CN105894496A - 一种基于半局部纹理特征的二阶段图像分割方法 - Google Patents
一种基于半局部纹理特征的二阶段图像分割方法 Download PDFInfo
- Publication number
- CN105894496A CN105894496A CN201610159202.XA CN201610159202A CN105894496A CN 105894496 A CN105894496 A CN 105894496A CN 201610159202 A CN201610159202 A CN 201610159202A CN 105894496 A CN105894496 A CN 105894496A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- segmentation
- feature
- beltrami
- 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
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于半局部纹理特征的二阶段图像分割方法,主要包括:将图像分割成M×M像素的非重叠的小块;提取每个块的基于Beltrami框架和半局部信息的纹理特征,然后用K‑means算法进行块聚类,将图片划分为四个区域;根据摄影构图原理确定目标的最佳位置,从而提取出目标,完成粗分割;用几何活动轮廓模型对已经提取出来的目标进行细分割,从而得到更加精确的分割结果。本发明的有益效果是:提出了一种先进行粗分割提取出目标物体后进行细分割的分割方法,这种由粗到精的分割策略可用来分割具有模糊或复杂背景的图片;定义了一种基于Beltrami框架和半局部信息的新型纹理特征,具有比单个特征更强的鉴别力,并且具有很强的抗噪能力,将该纹理特征用于聚类和图像分割中,能够得到更加精确的实验结果。
Description
技术领域
本发明涉及图像分割方法、图像处理、模式识别、人工智能领域,具体涉及一种基于半局部纹理特征的二阶段图像分割方法。
背景技术
纹理分割是图像分割中一个非常有挑战性的问题。人眼能够很容易得分辨出不同的纹理,但从数学术语的层面上是很难对纹理进行定义的,因此也很难用一个模型来描述它。此外,纹理可能导致重要边缘的丢失和灰度分布的不均匀。目前被广泛认可的一个定义是:纹理是一系列具有周期性和振荡性的精细的特征细节。
通常使用的图像特征包括:基于滤波的特征、基于半局部信息的特征以及基于Beltrami框架的特征。其中基于滤波的特征比如梯度滤波、小波多孔滤波已经被应用到特征提取和图像分割中,通过Gabor或Morlet小波变换提取的特征是区分不同方向和尺度的纹理的重要依据;获得基于半局部信息的特征的主要方法是:将与现有像素相邻的块的灰度信息提取出来,从而得到每个像素的半局部信息,这种基于块的特征向量的想法在介绍纹理合成时首次提出,后来,Buades等人基于块差异性和非局部平均提出给图像降噪的想法,Gilboa和Osher基于变化的框架提出非局部降噪模型,最后,Bresson和Chan同样基于块之间的差异性提出了一种可变的无监督的分割方法;基于Beltrami框架的特征是图像的一种新的几何表示,它将图像特征看成是镶嵌在高维空间的黎曼流形,这种方法的优点是它允许使用不同的几何工具来进行不同的图像处理(如降噪和分割),并且能处理任意N维的图像,缺点是对噪声十分敏感。因此,本发明对后两种特征进行结合,通过映射将所提取的基于半局部信息的特征引入Beltrami框架下,从而得到一个抗噪性很强的新的纹理特征。
在图像分割中最广为人知并且最成功的模型就是由Kass,Witkin等人首先提出的活动轮廓模型,它被成功应用于在医学成像中提取解剖结构。但这种模型的缺点是对活动轮廓的初始位置很敏感,并且在目标的凹陷边界处收敛性不好。随后Caselles,kimmel等人对活动轮廓模型进行了改进,提出几何活动轮廓模型(GAC),该模型在图像分割中能取得较好的分割结果,因此本发明的细分割阶段就采用此种模型。
本发明提出了一种不同于传统分割思路的分割方法,主要分为粗分割和细分割两个阶段。首先,将图像分割成M×M像素的非重叠的块,提取每个块的基于Beltrami框架和半局部信息的纹理特征,然后用K-means算法进行块聚类,将图片划分为四个区域,根据摄影构图原理确定目标的最佳位置,从而提取出目标,完成粗分割;最后用几何活动轮廓模型(GAC)对已经提取出来的目标进行细分割,从而得到更加精确的分割结果。
发明内容
本发明的主要目的在于,提出一种先粗分割出目标物体再进行细分割的思想,并结合一种基于Beltrami框架和半局部信息的新的纹理特征,将其应用到聚类和图像分割中,得到更加准确的分割结果。
