CN112037230B - 一种基于超像素和超度量轮廓图的林区图像分割方法 - Google Patents
一种基于超像素和超度量轮廓图的林区图像分割方法 Download PDFInfo
- Publication number
- CN112037230B CN112037230B CN201910481471.1A CN201910481471A CN112037230B CN 112037230 B CN112037230 B CN 112037230B CN 201910481471 A CN201910481471 A CN 201910481471A CN 112037230 B CN112037230 B CN 112037230B
- Authority
- CN
- China
- Prior art keywords
- super
- segmentation
- pixel
- image
- dissimilarity
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (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)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于超像素和超度量轮廓图的林区图像分割方法,该方法首先利用线性谱聚类将图像分割成超像素,并计算相邻超像素区域之间的不相似度;然后自下而上地合并相似度较高的区域,同时更新超度量轮廓图中的边缘权重;最后输出利用最佳权重阈值分割的图像。较小的权重阈值会产生过分割,随着阈值增大,分割结果则只保留显著性较高的边缘。本发明能够自主设置分割阈值T,可根据实际需要设置不同大小的分割阈值T,以得到较佳的分割结果。相较于其他现有图像分割算法,本发明具有运算复杂度显著降低、算法速度较快、分割效果好、对初始参数依赖小等优点,非常适合用于分割高分辨率的无人机林区航拍图像,具有很高的推广应用价值。
Description
技术领域
本发明涉及图像分割领域,具体而言,涉及一种基于超像素和超度量轮廓图的林区图像分割方法。
背景技术
无人机作为一种低空遥感工具,具有飞行成本低、操作简便、机动灵活、拍摄时间自由等优点,在地质勘探、环境调查、受害检测等领域已取得显著成果,其发展前景不可估量。为实现对无人机捕获的图像信息进行智能化分析,研究快速且高质量的图像分割算法一直是图像领域的一个热点问题。图像分割是指将图像划分成若干个互不交叠的区域,使同一区域内呈现出相似性而相邻区域间明显不同的结果,它是图像分析、模式识别和计算机视觉中的关键步骤。
由于无人机航拍图像的分辨率高、场景复杂、应用范围多样,因此现今并没有非常成熟的分割算法可以适用于各种类型的无人机图像。
超像素是图像中具有一致性且能保持图像局部结构特征的子区域,线性谱聚类(linear spectral clustering,LSC)超像素生成算法的本质是将原始空间中的数据映射到高维空间再进行聚类。该算法首先设计核函数将图像像素集合V中的像素特征映射到高维的特征空间,然后使用加权K-means聚类算法实现图像分割。图像中像素点p的特征表示为(lp,αp,βp,xp,yp),l,α,β分别表示CIELAB颜色空间中p的颜色分量L,a和b,L为颜色亮度,a通道表示红色和绿色之间的位置,b通道表示黄色和蓝色之间的位置;x和y是p在图像平面中的垂直和水平坐标。从低维像素空间映射到高维特征空间的核函数/>定义为:
其中,
p,q为像素点,参数Cc和Cs分别为控制颜色和位置信息的权重,Cs=r×Cc,r=0.075。
超度量轮廓图源于Arbelaez等提出一种基于边缘检测的图像层次分割方法——全局边缘概率-方向分水岭变换-超度量轮廓图(globalized probability of boundary,oriented watershed transform and ultrametric contour map,gPb-OWT-UCM)。
自下而上的图像层次分割通过区域合并算法来构建。将初始分割看作图,初始分割区域是图的节点,连接相邻区域R1与R2的边缘c为图的边,边缘集合为C={c},区域R1与R2之间的不相似度作为边的权重W(c),权重集合为W(C)={W(c)}。层次分割是通过区域间不相似度对边缘进行排序,并迭代合并最相似区域的过程,具体算法步骤如下:
输入.边缘权重集合W(C).
