CN107154044B - 一种中餐食物图像的分割方法 - Google Patents
一种中餐食物图像的分割方法 Download PDFInfo
- Publication number
- CN107154044B CN107154044B CN201710188964.7A CN201710188964A CN107154044B CN 107154044 B CN107154044 B CN 107154044B CN 201710188964 A CN201710188964 A CN 201710188964A CN 107154044 B CN107154044 B CN 107154044B
- Authority
- CN
- China
- Prior art keywords
- image
- texture
- pixel
- chinese food
- segmentation
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003709 image segmentation Methods 0.000 title description 8
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20024—Filtering details
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
本发明提供的方法通过采集中餐食物图像的纹理图像进行后续处理来实现对图像的分割,分割的过程中无需采集多种图像特征,且应用该方法可以提高中餐食物图像分割的准确率,从而助于中餐食物图像的识别。
Description
技术领域
本发明涉及图像处理技术领域,更具体地,涉及一种中餐食物图像的分割方法。
背景技术
经典的图像分割方法是基于图像的特征的,图像分割方法的主要作用是将具有相同或相似特征的区域分割出来,按照利用的特征不同大致可以分为以下几类:
a).基于阈值处理的分割方法,它通过对基本的特征阈值进行设定,就可以把图像的像素点分为不同的类。常用的特征包括:灰度特征、颜色特征或者由原始灰度值或彩色值变换后的特征等等。从背景中提取物体或前景目标的一种明显方法就是选择一个合适的阈值T将这些特征模式分开。
b).基于边缘检测的分割方法,边缘检测是根据灰度突变来分割图像的最常用的方法。边缘是图像边界线上的像素点的集合,它表明了在图像局部特征的不连续性,体现了图像的灰度特征、颜色特征及纹理特征等图像特征的突变。比如在阶跃型边缘两边,像素点的灰度值会有明显的差别,而在屋顶型边缘处,灰度值表现出陡峭的上升或下降。
c).基于区域特征的分割方法:该方法是根据图像相同区域内像素点的相似性准则进行分割。该方法通过对每个像素特征空间中的值进行相似性聚类,并兼顾各像素的空间领域信息,进而分割出图像中的目标区域。常用的方法包括种子区域生长、区域***与聚合以及形态学分水岭法等几种类型。但由于相似性阈值不易控制,所以利用区域特征的分割方法获得的结果在边界区域不够平滑。
d).基于边缘特征和区域特征的分割方法:单独利用边缘特征或区域特征的分割方法都存在不足之处,所以一些科研人员通过将这两种特征进行融合以避免单个算法的缺陷,提出了一些改进的模型,比如基于变分模型的分割方法和基于图论的分割方法等等。
由于图像类别不同,采用的图像分割方法也不同,在食物图像的分割方法中,采用常见的颜色特征和亮度特征时,能很好的分割出颜色较明显和鲜亮的区域,却不能分割出颜色较暗淡的区域,由于中餐食物图像食材的多样性和复杂性,就需要采取多种不同的图像特征做为图像分割的特征比较,从而分割出完整的食物区域,而剔除背景区域。
发明内容
本发明为解决以上现有技术在分割中餐食物图像颜色暗淡的区域时需要采取多种不同的图像特征进行比较的缺陷,提供了一种中餐食物图像的分割方法,该方法通过采集中餐食物图像的纹理图像进行后续处理来实现对图像的分割,分割的过程中无需采集多种图像特征,且应用该方法可以提高中餐食物图像分割的准确率,从而助于中餐食物图像的识别。
为实现以上发明目的,采用的技术方案是:
一种中餐食物图像的分割方法,包括以下步骤:
S1.使用纹理增强滤波器对拍摄的中餐食物图像进行m个不同尺度参数下的滤波,得到图像在m个不同尺度参数下的纹理图像;所述m的取值范围为8~16;
S2.对于步骤S1得到的16幅纹理图像分别计算其均值,并利用计算得到的均值作为阈值来对相应的纹理图像进行二值化,获得纹理图像在阈值条件下的前景区域和背景区域;
S3.对于每张纹理图像分别求取其前景区域的中心点,以用作放置高斯函数的位置,以前景区域包含的像素点数量的k倍作为标准差,构造对应的高斯掩膜函数,其中k的取值范围为0.3~0.5;将得到的16个高斯掩膜函数乘以相对应的权重参数后相加,得到最终的高斯掩膜;
S4.将得到的高斯掩膜与中餐食物图像在纹理增强滤波器尺度参数为[0.5m]时所产生的纹理图像相乘,将其得到的结果记为图G,其中[0.5m]表示对0.5m进行取整操作;采用SLIC方法对图G进行超像素分割,分割之后,得到对图像中每个像素点所属的块的类别,称为标记矩阵L,把L记作图G的标记图;
