CN111062394B - 基于多通道加权引导滤波的模糊聚类彩色图像分割方法 - Google Patents

基于多通道加权引导滤波的模糊聚类彩色图像分割方法 Download PDF

Info

Publication number
CN111062394B
CN111062394B CN201911132050.4A CN201911132050A CN111062394B CN 111062394 B CN111062394 B CN 111062394B CN 201911132050 A CN201911132050 A CN 201911132050A CN 111062394 B CN111062394 B CN 111062394B
Authority
CN
China
Prior art keywords
image
channel
filtering
color image
membership
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
Application number
CN201911132050.4A
Other languages
English (en)
Other versions
CN111062394A (zh
Inventor
周劲
徐广梅
董吉文
韩士元
王琳
陈月辉
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.)
University of Jinan
Original Assignee
University of Jinan
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 University of Jinan filed Critical University of Jinan
Priority to CN201911132050.4A priority Critical patent/CN111062394B/zh
Publication of CN111062394A publication Critical patent/CN111062394A/zh
Application granted granted Critical
Publication of CN111062394B publication Critical patent/CN111062394B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

一种基于多通道加权引导滤波的模糊聚类彩色图像分割方法，对于带有噪声的彩色图像，首先通过多元形态学重建可以有效的去除不同类型不同强度的噪声，从而减轻噪声对图像聚类的影响；其次，将带有噪声的彩色图像对隶属度多通道引导滤波时，由于利用原始彩色图像的每个通道分别对隶属度引导滤波，然后将每个通道的滤波结果加权得到最终的滤波输出图像，所以能够避免不同通道之间的相互影响，从而最终的滤波结果能够更有效的保持边缘，提高了对彩色噪声图像分割的准确率。另外，由于三个通道的滤波结果加权计算是一个线性操作，所以基于多通道加权引导滤波的模糊聚类的彩色图像分割方法具有较低的时间复杂度。

