CN110288604B - 基于K-means的图像分割方法和装置 - Google Patents
基于K-means的图像分割方法和装置 Download PDFInfo
- Publication number
- CN110288604B CN110288604B CN201910504330.7A CN201910504330A CN110288604B CN 110288604 B CN110288604 B CN 110288604B CN 201910504330 A CN201910504330 A CN 201910504330A CN 110288604 B CN110288604 B CN 110288604B
- Authority
- CN
- China
- Prior art keywords
- gray
- image
- value
- peak
- clustering center
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种基于K‑means的图像分割方法和装置,其中所述方法包括:对待分割图像进行灰度统计,获取所述待分割图像中的每一峰值灰度值;将每一所述峰值灰度值作为初始聚类中心;所述峰值灰度值的数量与所述初始聚类中心的数量一致;基于每一所述初始聚类中心,应用K‑means聚类算法对所述待分割图像进行图像分割,获取图像分割结果。本发明实施例提供的方法和装置,将峰值灰度值作为初始聚类中心应用于K‑means聚类算法进行图像分割,相比现有的随机选取初始聚类中心的方法,能够减少迭代开销,有效避免陷入局部最优或者产生空类的情形,提高图像分割的准确性。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种基于K-means的图像分割方法和装置。
背景技术
聚类分析在模式识别和图像处理领域中具有广泛的应用,其主要目的是按事物间的相似性对给定事物进行区分和分类,使每一类中的元素尽可能具有相同的特性,不同聚类之间的特性差别尽可能的大。图像分割和对象提取是聚类分析的主要应用方面。K-means聚类算法作为聚类算法的中最简单、快速的一种,受到了广泛的使用。
在实际应用中发现,K-means聚类算法有着很明显的特点。由于计算方法的特点,K-means聚类算法在大数据量时的扩展性和效率都较理想。但在聚类中心的初始化时,若选择不当,有可能会陷入局部最优或者产生空类的情况。同时,对于不同的初始化可能会产生不同的聚类结果,不利于聚类结果的分析与使用。再者,K-means聚类算法最终输出的聚类数量是由预先设定的K值决定的,如果K值的设定不合理,则极可能无法准确表达图像中包含的信息。
因此,需要对K-means聚类算法进行改进,以实现准确的图像分割。
发明内容
本发明实施例提供一种基于K-means的图像分割方法和装置,用以解决现有的基于K-means的图像分割准确性低的问题。
第一方面,本发明实施例提供一种基于K-means的图像分割方法,包括:
对待分割图像进行灰度统计,获取所述待分割图像中的每一峰值灰度值;
将每一所述峰值灰度值作为初始聚类中心;所述峰值灰度值的数量与所述初始聚类中心的数量一致;
基于每一所述初始聚类中心,应用K-means聚类算法对所述待分割图像进行图像分割,获取图像分割结果。
优选地,所述对待分割图像进行灰度统计,获取所述待分割图像中的每一峰值灰度值,具体包括:
对所述待分割图像进行灰度统计,获取所述待分割图像的灰度统计图;所述灰度统计图中包含每一灰度值对应的频率;
基于所述灰度统计图,获取每一峰值灰度值。
优选地,所述基于所述灰度统计图,获取每一峰值灰度值,具体包括:
将所述灰度统计图切分为多段灰度统计分图;
对任一所述灰度统计分图进行峰值检测,得到所述任一灰度统计分图的峰值检测结果;
若所述峰值检测结果为存在峰值,则将所述任一灰度统计分图中频率最高的灰度值作为所述峰值灰度值。
优选地,所述对任一所述灰度统计分图进行峰值检测,得到所述任一灰度统计分图的峰值检测结果,具体包括:
基于任一所述灰度统计分图中每一灰度值对应的频率,获取所述任一灰度统计分图的峰均比;
若所述峰均比大于预设峰均比阈值,则确认所述峰值检测结果为存在峰值;否则,确认所述峰值检测结果为不存在峰值。
优选地,所述基于每一所述初始聚类中心,应用K-means聚类算法对所述待分割图像进行图像分割,获取图像分割结果,具体包括:
获取任一灰度值与每一第m次聚类中心之间的距离;其中,m=1时,所述第m次聚类中心即所述初始聚类中心;
将所述任一灰度值分配至所述距离最近的所述第m次聚类中心对应的聚类中;
基于任一聚类中的每一所述灰度值,获取所述任一聚类的第m+1次聚类中心;
若所述第m次聚类中心与所述第m+1次聚类中心一致,则输出图像分割结果;
否则,将m更新为m+1。
优选地,所述基于任一聚类中的每一所述灰度值,获取所述任一聚类的第m+1次聚类中心,具体包括:
式中,Nj为第j个聚类中包含的灰度值数量,Rj为第j个聚类,y为灰度值。
优选地,所述待分割图像为声呐图像。
第二方面,本发明实施例提供一种基于K-means的图像分割装置,包括:
峰值获取单元,用于对待分割图像进行灰度统计,获取所述待分割图像中的每一峰值灰度值;
初始中心获取单元,用于将每一所述峰值灰度值作为初始聚类中心;所述峰值灰度值的数量与所述初始聚类中心的数量一致;
图像分割单元,用于基于每一所述初始聚类中心,应用K-means聚类算法对所述待分割图像进行图像分割,获取图像分割结果。
第三方面,本发明实施例提供一种电子设备,包括处理器、通信接口、存储器和总线,其中,处理器,通信接口,存储器通过总线完成相互间的通信,处理器可以调用存储器中的逻辑指令,以执行如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种基于K-means的图像分割方法和装置,将峰值灰度值作为初始聚类中心应用于K-means聚类算法进行图像分割,相比现有的随机选取初始聚类中心的方法,能够减少迭代开销,有效避免陷入局部最优或者产生空类的情形,提高图像分割的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于K-means的图像分割方法的流程示意图;
图2为本发明实施例提供的灰度统计图;
图3为本发明实施例提供的基于K-means的图像分割装置的结构示意图;
图4为本发明实施例提供的电子设备的结构示意图;
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在图像分割中,K-means聚类算法在初始化时,随机选取聚类中心有可能会使迭代开销增大,陷入局部最优或者产生空类的情况,引起聚类出现波动性。尤其是在待分割图像灰度值过于集中的情况下,上述缺陷尤为显著。为解决上述问题,本发明实施例提供了一种基于K-means的图像分割方法。图1为本发明实施例提供的基于K-means的图像分割方法的流程示意图,如图1所示,该方法包括:
步骤110,对待分割图像进行灰度统计,获取待分割图像中的每一峰值灰度值。
具体地,待分割图像即需要进行图像分割的图像。对待分割图像进行灰度统计,即可得到待分割图像中每一像素点的灰度值,进而统计不同灰度值在待分割图像中出现的次数,以此为依据判断待分割图像中灰度值的集散情况,并获取峰值灰度值。此处,峰值灰度值是指像素点的灰度值较为集中的一段灰度值中,出现次数最高的灰度值。任一待分割图像中可能存在多个峰值灰度值,本发明实施例不对峰值灰度值的数量作具体限定。
步骤120,将每一峰值灰度值作为初始聚类中心;峰值灰度值的数量与初始聚类中心的数量一致。
具体地,在得到待分割图像的全部峰值灰度值后,将峰值灰度值作为初始聚类中心。此处,初始聚类中心即K-means聚类算法首次进行聚类时的聚类中心。一个峰值灰度值即一个初始聚类中心,峰值灰度值的数量与初始聚类中心的数量一致,峰值灰度值的数量也与最终输出的图像分割结果中的聚类数量一致。
传统的K-means聚类算法,初始聚类中心的数量是预先设定的K值,初始聚类中心的选取方式是从待分割图像的灰度值中进行随机选取。而本发明实施例则是将灰度统计得到的峰值灰度值作为初始聚类中心,相比随机选取更具备针对性。
步骤130,基于每一初始聚类中心,应用K-means聚类算法对待分割图像进行图像分割,获取图像分割结果。
本发明实施例提供的方法,将峰值灰度值作为初始聚类中心应用于K-means聚类算法进行图像分割,相比现有的随机选取初始聚类中心的方法,能够减少迭代开销,有效避免陷入局部最优或者产生空类的情形,提高图像分割的准确性。
基于上述实施例,该方法中,步骤110具体包括:
步骤111,对待分割图像进行灰度统计,获取待分割图像的灰度统计图;灰度统计图中包含每一灰度值对应的频率。
具体地,对待分割图像进行灰度统计,即可得到待分割图像中每一像素点的灰度值,进而统计不同灰度值在待分割图像中出现的次数,将任一灰度值在待分割图像中出现的次数与所有灰度值在待分割图像中出现的次数之和的比值作为该灰度值对应的频率。图2为本发明实施例提供的灰度统计图,如图2所示,灰度统计图的横坐标为灰度值,纵坐标为频率,通过观察灰度统计图,即可获知待分割图像中灰度值的集散情况。
步骤112,基于灰度统计图,获取每一峰值灰度值。
具体地,在得到灰度统计图后,可以基于灰度统计图判断待分割图像中灰度值的集散情况,进而获取峰值灰度值。
基于上述任一实施例,该方法中,步骤112具体包括:将灰度统计图切分为多段灰度统计分图;对任一灰度统计分图进行峰值检测,得到该灰度统计分图的峰值检测结果;若峰值检测结果为存在峰值,则将该灰度统计分图中频率最高的灰度值作为峰值灰度值。
具体地,为了便于检测峰值从而得到峰值灰度值,可以将灰度统计图切分成多段灰度统计分图,需要说明的是,灰度统计图的切分可以是根据预先设定的分段数量进行切分,也可以是根据预先设定的灰度统计分图的长度对进行切分,本发明实施例对此不作具体限定。
在得到多段灰度统计分图后,对任一灰度统计分图中每一灰度值对应的频率,对该灰度统计分图进行峰值检测,获取峰值检测结果。峰值检测结果为存在有效峰值,或不存在有效峰值。峰值检测结果的获取可以是通过获取该段灰度统计分图中最大频率和最小频率的差值判断得到,还可以是通过获取该段灰度统计分图中的最大频率与平均频率的差值判断得到,本发明实施例对此不作具体限定。
如果判断获知任一灰度统计分图的峰值检测结果为存在有效峰值,则将该段灰度统计分图中的频率最高的灰度值作为一个峰值灰度值。任意一段灰度统计分图中最多具备一个峰值灰度值,最终得到的峰值灰度值的数量小于等于灰度统计分图的数量。
基于上述任一实施例,该方法中,对任一灰度统计分图进行峰值检测,得到该灰度统计分图的峰值检测结果,具体包括:基于任一灰度统计分图中每一灰度值对应的频率,获取该灰度统计分图的峰均比;若峰均比大于预设峰均比阈值,则确认峰值检测结果为存在峰值;否则,确认峰值检测结果为不存在峰值。
具体地,峰均比,又称峰值因数,是灰度统计分图中最大频率与有效频率的比值。此处,有效频率是灰度统计分图中每一灰度值对应频率的有效值。预设峰均比阈值是预先设定的确认存在有效峰值的最小值,若该灰度统计分图的峰均比大于等于预设峰均比阈值,则确认峰值检测结果为存在有效峰值;若该灰度统计分图的峰均比小于预设峰均比阈值,则确认峰值检测结果为不存在有效峰值。
基于上述任一实施例,该方法中,步骤130具体包括:
步骤131,获取任一灰度值与每一第m次聚类中心之间的距离;其中,m=1时,第m次聚类中心即初始聚类中心。
步骤132,将该灰度值分配至距离最近的第m次聚类中心对应的聚类中。
步骤133,基于任一聚类中的每一灰度值,获取该聚类的第m+1次聚类中心。
式中,Nj为第j个聚类中包含的灰度值数量,Rj为第j个聚类。
步骤134,若第m次聚类中心与第m+1次聚类中心一致,则输出图像分割结果;否则,将m更新为m+1。
具体地,在得到新的聚类中心后,将迭代前的聚类中心,即第m次聚类中心与迭代后的聚类中心,即第m+1次聚类中心进行比较,如果则说明K-means聚类算法收敛,将此时的每一聚类作为图像分割结果输出;如果则将m更新为m+1,返回执行步骤131。
基于上述任一实施例,该方法中,待分割图像为声呐图像。声呐图像是用侧扫声呐对海底进行扫描探测所获得的二维影像。声呐图像整体灰度偏低,灰度值分布大多在200以内,且声呐图像灰度值十分集中,其灰度统计图具有多个明显的局部峰值,采用传统的K-means算法随机选取初始聚类中心会导致迭代开销增大,且易出现最小局部最优解,非常适合通过本发明实施例提供的方法进行图像分割。
基于上述任一实施例,本发明实施例提供一种基于K-means的图像分割方法,该方法具体包括如下步骤:
(1)获取待分割图像,此处待分割图像为声呐图像。
(2)对待分割图像进行灰度统计,获取待分割图像的灰度统计图;灰度统计图中包含每一灰度值对应的频率。随后,获取灰度统计图中每一峰值对应的灰度值,即峰值灰度值ymax_1、ymax_2、…、ymax_K。
本发明实施例提供的方法,将峰值灰度值作为初始聚类中心应用于K-means聚类算法进行图像分割,相比现有的随机选取初始聚类中心的方法,能够减少迭代开销,有效避免陷入局部最优或者产生空类的情形,提高图像分割的准确性。
基于上述任一实施例,图3为本发明实施例提供的基于K-means的图像分割装置的结构示意图,如图3所示,该装置包括峰值获取单元310、初始中心获取单元320和图像分割单元330;
峰值获取单元310用于对待分割图像进行灰度统计,获取所述待分割图像中的每一峰值灰度值;
初始中心获取单元320用于将每一所述峰值灰度值作为初始聚类中心;所述峰值灰度值的数量与所述初始聚类中心的数量一致;
图像分割单元330用于基于每一所述初始聚类中心,应用K-means聚类算法对所述待分割图像进行图像分割,获取图像分割结果。
本发明实施例提供的装置,将峰值灰度值作为初始聚类中心应用于K-means聚类算法进行图像分割,相比现有的随机选取初始聚类中心的方法,能够减少迭代开销,有效避免陷入局部最优或者产生空类的情形,提高图像分割的准确性。
基于上述任一实施例,峰值获取单元310包括灰度统计子单元和峰值获取子单元;
灰度统计子单元用于对所述待分割图像进行灰度统计,获取所述待分割图像的灰度统计图;所述灰度统计图中包含每一灰度值对应的频率;
峰值获取子单元用于基于所述灰度统计图,获取每一峰值灰度值。
基于上述任一实施例,峰值获取子单元具体包括切分模块、峰值检测模块和峰值获取模块;
切分模块用于将所述灰度统计图切分为多段灰度统计分图;
峰值检测模块用于对任一所述灰度统计分图进行峰值检测,得到所述任一灰度统计分图的峰值检测结果;
峰值获取模块用于若所述峰值检测结果为存在峰值,则将所述任一灰度统计分图中频率最高的灰度值作为所述峰值灰度值。
基于上述任一实施例,峰值检测模块具体用于:
基于任一所述灰度统计分图中每一灰度值对应的频率,获取所述任一灰度统计分图的峰均比;
若所述峰均比大于预设峰均比阈值,则确认所述峰值检测结果为存在峰值;否则,确认所述峰值检测结果为不存在峰值。
基于上述任一实施例,图像分割单元具体用于:
获取任一灰度值与每一第m次聚类中心之间的距离;其中,m=1时,所述第m次聚类中心即所述初始聚类中心;
将所述任一灰度值分配至所述距离最近的所述第m次聚类中心对应的聚类中;
基于任一聚类中的每一所述灰度值,获取所述任一聚类的第m+1次聚类中心;
若所述第m次聚类中心与所述第m+1次聚类中心一致,则输出图像分割结果;
否则,将m更新为m+1。
基于上述任一实施例,所述基于任一聚类中的每一所述灰度值,获取所述任一聚类的第m+1次聚类中心,具体包括:
式中,Nj为第j个聚类中包含的灰度值数量,Rj为第j个聚类,y为灰度值。
基于上述任一实施例,所述待分割图像为声呐图像。
图4为本发明实施例提供的电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储在存储器403上并可在处理器401上运行的计算机程序,以执行上述各实施例提供的基于K-means的图像分割方法,例如包括:对待分割图像进行灰度统计,获取所述待分割图像中的每一峰值灰度值;将每一所述峰值灰度值作为初始聚类中心;所述峰值灰度值的数量与所述初始聚类中心的数量一致;基于每一所述初始聚类中心,应用K-means聚类算法对所述待分割图像进行图像分割,获取图像分割结果。
此外,上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的基于K-means的图像分割方法,例如包括:对待分割图像进行灰度统计,获取所述待分割图像中的每一峰值灰度值;将每一所述峰值灰度值作为初始聚类中心;所述峰值灰度值的数量与所述初始聚类中心的数量一致;基于每一所述初始聚类中心,应用K-means聚类算法对所述待分割图像进行图像分割,获取图像分割结果。
以上所描述的***实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于K-means的图像分割方法,其特征在于,包括:
对待分割图像进行灰度统计,获取所述待分割图像中的每一峰值灰度值;
将每一所述峰值灰度值作为初始聚类中心;所述峰值灰度值的数量与所述初始聚类中心的数量一致;
基于每一所述初始聚类中心,应用K-means聚类算法对所述待分割图像进行图像分割,获取图像分割结果;
所述对待分割图像进行灰度统计,获取所述待分割图像中的每一峰值灰度值,具体包括:
对所述待分割图像进行灰度统计,获取所述待分割图像的灰度统计图;所述灰度统计图中包含每一灰度值对应的频率;
基于所述灰度统计图,获取每一峰值灰度值;
所述基于所述灰度统计图,获取每一峰值灰度值,具体包括:
将所述灰度统计图切分为多段灰度统计分图;
对任一所述灰度统计分图进行峰值检测,得到任一灰度统计分图的峰值检测结果;
若所述峰值检测结果为存在峰值,则将所述任一灰度统计分图中频率最高的灰度值作为所述峰值灰度值;
所述基于每一所述初始聚类中心,应用K-means聚类算法对所述待分割图像进行图像分割,获取图像分割结果,具体包括:
获取任一灰度值与每一第m次聚类中心之间的距离;其中,m=1时,所述第m次聚类中心即所述初始聚类中心;
将所述任一灰度值分配至所述距离最近的所述第m次聚类中心对应的聚类中;
基于任一聚类中的每一所述灰度值,获取所述任一聚类的第m+1次聚类中心;
若所述第m次聚类中心与所述第m+1次聚类中心一致,则输出图像分割结果;
否则,将m更新为m+1;
所述基于任一聚类中的每一所述灰度值,获取所述任一聚类的第m+1次聚类中心,具体包括:
式中,Nj为第j个聚类中包含的灰度值数量,Rj为第j个聚类,y为灰度值。
2.根据权利要求1所述的基于K-means的图像分割方法,其特征在于,所述对任一所述灰度统计分图进行峰值检测,得到所述任一灰度统计分图的峰值检测结果,具体包括:
基于任一所述灰度统计分图中每一灰度值对应的频率,获取所述任一灰度统计分图的峰均比;
若所述峰均比大于预设峰均比阈值,则确认所述峰值检测结果为存在峰值;否则,确认所述峰值检测结果为不存在峰值。
3.根据权利要求1或2所述的基于K-means的图像分割方法,其特征在于,所述待分割图像为声呐图像。
4.一种基于K-means的图像分割装置,其特征在于,包括:
峰值获取单元,用于对待分割图像进行灰度统计,获取所述待分割图像中的每一峰值灰度值;
初始中心获取单元,用于将每一所述峰值灰度值作为初始聚类中心;所述峰值灰度值的数量与所述初始聚类中心的数量一致;
图像分割单元,用于基于每一所述初始聚类中心,应用K-means聚类算法对所述待分割图像进行图像分割,获取图像分割结果;
其中,所述峰值获取单元具体用于:
对所述待分割图像进行灰度统计,获取所述待分割图像的灰度统计图;所述灰度统计图中包含每一灰度值对应的频率;
基于所述灰度统计图,获取每一峰值灰度值;
所述基于所述灰度统计图,获取每一峰值灰度值,具体包括:
将所述灰度统计图切分为多段灰度统计分图;
对任一所述灰度统计分图进行峰值检测,得到任一灰度统计分图的峰值检测结果;
若所述峰值检测结果为存在峰值,则将所述任一灰度统计分图中频率最高的灰度值作为所述峰值灰度值;
所述图像分割单元具体用于:
获取任一灰度值与每一第m次聚类中心之间的距离;其中,m=1时,所述第m次聚类中心即所述初始聚类中心;
将所述任一灰度值分配至所述距离最近的所述第m次聚类中心对应的聚类中;
基于任一聚类中的每一所述灰度值,获取所述任一聚类的第m+1次聚类中心;
若所述第m次聚类中心与所述第m+1次聚类中心一致,则输出图像分割结果;
否则,将m更新为m+1;
所述基于任一聚类中的每一所述灰度值,获取所述任一聚类的第m+1次聚类中心,具体包括:
式中,Nj为第j个聚类中包含的灰度值数量,Rj为第j个聚类,y为灰度值。
5.一种电子设备,包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至3任一项所述的基于K-means的图像分割方法的步骤。
6.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至3任一项所述的基于K-means的图像分割方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910504330.7A CN110288604B (zh) | 2019-06-12 | 2019-06-12 | 基于K-means的图像分割方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910504330.7A CN110288604B (zh) | 2019-06-12 | 2019-06-12 | 基于K-means的图像分割方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110288604A CN110288604A (zh) | 2019-09-27 |
CN110288604B true CN110288604B (zh) | 2022-03-22 |
Family
ID=68003791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910504330.7A Active CN110288604B (zh) | 2019-06-12 | 2019-06-12 | 基于K-means的图像分割方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288604B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669326A (zh) * | 2020-12-07 | 2021-04-16 | 山东省科学院海洋仪器仪表研究所 | 一种海水水下图像快速分割方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794726A (zh) * | 2015-05-04 | 2015-07-22 | 清华大学深圳研究生院 | 一种水下图像并行分割方法及装置 |
CN105931236A (zh) * | 2016-04-19 | 2016-09-07 | 武汉大学 | 面向图像分割的模糊c-均值聚类初始聚类中心自动选取方法 |
