界像素值因光照不同导致分类不同的影响,还能获取到由两种相邻分类组成的像素合并块,为提取特征提供了更多的依据。
实施例二
一种基于彩色图像金字塔和颜色通道分类的图像分割方法,其步骤与实施例一基本相同,所不同之处在于:步骤f1中采用区域生长方法来获取图像轮廓,步骤如下:
遍历图像,在图像中选取一个非背景像素点作为种子生长点,判断其四邻域范围内是否有相同像素的点,有则将该点作为新的种子点,并保存该点像素,继续寻找该点的四邻域范围是否有相同像素的点,循环迭代,直至找到背景像素点后停止。
以上实施例仅为本发明的较佳实施例,本发明的方法并不限于上述实施例列举的形式,凡在本发明的精神和原则之内所作的任何修改、等同替换等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于彩色图像金字塔和颜色通道分类的图像分割方法,其特征在于:包括以下步骤:
A.获取图像,将图像输入神经网络模型,获取物体的标注框;
B.将图像标注框部分重新生成一张新的图像;
C.创建图像金字塔,将标注框图像输入图像金字塔内,金字塔共分为三层,每层图像尺寸缩小两倍;
D.将标注框图像由RGB图像转换为HSV图像;
E.对图像像素点进行分类;
F.对图像进行分割提块;
G.合并相邻分类的图像块。
2.根据权利要求1所述的一种基于彩色图像金字塔和颜色通道分类的图像分割方法,其特征在于:所述步骤E具体包括以下步骤:
e1.将图像像素点的H、S、V通道的像素值,统一归一化到0-255区间内;
e2.根据H通道的像素值,将图像像素点划分为16个类,0-16为第1类,17-32为第2类,33-48为第3类,以此类推,240-255为第16类;
e3.计算S值的分类分界点s,公式如下:
s=17.49-7.192*cos(Value(channel(V))*0.01287)-2.901*sin(Value(channel(V))*0.01287),其中,H、S、V为HSV图像各通道像素值,Value()为像素值,channel()为图像通道;
e4.根据S通道和V通道的像素值,将图像像素点划分为3个类,即17-19类,分类范围如下:
第17类,Value(channel(V))<51;
第18类,Value(channel(V))>51,Value(channel(S))<s;
第19类,Value(channel(V))>51,Value(channel(S))>s。
3.根据权利要求1所述的一种基于彩色图像金字塔和颜色通道分类的图像分割方法,其特征在于:所述步骤F具体包括以下步骤:
f1.对分好类的图像进行轮廓查找,获取图像的轮廓;
f2.计算轮廓所包含的面积,同时将块面积大小的阈值设为原始图像的2%;
f3.判断块面积是否大于阈值,若是,进入步骤f4,若否,返回步骤f2;
f4.获取块的轮廓的外接矩形坐标,将其对应到原始图像上;
f5.取原始图像相同区域的像素点,作为图像块并转为块二值图保存。
4.根据权利要求1所述的一种基于彩色图像金字塔和颜色通道分类的图像分割方法,其特征在于:所述步骤G具体包括以下步骤:
g1.若两个块任意一个像素点在四邻域内相邻,则该像素点为这两个块的相邻点,求出两个块之间所有的相邻点;
g2.若两个块的相邻点互为最多,则该两个块位置临近;
g3.根据步骤E的分类,判断该两个块的类别是否临近;
g4.若该两个块的位置和类别都临近,则将该两个块合并。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010365475.6A CN111507995B (zh) | 2020-04-30 | 2020-04-30 | 一种基于彩色图像金字塔和颜色通道分类的图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010365475.6A CN111507995B (zh) | 2020-04-30 | 2020-04-30 | 一种基于彩色图像金字塔和颜色通道分类的图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111507995A true CN111507995A (zh) | 2020-08-07 |
CN111507995B CN111507995B (zh) | 2023-05-23 |
Family
ID=71864342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010365475.6A Active CN111507995B (zh) | 2020-04-30 | 2020-04-30 | 一种基于彩色图像金字塔和颜色通道分类的图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507995B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113129300A (zh) * | 2021-05-10 | 2021-07-16 | 深圳市水务工程检测有限公司 | 一种降低误检率的排水管道缺陷检测方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090219379A1 (en) * | 2005-12-30 | 2009-09-03 | Telecom Italia S.P.A. | Average Calculation in Color Space, Particularly for Segmentation of Video Sequences |
