CN113298702B - 基于大尺寸图像像素点的重新排序和分割方法 - Google Patents
基于大尺寸图像像素点的重新排序和分割方法 Download PDFInfo
- Publication number
- CN113298702B CN113298702B CN202110707413.3A CN202110707413A CN113298702B CN 113298702 B CN113298702 B CN 113298702B CN 202110707413 A CN202110707413 A CN 202110707413A CN 113298702 B CN113298702 B CN 113298702B
- Authority
- CN
- China
- Prior art keywords
- image
- vector
- size
- coordinate
- pixel
- 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 18
- 230000011218 segmentation Effects 0.000 title claims abstract description 15
- 239000013598 vector Substances 0.000 claims abstract description 86
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 101100421299 Schizosaccharomyces pombe (strain 972 / ATCC 24843) set7 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Classifications
-
- 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
- G06T3/18—Image warping, e.g. rearranging pixels individually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于大尺寸图像像素点的重新排序和分割方法,包括以下步骤:确定图像P中的像素点包括N行M列,并对该图像P所有像素点进行坐标编号,得到该图像所有像素点的坐标集合S;计算图像P的中心像素点坐标;确定图像P的中心像素点的影响领域分别计算得到图像P中所有像素点重新排序后的向量P2;S4:设定图像P分割后图像的尺寸大小,向量P2划分为c个相同大小的向量,并将该c个向量作为图像P的分割图像数据进行保存。实现从中心向边缘分割,数据化保存图片,可根据所需的尺寸随意划分。
Description
技术领域
本发明涉及大尺寸图像处理技术领域,具体涉及一种基于大尺寸图像像素点的重新排序和分割方法。
背景技术
图像识别技术是指一种利用计算机对原始图像进行处理、分析,以识别不同模式的目标和对象的技术。对采集到的原始图像进行图像预处理是进行图像识别的首要任务。为了获取更多的图像特征和覆盖更大的目标区域,采集到的原始图像往往要求是大尺寸图像。
大尺寸图像虽然能够获取更多的图片细节信息,但这些图像不能满足系统输入大小要求,不能直接用于图像识别系统,也不利用图像的存储。例如,在细胞神经网络中,要实现图像的联想记忆,不同尺寸的图像需要处理成细胞神经网络的大小才能输入到细胞神经网络中。
同时,在某些图像中,图像中心区域相对于图像边缘区域包含更重要的特征信息,常规的大图像分割并不能从中心区域到边缘区域依次分割出这些像素点,制约了后续的图像识别工作。故基于上述缺陷有必要提出一种对大尺寸图像进行中心分割的处理方式,来克服上述问题。
发明内容
有鉴于此,本发明提供了一种基于大尺寸图像像素点的重新排序和分割方法,以保证在保留所有原始图像信息的前提下,从图像中心区域到图像边缘区域依次分割出图像像素点,从而满足图像识别系统中的输入大小要求,同时方便图像的存储。
其技术方案如下:
一种基于大尺寸图像像素点的重新排序和分割方法,其关键步骤在于,
S1:确定图像P中的像素点包括N行M列,并对该图像P所有像素点进行坐标编号,得到该图像所有像素点的坐标集合S;计算图像P的中心像素点坐标(a1,b1);
S2:确定图像P的中心像素点的影响领域
S3:根据步骤S1得到的坐标集合S和步骤S2得到的影响领域分别计算得到图像P中所有像素点重新排序后的向量P2;领域半径β的取值范围为0≤β≤X;
