CN106780508A - 一种基于Gabor变换的GrabCut纹理图像分割方法 - Google Patents
一种基于Gabor变换的GrabCut纹理图像分割方法 Download PDFInfo
- Publication number
- CN106780508A CN106780508A CN201611042553.9A CN201611042553A CN106780508A CN 106780508 A CN106780508 A CN 106780508A CN 201611042553 A CN201611042553 A CN 201611042553A CN 106780508 A CN106780508 A CN 106780508A
- Authority
- CN
- China
- Prior art keywords
- gabor
- grabcut
- texture
- sigma
- image
- 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
Classifications
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种基于Gabor变换的GrabCut纹理图像分割方法,包括以下步骤:将二维图像通过Gabor小波变换到频域空间表示,计算频谱空间二维Gabor滤波器组的参数化变换,得到多尺度多方向的纹理特征,构建多尺度纹理能量泛函,计算纹理特征的GMM概率分布模型,将纹理特征的GMM带入GrabCut进行图像分割。按照本发明的基于Gabor变换的GrabCut纹理图像分割方法具有人工交互简洁,处理速度快,图像分割效果好等特点。
Description
技术领域
本发明涉及数字图像处理的技术领域,特别是一种基于Gabor变换的GrabCut纹理图像分割方法。
背景技术
纹理图像在自然图像中占有很大的比例,现实世界的多样性与复杂性,导致纹理图像的随机性与多样性。传统基于颜色的特征描述方式,由于缺乏尺度与方向描述能力,使得同一幅图像中不同尺度和方向的纹理对象,运用颜色特征对其描述显得无能为力。
公开号为CN101493932A的专利文件公开了一种基于形态Haar小波纹理梯度提取的分水岭纹理图像分割方法,该方法的具体实施步骤为:(1)对原始纹理图像用形态Haar小波变换提取器纹理梯度图TG;(2)将源图像顺时针旋转90度后用形态Haar小波提取其纹理梯度图RTG;(3)将纹理梯度图RTG和纹理梯度图TG做旋转加权得到纹理梯度图G;(4)对纹理梯度图G做形态滤波,得到平滑后的纹理梯度图OCG;(5)对纹理梯度图OCG进行标记分水岭分割,得到最终的纹理分割结果。该方法步骤繁琐,处理速度慢,需要付出大量的时间和精力。
Gabor小波可以近似模仿人眼的视觉识别机制,能够实现多尺度多方向描述的能力。小波分析是近几年得到迅速发展的应用数学理论,由于具有良好的时域局部化特征、尺度变化特征和方向特征,在图像处理、计算机视觉等领域有着广泛的应用,对其研究具有理论价值和现实意义。
纹理描述方法主要有4类:统计法、结构法、模型法和频谱法。统计法通过图像灰度直方图的高阶矩描述纹理基元或局部模式的灰度空间分布情况,进而刻画纹理信息的粗细度、均匀性、方向性等纹理信息,典型的有Haralikc等提出的灰度共生矩阵法。结构法将纹理描述为一组纹理基元并按照某种位置规则进行重复排列和组合,典型的有Shapiro等提出的Voronoi多边形纹理分析方法。模型法假设纹理满足某种经验模型分布,并通过求解模型参数估计每个像素与其邻域像素概率统计关系,以提取纹理特征信息。1979,年Yokoyama等提出了马尔科夫随机场(MRF)模型,将纹理看作一个随机的二维图像场,并假设某一点取值与周围像素取值多少有关,而这种假设通过局部特征分布很难得到全局联合分布。Graphcut则是基于MRF能量最小化框架兴起的一个研究热点,该方法的新颖之处在于它能够进行全局最优求解。Graph cut因其自身的优势,引起了许多研究者的关注。在此基础上,Mao等提出了一种旋转无关的自回归纹理模型,该纹理与图像的旋转无关。频谱法基于滤波器理论,利用频谱中的高能窄脉冲的分布描述纹理中的全局周期性质。1989,年Mallat首先提出小波变换方法,随后基于小波变换的各种提取纹理特征频谱方法相继出现,典型的有傅立叶变换法、Gabor变换法和小波变换法。Rother等以Graph cut为基础,提出了GrabCut。GrabCut是对Graph cut的改进和扩展,是目前图像分割领域得到成熟应用的代表之一。
