CN114792329A - 一种基于中智聚类和超像素的彩色图像分割方法和装置 - Google Patents

一种基于中智聚类和超像素的彩色图像分割方法和装置 Download PDF

Info

Publication number
CN114792329A
CN114792329A CN202111436742.5A CN202111436742A CN114792329A CN 114792329 A CN114792329 A CN 114792329A CN 202111436742 A CN202111436742 A CN 202111436742A CN 114792329 A CN114792329 A CN 114792329A
Authority
CN
China
Prior art keywords
image
super
clustering
pixel
pixels
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
Application number
CN202111436742.5A
Other languages
English (en)
Other versions
CN114792329B (zh
Inventor
纪滨
胡雪冬
丁锋
季云云
高晗
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.)
Anhui University of Technology AHUT
Original Assignee
Anhui University of Technology AHUT
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 Anhui University of Technology AHUT filed Critical Anhui University of Technology AHUT
Priority to CN202111436742.5A priority Critical patent/CN114792329B/zh
Publication of CN114792329A publication Critical patent/CN114792329A/zh
Application granted granted Critical
Publication of CN114792329B publication Critical patent/CN114792329B/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
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20152—Watershed segmentation

Landscapes

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

Abstract

本申请公开了一种基于中智聚类和超像素的彩色图像分割方法和装置，利用多元形态学重建方法对原始彩色图像进行处理获得重建的梯度图像；利用简单线性迭代算法对获得的梯度图像进行局部聚类获得超像素图像；利用中智聚类算法对超像素图像进行聚类，获得确定性T和不确定性I的隶属度矩阵；对确定性T大于不确定性I的超像素赋予根据确定性T对应的标签；对于其余超像素赋予与其相邻且结构相似性最高的超像素相同的标签；根据每个超像素的标签进行图像分割。通过上述方法使得分割结果不易受噪声影响且可以保持完整的目标轮廓。

