CN107103611A - 一种基于最大稳定均匀区域的图像分割方法 - Google Patents

一种基于最大稳定均匀区域的图像分割方法 Download PDF

Info

Publication number
CN107103611A
CN107103611A CN201710357006.8A CN201710357006A CN107103611A CN 107103611 A CN107103611 A CN 107103611A CN 201710357006 A CN201710357006 A CN 201710357006A CN 107103611 A CN107103611 A CN 107103611A
Authority
CN
China
Prior art keywords
edge
image
tree
component
value
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.)
Withdrawn
Application number
CN201710357006.8A
Other languages
English (en)
Inventor
夏春秋
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.)
Shenzhen Vision Technology Co Ltd
Original Assignee
Shenzhen Vision Technology 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 Shenzhen Vision Technology Co Ltd filed Critical Shenzhen Vision Technology Co Ltd
Priority to CN201710357006.8A priority Critical patent/CN107103611A/zh
Publication of CN107103611A publication Critical patent/CN107103611A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明中提出的一种基于最大稳定均匀区域的图像分割方法，其主要内容包括：基于边缘的组件树、将基于泛洪的灰度值树结构扩展到基于边缘的分量树、将现有的基于泛洪的组件树扩展到多值图像、最大稳定均匀区域，其过程为，对于灰度值图像，通过从连续阈值获得的图像二进制水平集构建分量树；定义像素边缘的邻域关系，构造基于泛洪的灰度值树；将现有的基于泛洪的组件树扩展到多值图像；运用最大稳定均匀区域方法改变面积的重叠区域。本发明提出的基于最大稳定均匀区域，可应用于具有任意数量通道的图像，扩展了有效计算，改进了最大稳定极值区域的方法；同时能够提取具有较浅和较暗背景的区域，提高分割的准确性，有效提取信息。

