CN113362342B - 一种图像分割方法及其相关装置 - Google Patents
一种图像分割方法及其相关装置 Download PDFInfo
- Publication number
- CN113362342B CN113362342B CN202110678955.2A CN202110678955A CN113362342B CN 113362342 B CN113362342 B CN 113362342B CN 202110678955 A CN202110678955 A CN 202110678955A CN 113362342 B CN113362342 B CN 113362342B
- Authority
- CN
- China
- Prior art keywords
- entropy function
- function value
- regularization coefficient
- partition
- optimization range
- 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
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06T2207/20081—Training; Learning
Abstract
本申请公开了一种图像分割方法及其相关装置,在获取到待分割图像后构建聚类目标函数和划分熵函数;在确定划分熵函数值优化范围后,获取随机数作为当前正则化系数,并将当前正则化系数对应的划分熵函数值的最小值作为当前划分熵函数值;比较当前划分熵函数值与划分熵函数值优化范围中最大值、最小值的大小,并根据比较结果缩小划分熵函数值优化范围,得到新的划分熵函数值优化范围,迭代优化,直至新的划分熵函数值优化范围满足预置收敛条件,基于新的划分熵函数值优化范围获取最优正则化系数,基于该最优正则化系数实现图像分割,改善了现有的图像分割方法存在的图像分割准确率不高的技术问题。
Description
技术领域
本申请图像处理技术领域,尤其涉及一种图像分割方法及其相关装置。
背景技术
图像分割是将图像分割成不同的区域或类别,这些区域或类别对应于不同的对象部分或对象。图像分割对于医学图像的各种图像分析、可视化和诊断具有重要意义。
现有技术通常采用聚类方法来进行图像分割,可以较好的利用图像之间的局部信息等来达到较好的分割效果,但是这些方法在确定局部信息时耗费的时间较长,且对于不同的图像数据往往需要选取不同的参数才能达到较好的分割效果,但合适的参数往往是难以确定的,使得图像分割准确率不高。
发明内容
本申请提供了一种图像分割方法及其相关装置,用于改善现有的图像分割方法存在的图像分割准确率不高的技术问题。
有鉴于此,本申请第一方面提供了一种图像分割方法,包括:
S1、基于获取的待分割图像构建聚类目标函数,并基于所述聚类目标函数构建基于正则化系数的划分熵函数;
S2、确定划分熵函数值优化范围;
S3、将在第一预置范围内生成的若干随机数作为当前正则化系数代入所述聚类目标函数,并根据得到的聚类目标函数值和所述划分熵函数获取划分熵函数值,将所述划分熵函数值的最小值作为当前划分熵函数值;
S4、比较所述当前划分熵函数值与所述划分熵函数值优化范围中最大值、最小值的大小,并根据比较结果缩小所述划分熵函数值优化范围,得到新的划分熵函数值优化范围;
S5、判断所述新的划分熵函数值优化范围是否满足预置收敛条件,若是,则基于所述新的划分熵函数值优化范围获取最优正则化系数,并执行步骤S6,若否,则返回步骤S3;
S6、将所述最优正则化系数代入所述聚类目标函数,获取所述待分割图像中每个像素的类别和聚类中心,并基于所述聚类中心和每个像素的类别对所述待分割图像进行图像分割。
可选的,所述确定划分熵函数值优化范围,包括:
确定第一正则化系数和第二正则化系数后,根据所述第一正则化系数对应的划分熵函数值和所述第二正则化系数对应的划分熵函数值确定划分熵函数值优化范围。
可选的,所述第一正则化系数和所述第二正则化系数的确定过程为:
将在第二预置范围内生成的若干随机数作为初始正则化系数代入所述聚类目标函数,并根据得到的聚类目标函数值和所述划分熵函数获取所述初始正则化系数对应的划分熵函数值;
将该划分熵函数值的最小值对应的初始正则化系数作为第一正则化系数;
将正则化系数取值为0,得到第二正则化系数。
可选的,所述基于所述新的划分熵函数值优化范围获取最优正则化系数,包括:
在所述新的划分熵函数值优化范围中随机选择一个数值对应的正则化系数作为最优正则化系数。
本申请第二方面提供了一种图像分割装置,包括:
构建单元,用于基于获取的待分割图像构建聚类目标函数,并基于所述聚类目标函数构建基于正则化系数的划分熵函数;