Description

一种基于中智聚类和超像素的彩色图像分割方法和装置
技术领域
本申请涉及图像处理领域，特别是涉及一种彩色图像分割方法。
背景技术
图像分割是图像处理中一个重要的预处理步骤。在图像分割领域，许多经典的分割方法是根据图像的灰度、颜色、空间纹理和几何特征将图像分割成若干不相交的区域，使这些特征在同一区域内表现出一致性或相似性，在不同区域间表现出明显差异。简而言之，就是将图像中的目标与背景分离。
目前，彩色图像分割方法主要包括阈值分割、区域分割、聚类分析、神经网络等。图像分割的本质是对具有相似属性的像素进行分类，聚类算法是对分类问题进行统计分析的一种方法，因此聚类算法可用于图像分割。常用的聚类算法包括K均值聚类算法、层次聚类算法、模糊C均值聚类算法和谱聚类算法等。在众多聚类技术中，Bezdek提出的无监督模糊C均值聚类由于其迭代实现、低存储成本和高执行效率，在图像分割领域得到了广泛应用。但传统的模糊聚类算法的分割的结果易受噪声影响，也很难保持完整的目标轮廓。
发明内容
本申请实施例提供了一种基于中智聚类和超像素的彩色图像聚类方法，以至少解决现有的模糊聚类算法分割结果易受噪声影响且难以保持完整的目标轮廓的技术问题。
根据本申请的一个方面，提供一种基于中智聚类和超像素的彩色图像分割方法，包括：
利用多元形态学重建方法对原始彩色图像进行处理获得重建的梯度图像；
利用简单线性迭代算法对获得的梯度图像进行局部聚类获得超像素图像；
利用中智聚类算法对超像素图像进行聚类，获得确定性T和不确定性I的隶属度矩阵；
对确定性T大于不确定性I的超像素赋予根据确定性T对应的标签；
对于其余超像素赋予与其相邻且结构相似性最高的超像素相同的标签；
根据每个超像素的标签进行图像分割。
进一步的，在本发明中，所述多元形态学重建方法包括：
利用具有不同大小的结构单元的形态学开运算对原始梯度图像进行重建，并通过式(1)计算两个重建图像的逐点最大值来更新梯度图像，并利用误差阈值代替最大结构单元尺寸来控制梯度图像的边界精度如式(2)：
Figure BDA0003382001420000021
Figure BDA0003382001420000022
其中：
RC为形态学开运算，RMC为多元形态学重建操作，B为结构单元，r1和r2为最小和最大结构单元的尺寸，r1<r2∈N+，g为标记图像，f表示原始梯度图像，∨符号表示逐点最大值，η为误差阈值。
进一步的，在本发明中，在所述利用简单线性迭代算法对获得的梯度图像进行局部聚类获得超像素图像，包括：利用分水岭算法将所述梯度图像分割成若干个区域，利用简单线性迭代算法对上述每个区域分别进行局部聚类获得超像素图像。
进一步的，在本发明中，所述中智聚类算法中的目标函数如下：
Figure BDA0003382001420000023
其中：
Figure BDA0003382001420000024
Figure BDA0003382001420000025
Figure BDA0003382001420000026
在上述公式中：
q为超像素的总数量，c为预设的聚类中心的数量；
w1、w2、w3是权重因子；
m是一个控制模糊程度的常量；
l是颜色级别，1≤l≤q；
k是聚类中心的下标；
pl和pl是隶属度Tkl最大和第二大值的簇数；
vlmax是衡量样本不确定程度的聚类中心；
δ是用于控制被视为异常值数量的参数；
Rl为颜色级别为l超像素；
p为像素点；
Sl是超像素Rl中的像素数；
xp是超像素Rl内的颜色像素；
Tkl为样本点属于确定集合的程度；
Il为样本点属于集合边界的程度；
Fl为样本点为离群点的程度；
vk为聚类中心。
进一步的，在本发明中，所述δ满足以下算式：
Figure BDA0003382001420000031
其中：γ是噪声因子。
进一步的，在本发明中，所述结构相似性为基于梯度的结构相似性包括亮度相似性、对比度相似性和梯度相似性三个参数。
本申请的第二个方面在于提供一种装置，包括：至少一个模块，其中，所述至少一个模块中的每个模块分别用于执行上述第一个方面所述的方法中的步骤。
本申请的第二个方面在于提供一种处理器，用于执行软件，所述软件用于执行上述第一个方面所述的方法。
本申请的第二个方面在于提供一种存储器，用于存储软件，所述软件用于执行执行上述第一个方面所述的方法。
本发明提供的一种基于中智聚类和超像素的彩色图像分割方法，包括：利用多元形态学重建方法对原始彩色图像进行处理获得重建的梯度图像；利用简单线性迭代算法对获得的梯度图像进行局部聚类获得超像素图像；利用中智聚类算法对超像素图像进行聚类，获得确定性T和不确定性I的隶属度矩阵；对确定性T大于不确定性I的超像素赋予根据确定性T对应的标签；