输出.每次迭代的分割结果。
Step1.选择W(C)中权值最小的边缘c*,
c*=arg minc∈C W(c)。
Step2.若R1,R2为被c*分割的两区域,则将其合并为R=R1∪R2。
Step3.从边缘集合C中删除边缘c*。
Step4.若C为空集,结束迭代;否则更新边缘集合C与边的权重集合W(C),并转向step1。
层次分割底层生成的轮廓会保留强度较弱的边界,同时也会造成过分割;而上层的轮廓只对强度较强的边界敏感,可能会缺失部分必要的边缘信息。考虑到在层次分割过程中,当前删除的边缘的权重最小,所有剩余边缘的权值都必须大于先前删除边缘的权值,从而可以构建一个具有索引层次结构的超度量轮廓图,把图像的层次分割理解为一个多种尺度下的不同分割结果的集合,通过选取尺度得到适合的轮廓作为最佳分割结果。
由于算法gPb-OWT-UCM在利用gPb计算边缘强度时会组合多个尺度不同方向上的多维特征(3维颜色特征+17维纹理特征),要得到准确的分割结果必然会以巨大的运算复杂度为代价,对于高分辨率的无人机航拍图像来说,这种算法显然是不适用的。
发明内容
本发明提供一种基于超像素和超度量轮廓图的林区图像分割方法,用以对无人机航拍得到的图像进行分割。
为达到上述目的,本发明提供了一种基于超像素和超度量轮廓图的林区图像分割方法,其包括以下步骤:
S1:对一原始图像进行超像素分割,生成一包含多个超像素区域的超像素图,其中,该原始图像的大小为M×N并且为RGB图像;
S2:将超像素图由RGB颜色空间转换至HSV颜色空间,并将转换后的超像素图于HSV颜色空间中的色调分量区间、饱和度分量区间和明度分量区间均平均划分为n个子区间;
S3:分别统计每一超像素区域于色调分量区间、饱和度分量区间和明度分量区间中的每一子区间中的像素个数并将其进行归一化,得到归一化直方图其中,m=3×n,n为大于1的整数,i表示第i个超像素区域,/>分别表示第i个超像素区域于色调分量区间中的第1~n个区间的像素个数归一化值,/>分别表示第i个超像素区域于饱和度分量区间中的第1~n个区间的像素个数归一化值,/>分别表示第i个超像素区域于明度分量区间中的第1~n个区间的像素个数归一化值;
S4:根据下式计算所有相邻的两个超像素区域之间的不相似度D(Ri,Rj):
其中,Ri、Rj表示相邻的两个超像素区域;
S5:根据步骤S4的计算结果,按照不相似度从小至大的顺序得到一不相似度序列S,不相似度序列S中的每一元素均为相邻的两个超像素区域之间的不相似度;
S6:初始化生成一矩阵U,U=M×N并且为零矩阵;
S7:将超像素图中位于相邻的两个超像素区域之间的所有像素点与矩阵U中的元素进行一一对应,并将步骤S4中计算得到的不相似度分别赋值给矩阵U中的对应元素;
S8:从不相似度序列S中取出值最小的元素u,并对该元素u对应的相邻的两个超像素区域进行合并,合并规则为将该元素u对应的相邻的两个超像素区域之间的每一像素点对应的矩阵U中的元素均更新为该元素u,同时计算合并后的超像素区域R的直方图为其中,A()表示超像素区域中的像素总数值;
S9:计算步骤S8中合并后的超像素区域R与所有与其相邻的超像素区域之间的不相似度,并据此更新不相似度序列S;
S10:重复步骤S8~S9,直至不相似度序列S中的元素个数为零;
S11:将矩阵U中的所有元素归一化至0~1之间;
S12:选择一分割阈值T,在步骤S1中得到的超像素图中去除小于分割阈值T的邻接区域,保留大于分割阈值T的邻接区域,得到一包含多个子区域的分割图;
S13:计算步骤S12得到的分割图中的每一子区域的平均颜色,并将每一平均颜色填充在对应的子区域中,以得到最终的分割结果图。
在本发明的一实施例中,步骤S1中,超像素图中的超像素区域的个数初始化为100。
在本发明的一实施例中,步骤S1中,使用线性谱聚类的方式生成超像素图。
在本发明的一实施例中,色调分量区间的取值范围介于0~255之间,饱和度分量区间的取值范围介于0~255之间,明度分量区间的取值范围介于0~255之间。
在本发明的一实施例中,n为25。
在本发明的一实施例中,步骤S11中使用的归一化函数为sigmoid函数。
本发明提供的基于超像素和超度量轮廓图的林区图像分割方法能够自主设置分割阈值T,可根据实际需要设置不同大小的分割阈值T,以得到较佳的分割结果。相较于其他现有图像分割算法,本发明具有运算复杂度显著降低、算法速度较快、分割效果好、对初始参数依赖小等优点,非常适合用于分割高分辨率的无人机林区航拍图像,具有很高的推广应用价值。
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简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明一实施例的原始图像;
