CN114219822A - 面向对象模糊聚类图像分割方法、系统、终端及存储介质 - Google Patents
面向对象模糊聚类图像分割方法、系统、终端及存储介质 Download PDFInfo
- Publication number
- CN114219822A CN114219822A CN202111532773.0A CN202111532773A CN114219822A CN 114219822 A CN114219822 A CN 114219822A CN 202111532773 A CN202111532773 A CN 202111532773A CN 114219822 A CN114219822 A CN 114219822A
- Authority
- CN
- China
- Prior art keywords
- cluster
- fuzzy clustering
- oriented
- image segmentation
- fuzzy
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003709 image segmentation Methods 0.000 title claims abstract description 45
- 230000001788 irregular Effects 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 35
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 abstract description 39
- 230000003595 spectral effect Effects 0.000 abstract description 4
- 230000036039 immunity Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 150000003839 salts Chemical class 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
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/46—Analysis of texture based on statistical description of texture using random fields
-
- 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
- G06T2207/20112—Image segmentation details
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本申请提供的面向对象模糊聚类图像分割方法、系统、终端及存储介质,在影像域中随机确定若干个生成点,将影像域划分为若干个非规则区域,形成对象,构建像素关于邻域像素的特征场马尔可夫模型,用以刻画对象与聚类的模糊非相似性,并基于标号场构建对象关于聚类的先验概率,并据此构建基于特征场MRF的面向对象模糊聚类目标函数,以目标函数最小化为准则,结合MH算法优化生成点,调整对象覆盖范围,以进一步准确拟合同质区域边界,得到最佳分割结果,本申请提供的面向对象模糊聚类图像分割方法、系统、终端及存储介质,在保证算法具有较强抗噪性的同时,避免因对象间光谱特征相似导致的误分割问题,进一步提高图像分割精度。
Description
技术领域
本申请属于图像处理技术领域,具体涉及一种面向对象模糊聚类图像分割方法、系统、终端及存储介质。
背景技术
随着遥感影像空间分辨率的不断提高,地物细节信息更加丰富。传统像素级分割方法即使引入了模糊集理论也难以有效克服冗余细节信息的影响,如FCM算法、FCM_S算法、FLICM算法、RFLICM算法及HMRF-FCM算法等,导致分割结果中存在大量“椒盐”现象,分割效果较差。为了克服冗余细节信息,面向对象的遥感图像分割方法展现出强大的优势。其将特征相似的空间临近像素聚集形成对象,然后以对象为基本操作单元构建分割模型,在克服噪声提高分割精度方面取得了良好的成就。然而,当前面向对象的分割方法一般基于对象结果直接实现分割,缺乏依据全局自适应调整劣质对象的机制,导致分割结果过度依赖对象构建结果。为了刻画对象分割过程中的不确定性并自适应优化对象,R-HMRF-FCM算法将基本处理单元由像素扩展到对象,基于高斯分布构建对象与聚类间模糊非相似性,并将像素级熵规则化项扩展到对象级熵规则化项,据此建立面向对象的模糊聚类目标函数,并结合对象自适应调整机制优化同质区域分割边界。该方法可有效克服高分辨率冗余噪声对分割结果的影像,但是由于缺乏考虑对象内像素空间相互作用机制,导致算法在致力于克服噪声的同时容易忽略对象内有效细节信息,导致光谱相近纹理等空间结构特征不同的对象极易被误分割,影响分割精度。