对于其余超像素赋予与其相邻且结构相似性最高的超像素相同的标签；根据每个超像素的标签进行图像分割。通过上述方法使得分割结果不易受噪声影响且可以保持完整的目标轮廓。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种基于中智聚类和超像素的彩色图像分割方法的流程示意图；
图2是本发明的实施例方法和FLICM(fuzzy local information C-means)、FRFCM(fast&robust fuzzy C-means)算法对干净彩色图像分割效果对比的示例图；
图3是本发明的实施例方法和FLICM、FRFCM算法对噪声彩色图像分割效果对比的示例图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
如图1所示为本发明实施例的一种基于中智聚类和超像素的彩色图像分割方法，上述方法包括以下步骤：
步骤S102、利用多元形态学重建方法对原始彩色图像进行处理获得重建的梯度图像；
步骤S104、利用简单线性迭代算法对获得的梯度图像进行局部聚类获得超像素图像；
步骤S106、利用中智聚类算法对超像素图像进行聚类，获得确定性T和不确定性I的隶属度矩阵；
步骤S108、对确定性T大于不确定性I的超像素赋予根据确定性T对应的标签；
步骤S110、对于其余超像素赋予与其相邻且结构相似性最高的超像素相同的标签；
步骤S112、根据每个超像素的标签进行图像分割。
上述方法通过改进的简单线性迭代算法对图像进行预处理，获得了比固定大小和形状的相邻窗口提供更好的局部空间信息，也大幅度减轻噪声的影响，并且由于超像素的个数远小于像素个数，因此以超像素为单位进行分割，减小了算法的时间复杂度；采用中智聚类算法，克服了普通模糊聚类只有真、假两个子集的缺点，增加了一个不确定子集，使超像素的分类更真实、更全面；在中智聚类的基础上，结合原图的梯度、对比度、亮度信息，计算不确定超像素与相邻超像素的结构相似性，解决了部分超像素仅根据颜色距离分割错误的问题。
更进一步地，步骤S104中，简单线性迭代算法首先将图像从原始RGB颜色空间转换为CIELab颜色空间，然后将CIELab颜色空间的三个组成部分与图像中像素的位置信息相结合，构建如下五维特征：
Ci＝[li,ai,bi,xi,yi]T (1)
其中，l是光度，a和b是两个颜色通道，x和y是像素的坐标，i是像素的下标。
Figure BDA0003382001420000051
Figure BDA0003382001420000052
简单线性迭代的主要工作是使用公式(2)和(3)计算像素之间的相似性进行局部聚类。dlab是像素之间的颜色距离。dxy是像素之间的欧几里德距离，k是聚类中心的下标。但简单线性迭代算法需要在局部聚类之前对图像进行初始的网格划分和选择初始聚类中心(种子点)。
当简单线性迭代算法选择这些种子点时，为了防止种子点落入图像的边缘，它将找到在初始中心的3×3邻域中梯度最小的像素作为新的种子点。但一般来说，图像的边缘宽度不是一个像素宽，重新选择的种子点仍然可能会落在图像的边缘，从而使得生成的超像素边缘失真。为了防止简单线性迭代算法在初始生成种子点时，将种子点落在图像边缘，因此引入了基于形态学重建的分水岭(MMGR-WT)算法对图像进行预处理，即上述步骤S102和步骤S104。MMGR-WT使用形态学开放算子来重建梯度图像。开放操作是一种形态学操作，首先对梯度图像进行形态扩张重建，然后对重建的梯度图像进行形态侵蚀，定义为
RC(g)＝Rε(Rδ) (4)
其中RC为形态学开运算，Rδ为形态膨胀操作，Rε为形态腐蚀操作。与侵蚀和膨胀操作相比，开放式操作具有较强的提取特征和降低噪声的能力。
MMGR-WT在重建过程中利用形态学开运算使用不同大小的结构单元获得多个重建图像，并通过公式(5)计算两个重建图像的逐点最大值来更新梯度图像，并利用误差阈值代替最大结构单元尺寸来控制梯度图像的边界精度如公式(6)所示。
Figure BDA0003382001420000061
Figure BDA0003382001420000062
其中RMC为多元形态学重建操作，B为结构单元，r1和r2为最小和最大尺寸，r1<r2∈N+，g为标记图像，f表示原始梯度图像。∨符号表示逐点最大值，η为误差阈值。误差阈值的使用解决了不同图像需要使用的最大结构单元尺寸不同的问题。经过多元形态学重建的梯度图像保留了重要的边缘细节，同时去除了大部分无用的局部最小值。
