CN103679679B - 一种图像分割方法及装置 - Google Patents
一种图像分割方法及装置 Download PDFInfo
- Publication number
- CN103679679B CN103679679B CN201210320741.9A CN201210320741A CN103679679B CN 103679679 B CN103679679 B CN 103679679B CN 201210320741 A CN201210320741 A CN 201210320741A CN 103679679 B CN103679679 B CN 103679679B
- Authority
- CN
- China
- Prior art keywords
- probability
- pixel points
- matrix
- pixel point
- foreground
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003709 image segmentation Methods 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 118
- 230000011218 segmentation Effects 0.000 claims abstract description 61
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 description 26
- 230000004048 modification Effects 0.000 description 15
- 238000012986 modification Methods 0.000 description 15
- 238000005295 random walk Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 8
- 238000009792 diffusion process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种图像分割方法及装置,该方法包括:获取反映图像的初始分割结果的概率矩阵X,其中,所述概率矩阵X用于代表图像中每个像素点属于前景和/或背景的概率;根据用户设置的用于修改所述初始分割结果的边界像素点的集合T,确定所述图像中需要重新计算概率的像素点的集合C;重新计算所述集合C内的像素点属于前景和/或背景的概率矩阵F。
Description
技术领域
本发明涉及数字图像处理技术,特别涉及一种图像分割方法及装置。
背景技术
图像分割就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。它是由图像处理到图像分析的关键步骤。图像分割技术在在医学影像,视频编辑,计算机视觉等方面有着广泛的应用。例如,在医学影像领域中,图像分割技术可以用于测量人体器官、组织或者病灶的尺寸和体积,为医生提供重要的图像参考数据。
通常,为了获取更为准确的分割结果,首先需要利用一定的图像分割算法对图像进行初始分割,以得到初始分割结果。然后,对该初始分割结果进行手动的修改,以便得到准确的分割结果。
在现有图像分割算法中,随机游走(Random Walk)和图切割(Graph Cut)是两种常用的图像分割算法。比如随机游走算法中,用户需要对图像中的某些像素点进行初始标记,作为已知像素点,以标出背景像素点和前景像素点;然后计算每个未标记像素点(即未知像素点)随机游走到每个已知像素点的概率;最后通过设定阈值对每个像素点进行分类,以实现图像分割。
以下以Random Walk算法为例对现有技术中的图像分割算法进行描述。RandomWalk算法通过计算图像中每个像素点到已知像素点的概率值来分割图像。给定一个加权图G{V,E,W},其中,V代表图像中的像素点,E代表边界。Wij表示像素点vi和vj之间的权值,表示两个像素点之间的相似程度。具体地,其中,Ii和Ij分别代表像素点vi和vj的灰度。σ为与灰度相关的归一化常数。定义图像的度矩阵D,D为N×N的对角阵,其中,N为图像G中像素点的个数,且那么图G的拉普拉斯矩阵可以定义为L=D-W。用X代表每个像素点归为前景或背景的概率矩阵,X为N行2列的矩阵,矩阵X的第一列代表每个像素点归为前景的概率,第二列代表每个像素点归为背景的概率,则
LX=b (1)
其中,b同样为N行2列的矩阵,且第一列代表前景,第二列代表背景。具体地,在第一列中,如果bi,1的值为1(其中,i=1,2,3,...,N),则代表相应的像素点vi为已知的前景像素点,第二列中,如果bi,2的值为1,则代表相应的像素点vi为已知的背景像素点。这样,根据公式(1)可以计算出每个像素点归为前景或背景的概率矩阵X,从而得到初始的分割结果。
图G的拉普拉斯矩阵L可以被分解成已知像素点的拉普拉斯矩阵和未知像素点的拉普拉斯矩阵,即 其中,LM表示已知像素点的拉普拉斯矩阵,LU表示未知像素点的拉普拉斯矩阵,B表示已知像素点和未知像素点之间的边的权重矩阵,ΒT表示权重矩阵B的转置。由于已知像素点的拉普拉斯矩阵LM是固定不变的,这样,根据上面的公式(1),可以得出
LUXU=-BTM (2)