发明内容
鉴于此,有必要针对现有技术存在的缺陷提供一种可提高分割精度的面向对象模糊聚类图像分割方法。
为解决上述问题,本申请采用下述技术方案:
本申请提供了一种面向对象模糊聚类图像分割方法,包括下述步骤:
步骤S110:将待分割图像域划分为若干个非规则区域;
步骤S120:获取基于特征场MRF模型的对象与聚类间模糊非相似性;
步骤S130:获取基于标号场MRF模型的对象隶属于聚类的先验概率;
步骤S140:获取对象隶属于聚类的模糊隶属度;
步骤S150:获取面向对象模糊聚类目标函数;
步骤S160:优化生成点集;
步骤S170:重复步骤S120-步骤S160,直至所述目标函数达到最小化时停止迭代。
在其中一些实施例中,在将待分割图像域划分为若干个非规则区域的步骤中,所述待分割图像I={Ii(xi,yi):(xi,yi)∈Ω,i=1,...,n},其中,Ii=(Iis:s=1,...,h)为第i个像素的彩色矢量,是特征场Z={Zi:(xi,yi)∈Ω,i=1,...,n}在i上的具体实现,s为矢量维度索引,h为维度数,(xi,yi)为第i个像素的位置坐标,n为总像素数,Ω为待分割图像域。
在其中一些实施例中,在将待分割图像域划分为若干个非规则区域的步骤中,具体包括下述步骤:
在待分割图像域Ω中随机产生m个生成点,得到初始生成点集合;
G={(aj,bj):(aj,bj)∈Ω,j=1,...,m},其中,(aj,bj)为第j个生成点的位置坐标。以各生成点为中心,采用空间距离最小化原则将待分割图像域Ω划分为m非规则区域,形成对象R={Rj:j=1,...,m},Rj所属聚类标号Lj可看作标号场F={Fj:j=1,...,m}在j上的具体实现。
在其中一些实施例中,在获取基于特征场MRF模型的对象与聚类间模糊非相似性的步骤中,具体包括下述步骤:
其中,ujl为对象j隶属于聚类l的模糊隶属度,ξ为特征场邻域作用强度,δi={i’:i’~i}为像素i的邻域像素集,li为像素i所属聚类标号,li∈{1,...,k},η(li,li’)为指示函数,当且仅当li=li’时,η(li,li’)=1,反之η(li,li’)=0,
假设像素光谱服从独立同一高斯分布,基于特征场MRF模型计算像素i关于聚类l的条件概率,
其中,θl={μl,Σl}为聚类l所服从高斯分布参数;
计算对象与聚类间模糊非相似性,
在其中一些实施例中,在获取基于标号场MRF模型的对象隶属于聚类的先验概率的步骤中,具体包括下述步骤:
计算基于标号场MRF的对象j隶属于聚类l的先验概率pjl,
其中,γ为标号场邻域作用强度,Ωj={Rj’:j’~j}为对象j的邻域对象集,Lj为对象j所属聚类标号,Lj∈{1,...,k},η(Lj,Lj’)为指示函数,当且仅当Lj≠Lj’时,η(Lj,Lj’)=1,反之η(Lj,Lj’)=0。
在其中一些实施例中,在获取对象隶属于聚类的模糊隶属度步骤中,具体包括:
计算对象j隶属于聚类l的模糊隶属度ujl。
在其中一些实施例中,在获取面向对象模糊聚类目标函数的步骤中,具体包括下述步骤:
计算面向对象模糊聚类目标函数J(U,θ),U=[ujl]m×k,θ={θl:l=1,...,k}。
其中,λ为规则化项系数,λ∈{0,1}。
在其中一些实施例中,在优化生成点集的步骤中,具体包括下述步骤:
随机选定一个生成点(aj,bj)作为待改变生成点;根据MH算法在其所在对象Rj内随机选取一个候选生成点(aj,bj)*,将(aj,bj)移动到(aj,bj)*得到新的生成点集G*;
基于G*重新计算模型参数θ*、U*和面向对象模糊聚类目标函数J(U*,θ*),如果J(U*,θ*)<J(U,θ),则接受该优化操作,否则以一定概率接受该优化操作,同时更新模型参数。
另外,本申请还提供了一种面向对象模糊聚类图像分割系统,包括:
图像划分单元:用于将待分割图像域划分为若干个非规则区域;
非相似性获取单元:获取基于特征场MRF模型的对象与聚类间模糊非相似性;
先验概率获取单元:获取基于标号场MRF模型的对象隶属于聚类的先验概率;
模糊隶属度获取单元:获取对象隶属于聚类的模糊隶属度;
目标函数获取单元:用于获取面向对象模糊聚类目标函数;
点集优化单元:用于优化生成点集;
迭代单元:用于重复上述步骤,直至所述目标函数达到最小化时停止迭代。
此外,本申请还提供了一种终端,包括:所述终端包括处理器、与所述处理器耦接的存储器,其中,
所述存储器存储有用于实现所述的面向对象模糊聚类图像分割方法的程序指令;
所述处理器用于执行所述存储器存储的所述程序指令以控制面向对象模糊聚类图像分割。
此外,本申请还提供了一种存储介质,存储有处理器可运行的程序指令,所述程序指令用于执行所述面向对象模糊聚类图像分割方法。
本申请采用上述技术方案具备下述效果:
