CN112150484A - 超像素的狄利克雷混合模型图像分割方法、装置及设备 - Google Patents

超像素的狄利克雷混合模型图像分割方法、装置及设备 Download PDF

Info

Publication number
CN112150484A
CN112150484A CN202011038459.2A CN202011038459A CN112150484A CN 112150484 A CN112150484 A CN 112150484A CN 202011038459 A CN202011038459 A CN 202011038459A CN 112150484 A CN112150484 A CN 112150484A
Authority
CN
China
Prior art keywords
super
superpixel
block
pixel block
neighborhood
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
CN202011038459.2A
Other languages
English (en)
Other versions
CN112150484B (zh
Inventor
陈子仪
范文涛
钟必能
杜吉祥
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.)
Huaqiao University
Original Assignee
Huaqiao 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 Huaqiao University filed Critical Huaqiao University
Priority to CN202011038459.2A priority Critical patent/CN112150484B/zh
Publication of CN112150484A publication Critical patent/CN112150484A/zh
Application granted granted Critical
Publication of CN112150484B publication Critical patent/CN112150484B/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
    • G06T7/11—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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Landscapes

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

Abstract

本发明公开了一种超像素的狄利克雷混合模型图像分割方法、装置及设备，方法包括：读取待分割的图像，利用超像素分割算法将所述图像分割为多个超像素块，并记录下每个像素点所属的超像素块、每个超像素块的位置中心以及颜色均值信息；提取每个超像素块的邻域信息；对所有超像素块的颜色做归一化处理，并初始化分割类别个数和聚类中心；将归一化处理后的超像素块作为输入，利用k‑means聚类对狄利克雷混合模型的聚类中心和后验概率做初始化；初始化狄利克雷混合模型的超参数，将以超像素块为基本处理单位的处理向量放入初始化后的狄利克雷混合模型中进行无监督迭代分割计算，直到达到预设的迭代终止条件后，输出分割结果图。本发明能提高图像分割的速度。

