CN108711156A - 一种图像分割复杂性测度方法 - Google Patents

一种图像分割复杂性测度方法 Download PDF

Info

Publication number
CN108711156A
CN108711156A CN201810442469.9A CN201810442469A CN108711156A CN 108711156 A CN108711156 A CN 108711156A CN 201810442469 A CN201810442469 A CN 201810442469A CN 108711156 A CN108711156 A CN 108711156A
Authority
CN
China
Prior art keywords
image
region
size
segmentation
divisible
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
Application number
CN201810442469.9A
Other languages
English (en)
Inventor
蔡祖坤
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.)
Jiangsu Australian Twire Biotechnology Co Ltd
Original Assignee
Jiangsu Australian Twire Biotechnology 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 Jiangsu Australian Twire Biotechnology Co Ltd filed Critical Jiangsu Australian Twire Biotechnology Co Ltd
Priority to CN201810442469.9A priority Critical patent/CN108711156A/zh
Publication of CN108711156A publication Critical patent/CN108711156A/zh
Pending 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
    • G06T7/11—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
    • G06T7/136—Segmentation; Edge detection involving thresholding

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Facsimile Image Signal Circuits (AREA)
  • Image Analysis (AREA)
  • Character Input (AREA)

Abstract

本发明公开了一种图像分割复杂性测度方法，包括如下步骤：步骤1，对于给定的彩色图像，根据其色调组分的直方图，对图像进行初始分割；步骤2，设定区域大小N(0)，计算小于N(0)的图像可分割区域所对应的信息熵；步骤3，计算图像分割必要性指标Ps；步骤4，计算图像分割必要性阈值Ps(N(0))，根据图像分割必要性指标Ps，通过该阈值Ps(N(0))判断图像是否需要分割。