图2为本发明一实施例的超像素图;
图3为本发明一实施例的归一化后的矩阵U对应的图像;
图4a为分割阈值T为0.5时得到的分割结果图;
图4b为分割阈值T为0.93时得到的分割结果图;
图4c为分割阈值T为0.99时得到的分割结果图;
图5a~图5d为本发明第二实施例的原始图像;
图6a~图6d为本发明第二实施例的人工分割结果图;
图7a~图7d为本发明第二实施例的ISODATA分割结果图;
图8a~图8d为本发明第二实施例的FCM分割结果图;
图9a~图9d为本发明第二实施例的gPb-OWT-UCM分割结果图;
图10a~图10d为本发明第二实施例的LSC-UCM分割结果图;
图11为本发明第二实施例的各算法错分率对比示意图;
图12为本发明第二实施例的各算法平均交并比对比示意图;
图13为本发明第二实施例的各算法灰度对比度对比示意图;
图14本发明第二实施例的各算法运行时间对比示意图。
具体实施方式
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,所描述的实施例仅仅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付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。
本发明提出了一种基于超像素和超度量轮廓图的林区图像分割方法(LSC-UCM),首先利用线性谱聚类将图像分割成超像素,并计算相邻超像素区域之间的不相似度;然后自下而上地合并相似度较高的区域,同时更新超度量轮廓图中的边缘权重;最后输出利用最佳权重阈值分割的图像。较小的权重阈值会产生过分割,随着阈值增大,分割结果则只保留显著性较高的边缘。
超像素分割算法可以快速地生成一组初始的闭合区域,且超像素区域比单个像素拥有更加丰富的信息,因此本发明提出结合线性谱聚类超像素和超度量轮廓图(LSC-UCM)来对无人机图像进行分割。
本发明提供了一种基于超像素和超度量轮廓图的林区图像分割方法,其包括以下步骤:
S1:对一原始图像进行超像素分割,生成一包含多个超像素区域的超像素图,其中,该原始图像的大小为M×N并且为RGB图像;
请参考图1和图2,图1为本发明一实施例的原始图像,图2为本发明一实施例的超像素图。
本实施例中,使用线性谱聚类的方式生成超像素图,并且超像素图中的超像素区域的个数初始化为100。若初始的超像素区域的个数设置过小,则难以分割出较弱边缘;若初始的超像素区域的个数设置过大,则会出现许多过小的超像素区域,增大区域合并的复杂度,将超像素区域的个数初始化为100兼顾了分割清晰的需要以及合并复杂度的需要。需要说明的是,此处将超像素区域的个数初始化为100的含义为使得超像素区域的个数大致为100,实际生成的超像素图中的超像素区域的个数可能大于或小于100,此对于本领域技术人员来说是明确的技术手段,在此不予赘述。
S2:将超像素图由RGB颜色空间转换至HSV颜色空间,并将转换后的超像素图于HSV颜色空间中的色调分量区间、饱和度分量区间和明度分量区间均平均划分为n个子区间;
由于HSV颜色空间非常接近人的视觉***,适合对彩色感知特性进行处理分析,因此本发明选择HSV空间下的颜色直方图作为超像素的颜色特征。
本实施例中,HSV颜色空间中的色调分量H、饱和度分量S和明度分量V的数值是由RGB颜色空间中的R分量、G分量和B分量的数值计算得到,具体的,是对超像素图中的每一像素点均进行以下处理:首先将每一像素点在RGB颜色空间中的R分量、G分量和B分量的数值(理论上,3个分量的数值范围均为0~255)归一化至0~1之间(即将R分量、G分量和B分量的数值均除以255),之后再根据下式计算得到每一像素点在HSV颜色空间中的色调分量H、饱和度分量S和明度分量V的数值:
V=255×max
以上三式是对每一像素点分别进行计算,即对每一像素点均执行上述3式,对于每一像素点,max为该像素点的R分量、G分量和B分量三者中的最大值,min为该像素点的R分量、G分量和B分量三者中的最小值,计算得到的色调分量H、饱和度分量S和明度分量V的取值范围均介于0~255之间(理论范围)。色调分量区间的范围即为计算得到的色调分量H的最小值与最大值所界定的范围,饱和度分量区间的范围即为计算得到的饱和度分量S的最小值与最大值所界定的范围,明度分量区间的范围即为计算得到的明度分量V的最小值与最大值所界定的范围,在此基础上将色调分量区间、饱和度分量区间和明度分量区间均平均划分为n个子区间。S3:分别统计每一超像素区域(按照步骤S2转换后的)于色调分量区间、饱和度分量区间和明度分量区间中的每一子区间中的像素个数并将其进行归一化,得到归一化直方图其中,m=3×n,n为大于1的整数,i表示第i个超像素区域,/>分别表示第i个超像素区域于色调分量区间中的第1~n个区间的像素个数归一化值,/>分别表示第i个超像素区域于饱和度分量区间中的第1~n个区间的像素个数归一化值,/>分别表示第i个超像素区域于明度分量区间中的第1~n个区间的像素个数归一化值;