Description

超像素的狄利克雷混合模型图像分割方法、装置及设备
技术领域
本发明涉及图像处理领域，尤其涉及一种超像素的狄利克雷混合模型图像分割方法、装置及设备。
背景技术
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。
基于狄利克雷的图像分割算法是一种常用的图像分割算法，其主要是基于像素点进行计算分割。在实际分割过程中的计算复杂度与像素点个数呈指数型关系。假设目标图像的像素点个数为n，那么原始狄利克雷方法的计算复杂度为 O(n2)。如此高的计算复杂度，导致即使只是处理一张的图像，都需要十几分钟的处理时间，导致该算法的实用性和价值大打折扣。
发明内容
有鉴于此，本发明的目的在于提供一种超像素的狄利克雷混合模型图像分割方法、装置及设备，能解决现有的基于狄利克雷的图像分割算法计算度过于复杂的问题。
本发明实施例提供了一种超像素的狄利克雷混合模型图像分割方法，包括：
读取待分割的图像，利用超像素分割算法将所述图像分割为多个超像素块，并记录下每个像素点所属的超像素块、每个超像素块的位置中心以及颜色均值信息；
提取每个超像素块的邻域信息；
对所有超像素块的颜色做归一化处理，并初始化分割类别个数和聚类中心；
将归一化处理后的超像素块作为输入，利用k-means聚类对狄利克雷混合模型的聚类中心和后验概率做初始化；
初始化狄利克雷混合模型的超参数，将以超像素块为基本处理单位的处理向量放入初始化后的狄利克雷混合模型中进行无监督迭代分割计算，直到达到预设的迭代终止条件后，输出分割结果图。
优选地，提取每个超像素块的邻域信息具体为：
以超像素块的位置中心为起始，划定超像素块的邻域范围；
对每个超像素块的邻域范围，均匀划分为网格；
对每个超像素块的网格进行网格内超像素块标签个数统计，以获取每个领域网格中的像素的超像素块标签与数量；
将每个超像素块的网格标签设定为统计数量最多的超像素块标签，如此每个网格的超像素块标签即为中心超像素块的邻域超像素块。
优选地，提取每个超像素块的邻域信息具体为：
对每个超像素块：
设定邻域块个数n，以超像素块位置中心为中心，向外辐射n条射线；
将每条辐射的射线向外延伸碰到的第一个超像素块认定为该方向上的邻域超像素块；
获取每个超像素块的邻域超像素块标签。
优选地，还包括：
为了保证分割的平滑性，对于每个超像素块，根据其领域信息获取其邻域均值，并使用邻域均值代替本身的值。
本发明实施例还提供了一种超像素的狄利克雷混合模型图像分割装置，包括：
超像素分割模块，用于读取待分割的图像，利用超像素分割算法将所述图像分割为多个超像素块，并记录下每个像素点所属的超像素块、每个超像素块的位置中心以及颜色均值信息；
邻域提取模块，用于提取每个超像素块的邻域信息；
归一化模块，用于对所有超像素块的颜色做归一化处理，并初始化分割类别个数和聚类中心；
初始化模块，用于将归一化处理后的超像素块作为输入，利用k-means聚类对狄利克雷混合模型的聚类中心和后验概率做初始化；
分割模块，用于初始化狄利克雷混合模型的超参数，将以超像素块为基本处理单位的处理向量放入初始化后的狄利克雷混合模型中进行无监督迭代分割计算，直到达到预设的迭代终止条件后，输出分割结果图。
优选地，所述邻域提取模块具体包括：
划定单元，用于以超像素块的位置中心为起始，划定超像素块的邻域范围；
网格划分单元，用于对每个超像素块的邻域范围，均匀划分为网格；
统计单元，用于对每个超像素块的网格进行网格内超像素块标签个数统计，以获取每个领域网格中的像素的超像素块标签与数量；
设定单元，用于将每个超像素块的网格标签设定为统计数量最多的超像素块标签，如此每个网格的超像素块标签即为中心超像素块的邻域超像素块。
优选地，所述邻域提取模块具体包括：
对每个超像素块：
辐射单元，用于设定邻域块个数n，以超像素块位置中心为中心，向外辐射 n条射线；
邻域认定单元，用于将每条辐射的射线向外延伸碰到的第一个超像素块认定为该方向上的邻域超像素块；
标签获取单元，用于获取每个超像素块的邻域超像素块标签。
优选地，为了保证分割的平滑性，对于每个超像素块，根据其领域信息获取其邻域均值，并使用邻域均值代替本身的值。
本发明实施例还提供了一种超像素的狄利克雷混合模型图像分割设备，包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如上述的超像素的狄利克雷混合模型图像分割方法。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明第一实施例提供的超像素的狄利克雷混合模型图像分割方法的流程示意图。