视觉研究表明,人在分辨纹理特征时,是通过对图像进行频谱分析,进而得到一些称为纹理基元的局部特征差异实现的。基于频谱纹理分析的方法正是将信号转换到时频空间,这种纹理分析更加符合人对纹理信号的心理感知过程。
发明内容
为了上述的技术问题,本发明针对纹理图像的随机性和多样性,找到一种基于GobarCut变换的纹理提取方法,借助Gabor小波描述纹理特征,将Gabor小波应用于纹理图像,并计算其GMM,最后引入到GrabCut图割模型中,提出一种准确性和鲁棒性都很好的半交互式图像分割算法,实现对纹理图像的精确分割。
本发明的第一方面提供一种基于Gabor变换的GrabCut纹理图像分割方法,包括以下步骤:
步骤1:将二维图像通过Gabor小波变换到频域空间表示;
步骤2:计算频谱空间二维Gabor滤波器组的参数化变换,得到多尺度多方向的纹理特征;
步骤3:构建多尺度纹理能量泛函;
步骤4:计算纹理特征的GMM概率分布模型;
步骤5:将纹理特征的GMM带入GrabCut进行图像分割。
优选的是,通过将图像变换到频域空间表示,计算得到一幅离散二维图像的所述多尺度多方向的纹理特征。
在上述任一方案中优选的是,所述Gabor函数其定义如下式所示:
其中:σx,σy分别是沿x方向和y方向对应Gabor函数的缩放系数,将G(x,y)作为Gabor小波变换的母函数。
在上述任一方案中优选的是,通过适当旋转和缩放,得到一组形状相似、方向和尺度具有差异的滤波器组。
在上述任一方案中优选的是,通过对图像空间进行缩放与旋转变化得到多尺度多方向的Gabor滤波器组,即
Gs,θ(x,y)=a-sG(x′,y′)
x′=a-s(xcosθ+ysinθ)
y′=a-s(ycosθ-xsinθ)
其中;s为尺度,0≤s≤S-1,S为总尺度数;θ为方向角,0≤θ=kπ/M,k=0,1,…,M-1,M为总方向数。
在上述任一方案中优选的是,对原始图像空间的采样点进行所述多尺度的Gabor变换,结合频谱空间的二维Gabor滤波器组变换,求取采样点在频谱空间的多尺度多方向的参数化特征。
在上述任一方案中优选的是,通过对所述Gabor函数进行变换,将所述Gabor函数转换到频谱空间,得到一个包含多方向多尺度的所述滤波器组。
在上述任一方案中优选的是,在频率空间对相关参数进行转化计算。对所述二维Gabor小波进行如下变换:
其中:上一步骤中缩放系数其中Uh、Ul分别为S的最高中心频率和最低中心频率值。
在上述任一方案中优选的是,通过对所述Gabor函数的相关参数进一步计算得到:
在上述任一方案中优选的是,通过多尺度多方向的频率滤波器对所述二维离散图像进行处理后,可以得到多尺度多方向的所述纹理特征。
在上述任一方案中优选的是,用F(u,v)={f0,f1,...,fN-1}表示(u,v)点的所述Gabor纹理特征,N=M×N,其中:M是方向数,S是尺度数。
在上述任一方案中优选的是,在纹理图像分割过程中,需要对分割的前景目标区域与边缘进行限制,其能量泛函公式化表示如下:
其中:p为多尺度变换后图像中的一点对应的纹理特征F;a、b为点邻接域r=4,8,16的近邻区域;γ为前景和背景的分割标号,γ=1表示前景,γ=0表示背景;Nr为图像中所有邻接像素对所组成的集合。
在上述任一方案中优选的是,所述∑p∈FDp(γ)为区域项,用于描述图像的区域信息,表示像素点隶属于前景或背景的相似度。
在上述任一方案中优选的是,所述为边缘平滑项,用于评估邻接像素点a、b归属于不同标号集时的对边缘平滑程度产生的影响。
在上述任一方案中优选的是,所述β为控制区域项与数据项之间的权重因子。
在上述任一方案中优选的是,所述β值越大,分割的区域一致性越好,适合形状单一、区域集中的目标。
在上述任一方案中优选的是,所述β值越小,适合局部细节可分性强、形状复杂且相对离散的目标。
在上述任一方案中优选的是,利用多尺度特征刻画不同的图像目标,并对所述多尺度特征进行概率分布建模。