本实施例中,n为25,从而m=3×n=75,在其他实施例中,n的取值可以根据实际情况进行调整,调整原则为能够在提取到色调分量区间、饱和度分量区间和明度分量区间的较精细特征的同时降低特征维度,提高计算速度。
S4:根据下式计算所有相邻的两个超像素区域之间的不相似度D(Ri,Rj):
其中,Ri、Rj表示相邻的两个超像素区域;
S5:根据步骤S4的计算结果,按照不相似度从小至大的顺序得到一不相似度序列S,不相似度序列S中的每一元素均为相邻的两个超像素区域之间的不相似度;
S6:初始化生成一矩阵U,U=M×N并且为零矩阵;
S7:将超像素图中位于相邻的两个超像素区域之间的所有像素点与矩阵U中的元素进行一一对应,并将步骤S4中计算得到的不相似度分别赋值给矩阵U中的对应元素;
S8:从不相似度序列S中取出值最小的元素u,并对该元素u对应的相邻的两个超像素区域进行合并,合并规则为将该元素u对应的相邻的两个超像素区域之间的每一像素点对应的矩阵U中的元素均更新为该元素u,同时计算合并后的超像素区域R的直方图为其中,A()表示超像素区域中的像素总数值;
不相似序列S中的数值表示相邻的两个超像素区域合并时的阈值,即要去除的边的权重值,权重值越小表示此两个超像素区域越相似,会较早被合并,权重值越大表示此两个超像素区域之间的边缘会较晚消失。
另外可以发现,若执行步骤S8时,该元素u对应的两个相邻的超像素区域为超像素图中从未被合并过的原始区域,则此步骤中仅计算合并后的超像素区域R的直方图即可而不必更新矩阵U,因已在步骤S7中对矩阵U进行过对于邻接区域的更新。
S9:计算步骤S8中合并后的超像素区域R与所有与其相邻的超像素区域之间的不相似度,并据此更新不相似度序列S;
S10:重复步骤S8~S9,直至不相似度序列S中的元素个数为零;
S11:将矩阵U中的所有元素归一化至0~1之间;
本实施例中,此处使用的归一化函数为sigmoid函数,在其他实施例中可以选择其他归一化函数。如图3所示为本发明一实施例的归一化后的矩阵U对应的图像,图3中,边缘亮度由深至浅对应于边缘的强度由强到弱,表明HSV空间直方图特征可以很好地用来衡量区域之间的不相似度。
S12:选择一分割阈值T,在步骤S1中得到的超像素图中去除小于分割阈值T的邻接区域,保留大于分割阈值T的邻接区域,得到一包含多个子区域的分割图;
S13:计算步骤S12得到的分割图中的每一子区域的平均颜色,并将每一平均颜色填充在对应的子区域中,以得到最终的分割结果图。
图4a~图4c分别为分割阈值T为0.5、0.93和0.99时得到的分割结果图,图4a对弱边缘较敏感,造成过分割;图4b则保留了显著性较高的边缘;图4c显示,当分割阈值T为0.99时,分割效果最佳。
本实施例的步骤S1中使用线性谱聚类算法,可以在生成一组封闭紧凑的超像素的同时保持图像的边缘信息,输出的标记矩阵中每个像素点被标记为它所属的类别标号。线性谱聚类生成超像素的算法中,输入为图像I,输出为标记矩阵L,具体步骤如下:
Step1.利用式(1)将图像I中各个像素p的特征映射为高维特征向量
Step2.以水平间隔vx和垂直间隔vy均匀地将图像初始化为K个类。
Step3.设置迭代次数T,初始化类中心mk为类内像素的特征均值,k=1,2,…,K。
Step4.计算类中心的邻域τvx×τvy(τ>0.5)内各个像素与类中心的欧氏距离,更新像素p所属的类别标号Bp为距离p最近的类中心标号:
Step5.更新类中心mk为类内加权均值:
式中πk表示第k类的像素集。
Step6.直到mk收敛或迭代至T次,否则转向Step4。
Step7.将过小的区域合并到其邻域,所有像素的类标号构成矩阵L。最终分配给同一个类的像素形成超像素。
以下以具体的分割实例(第二实施例)进一步说明本发明:
本实例中,所用实验数据为无人机航拍采集的林区图像,图像分辨率为4000*3000、4608*2592等。实验图像共4幅,按照512*512像素从原始航片中截取。实验用机CPU为3.00GHz,内存为16GB,操作***为Linux,开发工具为Matlab(R2016b x64)和C++混合编程。