本申请提供的面向对象模糊聚类图像分割方法、系统、终端及存储介质,在影像域中随机确定若干个生成点,根据空间距离最小化准则将影像域划分为若干个非规则区域,形成对象,基于高斯马尔可夫模型构建像素关于邻域像素的特征场马尔可夫模型,用以刻画对象与聚类的模糊非相似性,并基于标号场构建对象关于聚类的先验概率,并据此构建基于特征场MRF的面向对象模糊聚类目标函数。以目标函数最小化为准则,结合MH算法优化生成点,调整对象覆盖范围,以进一步准确拟合同质区域边界,得到最佳分割结果,本申请提供的面向对象模糊聚类图像分割方法、系统、终端及存储介质,在面向对象模糊聚类分割框架下,基于特征场MRF模型从局部空间相关性的角度刻画对象内光谱的纹理特征,在保证算法具有较强抗噪性的同时,避免因对象间光谱特征相似导致的误分割问题,进一步提高图像分割精度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请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,下面所描述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的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的面向对象模糊聚类图像分割方法的步骤流程图。
图2是本申请实施例提供的面向对象模糊聚类图像分割方法的结构示意图。
图3为本申请实施例提供的终端结构示意图。
图4为本申请实施例提供的存储介质的结构示意图。
图5为本申请实施例1提供的待分割图像,图5(a)为待分割合成纹理图像,图5(b)为待分割遥感图像。
图6为现有技术提供的像素级模糊聚类算法分割结果,图6(a)和(c)为分割结果,图6(b)和(d)分别为相应分割结果轮廓线图。
图7为传统的面向对象模糊聚类算法分割结果,图7(a1)和(b1)为划分结果,图7(a2)和(b2)为分割结果,图7(a3)和(b3)为分割结果轮廓线图。
图8为本申请实施例1提供的分割结果,图8(a1)和(b1)为划分结果,图8(a2)和(b2)为分割结果,图8(a3)和(b3)为分割结果轮廓线图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
在本申请的描述中,需要理解的是,术语“上”、“下”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
请参阅图1,为本申请提供的面向对象模糊聚类图像分割方法的步骤流程图,包括下述步骤:
步骤S110:将待分割图像域划分为若干个非规则区域。
在本实施例中,在将待分割图像域划分为若干个非规则区域的步骤中,所述待分割图像I={Ii(xi,yi):(xi,yi)∈Ω,i=1,...,n},其中,Ii=(Iis:s=1,...,h)为第i个像素的彩色矢量,是特征场Z={Zi:(xi,yi)∈Ω,i=1,...,n}在i上的具体实现,s为矢量维度索引,h为维度数,(xi,yi)为第i个像素的位置坐标,n为总像素数,Ω为待分割图像域。
在本实施例中,在将待分割图像域划分为若干个非规则区域的步骤中,具体包括下述步骤:
在待分割图像域Ω中随机产生m个生成点,得到初始生成点集合;
G={(aj,bj):(aj,bj)∈Ω,j=1,...,m},其中,(aj,bj)为第j个生成点的位置坐标。以各生成点为中心,采用空间距离最小化原则将待分割图像域Ω划分为m个非规则区域,形成对象R={Rj:j=1,...,m},Rj所属聚类标号Lj可看作标号场F={Fj:j=1,...,m}在j上的具体实现。
可以理解,在本实施例中,构建对象的非规则划分技术以空间距离最小化为主要实施方式,不排除以其它方式构建的对象。
步骤120:获取基于特征场MRF模型的对象与聚类间模糊非相似性。
在本实施例中,在获取基于特征场MRF模型的对象与聚类间模糊非相似性的步骤中,具体包括下述步骤:
其中,ujl为对象j隶属于聚类l的模糊隶属度,ξ为特征场邻域作用强度,δi={i’:i’~i}为像素i的邻域像素集,li为像素i所属聚类标号,li∈{1,...,k},η(li,li’)为指示函数,当且仅当li=li’时,η(li,li’)=1,反之η(li,li’)=0,
步骤S122:假设像素光谱服从独立同一高斯分布,基于特征场MRF模型计算像素i关于聚类l的条件概率,
其中,θl={μl,Σl}为聚类l所服从高斯分布参数;
步骤S123:计算对象与聚类间模糊非相似性,
可以理解,本实施例基于特征场MRF模型从局部空间相关性的角度刻画对象内光谱的纹理特征,在保证算法具有较强抗噪性的同时,避免因对象间光谱特征相似导致的误分割问题,进一步提高图像分割精度。
步骤S130:获取基于标号场MRF模型的对象隶属于聚类的先验概率。
在本实施例中,在获取基于标号场MRF模型的对象隶属于聚类的先验概率的步骤中,具体包括下述步骤:
计算基于标号场MRF的对象j隶属于聚类l的先验概率pjl,
