CN115619807A - 基于遗传算法的超像素图像分割方法 - Google Patents

基于遗传算法的超像素图像分割方法 Download PDF

Info

Publication number
CN115619807A
CN115619807A CN202211344573.7A CN202211344573A CN115619807A CN 115619807 A CN115619807 A CN 115619807A CN 202211344573 A CN202211344573 A CN 202211344573A CN 115619807 A CN115619807 A CN 115619807A
Authority
CN
China
Prior art keywords
semi
pixel
representing
matrix
supervised
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
Application number
CN202211344573.7A
Other languages
English (en)
Inventor
姜陈雨
徐秀芳
徐森
许贺洋
郭乃瑄
花小朋
蔡娜
陈思博
嵇宏伟
陆湘文
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.)
Yancheng Institute of Technology
Yancheng Institute of Technology Technology Transfer Center Co Ltd
Original Assignee
Yancheng Institute of Technology
Yancheng Institute of Technology Technology Transfer Center Co Ltd
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 Yancheng Institute of Technology, Yancheng Institute of Technology Technology Transfer Center Co Ltd filed Critical Yancheng Institute of Technology
Priority to CN202211344573.7A priority Critical patent/CN115619807A/zh
Publication of CN115619807A publication Critical patent/CN115619807A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于遗传算法的超像素图像分割方法。包括：对原始图像进行SLIC超像素预处理，获取超像素区域，并获取每个超像素区域的RGB值，作为区域代表特征；基于所述区域代表特征，在所述原始图像上进行人工标记，根据标记信息获取图像半监督信息，并构造半监督相似性矩阵；对所述半监督相似性矩阵进行聚类分析，得到初始划分结果，基于遗传算法，根据初始划分结果进行原始图像的分割，本发明利用超像素分割算法能用少量超像素代表大量像素表达图像特征降低图像处理复杂度，加上遗传算法通过模拟自然进化过程搜索最优解，增强了鲁棒性，提高分割精度。

Description

基于遗传算法的超像素图像分割方法
技术领域
本发明涉及图像处理技术领域，特别涉及一种基于遗传算法的超像素图像分割方法。
背景技术
图像是人类从客观世界获取信息的重要来源和传递信息的重要媒介，随着计算机、互联网等技术的发展，数字图像处理技术在工业、医疗、交通等行业中扮演者越来越重要的角色。
图像分割是进一步理解图像的重要步骤。图像识别或搜索的准确性将直接受到图像分割质量的影响。目前图像分割难点在于信息量大而杂，传统分割方案效率低而不够精确。