图5a~图5d为本发明第二实施例的原始图像,使用图5a~图5d对ISODATA、FCM、gPb-OWT-UCM和本发明提出的LSC-UCM算法进行图像分割比较,图6a~图6d为本发明第二实施例的人工分割结果图,图7a~图7d为本发明第二实施例的ISODATA分割结果图,图8a~图8d为本发明第二实施例的FCM分割结果图,图9a~图9d为本发明第二实施例的gPb-OWT-UCM分割结果图,图10a~图10d为本发明第二实施例的LSC-UCM分割结果图。其中,ISODATA和FCM的分割图中的类别个数为人工设定的,gPb-OWT-UCM和LSC-UCM的分割结果也与UCM阈值的选择有关,本实施例选取了各算法的最佳分割结果,针对不同的图像,gPb-OWT-UCM和LSC-UCM选取的最佳阈值也不同,但可以确定在某一区间内。最佳阈值的选定采用由粗到细的搜索模式,首先生成UCM中阈值在某一区间内的所有分割图,然后在这些分割结果中寻找最佳。随着阈值的不断增大,弱边缘会逐渐消失,显著性较高的边缘被保留。基于大量实验得出,LSC-UCM的最佳阈值范围为0.5~1,gPb-OWT-UCM的最佳阈值范围为0.1~1。LSC-UCM将超像素个数设置为100,而gPb-OWT-UCM自动生成的初始区域个数约为3000,计算复杂度更大。LSC-UCM分割图中的颜色用其类内像素的颜色平均值来表示,不同的颜色代表不同的类别,为方便对比,人工分割和其他算法分割图中的不同类别也统一采用LSC-UCM分割图中相应的颜色来表示。
由以上几种分割结果可知,ISODATA凭借***合并机制可以自动调整聚类个数,但初始参数个数较多,且受初始参数值影响较大,会出现过分割现象;FCM分割效果总体较好,但会将空间相距较远或颜色差异较大的像素划分到同一类中,而且需要手动设定聚类个数,对分割结果影响较大;gPb-OWT-UCM和LSC-UCM对初始参数的依赖程度较小,均可生成闭合区域轮廓,且区域内相似区间差异较大。由于gPb-OWT-UCM在求取边缘强度时计算量大,而且容易将颜色不均匀目标误判为多个类别,因此分割效果较LSC-UCM算法差。本发明提出的LSC-UCM算法计算简单,分割后不同地物区域轮廓清晰、准确,与人工分割结果最为相似。
以下针对分割评价指标进行进一步说明:
在评价分割算法性能时,仅依靠主观判别难以区分效果相近的分割算法性能,需要引入定量分割评判准则来进行科学、客观和精确地比较。以下采用错分率(error)、平均交并比(mean intersection over union,mIoU)、灰度对比度(gray-level contrast,GC)三种以像素为基础的评价指标和运行时间对上述不同的四种算法进行定量分析。
错分率表示被错分的像素数占整幅图像的比重,常被用来描述对目标对象的分割准确度,计算公式如下:
式中Ni代表第i类中的像素数,Ni*为人工分割出的第i类的像素数,N表示图像总像素数,k为人工分割类别个数,当算法自动生成的类别数与人工分割类别数有差异时,有差异的部分即为错分。错分率越小,说明被错分的部分越小,算法分割性能越好。
交并比是算法分割结果与人工分割结果的交集与并集的比值,人工将图像分割为k类,则平均交并比是各类交并比的均值,计算公式为:
式中nii为人工分割和算法都将某像素分为第i类的像素数,为算法分割为第i类的像素数,/>为人工分割为第i类的像素数(k′为算法分割类别数),分子和分母分别表示人工分割与算法分割中像素被分到第i类的交集和并集,交并比越大,说明算法分割的结果与人工分割的结果越相似。
灰度对比度根据区域之间特性对比度的大小来判别分割图的质量,对任意相邻的两个区域,如果它们各自的平均灰度为fi和fj,则它们之间的灰度对比度可按下式计算:
分割图的灰度对比度越大,说明算法分割出的各区域之间差距越大。
以错分率、平均交并比、灰度对比度和运行时间为评价指标对图5a~图10d进行定量分析,结果如图11~图14所示,图11为本发明第二实施例的各算法错分率对比示意图,图12为本发明第二实施例的各算法平均交并比对比示意图,图13为本发明第二实施例的各算法灰度对比度对比示意图,图14本发明第二实施例的各算法运行时间对比示意图。
如图11所示,LSC-UCM被错分的像素数最小,性能稳定;其次是gPb-OWT-UCM和ISODATA,但分割性能相对不稳定;FCM的错分率最大,分割结果最差。
如图12所示,LSC-UCM平均交并比最大,说明与人工分割结果最接近;gPb-OWT-UCM分割结果也很好;而ISODATA和FCM的平均交并比相对较低,与人工分割结果差异较大。
如图13所示,ISODATA分割出的相邻区域间灰度对比度最高;而FCM、gPb-OWT-UCM和LSC-UCM的灰度对比度较为接近,分割结果的各区域间相异性稍差。
