CN112766335B - 一种图像处理方法、装置、电子设备及存储介质 - Google Patents
一种图像处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112766335B CN112766335B CN202110027893.9A CN202110027893A CN112766335B CN 112766335 B CN112766335 B CN 112766335B CN 202110027893 A CN202110027893 A CN 202110027893A CN 112766335 B CN112766335 B CN 112766335B
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- image
- probability distribution
- classified
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 238000010586 diagram Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000007637 random forest analysis Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005388 cross polarization Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本申请公开一种图像处理方法、装置、电子设备及存储介质,涉及图像处理的技术领域。该方法包括将待分类图像分割为多个超像素,并提取待分类图像的特征信息;将特征信息带入预先训练的第一随机森林模型,得到单像素概率分布图;利用所述预先训练的第二随机森林模型对所述多个超像素中的每一个进行分类,得到超像素概率分布图;针对每一个像素点,基于该像素点在单像素概率分布图中的类别概率和该像素点在所述超像素概率分布图中的类别概率,得到该像素点更正后的类别概率;根据各个像素点更正后的类别概率,得到结果概率分布图。通过本方案解决了现有技术中未充分考虑像素点的空间信息,导致影像分类效率低且分类精度不高的问题。
Description
技术领域
本申请涉及计算机的技术领域,具体而言,涉及一种图像处理方法、装置、电子设备及存储介质。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)具有主动工作且不受光线和气候影响、穿透能力强的特点,其能在恶劣气候下连续从地面获取目标数据。作为高分辨率成像雷达,自诞生以来,已获得了突飞猛进的发展,在军事情报、农业监测、海洋探测、森林监测、地质勘探以及灾害救援研究等方面都获得了广泛应用。
目前,大多数极化SAR图像分类技术是以像素点为分类单元,以此达到对遥感影像内地物分类的目的。但是分类目标不是由一个或者几个像素点组成,单像素分类方法未充分考虑像素点的空间信息,并且极化SAR图像中还具有较多的相干斑噪声,这些问题导致影像分类效率低且分类精度不高。
发明内容
本申请提供一种图像处理方法、装置、电子设备及存储介质,以解决现有技术中未充分考虑像素点的空间信息,导致影像分类效率低且分类精度不高的问题。
第一方面,本申请实施例提供一种图像处理方法,包括:将待分类图像分割为多个超像素,并提取所述待分类图像的特征信息;将所述特征信息带入预先训练的第一随机森林模型,得到单像素概率分布图,所述单像素概率分布图包括所述待分类图像中所有像素点中每一个像素点的类别概率;利用预先训练的第二随机森林模型对所述多个超像素中的每一个进行分类,得到超像素概率分布图,所述超像素概率分布图包括每一个超像素各自对应随机森林分类的类别概率;针对每一个像素点,基于该像素点在所述单像素概率分布图中的类别概率和该像素点在所述超像素概率分布图中的类别概率,得到该像素点更正后的类别概率;根据各个像素点更正后的类别概率,得到结果概率分布图,所述结果概率分布图包括所述待分类图像中所有像素点中每一个像素点的更正后的类别概率。
本申请实施例中,基于像素点在单像素概率分布图中的类别概率和该像素点在超像素概率分布图中的类别概率,得到该像素点更正后的类别概率。其中,由于图像中相邻像素具有一定相关性,而超像素是由相似度较高的多个像素点组成,因此,通过在计算像素点更正后的类别概率中,引入像素点在超像素概率分布图中的类别概率,从而考虑到了像素点的空间信息,提高了图像分类的精度。
