CN112561919A - 一种图像分割方法、设备和计算机可读存储介质 - Google Patents
一种图像分割方法、设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN112561919A CN112561919A CN201910854988.0A CN201910854988A CN112561919A CN 112561919 A CN112561919 A CN 112561919A CN 201910854988 A CN201910854988 A CN 201910854988A CN 112561919 A CN112561919 A CN 112561919A
- Authority
- CN
- China
- Prior art keywords
- superpixel
- primary
- segmentation
- optimized
- image
- 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 47
- 238000003709 image segmentation Methods 0.000 title claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 68
- 238000010187 selection method Methods 0.000 claims abstract description 11
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 2
- 239000003086 colorant Substances 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例提供了一种图像分割方法、设备和计算机可读存储介质。所述方法包括通过SLIC超像素分割算法对目标分割图像进行分割处理,得到初代超像素分割结果,在所述初代超像素内选择种子点,将该初代超像素划分为一个或多个次代超像素;以所述初代超像素的分割中心为中心,通过基于颜色相似度的区域传播合并算法对划分出的次代超像素进行合并,得到优化后的初代超像素;根据自适应中心选择方法选择区域传播中心,合并优化后的初代超像素,得到图像分割结果。以此方式,可以使图像分割的边缘贴合图像中物体的边缘或者颜色的分界线,相互独立,内部连通,符合人眼视觉和人的分割习惯,形状基本规则,数量有限,避免了过分割和欠分割。
Description
技术领域
本公开的实施例一般涉及计算机视觉、图像处理领域,并且更具体地,涉及一种图像分割方法、设备和计算机可读存储介质。
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。
因为图像纹理复杂,往往出现将但目标划分为过多区域,使分割区域过小的情况,且如果图像噪声较大,分割后的图像边缘往往不闭合,内部不连通,不能形成独立的目标区域。
发明内容
根据本公开的实施例,提供了一种图像分割方案。
在本公开的第一方面,提供了一种图像分割方法。该方法包括:
通过SLIC超像素分割算法对目标分割图像进行分割处理,得到初代超像素分割结果,所述初代超像素分割结果包括若干个初代超像素;
在所述初代超像素内选择一个或多个种子点,采用区域生长算法,根据初代超像素内的种子点个数,将该初代超像素划分为一个或多个次代超像素;
以所述初代超像素的分割中心为中心,通过基于颜色相似度的区域传播合并算法对划分出的次代超像素进行合并,得到优化后的初代超像素;
根据自适应中心选择方法选择区域传播中心,合并优化后的初代超像素,得到图像分割结果。
进一步地,在通过SLIC超像素分割算法对目标分割图像进行分割处理之前,通过Wallis算子对目标分割图像进行锐化处理,得到锐化后的图像,作为待分割处理的目标分割图像。
进一步地,所述基于颜色相似度的区域传播合并算法为:
以每个次代超像素的种子点像素的像素值代表整个次代超像素的颜色平均值,通过欧几里得公式计算相邻次代超像素间的相似性,每次每个中心仅合并相邻的一个相似性最高的独立区域,迭代该过程,直到没有独立区域,得到优化后的初代超像素。
进一步地,所述自适应中心选择方法包括:
计算独立的优化后的初代超像素及与其相邻的优化后的初代超像素形成区域内所有像素各颜色通道的平均值,并选择与该平均值最接近的优化后的初代超像素作为区域传播中心。
进一步地,所述计算独立的优化后的初代超像素及与其相邻的优化后的初代超像素形成区域内所有像素各颜色通道的平均值包括:
其中,K是独立的优化后的初代超像素及与其相邻的优化后的初代超像素形成区域;(Ri,Gi,Bi)是独立的优化后的初代超像素的颜色均值;n是K中优化后的超像素的数量;(mR,mG,mB)是K的平均值。