在上述任一方案中优选的是,对于所述∑p∈FDp(γ)和所述采用GMM建模的方式来描述所述多尺度纹理特征的分布。
在上述任一方案中优选的是,对所述∑p∈FDp(γ)进行GMM模具体实现如下式所示:
其中:K是聚类的中心数;ρk是GMM的第k个高斯分量部分的权重。
在上述任一方案中优选的是,所述ρk初始值的大小为利用K-means进行初始聚类过程中,第k类的特征点个数与整个图像大小的比值。
在上述任一方案中优选的是,所述和uk,l(γ)为第k个高斯部分,且其尺度与方向的乘积为l时对应的Gabor特征的均值和方差,当p为1时,取前景的第k个高斯部分的第l个均值和方差,否则取背景的第l个均值和方差。
在上述任一方案中优选的是,所述的高斯概率分布,其计算如下:
Sa,b(γ)=[γa≠γb](d(a,b)-1exp(-ηdis(a,b)2)+τ)
其中:γa,γb分别为a、b两点的标签值;d(a,b)为a、b两点的像素值欧氏距离;dis(a,b)为a、b两点的多尺度多方向Gabor纹理特征的向量距离。
在上述任一方案中优选的是,引入抗噪常数τ和分割边缘长度限制η用于提高所述图像的抗噪声特性。
在上述任一方案中优选的是,所述η为纹理特征的归一化系数,其计算公式为:
其中:|L|为图像中像素的个数,即图像的大小;dis(m,n)为两个多尺度多方向特征的LPP距离度量。
在上述任一方案中优选的是,通过所述GMM建模,能够实现纹理图像分割的能量建模,并能够进一步实现最大流最小割的GraphCut纹理图像分割的求解。
在上述任一方案中优选的是,通过将能量函数转化为最大流最小割的图割模型实现所述能量泛函的最小化。
在上述任一方案中优选的是,将纹理图像的最优分割问题转化为图的所述最大流最小割问题,并通过GrabCut的迭代过程更新所述GMM模型的参数,利用前景和背景的概率分布的KL度量决定所述迭代的终止。
在上述任一方案中优选的是,通过GrabCut迭代分割逐步求解实现得到最优的所述纹理图像分割结果。
在上述任一方案中优选的是,所述GrabCut迭代分割逐步求解的算法描述如下:
步骤a:初始化;
步骤b:计算标签集L′F和L′B所对应的GMM相关统计参数;
步骤c:更新计算每个像素ρ到前景和背景所对应的概率Dp(γ=1)和Dp(γ=0),将区域项和惩罚项映射到加权图中,通过Boykov的最大流最小割算法,得到新的分割标签集;
步骤d:计算前景与背景的概率密度分布KL距离并度量KL(GMM(L′F)||GMM(L′B)),如果
即前相邻两次分割的前景与背景的概率密度KL距离比值小于0.01,则终止GrabCut纹理图像分割,转步骤e,否则转步骤b;
步骤e:得到稳定的纹理图像分割结果。
在上述任一方案中优选的是,所述步骤a为设定前景矩形框为Wf,背景为Wb,且满足Wf∪Wb=Ωl。利用K-means对前景Wf和背景Wb分别进行特征聚类,并建立初始的图割模型G=(V,E),得到前景和背景各自对应的标签集LF={γp=1|p∈W′f}和LB={γp=0|p∈W′b},其中W′f和W′b是初次分割后的标签区域;建立前景和背景所对应的GMM概率密度分布Dp(γp=1)和Dp(γp=0),再次建立上述图割模型,并进行GrphCut最大流最小割切分,得到新的标签集L′F和L′B。
按照本发明的Gabor变换和Grabcut的纹理图像分割方法,最大程度的避免了无线传感器密钥被攻击后造成瘫痪的问题,提高了***的安全性,及时某次攻击得逞,也能保证其影响最小化。
采用Gabor小波分析法,能够解决传统基于颜色的特征描述方式中由于缺乏尺度与方向描述能力,使得同一幅图像中不同尺度和方向的纹理对象,运用颜色特征对其描述显得无能为力的问题,具有人工交互简洁、处理速度快、图像分割效果好等特点。
附图说明
图1为按照本发明的基于Gabor变换的GrabCut纹理图像分割方法的一优选实施例的流程图。
图2为按照本发明的基于Gabor变换的GrabCut纹理图像分割方法的最大流最小割的一优选实施例的原始纹理图。
图2a为按照本发明的基于Gabor变换的GrabCut纹理图像分割方法的如图2所示的实施例的能量泛函加权图。
图2b为按照本发明的基于Gabor变换的GrabCut纹理图像分割方法的如图2所示的实施例的最大流最小割切分图。
图2c为按照本发明的基于Gabor变换的GrabCut纹理图像分割方法的如图2所示的实施例的图像分割结果图。