Description

一种基于最大稳定均匀区域的图像分割方法
技术领域
本发明涉及图像分割领域，尤其是涉及了一种基于最大稳定均匀区域的图像分割方法。
背景技术
随着科技发展和图像信息的大量产生，目标图像的自动识别和分类应用越来越广泛，同时实际应用问题对目标识别技术的要求也越来越高。其中图像分割技术是图像识别分类技术中的一个重要阶段，它主要依据图像像素点灰度和区域分布特性进行特征提取。图像分割质量高，将有利于图像识别技术接下来的特征提取和目标识别。图像分割技术现已广泛应用于机器视觉、人脸识别、指纹识别、交通控制***、卫星图像中定位物体(道路、森林等)、行人检测、医学影像中肿瘤和其他病理的定位、组织体积的测量等。然而传统的图像分割方法大多是基于最大稳定极值区域，但是这种方法在计算上要求很高，不能应用于具有任意数量的通道的图像。
本发明提出了一种基于最大稳定均匀区域的图像分割方法，对于灰度值图像，通过从连续阈值获得的图像二进制水平集构建分量树；定义像素边缘的邻域关系，构造基于泛洪的灰度值树；将现有的基于泛洪的组件树扩展到多值图像；运用最大稳定均匀区域方法改变面积的重叠区域。本发明提出的基于最大稳定均匀区域，可应用于具有任意数量通道的图像，扩展了有效计算，改进了最大稳定极值区域的方法；同时能够提取具有较浅和较暗背景的区域，提高分割的准确性，有效提取信息。
发明内容
针对在计算上要求很高，不能应用于具有任意数量的通道的图像等问题，本发明的目的在于提供一种基于最大稳定均匀区域的图像分割方法，对于灰度值图像，通过从连续阈值获得的图像二进制水平集构建分量树；定义像素边缘的邻域关系，构造基于泛洪的灰度值树；将现有的基于泛洪的组件树扩展到多值图像；运用最大稳定均匀区域方法改变面积的重叠区域。
为解决上述问题，本发明提供一种基于最大稳定均匀区域的图像分割方法，其主要内容包括：
(一)基于边缘的组件树；
(二)将基于泛洪的灰度值树结构扩展到基于边缘的分量树；
(三)将现有的基于泛洪的组件树扩展到多值图像；
(四)最大稳定均匀区域。
其中，所述的基于边缘的组件树，对于灰度值图像，通过从连续阈值获得的图像二进制水平集构建分量树；与其灰度值对应，基于边缘的组件树的节点是输入图像中的连接分量；连通性通过边缘幅度的阈值定义；所得到的组件特征在于，区域内的每个像素具有小于当前阈值的垂直或水平边缘，反之亦然，组件的所有外边缘都大于当前边缘幅度阈值；通过连续增加阈值，组件增长，并最终合并到其他组件中；合并过程记录在组件树中，可用于在连接的组件上高效执行图像处理任务。
进一步地，所述的组件树，是分层数据结构，基本上有三种不同的组件树计算算法：浸没式算法，泛洪算法和基于合并的算法；通过从连续阈值获得的二进制集合的连接分量对灰度图像进行建模；将灰度图像的组件树扩展到具有任意数量信道的图像，同时保持计算复杂度为线性。
其中，所述的将基于泛洪的灰度值树结构扩展到基于边缘的分量树，定义像素边缘的邻域关系；本质上，每个像素有四个边，即两个垂直和两个水平；此外，每个垂直和水平像素边缘连接两个相邻的像素；因此，由于两个相邻像素共享其边缘之一，所以每个边缘具有6个独特的边缘邻域。
进一步地，所述的边缘邻域，为了确保图像中的每个边缘具有6个邻域，并且不需要明确的边界处理，图像边界处的边缘被人为地添加到无限大小；因此，在图像的每一行中存在w+1个水平边缘和w个垂直边缘，其中w是原始图像的宽度。
进一步地，所述的邻域关系，给定邻域关系，选择任意图像边缘并将其值与其六个相邻像素进行比较；一旦找到一个较低值的边，就会有相应的边缘，并检查其六个相邻边；将所有访问的边缘存储到边缘堆栈中，具体取决于它们的值；离散化堆栈的大小，在前一步骤中将所有边缘量值进行二进制化。
进一步地，所述的局部最小值，一旦找到局部最小值，将属于相应边缘的像素合并到树的一个组件中；由于收集了堆栈中的所有访问像素，可以从堆栈中的最低边开始，并将像素连续合并到组件中。
进一步地，所述的基于泛洪的灰度值树，树形结构从任意图像像素开始，并将其灰度值与其相邻像素进行比较；如果遇到具有较低灰度值的像素，则该过程会向该像素泛洪；过程中遇到的每个像素被存储到一个堆栈中，它具有与灰度级一样多的狭窄通道；一旦过程中遇到局部灰度值最小值，就会生成一个新的连接组件；然后，堆叠中的下一个最低值的像素被弹出并与其邻域进行比较；这允许通过所有像素单次遍历组件树的构造。
其中，所述的将现有的基于泛洪的组件树扩展到多值图像，首先，像素有大约两倍的图像边缘；此外，每个边缘必须考虑6个边缘邻域；因此，预期构造过程比单个极性的灰度值分量树的加速约慢3倍(加上计算图像边缘的时间)；然而，由于基于边缘的组件树捕获比其背景更浅或更暗的所有区域，所以当提取两个极性的区域时，运行时间基本上只是慢1.5倍；对于两个组件树，树遍历的复杂度是相同的。
其中，所述的最大稳定均匀区域，令R1,…,Ri-1,Ri,…分别为一组嵌套的均匀或极值区域(因此)；最稳定的区域Ri*在最大稳定极值区域的上下文中，最大稳定均匀区域是i*的局部最小值的区域；