确定单元,用于确定划分熵函数值优化范围;
获取单元,用于将在第一预置范围内生成的若干随机数作为当前正则化系数代入所述聚类目标函数,并根据得到的聚类目标函数值和所述划分熵函数获取划分熵函数值,将所述划分熵函数值的最小值作为当前划分熵函数值;
比较单元,用于比较所述当前划分熵函数值与所述划分熵函数值优化范围中最大值、最小值的大小,并根据比较结果缩小所述划分熵函数值优化范围,得到新的划分熵函数值优化范围;
判断单元,用于判断所述新的划分熵函数值优化范围是否满足预置收敛条件,若是,则基于所述新的划分熵函数值优化范围获取最优正则化系数,并触发分割单元,若否,则触发所述获取单元;
所述分割单元,用于将所述最优正则化系数代入所述聚类目标函数,获取所述待分割图像中每个像素的类别和聚类中心,并基于所述聚类中心和每个像素的类别对所述待分割图像进行图像分割。
可选的,所述确定单元具体用于:
确定第一正则化系数和第二正则化系数后,根据所述第一正则化系数对应的划分熵函数值和所述第二正则化系数对应的划分熵函数值确定划分熵函数值优化范围。
可选的,所述第一正则化系数和所述第二正则化系数的确定过程为:
将在第二预置范围内生成的若干随机数作为初始正则化系数代入所述聚类目标函数,并根据得到的聚类目标函数值和所述划分熵函数获取所述初始正则化系数对应的划分熵函数值;
将该划分熵函数值的最小值对应的初始正则化系数作为第一正则化系数;
将正则化系数取值为0,得到第二正则化系数。
本申请第三方面提供了一种图像分割设备,所述设备包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行第一方面任一种所述的图像分割方法。
本申请第四方面提供了一种计算机可读存储介质所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行第一方面任一种所述的图像分割方法。
从以上技术方案可以看出,本申请具有以下优点:
本申请提供了一种图像分割方法,包括:S1、基于获取的待分割图像构建聚类目标函数,并基于聚类目标函数构建基于正则化系数的划分熵函数;S2、确定划分熵函数值优化范围;S3、将在第一预置范围内生成的若干随机数作为当前正则化系数代入聚类目标函数,并根据得到的聚类目标函数值和划分熵函数获取划分熵函数值,将划分熵函数值的最小值作为当前划分熵函数值;S4、比较当前划分熵函数值与划分熵函数值优化范围中最大值、最小值的大小,并根据比较结果缩小划分熵函数值优化范围,得到新的划分熵函数值优化范围;S5、判断新的划分熵函数值优化范围是否满足预置收敛条件,若是,则基于新的划分熵函数值优化范围获取最优正则化系数,并执行步骤S6,若否,则返回步骤S3;S6、将最优正则化系数代入聚类目标函数,获取待分割图像中每个像素的类别和聚类中心,并基于聚类中心和每个像素的类别对待分割图像进行图像分割。
本申请中,在获取到待分割图像后构建聚类目标函数,并基于聚类目标函数构建基于正则化系数的划分熵函数,在确定划分熵函数值优化范围后,将在第一预置范围内生成的若干随机数作为当前正则化系数,将当前正则化系数对应的划分熵函数值的最小值作为当前划分熵函数值;比较当前划分熵函数值与划分熵函数值优化范围中最大值、最小值的大小,并根据比较结果缩小划分熵函数值优化范围,得到新的划分熵函数值优化范围,迭代优化,直至新的划分熵函数值优化范围满足预置收敛条件,基于新的划分熵函数值优化范围获取最优正则化系数,基于该最优正则化系数实现图像分割,改善了现有的图像分割方法存在的图像分割准确率不高的技术问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的一种图像分割方法的一个流程示意图;
图2为本申请实施例提供的一种图像分割装置的一个结构示意图。
具体实施方式
本申请提供了一种图像分割方法及其相关装置,用于改善现有的图像分割方法存在的图像分割准确率不高的技术问题。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
为了便于理解,请参阅图1,本申请提供的一种图像分割方法的一个实施例,包括:
步骤101、基于获取的待分割图像构建聚类目标函数,并基于聚类目标函数构建基于正则化系数的划分熵函数。
设获取的待分割图像X在p维的欧几里得空间Rp中的n个样本为X={x1,x2,...,xj,...xn}∈Rp,其中,j=1,2,...,n。则构建的聚类目标函数为:
式中,c为预先给定的聚类中心数,1<c<n;vi为第i类别的聚类中心,uij为样本j属于第i类别的程度;λ为正则化系数,对于不同分辨率大小的图像,需要设置不同的正则化系数。
通过拉格朗日乘数法求解上述聚类目标函数,得:
不同的数据集需要不同的λ取值,由于图像数据集大小差异较大,故通过上述聚类目标函数得到的类别因为λ的不确定性无法直接应用在图像分割。
为了改善上述问题,本申请实施例建立求解最适λ的划分熵函数,即:
将上述uij的关系式代入上述划分熵函数,得:
步骤102、确定划分熵函数值优化范围。
首先,确定第一正则化系数和第二正则化系数,具体确定过程为:将在第二预置范围内生成的若干随机数作为初始正则化系数代入聚类目标函数,并根据得到的聚类目标函数值和划分熵函数获取初始正则化系数对应的划分熵函数值;将该划分熵函数值的最小值对应的初始正则化系数作为第一正则化系数;将正则化系数取值为0,得到第二正则化系数。
其次,确定第一正则化系数和第二正则化系数后,根据第一正则化系数对应的划分熵函数值和第二正则化系数对应的划分熵函数值确定划分熵函数值优化范围。
具体的,可以在范围(0,1]生成100个(可以根据实际情况设置)随机数作为初始λ值(即初始正则化系数),将该100个初始λ值代入聚类目标函数计算得到uij、vi后,将uij、vi代入划分熵函数,得到100个划分熵函数值。将计算得到的划分熵函数值的最小值对应的初始λ值作为当前最佳正则化系数,即第一正则化系数λbest,第一正则化系数λbest对应的划分熵函数值为Enportybest。将λ=0作为其次的最佳正则化系数,即第二正则化系数λgood,将λgood=0代入聚类目标函数,得:
通过上式求解得到uij、vi,进而计算得到第二正则化系数λgood对应的划分熵函数值Enportygood,即:
将划分熵函数值Enportygood和划分熵函数值Enportybest作为上下限,可以得到划分熵函数值优化范围,即[Enportybest,Enportygood]。
本申请实施例中不取100个初始λ值中的第二佳λ值,而取0作为第二正则化系数,是为了防止算法早熟,陷入局部最优。
步骤103、将在第一预置范围内生成的若干随机数作为当前正则化系数代入聚类目标函数,并根据得到的聚类目标函数值和划分熵函数获取划分熵函数值,将划分熵函数值的最小值作为当前划分熵函数值。
在迭代优化时,可以在范围(0,1]生成10个随机数作为当前正则化系数分别代入聚类目标函数,计算得到的uij、vi代入划分熵函数得到当前正则化系数对应的划分熵函数值,并将这些划分熵函数值中的最小值作为当前划分熵函数值Enportynow,当前划分熵函数值Enportynow对应的当前正则化系数为λnow。
步骤104、比较当前划分熵函数值与划分熵函数值优化范围中最大值、最小值的大小,并根据比较结果缩小划分熵函数值优化范围,得到新的划分熵函数值优化范围。
比较当前划分熵函数值Enportynow与第一正则化系数对应的划分熵函数值Enportybest、第二正则化系数对应的划分熵函数值Enportygood的大小,采用二分搜索法来快速缩小划分熵函数值优化范围。
具体的,当Enportybest<Enportynow<Enportygood时,取Enportygood=Enportynow,λgood=λnow,此时缩小后得到的新的划分熵函数值优化范围实际为[Enportybest,Enportynow]。
当Enportynow<Enportybest时,取Enportygood=Enportybest,λgood=λbest;Enportybest=Enportynow,λbest=λnow,此时缩小后得到的新的划分熵函数值优化范围实际为[Enportynow,Enportybest]。
当Enportynow>Enportygood时,保留原划分熵函数值优化范围。
本申请实施例考虑到现有技术中采用邻域加权的聚类方法来实现图像分割,存在分割模糊度高(模糊度低较好),像素点分类不确定性强,且基于邻域进行加权计算的复杂度较高,图像分割效率低的问题,采用二分搜索法确定最佳正则化系数,使得分割结果模糊度较低,并且在迭代中内嵌划分熵函数,以相对较低的复杂度完成图像分割,提高了图像分割效率。
步骤105、判断新的划分熵函数值优化范围是否满足预置收敛条件,若是,则基于新的划分熵函数值优化范围获取最优正则化系数,并执行步骤106,若否,则返回步骤103。
判断新的划分熵函数值优化范围是否满足预置收敛条件,预置收敛条件为划分熵函数值优化范围中的最大划分熵函数值与最小划分熵函数值之间最够小,最优的是最大划分熵函数值与最小划分熵函数值为一个值。即可以通过判断新的划分熵函数值优化范围中的最大划分熵函数值与最小划分熵函数值的差值是否小于预置阈值,来确定新的划分熵函数值优化范围是否满足预置收敛条件。
当新的划分熵函数值优化范围中的最大划分熵函数值与最小划分熵函数值的差值小于预置阈值时,则满足预置收敛条件,此时基于该新的划分熵函数值优化范围获取最优正则化系数,具体的,可以在新的划分熵函数值优化范围中随机选择一个数值对应的正则化系数作为最优正则化系数。当新的划分熵函数值优化范围中的最大划分熵函数值与最小划分熵函数值的差值大于或等于预置阈值时,则不满足预置收敛条件,返回步骤103,重新生成随机数获取当前正则化系数,重复迭代优化,直至满足预置收敛条件。
步骤106、将最优正则化系数代入聚类目标函数,获取待分割图像中每个像素的类别和聚类中心,并基于聚类中心和每个像素的类别对待分割图像进行图像分割。
将最优正则化系数代入聚类目标函数,获取待分割图像中每个像素的类别和聚类中心,每个像素的类别根据计算得到的每个像素对应的最大的uij确定。
本申请实施例中,在获取到待分割图像后构建聚类目标函数,并基于聚类目标函数构建基于正则化系数的划分熵函数,在确定划分熵函数值优化范围后,将在第一预置范围内生成的若干随机数作为当前正则化系数,将基于当前正则化系数对应的划分熵函数值的最小值作为当前划分熵函数值;比较当前划分熵函数值与第一正则化系数对应的划分熵函数值、第二正则化系数对应的划分熵函数值的大小,并根据比较结果缩小划分熵函数值优化范围,得到新的划分熵函数值优化范围,迭代优化,直至新的划分熵函数值优化范围满足预置收敛条件,基于新的划分熵函数值优化范围获取最优正则化系数,基于该最优正则化系数实现图像分割,改善了现有的图像分割方法存在的图像分割准确率不高的技术问题。
进一步,本申请实施例采用二分搜索法确定最佳正则化系数,使得分割结果模糊度较低,并且在迭代中内嵌划分熵函数,以相对较低的复杂度完成图像分割,提高了图像分割效率,改善了考现有技术采用邻域加权的聚类方法来实现图像分割,存在分割模糊度高(模糊度低较好),像素点分类不确定性强,且基于邻域进行加权计算的复杂度较高,图像分割效率低的问题。
以上为本申请提供的一种图像分割方法的一个实施例,以下为本申请提供的一种图像分割装置的一个实施例。
请参考图2,本申请实施例提供的一种图像分割装置,包括:
构建单元,用于基于获取的待分割图像构建聚类目标函数,并基于聚类目标函数构建基于正则化系数的划分熵函数;
确定单元,用于确定划分熵函数值优化范围;
获取单元,用于将在第一预置范围内生成的若干随机数作为当前正则化系数代入聚类目标函数,并根据得到的聚类目标函数值和划分熵函数获取划分熵函数值,将划分熵函数值的最小值作为当前划分熵函数值;
比较单元,用于比较当前划分熵函数值与划分熵函数值优化范围中最大值、最小值的大小,并根据比较结果缩小划分熵函数值优化范围,得到新的划分熵函数值优化范围;
判断单元,用于判断新的划分熵函数值优化范围是否满足预置收敛条件,若是,则基于新的划分熵函数值优化范围获取最优正则化系数,并触发分割单元,若否,则触发获取单元;
分割单元,用于将最优正则化系数代入聚类目标函数,获取待分割图像中每个像素的类别和聚类中心,并基于聚类中心和每个像素的类别对待分割图像进行图像分割。
作为进一步地改进,确定单元具体用于:
确定第一正则化系数和第二正则化系数后,根据第一正则化系数对应的划分熵函数值和第二正则化系数对应的划分熵函数值确定划分熵函数值优化范围。
作为进一步地改进,第一正则化系数和第二正则化系数的确定过程为:
将在第二预置范围内生成的若干随机数作为初始正则化系数代入聚类目标函数,并根据得到的聚类目标函数值和划分熵函数获取初始正则化系数对应的划分熵函数值;
将该划分熵函数值的最小值对应的初始正则化系数作为第一正则化系数;
将正则化系数取值为0,得到第二正则化系数。
本申请中,在获取到待分割图像后构建聚类目标函数,并基于聚类目标函数构建基于正则化系数的划分熵函数,在确定划分熵函数值优化范围后,将在第一预置范围内生成的若干随机数作为当前正则化系数,将基于当前正则化系数对应的划分熵函数值的最小值作为当前划分熵函数值;比较当前划分熵函数值与划分熵函数值优化范围中最大值、最小值的大小,并根据比较结果缩小划分熵函数值优化范围,得到新的划分熵函数值优化范围,迭代优化,直至新的划分熵函数值优化范围满足预置收敛条件,基于新的划分熵函数值优化范围获取最优正则化系数,基于该最优正则化系数实现图像分割,改善了现有的图像分割方法存在的图像分割准确率不高的技术问题。
进一步,本申请实施例采用二分搜索法确定最佳正则化系数,使得分割结果模糊度较低,并且在迭代中内嵌划分熵函数,以相对较低的复杂度完成图像分割,提高了图像分割效率,改善了考现有技术采用邻域加权的聚类方法来实现图像分割,存在分割模糊度高(模糊度低较好),像素点分类不确定性强,且基于邻域进行加权计算的复杂度较高,图像分割效率低的问题。
本申请实施例还提供了一种图像分割设备,设备包括处理器以及存储器;
存储器用于存储程序代码,并将程序代码传输给处理器;
处理器用于根据程序代码中的指令执行前述方法实施例中的图像分割方法。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质用于存储程序代码,程序代码用于执行前述方法实施例中的图像分割方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以通过一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (4)
1.一种图像分割方法,其特征在于,包括:
S1、基于获取的待分割图像构建聚类目标函数,并基于所述聚类目标函数构建基于正则化系数的划分熵函数;
S2、确定划分熵函数值优化范围;
S3、将在第一预置范围内生成的若干随机数作为当前正则化系数代入所述聚类目标函数,并根据得到的聚类目标函数值和所述划分熵函数获取划分熵函数值,将所述划分熵函数值的最小值作为当前划分熵函数值;
S4、比较所述当前划分熵函数值与所述划分熵函数值优化范围中最大值、最小值的大小,并根据比较结果缩小所述划分熵函数值优化范围,得到新的划分熵函数值优化范围;
S5、判断所述新的划分熵函数值优化范围是否满足预置收敛条件,若是,则基于所述新的划分熵函数值优化范围获取最优正则化系数,并执行步骤S6,若否,则返回步骤S3;
S6、将所述最优正则化系数代入所述聚类目标函数,获取所述待分割图像中每个像素的类别和聚类中心,并基于所述聚类中心和每个像素的类别对所述待分割图像进行图像分割;
所述确定划分熵函数值优化范围,包括:
确定第一正则化系数和第二正则化系数后,根据所述第一正则化系数对应的划分熵函数值和所述第二正则化系数对应的划分熵函数值确定划分熵函数值优化范围;
所述第一正则化系数和所述第二正则化系数的确定过程为:
将在第二预置范围内生成的若干随机数作为初始正则化系数代入所述聚类目标函数,并根据得到的聚类目标函数值和所述划分熵函数获取所述初始正则化系数对应的划分熵函数值;
将该划分熵函数值的最小值对应的初始正则化系数作为第一正则化系数;
将正则化系数取值为0,得到第二正则化系数。
2.根据权利要求1所述的图像分割方法,其特征在于,所述基于所述新的划分熵函数值优化范围获取最优正则化系数,包括:
在所述新的划分熵函数值优化范围中随机选择一个数值对应的正则化系数作为最优正则化系数。
3.一种图像分割设备,其特征在于,所述设备包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-2任一项所述的图像分割方法。
4.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-2任一项所述的图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110678955.2A CN113362342B (zh) | 2021-06-18 | 2021-06-18 | 一种图像分割方法及其相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110678955.2A CN113362342B (zh) | 2021-06-18 | 2021-06-18 | 一种图像分割方法及其相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113362342A CN113362342A (zh) | 2021-09-07 |
CN113362342B true CN113362342B (zh) | 2022-06-28 |
Family
ID=77535021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110678955.2A Active CN113362342B (zh) | 2021-06-18 | 2021-06-18 | 一种图像分割方法及其相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113362342B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942557A (zh) * | 2014-01-28 | 2014-07-23 | 西安科技大学 | 一种煤矿井下图像预处理方法 |
CN106408571A (zh) * | 2016-09-20 | 2017-02-15 | 辽宁工程技术大学 | 一种基于最优模糊因子选择的可变类遥感图像分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006285952A (ja) * | 2005-03-11 | 2006-10-19 | Sony Corp | 画像処理方法、画像処理装置、プログラムおよび記録媒体 |
-
2021
- 2021-06-18 CN CN202110678955.2A patent/CN113362342B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942557A (zh) * | 2014-01-28 | 2014-07-23 | 西安科技大学 | 一种煤矿井下图像预处理方法 |
CN106408571A (zh) * | 2016-09-20 | 2017-02-15 | 辽宁工程技术大学 | 一种基于最优模糊因子选择的可变类遥感图像分割方法 |
Non-Patent Citations (2)
Title |
---|
A hybrid approach for Maximum Entropy clustering using Salp Swarm Algorithm;Jiongzhi Liu et al.;《2020 International Symposium on Computer Engineering and Intelligent Communications (ISCEIC)》;20210122;第107-110页 * |
FCCM算法中基于划分熵的参数优选方法;刘永利 等;《河南理工大学学报(自然科学版)》;20160430;第35卷(第2期);第248-253、273页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113362342A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Cross-based local stereo matching using orthogonal integral images | |
US10728553B2 (en) | Visual quality preserving quantization parameter prediction with deep neural network | |
CN108171663B (zh) | 基于特征图最近邻替换的卷积神经网络的图像填充系统 | |
CN108337551B (zh) | 一种屏幕录制方法、存储介质及终端设备 | |
CN111291768B (zh) | 图像特征匹配方法及装置、设备、存储介质 | |
CN112328715B (zh) | 视觉定位方法及相关模型的训练方法及相关装置、设备 | |
CN107169962B (zh) | 基于空间密度约束核模糊聚类的灰度图像快速分割方法 | |
CN112116610A (zh) | 一种遥感影像分割方法、系统、终端以及存储介质 | |
WO2022179083A1 (zh) | 图像检测方法、装置、设备、介质和程序 | |
CN110533632B (zh) | 图像模糊篡改检测方法、装置、计算机设备和存储介质 | |
CN107729935A (zh) | 相似图片的识别方法和装置、服务器、存储介质 | |
CN112800850A (zh) | 一种视频处理方法、装置、电子设备及存储介质 | |
Pok et al. | Efficient block matching for removing impulse noise | |
CN107392211B (zh) | 基于视觉稀疏认知的显著目标检测方法 | |
Qin et al. | SAR image segmentation via hierarchical region merging and edge evolving with generalized gamma distribution | |
CN108363740B (zh) | Ip地址的分析方法、装置、存储介质及终端 | |
CN110929731B (zh) | 一种基于探路者智能搜索算法的医疗影像处理方法及装置 | |
CN111506624B (zh) | 一种电力缺失数据辨识方法和相关装置 | |
CN113362342B (zh) | 一种图像分割方法及其相关装置 | |
WO2021000495A1 (zh) | 一种图像处理方法以及装置 | |
CN111192302A (zh) | 一种基于运动平滑性和ransac算法的特征匹配方法 | |
CN111814884A (zh) | 一种基于可变形卷积的目标检测网络模型的升级方法 | |
CN116580174A (zh) | 一种虚拟场景实时构建方法 | |
Lee et al. | Parallel block sequential closed-form matting with fan-shaped partitions | |
CN111401392B (zh) | 聚类集成方法及装置、电子设备及存储介质 |
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 |