结合上述第一方面提供的技术方案,在一些可能的实施方式中,基于该像素点在所述单像素概率分布图中的类别概率和该像素点在所述超像素概率分布图中的类别概率,得到该像素点更正后的类别概率,包括:获取表征该像素点所属的超像素与该超像素的相邻超像素属于同一类别的第一权重;获取该像素点在所述单像素概率分布图中的类别概率与所述第一权重的乘积,得到第一乘积;获取该像素点在所述超像素概率分布图中的类别概率与所述第二权重的乘积,得到第二乘积,其中,所述第一权重和所述第二权重之和为1;获取所述第一乘积和所述第二乘积的和,得到该像素点更正后的类别概率。
本申请实施例中,通过计算像素点在单像素概率分布图中的类别概率与第一权重的乘积,得到第一乘积;以及该像素点在超像素概率分布图中的类别概率与第二权重的乘积,得到第二乘积;计算第一乘积和所述第二乘积的和,得到该像素点更正后的类别概率。本方案结合两种分类方法得到的类别概率,并通过权重之和为1的第一权重和第二权重进行加权,可以使得最终的分类结果更准确,提高图像分类精度。
结合上述第一方面提供的技术方案,在一些可能的实施方式中,获取表征该像素点所属的超像素与该超像素的相邻超像素属于同一类别的第一权重,包括:计算该像素点所属的超像素的超像素中心与每一个相邻的超像素的超像素中心的距离,并获取计算得到的所有距离的平均值;基于所述平均值,获得所述第一权重,所述第一权重为所述平均值与预设阈值的和的倒数。
本申请实施例中,通过计算该像素点所属的超像素中心与每一个相邻的超像素中心的距离的平均值,再基于预设的阈值和该平均值得到表征当前超像素与相邻超像素属于同一类别的第一权重,以及与第一权重之和为1的第二权重。由于图像中相邻像素具有一定相关性,并不是完全独立的,每个像素的类别归属与该点的邻域归属有关,通过引入表征该超像素与相邻超像素属于同一类别的权重,充分考虑到了相邻超像素之间的相关性,从而提高图像分类精度。
结合上述第一方面提供的技术方案,在一些可能的实施方式中,在将待分类图像分割为多个超像素,并提取所述待分类图像的特征信息之前,所述方法还包括:获取原始待分类图像,对原始待分类图像进行滤波处理,滤除所述原始待分类图像中的相干斑噪声,得到所述待分类图像。
本申请实施例中,通过对原始待分类图像进行滤波处理,能滤除原始待分类图像中的相干斑噪声,从而减小后续进行超像素分割产生的误差,提高分类精度。
结合上述第一方面提供的技术方案,在一些可能的实施方式中,将所述待分类图像分割为多个超像素,包括:将所述待分类图像分解为梯度影像;根据所述梯度影像,以步长S选取种子点作为超像素的初始中心点,然后在n取n的范围内将种子点调整至梯度影像最低点,其中,所述S和n均为大于1的正整数,且n小于S;在超像素的初始中心点的2S×2S范围内,计算每个像素到该初始中心点的距离,并将该像素划分到与之最邻近超像素内;将梯度影像内所有像素均划分到超像素内后,更新每个超像素的中心点,并再次计算每个像素到中心点的距离,将该像素划分到与之最邻近超像素内,直至收敛或者达到最大迭代次数;将像素数目小于阈值的超像素合并到与之最邻近的超像素内,得到所述多个超像素。
本申请实施例中,通过在梯度影像中以S为步长选取种子点作为超像素的初始中心点,然后在n步n的范围内将种子点调整至梯度影像最低点,再计算n范n的范围内每个像素到该初始中心点的距离,并将该像素划分到与之最邻近超像素内;将梯度影像内所有像素均划分到超像素内后,更新每个超像素的中心点,并再次计算每个像素到中心点的距离,将该像素划分到与之最邻近超像素内,直至收敛或者达到最大迭代次数;将像素数目小于阈值的超像素合并到与之最邻近的超像素内,最终得到多个超像素。通过本方案能生成准确细腻的超像素作为分类单元,有效降低了图像中相干斑噪声的干扰。