Description

基于多通道加权引导滤波的模糊聚类彩色图像分割方法
技术领域
本发明涉及彩色噪声图像分割技术领域，具体涉及一种基于多通道加权引导滤波的模糊聚类彩色图像分割方法。
背景技术
图像分割是指将一幅图像分成若干互不重叠的子区域，使得每个子区域具有一定的相似性、而不同子区域有较为明显的差异。由于彩色图像提供了比灰度图像更为丰富的信息，因此彩色图像处理受到人们越来越多的关注。彩色图像分割是彩色图像处理的重要问题，然而在实际应用中，要被分割的彩色图像往往含有未知类型、未知强度的噪声，导致彩色图像分割结果变差。因此，如在噪声类型、强度未知的情况下，提高对彩色噪声图像的分割效果，成为一个研究热点。
模糊聚类(Fuzzy c-means):
模糊聚类(FCM)作为最经典的基于分割的聚类分析方法，它允许每个数据对象隶属于多个聚类，对于每个聚类都赋予一个隶属度，从而使得聚类间边界变得模糊，使得聚类结果变得更加准确。鉴于图像分割和基于分割的聚类方法所具有的共性，以及彩色图像分割中实际存在的区域边界模糊化的问题，模糊聚类方法目前被广泛的应用在彩色图像分割中。但是FCM算法对图像中含有的噪声十分敏感，聚类结果受噪声影响很大。
引导滤波：
引导滤波是一种图像滤波方法，通过一副引导图像对输入图像进行滤波得到输出图像，使得输出图像具有引导图像的梯度信息，并有效的去除了图像本身的噪声。由于引导滤波能在对图像去噪的同时保持边缘，所以被用于图像处理、计算机视觉等领域。引导图像可以是输入图像或者其他的图像，但是当输入图像是单通道的灰度图像，引导图像为多通道的彩色图像时，引导滤波的结果可以看作是多个通道滤波结果的和，其中每个通道的滤波结果都受到了其他两个通道的影响，所以导致最终的滤波结果不是特别精确。同时，在滤波过程中需要求取三个通道协方差的逆，这带来了较大的时间代价。
多元形态学重建：
多元形态学重建方法使用标记图像、目标图像以及结构元进行多元形态学开重建或者多元形态学闭重建来获得重建的图像。多元形态学重建可以有效去除彩色图像中任何类型、任何比例的噪声，可以作为一步预处理，用于彩色噪声图像分割流程中。然而，某些情况下，多元形态学重建会改变彩色图像中的某些细节信息，导致图像局部范围的错误分类。
发明内容
本发明为了克服以上技术的不足，提供了一种提高彩色噪声图像分割准去率、提升彩色图像纹理边缘区域分割效果的基于多通道加权引导滤波的模糊聚类彩色图像分割方法。
本发明克服其技术问题所采用的技术方案是：
一种基于多通道加权引导滤波的模糊聚类彩色图像分割方法，包括如下步骤：
a)输入要被分割的含有噪声的原始彩色图像f，原始彩色图像f的宽度为W，高度为H，原始彩色图像f像素点个数为N；
b)利用多元形态学闭重建方法对原始彩色图像f进行重建，得到重建图像
Figure GDA0004126528610000021
c)使用基于多通道引导滤波功能的FCM聚类算法对重建图像/>
Figure GDA0004126528610000022
进行聚类计算，在FCM聚类算法的每一次迭代过程中，使用多通道引导滤波算法对每一次迭代中的隶属度矩阵进行滤波并使用原始彩色图像f作为引导滤波算法的引导图像；
d)根据最终得到的隶属度矩阵得到原始彩色图像f的分割结果。
优选的，步骤b)中多元形态学闭重建方法中的结构元B设置为3×3的正方形窗口。
进一步的，步骤b)中的多元形态学闭重建方法包括如下步骤：b-1)利用多元腐蚀方法使用结构元B对含有噪声的原始彩色图像f进行腐蚀操作，得到标记图像g1；
b-2)利用多元形态学膨胀重建方法使用结构元B对标记图像g1进行形态学膨胀重建操作，得到图像T；
b-3)利用多元形态学膨胀方法使用结构元B对图像T进行膨胀操作，得到标记图像g2；