将MMGR-WT和简单线性迭代算法综合后的算法简称WT-SLIC算法，该算法通过多元形态学重建方法获得了边缘信息更突出的梯度图像，并根据该梯度图像将原始图像划分为若干个梯度信息较为平滑的区域，然后分别对各个区域进行网格划分，即利用分水岭算法将所述梯度图像分割成若干个区域，最后利用简单线性迭代算法在各区域内局部聚类。MMGR-WT的加入，避免了简单线性迭代对梯度信息的处理，获得了更加贴合原始图像轮廓的超像素，将边缘信息保留得更加完整。
因此，WT-SLIC算法的具体步骤如下：
步骤S1041、利用MMGR-WT将图像划分为多个区域R1,R2,R3,...Rn，得到每个区域的像素数RS1,RS2,...,RSn；
步骤S1042、初始化步长s，用于控制生成的超像素数；
步骤S1043、如果该区域内的像素数小于s2，则将该区域视为独立超像素，否则，转至步骤S1044；
步骤S1044、根据步长s分别在区域R1,R2,R3,...Rn生成初始网格和初始聚类中心；
步骤S1045、在给定的步长范围内，根据公式(2)和(3)计算每个像素与种子点之间的相似性
Figure BDA0003382001420000063
m为权重参数。
步骤S1046、根据相似度测量结果，保持像素类别与相似度最高的种子点的类别一致。重复步骤S1045和步骤S1046，直到聚类结果没有显著变化或达到所需的迭代次数。
步骤S1047、将不连续或太小的超像素重新分配给相邻的超像素。
WT-SLIC算法弥补了简单线性迭代算法对梯度信息不敏感的缺点，也使得简单线性迭代算法生成的超像素轮廓更加贴合原始图像的轮廓，对图像的空间信息保留的更加完整和细致。当超像素替换该区域中的每个像素时，即减少了要计算的数量，同时也保留了原始图像的主颜色信息。
在本发明实施例中，所述中智聚类算法中的目标函数如下：
Figure BDA0003382001420000071
其中：
Figure BDA0003382001420000072
Figure BDA0003382001420000073
Figure BDA0003382001420000074
在上述公式中：
q为超像素的总数量，c为预设的聚类中心的数量；
w1、w2、w3是权重因子；
m是一个控制模糊程度的常量；
l是颜色级别，1≤l≤q；
k是聚类中心的下标；
pl和pl是隶属度Tkl最大和第二大值的簇数；当pl和ql被索引时，计算出的clmax对每个数据点的一个固定值数，不会再改变；
vlmax是衡量样本不确定程度的聚类中心；
δ是用于控制被视为异常值数量的参数；
Rl为颜色级别为l超像素；
p为像素点；
Sl是超像素Rl中的像素数；
xp是超像素Rl内的颜色像素；
Tkl为样本点属于确定集合的程度；
Il为样本点属于集合边界的程度；
Fl为样本点为离群点的程度；
vk为聚类中心。
在某些优选的实施例中，所述δ满足以下算式：
Figure BDA0003382001420000081
其中：γ是噪声因子。
上述实施例中采用基于超像素的中智聚类算法，利用超像素的颜色信息代替超像素内的每个像素，并使用超像素内的每个像素的数量作为聚类过程中的权重。由于超像素图像承载了图像的空间信息，将超像素作为聚类对象，使得聚类将每个超像素自适应的局部空间信息保留下来。
通过引入拉格朗日算子对目标函数进行推导可以得到T、I、F隶属度矩阵和聚类中心的迭代公式如下：
Figure BDA0003382001420000082
Figure BDA0003382001420000083
Figure BDA0003382001420000084
Figure BDA0003382001420000085
Figure BDA0003382001420000091
则，中智聚类算法的具体步骤如下：
步骤S1061、根据预设的聚类中心个数，初始化T、I、F三个隶属度矩阵；
步骤S1062、根据公式(6)计算超像素的聚类中心，
步骤S1063、根据公式(12)、(13)、(14)更新隶属度矩阵；
步骤S1064、判断是否
Figure BDA0003382001420000092
其中h为迭代次数，ε为0到1之间的一个极小值，如果
Figure BDA0003382001420000093
则返回执行步骤S1062，
Figure BDA0003382001420000094
则进入步骤S108。