如图14所示,FCM和ISODATA的运行时间最短,LSC-UCM运行速度也很快,gPb-OWT-UCM的运行时间约为LSC-UCM的60倍,速度最慢。
综合上述分析可知,FCM运行速度最快,但错分率最高;ISODATA算法较快,分割区域之间相异性大,但分割精度略差;gPb-OWT-UCM分割准确率较高,但在提取gPb特征和生成边缘强度图时的运算复杂度较高,因此不适合用于处理大尺寸航拍图像;本发明提出的LSC-UCM分割精度高,且运行速度远高于gPb-OWT-UCM,因此,该算法在分割精度和速度上都具有明显的优势。
本发明可快速、准确地分割出图像中不同类别的地物,分割结果既保留了目标区域的显著边缘,也合并了相似度较高的区域,在错分率和平均交并比这两个反映图像分割准确度的测度上优于其他三种算法,运算复杂度较gPb-OWT-UCM具有明显的提升。
本发明提供的基于超像素和超度量轮廓图的林区图像分割方法能够自主设置分割阈值T,可根据实际需要设置不同大小的分割阈值T,以得到较佳的分割结果。相较于其他现有图像分割算法,本发明具有运算复杂度显著降低、算法速度较快、分割效果好、对初始参数依赖小等优点,非常适合用于分割高分辨率的无人机林区航拍图像,具有很高的推广应用价值。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解:实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
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实施例技术方案的精神和范围。
Claims (6)
1.一种基于超像素和超度量轮廓图的林区图像分割方法,其特征在于,包括以下步骤:
S1:对一原始图像进行超像素分割,生成一包含多个超像素区域的超像素图,其中,该原始图像的大小为M×N并且为RGB图像;
S2:将超像素图由RGB颜色空间转换至HSV颜色空间,并将转换后的超像素图于HSV颜色空间中的色调分量区间、饱和度分量区间和明度分量区间均平均划分为n个子区间;
S3:分别统计每一超像素区域于色调分量区间、饱和度分量区间和明度分量区间中的每一子区间中的像素个数并将其进行归一化,得到归一化直方图其中,m=3×n,n为大于1的整数,i表示第i个超像素区域,/>分别表示第i个超像素区域于色调分量区间中的第1~n个区间的像素个数归一化值,/>分别表示第i个超像素区域于饱和度分量区间中的第1~n个区间的像素个数归一化值,/>分别表示第i个超像素区域于明度分量区间中的第1~n个区间的像素个数归一化值;
S4:根据下式计算所有相邻的两个超像素区域之间的不相似度D(Ri,Rj):
其中,Ri、Rj表示相邻的两个超像素区域;
S5:根据步骤S4的计算结果,按照不相似度从小至大的顺序得到一不相似度序列S,不相似度序列S中的每一元素均为相邻的两个超像素区域之间的不相似度;
S6:初始化生成一矩阵U,U=M×N并且为零矩阵;
S7:将超像素图中位于相邻的两个超像素区域之间的所有像素点与矩阵U中的元素进行一一对应,并将步骤S4中计算得到的不相似度分别赋值给矩阵U中的对应元素;
S8:从不相似度序列S中取出值最小的元素u,并对该元素u对应的相邻的两个超像素区域进行合并,合并规则为将该元素u对应的相邻的两个超像素区域之间的每一像素点对应的矩阵U中的元素均更新为该元素u,同时计算合并后的超像素区域R的直方图为其中,A()表示超像素区域中的像素总数值;
S9:计算步骤S8中合并后的超像素区域R与所有与其相邻的超像素区域之间的不相似度,并据此更新不相似度序列S;
S10:重复步骤S8~S9,直至不相似度序列S中的元素个数为零;
S11:将矩阵U中的所有元素归一化至0~1之间;
S12:选择一分割阈值T,在步骤S1中得到的超像素图中去除小于分割阈值T的邻接区域,保留大于分割阈值T的邻接区域,得到一包含多个子区域的分割图;
此步骤中,将分割阈值T与步骤S11执行完成后的矩阵U中的每一元素进行对比,对于矩阵U中的每一元素,一一分析出其中所有大于分割阈值T的元素和所有小于分割阈值T的元素,将这些元素一一对应至步骤S1中得到的超像素图中,并去除小于分割阈值T的元素于超像素图中对应的边缘,并保留大于分割阈值T的元素于超像素图中对应的边缘,此处,“去除”的含义为去除该像素点处绘示的用于分割的轮廓线,“保留”的含义为保留超像素图中对应像素点处绘示的用于分割的轮廓线;
S13:计算步骤S12得到的分割图中的每一子区域的平均颜色,并将每一平均颜色填充在对应的子区域中,以得到最终的分割结果图。