b-4)利用多元形态学腐蚀重建方法使用结构元B对标记图像g2进行形态学腐蚀重建操作，得到重建图像
Figure GDA0004126528610000031
优选的，步骤c)中引导滤波的滤波窗口ω设置为3×3正方形窗口，引导滤波算法的参数ε设置为0.0001。
进一步的，步骤c)中基于多通道引导滤波功能的FCM聚类算法包括如下步骤：
c-1)对FCM聚类算法中的参数进行初始化操作，用户输入FCM聚类算法中的类中心数量K，将FCM聚类算法中的模糊系数m设置为2.0，将FCM聚类算法中的停止阀值ξ设置为0.000001，设置FCM聚类算法中的迭代计数器t＝0；
c-2)从重建图像
Figure GDA0004126528610000032
中随机选取C个像素点，分别作为C个类的类中心；
c-3)将迭代计数器加1，即t＝t+1；
c-4)通过公式
Figure GDA0004126528610000033
计算重建图像/>
Figure GDA0004126528610000037
的第n个像素点
Figure GDA0004126528610000036
属于第c个类的隶属度矩阵unc，c＝1,2,....,C，n＝1,2,....,N，式中l＝r,g,b，r为红色通道，g为绿色通道，b为蓝色通道，/>
Figure GDA0004126528610000034
为l通道的第n个像素，υjl为l通道第j个类的类中心，j＝1,2,....,C，υcl为l通道第c个类的类中心；
c-5)使用多通道引导滤波方法对隶属度矩阵unc进行滤波；
c-6)使用公式
Figure GDA0004126528610000035
更新l通道第c类的类中心υcl的值，其中c＝1,2,....,C；
c-7)使用公式
Figure GDA0004126528610000041
计算第t次迭代得到的目标函数/>
Figure GDA0004126528610000042
c-8)计算第t次迭代得到的目标函数
Figure GDA0004126528610000043
与第t-1次迭代的目标函数/>
Figure GDA0004126528610000044
之间的差值,如果/>
Figure GDA0004126528610000045
则返回执行执行步骤c-3)，如果/>
Figure GDA0004126528610000046
则执行步骤d)
进一步的，步骤c-5)中多通道引导滤波方法对隶属度矩阵进行滤波包括如下步骤：
c-5.1)将得到的N×C的隶属度矩阵转换成C个宽度为W且高度为H的隶属度图像P；
c-5.2)将原始彩色图像的每个通道分别作为引导图像对隶属度图像P按照公式
Figure GDA0004126528610000047
滤波，其中l＝r,g,b，ωk为引导图像中以第k个像素为中心的窗口，Iil表示引导图像l通道第i个像素的值，qil表示滤波输出图像l通道第i个像素的值，akl和bkl为在引导图像的l通道窗口ωk内像素的线性系数，使用公式/>
Figure GDA0004126528610000048
和/>
Figure GDA0004126528610000049
求得akl和bkl，其中|ω|表示在窗口ωk的像素值的数量，pi表示输入图像第i个像素的值，μkl为彩色引导图像的l通道在窗口ωk的均值，/>
Figure GDA00041265286100000410
为彩色引导图像的l通道在窗口ωk的方差，/>
Figure GDA00041265286100000411
表示输入图像在窗口ωk的均值；
c-5.3)将三个通道滤波结果按照公式