中智聚类获得了比模糊聚类更加详细的隶属度，更加全面的描述了样本点的状态。同时本发明利用超像素区域中的颜色像素的平均值来替换原始图像中的每个颜色像素，即减少了不期望的因素对最终分类结果的影响，也减少了聚类过程中的复杂度。
上述步骤S108中，隶属度I大于T的超像素含义是具有相似颜色的超像素。当它们只通过颜色距离来区分时，它们可能会被错误地分割。因此，我们希望结合更多的原始图像信息来处理这些不确定的超像素。为了不破坏图像的空间信息，所以选择在原始图像空间内与目标超像素相邻的超像素作为对比超像素来计算结构相似度。弥补了传统聚类算法只在颜色空间中进行计算，并未考虑原始图像全局空间的缺点。然后使用基于梯度的结构相似度计算目标图像与对比度图像的相似度。最后，将目标图像划分到相似度最高的对比图像所属的集合，直到将所有不确定的超像素划分为一定的集合。
为了比较亮度，使用如下公式l(x,y)：
Figure BDA0003382001420000095
C1＝(K1L)2(18)
其中μx和
Figure BDA0003382001420000096
为x和y图像的平均亮度，当
Figure BDA0003382001420000097
非常接近于零时，C1用来控制公式的稳定性。C1由K1和L计算，其中L为像素值的动态范围(8位灰度图像为255)，K1是一个极小值。
为了进行对比度比较，使用以下函数c(x,yn)：
Figure BDA0003382001420000101
其中，σx和为
Figure BDA0003382001420000102
为参考图像yn和目标图像x的亮度的标准差，C2＝(K2L)2并且K2＜＜1。
对于梯度比较，使用以下函数g(x,y)：
Figure BDA0003382001420000103
gx＝max{Δ0fx(i,j),Δ90fx(i,j)} (21)
Figure BDA0003382001420000104
其中Δ0fx(i,j)和Δ90fx(i,j)为图中第(i,j)个像素处的水平和垂直梯度。C3＝(K3L)2并且K3＜＜1。
然后通过公式(17)、(18)、(19)得到两个超像素之间的亮度、对比度和梯度对比，最后使用公式(23)结合这三种对比得到GSSIM。
GSSIM(x,yn)＝[l(x,yn)]α[c(x,yn)]β[s(x,yn)]λ (23)
其中，α＞0、β＞0和γ＞0是用于调整这三个组件的相对重要性的参数。为了简化计算，一般取它为1。得到的GSSIM值越大，两个超像素块之间的差值越小。
根据本申请的再一个方面，提供一种处理器，用于执行软件，所述软件用于执行所述的一种基于中智聚类和超像素的彩色图像分割方法。
根据本申请的又一个方面，提供一种存储器，用于存储软件，所述软件用于执行所述的和超像素的彩色图像分割方法方法。
需要说明的是，上述软件执行的和超像素的彩色图像分割方法与前面的介绍的和超像素的彩色图像分割方法相同，在此不再赘述。
在本实施例中，提供一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行以上实施例中的方法。
这些计算机程序也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤，对应与不同的步骤可以通过不同的模块来实现。
上述程序可以运行在处理器中，或者也可以存储在存储器中(或称为计算机可读介质)，计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
下面通过实验对比来说明本实施例方法的有效性。具体采用自然图像和噪声图像实验。
首先获取原始图像，而后执行下述3种方法：
本实施例方法：利用多元形态学重建方法对梯度图像进行重建，之后通过分水岭算法进行预分割，并在预分割的基础上使用简单线性迭代算法得到最后的超像素图像。最后对超像素图像进行中智聚类，根据隶属度获得不确定超像素，对不确定超像素计算结构相似性，根据结构相似性对不确定超像素进行划分。本实例为形态学重建方法设置最小结构单元尺寸(单位：像素)r1＝2，误差阈值η＝10-4(即无需为每张图像设置不同的最大结构单元尺寸r2)；为简单线性迭代设置参数步长(单位：像素)s＝20；为中智聚类设置参数权重w1＝0.7、w2＝0.15、w3＝0.15,噪声因子为λ＝0.1。
基于局部空间信息直方图的FLICM算法[S.Krinidis andV.Chatzis,“Arobustfuzzylocal information c-means clustering algorithm,”IEEE Trans.ImageProcess.,vol.19,no.5,pp.1328-1337,May2010.]。