S5.对图G中的每个像素具有相同类别标记的像素区域计算出其均值Gk,将均值Gk与图G的整体均值Gu进行比较,若Gk>Gu,则将具有相同标记的像素区域的各个像素点的像素值设为1,并将具有相同标记的像素区域标记为前景区域,否则将具有相同标记的像素区域的各个像素点的像素值设为0,并将具有相同标记的像素区域标记为背景区域;
S6.对前景区域和背景区域进行形态学的开运算和闭运算,以平滑前景区域和背景区域的边缘区域,然后对前景区域和背景区域进行分割。
优选地,所述纹理增强滤波器为Gabor函数。
与现有技术相比,本发明的有益效果是:
本发明提供的方法通过采集中餐食物图像的纹理图像进行后续处理来实现对图像的分割,分割的过程中无需采集多种图像特征,且应用该方法可以提高中餐食物图像分割的准确率,从而助于中餐食物图像的识别。
附图说明
图1为方法的流程示意图。
图2为中餐食物图像在纹理增强滤波器尺度参数为8时所产生的纹理图像。
图3为分割的示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
如图1所示,本发明提供的方法具体包括以下步骤:
S1.使用纹理增强滤波器对拍摄的中餐食物图像进行m个不同尺度参数下的滤波,得到图像在m个不同尺度参数下的纹理图像;所述m的取值范围为8~16;
S2.对于步骤S1得到的16幅纹理图像分别计算其均值,并利用计算得到的均值作为阈值来对相应的纹理图像进行二值化,获得纹理图像在阈值条件下的前景区域和背景区域;
S3.对于每张纹理图像分别求取其前景区域的中心点,以用作放置高斯函数的位置,以前景区域包含的像素点数量的k倍作为标准差,构造对应的高斯掩膜函数,其中k的取值范围为0.3~0.5;将得到的16个高斯掩膜函数乘以相对应的权重参数后相加,得到最终的高斯掩膜;
S4.将得到的高斯掩膜与中餐食物图像在纹理增强滤波器尺度参数为[0.5m]时所产生的纹理图像相乘,将其得到的结果记为图G,其中[0.5m]表示对0.5m进行取整操作;采用SLIC方法对图G进行超像素分割,分割之后,得到对图像中每个像素点所属的块的类别,称为标记矩阵L,把L记作图G的标记图;
S5.对图G中的每个像素具有相同类别标记的像素区域计算出其均值Gk,将均值Gk与图G的整体均值Gu进行比较,若Gk>Gu,则将具有相同标记的像素区域的各个像素点的像素值设为1,并将具有相同标记的像素区域标记为前景区域,否则将具有相同标记的像素区域的各个像素点的像素值设为0,并将具有相同标记的像素区域标记为背景区域;
S6.对前景区域和背景区域进行形态学的开运算和闭运算,以平滑前景区域和背景区域的边缘区域,然后对前景区域和背景区域进行分割。分割后得到的前景区域的示意图如图3所示。
本实施例中,纹理增强滤波器为Gabor函数。Gabor函数是一个用于边缘提取的线性滤波器,它的频率和方向表达同人类视觉***类似,因此利用Gabor滤波器可以提取原图像在不同尺度和不同方向上的纹理。二维Gabor函数数学表达式为
其中x'=x cosθ+y sinθ,y'=-x sinθ+y cosθ
本实施例中,x,y为二维随机变量,根据中餐食物图像中最小颗粒的组成,将Gabor滤波器的窗口大小设置为32*32,参数λ设置范围为1到16,共16个尺度,参数θ设为0°,45°,90°,135°四个方向,相位为0,标准差σ为2π,长宽比γ为0.5,提取到滤波器的参数λ为8时所产生的纹理图像特征如图2所示。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (2)
1.一种中餐食物图像的分割方法,其特征在于:包括以下步骤:
S1.使用纹理增强滤波器对拍摄的中餐食物图像进行16个不同尺度参数下的滤波,得到图像在16个不同尺度参数下的纹理图像;记尺度参数为m,m的取值范围为8~16;
S2.对于步骤S1得到的16幅纹理图像分别计算其均值,并利用计算得到的均值作为阈值来对相应的纹理图像进行二值化,获得纹理图像在阈值条件下的前景区域和背景区域;
S3.对于每张纹理图像分别求取其前景区域的中心点,以用作放置高斯函数的位置,以前景区域包含的像素点数量的k倍作为标准差,构造对应的高斯掩膜函数,其中k的取值范围为0.3~0.5;将得到的16个高斯掩膜函数乘以相对应的权重参数后相加,得到最终的高斯掩膜;
S4.将得到的高斯掩膜与中餐食物图像在纹理增强滤波器尺度参数为[0.5m]时所产生的纹理图像相乘,将其得到的结果记为图G,其中[0.5m]表示对0.5m进行取整操作;采用SLIC方法对图G进行超像素分割,分割之后,得到对图像中每个像素点所属的块的类别,称为标记矩阵L,把L记作图G的标记图;
S5.对图G中的每个像素具有相同类别标记的像素区域计算出其均值Gk,将均值Gk与图G的整体均值Gu进行比较,若Gk>Gu,则将具有相同标记的像素区域的各个像素点的像素值设为1,并将具有相同标记的像素区域标记为前景区域,否则将具有相同标记的像素区域的各个像素点的像素值设为0,并将具有相同标记的像素区域标记为背景区域;