s(i)＝|Ri+Δ\Ri-Δ|-|Ri| (1)
其中，Δ是稳定性参数，|·|表示基数；
在组件树(灰度和边缘)中，每个给定节点的亲本序列是一组嵌套区域；每个节点进一步存储其区域和创建的阈值级别；因此，可以通过分别在D的距离处检查父节点和子节点的面积来为每个节点计算s(i)；所得到的区域可能是在给定数量的阈值(灰度或边缘)上显著改变它们的面积的重叠区域。
附图说明
图1是本发明一种基于最大稳定均匀区域的图像分割方法的***框架图。
图2是本发明一种基于最大稳定均匀区域的图像分割方法的基于边缘的组件树。
图3是本发明一种基于最大稳定均匀区域的图像分割方法的垂直和水平边缘的邻域关系。
图4是本发明一种基于最大稳定均匀区域的图像分割方法的构造基于泛洪的灰度值树。
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结合，下面结合附图和具体实施例对本发明作进一步详细说明。
图1是本发明一种基于最大稳定均匀区域的图像分割方法的***框架图。主要包括基于边缘的组件树，将基于泛洪的灰度值树结构扩展到基于边缘的分量树，将现有的基于泛洪的组件树扩展到多值图像，最大稳定均匀区域。
基于泛洪的灰度值树，树形结构从任意图像像素开始，并将其灰度值与其相邻像素进行比较；如果遇到具有较低灰度值的像素，则该过程会向该像素泛洪；过程中遇到的每个像素被存储到一个堆栈中，它具有与灰度级一样多的狭窄通道；一旦过程中遇到局部灰度值最小值，就会生成一个新的连接组件；然后，堆叠中的下一个最低值的像素被弹出并与其邻域进行比较；这允许通过所有像素单次遍历组件树的构造。
将现有的基于泛洪的组件树扩展到多值图像，首先，像素有大约两倍的图像边缘；此外，每个边缘必须考虑6个边缘邻域；因此，预期构造过程比单个极性的灰度值分量树的加速约慢3倍(加上计算图像边缘的时间)；然而，由于基于边缘的组件树捕获比其背景更浅或更暗的所有区域，所以当提取两个极性的区域时，运行时间基本上只是慢1.5倍；对于两个组件树，树遍历的复杂度是相同的。
最大稳定均匀区域，令R1,…,Ri-1,Ri,…分别为一组嵌套的均匀或极值区域(因此 最稳定的区域Ri*在最大稳定极值区域的上下文中，最大稳定均匀区域是i*的局部最小值的区域；
s(i)＝|Ri+Δ\Ri-Δ|-|Ri| (1)
其中，Δ是稳定性参数，|·|表示基数；
在组件树(灰度和边缘)中，每个给定节点的亲本序列是一组嵌套区域；每个节点进一步存储其区域和创建的阈值级别；因此，可以通过分别在D的距离处检查父节点和子节点的面积来为每个节点计算s(i)；所得到的区域可能是在给定数量的阈值(灰度或边缘)上显著改变它们的面积的重叠区域。
图2是本发明一种基于最大稳定均匀区域的图像分割方法的基于边缘的组件树。对于灰度值图像，通过从连续阈值获得的图像二进制水平集构建分量树；与其灰度值对应，基于边缘的组件树的节点是输入图像中的连接分量；连通性通过边缘幅度的阈值定义；所得到的组件特征在于，区域内的每个像素具有小于当前阈值的垂直或水平边缘，反之亦然，组件的所有外边缘都大于当前边缘幅度阈值；通过连续增加阈值，组件增长，并最终合并到其他组件中；合并过程记录在组件树中，可用于在连接的组件上高效执行图像处理任务。
组件树是分层数据结构，基本上有三种不同的组件树计算算法：浸没式算法，泛洪算法和基于合并的算法；通过从连续阈值获得的二进制集合的连接分量对灰度图像进行建模；将灰度图像的组件树扩展到具有任意数量信道的图像，同时保持计算复杂度为线性。
图3是本发明一种基于最大稳定均匀区域的图像分割方法的垂直和水平边缘的邻域关系。定义像素边缘的邻域关系；本质上，每个像素有四个边，即两个垂直和两个水平；此外，每个垂直和水平像素边缘连接两个相邻的像素；因此，由于两个相邻像素共享其边缘之一，所以每个边缘具有6个独特的边缘邻域。
图4是本发明一种基于最大稳定均匀区域的图像分割方法的构造基于泛洪的灰度值树。为了确保图像中的每个边缘具有6个邻域，并且不需要明确的边界处理，图像边界处的边缘被人为地添加到无限大小；因此，在图像的每一行中存在w+1个水平边缘和w个垂直边缘，其中w是原始图像的宽度。
给定邻域关系，选择任意图像边缘并将其值与其六个相邻像素进行比较；一旦找到一个较低值的边，就会有相应的边缘，并检查其六个相邻边；将所有访问的边缘存储到边缘堆栈中，具体取决于它们的值；离散化堆栈的大小，在前一步骤中将所有边缘量值进行二进制化。
一旦找到局部最小值，将属于相应边缘的像素合并到树的一个组件中；由于收集了堆栈中的所有访问像素，可以从堆栈中的最低边开始，并将像素连续合并到组件中。
对于本领域技术人员，本发明不限制于上述实施例的细节，在不背离本发明的精神和范围的情况下，能够以其他具体形式实现本发明。此外，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，这些改进和变型也应视为本发明的保护范围。因此，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