2003年Ren等人最早提出了超像素的概念。所谓超像素，是指具有相似纹理、颜色、亮度等特征的相邻像素构成的一个大的图像块。目前产生超像素的方法主要分为两类：一类是基于图论的方法，如：Graphbased算法、Ncut算法等；另一种产生超像素的方法是基于梯度下降的方法，包括分水岭算法和Means-shift算法超像素的生成算法等。2010年Achanta等提出了一种思想简单、实现方便的超像素算法-Simple Linear IterativeCluster(SLIC)算法。该方法使用简单，只需要给定需要得到的超像素的数量即可，且运行速度快，仅需要线性的运行时间和存储空间，同时，利用该方法生成的超像素具有较好的紧凑性和边界贴合度，超像素的大小一致且形状均匀。
遗传算法最早由美国Michigan大学的教授John Holland模拟生物遗传和进化提出。二十世纪80年代,De Jong基于遗传算法的思想在计算机上进行数值优化实验,归纳总结形成其基本框架。遗传算法通过将目标函数的自变量映射为生物遗传进化中的染色体,对染色体编码来实现向下进化,并找到使目标函数最优的染色体；同时,遗传过程中加入了交叉和变异操作﹐来优化下一代染色体。遗传算法中染色体的编码方式有浮点数编码和二进制编码两种方式。不同的染色体编码方式和采取的变异算子、交叉算子的差异同样造成了遗传算法不同，具有很强的全局搜索能力，易实现并行计算。它现实中被应用在数值函数寻优、多目标优化、机器学习、图像处理,最优路径规划、神经网络的训练等。
发明专利CN109584247-一种基于半监督的超像素谱聚类彩色图像分割方法，包括以下步骤：步骤1：输入待处理的RGB彩色图像；步骤2：初始化SLIC参数的超像素初始化尺寸和规范系数，计算超像素，并提取每个超像素块像素点的均值，生成超像素图像；步骤3：在超像素图像中，通过人工标记划线的方式获取半监督信息；步骤4：利用上一步中得到的半监督信息，构造超像素块之间的相似性；步骤5：利用NJW谱聚类算法结合构造的半监督相似性矩阵，进行彩色图像分割；步骤6：根据超像素区域的划分结果得到输入图像最终的分割结果。能够加快图像分割的速度并提高了算法的效率，获得了比较理想的分割结果；然而，NJW谱聚类算法计算复杂度高，最后使用k-means算法聚类，容易陷入局部最优，从而导致传统的谱聚类方法应用到图像分割时效果不理想。
发明内容
本发明提供一种基于遗传算法的超像素图像分割方法，利用超像素分割算法加上遗传算法通过模拟自然进化过程搜索最优解，增强了鲁棒性，提高分割精度。
一种基于遗传算法的超像素图像分割方法，包括：
S1：对原始图像进行SLIC超像素预处理，获取超像素区域，并获取每个超像素区域的RGB值，作为区域代表特征；
S2：基于所述区域代表特征，在所述原始图像上进行人工标记，根据标记信息获取图像半监督信息，并构造半监督相似性矩阵；
S3：对所述半监督相似性矩阵的元素进行聚类分析，得到初始划分结果，基于遗传算法，根据初始划分结果进行原始图像的分割。
优选的，S1中，对原始图像进行SLIC超像素预处理，获取超像素区域，包括：
S11：在所述原始图像中均匀分配预设数目个种子点，并确定每个种子点对应的初始邻域；
S12：计算每个种子点在初始邻域内的所有像素点的梯度值，并将所述种子点的位置移动到在所述初始邻域内所述梯度值最小的位置，得到新种子点；
S13：获取所述新种子点对应的新邻域，并为每个新邻域内的每个像素点分配类标签，并确定新邻域内像素点之间的相似度；
S14：按照S11-S13进行迭代，直到最新确定的邻域内像素点之间的相似度的误差收敛，将最新确定的邻域确定为超像素区域。
优选的，S11中，相邻种子点的间距的计算公式如下：
Figure BDA0003916771910000031
其中，S表示相邻种子点之间的距离，N表示所述原始图像的像素点总数，K表示初始邻域或种子点的总数目。
优选的，S13中，确定新邻域内像素点之间的相似度的计算公式如下：
Figure BDA0003916771910000032
Figure BDA0003916771910000033
Figure BDA0003916771910000034