S4:设定图像P分割后图像的尺寸大小,将S3得到的向量P2划分为c个相同大小的向量,并将该c个向量作为图像P的分割图像数据进行保存。
通过上述设计,当存在大尺寸图像P,需要对其进行由中心到边缘依次划分的情况时,采用上述步骤,根据领域半径,由小到大,由内到外一圈一圈对大尺寸图像的像素点进行重新排列后,得到一个由图像转化的向量后,根据需要划分的图像大小,对大尺寸图像进行向量划分,从而实现对图像进行由中心到边缘的图像划分。
作为优选,步骤S1的具体步骤为:
S11:获取待分割图像P,以像素为单位,确定图像P中像素点的行数N和列数M;
S12:对每个像素点所在行数和列数进行坐标编号,图像P的所有像素点坐标可表示为集合S={(i,j)|1≤i≤N,1≤j≤M,i,j∈Z};
S13:根据图像P中像素点的行数N和列数M,计算得到图像P的中心像素点坐标为(a1,b1);
其中,a1为图像P的行数N的一半数值向上取整的数值;b1为以图像P的列数M的一半数值向上取整的数值。
作为优选,步骤S2中确定图像P的中心像素点的影响领域的具体内容为:
定义图像P的中心像素点(a1,b1)的影响领域为:
其中:(k,l)为该影响领域中的位置点坐标;
β为领域半径;该领域半径β的取值范围为0≤β≤X,β取整数;其中a2为图像P的行数N的一半数值向下取整的数值,b2为图像P的列数M的一半数值向下取整的数值。
作为优选,步骤S3向量P2的计算步骤具体为:
S31:设定向量P2为空向量,且向量P2大小为:(N×M)×1,领域半径β的初始值为0;
S32:计算得到当前领域半径的坐标,并将当前领域半径的坐标放入向量P2后,进入步骤S33;
S33:判断是否满足β≤X,若是令β=β+1,返回步骤S32,;否则,输出图像P中所有像素点重新排序后的向量P2。
作为优选,步骤S32中将当前领域半径的坐标放入向量P2的具体内容为:
假设交集中有有n1个坐标,设定n1个坐标按照行或者列坐标优先的排序方式进行坐标排序和坐标编号后;按照坐标编号大小由小到大或者由大到小的顺序逐个取出后,依次放入向量P2末端,形成新的向量P2。
作为优选,步骤S4的步骤为:
S41:设定图像P分割后小尺寸的图像的尺寸大小为N1行,M1列;
S42:得到图像P可分割出的小尺寸图像的个数为:
S43:向量P2中的第1个元素到第(c-1)×(N1×M1)个元素分成c-1个向量,每个向量元素个数为N1×M1;
S44:将向量第(c-1)×(N1×M1)+1个元素到第N×M个元素组成第c个向量;
若第c个向量元素个数小于N1×M1个,则对该向量补零值,使其元素个数为N1×M1个。
与现有技术相比,本发明的有益效果:
本发明通过确定大尺寸图像中心像素点和领域半径范围,领域半径从小到大依次取出大尺寸图像所有像素点,最终分割出多张相同大小的小尺寸图像向量,保留了原图像所有的像素信息,同时减小图像尺寸,满足系统的输入要求,且小尺寸图像向量中的元素值按照大尺寸图像中心区域到边缘区域的像素值排列,方便图像后期处理,不同尺寸的大图像均可以采取这一方法自动高效地进行图像像素点重新排序和分割,减少人工对图像调整的操作。
附图说明
图1是本发明的图像像素点重新排序和分割方法流程图;
图2是大尺寸图像中心像素点的所有领域半径下的领域位置点示意图。
具体实施方式
以下结合实施例和附图对本发明作进一步说明。
一种基于大尺寸图像像素点的重新排序和分割方法,结合图1可以看出,包括以下步骤:
S1:确定图像P中的像素点包括N行M列,并对该图像P所有像素点进行坐标编号,得到该图像所有像素点的坐标集合S;计算图像P的中心像素点坐标为(a1,b1);
步骤S1的具体步骤为:
S11:获取待分割图像P,以像素为单位,确定图像P中像素点的行数N和列数M;
S12:对每个像素点所在行数和列数进行坐标编号,图像P的所有像素点坐标可表示为集合S={(i,j)|1≤i≤N,1≤j≤M,i,j∈Z};
S13:根据图像P中像素点的行数N和列数M,计算得到图像P的中心像素点坐标为(a1,b1);
其中,在本实施例中,a1为图像P的行数N的一半数值向上取整的数值;b1为以图像P的列数M的一半数值向上取整的数值。
S2:确定图像P的中心像素点的影响领域
步骤S2中确定图像P的中心像素点的影响领域的具体内容为:
定义图像P的中心像素点(a1,b1)的影响领域为:
其中:(k,l)为该影响领域中的位置点坐标;
β为领域半径;该领域半径β的取值范围为0≤β≤X,β取整数;其中a2为图像P的行数N的一半数值向下取整的数值,b2为图像P的列数M的一半数值向下取整的数值。
S3:根据步骤S1得到的坐标集合S和步骤S2得到的影响领域分别计算得到图像P中所有像素点重新排序后的向量P2;领域半径β的取值范围为0≤β≤X;
