CN112991357A - 图像分割方法、系统、计算机设备、可读存储介质与船舶 - Google Patents

图像分割方法、系统、计算机设备、可读存储介质与船舶 Download PDF

Info

Publication number
CN112991357A
CN112991357A CN201911312357.2A CN201911312357A CN112991357A CN 112991357 A CN112991357 A CN 112991357A CN 201911312357 A CN201911312357 A CN 201911312357A CN 112991357 A CN112991357 A CN 112991357A
Authority
CN
China
Prior art keywords
pixel
region
determining
pairs
parameter
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
CN201911312357.2A
Other languages
English (en)
Other versions
CN112991357B (zh
Inventor
贾书丽
罗昊
员钦升
杨文强
邵梦麟
杨勇兵
夏平
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.)
711th Research Institute of CSIC
Original Assignee
711th Research Institute of CSIC
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 711th Research Institute of CSIC filed Critical 711th Research Institute of CSIC
Priority to CN201911312357.2A priority Critical patent/CN112991357B/zh
Publication of CN112991357A publication Critical patent/CN112991357A/zh
Application granted granted Critical
Publication of CN112991357B publication Critical patent/CN112991357B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像分割方法、系统、计算机设备、可读存储介质与船舶。图像分割方法包括：采集待分割图像的已知区域的已知区域；采集已知区域的已知第一区域和已知第二区域；采集已知第一区域的预设个数的第一像素点的第一像素参数，采集已知第二区域的预设个数的第二像素点的第二像素参数，第一像素参数和第二像素参数成多个像素对；通过多个像素对，根据萤火虫算法确定多个样本像素对；通过多个样本像素对，根据人工免疫算法确定样本抗体阈值群；根据抗体阈值群确定待分割图像的未知区域的和第一区域对应的第三区域，确定和第二区域对应的第四区域。由此，分割图像的准确率高，可以获得准确的图像分割结果。