其中，drgb表示第i个像素点和第j个像素点之间的颜色差异值，ri表示第i个像素点在R通道的颜色分量，rj表示第j个像素点在R通道的颜色分量，gi表示第i个像素点在G通道的颜色分量，gj表示第j个像素点在G通道的颜色分量，bi表示第i个像素点在B通道的颜色分量，bj表示第j个像素点在B通道的颜色分量；
dxy表示第i个像素点和第j个像素点之间的空间距离值，xi表示第i个像素点的横坐标值，xj表示第j个像素点的横坐标值，yi第i个像素点的纵坐标值，yj表示第j个像素点的纵坐标值；
Dij表示第i个像素点和第j个像素点之间的相似度，m表示来衡量颜色值与空间信息值在相似度衡量中的所占的比重，m的取值范围为[1，20]。
优选的，S12中，根据标记信息获取图像半监督信息，并构造半监督相似性矩阵，包括：
根据所述标记信息获取半监督模糊隶属度，并基于所述半监督模糊隶属度构建初始矩阵，所述初始矩阵S如下：
Si，j＝max({min(uti,utj)}t＝1,2,...,c)
其中，Si，j表示初始矩阵的第t个半监督模糊隶属度函数集合中的最大隶属度函数，c表示所述半监督模糊隶属度的个数，与人工标记个数一致，uti表示第i个像素点对应的第t个半监督模糊隶属度函数，utj表示第j个像素点对应的第t个半监督模糊隶属度函数；
基于所述初始矩阵，根据如下公式构造半监督相似性矩阵；
L＝D-1/2*S*D-1/2
其中，L表示所述半监督相似性矩阵，D表示度矩阵。
优选的，S3中，对所述半监督相似性矩阵的元素进行聚类分析，包括：
计算所述半监督相似性矩阵的特征值，并取前k个最大特征值对应的特征向量组成n行k列特征矩阵F＝[f1,f2,...,fk]，对所述特征矩阵中的每一行元素进行聚类操作，得到聚类结果；
其中，f1表示第1个纵向特征向量，f2表示第2个个纵向特征向量，fk表示第k个纵向特征向量，n表示纵向特征向量的向量个数。
优选的，对所述特征矩阵中的每一行进行聚类操作，得到聚类结果包括：
将矩阵F的每一行看成是原始图像对应空间中的一个点，聚类得到超像素区域的划分，得到初始划分结果。
优选的，S3中，基于遗传算法，根据初始划分结果进行原始图像的分割，包括：
S31：对所述原始图像进行灰度化，并基于所述初始划分结果对灰度化后的原始图像进行种群初始化，得到初始化种群，并获取初始化种群的适应度值；
S32：调用遗传算子对所述初始化种群进行选择、交叉、变异，得到新种群，并获取新种群对应的适应度值；
S33：重复S32的操作进行迭代，直到获取得到最新的适应度值不再发生改变或者达到最大的迭代次数使停止操作，得到最新种群；
S34：基于所述最新种群，对所述原始图像进行分割，得到图像分割结果。
优选的，获取所述的适应度值的计算公式如下：
Figure BDA0003916771910000051
其中，f表示所述初始化种群的适应度值，sall表示所有初始化种群对应的中心像素点的距离之和。
优选的，S33中，对所述初始化种群进行选择采用的策略为轮盘赌选择法，对所述初始化种群进行交叉采用的策略为单点交叉。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于遗传算法的超像素图像分割方法的流程图；
图2为本发明实施例中获取超像素区域的流程图；
图3为本发明实施例中根据初始划分结果进行原始图像的分割的流程图；
图4位本发明实施例中遗传算法迭代的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
一种基于遗传算法的超像素图像分割方法，如图1所示，包括：
S1：对原始图像进行SLIC超像素预处理，获取超像素区域，并获取每个超像素区域的RGB值，作为区域代表特征；
S2：基于所述区域代表特征，在所述原始图像上进行人工标记，根据标记信息获取图像半监督信息，并构造半监督相似性矩阵；
S3：对所述半监督相似性矩阵的元素进行聚类分析，得到初始划分结果，基于遗传算法，根据初始划分结果进行原始图像的分割。
在该实施例中，SLIC超像素的中文名称为线性迭代聚类，它采用k均值聚类方法高效地生成超像素。尽管它很简单，但SLIC较以前的算法可以更好地获取边界，同时，它具有更快的速度，更高的内存效率，并且能提高分割性能，也可以直接扩展到超体元生成。