2.根据权利要求1所述的基于超像素和超度量轮廓图的林区图像分割方法,其特征在于,步骤S1中,超像素图中的超像素区域的个数初始化为100。
3.根据权利要求1所述的基于超像素和超度量轮廓图的林区图像分割方法,其特征在于,步骤S1中,使用线性谱聚类的方式生成超像素图。
4.根据权利要求1所述的基于超像素和超度量轮廓图的林区图像分割方法,其特征在于,色调分量区间的取值范围介于0~255之间,饱和度分量区间的取值范围介于0~255之间,明度分量区间的取值范围介于0~255之间。
5.根据权利要求1所述的基于超像素和超度量轮廓图的林区图像分割方法,其特征在于,n为25。
6.根据权利要求1所述的基于超像素和超度量轮廓图的林区图像分割方法,其特征在于,步骤S11中使用的归一化函数为sigmoid函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910481471.1A CN112037230B (zh) | 2019-06-04 | 2019-06-04 | 一种基于超像素和超度量轮廓图的林区图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910481471.1A CN112037230B (zh) | 2019-06-04 | 2019-06-04 | 一种基于超像素和超度量轮廓图的林区图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112037230A CN112037230A (zh) | 2020-12-04 |
CN112037230B true CN112037230B (zh) | 2023-07-18 |
Family
ID=73575871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910481471.1A Active CN112037230B (zh) | 2019-06-04 | 2019-06-04 | 一种基于超像素和超度量轮廓图的林区图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112037230B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114359244A (zh) * | 2022-01-10 | 2022-04-15 | 浙江大学 | 一种基于超像素分割与多种颜色特征的图像显著性检测方法 |
CN115578660B (zh) * | 2022-11-09 | 2023-04-07 | 牧马人(山东)勘察测绘集团有限公司 | 基于遥感图像的土地地块分割方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2682936A1 (en) * | 2012-07-02 | 2014-01-08 | TP Vision Holding B.V. | Image processing |
CN105118049A (zh) * | 2015-07-22 | 2015-12-02 | 东南大学 | 一种基于超像素聚类的图像分割方法 |
CN105930815A (zh) * | 2016-05-04 | 2016-09-07 | 中国农业大学 | 一种水下生物检测方法和*** |
WO2019062092A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳市颐通科技有限公司 | 基于超像素-多色彩空间的人体轮廓提取方法 |
CN109785329A (zh) * | 2018-10-29 | 2019-05-21 | 重庆师范大学 | 基于改进slic算法的紫色土图像分割提取方法 |
-
2019
- 2019-06-04 CN CN201910481471.1A patent/CN112037230B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2682936A1 (en) * | 2012-07-02 | 2014-01-08 | TP Vision Holding B.V. | Image processing |
CN105118049A (zh) * | 2015-07-22 | 2015-12-02 | 东南大学 | 一种基于超像素聚类的图像分割方法 |
CN105930815A (zh) * | 2016-05-04 | 2016-09-07 | 中国农业大学 | 一种水下生物检测方法和*** |