图3为按照本发明的基于Gabor变换的GrabCut纹理图像分割方法的迭代的一优选实施例的分割过程示意图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的阐述。
如图1所示,执行步骤100,为了计算得到一幅离散二维图像的多尺度多方向的纹理特征,需要将图像I变换到频域空间表示。假设G(x,y)是一个二维可微的平滑函数,对于Gabor函数,其定义如下式所示:
其中:σx,σy分别是沿x方向和y方向对应Gabor函数的缩放系数,将G(x,y)作为Gabor小波变换的母函数,通过适当旋转和缩放,得到一组形状相似、方向和尺度具有差异的滤波器组,并通过对图像空间进行缩放与旋转变化得到多尺度多方向的Gabor滤波器组,即
Gs,θ(x,y)=a-sG(x′,y′)
x′=a-s(xcosθ+ysinθ)
y′=a-s(ycosθ-xsinθ)
其中;s为尺度,0≤s≤S-1,S为总尺度数;θ为方向角,0≤θ=kπ/M,k=0,1,…,M-1,M为总方向数。
通过对原始图像空间的采样点进行上述多尺度的Gabor变换,结合频谱空间的二维Gabor滤波器组变换,可进一步求取采样点在频谱空间的多尺度多方向的参数化特征。
执行步骤110,为了获得一个包含多方向多尺度的滤波器组,可以对Gabor函数进行变换,将其转换到频谱空间。由于各个尺度各个方向的滤波器组之间并非正交关系,造成滤波后的图像存在大量的冗余信息,为了克服该缺陷,在频率空间对相关参数进行转化计算。对上一步骤中的二维Gabor小波进行如下变换:
其中:上一步骤中缩放系数其中Uh、Ul分别为S的最高中心频率和最低中心频率值,它能保证滤波器组的滤波响应在半峰值频谱空间相互接触而又互不重叠。对Gabor函数的相关参数可以进一步计算得到:
我们设定Uh=0.45,Ul=0.06,S=4,M=6,得到一个4尺度、6个方向的纹理特征。
执行步骤120,通过多尺度多方向的频率滤波器对二维离散图像进行处理后,可以得到多尺度多方向的纹理特征。假设用F(u,v)={f0,f1,...,fN-1}表示(u,v)点的Gabor纹理特征,N=M×N,其中:M是方向数,S是尺度数。
根据马尔科夫随机场能量泛函定义,在纹理图像分割过程中,需要对分割的前景目标区域与边缘进行限制,其能量泛函公式化表示如下:
其中:p为多尺度变换后图像中的一点对应的纹理特征F;a、b为点邻接域r=4,8,16的近邻区域;γ为前景和背景的分割标号,γ=1表示前景,γ=0表示背景;Nr为图像中所有邻接像素对所组成的集合。上式中的第1项为区域项,它描述了图像的区域信息,表示像素点隶属于前景或背景的相似度;第2项为边缘平滑项,它用于评估邻接像素点a、b归属于不同标号集时的惩罚值;β为控制区域项与数据项之间的权重因子,其值越大,分割的区域一致性越好,对形状单一、区域集中的目标就越适合,而较小权重因子较适合局部细节可分性强、形状复杂且相对离散的目标。
执行步骤130,对二维图像进行多尺度多方向频谱空间纹理特征提取后,需要利用多尺度特征刻画不同的图像目标,并对这些多尺度特征进行概率分布建模。由于GMM概率分布模型可以描述任何类型的概率分布,且具有对图像描述的鲁棒性和准确性,对于上式中的区域项和边缘项,可以采用GMM建模的方式来描述多尺度纹理特征的分布,从而保证分割的目标接近于人眼的视觉分割效果。对区域项进行GMM模,具体实现如下式所示:
其中:K是聚类的中心数;ρk是GMM的第k个高斯分量部分的权重,它反映了第k个高斯部分的特征贡献,其初始值的大小为利用K-means进行初始聚类过程中,第k类的特征点个数与整个图像大小的比值;uk,l(γ)为第k个高斯部分,且其尺度与方向的乘积为l时对应的Gabor特征的均值和方差,当p为1时,取前景的第k个高斯部分的第l个均值和方差,否则取背景的第l个均值和方差。
对于边缘项的高斯概率分布,其计算如下:
Sa,b(γ)=[γa≠γb](d(a,b)-1exp(-ηdis(a,b)2)+τ)
其中:γa,γb分别为a、b两点的标签值;d(a,b)为a、b两点的像素值欧氏距离;dis(a,b)为a、b两点的多尺度多方向Gabor纹理特征的向量距离,可以利用局部保持投影LPP的方式计算向量之间的距离。为了提高图像的抗噪声特性,引入抗噪常数τ和分割边缘长度限制η。η为纹理特征的归一化系数,其计算公式为