其中,γ为标号场邻域作用强度,Ωj={Rj’:j’~j}为对象j的邻域对象集,Lj为对象j所属聚类标号,Lj∈{1,...,k},η(Lj,Lj’)为指示函数,当且仅当Lj≠Lj’时,η(Lj,Lj’)=1,反之η(Lj,Lj’)=0。
步骤S140:获取对象隶属于聚类的模糊隶属度。
在本实施例中,在获取对象隶属于聚类的模糊隶属度的步骤中,具体包括下述步骤:
在获取对象隶属聚类的模糊隶属度步骤中,具体包括:
计算对象j隶属于聚类l的模糊隶属度ujl。
步骤S150:获取面向对象模糊聚类目标函数。
在本实施例中,在获取面向对象模糊聚类目标函数的步骤中,具体包括下述步骤:
计算面向对象模糊聚类目标函数J(U,θ),U=[ujl]m×k,θ={θl:l=1,...,k}。
其中,λ为规则化项系数,λ∈{0,1}。
步骤S160:优化生成点集。
在本实施例中,在优化生成点集的步骤中,具体包括下述步骤:
随机选定一个生成点(aj,bj)作为待改变生成点;根据MH算法在其所在对象Rj内随机选取一个候选生成点(aj,bj)*,将(aj,bj)移动到(aj,bj)*得到新的生成点集G*;
基于G*重新计算模型参数θ*、U*和面向对象模糊聚类目标函数J(U*,θ*),如果J(U*,θ*)<J(U,θ),则接受该优化操作,否则以一定概率接受该优化操作,同时更新模型参数。
步骤S170:重复步骤S120-步骤S160,直至所述目标函数达到最小化时停止迭代。
本申请提供的面向对象模糊聚类图像分割方法,在面向对象模糊聚类分割框架下,基于特征场MRF模型从局部空间相关性的角度刻画对象内光谱的纹理特征,在保证算法具有较强抗噪性的同时,避免因对象间光谱特征相似导致的误分割问题,进一步提高图像分割精度。
请参阅图2,为本申请提供的面向对象模糊聚类图像分割系统的结构示意图,包括:图像划分单元110:用于将待分割图像域划分为若干个非规则区域;非相似性获取单元120:用于获取基于特征场MRF模型的对象与聚类间模糊非相似性;先验概率获取单元130:用于获取基于标号场MRF模型的对象隶属于聚类的先验概率;模糊隶属度获取单元140:用于获取对象隶属于聚类的模糊隶属度;目标函数获取单元150:用于获取面向对象模糊聚类目标函数;点集优化单元:优化生成点集;迭代单元160:用于重复上述步骤,直至所述目标函数达到最小化时停止迭代。其详细的实现方式在本申请上述方法描述中已经说明,这里不再赘述。
请参阅图3,为本申请实施例的终端结构示意图。该终端50包括处理器51、与处理器51耦接的存储器52。
存储器52存储有用于实现所述的面向对象模糊聚类图像分割方法的程序指令。
处理器51用于执行存储器52存储的程序指令以控制所述的面向对象模糊聚类图像分割。
其中,处理器51还可以称为CPU(Central Processing Unit,中央处理单元)。处理器51可能是一种集成电路芯片,具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
请参阅图4,为本申请实施例的存储介质的结构示意图。本申请实施例的存储介质存储有能够实现上述所有方法的程序文件61,其中,该程序文件61可以以软件产品的形式存储在上述存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
本申请提供的面向对象模糊聚类图像分割方法、系统、终端及存储介质,在影像域中随机确定若干个生成点,将影像域划分为若干个非规则区域,形成对象,构建像素关于邻域像素的特征场马尔可夫模型,用以刻画对象与聚类的模糊非相似性,并基于标号场构建对象关于聚类的先验概率,并据此构建基于特征场MRF的面向对象模糊聚类目标函数,以目标函数最小化为准则,结合MH算法优化生成点,调整对象覆盖范围,以进一步准确拟合同质区域边界,得到最佳分割结果。本申请提供的面向对象模糊聚类图像分割方法、系统、终端及存储介质,在面向对象模糊聚类分割框架下,基于特征场MRF模型从局部空间相关性的角度刻画对象内光谱的纹理特征,在保证算法具有较强抗噪性的同时,避免因对象间光谱特征相似导致的误分割问题,进一步提高图像分割精度。
以下结合具体实施例对本申请上述技术方案进行详细描述。
实施例1
实验环境:在CPU为Core(TM)i5-7300U 2.60GHz、内存8GB、Windows10旗舰版系统上基于软件编程实现仿真。应用本申请方法和像素级模糊聚类算法、传统面向对象模糊聚类算法分别对不同类型图像进行分割的仿真实验。
请参阅图5,图5(a)为待分割合成纹理图像,图5(b)为待分割遥感图像。
请参阅图6,为现有技术提供的像素级模糊聚类算法分割结果。图6(a)和(c)为分割结果,图6(b)和(d)分别为相应分割结果轮廓线图。由图6可以看出,像素级模糊聚类算法不仅抗噪性较差,还对图像中纹理信息过于敏感,导致误分现象严重。
请参阅图7,为传统的面向对象模糊聚类算法分割结果。其中图7(a1)和(b1)为划分结果,图7(a2)和(b2)为分割结果,图7(a3)和(b3)为分割结果轮廓线图。由图可以看出,其抗噪性较强,但是由于未考虑对象内像素相关性,导致其难以分割光谱相近纹理不同区域。