基于形态学重建和隶属度滤波的FRFCM算法[T.Lei,X.Jia,Y.Zhang,L.He,H.Mengand A.K.Nandi,“Significantly fast and robust fuzzy c-means clusteringalgorithm based on morpholog-ical reconstruction and membership filtering,”IEEE Trans.Fuzzy Syst.,vol.26,no.5,pp.3027-3041,Oct.2018]]所得的分割结果进行对比。
分别采用PRI和SA分别对自然图像分割结果和噪声图像分割结果进行评价。
PRI[R.Unnikrishnan,C.Pantofaru and M.Hebert,“Toward objective eval-uation ofimage segmentation algorithms,”IEEE Trans.PatternAnal.Mach.Intell.,vol.29,no.6,pp.929-944,Jun.2007.]是一种相似度度量，它计算计算分割和相应的地面真相分割之间标签一致的像素对的分数。PRI的计算方法如下：
Figure BDA0003382001420000111
SA[M.Gong,Y.Liang,J.Shi,W.Ma and J.Ma,“Fuzzy c-means clusteringwithlocal information and kernel metric for image segmentation,”IEEE Trans.ImageProcess.,vol.22,no.2,pp.573-584,Feb.2013.]定义为正确聚类像素之和与所有像素之和之比，SA的计算方法如下：
Figure BDA0003382001420000121
图2为三种算法对自然图像的分割效果。其中，(a)是原始图像，(b)是FLICM分割结果图，可以看出，由于选取固定大小的邻域信息，分割效果并不理想，背景和目标存在部分混淆。(c)是FRFCM的分割结果，可以看出在边界梯度明显突出的情况下，能够很好的将目标分割出来，但在梯度信息复杂的图像中如第三行图像，并未取得很好的分割效果。(d)为本发明实施例方法的分割结果，不受背景纹理的影响，且所得轮廓较为贴合原始图像的轮廓，即使在图像梯度信息复杂的图像仍具有良好的处理能力。表1为三种算法对自然图像的分割精度，表1中的结果与上述图像分割后观察的结果一致。
表1
Figure BDA0003382001420000122
图3是三种方法对添加了15％的混合噪声(均匀噪声、高斯噪声、乘性噪声)的图像的分割结果。(a)为原始图像，(b)为噪声图像。(c)为FLICM分割结果，可以看出虽然FLICM通过添加一个模糊因子以保持对噪声的鲁棒性，但分割结果中仍然存在大量噪声，(d)为FRFCM分割结果，与FLICM结果相似，并不能完全去除噪声。(e)为本发明的分割结果，从结果中可以看出，在去除大部分的噪声的情况下，对目标的轮廓也保持的很完成。对噪声有一个良好的鲁棒性。表2为三种算法对混合噪声图像的分割精度，表2中的结果与上述图像分割后观察的结果一致。
表2
Figure BDA0003382001420000123
本发明的实施例中的算法利用基于形态学重建的分水岭算法来改进后的简单线性迭代算法，使得生成的超像素获得了更自然的轮廓，克服了原始简单线性迭代算法对梯度信息不敏感的问题。中智聚类的使用，使得对超像素的表述更加全面，获得部分颜色距离上区分不明显的超像素。结构相似性的加入为算法增加了鲁棒性，使得算法的分割精度更高。对于噪声图像的表现，形态学重建抑制了大部分噪声，中智聚类在目标函数加入局部领域信息，进一步提高了对噪声的鲁棒性。从表1和表2上也可以看出，本发明在自然图像和噪声图像分割上较其它两种算法准确率更高。
本发明主要针对彩色图像，通过改进后的简单线性迭代算法(WT-SLIC)获得更加贴合原图像轮廓的超像素图像，并使用中智聚类算法结合超像素图像的直方图信息对超像素进行划分，根据计算后的隶属度将超像素划分为确定和不确定超像素，确定超像素将直接根据隶属度进行分类，不确定超像素将根据与相邻超像素的结构相似性(GSSIM)确定分类。
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 (9)