在该实施例中，对所述原始图像进行人工标记为根据区域代表特征，将肉眼可见的具有相同特征的图像区域，标记为同一标签。
在该实施例中，所述半监督相似性矩阵用于表现每个标记的区域的隶属度情况。
上述设计方案的有益效果是：通过首先利用SLIC超像素算法，获取图像特征，实现用少量超像素代表大量像素表达图像特征，降低图像处理复杂度，为图像半监督何分割提供图像特征基础，通过根据区域代表特征，在所述原始图像上进行人工标记，根据标记信息获取图像半监督信息，并构造半监督相似性矩阵，对所述半监督相似性矩阵进行聚类分析，得到初始划分结果，为基于遗传算法的图像分割提供合理的初始化种群，提高遗传迭代的效率和准确性，最后，通过使用遗传算法来代替NJW算法中的k-means聚类，克服k-means对初始种子点敏感的缺陷，使用遗传算法通过模拟自然进化过程搜索最优解，增强了鲁棒性，提高分割精度。
实施例2
基于实施例1的基础上，本发明提供一种基于遗传算法的超像素图像分割方法，如图2所示，S1中，对原始图像进行SLIC超像素预处理，获取超像素区域，包括：
S11：在所述原始图像中均匀分配预设数目个种子点，并确定每个种子点对应的初始邻域；
S12：计算每个种子点在初始邻域内的所有像素点的梯度值，并将所述种子点的位置移动到在所述初始邻域内所述梯度值最小的位置，得到新种子点；
S13：获取所述新种子点对应的新邻域，并为每个新邻域内的每个像素点分配类标签，并确定新邻域内像素点之间的相似度；
S14：按照S11-S13进行迭代，直到最新确定的邻域内像素点之间的相似度的误差收敛，将最新确定的邻域确定为超像素区域。
在该实施例中，将种子点移到该邻域内梯度最小的地方。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。
在该实施例中，为每个新邻域内的每个像素点分配类标签即确定每个像素点属于那个聚类中心。
上述设计方案的有益效果是：通过将种子点移到该邻域内梯度最小的地方。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，为每个新邻域内的每个像素点分配类标签即确定每个像素点属于那个聚类中心，保证得到超像素区域的准确性，为后续的分析提供准确地图像特征基础。
实施例3
基于实施例2的基础上，本发明实施例提供一种基于遗传算法的超像素图像分割方法，S11中，相邻种子点的间距的计算公式如下：
Figure BDA0003916771910000081
其中，S表示相邻种子点之间的距离，N表示所述原始图像的像素点总数，K表示初始邻域或种子点的总数目。
上述设计方案的有益效果是：为确定新邻域内像素点之间的相似度提供参数基础。
实施例4
基于实施例3的基础上，本发明实施例提供一种基于遗传算法的超像素图像分割方法，S13中，确定新邻域内像素点之间的相似度的计算公式如下：
Figure BDA0003916771910000082
Figure BDA0003916771910000083
Figure BDA0003916771910000084
其中，drgb表示第i个像素点和第j个像素点之间的颜色差异值，ri表示第i个像素点在R通道的颜色分量，rj表示第j个像素点在R通道的颜色分量，gi表示第i个像素点在G通道的颜色分量，gj表示第j个像素点在G通道的颜色分量，bi表示第i个像素点在B通道的颜色分量，bj表示第j个像素点在B通道的颜色分量；
dxy表示第i个像素点和第j个像素点之间的空间距离值，xi表示第i个像素点的横坐标值，xj表示第j个像素点的横坐标值，yi第i个像素点的纵坐标值，yj表示第j个像素点的纵坐标值；
Dij表示第i个像素点和第j个像素点之间的相似度，m表示来衡量颜色值与空间信息值在相似度衡量中的所占的比重，m的取值范围为[1，20]。
上述设计方案的有益效果是：通过根据两个像素点之间的举例特征和颜色特征来确定新邻域内像素点之间的相似度，并加入表示来衡量颜色值与空间信息值在相似度衡量中的所占的比重，保证确定的相似度的准确性，为迭代提供准确基础。
实施例5
基于实施例2的基础上，本发明实施例提供一种基于遗传算法的超像素图像分割方法，S12中，根据标记信息获取图像半监督信息，并构造半监督相似性矩阵，包括：