S6.对步骤S5中得到的前景区域和背景区域进行形态学的开运算和闭运算,以平滑前景区域和背景区域的边缘区域,然后对前景区域和背景区域进行分割。
2.根据权利要求1所述的中餐食物图像的分割方法,其特征在于:所述纹理增强滤波器为Gabor函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710188964.7A CN107154044B (zh) | 2017-03-27 | 2017-03-27 | 一种中餐食物图像的分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710188964.7A CN107154044B (zh) | 2017-03-27 | 2017-03-27 | 一种中餐食物图像的分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107154044A CN107154044A (zh) | 2017-09-12 |
CN107154044B true CN107154044B (zh) | 2021-01-08 |
Family
ID=59792557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710188964.7A Active CN107154044B (zh) | 2017-03-27 | 2017-03-27 | 一种中餐食物图像的分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107154044B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171722B (zh) * | 2017-12-26 | 2020-12-22 | 广东美的厨房电器制造有限公司 | 图像提取方法、装置和烹饪器具 |
CN110378907B (zh) * | 2018-04-13 | 2023-09-19 | 青岛海尔智能技术研发有限公司 | 智能冰箱内图像的处理方法及计算机设备、存储介质 |
CN108830844B (zh) * | 2018-06-11 | 2021-09-10 | 北华航天工业学院 | 一种基于多时相高分辨率遥感影像的设施蔬菜提取方法 |
CN109377507B (zh) * | 2018-09-19 | 2022-04-08 | 河海大学 | 一种基于光谱曲线频谱距离的高光谱遥感图像分割的方法 |
CN112435159A (zh) * | 2019-08-26 | 2021-03-02 | 珠海金山办公软件有限公司 | 一种图像处理的方法、装置、计算机存储介质及终端 |
CN111091576B (zh) * | 2020-03-19 | 2020-07-28 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102903126A (zh) * | 2012-08-08 | 2013-01-30 | 公安部第三研究所 | 一种视频图像纹理特征提取和结构化描述的***和方法 |
CN105046658A (zh) * | 2015-06-26 | 2015-11-11 | 北京大学深圳研究生院 | 一种低照度图像处理方法和装置 |
CN105550685A (zh) * | 2015-12-11 | 2016-05-04 | 哈尔滨工业大学 | 基于视觉注意机制的大幅面遥感影像感兴趣区域提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7259767B2 (en) * | 2004-04-30 | 2007-08-21 | Calgary Scientific Inc. | Image texture segmentation using polar S-transform and principal component analysis |
-
2017
- 2017-03-27 CN CN201710188964.7A patent/CN107154044B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102903126A (zh) * | 2012-08-08 | 2013-01-30 | 公安部第三研究所 | 一种视频图像纹理特征提取和结构化描述的***和方法 |
CN105046658A (zh) * | 2015-06-26 | 2015-11-11 | 北京大学深圳研究生院 | 一种低照度图像处理方法和装置 |
CN105550685A (zh) * | 2015-12-11 | 2016-05-04 | 哈尔滨工业大学 | 基于视觉注意机制的大幅面遥感影像感兴趣区域提取方法 |