Figure GDA0004126528610000051
加权求和得到最终的滤波后的隶属度图像P'，式中wil表示引导图像l通道第i个像素的权重，通过公式
Figure GDA0004126528610000052
求得，其中/>
Figure GDA0004126528610000053
分别表示引导图像的r,g,b三个通道在窗口ωi的方差，/>
Figure GDA0004126528610000054
为引导图像l通道中在窗口ωi的方差；
c-5.4)将滤波后的隶属度图像P'转换回隶属度向量。
本发明的有益效果是：对于带有噪声的彩色图像，首先通过多元形态学重建可以有效的去除不同类型不同强度的噪声，从而减轻噪声对图像聚类的影响；其次，将带有噪声的彩色图像对隶属度多通道引导滤波时，由于利用原始彩色图像的每个通道分别对隶属度引导滤波，然后将每个通道的滤波结果加权得到最终的滤波输出图像，所以能够避免不同通道之间的相互影响，从而最终的滤波结果能够更有效的保持边缘，提高了对彩色噪声图像分割的准确率。另外，由于三个通道的滤波结果加权计算是一个线性操作，所以基于多通道加权引导滤波的模糊聚类的彩色图像分割方法具有较低的时间复杂度。
具体实施方式
下面对本发明做进一步说明。
一种基于多通道加权引导滤波的模糊聚类彩色图像分割方法，包括如下步骤：
a)输入要被分割的含有噪声的原始彩色图像f，原始彩色图像f的宽度为W，高度为H，原始彩色图像f像素点个数为N；
b)利用多元形态学闭重建方法对原始彩色图像f进行重建，得到重建图像
Figure GDA0004126528610000055
c)使用基于多通道引导滤波功能的FCM聚类算法对重建图像
Figure GDA0004126528610000056
进行聚类计算，在FCM聚类算法的每一次迭代过程中，使用多通道引导滤波算法对每一次迭代中的隶属度矩阵进行滤波并使用原始彩色图像f作为引导滤波算法的引导图像；
d)根据最终得到的隶属度矩阵得到原始彩色图像f的分割结果。
对于带有噪声的彩色图像，首先通过多元形态学重建可以有效的去除不同类型不同强度的噪声，从而减轻噪声对图像聚类的影响。其次，将带有噪声的彩色图像对隶属度多通道引导滤波时，由于利用原始彩色图像的每个通道分别对隶属度引导滤波，然后将每个通道的滤波结果加权得到最终的滤波输出图像，所以能够避免不同通道之间的相互影响，从而最终的滤波结果能够更有效的保持边缘，提高了对彩色噪声图像分割的准确率。另外，由于三个通道的滤波结果加权计算是一个线性操作，所以基于多元形态学重建与多通道加权引导滤波的模糊聚类的彩色图像分割方法具有较低的时间复杂度。
优选的，步骤b)中多元形态学闭重建方法中的结构元B设置为3×3的正方形窗口。
进一步的，步骤b)中的多元形态学闭重建方法包括如下步骤：b-1)利用多元腐蚀方法使用结构元B对含有噪声的原始彩色图像f进行腐蚀操作，得到标记图像g1；
b-2)利用多元形态学膨胀重建方法使用结构元B对标记图像g1进行形态学膨胀重建操作，得到图像T；
b-3)利用多元形态学膨胀方法使用结构元B对图像T进行膨胀操作，得到标记图像g2；
b-4)利用多元形态学腐蚀重建方法使用结构元B对标记图像g2进行形态学腐蚀重建操作，得到重建图像
Figure GDA0004126528610000061
优选的，步骤c)中引导滤波的滤波窗口ω设置为3×3正方形窗口，引导滤波算法的参数ε设置为0.0001。
进一步的，步骤c)中基于多通道引导滤波功能的FCM聚类算法包括如下步骤：c-1)对FCM聚类算法中的参数进行初始化操作，用户输入FCM聚类算法中的类中心数量K，将FCM聚类算法中的模糊系数m设置为2.0，将FCM聚类算法中的停止阀值ξ设置为0.000001，设置FCM聚类算法中的迭代计数器t＝0；