Claims (10)

1.一种基于最大稳定均匀区域的图像分割方法，其特征在于，主要包括基于边缘的组件树(一)；将基于泛洪的灰度值树结构扩展到基于边缘的分量树(二)；将现有的基于泛洪的组件树扩展到多值图像(三)；最大稳定均匀区域(四)。
2.基于权利要求书1所述的基于边缘的组件树(一)，其特征在于，对于灰度值图像，通过从连续阈值获得的图像二进制水平集构建分量树；与其灰度值对应，基于边缘的组件树的节点是输入图像中的连接分量；连通性通过边缘幅度的阈值定义；所得到的组件特征在于，区域内的每个像素具有小于当前阈值的垂直或水平边缘，反之亦然，组件的所有外边缘都大于当前边缘幅度阈值；通过连续增加阈值，组件增长，并最终合并到其他组件中；合并过程记录在组件树中，可用于在连接的组件上高效执行图像处理任务。
3.基于权利要求书2所述的组件树，其特征在于，组件树是分层数据结构，基本上有三种不同的组件树计算算法：浸没式算法，泛洪算法和基于合并的算法；通过从连续阈值获得的二进制集合的连接分量对灰度图像进行建模；将灰度图像的组件树扩展到具有任意数量信道的图像，同时保持计算复杂度为线性。
4.基于权利要求书1所述的将基于泛洪的灰度值树结构扩展到基于边缘的分量树(二)，其特征在于，定义像素边缘的邻域关系；本质上，每个像素有四个边，即两个垂直和两个水平；此外，每个垂直和水平像素边缘连接两个相邻的像素；因此，由于两个相邻像素共享其边缘之一，所以每个边缘具有6个独特的边缘邻域。
5.基于权利要求书4所述的边缘邻域，其特征在于，为了确保图像中的每个边缘具有6个邻域，并且不需要明确的边界处理，图像边界处的边缘被人为地添加到无限大小；因此，在图像的每一行中存在w+1个水平边缘和w个垂直边缘，其中w是原始图像的宽度。
6.基于权利要求书4所述的邻域关系，其特征在于，给定邻域关系，选择任意图像边缘并将其值与其六个相邻像素进行比较；一旦找到一个较低值的边，就会有相应的边缘，并检查其六个相邻边；将所有访问的边缘存储到边缘堆栈中，具体取决于它们的值；离散化堆栈的大小，在前一步骤中将所有边缘量值进行二进制化。
7.基于权利要求书4所述的局部最小值，其特征在于，一旦找到局部最小值，将属于相应边缘的像素合并到树的一个组件中；由于收集了堆栈中的所有访问像素，可以从堆栈中的最低边开始，并将像素连续合并到组件中。
8.基于权利要求书4所述的基于泛洪的灰度值树，其特征在于，树形结构从任意图像像素开始，并将其灰度值与其相邻像素进行比较；如果遇到具有较低灰度值的像素，则该过程会向该像素泛洪；过程中遇到的每个像素被存储到一个堆栈中，它具有与灰度级一样多的狭窄通道；一旦过程中遇到局部灰度值最小值，就会生成一个新的连接组件；然后，堆叠中的下一个最低值的像素被弹出并与其邻域进行比较；这允许通过所有像素单次遍历组件树的构造。
9.基于权利要求书1所述的将现有的基于泛洪的组件树扩展到多值图像(三)，其特征在于，首先，像素有大约两倍的图像边缘；此外，每个边缘必须考虑6个边缘邻域；因此，预期构造过程比单个极性的灰度值分量树的加速约慢3倍(加上计算图像边缘的时间)；然而，由于基于边缘的组件树捕获比其背景更浅或更暗的所有区域，所以当提取两个极性的区域时，运行时间基本上只是慢1.5倍；对于两个组件树，树遍历的复杂度是相同的。
10.基于权利要求书1所述的最大稳定均匀区域(四)，其特征在于，令R1,…,Ri-1,Ri,…分别为一组嵌套的均匀或极值区域(因此)；最稳定的区域Ri*在最大稳定极值区域的上下文中，最大稳定均匀区域是i*的局部最小值的区域；
s(i)＝|Ri+Δ\Ri-Δ|-|Ri| (1)
其中，Δ是稳定性参数，|·|表示基数；
在组件树(灰度和边缘)中，每个给定节点的亲本序列是一组嵌套区域；每个节点进一步存储其区域和创建的阈值级别；因此，可以通过分别在D的距离处检查父节点和子节点的面积来为每个节点计算s(i)；所得到的区域可能是在给定数量的阈值(灰度或边缘)上显著改变它们的面积的重叠区域。
CN201710357006.8A 2017-05-19 2017-05-19 一种基于最大稳定均匀区域的图像分割方法 Withdrawn CN107103611A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710357006.8A CN107103611A (zh) 2017-05-19 2017-05-19 一种基于最大稳定均匀区域的图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710357006.8A CN107103611A (zh) 2017-05-19 2017-05-19 一种基于最大稳定均匀区域的图像分割方法