进一步地,所述合并优化后的初代超像素,包括:
计算作为区域传播中心的优化后的初代超像素和与其相邻的优化后的初代超像素之间的相似性,将得到的相似性结果与阈值进行比较,将相似性小于阈值的两个超像素进行合并;
遍历每个独立的优化后的初代超像素,直至没有独立的优化后的初代超像素,得到图像分割结果。
进一步地,所述计算作为区域传播中心的优化后的初代超像素和与其相邻的优化后的初代超像素之间的相似性,包括:
其中,Dc,j是超像素c和j之间的欧几里得距离,用于表示相似性;(Rc,Gc,Bc)和(Rj,Gj,Bj)分别是相邻的优化后的初代超像素的颜色均值。
进一步地,所述阈值为:
其中,T是阈值;std(RGBpixels)是图像中所有像素在RGB颜色域下的标准偏差值。
在本公开的第二方面,提供了一种电子设备。该电子设备包括:存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的图像分割方法。
在本公开的第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如根据本公开的第一方面和/或第二发面的图像分割方法。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了根据本公开的实施例的图像分割方法的流程图;
图2示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例,都属于本公开保护的范围。
本公开中,公开了一种图像分割方法,涉及计算机视觉、图像处理领域,主要用于图像语义识别、图像搜索的预处理过程。该方法分为三个环节,首先是图像预处理,即使用Wallis算子进行图像锐化。第二是改进的SLIC超像素分割,即使用SLIC超像素算法对图像进行初步的处理,在每个生成的超像素内随机选择几个种子点,简单地采用区域生长算法将原始超像素划分为一个或多个新的超像素保留原来超像素的分割中心,以原来超像素的分割中心为中心,通过基于颜色相似度的区域传播合并算法,每次每个中心仅合并最近的一个独立区域,迭代完成,直到没有独立区域。最后,使用自适应中心选择方法来选择合并的中心超像素和自适应的确定合并阈值,以选定的中心超像素为中心,根据阈值去合并系统所记录的其邻域的超像素,迭代直至没有独立超像素。以此方式,可以使图像分割的边缘贴合图像中物体的边缘或者颜色的分界线,相互独立,内部连通,符合人眼视觉和人的分割习惯,形状基本规则,数量有限,避免了过分割和欠分割。
图1示出了根据本公开的实施例的图像分割方法的流程图。
本公开提供一种图像分割方法,包括:
S101、通过SLIC超像素分割算法对目标分割图像进行分割处理,得到初代超像素分割结果,所述初代超像素分割结果包括若干个初代超像素;
通过传统的SLIC超像素分割算法可以实现对图像的分割处理,生成具有常规大小的超像素,虽然生成的大多数超像素边界能很好贴合地图像边界。但是还存在一些超像素可能包含着原图的图像边缘。
初代超像素分割结果是通过SLIC超像素分割算法对目标分割图像进行分割处理后得到的结果,其中包括若干个初代超像素。
S102、在所述初代超像素内选择一个或多个种子点,采用区域生长算法,根据初代超像素内的种子点个数,将该初代超像素划分为一个或多个次代超像素;
首先在得到的初代超像素内选择种子点,种子点的选择是随机的,数量可以是一个也可以是多个,基于颜色域中的连通性约束,采用区域生长算法,将初代超像素划分为与种子点数量相同的新的独立区域,即次代超像素。由此,将初代超像素中,因为不连通区域或者超像素边界不贴合颜色边缘所包含进来的小区域块分离开来,以便在后续的合并中将其划分到应该所在的超像素内,得到内部连通、贴合颜色边缘的初代超像素。
S103、以所述初代超像素的分割中心为中心,通过基于颜色相似度的区域传播合并算法对划分出的次代超像素进行合并,得到优化后的初代超像素;
保留初代超像素的分割中心,并以初代超像素的分割中心为中心,通过基于颜色相似度的区域传播合并算法:以每个次代超像素的种子点像素的像素值代表整个次代超像素的颜色平均值,通过欧几里得公式计算次代超像素间的相似性,每次每个中心仅合并相邻的一个相似性最高的独立区域,迭代完成,直到没有独立区域,改善最终分割结果。分割结果的边缘贴合图像中物体的边缘或者颜色的分界线,相互独立,符合人眼视觉和人的分割习惯。
S104、根据自适应中心选择方法选择区域传播中心,合并优化后的初代超像素,得到图像分割结果。