c-2)从重建图像
Figure GDA0004126528610000071
中随机选取C个像素点，分别作为C个类的类中心；
c-3)将迭代计数器加1，即t＝t+1；
c-4)通过公式
Figure GDA0004126528610000072
计算重建图像/>
Figure GDA0004126528610000073
的第n个像素点
Figure GDA0004126528610000074
属于第c个类的隶属度矩阵unc，c＝1,2,....,C，n＝1,2,....,N，式中l＝r,g,b，r为红色通道，g为绿色通道，b为蓝色通道，/>
Figure GDA0004126528610000075
为l通道的第n个像素，υjl为l通道第j个类的类中心，j＝1,2,....,C，υcl为l通道第c个类的类中心；
c-5)使用多通道引导滤波方法对隶属度矩阵unc进行滤波；
c-6)使用公式
Figure GDA0004126528610000076
更新l通道第c类的类中心υcl的值，其中c＝1,2,....,C；
c-7)使用公式
Figure GDA0004126528610000077
计算第t次迭代得到的目标函数/>
Figure GDA0004126528610000078
c-8)计算第t次迭代得到的目标函数
Figure GDA0004126528610000079
与第t-1次迭代的目标函数/>
Figure GDA00041265286100000710
之间的差值,如果/>
Figure GDA00041265286100000711
则返回执行执行步骤c-3)，如果
Figure GDA0004126528610000081
则执行步骤d)
进一步的，步骤c-5)中多通道引导滤波方法对隶属度矩阵进行滤波包括如下步骤：
c-5.1)将得到的N×C的隶属度矩阵转换成C个宽度为W且高度为H的隶属度图像P；
c-5.2)将原始彩色图像的每个通道分别作为引导图像对隶属度图像P按照公式
Figure GDA0004126528610000082
滤波，其中l＝r,g,b，ωk为引导图像中以第k个像素为中心的窗口，Iil表示引导图像l通道第i个像素的值，qil表示滤波输出图像l通道第i个像素的值，akl和bkl为在引导图像的l通道窗口ωk内像素的线性系数，使用公式/>
Figure GDA0004126528610000083
和/>
Figure GDA0004126528610000084
求得akl和bkl，其中|ω|表示在窗口ωk的像素值的数量，pi表示输入图像第i个像素的值，μkl为彩色引导图像的l通道在窗口ωk的均值，/>
Figure GDA0004126528610000085
为彩色引导图像的l通道在窗口ωk的方差，/>
Figure GDA0004126528610000086
表示输入图像在窗口ωk的均值；
c-5.3)将三个通道滤波结果按照公式
Figure GDA0004126528610000087
加权求和得到最终的滤波后的隶属度图像P'，式中wil表示引导图像l通道第i个像素的权重，通过公式
Figure GDA0004126528610000088
求得，其中/>
Figure GDA0004126528610000089
分别表示引导图像的r,g,b三个通道在窗口ωi的方差，/>
Figure GDA00041265286100000810
为引导图像l通道中在窗口
ωi的方差；
c-5.4)将滤波后的隶属度图像P'转换回隶属度向量。