WO2018068304A1 (zh) * | 2016-10-14 | 2018-04-19 | 深圳配天智能技术研究院有限公司 | 一种图像匹配的方法及装置 |
WO2019000653A1 (zh) * | 2017-06-30 | 2019-01-03 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
WO2020077535A1 (zh) * | 2018-10-16 | 2020-04-23 | 深圳大学 | 图像语义分割方法、计算机设备和存储介质 |
-
2020
- 2020-04-30 CN CN202010365475.6A patent/CN111507995B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090219379A1 (en) * | 2005-12-30 | 2009-09-03 | Telecom Italia S.P.A. | Average Calculation in Color Space, Particularly for Segmentation of Video Sequences |
WO2018068304A1 (zh) * | 2016-10-14 | 2018-04-19 | 深圳配天智能技术研究院有限公司 | 一种图像匹配的方法及装置 |
WO2019000653A1 (zh) * | 2017-06-30 | 2019-01-03 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
WO2020077535A1 (zh) * | 2018-10-16 | 2020-04-23 | 深圳大学 | 图像语义分割方法、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
冷美萍;鲍苏苏;: "基于色调直方图和区域合并的彩色图像分割算法" * |
吴建;: "基于区域生长算法的彩色遥感图像分割" * |
杜娟;李文锋;: "基于金字塔连接算法的彩色图像分割" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113129300A (zh) * | 2021-05-10 | 2021-07-16 | 深圳市水务工程检测有限公司 | 一种降低误检率的排水管道缺陷检测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111507995B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109154978B (zh) | 用于检测植物疾病的系统和方法 | |
CN109558806B (zh) | 高分遥感图像变化的检测方法 | |
CN111667455B (zh) | 一种刷具多种缺陷的ai检测方法 | |
CN111860533A (zh) | 图像的识别方法及装置、存储介质和电子装置 | |
US6721448B2 (en) | Color clustering and segmentation using sigma filtering | |
CN112132843A (zh) | 基于无监督深度学习的苏木精-伊红染色病理图像分割方法 | |
CN108229576B (zh) | 一种跨倍率病理图像特征学习方法 | |
Almogdady et al. | A flower recognition system based on image processing and neural networks | |
CN112464942B (zh) | 基于计算机视觉的重叠烟叶智能化分级方法 | |
CN108492296B (zh) | 基于超像素分割的小麦麦穗智能计数系统及方法 | |
CN109740572A (zh) | 一种基于局部彩色纹理特征的人脸活体检测方法 | |
CN108829711B (zh) | 一种基于多特征融合的图像检索方法 | |
CN111160194B (zh) | 一种基于多特征融合的静态手势图像识别方法 | |
CN111784711A (zh) | 一种基于深度学习的肺部病理图像分类与分割方法 | |
CN109635799B (zh) | 一种燃气表字轮数字的识别方法 | |
CN114299051A (zh) | 基于特征建模显著性检测的皮革材料表面缺陷检测方法 | |
CN115082776A (zh) | 一种基于图像识别的电能表自动检测系统及方法 | |
CN111161281A (zh) | 一种人脸区域识别方法、装置及存储介质 | |
CN111401364B (zh) | 一种基于颜色特征和模板匹配相结合的车牌定位算法 | |
CN110648336B (zh) | 一种舌质和舌苔的分割方法及装置 | |
CN114863493A (zh) | 一种低质量指纹图像和非指纹图像的检测方法及检测装置 | |
CN111507995B (zh) | 一种基于彩色图像金字塔和颜色通道分类的图像分割方法 | |
CN110929740A (zh) | 一种基于lgbm模型的舌质舌苔分离方法 | |
CN103871084B (zh) | 蓝印花布图案识别方法 | |
CN114445814B (zh) | 一种字符区域提取方法、计算机可读存储介质 |
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 |