Description

图像分割方法、系统、计算机设备、可读存储介质与船舶
技术领域
本发明涉及船舶领域，具体而言涉及图像分割方法、系统、计算机设备、可读存储介质与船舶。
背景技术
水面目标检测在船舶的航行中起着非常重要的作用。和传统的雷达检测相比，基于图像的水面目标检测可以识别出水面目标的纹理、颜色等信息。可发现雷达不易发现的目标，因此越来越多的船舶安装了图像传感器以获取水面图像，进行目标识别。
水面目标识别中包括对图像进行目标分割。即在图像中确定待测目标的准确像素位置，也就是从水面图像中把水面背景和待测目标相分离，确定图像中哪些像素属于待测目标。
典型的图像进行目标分割的方法有聚类法和淘汰法。聚类法的解决方案是形成两个聚类结果，一个是背景类B，另一个是目标类T。淘汰法是先确定一部分背景区域B和一部分目标区域T的，然后逐渐识别所有未知区域，使得待分割图像的所有像素点都分到B和T的区域之一。
然而，由于实际的图像受到环境的影响较大，这样上述方法的准确率不够，无法获得准确的图像分割结果。
为此，本发明提供了图像分割方法、系统、计算机设备、可读存储介质与船舶，用以解决现有技术中的问题。
发明内容
在发明内容部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。
本发明提供了一种图像分割方法，包括：
采集待分割图像的已知区域的已知区域；
采集已知区域的已知第一区域和已知第二区域；
采集已知第一区域的预设个数的第一像素点的第一像素参数，采集已知第二区域的预设个数的第二像素点的第二像素参数，第一像素参数和第二像素参数成多个像素对；
通过多个像素对，根据萤火虫算法确定多个样本像素对；
通过多个样本像素对，根据人工免疫算法确定样本抗体阈值群；
根据抗体阈值群确定待分割图像的未知区域的和第一区域对应的第三区域，确定和第二区域对应的第四区域。
根据本发明的图像分割方法，通过萤火虫算法处理多个像素对，进而确定最优的多个样本像素对，通过人工免疫算法处理最优的多个样本像素对，进而确定样本抗体阈值群，根据抗体阈值群确定待分割图像的未知区域的和第一区域对应的第三区域，确定和第二区域对应的第四区域，完成对待分割图像的分割，分割图像的准确率高，可以获得准确的图像分割结果。
可选地，通过多个像素对，根据萤火虫算法确定多个样本像素对的步骤包括：
步骤S21、在第一区域内采集第一迭代像素点的第一迭代像素参数，第一迭代像素点不同于所有第一像素点中的任意一个；
步骤S22、根据公式1确定第一替代像素点的第一替代像素参数，将第一替代像素参数替换第一最接近像素对中的第一像素参数，第一最接近像素对为和第一迭代像素点的距离最小的第一像素点的第一像素参数，以及和第一迭代像素点的距离最小的第二像素点的第二像素参数构成的像素对；
步骤S23、循环步骤S21和步骤S22直至所有像素对中的所有第一像素参数均被替换；
其中，公式1为
Figure BDA0002324884030000021
其中，Bj为第一最接近像素对的第一像素参数；
Fi为第一最接近像素对的第二像素参数；
I为第一迭代像素参数；
Figure BDA0002324884030000022
为第一最接近像素对的第一像素参数对应的第一像素点的坐标；
Figure BDA0002324884030000023
为第一最接近像素对的第二像素参数对应的第二像素点的坐标；
zI为第一迭代像素点的坐标；
zB是第一迭代像素点和第一区域的边缘之间的最近距离；
zF是第一迭代像素点和第二区域的边缘之间的最近距离。
可选地，通过多个像素对，根据萤火虫算法确定多个样本像素对的步骤还包括：
步骤S31、在第二区域内采集第二迭代像素点的第二迭代像素参数，第二迭代像素点不同于所有第二像素点中的任意一个；
步骤S32、根据公式1确定第二替代像素点的第二替代像素参数，将第二替代像素参数替换第二最接近像素对中的第二像素参数，第二最接近像素对为和第二迭代像素点的距离最小的第一像素点的第一像素参数，以及和第二迭代像素点的距离最小的第二像素点的第二像素参数构成的像素对；
步骤S33、循环步骤S31和步骤S32直至所有像素对中的所有第二像素参数均被替换；
其中，公式1为
Figure BDA0002324884030000031
其中，Bj为第二最接近像素对的第一像素参数；
Fi为第二最接近像素对的第二像素参数；
I为第二迭代像素参数；
Figure BDA0002324884030000032