Claims (4)

1.一种基于多通道加权引导滤波的模糊聚类彩色图像分割方法，其特征在于，包括如下步骤：
a)输入要被分割的含有噪声的原始彩色图像f，原始彩色图像f的宽度为W，高度为H，原始彩色图像f像素点个数为N；
b)利用多元形态学闭重建方法对原始彩色图像f进行重建，得到重建图像
Figure FDA0004196092140000013
c)使用基于多通道引导滤波功能的FCM聚类算法对重建图像
Figure FDA0004196092140000014
进行聚类计算，在FCM聚类算法的每一次迭代过程中，使用多通道引导滤波算法对每一次迭代中的隶属度矩阵进行滤波并使用原始彩色图像f作为引导滤波算法的引导图像；
d)根据最终得到的隶属度矩阵得到原始彩色图像f的分割结果；
步骤b)中的多元形态学闭重建方法包括如下步骤：
b-1)利用多元腐蚀方法使用结构元B对含有噪声的原始彩色图像f进行腐蚀操作，得到标记图像g1；
b-2)利用多元形态学膨胀重建方法使用结构元B对标记图像g1进行形态学膨胀重建操作，得到图像T；
b-3)利用多元形态学膨胀方法使用结构元B对图像T进行膨胀操作，得到标记图像g2；
b-4)利用多元形态学腐蚀重建方法使用结构元B对标记图像g2进行形态学腐蚀重建操作，得到重建图像
Figure FDA0004196092140000011
步骤c)中基于多通道引导滤波功能的FCM聚类算法包括如下步骤：
c-1)对FCM聚类算法中的参数进行初始化操作，用户输入FCM聚类算法中的类中心数量K，将FCM聚类算法中的模糊系数m设置为2.0，将FCM聚类算法中的停止阀值ξ设置为0.000001，设置FCM聚类算法中的迭代计数器t＝0；
c-2)从重建图像
Figure FDA0004196092140000012
中随机选取C个像素点，分别作为C个类的类中心；
c-3)将迭代计数器加1，即t＝t+1；
c-4)通过公式
Figure FDA0004196092140000021
计算重建图像/>
Figure FDA0004196092140000022
的第n个像素点/>
Figure FDA0004196092140000023
属于第c个类的隶属度矩阵unc，c＝1,2,....,C，n＝1,2,....,N，式中l＝r,g,b，r为红色通道，g为绿色通道，b为蓝色通道，/>
Figure FDA0004196092140000024
为l通道的第n个像素，υjl为l通道第j个类的类中心，j＝1,2,....,C，υcl为l通道第c个类的类中心；
c-5)使用多通道引导滤波方法对隶属度矩阵unc进行滤波；
c-6)使用公式
Figure FDA0004196092140000025
更新l通道第c类的类中心υcl的值，其中c＝1,2,....,C；
c-7)使用公式
Figure FDA0004196092140000026
计算第t次迭代得到的目标函数/>
Figure FDA0004196092140000027
c-8)计算第t次迭代得到的目标函数
Figure FDA0004196092140000028
与第t-1次迭代的目标函数/>
Figure FDA0004196092140000029
之间的差值,如果/>
Figure FDA00041960921400000210
则返回执行执行步骤c-3)，如果/>
Figure FDA00041960921400000211
则执行步骤d)。
2.根据权利要求1所述的基于多通道加权引导滤波的模糊聚类彩色图像分割方法，其特征在于：步骤b)中多元形态学闭重建方法中的结构元B设置为3×3的正方形窗口。
3.根据权利要求1所述的基于多通道加权引导滤波的模糊聚类彩色图像分割方法，其特征在于：步骤c)中引导滤波的滤波窗口ω设置为3×3正方形窗口，引导滤波算法的参数ε设置为0.0001。
4.根据权利要求1所述的基于多通道加权引导滤波的模糊聚类彩色图像分割方法，其特征在于：步骤c-5)中多通道引导滤波方法对隶属度矩阵进行滤波包括如下步骤：
c-5.1)将得到的N×C的隶属度矩阵转换成C个宽度为W且高度为H的隶属度图像P；
c-5.2)将原始彩色图像的每个通道分别作为引导图像对隶属度图像P按照公式
Figure FDA0004196092140000031
滤波，其中l＝r,g,b，ωk为引导图像中以第k个像素为中心的窗口，Iil表示引导图像l通道第i个像素的值，qil表示滤波输出图像l通道第i个像素的值，akl和bkl为在引导图像的l通道窗口ωk内像素的线性系数，使用公式/>
Figure FDA0004196092140000032
和
Figure FDA0004196092140000033
求得akl和bkl，其中ω表示在窗口ωk的像素值的数量，pi表示输入图像第i个像素的值，μkl为彩色引导图像的l通道在窗口ωk的均值，/>
Figure FDA0004196092140000034
为彩色引导图像的l通道在窗口ωk的方差，/>
Figure FDA0004196092140000035
表示输入图像在窗口ωk的均值；
c-5.3)将三个通道滤波结果按照公式
Figure FDA0004196092140000036
加权求和得到最终的滤波后的隶属度图像P'，式中wil表示引导图像l通道第i个像素的权重，通过公式/>
Figure FDA0004196092140000041
l＝r,g,b求得，其中/>
Figure FDA0004196092140000042
分别表示引导图像的r,g,b三个通道在窗口ωi的方差，
Figure FDA0004196092140000043
为引导图像l通道中在窗口ωi的方差；
c-5.4)将滤波后的隶属度图像P'转换回隶属度向量。
CN201911132050.4A 2019-11-18 2019-11-18 基于多通道加权引导滤波的模糊聚类彩色图像分割方法 Active CN111062394B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911132050.4A CN111062394B (zh) 2019-11-18 2019-11-18 基于多通道加权引导滤波的模糊聚类彩色图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911132050.4A CN111062394B (zh) 2019-11-18 2019-11-18 基于多通道加权引导滤波的模糊聚类彩色图像分割方法