在每次迭代中,对于每个独立的优化后的初代超像素,系统记录与其直接相邻的优化后的初代超像素,计算每个与其直接相邻的优化后的初代超像素的平均值,选择与平均值最接近的最佳超像素作为区域传播中心,使用RGB域下的欧几里得距离来测量最佳超像素与其相邻的优化后的初代超像素之间的相似性。根据阈值去合并系统所记录的其相邻的优化后的初代超像素,迭代直至没有独立优化后的初代超像素。阈值通过自适应过程确定。对于具有不同复杂度的图像阈值自动调整。
基于颜色的相似性,根据连接在一起的相似颜色属于同一个物体的假设,可以将同一个物体或者物体相同颜色的局部分割开来。自适应阈值的设计,可以让算法对任何图像的分割都有比较好的效果,阈值自动调整,不用再针对不同图片场景进行手动实验并设置。
进一步地,在通过SLIC超像素分割算法对目标分割图像进行分割处理之前,通过Wallis算子对目标分割图像进行锐化处理,得到锐化后的图像,作为待分割处理的目标分割图像。
主要考虑了人眼视觉特性,锐化结果符合人眼特性,可以使边缘信息更加清晰。
不同于其他算法直接进行图像分割,由于良好的图像分割效果,依据于图像有一个清晰、明确的边缘信息,由于摄像机的质量差异,图像往往边缘处模糊,边缘不能达到像素级别,需对图像进行锐化。而本公开通过Wallis算子对目标分割图像进行锐化处理,主要考虑了人眼视觉特性,锐化结果符合人眼特性,可以使边缘信息更加清晰。
进一步地,基于颜色相似度的区域传播合并算法为:
以每个次代超像素的种子点像素的像素值代表整个次代超像素的颜色平均值,通过欧几里得公式计算相邻次代超像素间的相似性,每次每个中心仅合并相邻的一个相似性最高的独立区域,迭代该过程,直到没有独立区域,得到优化后的初代超像素。
在每次迭代中,对于每个独立的优化后的初代超像素,系统记录与其直接相邻的优化后的初代超像素,选择最佳超像素作为区域传播中心,使用RGB域下的欧几里得距离来测量最佳超像素与其相邻的优化后的初代超像素之间的相似性。根据自适应阈值去合并系统所记录的其相邻的优化后的初代超像素,迭代直至没有独立优化后的初代超像素。
进一步地,所述自适应中心选择方法包括:
计算独立的优化后的初代超像素及与其相邻的优化后的初代超像素形成区域的平均值,并选择与该平均值最接近的优化后的初代超像素作为区域传播中心,根据该优化后的初代超像素与其相邻的优化后的初代超像素之间的相似性,进行区域合并;
迭代上述过程,遍历每个独立的优化后的初代超像素,直至没有独立的优化后的初代超像素。
自适应中心的选择方法的优势在与最初即可将颜色差异最大的超像素排除在外,提高准确性。
针对于每个独立的优化后的初代超像素,系统记录的与其直接相邻的优化后的初代超像素,共同形成区域K,区域K中包括独立的优化后的初代超像素和与其直接相邻的优化后的初代超像素。计算区域K的平均值,即:
其中,K是独立的优化后的初代超像素及与其相邻的优化后的初代超像素形成区域;(Ri,Gi,Bi)是独立的优化后的初代超像素的颜色均值;n是K中优化后的超像素的数量;(mR,mG,mB)是K的平均值。
选择与该平均值最接近的优化后的初代超像素作为区域传播中心,以其中心作为中心,计算优化后的初代超像素与其相邻的优化后的初代超像素之间的相似性,即:
其中,Dc,是超像素c和j之间的欧几里得距离,用于表示相似性;(Rc,Gc,Bc)和(Rj,Gj,Bj)分别是相邻的优化后的初代超像素的颜色均值。
进一步地,所述根据该优化后的初代超像素与其相邻的优化后的初代超像素之间的相似性,进行区域合并,包括:
计算作为区域传播中心的优化后的初代超像素和与其相邻的优化后的初代超像素之间的相似性,将得到的相似性结果与阈值进行比较,将相似性小于阈值的两个超像素进行合并。如果相似性结果与阈值比较后,相似性大于阈值,则对该两个超像素不进行合并。
根据连接在一起的相似颜色属于同一个物体的假设,通过区域合并,将众多优化后的初代超像素拼接,将相邻的具有相同或者相似颜色的超像素合并,可以将同一个物体或者物体相同颜色的局部分割开来。
遍历每个独立的优化后的初代超像素,迭代上述过程,合并相似度小于阈值的区域,直至没有独立的优化后的初代超像素。
进一步地,所述阈值为:
其中,T是阈值;std(RGBpixels)是图像中所有像素在RGB颜色域下的标准偏差值。
在下述实施例中,提供了一种图像分割方法,包括:
在通过SLIC超像素分割算法对目标分割图像进行分割处理之前,通过Wallis算子对目标分割图像进行锐化处理,得到锐化后的图像,作为待分割处理的目标分割图像。
Wallis算子是一种自适应算子,结合了拉普拉斯算子和对数算子,即:
本实施例不限制锐化处理的方法,其他锐化处理的方法可以解决上述技术问题的,也可以作为本公开的锐化处理方法,例如:sobel算子锐化、laplcian算子锐化、canny算子锐化、log算子锐化等。
通过SLIC超像素分割算法对目标分割图像进行分割处理,得到初代超像素分割结果,所述初代超像素分割结果包括若干个初代超像素;