根据所述标记信息获取半监督模糊隶属度，并基于所述半监督模糊隶属度构建初始矩阵，所述初始矩阵S如下：
Si，j＝max({min(uti,utj)}t＝1,2,...,c)
其中，Si，j表示初始矩阵的第t个半监督模糊隶属度函数集合中的最大隶属度函数，c表示所述半监督模糊隶属度的个数，与人工标记个数一致，uti表示第i个像素点对应的第t个半监督模糊隶属度函数，utj表示第j个像素点对应的第t个半监督模糊隶属度函数；
基于所述初始矩阵，根据如下公式构造半监督相似性矩阵；
L＝D-1/2*S*D-1/2
其中，L表示所述半监督相似性矩阵，D表示度矩阵。
在该实施例中，所述度矩阵为对角矩阵，对角上的元素为各个顶点的度。顶点vi的度表示和该顶点相关联的边的数量。
在该实施例中，所述半监督相似性矩阵相较于初始矩阵便于直观显示像素点的相似度。
上述设计方案的有益效果是：通过根据区域代表特征，在所述原始图像上进行人工标记，根据标记信息获取图像半监督信息，并构造半监督相似性矩阵，为聚类提供基础。
实施例6
基于实施例1的基础上，本发明实施例提供一种基于遗传算法的超像素图像分割方法，S3中，对所述半监督相似性矩阵的元素进行聚类分析，包括：
计算所述半监督相似性矩阵的特征值，并取前k个最大特征值对应的特征向量组成n行k列特征矩阵F＝[f1,f2,...,fk]，对所述特征矩阵中的每一行元素进行聚类操作，得到聚类结果；
其中，f1表示第1个纵向特征向量，f2表示第2个个纵向特征向量，fk表示第k个纵向特征向量，n表示纵向特征向量的向量个数。
上述设计方案的有益效果是：通过对所述半监督相似性矩阵进行聚类分析，得到聚类结果，为初始图像的初始划分提供基础，为基于遗传算法的图像分割提供合理的初始化种群，提高遗传迭代的效率和准确性。
实施例7
基于实施例1的基础上，本发明实施例提供一种基于遗传算法的超像素图像分割方法，对所述特征矩阵中的每一行进行聚类操作，得到聚类结果包括：
将矩阵F的每一行看成是原始图像对应空间中的一个点，聚类得到超像素区域的划分，得到初始划分结果。
上述设计方案的有益效果是：按照将矩阵F的每一行看成是原始图像对应空间中的一个点，聚类得到超像素区域的划分，保证划分的精确性，为基于遗传算法的图像分割提供合理的初始化种群，提高遗传迭代的效率和准确性。
实施例8
基于实施例1的基础上，本发明实施例提供一种基于遗传算法的超像素图像分割方法，如图3所示，S3中，基于遗传算法，根据初始划分结果进行原始图像的分割，包括：
S31：对所述原始图像进行灰度化，并基于所述初始划分结果对灰度化后的原始图像进行种群初始化，得到初始化种群，并获取初始化种群的适应度值；
S32：调用遗传算子对所述初始化种群进行选择、交叉、变异，得到新种群，并获取新种群对应的适应度值；
S33：重复S32的操作进行迭代，直到获取得到最新的适应度值不再发生改变或者达到最大的迭代次数使停止操作，得到最新种群；
S34：基于所述最新种群，对所述原始图像进行分割，得到图像分割结果。
在该实施例中，遗传算法迭代的流程图如图4所示。
在该实施例中，所述适应度值用于作为迭代效果的体现。
在该实施例中，所述最大的迭代次数为预先设定得到。
上述设计方案的有益效果是：通过使用遗传算法来代替NJW算法中的k-means聚类，克服k-means对初始种子点敏感的缺陷，使用遗传算法通过模拟自然进化过程搜索最优解，增强了鲁棒性，提高分割精度。
实施例9
基于实施例8的基础上，本发明实施例提供一种基于遗传算法的超像素图像分割方法，获取所述的适应度值的计算公式如下：
Figure BDA0003916771910000111
其中，f表示所述初始化种群的适应度值，sall表示所有初始化种群对应的中心像素点的距离之和。
上述设计方案的有益效果是：通过根据所有初始化种群对应的中心像素点的距离之和为参数来作为评价迭代效果好坏的参数，为迭代操作提供参数基础。
实施例10
基于实施例8的基础上，本发明实施例提供一种基于遗传算法的超像素图像分割方法，S33中，对所述初始化种群进行选择采用的策略为轮盘赌选择法，对所述初始化种群进行交叉采用的策略为单点交叉。