Publications (1)

Publication Number Publication Date
CN107103611A true CN107103611A (zh) 2017-08-29

Family

ID=59669298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710357006.8A Withdrawn CN107103611A (zh) 2017-05-19 2017-05-19 一种基于最大稳定均匀区域的图像分割方法

Country Status (1)

Country Link
CN (1) CN107103611A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109035276A (zh) * 2018-06-26 2018-12-18 北京中科慧眼科技有限公司 一种图像边缘提取方法、装置及自动驾驶***
CN110648340A (zh) * 2019-09-29 2020-01-03 惠州学院 一种基于二进制及水平集处理图像的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TOBIAS B¨OTTGER 等: ""Edge-based Component-Trees for Multi-Channel Image Segmentation"", 《网页在线公开:HTTPS://ARXIV.ORG/ABS/1705.01906V1》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109035276A (zh) * 2018-06-26 2018-12-18 北京中科慧眼科技有限公司 一种图像边缘提取方法、装置及自动驾驶***
CN109035276B (zh) * 2018-06-26 2022-03-18 北京中科慧眼科技有限公司 一种图像边缘提取方法、装置及自动驾驶***
CN110648340A (zh) * 2019-09-29 2020-01-03 惠州学院 一种基于二进制及水平集处理图像的方法及装置
CN110648340B (zh) * 2019-09-29 2023-03-17 惠州学院 一种基于二进制及水平集处理图像的方法及装置

Similar Documents

Publication Publication Date Title
Wei et al. Toward automatic building footprint delineation from aerial images using CNN and regularization
US10198657B2 (en) All-weather thermal-image pedestrian detection method
CN110414507B (zh) 车牌识别方法、装置、计算机设备和存储介质
CN101872416B (zh) 对道路图像进行车牌识别的方法和***
CN108121991B (zh) 一种基于边缘候选区域提取的深度学习舰船目标检测方法
CN104978567B (zh) 基于场景分类的车辆检测方法
US8385654B2 (en) Salience estimation for object-based visual attention model
CN107346409A (zh) 行人再识别方法和装置
CN108197644A (zh) 一种图像识别方法和装置
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN107704797B (zh) 基于安防视频中行人和车辆的实时检测方法和***及设备
CN110163109B (zh) 一种车道线标注方法及装置
CN107369158A (zh) 基于rgb‑d图像的室内场景布局估计及目标区域提取方法
CN105825216A (zh) 一种复杂背景图像中的文本定位方法
CN103646257A (zh) 一种基于视频监控图像的行人检测和计数方法
Xiang et al. Lightweight fully convolutional network for license plate detection
CN103218604A (zh) 交通场景中基于路面提取的行人检测方法
CN107103611A (zh) 一种基于最大稳定均匀区域的图像分割方法
CN107832732B (zh) 基于三叉树遍历的车道线检测方法
CN106446832B (zh) 一种基于视频的实时检测行人的方法
Srikanth et al. Color image segmentation using watershed algorithm
Le et al. SpatioTemporal utilization of deep features for video saliency detection
Rani et al. License plate character segmentation based on pixel distribution density
CN106951831B (zh) 一种基于深度摄像机的行人检测跟踪方法
Gutzeit et al. Automatic wood log segmentation using graph cuts

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20170829