初代超像素分割结果是通过SLIC超像素分割算法对目标分割图像进行分割处理后得到的结果,其中包括若干个初代超像素。
在所述初代超像素内选择一个或多个种子点,采用区域生长算法,根据初代超像素内的种子点个数,将该初代超像素划分为一个或多个次代超像素;
在得到的初代超像素内选择种子点,种子点的选择是随机的,数量可以是一个也可以是多个,基于颜色域中的连通性约束,采用区域生长算法,将初代超像素划分为与种子点数量相同的新的独立区域,即次代超像素。
以每个次代超像素的种子点像素的像素值代表整个次代超像素的颜色平均值,通过欧几里得公式计算相邻次代超像素间的相似性,每次每个中心仅合并相邻的一个相似性最高的独立区域,迭代该过程,直到没有独立区域,得到优化后的初代超像素。
在每次迭代中,对于每个独立的优化后的初代超像素,系统记录与其直接相邻的优化后的初代超像素,选择最佳超像素作为区域传播中心,使用RGB域下的欧几里得距离来测量最佳超像素与其相邻的优化后的初代超像素之间的相似性,即:
其中,Rc,j是超像素c和j之间的欧几里得距离,用于表示相似性;(Rc,Gc,Bc)和(Rj,Gj,Bj)分别是相邻的优化后的初代超像素的颜色均值。
根据自适应阈值去合并系统所记录的其相邻的优化后的初代超像素,迭代直至没有独立优化后的初代超像素。即,将得到的相似性结果与阈值进行比较,将相似性小于阈值的两个超像素进行合并。如果相似性结果与阈值比较后,相似性大于阈值,则对该两个超像素不进行合并。
阈值为:
其中,T是阈值;std(RGBpixels)是图像中所有像素在RGB颜色域下的标准偏差值。
以初代超像素的分割中心为中心,通过基于颜色相似度的区域传播合并算法对划分出的次代超像素进行合并,得到优化后的初代超像素;
保留初代超像素的分割中心,并以初代超像素的分割中心为中心,通过基于颜色相似度的区域传播合并算法:以每个次代超像素的种子点像素的像素值代表整个次代超像素的颜色平均值,通过欧几里得公式计算次代超像素间的相似性,每次每个中心仅合并相邻的一个相似性最高的独立区域,迭代完成,直到没有独立区域,改善最终分割结果。
针对于每个独立的优化后的初代超像素,系统记录的与其直接相邻的优化后的初代超像素,共同形成区域K,区域K中包括独立的优化后的初代超像素和与其直接相邻的优化后的初代超像素。计算区域K的平均值,即:
其中,K是独立的优化后的初代超像素及与其相邻的优化后的初代超像素形成区域;(Ri,Gi,Bi)是独立的优化后的初代超像素的颜色均值;n是K中优化后的超像素的数量;(mR,mG,mB)是K的平均值。
根据自适应中心选择方法选择区域传播中心,合并优化后的初代超像素,得到图像分割结果。
计算独立的优化后的初代超像素及与其相邻的优化后的初代超像素形成区域的平均值,并选择与该平均值最接近的优化后的初代超像素作为区域传播中心,根据该优化后的初代超像素与其相邻的优化后的初代超像素之间的相似性,进行区域合并;将得到的相似性结果与阈值进行比较,将相似性小于阈值的两个超像素进行合并。如果相似性结果与阈值比较后,相似性大于阈值,则对该两个超像素不进行合并。
迭代上述过程,遍历每个独立的优化后的初代超像素,直至没有独立的优化后的初代超像素。
在每次迭代中,对于每个独立的优化后的初代超像素,系统记录与其直接相邻的优化后的初代超像素,计算每个与其直接相邻的优化后的初代超像素的平均值,选择与平均值最接近的最佳超像素作为区域传播中心,使用RGB域下的欧几里得距离来测量最佳超像素与其相邻的优化后的初代超像素之间的相似性,即:
其中,Dc,j是超像素c和j之间的欧几里得距离,用于表示相似性;(Rc,Gc,Bc)和(Rj,Gj,Bj)分别是相邻的优化后的初代超像素的颜色均值。
根据阈值去合并系统所记录的其相邻的优化后的初代超像素,迭代直至没有独立优化后的初代超像素。阈值通过自适应过程确定。对于具有不同复杂度的图像阈值自动调整。
所述阈值为:
其中,T是阈值;std(RGBpixels)是图像中所有像素在RGB颜色域下的标准偏差值。
需要说明的是,对于前述的方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本公开所必须的。
图2示出了可以用来实施本公开的实施例的电子设备700的示意性框图。