CN106570871A (zh) * | 2016-11-02 | 2017-04-19 | 天津大学 | 模糊c均值颈动脉超声图像内中膜厚度测量方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI637187B (zh) * | 2017-09-19 | 2018-10-01 | 臺北榮民總醫院 | 磁共振影像的分析方法及評估放射治療風險的方法 |
-
2019
- 2019-06-12 CN CN201910504330.7A patent/CN110288604B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794726A (zh) * | 2015-05-04 | 2015-07-22 | 清华大学深圳研究生院 | 一种水下图像并行分割方法及装置 |
CN105931236A (zh) * | 2016-04-19 | 2016-09-07 | 武汉大学 | 面向图像分割的模糊c-均值聚类初始聚类中心自动选取方法 |
CN106570871A (zh) * | 2016-11-02 | 2017-04-19 | 天津大学 | 模糊c均值颈动脉超声图像内中膜厚度测量方法及*** |
Non-Patent Citations (1)
Title |
---|
基于改进的K-means算法在图像分割中的应用;李栋 等;《电脑知识与技术》;20160331;第12卷(第8期);第166-168页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110288604A (zh) | 2019-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6192271B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
JP6897749B2 (ja) | 学習方法、学習システム、および学習プログラム | |
CN102855478B (zh) | 图像中文本区域定位方法和装置 | |
Carneiro et al. | Robust left ventricle segmentation from ultrasound data using deep neural networks and efficient search methods | |
CN110069989B (zh) | 人脸图像处理方法及装置、计算机可读存储介质 | |
CN106157330B (zh) | 一种基于目标联合外观模型的视觉跟踪方法 | |
CN109658378B (zh) | 基于土壤ct图像的孔隙辨识方法及*** | |
CN112651274B (zh) | 路上障碍物检测装置、路上障碍物检测方法及记录介质 | |
CN112257738A (zh) | 机器学习模型的训练方法、装置和图像的分类方法、装置 | |
Wattuya et al. | A random walker based approach to combining multiple segmentations | |
CN110288604B (zh) | 基于K-means的图像分割方法和装置 | |
CN110163103A (zh) | 一种基于视频图像的生猪行为识别方法和装置 | |
JP4516940B2 (ja) | 累積和基盤の変化点分析を利用した虹彩認識方法及びその装置 | |
CN111199228B (zh) | 一种车牌定位的方法及装置 | |
CN111382760B (zh) | 图片类别的识别方法、装置及计算机可读存储介质 | |
CN108256578B (zh) | 一种灰度图像的识别方法、装置、设备及可读存储介质 | |
CN112419407B (zh) | 基于云团边缘识别的云团位移矢量计算方法及装置 | |
CN113139577B (zh) | 一种基于可变形卷积网络的深度学习图像分类方法及*** | |
CN111382741B (zh) | 一种自然场景图片中文本检测方法、***及设备 | |
CN113378707A (zh) | 对象识别方法及装置 | |
CN110309728B (zh) | 停车线检测方法和装置 | |
CN114201999A (zh) | 异常账号的识别方法、***、计算设备及存储介质 | |
CN111708884A (zh) | 文本分类方法、装置及电子设备 | |
CN111625672B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
JP2004062604A (ja) | 画像処理方法および装置 |
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 |