在该实施例中，所述轮盘赌选择法又称比例选择方法，其基本思想是:各个个体被选中的概率与其适应度大小成正比。
在该实施例中，单点交叉为选择某个点,然后以此分为左右部,两个基因的左右部互相交换基因序列例如A基因：123456B基因789ABC,以第三个点作为分界,则交换后的新基因为：123ABC。
上述设计方案的有益效果是：通过利用轮盘赌选择法和单点交叉作为遗传算法中的种群改变的策略，保证种群改变的合理性，保证遗传迭代得到分割图像的合理性。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于遗传算法的超像素图像分割方法，其特征在于，包括：
S1：对原始图像进行SLIC超像素预处理，获取超像素区域，并获取每个超像素区域的RGB值，作为区域代表特征；
S2：基于所述区域代表特征，在所述原始图像上进行人工标记，根据标记信息获取图像半监督信息，并构造半监督相似性矩阵；
S3：对所述半监督相似性矩阵的元素进行聚类分析，得到初始划分结果，基于遗传算法，根据初始划分结果进行原始图像的分割。
2.根据权利要求1所述的一种基于遗传算法的超像素图像分割方法，其特征在于，S1中，对原始图像进行SLIC超像素预处理，获取超像素区域，包括：
S11：在所述原始图像中均匀分配预设数目个种子点，并确定每个种子点对应的初始邻域；
S12：计算每个种子点在初始邻域内的所有像素点的梯度值，并将所述种子点的位置移动到在所述初始邻域内所述梯度值最小的位置，得到新种子点；
S13：获取所述新种子点对应的新邻域，并为每个新邻域内的每个像素点分配类标签，并确定新邻域内像素点之间的相似度；
S14：按照S11-S13进行迭代，直到最新确定的邻域内像素点之间的相似度的误差收敛，将最新确定的邻域确定为超像素区域。
3.根据权利要求2所述的一种基于遗传算法的超像素图像分割方法，其特征在于，S11中，相邻种子点的间距的计算公式如下：
Figure FDA0003916771900000011
其中，S表示相邻种子点之间的距离，N表示所述原始图像的像素点总数，K表示初始邻域或种子点的总数目。
4.根据权利要求3所述的一种基于遗传算法的超像素图像分割方法，其特征在于，S13中，确定新邻域内像素点之间的相似度的计算公式如下：
Figure FDA0003916771900000021
Figure FDA0003916771900000022
Figure FDA0003916771900000023
其中，drgb表示第i个像素点和第j个像素点之间的颜色差异值，ri表示第i个像素点在R通道的颜色分量，rj表示第j个像素点在R通道的颜色分量，gi表示第i个像素点在G通道的颜色分量，gj表示第j个像素点在G通道的颜色分量，bi表示第i个像素点在B通道的颜色分量，bj表示第j个像素点在B通道的颜色分量；
dxy表示第i个像素点和第j个像素点之间的空间距离值，xi表示第i个像素点的横坐标值，xj表示第j个像素点的横坐标值，yi第i个像素点的纵坐标值，yj表示第j个像素点的纵坐标值；
Dij表示第i个像素点和第j个像素点之间的相似度，m表示来衡量颜色值与空间信息值在相似度衡量中的所占的比重，m的取值范围为[1，20]。
5.根据权利要求2所述的一种基于遗传算法的超像素图像分割方法，其特征在于，S12中，根据标记信息获取图像半监督信息，并构造半监督相似性矩阵，包括：
根据所述标记信息获取半监督模糊隶属度，并基于所述半监督模糊隶属度构建初始矩阵，所述初始矩阵S如下：
Si，j＝max({min(uti，utj)}t＝1，2，...，c)
其中，Si，j表示初始矩阵的第t个半监督模糊隶属度函数集合中的最大隶属度函数，c表示所述半监督模糊隶属度的个数，与人工标记个数一致，uti表示第i个像素点对应的第t个半监督模糊隶属度函数，utj表示第j个像素点对应的第t个半监督模糊隶属度函数；
基于所述初始矩阵，根据如下公式构造半监督相似性矩阵；
L＝D-l/2*S*D-1/2
其中，L表示所述半监督相似性矩阵，D表示度矩阵。
6.根据权利要求1所述的一种基于遗传算法的超像素图像分割方法，其特征在于，S3中，对所述半监督相似性矩阵的元素进行聚类分析，包括：