为第二最接近像素对的第一像素参数对应的第一像素点的坐标；
Figure BDA0002324884030000033
为第二最接近像素对的第二像素参数对应的第二像素点的坐标；
zI为第二迭代像素点的坐标；
zB是第二迭代像素点和第一区域的边缘之间的最近距离；
zF是第二迭代像素点和第二区域的边缘之间的最近距离。
可选地，像素参数为像素点的像素值或灰度值。
可选地，第一区域和第二区域中的一个为背景区域，第一区域和第二区域中的另一个为目标区域。
本发明还提供了一种图像分割系统，包括：
第一采集装置，用于采集待分割图像的已知区域的已知区域；
第二采集装置，用于采集已知区域的已知第一区域和已知第二区域；
第三采集装置，用于采集已知第一区域的预设个数的第一像素点的第一像素参数，采集已知第二区域的预设个数的第二像素点的第二像素参数，第一像素参数和第二像素参数成多个像素对；
第一确定装置，用于通过多个像素对，根据萤火虫算法确定多个样本像素对；
第二确定装置，用于通过多个样本像素对，根据人工免疫算法确定样本抗体阈值群；
第三确定装置，用于根据抗体阈值群确定待分割图像的未知区域的和第一区域对应的第三区域，确定和第二区域对应的第四区域。
根据本发明的图像分割系统，通过萤火虫算法处理多个像素对，进而确定最优的多个样本像素对，通过人工免疫算法处理最优的多个样本像素对，进而确定样本抗体阈值群，根据抗体阈值群确定待分割图像的未知区域的和第一区域对应的第三区域，确定和第二区域对应的第四区域，完成对待分割图像的分割，分割图像的准确率高，可以获得准确的图像分割结果。
本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行程序实现以下步骤：
采集待分割图像的已知区域的已知区域；
采集已知区域的已知第一区域和已知第二区域；
采集已知第一区域的预设个数的第一像素点的第一像素参数，采集已知第二区域的预设个数的第二像素点的第二像素参数，第一像素参数和第二像素参数成多个像素对；
通过多个像素对，根据萤火虫算法确定多个样本像素对；
通过多个样本像素对，根据人工免疫算法确定样本抗体阈值群；
根据抗体阈值群确定待分割图像的未知区域的和第一区域对应的第三区域，确定和第二区域对应的第四区域。
根据本发明的计算机设备，通过萤火虫算法处理多个像素对，进而确定最优的多个样本像素对，通过人工免疫算法处理最优的多个样本像素对，进而确定样本抗体阈值群，根据抗体阈值群确定待分割图像的未知区域的和第一区域对应的第三区域，确定和第二区域对应的第四区域，完成对待分割图像的分割，分割图像的准确率高，可以获得准确的图像分割结果。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
采集待分割图像的已知区域的已知区域；
采集已知区域的已知第一区域和已知第二区域；
采集已知第一区域的预设个数的第一像素点的第一像素参数，采集已知第二区域的预设个数的第二像素点的第二像素参数，第一像素参数和第二像素参数成多个像素对；
通过多个像素对，根据萤火虫算法确定多个样本像素对；
通过多个样本像素对，根据人工免疫算法确定样本抗体阈值群；
根据抗体阈值群确定待分割图像的未知区域的和第一区域对应的第三区域，确定和第二区域对应的第四区域。
根据本发明的计算机可读存储介质，通过萤火虫算法处理多个像素对，进而确定最优的多个样本像素对，通过人工免疫算法处理最优的多个样本像素对，进而确定样本抗体阈值群，根据抗体阈值群确定待分割图像的未知区域的和第一区域对应的第三区域，确定和第二区域对应的第四区域，完成对待分割图像的分割，分割图像的准确率高，可以获得准确的图像分割结果。
本发明还提供了一种船舶，船舶通过权利要求1至5中任一项的图像分割方法控制。
根据本发明的船舶，通过萤火虫算法处理多个像素对，进而确定最优的多个样本像素对，通过人工免疫算法处理最优的多个样本像素对，进而确定样本抗体阈值群，根据抗体阈值群确定待分割图像的未知区域的和第一区域对应的第三区域，确定和第二区域对应的第四区域，完成对待分割图像的分割，分割图像的准确率高，可以获得准确的图像分割结果。
可选地，船舶为无人舰。
附图说明
本发明的下列附图在此作为本发明的一部分用于理解本发明。附图中示出了本发明的实施例及其描述，用来解释本发明的原理。
附图中：
图1为根据本发明的一个实施例的图像分割方法的结构框图；以及
图2为根据本发明的一个实施例的图像分割系统的结构框图。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