请参阅图8,为采用本申请方法分割结果。其中图8(a1)和(b1)为划分结果,图8(a2)和(b2)为分割结果,图8(a3)和(b3)为分割结果轮廓线图。由图可以看出,本发明方法分割效果较好,可较好地实现各区域的有效分割。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (11)
1.一种面向对象模糊聚类图像分割方法,其特征在于,包括下述步骤:
步骤S110:将待分割图像域划分为若干个非规则区域;
步骤S120:获取基于特征场MRF模型的对象与聚类间模糊非相似性;
步骤S130:获取基于标号场MRF模型的对象隶属于聚类的先验概率;
步骤S140:获取对象隶属于聚类的模糊隶属度;
步骤S150:获取面向对象模糊聚类目标函数;
步骤S160:优化生成点集;
步骤S170:重复步骤S120-步骤S160,直至所述目标函数达到最小化时停止迭代。
2.根据权利要求1所述的面向对象模糊聚类图像分割方法,其特征在于,在将待分割图像域划分为若干个非规则区域的步骤中,所述待分割图像I={Ii(xi,yi):(xi,yi)∈Ω,i=1,...,n},其中,Ii=(Iis:s=1,...,h)为第i个像素的彩色矢量,是特征场Z={Zi:(xi,yi)∈Ω,i=1,...,n}在i上的具体实现,s为矢量维度索引,h为维度数,(xi,yi)为第i个像素的位置坐标,n为总像素数,Ω为待分割图像域。
3.根据权利要求2所述的面向对象模糊聚类图像分割方法,其特征在于,在将待分割图像域划分为若干个非规则区域的步骤中,具体包括下述步骤:
在待分割图像域Ω中随机产生m个生成点,得到初始生成点集合;
G={(aj,bj):(aj,bj)∈Ω,j=1,...,m},其中,(aj,bj)为第j个生成点的位置坐标,以各生成点为中心,采用空间距离最小化原则将待分割图像域Ω划分为m个非规则区域,形成对象,R={Rj:j=1,...,m},Rj所属聚类标号Lj可看作标号场F={Fj:j=1,...,m}在j上的具体实现。
4.根据权利要求3所述的面向对象模糊聚类图像分割方法,其特征在于,在获取基于特征场MRF模型的对象与聚类间模糊非相似性的步骤中,具体包括下述步骤:
其中,ujl为对象j隶属于聚类l的模糊隶属度,ξ为特征场邻域作用强度,δi={i’:i’~i}为像素i的邻域像素集,li为像素i所属聚类标号,li∈{1,...,k},η(li,li’)为指示函数,当且仅当li=li’时,η(li,li’)=1,反之η(li,li’)=0,
假设像素光谱服从独立同一高斯分布,基于特征场MRF模型计算像素i关于聚类l的条件概率,
其中,θl={μl,Σl}为聚类l所服从高斯分布参数;
计算对象与聚类间模糊非相似性,
8.根据权利要求7所述的面向对象模糊聚类图像分割方法,其特征在于,在优化生成点集的步骤中,具体包括下述步骤:
随机选定一个生成点(aj,bj)作为待改变生成点;根据MH算法在其所在对象Rj内随机选取一个候选生成点(aj,bj)*,将(aj,bj)移动到(aj,bj)*得到新的生成点集G*;
基于G*重新计算模型参数θ*、U*和面向对象模糊聚类目标函数J(U*,θ*),如果J(U*,θ*)<J(U,θ),则接受该优化操作,否则以一定概率接受该优化操作,同时更新模型参数。
9.一种面向对象模糊聚类图像分割系统,其特征在于,包括:
图像划分单元:将待分割图像域划分为若干个非规则区域;
非相似性获取单元:获取基于特征场MRF模型的对象与聚类间模糊非相似性;
先验概率获取单元:获取基于标号场MRF模型的对象隶属于聚类的先验概率;
模糊隶属度获取单元:获取对象隶属于聚类的模糊隶属度;
目标函数获取单元:获取面向对象模糊聚类目标函数;
点集优化单元:优化生成点集;
迭代单元:用于重复上述步骤,直至所述目标函数达到最小化时停止迭代。
10.一种终端,其特征在于,包括:所述终端包括处理器、与所述处理器耦接的存储器,其中,
所述存储器存储有用于实现权利要求1-8任一项所述的面向对象模糊聚类图像分割方法的程序指令;
所述处理器用于执行所述存储器存储的所述程序指令以控制面向对象模糊聚类图像分割。
11.一种存储介质,其特征在于,存储有处理器可运行的程序指令,所述程序指令用于执行权利要求1至8任一项所述面向对象模糊聚类图像分割方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111532773.0A CN114219822B (zh) | 2021-12-15 | 2021-12-15 | 面向对象模糊聚类图像分割方法、系统、终端及存储介质 |