Publications (2)

Publication Number Publication Date
CN111062394A CN111062394A (zh) 2020-04-24
CN111062394B true CN111062394B (zh) 2023-06-23

Family

ID=70297789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911132050.4A Active CN111062394B (zh) 2019-11-18 2019-11-18 基于多通道加权引导滤波的模糊聚类彩色图像分割方法

Country Status (1)

Country Link
CN (1) CN111062394B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113744184A (zh) * 2021-07-27 2021-12-03 江苏农林职业技术学院 一种基于图像处理的乌鳢卵子计数方法
CN113688926B (zh) * 2021-08-31 2024-03-08 济南大学 一种网站行为分类方法、***、存储介质及设备
CN114693713A (zh) * 2022-05-30 2022-07-01 天地智控(天津)科技有限公司 一种矿井下高清图像去粉尘烟雾快速恢复方法
CN116402816B (zh) * 2023-06-08 2023-08-15 中国人民解放军海军青岛特勤疗养中心 一种体检ct影像数据的管理方法及***
CN117437151B (zh) * 2023-12-21 2024-03-08 成都市晶林科技有限公司 一种噪声抑制的伪彩映射方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19752605A1 (de) * 1997-11-27 1999-06-02 Siemens Ag Verfahren und Anordnung zur rechnergestützten Ermittlung einer in Meßdaten enthaltenen Struktur unter Verwendung von Fuzzy Clustering
CN101140659B (zh) * 2007-09-29 2010-08-04 华中科技大学 在数字血管造影图像中分割血管数据的方法
CN105335949A (zh) * 2015-08-28 2016-02-17 中国科学院深圳先进技术研究院 一种视频图像去雨方法及***
CN105139358A (zh) * 2015-08-28 2015-12-09 中国科学院深圳先进技术研究院 一种结合形态学和模糊c聚类的视频雨滴去除方法及其***
CN106296675A (zh) * 2016-08-04 2017-01-04 山东科技大学 一种高噪声灰度不均匀图像的分割方法
CN106651838A (zh) * 2016-11-15 2017-05-10 山东师范大学 基于模糊聚类的凝胶蛋白分割方法
CN108664980A (zh) * 2018-05-14 2018-10-16 昆明理工大学 一种基于引导滤波和小波变换的太阳冕环结构识别方法
CN109102513A (zh) * 2018-08-15 2018-12-28 黄淮学院 一种基于数学形态学的医学图像的分割算法

Also Published As

Publication number Publication date
CN111062394A (zh) 2020-04-24

Similar Documents

Publication Publication Date Title
CN111062394B (zh) 基于多通道加权引导滤波的模糊聚类彩色图像分割方法
CN109389608B (zh) 以平面为聚类中心具有抗噪性的模糊聚类图像分割方法
CN111080675B (zh) 一种基于时空约束相关滤波的目标跟踪方法
Zhu et al. Learning to recognize shadows in monochromatic natural images
CN111340824B (zh) 一种基于数据挖掘的图像特征分割方法
CN110120056B (zh) 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法
CN107590427B (zh) 基于时空兴趣点降噪的监控视频异常事件检测方法
CN109934224B (zh) 基于马尔科夫随机场和视觉对比机制的小目标检测方法
CN105654436A (zh) 一种基于前景背景分离的背光图像增强去噪方法
CN110728694B (zh) 一种基于持续学习的长时视觉目标跟踪方法
CN109035274A (zh) 基于背景估计与u型卷积神经网络的文档图像二值化方法
CN115239718B (zh) 一种基于图像处理的塑料制品缺陷检测方法与***
WO2020123767A1 (en) Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy
CN106407959A (zh) 基于小波变换和svm的低照度的复杂背景车牌定位方法
Szilágyi et al. A modified fuzzy c-means algorithm for MR brain image segmentation
CN113657335A (zh) 基于hsv颜色空间的矿相识别方法
CN109564683B (zh) 图像诊断辅助装置、图像诊断辅助方法及试料分析***
CN104637060B (zh) 一种基于邻域主成分分析-拉普拉斯的图像分割方法
CN110827327B (zh) 一种基于融合的长期目标跟踪方法
CN107564008A (zh) 基于关键像素模糊聚类的快速sar图像分割方法
CN113850792A (zh) 一种基于计算机视觉的细胞分类计数方法及***
Khamael et al. Using adapted JSEG algorithm with fuzzy C mean for segmentation and counting of white blood cell and nucleus images
CN105701816A (zh) 一种图像自动分割方法
CN111784610A (zh) 一种基于聚类的边窗滤波器优化方法
Dannemiller et al. A new method for the segmentation of algae images using retinex and support vector machine

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