应予以注意的是，这里所使用的术语仅是为了描述具体实施例，而非意图限制根据本发明的示例性实施例。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式。此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或附加一个或多个其他特征、整体、步骤、操作、元件、组件和/或它们的组合。
现在，将参照附图更详细地描述根据本发明的示例性实施例。然而，这些示例性实施例可以多种不同的形式来实施，并且不应当被解释为只限于这里所阐述的实施例。应当理解的是，提供这些实施例是为了使得本发明的公开彻底且完整，并且将这些示例性实施例的构思充分传达给本领域普通技术人员。在附图中，为了清楚起见，夸大了层和区域的厚度，并且使用相同的附图标记表示相同的元件，因而将省略对它们的描述。
本发明提供了一种图像分割方法。该方法可以用于船舶。船舶可以是无人舰。该方法先确定已知区域；然后通过萤火算法确定最优的样本像素对(抗原)；然后通过根据人工免疫算法根据最优的样本像素对确定样本抗体阈值群(抗体群)；进而根据样本抗体阈值群对待测图像的未知区域进行分割。以下以分割船舶采集到的图片为例对本发明的图像分割方法进行说明。
本实施方式中，如图1所示，图像分割方法包括：
采集待分割图像的已知区域的已知区域；
采集已知区域的已知第一区域和已知第二区域。
在船舶航行的过程中，船舶实施拍摄其周边的图像。工作人员可以选择待分割图片的局部区域作为已知区域。工作人员在已知区域内选定第一区域和第二区域。第一区域可以为需要识别的目标的部分区域。例如选择伸出水平的障碍物所在区域的部分作为第一区域。第二区域可以是背景区域，例如选择水或天空作为第二区域。
可以理解在未给出的实施方式中，也可以根据视觉神经网络确定已知区域，以及确定第一区域和第二区域。
在确定第一区域和第二区域后，图像分割方法还包括：
采集已知第一区域的预设个数的第一像素点的第一像素参数，采集已知第二区域的预设个数的第二像素点的第二像素参数，第一像素参数和第二像素参数成多个像素对。本文的像素参数为像素点的像素值或灰度值。
在第一区域内选取预设数量的第一像素点。在第二区域内选取预设数量的第一像素点。第一像素点和第二像素点的选取方式可以随机选取。第一像素点的数量和第二像素点的数量可以根据需要进行设置。这样，所有第一像素点均有各自第一像素参数。所有第二像素点均有各自第二像素参数。在多个第一像素参数中任意选择一个，在多个第二像素参数中任意选择一个构成像素对。这样多个第一像素参数和多个第二像素参数可以组合成多个像素对。
在确定多个像素对后，图像分割方法还包括：通过多个像素对，根据萤火虫算法确定多个样本像素对。
通过萤火虫算法对多个算数对进行处理，确定多个样本像素对。这样，可以多个样本像素对为抗原，通过人工免疫算法确定对应的样本抗体阈值群。
优选地，根通过多个像素对，根据萤火虫算法确定多个样本像素对的步骤包括步骤S21、步骤S22与步骤S23。
步骤S21、在第一区域内采集第一迭代像素点的第一迭代像素参数。第一迭代像素点不同于所有第一像素点中的任意一个。
在第一区域内选取一个第一迭代像素点。该第一迭代像素点可以随机选取。该第一迭代像素点不能和上述像素对中的任何一个的第一像素点相同。
步骤S22、根据公式1确定第一替代像素点的第一替代像素参数，将第一替代像素参数替换第一最接近像素对中的第一像素参数，第一最接近像素对为和第一迭代像素点的距离最小的第一像素点的第一像素参数，以及和第一迭代像素点的距离最小的第二像素点的第二像素参数构成的像素对。
在上述像素对中，确定和第一迭代像素点的距离最近的第一最接近像素对。该第一最接近像素对中，第一像素参数对应的第一像素点和第一迭代像素点的距离小于其它任意一个第一像素点和第一迭代像素点的距离。第二像素参数对应的第二像素点和第一迭代像素点的距离小于其它任意一个第二像素点和第一迭代像素点的距离。
通过公式1确定第一替代像素点的第一替代像素参数。
其中，公式1为
Figure BDA0002324884030000071
其中，Bj为第一最接近像素对的第一像素参数；
Fi为第一最接近像素对的第二像素参数；
I为第一迭代像素参数；
Figure BDA0002324884030000081
为第一最接近像素对的第一像素参数对应的第一像素点的坐标；
