CN113313672A - 一种基于slic超像素分割和显著性检测算法的主动轮廓模型图像分割方法 - Google Patents
一种基于slic超像素分割和显著性检测算法的主动轮廓模型图像分割方法 Download PDFInfo
- Publication number
- CN113313672A CN113313672A CN202110488887.3A CN202110488887A CN113313672A CN 113313672 A CN113313672 A CN 113313672A CN 202110488887 A CN202110488887 A CN 202110488887A CN 113313672 A CN113313672 A CN 113313672A
- Authority
- CN
- China
- Prior art keywords
- saliency
- segmentation
- image
- active contour
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000011218 segmentation Effects 0.000 title claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000003709 image segmentation Methods 0.000 title claims abstract description 18
- 230000001788 irregular Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 1
- 230000004927 fusion Effects 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004800 variational method Methods 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (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)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于SLIC超像素分割和显著性检测算法的主动轮廓模型图像分割方法。所述方法首先使用SLIC算法对图像进行预处理，得到超像素分割的结果。针对超像素分割的结果，计算不规则的超像素块之间的对比度以估计显著性值进而获取显著区域，再将获取的显著信息与像素之间的空间相关性加权融合得到显著图。然后用Canny算子提取显著图的区域边界，以显著性区域边界为初始曲线，构造初始水平集φ。对目前主动轮廓CV模型所存在的参数过多等问题进行改进，使用改进过的主动轮廓CV模型进一步处理紫外图像，最终得到准确理想的紫外分割图像。
Description
技术领域
本发明涉及电力设备放电检测和图像处理领域，具体涉及一种基于SLIC超像素分割和显著性检测算法的主动轮廓模型图像分割方法。
背景技术
目前，紫外成像技术是检测线路外绝缘放电的重要手段，该技术能探测放电辐射出的波长为240-280nm波段的紫外光信号，输出放电紫外图像，并逐渐以光子数作为衡量放电强度的量化参数。但是，由于紫外图像中存在固有散粒噪声等所导致的白色噪声点，因此会影响对设备放电状态的评估，相应地，如何从紫外图像中分割获取实际放电区域并将其用于绝缘子放电状态的有效检测是该项技术的关键。
现有的图像处理方法的共同特点是放电区域分割的准确度较低，需要迭代次数较多，计算时间较长，因此有必要进一步研究准确高效的紫外成像特征提取方法。
发明内容
有鉴于此，本发明的目的是提供一种基于SLIC超像素分割和显著性检测算法的主动轮廓模型图像分割方法。能够克服传统的主动轮廓模型迭代次数过多，处理时间较长，精确度不够高的问题，把基于SLIC超像素分割的显著性检测算法和主动轮廓模型结合起来，并将主动轮廓模型进行改进，使图像分割精准度、分割速度得到了改善。
本发明的目的是通过以下技术方案实现的：。
该种基于SLIC超像素分割和显著性检测算法的主动轮廓模型图像分割方法，包括以下步骤：
步骤S1：利用简单线性迭代聚类方法对原始紫外图像进行超像素分割,得到超像素分割的结果；
步骤S2：针对超像素分割的结果，计算不规则的超像素块之间的对比度以估计显著性值进而获取显著区域，再将获取的显著信息与像素之间的空间相关性加权融合得到显著图。
步骤S3：用Canny算子提取显著图的区域边界，以显著性区域边界为初始曲线，构造初始水平集φ。
步骤S4：使用主动轮廓CV模型进一步处理紫外图像，分别计算c1、c2、
和
其中
可根据有限差分法计算得到。
步骤S5：迭代计算φn+1＝φn+ΔtL(φn)。其中：n是迭代次数；Δt是步长；L(φn)表示
步骤S6，检验演化是否收敛或迭代次数是否达到设定的最大值。若收敛或迭代次数达到设定值，则停止，否则返回步骤S4。
进一步，在步骤S1中，利用简单线性迭代聚类方法对原始紫外图像进行超像素分割，针对超像素分割的结果，计算显著性值进而获取显著区域，再将获取的显著信息与像素之间的空间相关性加权融合得到显著图。