其中,XU为未知像素点归为前景和/或背景的概率矩阵,矩阵M为矩阵b中包含已知像素点的子矩阵。从公式(2)可以看出,只需要计算未知像素点归为前景或背景的概率矩阵XU,就可以得到初始的分割结果。
在得到初始分割结果之后,为了得到更准确的分割结果,需要对该初始分割结果进行修改。此时,用户设置一些新的边界点作为种子点,在整个图像上重新运行RandomWalk算法。这样,之前的初始分割结果就被新的分割结果覆盖了,该操作同时导致了分割结果的全局变化。另外,重新运行Random Walk算法是非常费时的,从而导致整个图像分割过程实时性不佳。
发明内容
本发明实施例提供了一种图像分割方法及装置,以便提高图像分割结果的修改效率。
本发明实施例提供的技术方案包括:
一种图像分割方法,包括:获取反映图像的初始分割结果的概率矩阵X,其中,所述概率矩阵X用于代表图像中每个像素点属于前景和/或背景的概率;根据用户设置的用于修改所述初始分割结果的边界像素点的集合T,确定所述图像中需要重新计算概率的像素点的集合C;重新计算所述集合C内的像素点属于前景和/或背景的概率矩阵F。
一种图像分割装置,包括:初始分割结果获取模块、确定模块和概率计算模块;其中,所述初始分割结果获取模块用于获取反映图像的初始分割结果的概率矩阵X,其中,所述概率矩阵X用于代表图像中每个像素点属于前景和/或背景的概率;所述确定模块用于根据用户设置的用于根据用户设置的用于修改所述初始分割结果的边界像素点的集合T,确定所述图像中需要重新计算概率的像素点的集合C;所述概率计算模块用于重新计算所述集合C内的像素点属于前景和/或背景的概率矩阵F。
一种图像分割装置,包括:处理器和存储器;其中,所述处理器与所述存储器通信连接,所述存储器中存储有机器可读指令,用于使得处理器执行上述操作。
与现有技术相比,本发明实施例提出的图像分割方法和装置不需要在整个图像上重新运行图像分割算法,而是仅在局部需要修改的区域进行修改。这样,由于本发明的方案仅对整个图像的局部进行矩阵计算,缩短了修改时间,使得修改过程接近于实时,从而显著的提高了图像分割结果的修改效率。
附图说明
图1为本发明实施例提供的图像分割方法流程图。
图2为本发明实施例提供的图像分割装置的示意图。
图3为本发明实施例提供的另一种图像分割装置的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面结合附图并举实施例,对本发明的技术方案进行详细说明。
本发明实施例提出了一种图像分割方法。该方法包括:获取反映图像的初始分割结果的概率矩阵X,其中,概率矩阵X用于代表图像中每个像素点属于前景和/或背景的概率;获取用户设置的用于修改初始分割结果的边界像素点;根据用户设置的边界像素点,确定所述图像中需要重新计算概率的像素点的集合C;重新计算集合C内的像素点属于前景和/或背景的概率矩阵F。
从以上技术方案可以看出,本发明实施例提出的方法利用Random Walk或者其他基于图论的算法(例如Graph Cut等)的初始分割结果,不需要在整个图像上重新运行图像分割算法,而是仅在局部的需要修改的区域进行修改。这样,由于本发明的方案仅对整个图像的局部进行矩阵计算,缩短了修改时间,使得修改过程接近于实时,从而显著的提高了图像分割结果的修改效率。
图1为本发明实施例提供的一种图像分割方法流程图。如图1所示,本发明实施例提供的图像分割方法具体包括以下步骤。
步骤101,获取反映图像G的初始分割结果的概率矩阵X,其中,概率矩阵X用于代表图像中每个像素点属于前景和/或背景的概率。
本发明实施例提供的方法需要首先获取图像的初始分割结果。这里,可以采用现有技术中的随机行走(Random Walk)算法,图割(Graph Cut)算法,测量学的分割(GeodesicSegmentation)或者不同的抠图(Image Matting)算法,也可以采用其他基于图论的图像分割算法来获得初始分割结果。Random walk可参照文献L.Grady.Random Walks for ImageSegmentation.IEEE Trans.on Pattern Analysis and Machine Intelligence,28(11):1768-1783,Nov.2006.Graph Cut可参照文献Y.Boykov and M.-P.Jolly.InteractiveGraph Cuts for Optimal Boundary and Region Segmentation of Objects in N-DImages.In Proc.of ICCV 2001,pages105–112.IEEE Computer Society,IEEE,July2001.Geodesic Segmentation可参照文献X.Bai and G.Sapiro.A Geodesic Frameworkfor Fast Interactive Image and Video Segmentation and Matting.In Proc.of ICCV2007.IEEE Computer Society,IEEE,Oct 2007.Image Matting可参照文献Jue Wang andMichael Cohen.Image and Video Matting:A Survey.Foundations and Trends inComputer Graphics and Vision,Vol.3,No.2,2007.