Description

一种图像分割复杂性测度方法
技术领域
本发明涉及一种图像分割复杂性测度方法。
背景技术
经过几十年的发展历程，针对图像分割算法的相关研究出现了上千种不同类型的算法。就通常情况而言，图像分割方法可分为3类：(1)基于区域的分割算法；(2)全局知识阈值化算法；(3)基于边缘的分割算法。
然而，目前大部分图像分割算法都只能针对某一种特定情况起作用，而不能多多种图像进行通用性分割。同时，对于分割算法选择的标准也仍然是一个待解决的问题。关于图像分割必要性的文献资料到目前为止仍然较少，一些文献即使涉及这个方面的问题，也没有深入地进行研究。在文献“Zhang K D,Lu H Q,Duan M Y,et al.Automatic SalientRegions of Interest Extraction Based on Edge and Region Integration[C]//Proceedings of 2006IEEE International Sympoium on IndustrualElectronics.Montreal,Quebec,Canada:IEEE Industrial Electronics Society,2006,l”中，作者使用了一种预先给定的阈值来表达图像分割的必要性条件，然而，这些阈值的确定方法是这个文献没有提供的。因此，图像分割的必要性研究仍然有许多问题需要解决。
发明内容
针对现有技术的不足，本发明提供了一种图像分割复杂性测度方法，包括如下步骤：
步骤1，对于给定的彩色图像，根据其色调组分的直方图，对图像进行初始分割；
步骤2，设定区域大小N(0)，计算小于N(0)的图像可分割区域所对应的信息熵；
步骤3，计算图像分割必要性指标Ps；
步骤4，计算图像分割必要性阈值Ps(N(0))，根据图像分割必要性指标Ps，通过该阈值Ps(N(0))判断图像是否需要分割。
步骤1中，采用基于直方图的多阈值分割方法对图像进行初始分割(参考文献：基于灰度直方图的多阈值分割方法，刘欣欣，李雪，王琼，《计算机应用与软件》，2013)。
步骤2包括：
步骤2-1，设定步骤1对图像初始分割的区域表示为{R(i)|i∈{1,2，…K}}，其中，K为图像可分割的区域个数，R(i)表示图像第i个可分割的区域，第i个可分割的区域对应的大小记为N(i)；
步骤2-2，将图像可分割的区域由大到小进行排序，用{R(n，i)|n＝1,2，…K}表示排序后的图像可分割区域，其中，R(n，i)表示排序后的第n个可分割区域，并且R(n，i)的区域大于R(n+1，i)的区域，R(n，i)对应的区域大小记为N(n，i)；
步骤2-3，设定区域大小N(0)，计算小于N(0)的图像可分割区域所对应的信息熵SN(0)(K)以及小于N(0)的图像可分割区域大小占图像大小的百分比HN(0)(K)。
步骤2-3中，通过如下公式计算小于N(0)的图像可分割区域所对应的信息熵SN(0)(K)以及小于N(0)的图像可分割区域大小占图像大小的百分比HN(0)(K)：
其中，N表示步骤1给定的彩色图像的大小。
步骤3中，通过如下公式计算图像分割必要性指标Ps：
步骤4包括：
步骤4-1，如果设定区域大小N(0)等于图像最大的可分割区域的大小N(n，i)，通过如下公式计算图像分割必要性阈值Ps(N(0))：
如果设定区域大小N(0)远小于图像大小N(比如设定区域大小N(0)只有N的十分之一)，通过如下公式计算图像分割必要性阈值Ps(N(0))：
步骤4-2，如果图像分割必要性指标Ps小于图像分割必要性阈值Ps(N(0))，则判断图像不用分割。
有益效果：本发明提供的一种图像分割复杂性测度方法，可以很好地适应图像目标区域大小，是衡量图像分割必要性的一种合理有效的方法，且能够成为一种重要的图像分割判断指标。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述或其他方面的优点将会变得更加清楚。
图1是本发明流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图1所示，本发明提供了一种图像分割复杂性测度方法，包括如下步骤：
步骤1，对于给定的彩色图像，根据其色调组分的直方图，对图像进行初始分割；
步骤2，设定区域大小N(0)，计算小于N(0)的图像可分割区域所对应的信息熵；
步骤3，计算图像分割必要性指标Ps；
步骤4，计算图像分割必要性阈值Ps(N(0))，根据图像分割必要性指标Ps，通过该阈值Ps(N(0))判断图像是否需要分割。
步骤1中，采用基于直方图的多阈值分割方法对图像进行初始分割(参考文献：基于灰度直方图的多阈值分割方法，刘欣欣，李雪，王琼，《计算机应用与软件》，2013)。
步骤2包括：
步骤2-1，设定步骤1对图像初始分割的区域表示为{R(i)|i∈{1,2，…K}}，其中，K为图像可分割的区域个数，R(i)表示图像第i个可分割的区域，第i个可分割的区域对应的大小记为N(i)；
步骤2-2，将图像可分割的区域由大到小进行排序，用{R(n，i)|n＝1,2，…K}表示排序后的图像可分割区域，其中，R(n，i)表示排序后的第n个可分割区域，并且R(n，i)的区域大于R(n+1，i)的区域，R(n，i)对应的区域大小记为N(n，i)；
步骤2-3，设定区域大小N(0)，计算小于N(0)的图像可分割区域所对应的信息熵SN(0)(K)以及小于N(0)的图像可分割区域大小占图像大小的百分比HN(0)(K)。
步骤2-3中，通过如下公式计算小于N(0)的图像可分割区域所对应的信息熵SN(0)(K)以及小于N(0)的图像可分割区域大小占图像大小的百分比HN(0)(K)：
其中，N表示步骤1给定的彩色图像的大小。
步骤3中，通过如下公式计算图像分割必要性指标Ps：
步骤4包括：
步骤4-1，如果设定区域大小N(0)等于图像最大的可分割区域的大小N(n，i)，通过如下公式计算图像分割必要性阈值Ps(N(0))：
如果设定区域大小N(0)远小于图像大小N(比如设定区域大小N(0)只有N的十分之一)，通过如下公式计算图像分割必要性阈值Ps(N(0))：
步骤4-2，如果图像分割必要性指标Ps小于图像分割必要性阈值Ps(N(0))，则判断图像不用分割。
本发明提供了一种图像分割复杂性测度方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (6)

1.一种图像分割复杂性测度方法，其特征在于，包括如下步骤：
步骤1，对于给定的彩色图像，根据其色调组分的直方图，对图像进行初始分割；
步骤2，设定区域大小N(0)，计算小于N(0)的图像可分割区域所对应的信息熵；
步骤3，计算图像分割必要性指标Ps；
步骤4，计算图像分割必要性阈值Ps(N(0))，根据图像分割必要性指标Ps，通过该阈值Ps(N(0))判断图像是否需要分割。
2.根据权利要求1所述的方法，其特征在于，步骤1中，采用基于直方图的多阈值分割方法对图像进行初始分割。
3.根据权利要求2所述的方法，其特征在于，步骤2包括：
步骤2-1，设定步骤1对图像初始分割的区域表示为{R(i)|i∈{1,2，…K}}，其中，K为图像可分割的区域个数，R(i)表示图像第i个可分割的区域，第i个可分割的区域对应的大小记为N(i)；
步骤2-2，将图像可分割的区域由大到小进行排序，用{R(n，i)|n＝1,2，…K}表示排序后的图像可分割区域，其中，R(n，i)表示排序后的第n个可分割区域，并且R(n，i)的区域大于R(n+1，i)的区域，R(n，i)对应的区域大小记为N(n，i)；
步骤2-3，设定区域大小N(0)，计算小于N(0)的图像可分割区域所对应的信息熵SN(0)(K)以及小于N(0)的图像可分割区域大小占图像大小的百分比HN(0)(K)。
4.根据权利要求3所述的方法，其特征在于，步骤2-3中，通过如下公式计算小于N(0)的图像可分割区域所对应的信息熵SN(0)(K)以及小于N(0)的图像可分割区域大小占图像大小的百分比HN(0)(K)：
其中，N表示步骤1给定的彩色图像的大小。
5.根据权利要求4所述的方法，其特征在于，步骤3中，通过如下公式计算图像分割必要性指标Ps：
6.根据权利要求5所述的方法，其特征在于，步骤4包括：
步骤4-1，如果设定区域大小N(0)等于图像最大的可分割区域的大小N(n，i)，通过如下公式计算图像分割必要性阈值Ps(N(0))：
如果设定区域大小N(0)远小于图像大小N，通过如下公式计算图像分割必要性阈值Ps(N(0))：
步骤4-2，如果图像分割必要性指标Ps小于图像分割必要性阈值Ps(N(0))，则判断图像不用分割。
CN201810442469.9A 2018-05-10 2018-05-10 一种图像分割复杂性测度方法 Pending CN108711156A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810442469.9A CN108711156A (zh) 2018-05-10 2018-05-10 一种图像分割复杂性测度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810442469.9A CN108711156A (zh) 2018-05-10 2018-05-10 一种图像分割复杂性测度方法