Figure BDA0002324884030000082
为第一最接近像素对的第二像素参数对应的第二像素点的坐标；
zI为第一迭代像素点的坐标；
zB是第一迭代像素点和第一区域的边缘之间的最近距离；
zF是第一迭代像素点和第二区域的边缘之间的最近距离。
将第一替代像素参数替换第一最接近像素对中的第一像素参数。
步骤S23、循环步骤S21和步骤S22直至所有像素对中的所有第一像素参数点均被替换。
通过上述步骤S21、步骤S22与步骤S23的迭代过程，可以确定第一像素参数最优的像素对。
优选地，根通过多个像素对，根据萤火虫算法确定多个样本像素对的步骤还包括步骤S31、步骤S32与步骤S33。
步骤S31、在第二区域内采集第二迭代像素点的第二迭代像素参数，第二迭代像素点不同于所有第二像素点中的任意一个。
在第二区域内选取一个第二迭代像素点。该第二迭代像素点可以随机选取。该第二迭代像素点不能和上述像素对中的任何一个的第二像素点相同。
步骤S32、根据公式1确定第二替代像素点的第二替代像素参数，将第二替代像素参数替换第二最接近像素对中的第二像素参数，第二最接近像素对为和第二迭代像素点的距离最小的第一像素点的第一像素参数，以及和第二迭代像素点的距离最小的第二像素点的第二像素参数构成的像素对。
在上述像素对中，确定和第二迭代像素点的距离最近的第二最接近像素对。该第二最接近像素对中，第一像素参数对应的第一像素点和第二迭代像素点的距离小于其它任意一个第一像素点和第二迭代像素点的距离。第二像素参数对应的第二像素点和第二迭代像素点的距离小于其它任意一个第二像素点和第二迭代像素点的距离。
通过上述公式1确定第二替代像素点的第二替代像素参数。
此时，Bj为第二最接近像素对的第一像素参数；
Fi为第二最接近像素对的第二像素参数；
I为第二迭代像素参数；
Figure BDA0002324884030000091
为第二最接近像素对的第一像素参数对应的第一像素点的坐标；
Figure BDA0002324884030000092
为第二最接近像素对的第二像素参数对应的第二像素点的坐标；
zI为第二迭代像素点的坐标；
zB是第二迭代像素点和第一区域的边缘之间的最近距离；
zF是第二迭代像素点和第二区域的边缘之间的最近距离。
将第二替代像素参数替换第二最接近像素对中的第二像素参数。
步骤S33、循环步骤S31和步骤S32直至所有像素对中的所有第二像素参数均被替换。
通过上述步骤S31、步骤S32与步骤S33的迭代过程，可以确定第二像素参数最优的像素对。由此，可以在有限的样本内确定第一像素参数最优和第二像素参数最优的像素对。
在确定最优的像素对后，图片分割方法还包括：
通过多个样本像素对，根据人工免疫算法确定样本抗体阈值群。
根据抗体阈值群确定待分割图像的未知区域的和第一区域对应的第三区域，确定和第二区域对应的第四区域。
本实施方式的图片分割方法根据人工免疫算法，以前述的最优的像素对为抗原，进而生成样本抗体阈值群。然后根据样本抗体阈值群对待分割图像的未知区域的像素点进行分类，进而确定未知区域的第三区域和第四区域。第三区域和第一区域对应，第三区域中的像素点的像素点参数和最优的像素对中的多个第一像素参数中一个相等。第四区域和第二区域对应，第四区域中的像素点的像素点参数和最优的像素对中的多个第二像素参数中一个相等。
优选地，通过多个样本像素对，根据人工免疫算法确定样本抗体阈值群的步骤包括：
将最优的像素对的部分确定为第一初始抗体阈值群；
确定第一初始抗体阈值群的每个第一初始抗体阈值的第一初始亲和力；
根据第一初始亲和力对第一初始抗体阈值群进行克隆操作和变异操作，以确定第二初始抗体阈值群；
确定第二初始抗体阈值群的每个第二初始抗体阈值的第二初始亲和力；
判断第二初始亲和力是否大于亲和力预设值，若是，则结束当前循环，将第二初始抗体阈值群确定为样本抗体阈值群，否则，使当前的第二初始亲和力为第一初始亲和力，执行当前循环，以确定第一初始抗体阈值群的每个第一初始抗体阈值的第一初始亲和力。
本实施方式中，通过萤火虫算法处理多个像素对，进而确定最优的多个样本像素对，通过人工免疫算法处理最优的多个样本像素对，进而确定样本抗体阈值群，根据抗体阈值群确定待分割图像的未知区域的和第一区域对应的第三区域，确定和第二区域对应的第四区域，完成对待分割图像的分割，分割图像的准确率高，可以获得准确的图像分割结果。
经过实验论证，采用本发明的图像分割方法，误差率低。
本发明还提供了一种图像分割系统，如图2所示，图像分割系统包括：
第一采集装置，用于采集待分割图像的已知区域的已知区域；
第二采集装置，用于采集已知区域的已知第一区域和已知第二区域；
第三采集装置，用于采集已知第一区域的预设个数的第一像素点的第一像素参数，采集已知第二区域的预设个数的第二像素点的第二像素参数，第一像素参数和第二像素参数成多个像素对；
第一确定装置，用于通过多个像素对，根据萤火虫算法确定多个样本像素对；
第二确定装置，用于通过多个样本像素对，根据人工免疫算法确定样本抗体阈值群；
第三确定装置，用于根据抗体阈值群确定待分割图像的未知区域的和第一区域对应的第三区域，确定和第二区域对应的第四区域。
根据本发明的图像分割系统，通过萤火虫算法处理多个像素对，进而确定最优的多个样本像素对，通过人工免疫算法处理最优的多个样本像素对，进而确定样本抗体阈值群，根据抗体阈值群确定待分割图像的未知区域的和第一区域对应的第三区域，确定和第二区域对应的第四区域，完成对待分割图像的分割，分割图像的准确率高，可以获得准确的图像分割结果。
本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行程序实现以下步骤：
采集待分割图像的已知区域的已知区域；
采集已知区域的已知第一区域和已知第二区域；
采集已知第一区域的预设个数的第一像素点的第一像素参数，采集已知第二区域的预设个数的第二像素点的第二像素参数，第一像素参数和第二像素参数成多个像素对；
通过多个像素对，根据萤火虫算法确定多个样本像素对；
通过多个样本像素对，根据人工免疫算法确定样本抗体阈值群；
根据抗体阈值群确定待分割图像的未知区域的和第一区域对应的第三区域，确定和第二区域对应的第四区域。
根据本发明的计算机设备，通过萤火虫算法处理多个像素对，进而确定最优的多个样本像素对，通过人工免疫算法处理最优的多个样本像素对，进而确定样本抗体阈值群，根据抗体阈值群确定待分割图像的未知区域的和第一区域对应的第三区域，确定和第二区域对应的第四区域，完成对待分割图像的分割，分割图像的准确率高，可以获得准确的图像分割结果。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
采集待分割图像的已知区域的已知区域；
采集已知区域的已知第一区域和已知第二区域；
采集已知第一区域的预设个数的第一像素点的第一像素参数，采集已知第二区域的预设个数的第二像素点的第二像素参数，第一像素参数和第二像素参数成多个像素对；
通过多个像素对，根据萤火虫算法确定多个样本像素对；
通过多个样本像素对，根据人工免疫算法确定样本抗体阈值群；
根据抗体阈值群确定待分割图像的未知区域的和第一区域对应的第三区域，确定和第二区域对应的第四区域。
根据本发明的计算机可读存储介质，通过萤火虫算法处理多个像素对，进而确定最优的多个样本像素对，通过人工免疫算法处理最优的多个样本像素对，进而确定样本抗体阈值群，根据抗体阈值群确定待分割图像的未知区域的和第一区域对应的第三区域，确定和第二区域对应的第四区域，完成对待分割图像的分割，分割图像的准确率高，可以获得准确的图像分割结果。
本发明还提供了一种船舶，其特征在于，船舶通过权利要求1至5中任一项的图像分割方法控制。
根据本发明的船舶，通过萤火虫算法处理多个像素对，进而确定最优的多个样本像素对，通过人工免疫算法处理最优的多个样本像素对，进而确定样本抗体阈值群，根据抗体阈值群确定待分割图像的未知区域的和第一区域对应的第三区域，确定和第二区域对应的第四区域，完成对待分割图像的分割，分割图像的准确率高，可以获得准确的图像分割结果。
优选地，船舶为无人舰。
本发明已经通过上述实施例进行了说明，但应当理解的是，上述实施例只是用于举例和说明的目的，而非意在将本发明限制于所描述的实施例范围内。此外本领域技术人员可以理解的是，本发明并不局限于上述实施例，根据本发明的教导还可以做出更多种的变型和修改，这些变型和修改均落在本发明所要求保护的范围以内。本发明的保护范围由附属的权利要求书及其等效范围所界定。
上述的所有优选实施例中所述的流程仅是示例。除非发生不利的效果，否则可以按与上述流程的顺序不同的顺序进行各种处理操作。上述流程的步骤顺序也可以根据实际需要进行增加、合并或删减。
此外，上述的所有优选实施例中所述的命令、命令编号和数据项仅是示例，因此可以以任何方式设置这些命令、命令编号和数据项，只要实现了相同的功能即可。各优选实施例的终端的单元也可以根据实际需要进行整合、进一步划分或删减。