图2和图3为提取每个超像素块的邻域信息的示意图。
图4为本发明第二实施例提供的超像素的狄利克雷混合模型图像分割装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的多个实施例提供了一种嵌入超像素的狄利克雷混合模型图像分割方法、装置及设备，其在基于狄利克雷混合模型的图像分割算法的基础上，考虑以超像素分割结果中的超像素块为基本处理单位来降低计算复杂度以提高处理效率。
为便于对本发明的理解，以下先介绍基于狄利克雷混合模型的图像分割算法的算法原理。
具体地，基于狄利克雷混合模型的图像分割算法，主要是利用有限狄利克雷混合模型结合像素空间约束，实现对目标图像的无监督分割。
首先，给定一个D维的随机向量
Figure RE-GDA0002765505110000061
该向量满足：
Figure RE-GDA0002765505110000062
并且0＜＜Xd＜＜1。在随机向量
Figure RE-GDA0002765505110000063
上带有参数向量
Figure RE-GDA0002765505110000064
的狄利克雷分布可以定义为：
Figure RE-GDA0002765505110000065
这里Γ(.)是一个定义为
Figure RE-GDA0002765505110000066
的gamma函数。狄利克雷分布的均值和方差分别为
Figure RE-GDA0002765505110000067
和
Figure RE-GDA0002765505110000068
然后，一个包含K个组成部分的有限狄利克雷分布可以表示为：
Figure RE-GDA0002765505110000069
这里的
Figure RE-GDA00027655051100000610
代表一个混合比例集合，并且该混合比例集合满足： 0＜＜πk＜＜1和
Figure RE-GDA00027655051100000611
假设有一个由狄利克雷分布生成的包含N个独立分布向量的集合
Figure RE-GDA00027655051100000612
则χ的密度函数为：
Figure RE-GDA00027655051100000613
为了让狄利克雷混合模型能够用于图像分割，对狄利克雷混合模型的无监督分类加上了空间约束条件。假定图像中每个像素的分布满足空间约束的狄利克雷混合模型，那么像素点的密度分布函数可以表示为：
Figure RE-GDA0002765505110000071
这里的
Figure RE-GDA0002765505110000072
是上下文混合比例，ξik代表的是像素i属于第k个部分的概率，并且满足限制条件：ξik>0，
Figure RE-GDA0002765505110000073
接下来，对于每个像素
Figure RE-GDA0002765505110000074
对它指定一个K维的二值随机向量Zik＝ (Zi1,…,ZiK)作为类别指示变量，其定义为：
Figure RE-GDA0002765505110000075
对于集合
Figure RE-GDA0002765505110000076
中的每个类别指示变量
Figure RE-GDA0002765505110000077
满足以下限制条件：
Figure RE-GDA0002765505110000078
为了保证分割的平滑性，对于每个像素点用邻域均值来代替它本身的值，具体表示如下：
Figure RE-GDA0002765505110000079
这里的Ωi表示第i个邻域像素，|Ωi|表示第i个像素的邻域像素个数，(t-1) 表示上一次迭代计算。通常3×3的方形窗口被作为邻域区域。
Figure RE-GDA00027655051100000710
的狄利克雷分布可以表示为：
Figure RE-GDA00027655051100000711
这里的
Figure RE-GDA0002765505110000081
是狄利克雷参数。
由于
Figure RE-GDA0002765505110000082
必须是正数，因此对它用Gamma分布对它进行先验概率分布赋值：
Figure RE-GDA0002765505110000083
这里的ukd和vkd是超参数。从而，用于图像无监督分割的空间约束狄利克雷混合模型的联合概率分布可以表示为：
Figure RE-GDA0002765505110000084