进一步，在步骤S3中，用Canny算子提取显著图的区域边界，以显著性区域边界为初始曲线，构造初始水平集φ，将显著图区域边界融入主动轮廓模型中。
进一步，在步骤S4中，以水平集函数φ主动轮廓模型的能量泛函为：
进一步，在步骤4中，采用改进的水平集的演化方程为：
进一步，所述步骤S1中，基于简单线性迭代聚类的图像超像素分割具体实现的步骤：
步骤S11：将大小为M*N的图像从RGB空间转换到CIELAB空间，SLIC同时考虑像素的颜色和空间属性，在五维空间labxy下实现；
步骤S12：初始化种子点：按照设定的超像素个数，在图像内均匀的分配种子点；
步骤S13：在种子点的n*n邻域内重新选择种子点，将种子点移到该邻域内梯度最小的地方，是为了避免种子点落在梯度较大的轮廓边界上，影响后续聚类效果；
步骤S14：每个种子点周围的邻域内为每个像素点分配类标签，即属于哪个聚类中心，SLIC的搜索范围限制为2S*2S，可以加速算法收敛；
步骤S15：距离度量：包括颜色距离和空间距离的度量，计算完距离D’之后，每一个像素点都会更新自己所属的图像块，将同一个图像块的像素点取平均，得到新的聚类中心；
步骤S16：迭代优化。
进一步，针对超像素分割的结果，计算不规则的超像素块之间的对比度以估计显著性值进而获取显著区域，再将获取的显著信息与像素之间的空间相关性加权融合得到显著图。
进一步，对于每一超像素块计算显著性值时，为了降低空间信息对于全局对比度衡量的影响，将空间信息相关性与显著值进行加权计算，定义如下：
其中，Ii，Ij代表第i，j个超像素块的颜色均值；N代表分割的超像素块数；ω(pi，pj)代表第i个超像素块与第j个超像素块之间的距离权值，定义如下：
其中，pi代表第i个超像素块的中心，pj代表第j个超像素块的中心；δ代表空间信息相关的参数，δ2＝0.42。
进一步，所述步骤S16中，迭代次数取10。
本发明的有益效果是：(1)本发明所提出的模型能够准确快速地分割紫外图像目标光斑，其迭代次数、计算时间和图像分割效果有了较大的改善；
(2)本发明的方法具有抗噪声能力强、计算结果准确、通用性好的优点。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和前述的权利要求书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1为CV模型算法的分割流程图；
图2为基于SLIC超像素分割和显著性检测算法的主动轮廓模型图像分割流程图；
图3(a)为k-means搜索整个区域的示意图；
图3(b)SLIC搜索一个限制的带窗区域的示意图。
具体实施方式
以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
本发明采用SL1C算法对图像进行预处理。SL1C算法相较于其它分割算法是一种实现较方便的分割算法，该算法不仅仅对彩色图像可以进行分割，对于灰度图同样适用，能够将图像分割成和细胞一样紧凑的像素块，较容易表达像素点的邻域特征，而且不需要设置太多的参数，运行速度快，分割结果能够较理想的保持图像中目标的轮廓。之后计算不规则的超像素块之间的对比度以估计显著性值进而获取显著区域，再将获取的显著信息与像素之间的空间相关性加权融合得到显著图。利用显著图的边界信息来结合主动轮廓模型，主动轮廓模型是一个定义在图像区域内的弹性曲线，通过最小化一个与其相关联的能量函数，使其往感兴趣特征(例如图像边界)演化。典型的能量函数包括一个内部能量项和一个外部能量项，内部能量项由曲线自身的几何特性决定，用于约束曲线自身的平滑度和紧固度；外部能量项来自于图像数据，驱使可变形曲线往感兴趣特征演化。求解主动轮廓能量最小化的问题可以转化为求解一个力平衡方程。在力平衡方程中，当曲线自身的内部力等于由外部能量产生的外部力时，对应的可变形曲线即为能量最小化问题的解。
具体如图所示，本发明的一种基于SLIC超像素分割和显著性检测算法的主动轮廓模型图像分割方法，包括以下步骤：
步骤S1，利用简单线性迭代聚类方法对原始紫外图像进行超像素分割，得到超像素分割的结果；本实施例中，基于简单线性迭代聚类的图像超像素分割具体实现的步骤包括：
步骤S11：将大小为M*N的图像从RGB空间转换到CIELAB空间，SLIC同时考虑像素的颜色和空间属性，在五维空间labx3下实现，其中(l，a，b)是颜色空间CIELAB下的像素点颜色向量，(x，y)是图像平面像素点的位置向量。
步骤S12：初始化种子点(聚类中心)：按照设定的超像素个数，在图像内均匀的分配种子点。假设图片总共有M*N个像素点，预分割为K个相同尺寸的超像素，那么每个超像素的大小为
则相邻种子点的距离(步长)近似为
步骤S13：在种子点的n*n邻域内重新选择种子点(一般取n＝3)。具体方法为：计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方。这样做的目的是为了避免种子点落在梯度较大的轮廓边界上，以免影响后续聚类效果。
步骤S14：在每个种子点周围的邻域内为每个像素点分配类标签(即属于哪个聚类中心)。和标准的k-means在整张图中搜索不同，SLIC的搜索范围限制为2S*2S，可以加速算法收敛，如下图。在此注意一点：期望的超像素尺寸为S*S，但是搜索的范围是2S*2S。
步骤S15：距离度量：包括颜色距离和空间距离。对于每个搜索到的像素点，分别计算它和该种子点的距离。距离计算方法如下：
其中，ds代表颜色距离，ds代表空间距离，Ns是类内最大空间距离，定义为
适用于每个聚类。最大的颜色距离Ns既随图片不同而不同，也随聚类不同而不同，所以我们取一个固定常数m(取值范围[1，40]，一般取10)代替。最终的距离度量D′如下：
由于每个像素点都会被多个种子点搜索到，所以每个像素点都会有一个与周围种子点的距离，取最小值对应的种子点作为该像素点的聚类中心。
步骤S17：计算完距离Dc之后，每一个像素点都会更新自己所属的图像块，将同一个图像块的像素点取平均，得到新的聚类中心。
步骤S17：迭代优化：理论上上述步骤不断迭代直到误差收敛(可以理解为每个像素点聚类中心不再发生变化为止)，本发明通过多次具体实践，发现10次迭代对绝大部分图片都可以得到较理想效果，所以一般迭代次数取10。
步骤S2：针对超像素分割的结果，计算不规则的超像素块之间的对比度以估计显著性值进而获取显著区域，再将获取的显著信息与像素之间的空间相关性加权融合得到显著图。
利用SLIC算法实现对显著图的检测，主要通过颜色之间的相似性、空间信息的互相关性计算显著性值，通过计算颜色距离相似性估算全局对比度，同时将空间信息的互相关进行加权处理计算显著性值，获取局部性显著图。算法步骤如下：
步骤S21：对于每一个超像素建立直方图；
步骤S22：对于超像素i计算超像素i到所有超像素的距离之和作为此超像素的显著性值。为了获取局部信息，使显著目标的边界信息更为清晰，在计算超像素的显著性值时，先判断该点是否属于边缘，定义如下：
其中，Ii代表第i个超像素块的颜色均值；Ij代表第j个超像素块的颜色均值；N代表分割的超像素块数。
步骤S23：对于每一超像素块计算显著性值时，为了降低空间信息对于全局对比度衡量的影响，将空间信息相关性与显著值进行加权计算，定义如下：
其中，Ii，Ij代表第i，j个超像素块的颜色均值；N代表分割的超像素块数。ω(pi，pj)代表第i个超像素块与第j个超像素块之间的距离权值。定义如下：
其中，pi代表第i个超像素块的中心，pj代表第j个超像素块的中心；δ代表空间信息相关的参数，δ2＝0.42。
步骤S3：用Canny算子提取显著图的区域边界，以显著性区域边界为初始曲线，构造初始水平集φ。
由在显著性检测过程中图像像素点显著值来得到图像的显著图，由于Canny算子方法提取轮廓边界不容易受噪声干扰，能够检测到真正的弱边缘，所以选用Canny算子提取显著图的区域边界，以显著性区域边界作为初始演化轮廓曲线，结合现有的主动轮廓能量方程，对紫外放电图像进一步的分割处理。
步骤S4：使用主动轮廓CV模型进一步处理紫外图像，分别计算c1、c2、
和
其中
可根据有限差分法计算得到。
图像I(x，y)的范围是Ω，在t时，曲线C把图像区分成相互不叠加的两个区域，Ω1表示目标区域位于C的内部，Ω2表示背景区域位于C的外部，CV模型的能量函数为：
式中μ，ν，λ1，λ2——权重系数；
L(C)——弧线长度，越小，越平滑；
S(C)——弧线内围成的面积；
c1和c2——对象边界两侧灰度值。
公式(8)的前两项是长度约束项，主要对目标轮廓曲线C进行检测，确保得到的曲线足够短。剩余的部分统称保真项或者驱动项，它是用来推动曲线演化向目标附近无限制的靠近，直至与目标的轮廓相重合。要想使这两项和值最小，那么闭合曲线应是在目标边界上。
为了求得使能量ECV(C，c1，c2)最小的解C，从而利用水平集思想重新定义上述模型，即用水平集φ(x，y)代替演化曲线C，引入水平集可使得极小化能量函数的计算变的简单，在后续求解中，演化曲线用水平集函数表示，即：
实际应用中，将符号距离函数(Signed Distance Function，SDF)定义为初始轮廓曲线，零水平集对应于给定的初始轮廓曲线，这个过程即水平集初始化。设φ(x，y，0)＝±d为符号距离函数，d是图像上的点(x，y)到初始轮廓C0的最短距离，d的正负值取决于点(x，y)在C0的内部还是外部。其表达式为：
将符号距离函数作为水平集函数是因为|φ|＝1，由于的模总为1，因而表明水平集函数的变化率在任何一处都是均匀的，这使得在计算过程中非常稳定。
同时为了将积分区域统一变成图像区域Ω，把一维Dirac测度函数及Heaviside函数添加上：
曲线的长以及内区域面积用水平集来描述，表达式分别是：
Area(C)＝Area{φ之0}＝∫ΩH(φ(x，y))dxdy (14)
那么，能量泛函以水平集函数φ表达为：
式中
为梯度算子。
采用变分法，水平集不变的条件下，要让能量最小，求得c1、c2表示如下：
水平集函数φ(x，y)要不停地进行演化。记φ(t，x，y)是t时刻φ(x，y)的值，水平集函数的演化方程，可表示为：
式中
为水平集函数的单位曲率。
具体计算时，可采用下方的的正则化函数来代替H(z)及δ(z)，使得水平集的演化方程作用于所的水平集上，从而确保检测出带有孔洞目标的内部区域，并使能量函数达到全局最优解。
式中ε为一个小的正数。
但在实际中存在几个问题：
1)模型有时无法检测到离初始轮廓曲线较远的真实目标边缘。
2)模型参数太多，包括μ、η、λ1、λ2，在处理不同紫外图像时，若要对这些参数都做调整，则会非常费时费力。
针对上述问题，本发明提出了如下改进方法：
1)将Dirac函数用
替换，这可以解决δ(φ)检测不到离零水平集较远边缘的问题，有助于提高演化速度。
2)能量函数表达式(18)中等号右侧的第3项和第4项所代表的含义较为相似，故可取λ1＝λ2＝1；另外，闭合轮廓曲线C内部的面积与围成区域的曲线长度相关，故可只保留来长度项系μ，并取面积系数η＝0。
于是，改进
重写为：
步骤S5：迭代计算φn+1＝φn+ΔtL(φn)。其中：n是迭代次数；Δt是步长；L(φn)表示
步骤S6：检验演化是否收敛或迭代次数是否达到设定的最大值。若收敛或迭代次数达到设定值，则停止，否则返回步骤S4。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于SLIC超像素分割和显著性检测算法的主动轮廓模型图像分割方法，其特征在于：所述方法包括以下步骤：
步骤S1：利用简单线性迭代聚类方法对原始紫外图像进行超像素分割，得到超像素分割的结果；
步骤S2：针对超像素分割的结果，计算不规则的超像素块之间的对比度以估计显著性值进而获取显著区域，再将获取的显著信息与像素之间的空间相关性加权融合得到显著图。
步骤S3：用Canny算子提取显著图的区域边界，以显著性区域边界为初始曲线，构造初始水平集φ。
步骤S4：使用主动轮廓CV模型进一步处理紫外图像，分别计算c1、c2、
和
其中
可根据有限差分法计算得到。
步骤S5：迭代计算φn+1＝φn+ΔtL(φn)。其中：n是迭代次数；Δt是步长；L(φn)表示
步骤S6，检验演化是否收敛或迭代次数是否达到设定的最大值。若收敛或迭代次数达到设定值，则停止，否则返回步骤S4。
2.根据权利要求1所述的一种基于SLIC超像素分割和显著性检测算法的主动轮廓模型图像分割方法，其特征在于：在步骤S1中，利用简单线性迭代聚类方法对原始紫外图像进行超像素分割，针对超像素分割的结果，计算显著性值进而获取显著区域，再将获取的显著信息与像素之间的空间相关性加权融合得到显著图。
3.根据权利要求1所述的一种基于SLIC超像素分割和显著性检测算法的主动轮廓模型图像分割方法，其特征在于：在步骤S3中，用Canny算子提取显著图的区域边界，以显著性区域边界为初始曲线，构造初始水平集φ，将显著图区域边界融入主动轮廓模型中。
4.根据权利要求1所述的一种基于SLIC超像素分割和显著性检测算法的主动轮廓模型图像分割方法，其特征在于：在步骤S4中，以水平集函数φ主动轮廓模型的能量泛函为：
5.根据权利要求1所述的一种紫外和可见光图像的距离自适应配准方法，其特征在于：在步骤4中，采用改进的水平集的演化方程为：
6.根据权利要求1所述的一种基于SLIC超像素分割和显著性检测算法的主动轮廓模型图像分割方法，其特征在于：所述步骤S1中，基于简单线性迭代聚类的图像超像素分割具体实现的步骤：
步骤S11：将大小为M*N的图像从RGB空间转换到CIELAB空间，SLIC同时考虑像素的颜色和空间属性，在五维空间labxy下实现；
步骤S12：初始化种子点：按照设定的超像素个数，在图像内均匀的分配种子点；
步骤S13：在种子点的n*n邻域内重新选择种子点，将种子点移到该邻域内梯度最小的地方，是为了避免种子点落在梯度较大的轮廓边界上，影响后续聚类效果；
步骤S14：每个种子点周围的邻域内为每个像素点分配类标签，即属于哪个聚类中心，SLIC的搜索范围限制为2S*2S，可以加速算法收敛；
步骤S15：距离度量：包括颜色距离和空间距离的度量，计算完距离D’之后，每一个像素点都会更新自己所属的图像块，将同一个图像块的像素点取平均，得到新的聚类中心；
步骤S16：迭代优化。
7.根据权利要求1所述的一种基于SLIC超像素分割和显著性检测算法的主动轮廓模型图像分割方法，其特征在于：针对超像素分割的结果，计算不规则的超像素块之间的对比度以估计显著性值进而获取显著区域，再将获取的显著信息与像素之间的空间相关性加权融合得到显著图。
8.根据权利要求7所述的一种基于SLIC超像素分割和显著性检测算法的主动轮廓模型图像分割方法，其特征在于：对于每一超像素块计算显著性值时，为了降低空间信息对于全局对比度衡量的影响，将空间信息相关性与显著值进行加权计算，定义如下：
其中，Ii，Ij代表第i，j个超像素块的颜色均值；N代表分割的超像素块数；ω(pi，pj)代表第i个超像素块与第j个超像素块之间的距离权值，定义如下：
其中，pi代表第i个超像素块的中心，pj代表第j个超像素块的中心；δ代表空间信息相关的参数，δ2＝0.42。
9.根据权利要求1所述的一种基于SLIC超像素分割和显著性检测算法的主动轮廓模型图像分割方法，其特征在于：所述步骤S16中，迭代次数取10。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110488887.3A CN113313672A (zh) | 2021-04-28 | 2021-04-28 | 一种基于slic超像素分割和显著性检测算法的主动轮廓模型图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110488887.3A CN113313672A (zh) | 2021-04-28 | 2021-04-28 | 一种基于slic超像素分割和显著性检测算法的主动轮廓模型图像分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113313672A true CN113313672A (zh) | 2021-08-27 |
Family
ID=77371486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110488887.3A Pending CN113313672A (zh) | 2021-04-28 | 2021-04-28 | 一种基于slic超像素分割和显著性检测算法的主动轮廓模型图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113313672A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113744241A (zh) * | 2021-09-03 | 2021-12-03 | 安徽理工大学 | 基于改进slic算法的细胞图像分割方法 |
| CN114022499A (zh) * | 2021-11-26 | 2022-02-08 | 国网四川省电力公司信息通信公司 | 一种改进的Chan-vese模型及其红外图像分割方法 |
| CN114677368A (zh) * | 2022-04-19 | 2022-06-28 | 中国人民解放军32021部队 | 一种图像显著性检测方法及装置 |
| CN114862826A (zh) * | 2022-05-27 | 2022-08-05 | 淮阴工学院 | 一种基于slic-elm的水稻病虫害显著图像提取方法 |
| CN115131373A (zh) * | 2022-07-14 | 2022-09-30 | 西安电子科技大学 | 基于纹理特征和slic的sar图像分割方法 |
| CN115953433A (zh) * | 2023-02-06 | 2023-04-11 | 宿迁学院 | 一种混合式图像目标跟踪方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103366382A (zh) * | 2013-07-04 | 2013-10-23 | 电子科技大学 | 一种基于超像素的主动轮廓跟踪方法 |
| CN107330897A (zh) * | 2017-06-01 | 2017-11-07 | 福建师范大学 | 图像分割方法及其系统 |
-
2021
- 2021-04-28 CN CN202110488887.3A patent/CN113313672A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103366382A (zh) * | 2013-07-04 | 2013-10-23 | 电子科技大学 | 一种基于超像素的主动轮廓跟踪方法 |
| CN107330897A (zh) * | 2017-06-01 | 2017-11-07 | 福建师范大学 | 图像分割方法及其系统 |
Non-Patent Citations (3)
| Title |
|---|
| 张喆: "基于实时超声心动图分割技术的心脏功能监测", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
| 潘沛鑫等: "结合显著性的主动轮廓图像分割", 《计算机工程与应用》 * |
| 葛梦悦: "融合全局与局部信息的显著性目标检测", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113744241A (zh) * | 2021-09-03 | 2021-12-03 | 安徽理工大学 | 基于改进slic算法的细胞图像分割方法 |
| CN114022499A (zh) * | 2021-11-26 | 2022-02-08 | 国网四川省电力公司信息通信公司 | 一种改进的Chan-vese模型及其红外图像分割方法 |
| CN114677368A (zh) * | 2022-04-19 | 2022-06-28 | 中国人民解放军32021部队 | 一种图像显著性检测方法及装置 |
| CN114677368B (zh) * | 2022-04-19 | 2022-10-25 | 中国人民解放军32021部队 | 一种图像显著性检测方法及装置 |
| CN114862826A (zh) * | 2022-05-27 | 2022-08-05 | 淮阴工学院 | 一种基于slic-elm的水稻病虫害显著图像提取方法 |
| CN115131373A (zh) * | 2022-07-14 | 2022-09-30 | 西安电子科技大学 | 基于纹理特征和slic的sar图像分割方法 |
| CN115131373B (zh) * | 2022-07-14 | 2023-10-27 | 西安电子科技大学 | 基于纹理特征和slic的sar图像分割方法 |
| CN115953433A (zh) * | 2023-02-06 | 2023-04-11 | 宿迁学院 | 一种混合式图像目标跟踪方法 |
| CN115953433B (zh) * | 2023-02-06 | 2023-09-19 | 宿迁学院 | 一种混合式图像目标跟踪方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113313672A (zh) | 一种基于slic超像素分割和显著性检测算法的主动轮廓模型图像分割方法 | |
| Zhang et al. | Plant disease leaf image segmentation based on superpixel clustering and EM algorithm | |
| Žbontar et al. | Stereo matching by training a convolutional neural network to compare image patches | |
| US9349194B2 (en) | Method for superpixel life cycle management | |
| US9042648B2 (en) | Salient object segmentation | |
| Hexner et al. | 2D-3D pose estimation of heterogeneous objects using a region based approach | |
| CN102640168B (zh) | 用于基于局部二进制模式的面部特征定位的方法和设备 | |
| US8594434B2 (en) | Device, method, and computer-readable storage medium for segmentation of an image | |
| AU2017206289B2 (en) | Improved patch match convergence using metropolis-hastings | |
| JP2003108981A (ja) | 顔の特徴を位置確認するための方法及びコンピュータープログラム製品 | |
| KR20120138627A (ko) | 안면 추적 장치 및 방법 | |
| JP2002342756A (ja) | デジタル画像において目と口の位置を検出する方法 | |
| CN110853064B (zh) | 一种基于最小模糊散度的图像协同分割方法 | |
| WO2018010101A1 (en) | Method, apparatus and system for 3d face tracking | |
| CN108492302B (zh) | 神经层分割方法和装置、电子设备、存储介质 | |
| CN117437406A (zh) | 一种多目标检测的方法及装置 | |
| CN112907569A (zh) | 头部图像区域的分割方法、装置、电子设备和存储介质 | |
| Hou et al. | Robust human tracking based on DPM constrained multiple-kernel from a moving camera | |
| CN118115927B (zh) | 目标追踪方法、装置、计算机设备、存储介质及程序产品 | |
| Bobbia et al. | Iterative boundaries implicit identification for superpixels segmentation: a real-time approach | |
| EP3961495B1 (en) | System and method for finding an area of an eye from a facial image | |
| Shi et al. | Structured deep learning based object-specific distance estimation from a monocular image | |
| Singh et al. | A hybrid approach using color spatial variance and novel object position prior for salient object detection | |
| CN114118127A (zh) | 一种视觉场景标志检测与识别方法及装置 | |
| CN113780040B (zh) | 唇部关键点的定位方法及装置、存储介质、电子设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210827 |
|
| RJ01 | Rejection of invention patent application after publication |