具体地获取初始分割结果的过程可以参考前面关于Random Walk算法的描述,这里不再赘述。本发明实施例对采用何种算法获得初始分割结果不做限定。
在本实施例中,设用户标记的图像中的已知像素点的集合为A,设初始分割得到的结果为概率矩阵X。根据以上描述可知,矩阵X代表图像中每个像素点属于前景和/或背景的概率。
步骤102,获取用户设置的用于修改初始分割结果的边界像素点。
由于初始的分割结果并不十分准确,因此在获得初始分割结果即概率矩阵X之后,为了得到更准确的分割结果,用户会基于初始的分割结果在图像G上新设定一些边界像素点,用来表示用户希望对图像G中的这些位置进行修改。
因此,在本步骤中,需要进一步获取用户设置的用于修改初始分割结果的边界像素点,以便进行后续的修改操作。
步骤103,根据用户设置的边界像素点,确定所述图像中需要重新计算概率的像素点的集合C。
与现有技术不同,本发明实施例中,不需要在整个图像G上重新运行图像分割算法,而是在用户设置边界像素点之后,根据设置的边界像素点确定出需要重新计算概率的像素点。这样,只有这些新确定的像素点的概率需要重新计算,即只需针对新确定的像素点对初始分割结果进行修改。
具体地,设步骤102中用户设置的边界像素点的集合为T,可以根据初始分割结果X中集合T内的边界像素点的概率,设置一个概率范围,然后确定所述图像G中概率在所述概率范围内的像素点的集合,该集合即为所述需要重新计算概率的像素点的集合C。
所述概率范围可以按照如下方法确定:确定概率矩阵X中,集合T内每个像素点归为前景和/或背景的概率,确定所述概率中的最大值和最小值;根据所述最大值和最小值设置概率范围。
下面通过具体例子对上述概率范围的设置进行说明。
对于用户设置的边界像素点的集合T,检查概率矩阵X在集合T上的取值。设矩阵X在集合T上的最小值为Rmin,最大值为Rmax,即X(T)∈[Rmin,Rmax],则只有概率值在[min(0.5,Rmin)-ε,max(0.5,Rmax)+ε]范围内的像素点(记为集合C),其概率值需要重新计算,其中经验值ε是一个较小的常数,在本发明实施例中,ε的取值可以在0.01-0.05之间,如ε=0.03。例如,假设矩阵X在集合T上的最小值Rmin=0.45,最大值Rmax=0.6,即X(T)∈[0.45,0.6],则当ε=0.03时,只有概率值在[0.42,0.63]区间内的像素点的概率需要重新计算。
以上只是一个确定集合C的具体实例。在实际应用中,本领域技术人员可以根据实际情况对上述集合C的确定方法进行修改。凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
另外,在实际应用中,由于集合C内的像素点可能分布在图像G的各个位置,为了实现仅在用户设置的边界像素点周围这样一个较小范围内进行修改操作,从而进一步避免重新计算引起图像分割结果的全局变化,可以设置一个距离阈值。在确定出集合C内的像素点之后,进一步计算这些像素点与用户设置的边界像素点的距离。具体地,需要计算集合C内每个像素点到达各个边界像素点的距离,如果某个像素点到达用户设置的各个边界像素点的最小距离大于所设置的距离阈值,则将该像素点从集合C中去除。
当然,也可以用上述方法确定集合C。具体的步骤包括计算集合C中的每个像素点到达各个边界像素点的距离,确定该像素点到达各个边界像素点的距离中的最小距离,如果该最小距离大于预设的距离阈值时,则将该像素点从集合C中去除。
步骤104,重新计算集合C内的像素点属于前景和/或背景的概率矩阵F。
在确定了需要重新计算概率的像素点即集合C之后,在本实施例中,可以利用扩散(Diffusion)重新计算集合C内像素点的概率矩阵。
Diffusion算法是一个迭代算法。在Diffusion算法中,任意点的值将更新为周围所有邻居点及其本身的加权值,直到达到平衡态。影响加权值的权重根据此点和邻居点的相似度决定,其中,相似度的定义与前面描述的Random Walk中的Wij相同。
为了计算集合C内的像素点的概率矩阵F,首先需要确定集合C内的已知像素点的集合E。具体地,集合E包含了计算步骤101中用户设置的已知像素点的集合A和集合C的交集(即E=A∩C)以及用户修改的边界像素点T。
在确定了集合C内的已知像素点的集合E之后,集合C内的像素点的概率矩阵F可以根据下面的迭代公式(3)来计算。
F(t+1)=αSF(t)+(1-α)Y (3)