Non-Patent Citations (2)
Title |
---|
Paper web defection segmentation using Gauss-Markov random field texture features;Xun Huang,Jixian Dong et al.;《2011 International Conference on Image Analysis and Signal Processing》;IEEE;20111222;第1-4页 * |
基于区域划分的多特征纹理图像分割;赵泉华,高郡,李玉;《仪器仪表学报》;20160302;第36卷(第11期);第2519-2530页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107154044A (zh) | 2017-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107154044B (zh) | 一种中餐食物图像的分割方法 | |
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及*** | |
CN109961049B (zh) | 一种复杂场景下香烟品牌识别方法 | |
Zhuang et al. | Detection of orchard citrus fruits using a monocular machine vision-based method for automatic fruit picking applications | |
CN109154978B (zh) | 用于检测植物疾病的***和方法 | |
CN107833220B (zh) | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 | |
CN104217196B (zh) | 一种遥感影像圆形油罐自动检测方法 | |
Raut et al. | Plant disease detection in image processing using MATLAB | |
CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
CN110717896B (zh) | 基于显著性标签信息传播模型的板带钢表面缺陷检测方法 | |
CN103886589B (zh) | 面向目标的自动化高精度边缘提取方法 | |
Salau et al. | Vehicle plate number localization using a modified GrabCut algorithm | |
CN108319973A (zh) | 一种树上柑橘果实检测方法 | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
US20080075371A1 (en) | Method and system for learning spatio-spectral features in an image | |
Gomes et al. | Stochastic shadow detection using a hypergraph partitioning approach | |
CN115239718B (zh) | 一种基于图像处理的塑料制品缺陷检测方法与*** | |
Ouyang et al. | The research of the strawberry disease identification based on image processing and pattern recognition | |
CN107025442A (zh) | 一种基于颜色和深度信息的多模态融合手势识别方法 | |
CN106056078B (zh) | 一种基于多特征回归式集成学习的人群密度估计方法 | |
CN112861654A (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
Singhal et al. | A comparative approach for image segmentation to identify the defected portion of apple | |
CN107704864B (zh) | 基于图像对象性语义检测的显著目标检测方法 | |
Deepa et al. | Improved watershed segmentation for apple fruit grading | |
Vukadinov et al. | An algorithm for coastline extraction from satellite imagery |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |