CN113344947B - 一种超像素聚合分割方法 - Google Patents

一种超像素聚合分割方法 Download PDF

Info

Publication number
CN113344947B
CN113344947B CN202110608146.4A CN202110608146A CN113344947B CN 113344947 B CN113344947 B CN 113344947B CN 202110608146 A CN202110608146 A CN 202110608146A CN 113344947 B CN113344947 B CN 113344947B
Authority
CN
China
Prior art keywords
pixel
super
label
similarity
updating
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
Application number
CN202110608146.4A
Other languages
English (en)
Other versions
CN113344947A (zh
Inventor
张寅�
裴季方
崔美玲
王茹斐
黄钰林
霍伟博
杨海光
杨建宇
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110608146.4A priority Critical patent/CN113344947B/zh
Publication of CN113344947A publication Critical patent/CN113344947A/zh
Application granted granted Critical
Publication of CN113344947B publication Critical patent/CN113344947B/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
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种超像素聚合分割方法，本发明的方法通过扩大聚类中心的搜索范围，并添加约束条件，使聚类中心更快收敛到感兴趣目标区域；同时基于多向灰度共生矩阵相似的超像素聚合准则，利用区域纹理特征来生成更完整的超像素。本发明的方法克服了数据的依赖、硬件的高要求，同时缓解了过分割和欠分割现象，能够提高图像分割性能，有效获得完整的目标信息。

Description

一种超像素聚合分割方法
技术领域
本发明属于图像处理技术领域,涉及一种图像分割方法。
背景技术
作为雷达图像解译的前置基础环节，雷达图像分割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。雷达图像分割能够为后续的目标检测与识别提供潜在目标的整体结构信息，从而提高目标检测与识别的效率。目前，雷达图像分割技术已有较多有应用价值的研究成果，包括基于神经网络理论与传统的基于统计理论的分割方法。
基于神经网络的分割方法是近年来一个热门的研究方向，其主要思想是通过多层卷积运算来得到图像的高维耦合信息，但该方法往往需要考虑网络各部分结构设计对性能的影响，而且需要消耗较大的硬件算力，实际性能对训练数据样本的场景、目标类型较为依赖，泛化能力不稳定，典型如LONG J等人提出的“Fully convolutional networks forsemantic segmentation，Proceedings of the IEEE Conference Oil Computer Visionand Pattern Recognition.2015：3431-3440”。
基于统计的分割方法能够利用图像灰度、亮度等多个维度的特征信息，实现又好又快的像素级图像分割。由Achanta等人提出的基于简单线性迭代聚类(Simple LinearIterative Clustering，SLIC)的超像素分割方法是一种典型的基于统计的图像分割方法。SLIC利用像素的灰度与像素点之间的距离计算像素间的相似度，然后进行相似度判决聚类，计算简单，且对于场景变幻多端的图像均有较好的分割效果，具有重要研究意义与应用价值。然而，由于SLIC聚类中心更新时的搜索空间较小，在有限的迭代次数里会出现因聚类中心偏差而导致的欠分割现象，即原本属于前景目标的像素点被误分割为背景；此外，SLIC对超像素的数目设置非常敏感，有时会使得明显属于同一目标的像素被划分到不同的超像素，原本属于背景的像素点被误分割为前景目标，出现图像过分割现象。
发明内容
为解决现有的雷达图像分割过程中存在的上述问题，本发明提出了一种超像素聚合分割方法。
本发明的具体技术方案为：一种超像素聚合分割方法，包括如下步骤：
A.聚类中心分配与表征：对像素大小为M×N的图像，设定超像素初始个数为K，迭代次数为n；然后根据超像素的个数均匀分配聚类中心(种子点),第k(k＝1,2,...,K)个种子点对应标签为Lk；
B.像素标签更新：通过度量种子点与其邻域内的像素之间的特征相似性，更新各个像素的标签，对于每个种子点，设定以其一定大小的邻域为聚类搜索空间，对于第k个种子点与其领域内第i个像素的相似度Dk,i，由如下公式定义：
Figure BDA0003094870060000021
其中，gk,ck,rk分别为第k(k＝1,2,...,K)个种子点的灰度值、行坐标、列坐标，dg为灰度距离，dl为根据超像素的搜索空间大小归一化后的空间距离，S为相邻的两个种子点之间的距离，种子点与像素的相似度Dk,i为灰度距离与空间距离相加，系数α用于控制超像素的规则性，α越大，超像素形状越规则，α的取值范围为[0.001,1]；
各个像素的初始标签为0，初始相似度为无限大，聚类标签的更新由Dk,i决定，其更新规则如下：
Figure BDA0003094870060000022
其中，Dk′,i，Dk,i分别为当前和上一次保留的相似度计算结果，k′为像素更新标签的赋值，L′i，Li分别为像素更新和上一次的标签；
C.聚类中心更新：在当前同一标签像素区域内选取同时满足以下两个条件的像素点作为新的聚类中心：
1)梯度最小；
2)在满足梯度最小的情况下，灰度值最大；
D.超像素初步生成：重复步骤B、C，一共迭代n次，得到超像素初步生成结果。
E.超像素纹理表征：综合θ＝0°，45°，90°，135°四个方向的灰度共生矩阵，取其二阶统计量对比度和能量的算术平均值，作为超像素最终的纹理表征。
F.超像素聚合：将选定的超像素与其有至少一边邻接的超像素进行纹理相似性比较，得到差值t，其表达式如下：
Figure BDA0003094870060000031
其中,CONk、ENGk表示第k个超像素的对比度和能量，CONk″、ENGk″表示邻接超像素的对比度和能量；
当t符合以下条件时，更新超像素的标签：
Figure BDA0003094870060000032
其中,k为第k个超像素的标签值，k″为邻接超像素的标签值，T为预先设定的阈值；
经过步骤F的超像素聚合后，最终的空间邻近、灰度与纹理特征均相似的超像素生成，完成图像分割。
进一步的，步骤C中所述梯度的计算表达式为:
Gc,r＝(gc+1,r-gc,r)2+(gc,r+1-gc,r)2 (5)
其中，gc+1,r、gc,r+1、gc,r分别为坐标(c+1,r)、(c,r+1)、(c,r)处像素的灰度值，Gc,r为坐标(c,r)处像素的梯度值。
本发明的有益效果：本发明的方法通过扩大聚类中心的搜索范围，并添加约束条件，使聚类中心更快收敛到感兴趣目标区域；同时基于多向灰度共生矩阵相似的超像素聚合准则，利用区域纹理特征来生成更完整的超像素。本发明的方法克服了数据的依赖、硬件的高要求，同时缓解了过分割和欠分割现象，能够提高图像分割性能，有效获得完整的目标信息。
附图说明
图1为本发明方法流程示意图；
图2为本发明方法中聚类中心更新的示意图；
图3为本发明方法中超像素聚合的示意图；
图4为本发明方法中实施例的原始场景；
图5为本发明方法中实施例的分割结果。
具体实施方式
下面以合成孔径雷达图像为例对本发明方法进行说明。显然，所描述的实施例是本申请一个实施例，而不是全部的实施例。针对本申请中的实施例，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，都属于本申请的保护范围。
本发明方法具体流程如图1所示，包括如下步骤：
A.首先，对于M×N的图像，设定超像素初始个数为k0＝200，迭代次数为n＝5；然后分配聚类中心(种子点)，相邻的两个种子点之间的距离为
Figure BDA0003094870060000041
B.对于每个种子点，设定其2S×2S邻域为聚类搜索空间。根据式(1)计算第k个种子点与其领域内第i个像素的相似度Dk,i，其中,α取0.01；各个像素的初始标签为0，初始相似度为无限大，根据式(2)更新每个种子点搜索空间内的像素点的标签。
C.对于每一个聚类块，根据式(5)计算坐标(c,r)处像素的梯度值，选取梯度最小、灰度最大的像素点作为新的聚类中心，聚类中心更新如图2所示。
D.重复步骤B、C，进行像素标签的迭代更新，每重复一组步骤B、C，迭代次数加1，共迭代n次，得到包含K个超像素的图像，超像素聚合如图3所示。
E.以超像素初步生成图像(c,r)处灰度量级为i的像素为起点，统计与其在方向角为θ、距离为δ、灰度量级为j的像素同时出现的概率P(i,j,δ,θ)，得到频率相关矩阵GLCM。
根据式(6)计算二阶统计量对比度CON和能量ENG，并将θ＝0°，45°，90°，135°四个方向的灰度共生矩阵的二阶统计量对比度CON和能量ENG分别取算术平均值，作为超像素最终的纹理表征。
Figure BDA0003094870060000042
F.对于每个超像素，将其与邻接的超像素进行纹理相似性比较，根据式(3)比较两个超像素的纹理相似性，得到差值t，再根据式(4)更新超像素的标签，其中,T取200。
重复步骤F，直至K个超像素均完成纹理相似性比较。
经过超像素的纹理相似性比较步骤，合并了空间邻近、灰度与纹理特征均相似的超像素。经过步骤A～F，得到在空间、灰度、纹理这三个特性上具有相似性的同质超像素，进而完成雷达图像的分割。
图4为本发明方法中实施例的原始场景；图5为本发明方法中实施例的分割结果。可以看出，本发明的方法克服了数据的依赖、硬件的高要求，同时缓解了过分割和欠分割现象，能够提高图像分割性能，有效获得完整的目标信息。

Claims (1)