本发明的目的及解决其技术问题是采用的技术方案是:一种基于半局部纹理特征的二阶段图像分割方法,包括以下内容:
设Px,y是以像素(x,y)为中心,大小为τ×τ的块,则有
采用如下映射X将纹理特征引入到Beltrami框架下:
X:(x,y)→(X1=x,X2=y,X3=Px,y(I)) (2)
该映射包含了局部信息(空间位置)和半局部图像信息(中心像素周围的像素块的值)。假设给定一幅复杂的纹理图案,通过映射(2)的镶嵌到高维空间的几何流形与我们所观察到纹理是一致的(该假设对大多数的自然图像都是成立的)。这就意味着相同纹理区域的流形的度量张量是相同的,度量张量是用来测量流形上两点之间的距离的一个变量,当某个特定区域的流形几乎呈一个平面时,该区域中任意两点之间的距离都是相等的,再结合半局部图像信息可知由映射(2)得到的流形几乎呈平面,因此该区域有相同的纹理。映射(2)中相应的度量张量定义为:
最后,纹理特征描述子F定义为
其中σ>0是尺度参数,采用高斯核函数作为低通滤波,控制描述图像细节的程度。
另外,对于彩色图像来说,推导过程也十分简单。令彩色图像为I=(I1,I2,…,IK),其中k是图像的维数,相应的半局部映射为:
X:(x,y)→(X1=x,X2=y,X3=Px,y(I1),…,X2+k=Px,y(Ik)) (5)
对应的度量张量写成以下形式:
另外,几何活动轮廓模型可转化为如下最小化问题:
其中ds为欧几里得元素的长度,为曲线C的长度。因此,能量泛函(7)其实是由ds对包含物体边界信息的函数g进行积分得到的一个新的长度,函数g是边缘指示函数用来消除如这样的物体边缘,I0是原始图像,β为任意正常数。由变分法可得到函数EGAC的欧拉-拉格朗日方程式,梯度下降法能尽可能快地最小化EGAC:
其中,t为人为规定的时间参数,k,N分别为曲率和曲线C的法线,式(8)中定义的活动轮廓的演化方程存在唯一解。Osher和Sethian提出的水平集方法有效地解决了轮廓延伸问题并处理了拓扑变化问题,等式(8)可写成如下水平集形式:
其中,φ是嵌入到不断演化的活动轮廓C(如C(t)={x∈RN|φ(x,t)=0})的水平集函数,基于双曲守恒定律,偏微分方程(9)可应用到多种数值化求解中,得到相当精确的分割结果。
与现有技术相比,本发明的优点和效果在于:1)提出了一种先进行粗分割提取出目标物体后进行细分割的分割方法,这种由粗到精的分割策略可用来分割具有模糊或复杂背景的图片。2)定义了一种基于Beltrami框架和半局部信息的新型纹理特征,具有比单个特征更强的鉴别力,并且具有很强的抗噪能力,将该纹理特征用于聚类和图像分割中,能够得到更加精确的实验结果。
附图说明
图1一种基于半局部纹理特征的二阶段图像分割方法流程图
具体实施方式
如图1所示,本发明总体流程如下:首先,将图像分割成M×M像素的非重叠的小块;其次,提取每个块的基于Beltrami框架和半局部信息的纹理特征,然后用K-means算法进行块聚类,将图片划分为四个区域;然后根据摄影构图原理确定目标的最佳位置,从而提取出目标,完成粗分割;最后用几何活动轮廓模型(GAC)对已经提取出来的目标进行细分割,从而得到更加精确的分割结果。
本发明具体步骤如下:
Step1:将图像分割成M×M像素的非重叠的小块
综合考虑纹理特征的效果和算法的时间复杂度,将所有图片标准化为126×189或189×126,所分割的小块尺寸为3×3,因此每幅标准化的图像中包括2646个小块。
Step2:提取每个块的基于Beltrami框架和半局部信息的纹理特征,然后用K-means算法进行块聚类,将图片划分为四个区域
1)选取以像素(x,y)为中心,大小为τ×τ的块Px,y:
2)采用如下映射X将纹理特征引入到Beltrami框架下:
X:(x,y)→(X1=x,X2=y,X3=Px,y(I)) (11)
该映射包含了局部信息(空间位置)和半局部图像信息(中心像素周围的像素块的值)。假设给定一幅复杂的纹理图案,通过映射(11)的镶嵌到高维空间的几何流形与我们所观察到纹理是一致的,映射(11)中相应的度量张量定义为:
3)提取每个块的基于Beltrami框架和半局部信息的纹理特征
最后,得到纹理特征描述子F为
其中σ>0是尺度参数,采用高斯核函数作为低通滤波,控制描述图像细节的程度。
4)用K-means方法进行聚类,将图像聚成四类
Step3:根据摄影构图原理确定目标的最佳位置,从而提取出目标,完成粗分割
1)对上一步得到的结果进行合并
一副给定的图像最终只需要分为前景区域和背景区域,对上一步得到的图像中满足一定相似性的区域进行合并,相似性度量定义为:
其中,Ri为纹理特征向量,d(Ri,Rj)为向量Ri和Rj之间的距离,相似性度量与距离成反比,因此对具有最大相似性(最小距离)的区域进行合并,新的合并区域的特征向量要重新计算,直到图像中只留下两个区域。
2)根据摄影构图原理确定目标的最佳位置