设备700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的计算机程序指令或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序指令,来执行各种适当的动作和处理。在RAM 703中,还可以存储设备700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元701执行上文所描述的各个方法和处理,例如方法S101~S104。例如,在一些实施例中,方法S101~S104可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由CPU701执行时,可以执行上文描述的方法S101~S104的一个或多个步骤。备选地,在其他实施例中,CPU 701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法S101~S104。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外,虽然采用特定次序描绘了各操作,但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行,或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地,在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种图像分割方法,其特征在于,包括:
通过SLIC超像素分割算法对目标分割图像进行分割处理,得到初代超像素分割结果,所述初代超像素分割结果包括若干个初代超像素;
在所述初代超像素内选择一个或多个种子点,采用区域生长算法,根据初代超像素内的种子点个数,将该初代超像素划分为一个或多个次代超像素;
以所述初代超像素的分割中心为中心,通过基于颜色相似度的区域传播合并算法对划分出的次代超像素进行合并,得到优化后的初代超像素;
根据自适应中心选择方法选择区域传播中心,合并优化后的初代超像素,得到图像分割结果。
2.根据权利要求1所述的方法,其特征在于,还包括:在通过SLIC超像素分割算法对目标分割图像进行分割处理之前,通过Wallis算子对目标分割图像进行锐化处理,得到锐化后的图像,作为待分割处理的目标分割图像。
3.根据权利要求1所述的方法,其特征在于,所述基于颜色相似度的区域传播合并算法为:
以每个次代超像素的种子点像素的像素值代表整个次代超像素的颜色平均值,通过欧几里得公式计算相邻次代超像素间的相似性,每次每个中心仅合并相邻的一个相似性最高的独立区域,迭代该过程,直到没有独立区域,得到优化后的初代超像素。
4.根据权利要求1所述的方法,其特征在于,所述自适应中心选择方法包括:
计算独立的优化后的初代超像素及与其相邻的优化后的初代超像素形成区域内所有像素各颜色通道的平均值,并选择与该平均值最接近的优化后的初代超像素作为区域传播中心。
6.根据权利要求1所述的方法,其特征在于,所述合并优化后的初代超像素,包括:
计算作为区域传播中心的优化后的初代超像素和与其相邻的优化后的初代超像素之间的相似性,将得到的相似性结果与阈值进行比较,将相似性小于阈值的两个超像素进行合并;
遍历每个独立的优化后的初代超像素,直至没有独立的优化后的初代超像素,得到图像分割结果。
9.一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~8中任一项所述的图像分割方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1~8中任一项所述的图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910854988.0A CN112561919A (zh) | 2019-09-10 | 2019-09-10 | 一种图像分割方法、设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910854988.0A CN112561919A (zh) | 2019-09-10 | 2019-09-10 | 一种图像分割方法、设备和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112561919A true CN112561919A (zh) | 2021-03-26 |
Family
ID=75029304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910854988.0A Pending CN112561919A (zh) | 2019-09-10 | 2019-09-10 | 一种图像分割方法、设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561919A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052859A (zh) * | 2021-04-20 | 2021-06-29 | 哈尔滨理工大学 | 基于自适应种子点密度聚类超像素分割方法 |