对于上述模型的自主学习过程，采用了变分贝叶斯学习的方法。变分贝叶斯是一种用于最优化问题中后验概率分布计算的近似方法。通常使用变分分布 q(Θ)来近似真正的后验概率分布p(Θ|χ)，这里的
Figure RE-GDA0002765505110000085
表示隐藏随机变量。 Kullback-Leibler(KL)差异被用来计算近似分布q(Θ)和真实分布p(Θ|χ)之间的差异：
Figure RE-GDA0002765505110000086
这里的
Figure RE-GDA0002765505110000087
是证据下限，并定义如下：
Figure RE-GDA0002765505110000088
从而最小化KL(q||p)等同于最大化证据下限
Figure RE-GDA0002765505110000089
这里，全因子分解被用于限制q(Θ)，具体表示如下：
Figure RE-GDA0002765505110000091
为了最大化
Figure RE-GDA0002765505110000092
这里对其每个因子做变分优化：
Figure RE-GDA0002765505110000093
Figure RE-GDA0002765505110000094
Figure RE-GDA0002765505110000095
这里的分布超参数由以下公式给定：
Figure RE-GDA0002765505110000096
Figure RE-GDA0002765505110000097
Figure RE-GDA0002765505110000098
Figure RE-GDA0002765505110000099
Figure RE-GDA00027655051100000910
这里的Ψ(.)表示digamma方程。上述方程的期望值可以用如下公式计算：
Figure RE-GDA00027655051100000911
Figure RE-GDA00027655051100000912
Figure RE-GDA00027655051100000913
Figure RE-GDA0002765505110000101
应用二阶泰勒展开式可以获得公式(10)中
Figure RE-GDA0002765505110000102
的下限近似值：
Figure RE-GDA0002765505110000103
在后验概率分布中上下文混合比例的期望值可以表示为：
Figure RE-GDA0002765505110000104
在算法中，最佳的分割块数可以通过初始化一个比较大的分割块数K，然后通过迭代把冗余的分割块去除。上述变分更新方程可以通过类似EM算法的迭代过程最优化，具体算法如下：
选取初始化分割块数K＝20
初始化超参数a＝50,b＝1.5,ukd＝10,vkd＝0.05.
通过K-means聚类算法初始化rik
重复：
用当前的模型参数值去评估分割块(公式22-26)
使用公式14-16更新q(Z)，
Figure RE-GDA0002765505110000111
直到达到收敛条件。
以下详述本发明实施例的具体内容。
请参阅图1，本发明第一实施例提供了一种超像素的狄利克雷混合模型图像分割方法，其可由超像素的狄利克雷混合模型图像分割设备(以下简称为分割设备)来执行，特别的，由分割设备内的一个或者多个处理器来执行，以实现如下步骤：
S101，读取待分割的图像，利用超像素分割算法将所述图像分割为多个超像素块，并记录下每个像素点所属的超像素块、每个超像素块的位置中心以及颜色均值信息。
在本实施例中，所述分割设备可为计算机、服务器或者其他具有数据处理能力的计算设备，其中，所述分割设备内安装有预定的计算机程序，所述分割设备可通过执行该计算机程序来实现本实施例的方法。
在本实施例中，为了获得超像素块，需先通过超像素块分割算法对待分割的图像进行分割。本实施例对超像素块分割算法没有限定，只要能够快速获得超像素分割结果即可。
S102，提取每个超像素块的邻域信息。
在本实施例中，为了保证分割的平滑性，对于每个超像素块，一般需要根据其领域信息获取其邻域均值，并使用邻域均值代替本身的值。
然而，由于超像素分割结果中的每个超像素块无法像像素点一样整齐排列，超像素块的无规则分布使得狄利克雷混合模型计算中需要的邻域信息无法常规获取。为了解决这个问题，本实施例提供了如下两种提取超像素块邻域信息的方法：
请参阅图2，在一种实现方式中，可通过如下步骤来提取每个超像素块的邻域信息：