其中:∣L|为图像中像素的个数,即图像的大小;dis(m,n)为两个多尺度多方向特征的LPP距离度量。通过上述对前景和背景分别进行GMM建模,可以实现纹理图像分割的能量建模,并可进一步实现最大流最小割的GraphCut纹理图像分割的求解。
执行步骤140,对于以上能量泛函的最小化问题,可将能量函数转化为最大流最小割的图割模型实现,即将纹理图像的最优分割问题转化为图的最大流最小割问题,并通过GrabCut的迭代过程更新GMM模型的参数,同时利用前景和背景的概率分布的KL度量决定迭代的终止。
这里首先给定一幅3×3的图像,用于图切分优化模型的简单说明。对于原始的纹理图像可以转化为一个具有两个端点的加权图G=(V,E)。其中:V是图像像素点与端点(s,t)的集合;E是边的集合,它包括像素点属于前景和背景的加权相似边,以及与邻域边之间的惩罚权重。对于图2中的原始纹理图像,其f1为前景的标记点,b1为背景的标记点,通过K-mean聚类得到纹理特征各自的类别,经计算得到前景和背景的GMM的统计参数,并通过GMM建立如图2a所示的加权图模型。其中纹理图像中的点与端点(s,t)之间的边表明与前景或背景的相似度大小,上半部分的边代表纹理图像中的像素点与前景的相似度,下半部分的边代表与背景的相似度,边越粗说明相似度越大。在建立加权图后,通过Boykov提出的经典最大流最小割进行全局最优的图割得到图2b;再经过全局S-T最小割运算实现能量泛函的最小化,最终得到图2c所示的纹理分割结果。
基于上述最大流最小割的思想,为了得到最优的纹理图像分割结果,可以通过GrabCut迭代分割逐步求解实现,其算法描述如下:
1)初始化。假设前景矩形框为Wf,背景为Wb,且满足Wf∪Wb=ΩI。利用K-means对前景Wf和背景Wb分别进行特征聚类,并建立初始的图割模型G=(V,E),得到前景和背景各自对应的标签集LF={γp=1|p∈W′f}和LB={γp=0|p∈W′b},其中W′f和W′b是初次分割后的标签区域。同时,建立前景和背景所对应的GMM概率密度分布Dp(γp=1)和Dp(γp=0)再次建立上述图割模型,并进行GrphCut最大流最小割切分,得到新的标签集L′F和L′B。
2)计算标签集L′F和L′B所对应的GMM相关统计参数:方差均值均值uk,l(γ)以及高斯分量的权重ρk(其中混合权重系数为当前属于该高斯分量的像素总数占图像总像素数的百分比)。
3)更新计算每个像素ρ到前景和背景所对应的概率Dp(γ=1)和Dp(γ=0),将区域项和惩罚项映射到加权图中,通过Boykov的最大流最小割算法,得到新的分割标签集。
4)计算前景与背景的概率密度分布KL距离并度量KL(GMM(L′F)||GMM(L′B)),如果
即前相邻两次分割的前景与背景的概率密度KL距离比值小于0.01,则终止GrabCut纹理图像分割,转步骤5),否则转步骤2)。
5)得到稳定的纹理图像分割结果,退出。经过上面GrabCut的迭代更新过程,保证前景和背景的纹理图像分割达到一个稳定的状态,这个状态是如图3所示的GrabCut迭代分割的结果,它等价于前面描述的最小能量值,
为了更好地理解本发明,以上结合本发明的具体实施例做了详细描述,但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改,均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于***实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
可能以许多方式来实现本发明的方法、装置和***。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和***。用于所述方法的步骤的上述顺序仅是为了进行说明,本发明的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本发明实施为记录在记录介质中的程序,这些程序包括用于实现根据本发明的方法的机器可读指令。因而,本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