1.一种基于中智聚类和超像素的彩色图像分割方法，其特征在于：
利用多元形态学重建方法对原始彩色图像进行处理获得重建的梯度图像；
利用简单线性迭代算法对获得的梯度图像进行局部聚类获得超像素图像；
利用中智聚类算法对超像素图像进行聚类，获得确定性T和不确定性I的隶属度矩阵；
对确定性T大于不确定性I的超像素赋予根据确定性T对应的标签；
对于其余超像素赋予与其相邻且结构相似性最高的超像素相同的标签；
根据每个超像素的标签进行图像分割。
2.根据权利要求1所述的方法，其特征在于：所述多元形态学重建方法包括：利用具有不同大小的结构单元的形态学开运算对原始梯度图像进行重建，继而获得多个重建图像，通过式(1)计算两个重建图像的逐点最大值来更新梯度图像，并利用误差阈值代替最大结构单元尺寸来控制梯度图像的边界精度如式(2)；
Figure FDA0003382001410000011
Figure FDA0003382001410000012
其中：
RC为形态学开运算，RMC为多元形态学重建操作，B为结构单元，r1和r2为最小和最大结构单元的尺寸，并且r1<r2∈N+，g为标记图像，f表示原始梯度图像；∨符号表示逐点最大值，η为误差阈值。
3.根据权利要求1所述的方法，其特征在于：在所述利用简单线性迭代算法对获得的梯度图像进行局部聚类获得超像素图像，包括：利用分水岭算法将所述梯度图像分割成若干个区域，利用简单线性迭代算法对上述每个区域分别进行局部聚类获得超像素图像。
4.根据权利要求1所述的方法，其特征在于：所述中智聚类算法中的目标函数如下：
Figure FDA0003382001410000013
其中：
Figure FDA0003382001410000021
Figure FDA0003382001410000022
Figure FDA0003382001410000023
在上述公式中：
q为超像素的总数量，c为预设的聚类中心的数量；
w1、w2、w3是权重因子；
m是一个控制模糊程度的常量；
l是颜色级别，1≤l≤q；
k是聚类中心的下标；
pl和pl是隶属度Tkl最大和第二大值的簇数；
vlmax是衡量样本不确定程度的聚类中心；
δ是用于控制被视为异常值数量的参数；
Rl为颜色级别为l超像素；
p为像素点；
Sl是超像素Rl中的像素数；
xp是超像素Rl内的颜色像素；
Tkl为样本点属于确定集合的程度；
Il为样本点属于集合边界的程度；
Fl为样本点为离群点的程度；
vk为聚类中心。
5.根据权利要求4所述的方法，其特征在于：所述δ满足以下算式：
Figure FDA0003382001410000031
其中：γ是噪声因子。
6.根据权利要求1所述的方法，其特征在于：所述结构相似性为基于梯度的结构相似性包括亮度相似性、对比度相似性和梯度相似性三个部分。
7.一种装置，其特征在于：包括：至少一个模块，其中，所述至少一个模块中的每个模块分别用于执行权利要求1至6中任一项所述的方法中的步骤。
8.一种处理器，用于执行软件，其特征在于，所述软件用于执行权利要求1至6中任一项所述的方法。
9.一种存储器，用于存储软件，其特征在于，所述软件用于执行权利要求1至6中任一项所述的方法。
CN202111436742.5A 2021-11-29 2021-11-29 一种基于中智聚类和超像素的彩色图像分割方法和装置 Active CN114792329B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111436742.5A CN114792329B (zh) 2021-11-29 2021-11-29 一种基于中智聚类和超像素的彩色图像分割方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111436742.5A CN114792329B (zh) 2021-11-29 2021-11-29 一种基于中智聚类和超像素的彩色图像分割方法和装置