PCT/CN2022/137366 WO2023109619A1 (zh) | 2021-12-15 | 2022-12-07 | 面向对象模糊聚类图像分割方法、系统、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111532773.0A CN114219822B (zh) | 2021-12-15 | 2021-12-15 | 面向对象模糊聚类图像分割方法、系统、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114219822A true CN114219822A (zh) | 2022-03-22 |
CN114219822B CN114219822B (zh) | 2024-06-21 |
Family
ID=80702242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111532773.0A Active CN114219822B (zh) | 2021-12-15 | 2021-12-15 | 面向对象模糊聚类图像分割方法、系统、终端及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114219822B (zh) |
WO (1) | WO2023109619A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023109619A1 (zh) * | 2021-12-15 | 2023-06-22 | 深圳先进技术研究院 | 面向对象模糊聚类图像分割方法、系统、终端及存储介质 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116980659B (zh) * | 2023-09-22 | 2024-01-30 | 深圳市雅源光电科技有限公司 | 一种光学透镜图像智能加密方法 |
CN117973758A (zh) * | 2024-01-09 | 2024-05-03 | 北京华录高诚科技有限公司 | 一种基于旅客画像聚类的交通枢纽运力调度方法及装置 |
CN117710385B (zh) * | 2024-02-05 | 2024-05-10 | 山东建筑大学 | 基于层次化多轮驱动模糊聚类的图像分割方法及系统 |
CN118228079A (zh) * | 2024-05-23 | 2024-06-21 | 湘江实验室 | 模糊超图生成方法、装置、计算机设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003085532A (ja) * | 2001-09-07 | 2003-03-20 | Communication Research Laboratory | Sar画像を利用した土地利用分類処理方法 |
EP1916624A1 (en) * | 2006-10-25 | 2008-04-30 | Agfa HealthCare NV | Method for segmenting a digital medical image. |
US20100104186A1 (en) * | 2008-10-23 | 2010-04-29 | Siemens Corporate Research, Inc. | System and method for image segmentation using continuous valued mrfs with normed pairwise distributions |
CN103473764A (zh) * | 2013-09-03 | 2013-12-25 | 中国科学院深圳先进技术研究院 | 一种遥感影像目标变化检测方法 |
CN103606164A (zh) * | 2013-12-03 | 2014-02-26 | 西安电子科技大学 | 基于高维三重马尔可夫场的sar图像分割方法 |
CN104778666A (zh) * | 2015-04-14 | 2015-07-15 | 哈尔滨工程大学 | 一种基于谱聚类和混合模型聚类的图像分割方法 |
CN105787935A (zh) * | 2016-02-22 | 2016-07-20 | 辽宁工程技术大学 | 一种基于Gamma分布的模糊聚类SAR图像分割方法 |
CN108182436A (zh) * | 2017-12-29 | 2018-06-19 | 辽宁工程技术大学 | 一种高分辨率遥感图像分割方法 |
CN109740475A (zh) * | 2018-12-25 | 2019-05-10 | 杭州世平信息科技有限公司 | 一种遥感图像地面场景分类方法 |
CN112116610A (zh) * | 2020-08-24 | 2020-12-22 | 中国科学院深圳先进技术研究院 | 一种遥感影像分割方法、系统、终端以及存储介质 |