Claims (10)

1.一种图像分割方法，其特征在于，包括：
采集待分割图像的已知区域的已知区域；
采集所述已知区域的已知第一区域和已知第二区域；
采集所述已知第一区域的预设个数的第一像素点的第一像素参数，采集所述已知第二区域的所述预设个数的第二像素点的第二像素参数，所述第一像素参数和所述第二像素参数成多个像素对；
通过多个所述像素对，根据萤火虫算法确定多个样本像素对；
通过多个所述样本像素对，根据人工免疫算法确定样本抗体阈值群；
根据抗体阈值群确定所述待分割图像的未知区域的和所述第一区域对应的第三区域，确定和所述第二区域对应的第四区域。
2.如权利要求1所述的图像分割方法，其特征在于，所述通过所述多个像素对，根据萤火虫算法确定多个样本像素对的步骤包括：
步骤S21、在所述第一区域内采集第一迭代像素点的第一迭代像素参数，所述第一迭代像素点不同于所有所述第一像素点中的任意一个；
步骤S22、根据公式1确定第一替代像素点的第一替代像素参数，将所述第一替代像素参数替换第一最接近像素对中的所述第一像素参数，所述第一最接近像素对为和所述第一迭代像素点的距离最小的第一像素点的第一像素参数，以及和所述第一迭代像素点的距离最小的第二像素点的第二像素参数构成的像素对；
步骤S23、循环所述步骤S21和所述步骤S22直至所有所述像素对中的所有所述第一像素参数均被替换；
其中，公式1为
Figure FDA0002324884020000011
其中，Bj为第一最接近像素对的第一像素参数；
Fi为第一最接近像素对的第二像素参数；
I为第一迭代像素参数；
Figure FDA0002324884020000012
为第一最接近像素对的第一像素参数对应的第一像素点的坐标；
Figure FDA0002324884020000021
为第一最接近像素对的第二像素参数对应的第二像素点的坐标；
zI为第一迭代像素点的坐标；
zB是第一迭代像素点和第一区域的边缘之间的最近距离；
zF是第一迭代像素点和第二区域的边缘之间的最近距离。
3.如权利要求1所述的图像分割方法，其特征在于，所述通过所述多个像素对，根据萤火虫算法确定多个样本像素对的步骤还包括：
步骤S31、在所述第二区域内采集第二迭代像素点的第二迭代像素参数，所述第二迭代像素点不同于所有所述第二像素点中的任意一个；
步骤S32、根据公式1确定第二替代像素点的第二替代像素参数，将所述第二替代像素参数替换第二最接近像素对中的所述第二像素参数，所述第二最接近像素对为和所述第二迭代像素点的距离最小的第一像素点的第一像素参数，以及和所述第二迭代像素点的距离最小的第二像素点的第二像素参数构成的像素对；
步骤S33、循环所述步骤S31和所述步骤S32直至所有所述像素对中的所有所述第二像素参数均被替换；
其中，公式1为
Figure FDA0002324884020000022
其中，Bj为第二最接近像素对的第一像素参数；
Fi为第二最接近像素对的第二像素参数；
I为第二迭代像素参数；
Figure FDA0002324884020000023
为第二最接近像素对的第一像素参数对应的第一像素点的坐标；
Figure FDA0002324884020000024
为第二最接近像素对的第二像素参数对应的第二像素点的坐标；
zI为第二迭代像素点的坐标；
zB是第二迭代像素点和第一区域的边缘之间的最近距离；
zF是第二迭代像素点和第二区域的边缘之间的最近距离。
4.如权利要求1所述的图像分割方法，其特征在于，所述像素参数为像素点的像素值或灰度值。
5.如权利要求1所述的图像分割方法，其特征在于，所述第一区域和所述第二区域中的一个为背景区域，所述第一区域和所述第二区域中的另一个为目标区域。
6.一种图像分割系统，其特征在于，包括：
第一采集装置，用于采集待分割图像的已知区域的已知区域；
第二采集装置，用于采集所述已知区域的已知第一区域和已知第二区域；
第三采集装置，用于采集所述已知第一区域的预设个数的第一像素点的第一像素参数，采集所述已知第二区域的所述预设个数的第二像素点的第二像素参数，所述第一像素参数和所述第二像素参数成多个像素对；
第一确定装置，用于通过多个所述像素对，根据萤火虫算法确定多个样本像素对；
第二确定装置，用于通过多个所述样本像素对，根据人工免疫算法确定样本抗体阈值群；
第三确定装置，用于根据抗体阈值群确定所述待分割图像的未知区域的和所述第一区域对应的第三区域，确定和所述第二区域对应的第四区域。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序实现以下步骤：
采集待分割图像的已知区域的已知区域；
采集所述已知区域的已知第一区域和已知第二区域；
采集所述已知第一区域的预设个数的第一像素点的第一像素参数，采集所述已知第二区域的所述预设个数的第二像素点的第二像素参数，所述第一像素参数和所述第二像素参数成多个像素对；
通过多个所述像素对，根据萤火虫算法确定多个样本像素对；
通过多个所述样本像素对，根据人工免疫算法确定样本抗体阈值群；
根据抗体阈值群确定所述待分割图像的未知区域的和所述第一区域对应的第三区域，确定和所述第二区域对应的第四区域。
8.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
采集待分割图像的已知区域的已知区域；
采集所述已知区域的已知第一区域和已知第二区域；
采集所述已知第一区域的预设个数的第一像素点的第一像素参数，采集所述已知第二区域的所述预设个数的第二像素点的第二像素参数，所述第一像素参数和所述第二像素参数成多个像素对；
通过多个所述像素对，根据萤火虫算法确定多个样本像素对；
通过多个所述样本像素对，根据人工免疫算法确定样本抗体阈值群；
根据抗体阈值群确定所述待分割图像的未知区域的和所述第一区域对应的第三区域，确定和所述第二区域对应的第四区域。
9.一种船舶，其特征在于，所述船舶通过权利要求1至5中任一项所述的图像分割方法控制。
10.根据权利要求9所述的船舶，其特征在于，所述船舶为无人舰。
CN201911312357.2A 2019-12-18 2019-12-18 图像分割方法、系统、计算机设备、可读存储介质与船舶 Active CN112991357B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911312357.2A CN112991357B (zh) 2019-12-18 2019-12-18 图像分割方法、系统、计算机设备、可读存储介质与船舶