本发明的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (10)
1.一种基于Gabor变换的GrabCut纹理图像分割方法,包括以下步骤:
步骤1:将二维图像通过Gabor小波变换到频域空间表示;
步骤2:计算频谱空间二维Gabor滤波器组的参数化变换,得到多尺度多方向的纹理特征;
步骤3:构建多尺度纹理能量泛函;
步骤4:计算纹理特征的GMM概率分布模型;
步骤5:将纹理特征的GMM带入GrabCut进行图像分割。
2.如权利要求1所述的基于Gabor变换的GrabCut纹理图像分割方法,其特征在于:通过将图像变换到频域空间表示,计算得到一幅离散二维图像的所述多尺度多方向的纹理特征。
3.如权利要求1所述的基于Gabor变换的GrabCut纹理图像分割方法,其特征在于:所述Gabor函数其定义如下式所示:
其中:σx,σy分别是沿x方向和y方向对应Gabor函数的缩放系数,将G(x,y)作为Gabor小波变换的母函数。
4.如权利要求3所述的基于Gabor变换的GrabCut纹理图像分割方法,其特征在于:通过适当旋转和缩放,得到一组形状相似、方向和尺度具有差异的滤波器组。
5.如权利要求4所述的基于Gabor变换的GrabCut纹理图像分割方法,其特征在于:通过对图像空间进行缩放与旋转变化得到多尺度多方向的Gabor滤波器组,即
Gs,θ(x,y)=a-sG(x′,y′)
x′=a-s(xcosθ+ysinθ)
y′=a-s(ycosθ-xsinθ)
其中;s为尺度,0≤s≤S-1,S为总尺度数;θ为方向角,0≤θ=kπ/M,k=0,1,…,M-1,M为总方向数。
6.如权利要求5所述的基于Gabor变换的GrabCut纹理图像分割方法,其特征在于:对原始图像空间的采样点进行所述多尺度的Gabor变换,结合频谱空间的二维Gabor滤波器组变换,求取采样点在频谱空间的多尺度多方向的参数化特征。
7.如权利要求1所述的基于Gabor变换的GrabCut纹理图像分割方法,其特征在于:通过对所述Gabor函数进行变换,将所述Gabor函数转换到频谱空间,得到一个包含多方向多尺度的所述滤波器组。
8.如权利要求7所述的基于Gabor变换的GrabCut纹理图像分割方法,其特征在于:在频率空间对相关参数进行转化计算。对所述二维Gabor小波进行如下变换:
其中:上一步骤中缩放系数其中Uh、Ul分别为S的最高中心频率和最低中心频率值。
9.如权利要求8所述的基于Gabor变换的GrabCut纹理图像分割方法,其特征在于:通过对所述Gabor函数的相关参数进一步计算得到:
10.如权利要求1所述的基于Gabor变换的GrabCut纹理图像分割方法,其特征在于:通过多尺度多方向的频率滤波器对所述二维离散图像进行处理后,可以得到多尺度多方向的所述纹理特征。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610846818 | 2016-09-23 | ||
CN2016108468184 | 2016-09-23 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106780508A true CN106780508A (zh) | 2017-05-31 |
Family
ID=58975094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611042553.9A Pending CN106780508A (zh) | 2016-09-23 | 2016-11-24 | 一种基于Gabor变换的GrabCut纹理图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106780508A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108036746A (zh) * | 2017-12-26 | 2018-05-15 | 太原理工大学 | 一种基于频谱法的Gabor变换实现碳纤维复合材料表面纹理分析方法 |
CN108398260A (zh) * | 2018-01-10 | 2018-08-14 | 浙江大学 | 基于混合概率方法的齿轮箱瞬时角速度的快速评估方法 |