CN112132806A (zh) * | 2020-09-22 | 2020-12-25 | 东南大学 | 一种基于模糊空间马尔科夫随机场的变化区域提取方法 |
CN113657394A (zh) * | 2021-08-16 | 2021-11-16 | 江苏天汇空间信息研究院有限公司 | 基于马尔可夫随机场和证据理论的遥感图像分割方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7397945B2 (en) * | 2003-11-20 | 2008-07-08 | Hewlett-Packard Development Company, L.P. | Method and system of image segmentation using regression clustering |
CN114219822B (zh) * | 2021-12-15 | 2024-06-21 | 深圳先进技术研究院 | 面向对象模糊聚类图像分割方法、系统、终端及存储介质 |
-
2021
- 2021-12-15 CN CN202111532773.0A patent/CN114219822B/zh active Active
-
2022
- 2022-12-07 WO PCT/CN2022/137366 patent/WO2023109619A1/zh unknown
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003085532A (ja) * | 2001-09-07 | 2003-03-20 | Communication Research Laboratory | Sar画像を利用した土地利用分類処理方法 |
EP1916624A1 (en) * | 2006-10-25 | 2008-04-30 | Agfa HealthCare NV | Method for segmenting a digital medical image. |
US20100104186A1 (en) * | 2008-10-23 | 2010-04-29 | Siemens Corporate Research, Inc. | System and method for image segmentation using continuous valued mrfs with normed pairwise distributions |
CN103473764A (zh) * | 2013-09-03 | 2013-12-25 | 中国科学院深圳先进技术研究院 | 一种遥感影像目标变化检测方法 |
CN103606164A (zh) * | 2013-12-03 | 2014-02-26 | 西安电子科技大学 | 基于高维三重马尔可夫场的sar图像分割方法 |
CN104778666A (zh) * | 2015-04-14 | 2015-07-15 | 哈尔滨工程大学 | 一种基于谱聚类和混合模型聚类的图像分割方法 |
CN105787935A (zh) * | 2016-02-22 | 2016-07-20 | 辽宁工程技术大学 | 一种基于Gamma分布的模糊聚类SAR图像分割方法 |
CN108182436A (zh) * | 2017-12-29 | 2018-06-19 | 辽宁工程技术大学 | 一种高分辨率遥感图像分割方法 |
CN109740475A (zh) * | 2018-12-25 | 2019-05-10 | 杭州世平信息科技有限公司 | 一种遥感图像地面场景分类方法 |
CN112116610A (zh) * | 2020-08-24 | 2020-12-22 | 中国科学院深圳先进技术研究院 | 一种遥感影像分割方法、系统、终端以及存储介质 |
CN112132806A (zh) * | 2020-09-22 | 2020-12-25 | 东南大学 | 一种基于模糊空间马尔科夫随机场的变化区域提取方法 |
CN113657394A (zh) * | 2021-08-16 | 2021-11-16 | 江苏天汇空间信息研究院有限公司 | 基于马尔可夫随机场和证据理论的遥感图像分割方法 |
Non-Patent Citations (2)
Title |
---|
李晓丽等: "基于可变形状参数Gamma混合模型的区域化模糊聚类SAR图像分割", 《控制与决策》, vol. 35, no. 7, 31 July 2020 (2020-07-31), pages 1639 - 1644 * |