其中,t=0,1,2,3...,表示迭代次数,当t=0时,F(0)表示集合C内的像素点的初始分割结果,即F(0)为步骤101中矩阵X的子矩阵。设集合C内包含l个像素点,则F(0)为l行2列的矩阵。矩阵F(0)的第一列代表集合C内每个像素点归为前景的概率,第二列代表集合C内每个像素点归为背景的概率。
矩阵Y可为l行2列的矩阵,其中,矩阵Y的第一列表示像素点归为前景的概率,第二列表示像素点归为背景的概率。具体地,在第一列中,如果Yi,1的值为1(其中,i=1,2,3,...,l),则代表相应的像素点vi为集合C内已知的前景像素点;在第二列中,如果Yi,2的值为1,则代表相应的像素点vi为集合C内已知的背景像素点,如果Yi,1的值为0.5,Yi,2的值也为0.5,则代表相应的像素点vi为用户设置的边界像素点。
S表示集合C内的像素点的拉普拉斯矩阵或者归一化的拉普拉斯矩阵。α为学习因子,在本实施例中,可以设置为0.01~0.1,比如0.05。当然,α也可以设置为其他值,本发明实施例对α的具体取值不做限定。
为了得到集合C内的像素点属于前景和/或背景的概率矩阵F,公式(3)可以重复迭代计算固定次数,例如15次。或者,公式(3)也可以重复迭代计算,直到收敛为止,即|F(t+1)-F(t)|<δ,在本实施例中,δ的取值可以在0.001-0.02之间,如可设置为0.005。本领域技术人员也可以根据经验设置其他值,本发明对δ的具体取值不做限定。
这样,在公式(3)重复迭代计算固定次数或者重复迭代计算至收敛后,F(t+1)即为需要修改的区域内的像素点的概率矩阵。
另外,也可以通过上述迭代公式(3),计算得到公式(4)
F=(1-α)(1-αS)-1Y (4)
其中,S表示集合C内的像素点的拉普拉斯矩阵或者归一化的拉普拉斯矩阵,α为学习因子,Y为概率矩阵,各个符号的具体含义与公式(3)中相同,在此不再赘述。
根据公式(4)可以直接求解得到集合C内的像素点的概率矩阵F。但是,相对于公式(4),公式(3)迭代求解过程可以避免矩阵求逆运算,所以速度更快。
本领域技术人员也可以使用其他算法,例如置信度传播(Belief Propagation),共轭梯度(Conjugate Gradient),或者高斯赛德尔迭代法(Gauss-Seidel)等迭代算法来计算集合C内的像素点的概率矩阵F。Belief Propagation可参照文献Kim,Jin H.;Pearl,Judea(1983).″A computational model for combined causal and diagnosticreasoning in inference systems".Proceedings of the Eighth International JointConference on Artificial Intelligence.1.IJCAI-83:Karlsruhe,Germany.ConjugateGradient或Gauss-Seidel可参照文献Saad,Yousef(2003).Iterative methods forsparse linear systems(2nd ed.).Philadelphia,Pa.:Society for Industrial andApplied Mathematics.ISBN978-0-89871-534-7。本发明实施例对采用何种算法计算集合C内的像素点的概率矩阵F不做限定。
在步骤104之后,本发明实施例的方法可以进一步包括:
步骤105,根据重新计算的概率矩阵F,对所述初始分割结果X进行修改。
根据步骤104迭代计算得到的概率矩阵F(t+1),可以通过设定概率阈值,将需要修改的区域内区分为前景点或者背景点,已完成该区域的分割。
对应上述的方法,本发明实施例进一步提出了一种图像分割结果的修改装置,如图2所示。该装置包括:初始分割结果获取模块21、确定模块22和概率计算模块23;其中,
所述初始分割结果获取模块21用于根据用户在图像上标记的像素点的集合A,获取反映图像的初始分割结果的概率矩阵X,其中,所述概率矩阵X用于代表图像中每个像素点属于前景和/或背景的概率;
所述确定模块22用于根据用户设置的用于修改所述初始分割结果的边界像素点的集合T,确定所述图像中需要重新计算概率的像素点的集合C;
所述概率计算模块23用于重新计算所述集合C内的像素点属于前景和/或背景的概率矩阵F。
上述各个模块的具体功能可以参见方法实施例部分,在此不再赘述。