步骤S3向量P2的计算步骤具体为:
S31:设定向量P2为空向量,且向量P2大小为:(N×M)×1,领域半径β的初始值为0;
S32:计算得到当前领域半径的坐标,并将当前领域半径的坐标放入向量P2后,进入步骤S33;
步骤S32中将当前领域半径的坐标放入向量P2的具体内容为:
假设交集中有有n1个坐标,设定n1个坐标按照行或者列坐标优先的排序方式进行坐标排序和坐标编号后;按照坐标编号大小由小到大或者由大到小的顺序逐个取出后,依次放入向量P2末端,形成新的向量P2。
S33:判断是否满足β≤X,若是令β=β+1,返回步骤S32,;否则,输出图像P中所有像素点重新排序后的向量P2。
S4:设定图像P分割后图像的尺寸大小,将S3得到的向量P2划分为c个相同大小的向量,并将该c个向量作为图像P的分割图像数据进行保存。
步骤S4的步骤为:
S41:设定图像P分割后小尺寸的图像的尺寸大小为N1行,M1列;
S42:得到图像P可分割出的小尺寸图像的个数为:
S43:向量P2中的第1个元素到第(c-1)×(N1×M1)个元素分成c-1个向量,每个向量元素个数为N1×M1;
S44:将向量第(c-1)×(N1×M1)+1个元素到第N×M个元素组成第c个向量;
若第c个向量元素个数小于N1×M1个,则对该向量补零值,使其元素个数为N1×M1个。
为了解释说明上述步骤,结合图2对上述步骤进行实施例展示:
若图像P中的像素点包括4行4列,对该N行M列的图像P的所有像素点进行坐标编号,坐标编号分别是(1,1),(1,2),(1,3),(1,4),(2,1),(2,2),(2,3),(2,4),(3,1),(3,2),(3,3),(3,4),(4,1),(4,2),(4,3),(4,4),得到该图像P所有像素点的坐标集合S。
则中心点坐标为(2,2);
则领域半径β的取值范围0≤β≤2;
当领域半径β=0时,中的像素点坐标为(2,2);交集/>中有1个坐标,为(2,2);将该1个坐标对应放入空向量P2,得到新的向量P2;
当领域半径β=1时,中的像素点坐标为(1,1),(1,2),(1,3),(2,1),(2,3),(3,1),(3,2),(3,3)。交集/>中有8个坐标,为(1,1),(1,2),(1,3),(2,1),(2,3),(3,1),(3,2),(3,3);
将该8个坐标对应编号依次放入向量P2,得到新的向量P2;
当领域半径β=2时,对应的影响领域不能形成闭合圈,则先对边缘坐标进行补齐后,补入的坐标是(0,0),(0,1),(0,2),(0,3),(0,4),(1,0),(2,0),(3,0),(4,0);
再获取对应的影响领域坐标。得到影响领域中的像素点坐标为(0,0),(0,1),(0,2),(0,3),(0,4),(1,0),(1,4)(2,0),(2,4),(3,0),(3,4),(4,0),(4,1),(4,2),(4,3),(4,4);
交集中有7个坐标,为(1,4)、(2,4),(3,4),(4,1),(4,2),(4,3),(4,4);
将该7个坐标对应编号依次放入向量P2,得到新的向量P2;
假设图像P分割后小尺寸的图像的尺寸大小为1行,1列;
得到图像P可分割出的小尺寸图像的个数为:
向量P2中的第1个元素到第15个元素分成15个向量,每个向量元素个数为1;
将向量第16个元素到第16个元素组成第16个向量;
若大尺寸图像不规则,若第16个向量元素个数小于1个,则对该向量补零值,使其元素个数为1个。
最后需要说明的是,上述描述仅仅为本发明的优选实施例,本领域的普通技术人员在本发明的启示下,在不违背本发明宗旨及权利要求的前提下,可以做出多种类似的表示,这样的变换均落入本发明的保护范围之内。
Claims (5)
1.一种基于大尺寸图像像素点的重新排序和分割方法,其特征在于:包括以下步骤:
S1:确定图像P中的像素点包括N行M列,并对该图像P所有像素点进行坐标编号,得到该图像所有像素点的坐标集合S;计算图像P的中心像素点坐标(a1,b1);
S2:确定图像P的中心像素点的影响领域
步骤S2中确定图像P的中心像素点的影响领域的具体内容为:
定义图像P的中心像素点(a1,b1)的影响领域为:
其中:(k,l)为该影响领域中的位置点坐标;
β为领域半径;该领域半径β的取值范围为0≤β≤X,β取整数;其中a2为图像P的行数N的一半数值向下取整的数值,b2为图像P的列数M的一半数值向下取整的数值;
S3:根据步骤S1得到的坐标集合S和步骤S2得到的影响领域分别计算得到图像P中所有像素点重新排序后的向量P2;领域半径β的取值范围为0≤β≤X;
S4:设定图像P分割后图像的尺寸大小,将S3得到的向量P2划分为c个相同大小的向量,并将该c个向量作为图像P的分割图像数据进行保存。
2.根据权利要求1所述的基于大尺寸图像像素点的重新排序和分割方法,其特征在于:步骤S1的具体步骤为:
S11:获取待分割图像P,以像素为单位,确定图像P中像素点的行数N和列数M;
S12:对每个像素点所在行数和列数进行坐标编号,图像P的所有像素点坐标可表示为集合S={(i,j)|1≤i≤N,1≤j≤M,i,j∈Z};
S13:根据图像P中像素点的行数N和列数M,计算得到图像P的中心像素点坐标为(a1,b1);其中a1为图像P的行数N的一半数值向上取整的数值;b1为以图像P的列数M的一半数值向上取整的数值。
3.根据权利要求1所述的基于大尺寸图像像素点的重新排序和分割方法,其特征在于:步骤S3向量P2的计算步骤具体为:
S31:设定向量P2为空向量,且向量P2大小为:(N×M)×1,领域半径β的初始值为0;
S32:计算得到当前领域半径的坐标,并将当前领域半径的坐标放入向量P2后,进入步骤S33;
S33:判断是否满足β≤X,若是令β=β+1,返回步骤S32;否则,输出图像P中所有像素点重新排序后的向量P2。
4.根据权利要求3所述的基于大尺寸图像像素点的重新排序和分割方法,其特征在于:步骤S32中将当前领域半径的坐标放入向量P2的具体内容为:
假设交集中有n1个坐标,设定n1个坐标按照行或者列坐标优先的排序方式进行坐标排序和坐标编号后;按照坐标编号大小由小到大或者由大到小的顺序逐个取出后,依次放入向量P2末端,形成新的向量P2。
5.根据权利要求4所述的基于大尺寸图像像素点的重新排序和分割方法,其特征在于:步骤S4的步骤为:
S41:设定图像P分割后小尺寸的图像的尺寸大小为N1行,M1列;
S42:得到图像P可分割出的小尺寸图像的个数为:
S43:向量P2中的第1个元素到第(c-1)×(N1×M1)个元素分成c-1个向量,每个向量元素个数为N1×M1;
S44:将向量第(c-1)×(N1×M1)+1个元素到第N×M个元素组成第c个向量;
若第c个向量元素个数小于N1×M1个,则对该向量补零值,使其元素个数为N1×M1个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110707413.3A CN113298702B (zh) | 2021-06-23 | 2021-06-23 | 基于大尺寸图像像素点的重新排序和分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110707413.3A CN113298702B (zh) | 2021-06-23 | 2021-06-23 | 基于大尺寸图像像素点的重新排序和分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298702A CN113298702A (zh) | 2021-08-24 |
CN113298702B true CN113298702B (zh) | 2023-08-04 |
Family
ID=77329527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110707413.3A Active CN113298702B (zh) | 2021-06-23 | 2021-06-23 | 基于大尺寸图像像素点的重新排序和分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298702B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797337B (zh) * | 2023-02-02 | 2023-05-12 | 慧影医疗科技(北京)股份有限公司 | 一种ct影像椎体实例分割方法、系统、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106725565A (zh) * | 2016-11-18 | 2017-05-31 | 天津大学 | 一种稀疏投影下的锥束xct成像质量评估方法 |
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 |
CN110599489A (zh) * | 2019-08-26 | 2019-12-20 | 华中科技大学 | 一种目标空间定位方法 |