CN109635823A (zh) * | 2018-12-07 | 2019-04-16 | 湖南中联重科智能技术有限公司 | 用于识别卷扬乱绳的方法和装置及工程机械 |
CN109685907A (zh) * | 2017-10-18 | 2019-04-26 | 深圳市掌网科技股份有限公司 | 基于增强现实的图像结合方法及*** |
CN111110332A (zh) * | 2020-01-19 | 2020-05-08 | 汕头市超声仪器研究所有限公司 | 一种穿刺针显影增强图像优化方法 |
CN111932646A (zh) * | 2020-07-16 | 2020-11-13 | 电子科技大学 | 一种用于对抗攻击的图像处理方法 |
WO2021212693A1 (zh) * | 2020-04-23 | 2021-10-28 | 北京华科创智健康科技股份有限公司 | 一种融合Gabor小波的多尺度局部水平集超声图像分割方法 |
CN114937011A (zh) * | 2022-05-12 | 2022-08-23 | 北京航空航天大学 | 一种基于经验Garbor小波变换的光伏电池图像异常检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074013A (zh) * | 2011-01-26 | 2011-05-25 | 刘国英 | 基于小波域多尺度Markov网模型的图像分割方法 |
CN102819840A (zh) * | 2012-07-25 | 2012-12-12 | 清华大学深圳研究生院 | 一种纹理图像的分割方法 |
-
2016
- 2016-11-24 CN CN201611042553.9A patent/CN106780508A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074013A (zh) * | 2011-01-26 | 2011-05-25 | 刘国英 | 基于小波域多尺度Markov网模型的图像分割方法 |
CN102819840A (zh) * | 2012-07-25 | 2012-12-12 | 清华大学深圳研究生院 | 一种纹理图像的分割方法 |
Non-Patent Citations (2)
Title |
---|
杨章静等: "基于Gabor变换的GrabCut纹理图像分割", 《控制与决策》 * |
柳欢欢等: "基于小波变换的GrabCut图像分割", 《计算机***应用》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685907A (zh) * | 2017-10-18 | 2019-04-26 | 深圳市掌网科技股份有限公司 | 基于增强现实的图像结合方法及*** |
CN108036746A (zh) * | 2017-12-26 | 2018-05-15 | 太原理工大学 | 一种基于频谱法的Gabor变换实现碳纤维复合材料表面纹理分析方法 |
CN108398260A (zh) * | 2018-01-10 | 2018-08-14 | 浙江大学 | 基于混合概率方法的齿轮箱瞬时角速度的快速评估方法 |
CN109635823A (zh) * | 2018-12-07 | 2019-04-16 | 湖南中联重科智能技术有限公司 | 用于识别卷扬乱绳的方法和装置及工程机械 |
CN111110332A (zh) * | 2020-01-19 | 2020-05-08 | 汕头市超声仪器研究所有限公司 | 一种穿刺针显影增强图像优化方法 |
WO2021212693A1 (zh) * | 2020-04-23 | 2021-10-28 | 北京华科创智健康科技股份有限公司 | 一种融合Gabor小波的多尺度局部水平集超声图像分割方法 |
CN111932646A (zh) * | 2020-07-16 | 2020-11-13 | 电子科技大学 | 一种用于对抗攻击的图像处理方法 |
CN111932646B (zh) * | 2020-07-16 | 2022-06-21 | 电子科技大学 | 一种用于对抗攻击的图像处理方法 |