本发明实施例还提供了一种图像分割装置,如图3所示。该装置包括:处理器31、存储器32,其中,处理器31与存储器32通信连接,存储器32中存储有机器可读指令,所述指令用于使得处理器31可执行以下操作:
根据用户在图像上标记的像素点的集合A,获取反映图像的初始分割结果的概率矩阵X,其中,所述概率矩阵X用于代表图像中每个像素点属于前景和/或背景的概率;
根据用户设置的用于修改所述初始分割结果的边界像素点的集合T,确定所述图像中需要重新计算概率的像素点的集合C;
重新计算所述集合C内的像素点属于前景和/或背景的概率矩阵F。
处理器31所执行的具体地操作步骤和过程与前面方法实施例部分的描述相同,在此不再赘述。
其中,存储器32可以是软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。
由以上方案可以看出,与现有技术相比,本发明实施例提出的图像分割方法和装置利用了初始分割的结果,不需要在整个图像上重新运行图像分割算法,而是仅在局部的需要修改的区域进行修改。这样,由于本发明的方案仅对整个图像的局部进行矩阵计算,缩短了修改时间,使得修改过程接近于实时,从而显著的提高了图像分割结果的修改效率。根据本发明实施例提供的方法,用户只需设置少数边界像素点,修改操作简单,计算效率很高。对现有分割算法在准确度,速度及交互性等方面上有很大提高。在医学影像,视频编辑,计算机视觉等方面都有很高实用意义。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (20)
1.一种图像分割方法,包括:
获取反映图像的初始分割结果的概率矩阵X,其中,所述概率矩阵X用于代表图像中每个像素点属于前景和/或背景的概率;
根据用户设置的用于修改所述初始分割结果的边界像素点的集合T,确定所述图像中需要重新计算概率的像素点的集合C;
重新计算所述集合C内的像素点属于前景和/或背景的概率矩阵F;
所述确定所述图像中需要重新计算概率的像素点的集合C进一步包括:
根据所述集合T内的边界像素点在所述概率矩阵X中的概率,设置概率范围;
根据所述概率范围,确定所述图像中需要重新计算概率的像素点的集合C,所述集合C为概率在所述概率范围内的像素点的集合。
2.根据权利要求1所述的方法,其特征在于,所述概率范围的设置包括:
确定概率矩阵X中,集合T内每个像素点归为前景和/或背景的概率,确定所述概率中的最大值和最小值,设所述最大值为Rmax,所述最小值为Rmin;
确定所述概率范围为[min(0.5,Rmin)-ε,max(0.5,Rmax)+ε],其中,ε为常数。
3.根据权利要求1-2任一项所述的方法,其特征在于,在根据用户设置的边界像素点,确定所述图像中需要重新计算概率的像素点的集合C之后,进一步包括:
计算集合C中的每个像素点到达各个边界像素点的距离,确定该像素点到达各个边界像素点的距离中的最小距离,如果该最小距离大于预设的距离阈值时,则将该像素点从集合C中去除。
4.根据权利要求1所述的方法,进一步包括根据用户在医学图像上标记的像素点的集合A,获取反映医学图像的初始分割结果的概率矩阵。
5.根据权利要求4所述的方法,其特征在于,所述重新计算集合C内的像素点属于前景和/或背景的概率矩阵F包括:
确定集合C内的已知像素点的集合E,所述集合E集合了C内包含的所述已知像素点的集合A以及用户设置的用于修改所述初始分割结果的边界像素点的集合T;
根据集合E,重新计算集合C内的像素点属于前景和/或背景的概率矩阵F。
6.根据权利要求5所述的方法,其特征在于,所述根据集合E,重新计算集合C内的像素点属于前景和/或背景的概率矩阵F包括:
根据以下迭代公式计算集合C内的像素点属于前景和/或背景的概率矩阵F:
F(t+1)=αSF(t)+(1-α)Y
其中,t=0,1,2,3...,表示迭代次数,当t=0时,F(0)表示集合C内的像素点的初始分割结果;矩阵S表示集合C内的像素点的拉普拉斯矩阵或者归一化的拉普拉斯矩阵;矩阵Y为l行2列的概率矩阵,其中l为集合C内像素点的个数,Yi,1的值为1,代表相应的像素点vi为集合C内已知的前景像素点,Yi,2的值为1,代表相应的像素点vi为集合C内已知的背景像素点,Yi,1和Yi,2的值都为0.5,则代表相应的像素点vi为用户设置的边界像素点,其中,i=1,2,3,...,l;α为学习因子。
7.根据权利要求6所述的方法,其特征在于,所述迭代公式重复迭代计算固定次数,或者重复迭代计算至收敛。