CN113850827A (zh) * | 2021-11-29 | 2021-12-28 | 广东电网有限责任公司肇庆供电局 | 地线与水平铁磨损导致断股图像检测处理方法 |
CN116188495A (zh) * | 2023-04-21 | 2023-05-30 | 山东无棣金土地开发建设有限公司 | 一种国土监测数据高效处理方法 |
-
2019
- 2019-09-10 CN CN201910854988.0A patent/CN112561919A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052859A (zh) * | 2021-04-20 | 2021-06-29 | 哈尔滨理工大学 | 基于自适应种子点密度聚类超像素分割方法 |
CN113850827A (zh) * | 2021-11-29 | 2021-12-28 | 广东电网有限责任公司肇庆供电局 | 地线与水平铁磨损导致断股图像检测处理方法 |
CN116188495A (zh) * | 2023-04-21 | 2023-05-30 | 山东无棣金土地开发建设有限公司 | 一种国土监测数据高效处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9292928B2 (en) | Depth constrained superpixel-based depth map refinement | |
US9483835B2 (en) | Depth value restoration method and system | |
CN113781402B (zh) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 | |
CN112561919A (zh) | 一种图像分割方法、设备和计算机可读存储介质 | |
CN107871319B (zh) | 限束器区域的检测方法、装置、x射线系统和存储介质 | |
AU2018267620A1 (en) | Method and system for unsupervised image segmentation using a trained quality metric | |
US9401027B2 (en) | Method and apparatus for scene segmentation from focal stack images | |
CN108182671B (zh) | 一种基于天空区域识别的单幅图像去雾方法 | |
CN109214996B (zh) | 一种图像处理方法及装置 | |
WO2021057395A1 (zh) | 一种鞋跟型号识别方法、装置及存储介质 | |
Tan et al. | Stereo disparity through cost aggregation with guided filter | |
WO2019209751A1 (en) | Superpixel merging | |
WO2019128459A1 (zh) | 图像阴影消除方法和装置 | |
CN115393216A (zh) | 基于偏振特性与大气传输模型的图像去雾方法和装置 | |
CN113505702A (zh) | 基于双神经网络优化的路面病害识别方法及系统 | |
CN111179276A (zh) | 一种图像处理方法和装置 | |
US20150221101A1 (en) | Method of selecting a region of interest | |
CN114581331A (zh) | 一种适用于多种场景的点云降噪方法及装置 | |
Kuzovkin et al. | Descriptor-based image colorization and regularization | |
US9672447B2 (en) | Segmentation based image transform | |
WO2021102704A1 (zh) | 图像处理方法和装置 | |
CN116739943A (zh) | 图像平滑处理方法及目标轮廓提取方法 | |
CN109523564B (zh) | 用于处理图像的方法和装置 | |
KR20180064028A (ko) | 영상 처리 방법 및 장치 | |
Chen et al. | An adaptive image dehazing algorithm based on dark channel prior |
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 |