赵泉华等: "结合 Voronoi 划分 HMRF 模型的模糊ISODATA 图像分割", 《信号处理》, vol. 32, no. 10, 31 October 2016 (2016-10-31), pages 1233 - 1243 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023109619A1 (zh) * | 2021-12-15 | 2023-06-22 | 深圳先进技术研究院 | 面向对象模糊聚类图像分割方法、系统、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114219822B (zh) | 2024-06-21 |
WO2023109619A1 (zh) | 2023-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114219822A (zh) | 面向对象模糊聚类图像分割方法、系统、终端及存储介质 | |
Xiang et al. | Superpixel generating algorithm based on pixel intensity and location similarity for SAR image classification | |
Chander et al. | A new social and momentum component adaptive PSO algorithm for image segmentation | |
Zhao et al. | FLIC: Fast linear iterative clustering with active search | |
CN112116610B (zh) | 一种遥感影像分割方法、系统、终端以及存储介质 | |
WO2018098891A1 (zh) | 一种立体匹配方法及系统 | |
Luo et al. | A Novel Segmentation Approach Combining Region‐and Edge‐Based Information for Ultrasound Images | |
CN110610143B (zh) | 多任务联合训练的人群计数网络方法、系统、介质及终端 | |
CN114283332B (zh) | 一种模糊聚类遥感影像分割方法、系统、终端及存储介质 | |
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 | |
CN104992454B (zh) | 一种区域化自动变类的图像分割方法 | |
CN108401565B (zh) | 基于改进的KAZE特征和Pseudo-RANSAC算法的遥感图像配准方法 | |
CN113436223B (zh) | 点云数据的分割方法、装置、计算机设备和存储介质 | |
CN111815640B (zh) | 一种基于忆阻器的rbf神经网络医学图像分割算法 | |
Song et al. | Brain tissue segmentation and bias field correction of MR image based on spatially coherent FCM with nonlocal constraints | |
CN116433690A (zh) | 一种基于灰狼与粒子群协同优化算法的Otsu阈值分割方法 | |
Memon et al. | Segmentation of Intensity‐Corrupted Medical Images Using Adaptive Weight‐Based Hybrid Active Contours | |
CN107492101B (zh) | 基于自适应构造最优图的多模态鼻咽肿瘤分割算法 | |
WO2023087300A1 (zh) | 一种医学图像分割方法、系统、终端以及存储介质 | |
Kim et al. | Diffref3d: A diffusion-based proposal refinement framework for 3d object detection | |
Zhang et al. | AOMC: an adaptive point cloud clustering approach for feature extraction | |
Rajeswari et al. | Spatial multiple criteria fuzzy clustering for image segmentation | |
Khelifi et al. | A new multi-criteria fusion model for color textured image segmentation | |
CN113989141B (zh) | Ct头部图像降噪方法、装置及存储介质 | |
Samant et al. | Noisy brain MR and CT image registration using MRF model |
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 |