计算所述半监督相似性矩阵的特征值，并取前k个最大特征值对应的特征向量组成n行k列特征矩阵F＝[f1,f2,...,fk]，对所述特征矩阵中的每一行元素进行聚类操作，得到聚类结果；
其中，f1表示第1个纵向特征向量，f2表示第2个个纵向特征向量，fk表示第k个纵向特征向量，n表示纵向特征向量的向量个数。
7.根据权利要求1所述的一种基于遗传算法的超像素图像分割方法，其特征在于，对所述特征矩阵中的每一行进行聚类操作，得到聚类结果包括：
将矩阵F的每一行看成是原始图像对应空间中的一个点，聚类得到超像素区域的划分，得到初始划分结果。
8.根据权利要求1所述的一种基于遗传算法的超像素图像分割方法，其特征在于，S3中，基于遗传算法，根据初始划分结果进行原始图像的分割，包括：
S31：对所述原始图像进行灰度化，并基于所述初始划分结果对灰度化后的原始图像进行种群初始化，得到初始化种群，并获取初始化种群的适应度值；
S32：调用遗传算子对所述初始化种群进行选择、交叉、变异，得到新种群，并获取新种群对应的适应度值；
S33：重复S32的操作进行迭代，直到获取得到最新的适应度值不再发生改变或者达到最大的迭代次数使停止操作，得到最新种群；
S34：基于所述最新种群，对所述原始图像进行分割，得到图像分割结果。
9.根据权利要求8所述的一种基于遗传算法的超像素图像分割方法，其特征在于，获取所述的适应度值的计算公式如下：
Figure FDA0003916771900000041
其中，f表示所述初始化种群的适应度值，sall表示所有初始化种群对应的中心像素点的距离之和。
10.根据权利要求8所述的一种基于遗传算法的超像素图像分割方法，其特征在于，S33中，对所述初始化种群进行选择采用的策略为轮盘赌选择法，对所述初始化种群进行交叉采用的策略为单点交叉。
CN202211344573.7A 2022-10-31 2022-10-31 基于遗传算法的超像素图像分割方法 Pending CN115619807A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211344573.7A CN115619807A (zh) 2022-10-31 2022-10-31 基于遗传算法的超像素图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211344573.7A CN115619807A (zh) 2022-10-31 2022-10-31 基于遗传算法的超像素图像分割方法

Publications (1)

Publication Number Publication Date
CN115619807A true CN115619807A (zh) 2023-01-17

Family

ID=84877610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211344573.7A Pending CN115619807A (zh) 2022-10-31 2022-10-31 基于遗传算法的超像素图像分割方法

Country Status (1)

Country Link
CN (1) CN115619807A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116188495A (zh) * 2023-04-21 2023-05-30 山东无棣金土地开发建设有限公司 一种国土监测数据高效处理方法
CN117173175A (zh) * 2023-11-02 2023-12-05 湖南格尔智慧科技有限公司 一种基于超像素的图像相似度检测方法
CN117237298A (zh) * 2023-09-15 2023-12-15 广州乾丰印花有限公司 一种印花面料疵点检验方法、装置及计算设备