Publications (2)

Publication Number Publication Date
CN114792329A true CN114792329A (zh) 2022-07-26
CN114792329B CN114792329B (zh) 2024-07-12

Family

ID=82459983

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111436742.5A Active CN114792329B (zh) 2021-11-29 2021-11-29 一种基于中智聚类和超像素的彩色图像分割方法和装置

Country Status (1)

Country Link
CN (1) CN114792329B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115601630A (zh) * 2022-12-15 2023-01-13 山东天意装配式建筑装备研究院有限公司（Cn） 用于墙板模具自动清理机的污渍识别方法
CN118379293A (zh) * 2024-06-25 2024-07-23 四川省医学科学院·四川省人民医院 一种基于超声图像的子宫肌瘤状态监测分析方法及超声系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103489185A (zh) * 2013-09-13 2014-01-01 天津大学 最大粘聚性的超像素网格的快速图像目标检测与分割方法
BE1023147B1 (nl) * 2015-07-03 2016-12-01 Cnh Industrial Belgium Nv Controller voor een werkvoertuig
US20190347767A1 (en) * 2018-05-11 2019-11-14 Boe Technology Group Co., Ltd. Image processing method and device
CN110796667A (zh) * 2019-10-22 2020-02-14 辽宁工程技术大学 基于改进小波聚类的彩色图像分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103489185A (zh) * 2013-09-13 2014-01-01 天津大学 最大粘聚性的超像素网格的快速图像目标检测与分割方法
BE1023147B1 (nl) * 2015-07-03 2016-12-01 Cnh Industrial Belgium Nv Controller voor een werkvoertuig
US20190347767A1 (en) * 2018-05-11 2019-11-14 Boe Technology Group Co., Ltd. Image processing method and device
CN110796667A (zh) * 2019-10-22 2020-02-14 辽宁工程技术大学 基于改进小波聚类的彩色图像分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
盛蕴霞;霍冠英;刘静;: "基于超像素聚类的侧扫声呐图像分割算法", 计算机工程, no. 06, 15 June 2018 (2018-06-15) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115601630A (zh) * 2022-12-15 2023-01-13 山东天意装配式建筑装备研究院有限公司（Cn） 用于墙板模具自动清理机的污渍识别方法
CN115601630B (zh) * 2022-12-15 2023-03-28 山东天意装配式建筑装备研究院有限公司 用于墙板模具自动清理机的污渍识别方法
CN118379293A (zh) * 2024-06-25 2024-07-23 四川省医学科学院·四川省人民医院 一种基于超声图像的子宫肌瘤状态监测分析方法及超声系统
CN118379293B (zh) * 2024-06-25 2024-08-20 四川省医学科学院·四川省人民医院 一种基于超声图像的子宫肌瘤状态监测分析方法及超声系统

Also Published As

Publication number Publication date
CN114792329B (zh) 2024-07-12

Similar Documents

Publication Publication Date Title
CN109522908B (zh) 基于区域标签融合的图像显著性检测方法
US20030026479A1 (en) Process for processing images to automatically extract semantic features
CN114792329B (zh) 一种基于中智聚类和超像素的彩色图像分割方法和装置
KR20220139292A (ko) 문자 분할 방법, 장치 및 컴퓨터 판독 가능 저장 매체
Hemalatha et al. A computational model for texture analysis in images with fractional differential filter for texture detection
Nikbakhsh et al. Maximum mutual information and Tsallis entropy for unsupervised segmentation of tree leaves in natural scenes
CN109345536B (zh) 一种图像超像素分割方法及其装置
Srinivas et al. Remote sensing image segmentation using OTSU algorithm
Ji et al. An effective color image segmentation approach using superpixel-neutrosophic C-means clustering and gradient-structural similarity
Bai et al. Principal pixel analysis and SVM for automatic image segmentation
Vite-Chávez et al. Improvement Procedure for Image Segmentation of Fruits and Vegetables Based on the Otsu Method
Dai et al. Robust and accurate moving shadow detection based on multiple features fusion
CN109241865B (zh) 一种弱对比度交通场景下的车辆检测分割算法
Divya et al. Segmentation of Defected Regions in Leaves using K-Means and OTSU's Method
Ramella et al. From color quantization to image segmentation
CN107704864A (zh) 基于图像对象性语义检测的显著目标检测方法
Na et al. Extraction of salient objects based on image clustering and saliency
CN111008949B (zh) 牙齿图像的软硬组织检测方法
Wolf et al. Inpainting Networks Learn to Separate Cells in Microscopy Images.
Li et al. Peach surface defect identification of complex background based on IDCNN and GWOABC-KM
Zhu et al. Improved accuracy of superpixel segmentation by region merging method
Cheng Single-image Background Removal with Entropy Filtering.
Condorovici et al. Painting Scene recognition using homogenous shapes
Zhao et al. Counting of flowers based on k-means clustering and watershed segmentation
Delouille et al. The SPoCA-suite: a software for extraction and tracking of active regions and coronal holes on EUV images

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