第二方面,本申请实施例提供一种图像处理装置,包括第一处理模块、分类模块、第二处理模块、生成模块。其中,第一处理模块用于将待分类图像分割为多个超像素,并提取所述待分类图像的特征信息;分类模块用于将所述特征信息带入预先训练的第一随机森林模型,得到单像素概率分布图,所述单像素概率分布图包括所述待分类图像中所有像素点中每一个像素点的类别概率;所述分类模块还用于利用所述预先训练的第二随机森林模型对所述多个超像素中的每一个进行分类,得到超像素概率分布图,所述超像素概率分布图包括每一个超像素各自对应随机森林分类的类别概率;第二处理模块用于针对每一个像素点,基于该像素点在所述单像素概率分布图中的类别概率和该像素点在所述超像素概率分布图中的类别概率,得到该像素点更正后的类别概率;生成模块用于根据各个像素点更正后的类别概率,得到结果概率分布图,所述结果概率分布图包括所述待分类图像中所有像素点中每一个像素点的更正后的类别概率。
结合上述第二方面提供的技术方案,在一些可能的实施方式中,所述第二处理模块包括获取模块、计算模块。获取模块用于获取表征该像素点所属的超像素与该超像素的相邻超像素属于同一类别的第一权重;计算模块用于获取该像素点在所述单像素概率分布图中的类别概率与所述第一权重的乘积,得到第一乘积;计算模块还用于获取该像素点在所述超像素概率分布图中的类别概率与所述第二权重的乘积,得到第二乘积,其中,所述第一权重和所述第二权重之和为1;计算模块还用于获取所述第一乘积和所述第二乘积的和,得到该像素点更正后的类别概率。
结合上述第二方面提供的技术方案,在一些可能的实施方式中,所述获取模块具体用于计算该像素点所属的超像素的超像素中心与每一个相邻的超像素的超像素中心的距离,并获取计算得到的所有距离的平均值;并基于所述平均值,获得所述第一权重,其中,所述第一权重为所述平均值与预设阈值的和的倒数。
第三方面,本申请实施例提供一种电子设备,包括:存储器和处理器,所述存储器和所述处理器连接;所述存储器,用于存储程序;所述处理器,用于调用存储于所述存储器中的程序,以执行如上述第一方面实施例和/或结合第一方面实施例的任一种可能的实施方式的方法。
第四方面,本申请实施例提供一种存储介质,其上存储有计算机程序,所述计算机程序被计算机运行时,执行如上述第一方面实施例和/或结合第一方面实施例的任一种可能的实施方式的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例示出的一种图形处理方法的流程示意图;
图2为本申请实施例示出的一种图形处理装置的结构框图;
图3为本申请实施例示出的电子设备结构示意图。
具体实施方式
术语“第一”、“第二等仅用于区分描述,并不表示排列序号,也不能理解为指示或暗示相对重要性。
下面将结合附图对本申请的技术方案进行清楚、完整地描述。
现有技术通常是将像素点为分类单元,但是分类目标不是由一个或者几个像素点组成,现有技术未充分考虑像素点的空间信息,导致影像分类效率低且分类精度不高。因此,本申请提供一种图像处理方法,以解决现有技术中未充分考虑像素点的空间信息,导致影像分类效率低且分类精度不高的问题。
请参阅图1,图1为本申请实施例提供的一种图像处理方法,下面结合图1对其包含的步骤进行说明。
步骤S100:将待分类图像分割为多个超像素,并提取所述待分类图像的特征信息。
在提取待分类图像的特征信息后,将该待分类图像分割为多个超像素,其中,特征信息可以是极化总功率、相关系数、同极化相位差、同极化比、交叉极化、圆极化相关系数、奇次散射、偶次散射、体散射、统计无序度等中的全部或部分。可以理解的是,根据实际应用时的需求,选取的特征信息也不完全相同,且上述列举出的特征信息种类仅为本申请实施例的一个示例,其还可以包括其他种类的特征信息,上述举例不应作为对本申请的限制。
一种实施方式下,将所述待分类图像分割为多个超像素的过程可以是:首先将待分类图像分解为梯度影像;然后根据该梯度影像,以步长S选取种子点作为超像素的初始中心点,然后在n取n的范围内将种子点调整至梯度影像最低点,其中,S和n均为大于1的正整数,且n小于S,且步长S可以通过需要选取的种子点数量和待分类图像像素总数确定,其可以表示为n可以根据实际需要选取,例如,n可以选取3、4、5等数据,此处仅为示例,并非对本申请的限制。再在超像素的初始中心点的2S×2S范围内,计算每个像素到该初始中心点的距离,并将该像素划分到与之最邻近超像素内;在将梯度影像内所有像素均划分到超像素内后,更新每个超像素的中心点,并再次计算每个像素到更新后的中心点的距离,将该像素划分到与之最邻近超像素内,直至收敛或者达到最大迭代次数;最后将像素数目小于阈值的超像素合并到与之最邻近的超像素内,得到多个超像素。
其中,可以通过Pauil算法将待分类图像分解为Pauil RGB梯度影像,可选的,根据不同的极化特征,可以选取不同的算法对待分类图像进行分解,例如,基于统计无序度,可以选取H-a-A算法对待分类图像进行分解。