首先，以超像素块的位置中心为起始，划定超像素块的邻域范围。
然后，对每个超像素块的邻域范围，均匀划分为网格。
其中，具体网格数目不限定，典型数目为4,9,16,25等。
接着，对每个超像素块的网格进行网格内超像素块标签个数统计，以获取每个领域网格中的像素的超像素块标签与数量；
最后，将每个超像素块的网格标签设定为统计数量最多的超像素块标签，如此每个网格的超像素块标签即为中心超像素块的邻域超像素块。
在另一种实现方式中，可通过如下步骤来提取每个超像素块的邻域信息：
对每个超像素块：
设定邻域块个数n，以超像素块位置中心为中心，向外辐射n条射线；
将每条辐射的射线向外延伸碰到的第一个超像素块认定为该方向上的邻域超像素块；
获取每个超像素块的邻域超像素块标签。
如图3所示，在图3的左边，不同灰度代表不同的超像素块。圆圈部分的超像素块为待计算的超像素块，以其中心向外辐射4条射线，每条射线第一次碰到的超像素块被认定为其邻域，如图3右边为其邻域的超像素块。
S103，对所有超像素块的颜色做归一化处理，并初始化分割类别个数和聚类中心；
S104，将归一化处理后的超像素块作为输入，利用k-means聚类对狄利克雷混合模型的聚类中心和后验概率做初始化；
S105，初始化狄利克雷混合模型的超参数，将以超像素块为基本处理单位的处理向量放入初始化后的狄利克雷混合模型中进行无监督迭代分割计算，直到达到预设的迭代终止条件后，输出分割结果图。
其中，上述步骤的具体实现过程均可参考现有的基于狄利克雷混合模型的图像分割算法的原理，本发明在此不做赘述。
综上所述，本实施例提供的超像素的狄利克雷混合模型图像分割方法，不以超像素分割结果中的超像素块代替像素点为基本处理单位，能实现更好的分割效果以及更快的分割效率，其分割速度与现有的狄利克雷混合模型图像分割方法能快上s2倍(s为超像素块的平均像素个数平方根)。
进一步的，考虑到采用超像素块为基本处理单元时，超像素块的无规则分布使得狄利克雷混合模型计算中需要的邻域信息无法常规获取，本实施例针对性地提出2种提取超像素块邻域信息的方法，以保证超像素块邻域信息的快速和有效提取。
请参阅图4，本发明第二实施例还提供了一种超像素的狄利克雷混合模型图像分割装置，包括：
超像素分割模块210，用于读取待分割的图像，利用超像素分割算法将所述图像分割为多个超像素块，并记录下每个像素点所属的超像素块、每个超像素块的位置中心以及颜色均值信息；
邻域提取模块220，用于提取每个超像素块的邻域信息；
归一化模块230，用于对所有超像素块的颜色做归一化处理，并初始化分割类别个数和聚类中心；
初始化模块240，用于将归一化处理后的超像素块作为输入，利用k-means 聚类对狄利克雷混合模型的聚类中心和后验概率做初始化；
分割模块250，用于初始化狄利克雷混合模型的超参数，将以超像素块为基本处理单位的处理向量放入初始化后的狄利克雷混合模型中进行无监督迭代分割计算，直到达到预设的迭代终止条件后，输出分割结果图。
优选地，所述邻域提取模块220具体包括：
划定单元，用于以超像素块的位置中心为起始，划定超像素块的邻域范围；
网格划分单元，用于对每个超像素块的邻域范围，均匀划分为网格；
统计单元，用于对每个超像素块的网格进行网格内超像素块标签个数统计，以获取每个领域网格中的像素的超像素块标签与数量；
设定单元，用于将每个超像素块的网格标签设定为统计数量最多的超像素块标签，如此每个网格的超像素块标签即为中心超像素块的邻域超像素块。
优选地，所述邻域提取模块220具体包括：
对每个超像素块：
辐射单元，用于设定邻域块个数n，以超像素块位置中心为中心，向外辐射 n条射线；
邻域认定单元，用于将每条辐射的射线向外延伸碰到的第一个超像素块认定为该方向上的邻域超像素块；
标签获取单元，用于获取每个超像素块的邻域超像素块标签。
优选地，为了保证分割的平滑性，对于每个超像素块，根据其领域信息获取其邻域均值，并使用邻域均值代替本身的值。
本发明第三实施例还提供了一种超像素的狄利克雷混合模型图像分割设备，包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如上述的超像素的狄利克雷混合模型图像分割方法。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种超像素的狄利克雷混合模型图像分割方法，其特征在于，包括：
读取待分割的图像，利用超像素分割算法将所述图像分割为多个超像素块，并记录下每个像素点所属的超像素块、每个超像素块的位置中心以及颜色均值信息；
提取每个超像素块的邻域信息；
对所有超像素块的颜色做归一化处理，并初始化分割类别个数和聚类中心；
将归一化处理后的超像素块作为输入，利用k-means聚类对狄利克雷混合模型的聚类中心和后验概率做初始化；
初始化狄利克雷混合模型的超参数，将以超像素块为基本处理单位的处理向量放入初始化后的狄利克雷混合模型中进行无监督迭代分割计算，直到达到预设的迭代终止条件后，输出分割结果图。
2.根据权利要求1所述的超像素的狄利克雷混合模型图像分割方法，其特征在于，提取每个超像素块的邻域信息具体为：
以超像素块的位置中心为起始，划定超像素块的邻域范围；
对每个超像素块的邻域范围，均匀划分为网格；
对每个超像素块的网格进行网格内超像素块标签个数统计，以获取每个领域网格中的像素的超像素块标签与数量；
将每个超像素块的网格标签设定为统计数量最多的超像素块标签，如此每个网格的超像素块标签即为中心超像素块的邻域超像素块。
3.根据权利要求1所述的超像素的狄利克雷混合模型图像分割方法，其特征在于，提取每个超像素块的邻域信息具体为：
对每个超像素块：
设定邻域块个数n，以超像素块位置中心为中心，向外辐射n条射线；
将每条辐射的射线向外延伸碰到的第一个超像素块认定为该方向上的邻域超像素块；
获取每个超像素块的邻域超像素块标签。
4.根据权利要求1所述的超像素的狄利克雷混合模型图像分割方法，其特征在于，还包括：
为了保证分割的平滑性，对于每个超像素块，根据其领域信息获取其邻域均值，并使用邻域均值代替本身的值。
5.一种超像素的狄利克雷混合模型图像分割装置，其特征在于，包括：
超像素分割模块，用于读取待分割的图像，利用超像素分割算法将所述图像分割为多个超像素块，并记录下每个像素点所属的超像素块、每个超像素块的位置中心以及颜色均值信息；
邻域提取模块，用于提取每个超像素块的邻域信息；
归一化模块，用于对所有超像素块的颜色做归一化处理，并初始化分割类别个数和聚类中心；
初始化模块，用于将归一化处理后的超像素块作为输入，利用k-means聚类对狄利克雷混合模型的聚类中心和后验概率做初始化；
分割模块，用于初始化狄利克雷混合模型的超参数，将以超像素块为基本处理单位的处理向量放入初始化后的狄利克雷混合模型中进行无监督迭代分割计算，直到达到预设的迭代终止条件后，输出分割结果图。
6.根据权利要求5所述的超像素的狄利克雷混合模型图像分割装置，其特征在于，所述邻域提取模块具体包括：
划定单元，用于以超像素块的位置中心为起始，划定超像素块的邻域范围；
网格划分单元，用于对每个超像素块的邻域范围，均匀划分为网格；
统计单元，用于对每个超像素块的网格进行网格内超像素块标签个数统计，以获取每个领域网格中的像素的超像素块标签与数量；
设定单元，用于将每个超像素块的网格标签设定为统计数量最多的超像素块标签，如此每个网格的超像素块标签即为中心超像素块的邻域超像素块。
7.根据权利要求5所述的超像素的狄利克雷混合模型图像分割装置，其特征在于，所述邻域提取模块具体包括：
对每个超像素块：
辐射单元，用于设定邻域块个数n，以超像素块位置中心为中心，向外辐射n条射线；
邻域认定单元，用于将每条辐射的射线向外延伸碰到的第一个超像素块认定为该方向上的邻域超像素块；
标签获取单元，用于获取每个超像素块的邻域超像素块标签。
8.根据权利要求5所述的超像素的狄利克雷混合模型图像分割方法，其特征在于，为了保证分割的平滑性，对于每个超像素块，根据其领域信息获取其邻域均值，并使用邻域均值代替本身的值。
9.一种超像素的狄利克雷混合模型图像分割设备，其特征在于，包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如权利要求1至4任意一项所述的超像素的狄利克雷混合模型图像分割方法。
CN202011038459.2A 2020-09-28 2020-09-28 超像素的狄利克雷混合模型图像分割方法、装置及设备 Active CN112150484B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011038459.2A CN112150484B (zh) 2020-09-28 2020-09-28 超像素的狄利克雷混合模型图像分割方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011038459.2A CN112150484B (zh) 2020-09-28 2020-09-28 超像素的狄利克雷混合模型图像分割方法、装置及设备

Publications (2)

Publication Number Publication Date
CN112150484A true CN112150484A (zh) 2020-12-29
CN112150484B CN112150484B (zh) 2024-04-19

Family

ID=73895624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011038459.2A Active CN112150484B (zh) 2020-09-28 2020-09-28 超像素的狄利克雷混合模型图像分割方法、装置及设备

Country Status (1)

Country Link
CN (1) CN112150484B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106097252A (zh) * 2016-06-23 2016-11-09 哈尔滨工业大学 基于图Graph模型的高光谱图像超像素分割方法
US20180247126A1 (en) * 2017-02-24 2018-08-30 Beihang University Method and system for detecting and segmenting primary video objects with neighborhood reversibility
CN109086777A (zh) * 2018-07-09 2018-12-25 南京师范大学 一种基于全局像素特征的显著图精细化方法
CN109255781A (zh) * 2018-09-03 2019-01-22 河海大学 一种面向对象的基于crf的多时相多光谱遥感影像变化检测方法
CN109389601A (zh) * 2018-10-19 2019-02-26 山东大学 基于像素间相似性的彩色图像超像素分割方法
CN110443809A (zh) * 2019-07-12 2019-11-12 太原科技大学 带边界约束的结构敏感性彩色图像分割超像素化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106097252A (zh) * 2016-06-23 2016-11-09 哈尔滨工业大学 基于图Graph模型的高光谱图像超像素分割方法
US20180247126A1 (en) * 2017-02-24 2018-08-30 Beihang University Method and system for detecting and segmenting primary video objects with neighborhood reversibility
CN109086777A (zh) * 2018-07-09 2018-12-25 南京师范大学 一种基于全局像素特征的显著图精细化方法
CN109255781A (zh) * 2018-09-03 2019-01-22 河海大学 一种面向对象的基于crf的多时相多光谱遥感影像变化检测方法
CN109389601A (zh) * 2018-10-19 2019-02-26 山东大学 基于像素间相似性的彩色图像超像素分割方法
CN110443809A (zh) * 2019-07-12 2019-11-12 太原科技大学 带边界约束的结构敏感性彩色图像分割超像素化方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"Corse-to-Fine Road Extraction Based on Local Dirichlet Mixture Models and Multiscale-High-Order Deep Learning", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》, vol. 21, no. 10, pages 4283 *
ZIYI CHEN: "Vehicle Detection in High-Resolution Aerial Images via Sparse Representation and Superpixels", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, vol. 54, no. 1, pages 103 - 115 *
张琦;安建成;刘奕麟;: "基于改进的MRF乳腺钼靶肿块分割算法", 计算机工程与设计, no. 08, 16 August 2018 (2018-08-16), pages 113 - 117 *
徐浩;谭一博;刘博文;王国宇;: "基于超像素和暗通道先验的图像去雾复原方法", 中国海洋大学学报(自然科学版), no. 10, pages 121 - 127 *

Also Published As

Publication number Publication date
CN112150484B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
Zhang et al. Efficient inference for fully-connected CRFs with stationarity
Cuevas et al. A comparison of nature inspired algorithms for multi-threshold image segmentation
Grady Multilabel random walker image segmentation using prior models
CN113313164A (zh) 一种基于超像素分割与图卷积的数字病理图像分类方法及系统
US8401340B2 (en) Image processing apparatus and coefficient learning apparatus
CN110378911B (zh) 基于候选区域和邻域分类器的弱监督图像语义分割方法
CN111986125A (zh) 一种用于多目标任务实例分割的方法
WO2005022449A1 (en) Greedy support vector machine classification for feature selection applied to the nodule detection problem
Yang et al. Color texture segmentation based on image pixel classification
Ben Ayed et al. Auxiliary cuts for general classes of higher order functionals
CN112163114A (zh) 一种基于特征融合的图像检索方法
WO2015190593A1 (ja) 情報処理方法、情報処理装置およびそのプログラム
CN114692809A (zh) 基于神经集群的数据处理方法及装置、存储介质、处理器
CN112150484A (zh) 超像素的狄利克雷混合模型图像分割方法、装置及设备
Pelizzari et al. Oil spill segmentation of SAR images via graph cuts
CN114419382A (zh) 一种无监督的多视图图像的图嵌入方法及系统
CN114463574A (zh) 一种遥感图像的场景分类方法及装置
Farokhmanesh et al. Deep learning–based parameter transfer in meteorological data
Condessa et al. Image classification with rejection using contextual information
CN111860547B (zh) 基于稀疏表示的图像分割方法、装置、设备及存储介质
Gowri et al. Interactive image segmentation using improved adaptive Markov random field approach
Mocanu et al. PuzzleNN: A Neural Network for Image Segmentation Based on Clustering
CN117671704B (zh) 一种手写体数字识别方法、装置及计算机存储介质
Jiang et al. Analysis Model of Image Colour Data Elements Based on Deep Neural Network.
US20240095929A1 (en) Methods and systems of real-time hierarchical image matting

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