摄影构图确定最佳位置一般有两种方法:三分构图法和动态对称法。三分构图法是指将图像横向和竖向分别分为三等分,图像中四个交点的位置即为目标的最佳位置,也就是前景区域。动态对称法是指作出图像的一条对角线,然后从另外两个角分别向该对角线作垂直线,图像中两个交点的位置即为目标的最佳位置,其他区域则为背景区域。
3)提取目标物体
首先分别得到前景和背景区域的二值图像,然后将三分构图法或动态对称法的mask表分别与两幅二值图像做与操作,对像素数最大的二值图像进行目标提取,另一幅默认为背景区域。
Step4:用几何活动轮廓模型对已经提取出来的目标进行细分割,从而得到更加精确的分割结果
1)几何活动轮廓模型(GAC)
几何活动轮廓模型(GAC)可转化为如下最小化问题:
其中ds为欧几里得元素的长度,为曲线C的长度。因此,能量泛函(15)其实是由ds对包含物体边界信息的函数g进行积分得到的一个新的长度,函数g是边缘指示函数用来消除如这样的物体边缘,I0是原始图像,β为任意正常数。由变分法可得到函数EGAC的欧拉-拉格朗日方程式,梯度下降法能尽可能快地最小化EGAC:
其中,t为人为规定的时间参数,k,N分别为曲率和曲线C的法线,式(16)中定义的活动轮廓的演化方程存在唯一解。
2)改写水平集函数
Osher和Sethian提出的水平集方法有效地解决了轮廓延伸问题并处理了拓扑变化问题,等式(16)可写成如下水平集形式:
其中,φ是嵌入到不断演化的活动轮廓C(如C(t)={x∈RN|φ(x,t)=0})的水平集函数,基于双曲守恒定律,偏微分方程(17)可应用到多种数值化求解中,得到相当精确的分割结果。
3)对粗分割提取出的目标物体进行细分割,得到分割结果。
Claims (5)
1.一种基于半局部纹理特征的二阶段图像分割方法,其特征在于,包括以下步骤:
步骤1、将图像分割成M×M像素的非重叠的小块;
步骤2、提取每个块的基于Beltrami框架和半局部信息的纹理特征,然后用K-means算法进行块聚类,将图片划分为四个区域;
步骤3、根据摄影构图原理确定目标的最佳位置,从而提取出目标,完成粗分割;
步骤4、用几何活动轮廓模型对已经提取出来的目标进行细分割,从而得到更加精确的分割结果。
2.根据权利要求1所述的基于半局部纹理特征的二阶段图像分割方法,所述步骤1中,将图像分割成M×M像素的非重叠的小块,其特征在于:
综合考虑纹理特征的效果和算法的时间复杂度,将所有图片标准化为126×189或189×126,所分割的小块尺寸为3×3,因此每幅标准化的图像中包括2646个小块。
3.根据权利要求1所述的基于半局部纹理特征的二阶段图像分割方法,所述步骤2中,提取每个块的基于Beltrami框架和半局部信息的纹理特征,然后用K-means算法进行块聚类,将图片划分为四个区域,其特征在于:
1)选取以像素(x,y)为中心,大小为τ×τ的块Px,y:
2)采用如下映射X将纹理特征引入到Beltrami框架下:
X:(x,y)→(X1=x,X2=y,X3=Px,y(I)) (2)
该映射包含了局部信息(空间位置)和半局部图像信息(中心像素周围的像素块的值)。假设给定一幅复杂的纹理图案,通过映射(2)的镶嵌到高维空间的几何流形与我们所观察到纹理是一致的,映射(2)中相应的度量张量定义为:
3)提取每个块的基于Beltrami框架和半局部信息的纹理特征
最后,得到纹理特征描述子F为
其中σ>0是尺度参数,采用高斯核函数作为低通滤波,控制描述图像细节的程度。
4)用K-means方法进行聚类,将图像聚成四类。
4.根据权利要求1所述的基于半局部纹理特征的二阶段图像分割方法,所述步骤3中,根据摄影构图原理确定目标的最佳位置,从而提取出目标,完成粗分割,其特征在于:
1)对上一步得到的结果进行合并
一副给定的图像最终只需要分为前景区域和背景区域,对上一步得到的图像中满足一定相似性的区域进行合并,相似性度量定义为:
其中,Ri为纹理特征向量,d(Ri,Rj)为向量Ri和Rj之间的距离,相似性度量与距离成反比,因此对具有最大相似性(最小距离)的区域进行合并,新的合并区域的特征向量要重新计算,直到图像中只留下两个区域。
2)根据摄影构图原理确定目标的最佳位置
摄影构图确定最佳位置一般有两种方法:三分构图法和动态对称法。三分构图法是指将图像横向和竖向分别分为三等分,图像中四个交点的位置即为目标的最佳位置,也就是前景区域。动态对称法是指作出图像的一条对角线,然后从另外两个角分别向该对角线作垂直线,图像中两个交点的位置即为目标的最佳位置,其他区域则为背景区域。
3)提取目标物体
首先分别得到前景和背景区域的二值图像,然后将三分构图法或动态对称法的mask表分别与两幅二值图像做与操作,对像素数最大的二值图像进行目标提取,另一幅默认为背景区域。
5.根据权利要求1所述的基于半局部纹理特征的二阶段图像分割方法,所述步骤4中,用几何活动轮廓模型对已经提取出来的目标进行细分割,从而得到更加精确的分割结果,其特征在于:
1)几何活动轮廓模型(GAC)
几何活动轮廓模型(GAC)可转化为如下最小化问题:
其中ds为欧几里得元素的长度,ds为曲线C的长度。因此,能量泛函(6)其实是由ds对包含物体边界信息的函数g进行积分得到的一个新的长度,函数g是边缘指示函数用来消除如这样的物体边缘,I0是原始图像,β为任意正常数。由变分法可得到函数EGAC的欧拉-拉格朗日方程式,梯度下降法能尽可能快地最小化EGAC:
其中,t为人为规定的时间参数,k,N分别为曲率和曲线C的法线,式(7)中定义的活动轮廓的演化方程存在唯一解。
2)改写水平集函数
Osher和Sethian提出的水平集方法有效地解决了轮廓延伸问题并处理了拓扑变化问题,等式(7)可写成如下水平集形式:
其中,φ是嵌入到不断演化的活动轮廓C(如C(t)={x∈RN|φ(x,t)=0})的水平集函数,基于双曲守恒定律,偏微分方程(8)可应用到多种数值化求解中,得到相当精确的分割结果。
3)对粗分割提取出的目标物体进行细分割,得到分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610159202.XA CN105894496A (zh) | 2016-03-18 | 2016-03-18 | 一种基于半局部纹理特征的二阶段图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610159202.XA CN105894496A (zh) | 2016-03-18 | 2016-03-18 | 一种基于半局部纹理特征的二阶段图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105894496A true CN105894496A (zh) | 2016-08-24 |
Family
ID=57013876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610159202.XA Pending CN105894496A (zh) | 2016-03-18 | 2016-03-18 | 一种基于半局部纹理特征的二阶段图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105894496A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480593A (zh) * | 2017-07-12 | 2017-12-15 | 广东交通职业技术学院 | Beltrami流和递归滤波的高光谱图像分类方法 |
CN110264482A (zh) * | 2019-05-10 | 2019-09-20 | 河南科技大学 | 基于中智集变换矩阵因子分解的活动轮廓分割方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101447076A (zh) * | 2008-12-02 | 2009-06-03 | 浙江大学 | 一种web图像中感兴趣区域的分割方法 |
CN101673345A (zh) * | 2009-07-01 | 2010-03-17 | 北京交通大学 | 基于形状先验的提取目标闭合轮廓的方法 |
CN103413332A (zh) * | 2013-08-23 | 2013-11-27 | 华北电力大学 | 基于两通道纹理分割主动轮廓模型的图像分割方法 |
CN104504720A (zh) * | 2015-01-07 | 2015-04-08 | 四川大学 | 一种新的***超声图像分割技术 |
CN104732551A (zh) * | 2015-04-08 | 2015-06-24 | 西安电子科技大学 | 基于超像素和图割优化的水平集图像分割方法 |
-
2016
- 2016-03-18 CN CN201610159202.XA patent/CN105894496A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101447076A (zh) * | 2008-12-02 | 2009-06-03 | 浙江大学 | 一种web图像中感兴趣区域的分割方法 |
CN101673345A (zh) * | 2009-07-01 | 2010-03-17 | 北京交通大学 | 基于形状先验的提取目标闭合轮廓的方法 |
CN103413332A (zh) * | 2013-08-23 | 2013-11-27 | 华北电力大学 | 基于两通道纹理分割主动轮廓模型的图像分割方法 |
CN104504720A (zh) * | 2015-01-07 | 2015-04-08 | 四川大学 | 一种新的***超声图像分割技术 |