CN114937011A (zh) * | 2022-05-12 | 2022-08-23 | 北京航空航天大学 | 一种基于经验Garbor小波变换的光伏电池图像异常检测方法 |
CN114937011B (zh) * | 2022-05-12 | 2024-05-28 | 北京航空航天大学 | 一种基于经验Garbor小波变换的光伏电池图像异常检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780508A (zh) | 一种基于Gabor变换的GrabCut纹理图像分割方法 | |
CN108053417B (zh) | 一种基于混合粗分割特征的3D U-Net网络的肺分割装置 | |
CN102592136B (zh) | 基于几何图像中中频信息的三维人脸识别方法 | |
CN103473767B (zh) | 一种腹部软组织核磁图像分割的方法和*** | |
CN107403434B (zh) | 基于两阶段聚类的sar图像语义分割方法 | |
CN110503649A (zh) | 一种基于空间多尺度U-net与超像素修正的肝脏分割方法 | |
CN106296695A (zh) | 基于显著性的自适应阈值自然目标图像分割抽取算法 | |
CN103955913B (zh) | 一种基于线段共生矩阵特征和区域图的sar图像分割方法 | |
CN104616308A (zh) | 一种基于核模糊聚类的多尺度水平集图像分割方法 | |
CN105389821B (zh) | 一种基于云模型和图割相结合的医学图像分割方法 | |
CN102903102A (zh) | 基于非局部的三马尔可夫随机场sar图像分割方法 | |
CN102663762B (zh) | 医学图像中对称器官的分割方法 | |
Zhong et al. | Multiscale and multifeature normalized cut segmentation for high spatial resolution remote sensing imagery | |
CN104732551A (zh) | 基于超像素和图割优化的水平集图像分割方法 | |
CN109363697A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
Shen et al. | A simplification of urban buildings to preserve geometric properties using superpixel segmentation | |
CN111815640B (zh) | 一种基于忆阻器的rbf神经网络医学图像分割算法 | |
Xue et al. | Lung 4D CT image registration based on high-order markov random field | |
CN108710862A (zh) | 一种高分辨率遥感影像水体提取方法 | |
CN110717978B (zh) | 基于单张图像的三维头部重建方法 | |
CN106919950B (zh) | 概率密度加权测地距离的脑部mr图像分割方法 | |
CN108846845A (zh) | 基于缩略图与分层模糊聚类的sar图像分割方法 | |
Pascal et al. | Strongly convex optimization for joint fractal feature estimation and texture segmentation | |
CN113487578B (zh) | 一种基于双边加权核图割的sar图像变化检测方法 | |
Kitrungrotsakul et al. | Interactive deep refinement network for medical image segmentation |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |
|
RJ01 | Rejection of invention patent application after publication |