CN111652166A (zh) * | 2020-06-08 | 2020-09-11 | 重庆科技学院 | 基于细胞神经网络异联想记忆模型的掌纹和人脸识别方法 |
-
2021
- 2021-06-23 CN CN202110707413.3A patent/CN113298702B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106725565A (zh) * | 2016-11-18 | 2017-05-31 | 天津大学 | 一种稀疏投影下的锥束xct成像质量评估方法 |
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 |
CN110599489A (zh) * | 2019-08-26 | 2019-12-20 | 华中科技大学 | 一种目标空间定位方法 |
CN111652166A (zh) * | 2020-06-08 | 2020-09-11 | 重庆科技学院 | 基于细胞神经网络异联想记忆模型的掌纹和人脸识别方法 |
Non-Patent Citations (1)
Title |
---|
基于改进像素聚类算法的输电线路冰区识别方法;杨恒;虢韬;沈平;杨渊;杨洋;;现代电子技术(第20期);189-191+194 * |
Also Published As
Publication number | Publication date |
---|---|
CN113298702A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020221013A1 (zh) | 一种图像处理方法、装置、电子设备以及存储介质 | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
CN106446896B (zh) | 一种字符分割方法、装置及电子设备 | |
CN111275129A (zh) | 一种图像数据的增广策略选取方法及系统 | |
US7792382B2 (en) | Method and apparatus for filtering, clustering, and region fitting by mean shift of images using kernel function values | |
CN111275730A (zh) | 地图区域的确定方法、装置、设备及存储介质 | |
CN109145964B (zh) | 一种实现图像颜色聚类的方法和系统 | |
CN110648284B (zh) | 一种光照不均匀的图像处理方法及装置 | |
CN110852311A (zh) | 一种三维人手关键点定位方法及装置 | |
CN111489401A (zh) | 一种图像颜色恒常性处理方法、系统、设备和存储介质 | |
CN111383232A (zh) | 抠图方法、装置、终端设备及计算机可读存储介质 | |
CN112800955A (zh) | 基于加权双向特征金字塔的遥感影像旋转目标检测方法及系统 | |
CN113298702B (zh) | 基于大尺寸图像像素点的重新排序和分割方法 | |
CN111192279B (zh) | 基于边缘检测的物体分割方法、电子终端及存储介质 | |
WO2021147437A1 (zh) | 证卡边缘检测方法、设备及存储介质 | |
CN113506305A (zh) | 三维点云数据的图像增强方法、语义分割方法及装置 | |
CN106056575B (zh) | 一种基于似物性推荐算法的图像匹配方法 | |
CN116152517A (zh) | 一种改进的orb特征提取方法 | |
CN113313127B (zh) | 文本图像识别方法、装置、计算机设备和存储介质 | |
CN114155540B (zh) | 基于深度学习的文字识别方法、装置、设备及存储介质 | |
CN115713769A (zh) | 文本检测模型的训练方法、装置、计算机设备和存储介质 | |
CN115619678A (zh) | 一种图像变形的矫正方法、装置、计算机设备及存储介质 | |
CN116246298A (zh) | 一种空间占用人数统计方法、终端设备及存储介质 | |
CN114693919A (zh) | 一种目标检测方法、终端设备及存储介质 | |
CN113808144A (zh) | 基于直方图拟合的密度峰值聚类土壤图像阴影检测方法 |
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 |