CN104732551A (zh) * | 2015-04-08 | 2015-06-24 | 西安电子科技大学 | 基于超像素和图割优化的水平集图像分割方法 |
Non-Patent Citations (3)
Title |
---|
VICENT CASELLES ET AL: "Geodesic Active Contours", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》 * |
朱蓉: "基于语义的Web图像分类研究", 《中国博士学位论文全文数据库信息科技辑》 * |
赵在新 等: "结合半局部信息与结构张量的无监督纹理图像分割", 《中国图像图形学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480593A (zh) * | 2017-07-12 | 2017-12-15 | 广东交通职业技术学院 | Beltrami流和递归滤波的高光谱图像分类方法 |
CN107480593B (zh) * | 2017-07-12 | 2020-07-03 | 广东交通职业技术学院 | Beltrami流和递归滤波的高光谱图像分类方法 |
CN110264482A (zh) * | 2019-05-10 | 2019-09-20 | 河南科技大学 | 基于中智集变换矩阵因子分解的活动轮廓分割方法 |
CN110264482B (zh) * | 2019-05-10 | 2022-09-09 | 河南科技大学 | 基于中智集变换矩阵因子分解的活动轮廓分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109872397B (zh) | 一种基于多目立体视觉的飞机零件的三维重建方法 | |
CN105957063B (zh) | 基于多尺度加权相似性测度的ct图像肝脏分割方法及*** | |
US20180165511A1 (en) | Three-dimensional facial recognition method and system | |
CN107862667B (zh) | 一种基于高分辨率遥感影像的城市阴影检测与去除方法 | |
CN110363719B (zh) | 一种细胞分层图像处理方法及*** | |
CN109902585B (zh) | 一种基于图模型的手指三模态融合识别方法 | |
CN110738676A (zh) | 一种结合RGBD数据的GrabCut自动分割算法 | |
CN104850847B (zh) | 具有自动瘦脸功能的图像优化***和方法 | |
WO2015092904A1 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
CN108596975A (zh) | 一种针对弱纹理区域的立体匹配算法 | |
CN110544300B (zh) | 一种基于二维手绘图像特征自动生成三维模型的方法 | |
CN111507921B (zh) | 一种基于低秩恢复的隧道点云去噪方法 | |
CN110490301B (zh) | 基于卷积神经网络的线特征描述方法 | |
CN103955945A (zh) | 基于双目视差和活动轮廓的自适应彩色图像分割方法 | |
CN104809457A (zh) | 一种基于区域化隐函数特征的三维人脸识别方法及*** | |
CN112164145A (zh) | 基于点云数据快速提取室内三维线段结构的方法 | |
CN103971122A (zh) | 基于深度图像的三维人脸描述方法及装置 | |
CN105741264A (zh) | 一种基于半局部纹理特征的二阶段图像分割方法 | |
CN102663762B (zh) | 医学图像中对称器官的分割方法 | |
CN105894496A (zh) | 一种基于半局部纹理特征的二阶段图像分割方法 | |
JP6132485B2 (ja) | 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム | |
CN111275610B (zh) | 一种人脸变老图像处理方法及*** | |
Bhadauria et al. | Building extraction from satellite images | |
CN113888614B (zh) | 深度恢复方法、电子设备和计算机可读存储介质 | |
CN108717699B (zh) | 一种基于连续最小割的超声波图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160824 |