1.一种超像素聚合分割方法，包括如下步骤：
A.聚类中心分配与表征：对像素大小为M×N的图像，设定超像素初始个数为K，迭代次数为n；然后根据超像素的个数均匀分配聚类中心,第k(k＝1,2,...,K)个种子点对应标签为Lk；
B.像素标签更新：通过度量种子点与其邻域内的像素之间的特征相似性，更新各个像素的标签，对于每个种子点，设定以其一定大小的邻域为聚类搜索空间，对于第k个种子点与其邻域内第i个像素的相似度Dk,i，由如下公式定义：
Figure FDA0003564269040000011
其中，gk,ck,rk分别为第k(k＝1,2,...,K)个种子点的灰度值、行坐标、列坐标，dg为灰度距离，dl为根据超像素的搜索空间大小归一化后的空间距离，S为相邻的两个种子点之间的距离，种子点与像素的相似度Dk,i为灰度距离与空间距离相加，系数α用于控制超像素的规则性；
各个像素的初始标签为0，初始相似度为无限大，聚类标签的更新由Dk,i决定，其更新规则如下：
Figure FDA0003564269040000012
其中，Dk′,i，Dk,i分别为当前和上一次保留的相似度计算结果，k′为像素更新标签的赋值，Li′，Li分别为像素更新和上一次的标签；
C.聚类中心更新：在当前同一标签像素区域内选取同时满足以下两个条件的像素点作为新的聚类中心：
1)梯度最小；
所述梯度的计算表达式为：
Gc,r＝(gc+1,r-gc,r)2+(gc,r+1-gc,r)2
其中，gc+1,r、gc,r+1、gc,r分别为坐标(c+1,r)、(c,r+1)、(c,r)处像素的灰度值，Gc,r为坐标(c,r)处像素的梯度值；
2)在满足梯度最小的情况下，灰度值最大；
D.超像素初步生成：重复步骤B、C，一共迭代n次，得到超像素初步生成结果；
E.超像素纹理表征：综合θ＝0，45°，90，135°四个方向的灰度共生矩阵，取其二阶统计量对比度和能量的算术平均值，作为超像素最终的纹理表征；
F.超像素聚合：将选定的超像素与其有至少一边邻接的超像素进行纹理相似性比较，得到差值t，其表达式如下：
Figure FDA0003564269040000021
其中,CONk、ENGk表示第k个超像素的对比度和能量，CONk″、ENGk″表示邻接超像素的对比度和能量；
当t符合以下条件时，更新超像素的标签：
Figure FDA0003564269040000022
其中,k为第k个超像素的标签值，k″为邻接超像素的标签值，T为预先设定的阈值；
经过合并阶段后，最终的空间邻近、灰度与纹理特征均相似的超像素生成，完成图像分割。
CN202110608146.4A 2021-06-01 2021-06-01 一种超像素聚合分割方法 Active CN113344947B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110608146.4A CN113344947B (zh) 2021-06-01 2021-06-01 一种超像素聚合分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110608146.4A CN113344947B (zh) 2021-06-01 2021-06-01 一种超像素聚合分割方法

Publications (2)

Publication Number Publication Date
CN113344947A CN113344947A (zh) 2021-09-03
CN113344947B true CN113344947B (zh) 2022-05-10

Family

ID=77474074

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110608146.4A Active CN113344947B (zh) 2021-06-01 2021-06-01 一种超像素聚合分割方法

Country Status (1)

Country Link
CN (1) CN113344947B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115641331B (zh) * 2022-11-18 2023-03-28 山东天意装配式建筑装备研究院有限公司 一种墙板膜具喷涂效果的智能检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103871066A (zh) * 2014-03-27 2014-06-18 武汉大学 超声图像Ncut分割中相似度矩阵的构造方法
CN104282008A (zh) * 2013-07-01 2015-01-14 株式会社日立制作所 对图像进行纹理分割的方法和装置
CN108428236A (zh) * 2018-03-28 2018-08-21 西安电子科技大学 基于特征公平集成的多目标sar图像分割方法
CN108876797A (zh) * 2018-06-08 2018-11-23 长安大学 一种基于Spiking-SOM神经网络聚类的图像分割系统及方法
CN109191466A (zh) * 2018-07-19 2019-01-11 中国矿业大学 一种基于谱聚类的图像分割方法与系统
CN110084205A (zh) * 2019-04-30 2019-08-02 合肥工业大学 一种基于改进的面向对象高分辨率遥感影像分类方法
CN111709483A (zh) * 2020-06-18 2020-09-25 山东财经大学 一种基于多特征的超像素聚类方法及设备
CN112396619A (zh) * 2019-08-15 2021-02-23 电子科技大学 一种基于语义分割的内部复杂组成的小型颗粒分割方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040130546A1 (en) * 2003-01-06 2004-07-08 Porikli Fatih M. Region growing with adaptive thresholds and distance function parameters
CN102945553B (zh) * 2012-11-27 2014-12-17 西安电子科技大学 基于自动差分聚类算法的遥感图像分割方法
CN107688783B (zh) * 2017-08-23 2020-07-07 京东方科技集团股份有限公司 3d图像检测方法、装置、电子设备及计算机可读介质
CN109598726A (zh) * 2018-10-26 2019-04-09 哈尔滨理工大学 一种基于slic的自适应图像目标区域分割方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104282008A (zh) * 2013-07-01 2015-01-14 株式会社日立制作所 对图像进行纹理分割的方法和装置
CN103871066A (zh) * 2014-03-27 2014-06-18 武汉大学 超声图像Ncut分割中相似度矩阵的构造方法
CN108428236A (zh) * 2018-03-28 2018-08-21 西安电子科技大学 基于特征公平集成的多目标sar图像分割方法
CN108876797A (zh) * 2018-06-08 2018-11-23 长安大学 一种基于Spiking-SOM神经网络聚类的图像分割系统及方法
CN109191466A (zh) * 2018-07-19 2019-01-11 中国矿业大学 一种基于谱聚类的图像分割方法与系统
CN110084205A (zh) * 2019-04-30 2019-08-02 合肥工业大学 一种基于改进的面向对象高分辨率遥感影像分类方法
CN112396619A (zh) * 2019-08-15 2021-02-23 电子科技大学 一种基于语义分割的内部复杂组成的小型颗粒分割方法
CN111709483A (zh) * 2020-06-18 2020-09-25 山东财经大学 一种基于多特征的超像素聚类方法及设备

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A Superpixel Aggregation Method Based on Multi-Direction Gray Level Co-Occurrence Matrix for Sar Image Segmentation;Cui M 等;《2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS》;20211012;3487-3490 *
Extraction of slum areas from VHR imagery using GLCM variance;Kuffer M 等;《IEEE Journal of selected topics in applied earth observations and remote sensing》;20161231;第9卷(第5期);1830-1840 *
基于支持向量机和灰度共生矩阵的纹理图像分割方法;陈英 等;《传感器与微系统》;20120920;第31卷(第9期);60-63 *
基于最大异类距离特征提取的SAR目标识别方法;王兵 等;《中国科学:技术科学》;20110420;第41卷(第10期);1388-1392 *
基于灰度共生矩阵的图像分割方法研究;宁顺刚;《电子科技》;20091115;第22卷(第11期);69-71+91 *
基于邻域判别嵌入的SAR自动目标识别研究;裴季方;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20140115(第1期);I136-1172 *

Also Published As

Publication number Publication date
CN113344947A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
Wei et al. Superpixel hierarchy
CN109064514B (zh) 一种基于投影点坐标回归的六自由度位姿估计方法
CN108537239B (zh) 一种图像显著性目标检测的方法
CN109559328B (zh) 一种基于贝叶斯估计与水平集的快速图像分割方法及装置
CN111583279A (zh) 一种基于pcba的超像素图像分割方法
CN109636809B (zh) 一种基于尺度感知的图像分割层次选择方法
CN113989582A (zh) 一种基于密集语义对比的自监督视觉模型预训练方法
Li et al. Superpixel segmentation based on spatially constrained subspace clustering
CN113344947B (zh) 一种超像素聚合分割方法
CN109741358B (zh) 基于自适应超图学习的超像素分割方法
Li et al. Saliency detection via alternative optimization adaptive influence matrix model
CN110992379A (zh) 一种基于方向超像素的快速图像分割方法
CN108280845B (zh) 一种针对复杂背景的尺度自适应目标跟踪方法
CN111062274B (zh) 上下文感知嵌入的人群计数方法、系统、介质及电子设备
CN111161289A (zh) 图像中物体轮廓精度提升方法、装置和计算机程序产品
CN115690439A (zh) 基于图像平面的特征点聚集方法、装置及电子设备
WO2022121545A1 (zh) 一种基于图卷积网络的网格分割方法
Sabaneh et al. Improving SLIC superpixel by color difference-based region merging
Wang et al. Adaptive hypergraph superpixels
Ni et al. Agglomerative oversegmentation using dual similarity and entropy rate
CN109522813B (zh) 一种基于行人显著特征的改进随机游走算法
Wang et al. PolSAR-SSN: an end-to-end superpixel sampling network for PolSAR image classification
Cui et al. A superpixel aggregation method based on multi-direction gray level co-occurrence matrix for SAR image segmentation
Fu et al. Image Segmentation Method Based on Hierarchical Region Merging's NCUT
CN116612385B (zh) 基于深度高分辨率关系图卷积的遥感影像多类信息提取方法与系统

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