WO2019062092A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳市颐通科技有限公司 | 基于超像素-多色彩空间的人体轮廓提取方法 |
CN109785329A (zh) * | 2018-10-29 | 2019-05-21 | 重庆师范大学 | 基于改进slic算法的紫色土图像分割提取方法 |
Non-Patent Citations (1)
Title |
---|
基于线性谱聚类的林地图像中枯死树监测;宋以宁;刘文萍;骆有庆;宗世祥;;林业科学(第04期);187-195 * |
Also Published As
Publication number | Publication date |
---|---|
CN112037230A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106909902B (zh) | 一种基于改进的层次化显著模型的遥感目标检测方法 | |
CN107292339B (zh) | 基于特征融合的无人机低空遥感影像高分地貌分类方法 | |
CN111797653B (zh) | 基于高维图像的图像标注方法和装置 | |
CN104599275B (zh) | 基于概率图模型的非参数化的rgb-d场景理解方法 | |
CN107563413B (zh) | 无人机航拍影像农田块对象精准提取方法 | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
CN109325484B (zh) | 基于背景先验显著性的花卉图像分类方法 | |
CN107392968B (zh) | 融合颜色对比图和颜色空间分布图的图像显著性检测方法 | |
CN105761238B (zh) | 一种通过灰度统计数据深度信息提取显著目标的方法 | |
CN107369158B (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 | |
Gupta et al. | Object based information extraction from high resolution satellite imagery using eCognition | |
CN112634125B (zh) | 一种基于离线人脸数据库的自动面部替换方法 | |
CN107330875A (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
WO2016165064A1 (zh) | 基于多视角学习的鲁棒性前景检测方法 | |
CN106960182A (zh) | 一种基于多特征集成的行人再识别方法 | |
Wang et al. | An overview of 3d object detection | |
CN112037230B (zh) | 一种基于超像素和超度量轮廓图的林区图像分割方法 | |
CN112784869A (zh) | 一种基于注意力感知与对抗学习的细粒度图像识别方法 | |
CN107610136B (zh) | 基于凸包结构中心查询点排序的显著目标检测方法 | |
Wu et al. | ALS data based forest stand delineation with a coarse-to-fine segmentation approach | |
CN115690513A (zh) | 一种基于深度学习的城市行道树种类识别方法 | |
Lu et al. | Spectral segmentation via midlevel cues integrating geodesic and intensity | |
Dornaika et al. | A comparative study of image segmentation algorithms and descriptors for building detection | |
Khan et al. | Image segmentation via multi dimensional color transform and consensus based region merging | |
CN113095332B (zh) | 一种基于特征学习的显著性区域检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |