CN112150484B - 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 PDFInfo
- Publication number
- CN112150484B CN112150484B CN202011038459.2A CN202011038459A CN112150484B CN 112150484 B CN112150484 B CN 112150484B CN 202011038459 A CN202011038459 A CN 202011038459A CN 112150484 B CN112150484 B CN 112150484B
- Authority
- CN
- China
- Prior art keywords
- super
- pixel block
- dirichlet
- pixel
- segmentation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000002156 mixing Methods 0.000 title claims abstract description 27
- 238000003709 image segmentation Methods 0.000 title claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000010606 normalization Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000003064 k means clustering Methods 0.000 claims abstract description 8
- 239000003086 colorant Substances 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000001788 irregular Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
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
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，以获取每个邻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，根据其邻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，以获取每个邻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，根据其邻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维的随机向量该向量满足：/>并且0<<Xd<<1。在随机向量/>上带有参数向量/>的狄利克雷分布可以定义为：
这里Γ(.)是一个定义为的gamma函数。狄利克雷分布的均值和方差分别为/>和/>
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：
这里的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/>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/>则χ的密度函数为：
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：
这里的是上下文混合比例，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，/>
接下来，对于每个像素对它指定一个K维的二值随机向量Zik＝(Zi1,…,ZiK)作为类别指示变量，其定义为：
对于集合中的每个类别指示变量/>满足以下限制条件：
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：
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。
的狄利克雷分布可以表示为：
这里的是狄利克雷参数。
由于必须是正数，因此对它用Gamma分布对它进行先验概率分布赋值：
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：
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：
这里的是证据下限，并定义如下：
从而最小化KL(q||p)等同于最大化证据下限这里，全因子分解被用于限制q(Θ)，具体表示如下：
为了最大化这里对其每个因子做变分优化：
这里的分布超参数由以下公式给定：
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：
应用二阶泰勒展开式可以获得公式(10)中的下限近似值：
在后验概率分布中上下文混合比例的期望值可以表示为：
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)，
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，一般需要根据其邻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，以获取每个邻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，以获取每个邻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，根据其邻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 (3)
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；其中，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；
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。
2.一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；其中，邻域提取模块具体用于：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；
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。
3.一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所述的超像素的狄利克雷混合模型图像分割方法。
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 CN112150484A (zh) | 2020-12-29 |
| CN112150484B true 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 (5)
| 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 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106952269B (zh) * | 2017-02-24 | 2019-09-20 | 北京航空航天大学 | 近邻可逆的视频前景物体序列检测分割方法及系统 |
-
2020
- 2020-09-28 CN CN202011038459.2A patent/CN112150484B/zh active Active
Patent Citations (5)
| 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 |
| 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)
| Title |
|---|
| Corse-to-Fine Road Extraction Based on Local Dirichlet Mixture Models and Multiscale-High-Order Deep Learning;《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》;第21卷(第10期);4283—429 * |
| Vehicle Detection in High-Resolution Aerial Images via Sparse Representation and Superpixels;ziyi chen;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;第54卷(第1期);正文第103-115页 * |
| 基于改进的MRF乳腺钼靶肿块分割算法;张琦;安建成;刘奕麟;;计算机工程与设计;20180816(08);113-117 * |
| 基于超像素和暗通道先验的图像去雾复原方法;徐浩;谭一博;刘博文;王国宇;;中国海洋大学学报(自然科学版)(第10期);121-127 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112150484A (zh) | 2020-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Landrieu et al. | A structured regularization framework for spatially smoothing semantic labelings of 3D point clouds | |
| Zhang et al. | Efficient inference for fully-connected CRFs with stationarity | |
| CN109472199B (zh) | 一种图像融合分类的方法及装置 | |
| CN106228121B (zh) | 手势特征识别方法和装置 | |
| Alahari et al. | Efficient piecewise learning for conditional random fields | |
| CN113177592B (zh) | 一种图像分割方法、装置、计算机设备及存储介质 | |
| EP1661067A1 (en) | Greedy support vector machine classification for feature selection applied to the nodule detection problem | |
| Snyder et al. | Image relaxation: Restoration and feature extraction | |
| Xing et al. | Robust selection-based sparse shape model for lung cancer image segmentation | |
| CN112163114A (zh) | 一种基于特征融合的图像检索方法 | |
| Lefèvre et al. | Hyperspectral image classification from multiscale description with constrained connectivity and metric learning | |
| CN110111300B (zh) | 一种图像变化检测方法 | |
| Katartzis et al. | A hierarchical Markovian model for multiscale region-based classification of vector-valued images | |
| Xu et al. | PolSAR image classification based on object-based Markov random field with polarimetric auxiliary label field | |
| CN112150484B (zh) | 超像素的狄利克雷混合模型图像分割方法、装置及设备 | |
| CN107492101B (zh) | 基于自适应构造最优图的多模态鼻咽肿瘤分割算法 | |
| CN110768864A (zh) | 一种网络流量批量生成图像的方法及装置 | |
| CN116363374A (zh) | 图像语义分割网络持续学习方法、系统、设备及存储介质 | |
| Zhong et al. | Gap-based estimation: Choosing the smoothing parameters for probabilistic and general regression neural networks | |
| Qu et al. | Supervised image segmentation based on superpixel and improved normalised cuts | |
| Hermes et al. | A minimum entropy approach to adaptive image polygonization | |
| El-Baz et al. | Image segmentation using GMRF models: parameters estimation and applications | |
| Wang et al. | Adaptive hypergraph superpixels | |
| Luo et al. | Simple iterative clustering on graphs for robust model fitting | |
| CN113269796B (zh) | 一种图像分割方法、装置及终端设备 |
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 |