CN118470013A (zh) * 2024-07-11 2024-08-09 山东声通信息科技有限公司 一种工业视频图像中的目标物典型缺陷检测方法和系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116188495A (zh) * 2023-04-21 2023-05-30 山东无棣金土地开发建设有限公司 一种国土监测数据高效处理方法
CN117237298A (zh) * 2023-09-15 2023-12-15 广州乾丰印花有限公司 一种印花面料疵点检验方法、装置及计算设备
CN117237298B (zh) * 2023-09-15 2024-05-14 广州乾丰印花有限公司 一种印花面料疵点检验方法、装置及计算设备
CN117173175A (zh) * 2023-11-02 2023-12-05 湖南格尔智慧科技有限公司 一种基于超像素的图像相似度检测方法
CN117173175B (zh) * 2023-11-02 2024-02-09 湖南格尔智慧科技有限公司 一种基于超像素的图像相似度检测方法
CN118470013A (zh) * 2024-07-11 2024-08-09 山东声通信息科技有限公司 一种工业视频图像中的目标物典型缺陷检测方法和系统

Similar Documents

Publication Publication Date Title
CN115619807A (zh) 基于遗传算法的超像素图像分割方法
CN107092870B (zh) 一种高分辨率影像语义信息提取方法
CN110659692B (zh) 基于强化学习和深度神经网络的病理图像自动标注方法
CN112347970B (zh) 一种基于图卷积神经网络的遥感影像地物识别方法
CN106981068B (zh) 一种联合像素与超像素的交互式图像分割方法
CN113449594A (zh) 一种多层网络组合的遥感影像地类语义分割与面积计算方法
CN107330902B (zh) 基于Arnold变换的混沌遗传BP神经网络图像分割方法
CN112509017B (zh) 一种基于可学习差分算法的遥感影像变化检测方法
CN109829507B (zh) 航拍高压输电线路环境检测方法
CN106874862B (zh) 基于子模技术和半监督学习的人群计数方法
CN112950461A (zh) 全局与超像素分割相融合的色彩迁移方法
CN109872331A (zh) 一种基于深度学习的遥感图像数据自动识别分类方法
CN112364881B (zh) 一种进阶采样一致性图像匹配方法
CN113469270B (zh) 基于分解多目标差分进化超像素的半监督直觉聚类方法
CN110084820B (zh) 基于改进fcm算法的紫色土图像自适应分割提取方法
CN113408505B (zh) 一种基于深度学习的染色体极性识别方法和系统
CN115761240B (zh) 一种混沌反向传播图神经网络的图像语义分割方法及装置
CN108921853B (zh) 基于超像素和免疫稀疏谱聚类的图像分割方法
Eschweiler et al. 3D fluorescence microscopy data synthesis for segmentation and benchmarking
CN107292268A (zh) 快速脊波反卷积结构学习模型的sar图像语义分割方法
CN104992410B (zh) 一种单目视觉图像的处理方法
CN105678798A (zh) 一种结合局部空间信息的多目标模糊聚类图像分割方法
Wang et al. Adaptive hypergraph superpixels
CN116523877A (zh) 一种基于卷积神经网络的脑mri图像肿瘤块分割方法
Abd Elaziz et al. Multilevel thresholding Aerial image segmentation using comprehensive learning-based Snow ablation optimizer with double attractors

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