Publications (1)

Publication Number Publication Date
CN108711156A true CN108711156A (zh) 2018-10-26

Family

ID=63867895

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810442469.9A Pending CN108711156A (zh) 2018-05-10 2018-05-10 一种图像分割复杂性测度方法

Country Status (1)

Country Link
CN (1) CN108711156A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9095273B2 (en) * 2011-09-26 2015-08-04 Sunnybrook Research Institute Systems and methods for automated dynamic contrast enhancement imaging
CN106228555A (zh) * 2016-07-22 2016-12-14 湖南文理学院 基于Masi熵测度的灰度图像阈值分割方法
CN106778633A (zh) * 2016-12-19 2017-05-31 江苏慧眼数据科技股份有限公司 一种基于区域分割的行人识别方法
CN108009542A (zh) * 2017-11-01 2018-05-08 华中农业大学 油菜大田环境下杂草图像分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9095273B2 (en) * 2011-09-26 2015-08-04 Sunnybrook Research Institute Systems and methods for automated dynamic contrast enhancement imaging
CN106228555A (zh) * 2016-07-22 2016-12-14 湖南文理学院 基于Masi熵测度的灰度图像阈值分割方法
CN106778633A (zh) * 2016-12-19 2017-05-31 江苏慧眼数据科技股份有限公司 一种基于区域分割的行人识别方法
CN108009542A (zh) * 2017-11-01 2018-05-08 华中农业大学 油菜大田环境下杂草图像分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
魏庆 等: "图像分割复杂性测度研究", 《计算机科学》 *

Similar Documents

Publication Publication Date Title
Hartig Basic image analysis and manipulation in ImageJ
US10641088B2 (en) Method and device for determining karst development degree of reservoir, computer readable storage medium and device
WO2016001223A9 (en) Detecting edges of a nucleus using image analysis
RU2008102965A (ru) Смешивание изображений
JP2016507229A5 (zh)
Sahari Moghaddam et al. Estimating stripping of asphalt coating using k-means clustering and machine learning–based classification
Chen et al. A study on evaluation method of crack tip reverse plastic zone size for the center cracked steel plate model under tension–compression cyclic loading
CN109636801B (zh) 自动获取her2荧光原位杂交结果的电子设备及介质
CN108510499A (zh) 一种基于模糊集和Otsu的图像阈值分割方法及装置
CN102800051A (zh) 基于分数阶微分的自适应浮选泡沫图像增强方法
JP2019067235A5 (zh)
CN106875359B (zh) 一种基于分层引导策略的样本块图像修复方法
Zhang et al. Extracting windows registry information from physical memory
Lyashenko et al. Study of composite materials for the engineering using wavelet analysis and image processing technology
Kim et al. Correlation-based multi-shape granulometry with application in porous silicon nanomaterial characterization
CN108711156A (zh) 一种图像分割复杂性测度方法
CN107133462A (zh) 数据处理方法、装置及设备
JP2018185265A (ja) 情報処理装置、制御方法、及びプログラム
Zarella et al. A template matching model for nuclear segmentation in digital images of H&E stained slides
CN102800090A (zh) 一种血细胞分割方法
TW201508536A (zh) 獲取病毒特徵碼的方法及裝置與機器可讀取儲存介質
JP2009205559A (ja) 路面標示画像処理装置、路面標示画像処理方法並びに路面標示画像処理プログラム
Thiedmann et al. A multiscale approach to the representation of 3D images, with application to polymer solar cells
JP2015117539A (ja) 摩耗量見積方法及び摩耗量見積システム
CN103761525A (zh) 基于显微ct数字图像处理铝电解用阴极炭块组分检测方法

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: 20181026

RJ01 Rejection of invention patent application after publication