8.根据权利要求5所述的方法,其特征在于,所述根据集合E,重新计算集合C内的像素点属于前景和/或背景的概率矩阵F包括:
根据以下公式计算集合C内的像素点属于前景和/或背景的概率矩阵F:
F=(1-α)(1-αS)-1Y
其中,矩阵S表示集合C内的像素点的拉普拉斯矩阵或者归一化的拉普拉斯矩阵;矩阵Y为l行2列的概率矩阵,其中l为集合C内像素点的个数,Yi,1的值为1,代表相应的像素点vi为集合C内已知的前景像素点,Yi,2的值为1,代表相应的像素点vi为集合C内已知的背景像素点,Yi,1和Yi,2的值都为0.5,则代表相应的像素点vi为用户设置的边界像素点,其中,i=1,2,3,...,l;α为学习因子。
9.根据权利要求5所述的方法,其特征在于,所述根据集合E,重新计算集合C内的像素点属于前景和/或背景的概率矩阵F包括:
根据集合E,采用置信度传播,共轭梯度或者高斯赛德尔迭代法,重新计算集合C内的像素点属于前景和/或背景的概率。
10.根据权利要求1-2和4-9中任一项所述的方法,所述图像为医学图像。
11.一种图像分割装置,其特征在于,包括:初始分割结果获取模块、确定模块和概率计算模块;其中,
所述初始分割结果获取模块用于获取反映图像的初始分割结果的概率矩阵X,其中,所述概率矩阵X用于代表图像中每个像素点属于前景和/或背景的概率;
所述确定模块用于根据用户设置的用于根据用户设置的用于修改所述初始分割结果的边界像素点的集合T,确定所述图像中需要重新计算概率的像素点的集合C;
所述概率计算模块用于重新计算所述集合C内的像素点属于前景和/或背景的概率矩阵F;
所述确定模块进一步用于,
根据所述集合T内的边界像素点在所述概率矩阵X中的概率,设置概率范围;
根据所述概率范围,确定所述图像中需要重新计算概率的像素点的集合C,所述集合C为概率在所述概率范围内的像素点的集合。
12.根据权利要求11所述的装置,其特征在于,所述确定模块进一步用于,
确定概率矩阵X中,集合T内每个像素点归为前景和/或背景的概率,确定所述概率中的最大值和最小值,设所述最大值为Rmax,所述最小值为Rmin;
确定所述概率范围为[min(0.5,Rmin)-ε,max(0.5,Rmax)+ε],其中,ε为常数。
13.根据权利要求11至12任一项所述的装置,其特征在于,所述确定模块进一步用于,
在根据用户设置的边界像素点,确定所述图像中需要重新计算概率的像素点的集合C之后,设置距离阈值;
计算集合C中的每个像素点到达各个边界像素点的距离,确定该像素点到达各个边界像素点的距离中的最小距离,如果该最小距离大于所述距离阈值,则将该像素点从集合C中去除。
14.根据权利要求11所述的装置,进一步包括根据用户在医学图像上标记的像素点的集合A,获取反映医学图像的初始分割结果的概率矩阵。
15.根据权利要求14所述的装置,其特征在于,所述概率计算模块进一步用于,
确定集合C内的已知像素点的集合E,所述集合E集合了C内包含的所述已知像素点的集合A以及用户设置的用于修改所述初始分割结果的边界像素点的集合T;
根据集合E,重新计算集合C内的像素点属于前景和/或背景的概率矩阵F。
16.根据权利要求15所述的装置,其特征在于,所述概率计算模块进一步用于,根据以下迭代公式计算集合C内的像素点属于前景和/或背景的概率矩阵F:F(t+1)=αSF(t)+(1-α)Y
其中,t=0,1,2,3...,表示迭代次数,当t=0时,F(0)表示集合C内的像素点的初始分割结果;矩阵S表示集合C内的像素点的拉普拉斯矩阵或者归一化的拉普拉斯矩阵;矩阵Y为l行2列的概率矩阵,其中l为集合C内像素点的个数,Yi,1的值为1,代表相应的像素点vi为集合C内已知的前景像素点,Yi,2的值为1,代表相应的像素点vi为集合C内已知的背景像素点,Yi,1和Yi,2的值都为0.5,则代表相应的像素点vi为用户设置的边界像素点,其中,i=1,2,3,...,l;α为学习因子。
17.根据权利要求16所述的装置,其特征在于,所述迭代公式重复迭代计算固定次数,或者重复迭代计算至收敛。
18.根据权利要求15所述的装置,其特征在于,所述概率计算模块进一步用于,根据以下公式计算集合C内的像素点属于前景和/或背景的概率矩阵F:
F=(1-α)(1-αS)-1Y
其中,矩阵S表示集合C内的像素点的拉普拉斯矩阵或者归一化的拉普拉斯矩阵;矩阵Y为l行2列的概率矩阵,其中l为集合C内像素点的个数,Yi,1的值为1,代表相应的像素点vi为集合C内已知的前景像素点,Yi,2的值为1,代表相应的像素点vi为集合C内已知的背景像素点,Yi,1和Yi,2的值都为0.5,则代表相应的像素点vi为用户设置的边界像素点,其中,i=1,2,3,...,l;α为学习因子。
19.根据权利要求15所述的装置,其特征在于,所述概率计算模块进一步用于,根据集合E,采用置信度传播,共轭梯度或者高斯赛德尔迭代法,重新计算集合C内的像素点属于前景和/或背景的概率。
20.根据权利要求11至12和14至19任一项所述的装置,其特征在于,所述图像为医学图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210320741.9A CN103679679B (zh) | 2012-08-31 | 2012-08-31 | 一种图像分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210320741.9A CN103679679B (zh) | 2012-08-31 | 2012-08-31 | 一种图像分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103679679A CN103679679A (zh) | 2014-03-26 |
CN103679679B true CN103679679B (zh) | 2017-01-18 |
Family
ID=50317134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210320741.9A Expired - Fee Related CN103679679B (zh) | 2012-08-31 | 2012-08-31 | 一种图像分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103679679B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992445B (zh) * | 2015-07-20 | 2017-10-20 | 河北大学 | 一种ct图像肺实质的自动分割方法 |
CN108876791B (zh) * | 2017-10-23 | 2021-04-09 | 北京旷视科技有限公司 | 图像处理方法、装置和***及存储介质 |
CN108010039B (zh) * | 2017-12-19 | 2021-04-06 | 北京奇虎科技有限公司 | 基于自适应阈值分割的视频人物装扮方法及装置 |
CN109146825B (zh) * | 2018-10-12 | 2020-11-27 | 深圳美图创新科技有限公司 | 摄影风格转换方法、装置及可读存储介质 |
CN110807485B (zh) * | 2019-10-31 | 2022-05-03 | 电子科技大学 | 基于高分遥感影像二分类语义分割图融合成多分类语义图的方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8218869B2 (en) * | 2009-03-29 | 2012-07-10 | Mitsubishi Electric Research Laboratories, Inc. | Image segmentation using spatial random walks |
CA2667066A1 (en) * | 2009-05-27 | 2010-11-27 | Pierre Benoit Boulanger | Apparatus and method for automatic real-time bi-layer segmentation using color and infrared images |
CN101639935B (zh) * | 2009-09-07 | 2012-07-04 | 南京理工大学 | 基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法 |
CN101894368B (zh) * | 2010-07-06 | 2012-05-09 | 西安电子科技大学 | 基于测地距离的半监督sar图像水域分割方法 |
-
2012
- 2012-08-31 CN CN201210320741.9A patent/CN103679679B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN103679679A (zh) | 2014-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10540572B1 (en) | Method for auto-labeling training images for use in deep learning network to analyze images with high precision, and auto-labeling device using the same | |
Zorzi et al. | Polyworld: Polygonal building extraction with graph neural networks in satellite images | |
CN111640125B (zh) | 基于Mask R-CNN的航拍图建筑物检测和分割方法及装置 | |
CN103679679B (zh) | 一种图像分割方法及装置 | |
US8213726B2 (en) | Image labeling using multi-scale processing | |
CN110874594A (zh) | 基于语义分割网络的人体外表损伤检测方法及相关设备 | |
CN112800915B (zh) | 建筑物变化检测方法、装置、电子设备以及存储介质 | |
CN110310292B (zh) | 一种手腕部参照骨分割方法 | |
CN111126359A (zh) | 基于自编码器与yolo算法的高清图像小目标检测方法 | |
CN113298815A (zh) | 一种半监督遥感图像语义分割方法、装置和计算机设备 | |
CN106407978B (zh) | 一种结合似物度的无约束视频中显著物体检测方法 | |
Grigillo et al. | Automated building extraction from IKONOS images in suburban areas | |
CN116645592B (zh) | 一种基于图像处理的裂缝检测方法和存储介质 | |
CN107545579A (zh) | 一种心脏分割方法、设备和存储介质 | |
CN116994140A (zh) | 基于遥感影像的耕地提取方法、装置、设备和介质 | |
CN113673400A (zh) | 基于深度学习的实景三维语义重建方法、装置及存储介质 | |
CN116486288A (zh) | 基于轻量级密度估计网络的航拍目标计数与检测方法 | |
Li et al. | Saliency transfer: An example-based method for salient object detection. | |
CN112330701A (zh) | 基于极坐标表示的组织病理图像细胞核分割方法及*** | |
US7565009B2 (en) | System and method for dynamic fast tobogganing | |
CN116310128A (zh) | 基于实例分割与三维重建的动态环境单目多物体slam方法 | |
CN115424017A (zh) | 一种建筑物内外轮廓分割方法、装置及存储介质 | |
Wu et al. | TAL: Topography-aware multi-resolution fusion learning for enhanced building footprint extraction | |
CN113313700B (zh) | 一种基于深度学习的x射线图像交互式分割方法 | |
CN113570554A (zh) | 一种基于场景深度的单幅图像能见度检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170118 Termination date: 20180831 |
|
CF01 | Termination of patent right due to non-payment of annual fee |