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911312357.2A CN112991357B (zh) 2019-12-18 2019-12-18 图像分割方法、系统、计算机设备、可读存储介质与船舶

Publications (2)

Publication Number Publication Date
CN112991357A true CN112991357A (zh) 2021-06-18
CN112991357B CN112991357B (zh) 2023-04-18

Family

ID=76344054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911312357.2A Active CN112991357B (zh) 2019-12-18 2019-12-18 图像分割方法、系统、计算机设备、可读存储介质与船舶

Country Status (1)

Country Link
CN (1) CN112991357B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1873660A (zh) * 2006-06-29 2006-12-06 武汉大学 一种遥感影像的人工免疫监督分类方法
CN106340023A (zh) * 2016-08-22 2017-01-18 腾讯科技（深圳）有限公司 图像分割的方法和装置
CN106960102A (zh) * 2017-03-28 2017-07-18 上海大学 一种基于二次爬山萤火虫算法的空间直线度评定方法
CN107590815A (zh) * 2017-09-07 2018-01-16 陕西师范大学 基于萤火虫群优化法的图像多阈值分割方法
US10115197B1 (en) * 2017-06-06 2018-10-30 Imam Abdulrahman Bin Faisal University Apparatus and method for lesions segmentation
CN109544582A (zh) * 2018-11-19 2019-03-29 陕西师范大学 一种基于萤火虫优化的半监督谱聚类彩色图像分割方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1873660A (zh) * 2006-06-29 2006-12-06 武汉大学 一种遥感影像的人工免疫监督分类方法
CN106340023A (zh) * 2016-08-22 2017-01-18 腾讯科技（深圳）有限公司 图像分割的方法和装置
CN106960102A (zh) * 2017-03-28 2017-07-18 上海大学 一种基于二次爬山萤火虫算法的空间直线度评定方法
US10115197B1 (en) * 2017-06-06 2018-10-30 Imam Abdulrahman Bin Faisal University Apparatus and method for lesions segmentation
CN107590815A (zh) * 2017-09-07 2018-01-16 陕西师范大学 基于萤火虫群优化法的图像多阈值分割方法
CN109544582A (zh) * 2018-11-19 2019-03-29 陕西师范大学 一种基于萤火虫优化的半监督谱聚类彩色图像分割方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HUANG,SONGWEI,LIFANG: "Modified firefly algorithm based multilevel thresholding for color image segmentation", 《NEUROCOMPUTING》 *
孙源，刘汉强: "基于萤火虫算法的无监督最小视觉差彩色图像分割", 《计算机与现代化》 *
王新为，朱青松，谭安胜，张永生: "基于改进萤火虫优化算法的BP神经网络目标群威胁判断", 《指挥控制与仿真》 *
马英辉,吴一全: "基于改进的指数交叉熵和萤火虫群优化的工业CT图像分割", 《图学学报》 *

Also Published As

Publication number Publication date
CN112991357B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN109615611B (zh) 一种基于巡检影像的绝缘子自爆缺陷检测方法
CN109829398B (zh) 一种基于三维卷积网络的视频中的目标检测方法
US20240161265A1 (en) Information processing device, information processing method, and storage medium
CN105590312B (zh) 前景图像分割方法和装置
CN110717489B (zh) Osd的文字区域的识别方法、装置及存储介质
CN105404884B (zh) 图像分析方法
CN110866871A (zh) 文本图像矫正方法、装置、计算机设备及存储介质
CN107452015B (zh) 一种具有重检测机制的目标跟踪系统
CN109961506A (zh) 一种融合改进Census图的局部场景三维重建方法
CN110647836B (zh) 一种鲁棒的基于深度学习的单目标跟踪方法
CN110596120A (zh) 玻璃边界缺陷检测方法、装置、终端及存储介质
CN107578424B (zh) 一种基于时空分类的动态背景差分检测方法、系统及装置
JP7479324B2 (ja) 情報処理装置、情報処理方法、及びプログラム
CN108898148A (zh) 一种数字图像角点检测方法、系统及计算机可读存储介质
CN112580447B (zh) 一种基于边缘二阶统计与融合的电力线检测方法
WO2015035462A1 (en) Point feature based 2d-3d registration
CN111354022A (zh) 基于核相关滤波的目标跟踪方法及系统
CN109101985A (zh) 一种基于自适应邻域测试的图像误匹配点对剔除方法
Praczyk et al. Concept and first results of optical navigational system
Kallasi et al. Computer vision in underwater environments: A multiscale graph segmentation approach
CN112991357B (zh) 图像分割方法、系统、计算机设备、可读存储介质与船舶
CN105930813B (zh) 一种在任意自然场景下检测行文本的方法
JP2019075051A (ja) 画像処理装置
Haque et al. Robust feature-preserving denoising of 3D point clouds
CN110378922B (zh) 基于自适应阈值分割算法的平滑图像生成方法和装置

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 201108 Shanghai city Minhang District Huaning Road No. 3111

Applicant after: The 711 Research Institute of China Shipbuilding Corp.

Address before: 201108 Shanghai city Minhang District Huaning Road No. 3111

Applicant before: Shanghai Marine Diesel Engine Research Institute

GR01 Patent grant
GR01 Patent grant