其中,当采用Pauil算法将极化SAR图像分解为Pauil RGB梯度影像时,可以利用Pauli特征代替传统光学影像中的光谱特征,重新定义像素到超像素中心点的距离,进而生成准确细腻的超像素。而Pauil分解会得到3个具有明显物理意义的分量,分别是奇次散射、偶次散射和体散射。其中,奇次散射表示球面、平面、三角面、对称角状地物,偶次散射表示二面角散射的地物,体散射表示π/4倾斜的二面角(包含植被体散射)。用表示超像素中心i对应的Pauli分解的平均特征矢量,其中/>表示奇次散射,/>表示偶次散射,表示体散射,用(xi,yi)表示超像素i的空间位置,用/>表示像素j对应的Pauli分解的平均特征矢量,其中,/>示奇次散射,/>表示偶次散射,/>表示体散射,用(xj,yj)表示超像素j的空间位置,则超像素中心i与像素j的空间距离ds和Pauli距离dp分别为: 像素j到超像素中心i的距离d可以表示为:/>其中,max(dp)为上一次迭代过程中,Pauli距离dp的最大值,并与步长S用来对dp和ds归一化。归一化后的dp和ds的相对大小,影响着超像素的形状和大小。空间距离相对越大,生成的超像素越紧凑,反之形状和大小越不规则。
利用上述计算像素到超像素中心距离的方法,依次计算每个超像素中心2S×2S范围内的每个像素到该超像素中心的距离,并将该像素划分到与之最邻近超像素内;计算完成后,更新每个超像素的中心。重复上述步骤直至收敛或者达到最大迭代次数,进而生成大小近似为S中心的超像素。其中,可以将每个超像素中与该超像素均值最接近的像素作为新的超像素中心,像素的均值为:其中,ωj表示超像素j中所有像素的均值;N表示超像素中的像素个数;Gj表示超像素j的区域,i表示超像素j中第i个像素点。
一种实施方式下,在将待分类图像分割为多个超像素,并提取该待分类图像的特征信息之前,还需要获取原始待分类图像,并对原始待分类图像进行滤波处理,滤除原始待分类图像中的相干斑噪声,得到待分类图像。
其中,原始待分类图像可以是预先获取的,并保存在数据库或磁盘中的,在需要时直接获取即可,或者,是在需要时,实时拍摄得到的。一种实施方式下其中,对原始待处理图像进行Lee滤波,以滤除原始待分类图像中的相干斑噪声。
步骤S200:将提取的特征信息带入预先训练的第一随机森林模型,得到单像素概率分布图;利用预先训练的第二随机森林模型对所述多个超像素中的每一个进行分类,得到超像素概率分布图。
其中,一种实施方式下,预先训练的第一随机森林模型和预先训练的第二随机森林模型可以是同一个随机森林模型,或者,预先训练的第一随机森林模型和预先训练的第二随机森林模型是分别训练的两个随机森林模型。
其中,训练随机森林模型的方法,以及应用随机森林模型进行分类的方法均已为本领域人员所熟知,此处不再赘述。
步骤S300:针对每一个像素点,基于该像素点在单像素概率分布图中的类别概率和该像素点在超像素概率分布图中的类别概率,得到该像素点更正后的类别概率。
由于待分类图像中的每一个像素点在单像素概率分布图和超像素概率分布图中分别有一个类别概率,而图像中的相邻像素往往具有一定的相关性,而非完全独立的,因此,每个像素点的类别还与其相邻的像素点有关,因此,通过引入表征该超像素与相邻超像素属于同一类别权重,对该像素点在单像素概率分布图中的类别概率和该像素点在超像素概率分布图中的类别概率进行加权,从而提高分类精度。
一种实施方式下,基于该像素点在单像素概率分布图中的类别概率和该像素点在超像素概率分布图中的类别概率,得到该像素点更正后的类别概率的方法可以是:首先获取表征该像素点所属的超像素与该超像素的相邻超像素属于同一类别的第一权重;然后获取该像素点在所述单像素概率分布图中的类别概率与所述第一权重的乘积,即第一乘积,以及该像素点在所述超像素概率分布图中的类别概率与所述第二权重的乘积,即第二乘积,其中,所述第一权重和所述第二权重之和为1;最后计算第一乘积和第二乘积的和,得到该像素点更正后的类别概率。
其中,用p表示该像素点更正后的类别概率,用ppixel表示该像素点在单像素概率分布图中的类别概率,用pslic表示该像素点在超像素概率分布图中的类别概率,用α表示第一权重,用β表示第二权重。则上述过程可表示为p=αpslic+(1-α)ppixel,其中,α+β=1。
一种实施方式下,获取该像素点所属超像素的表征该超像素与相邻超像素属于同一类别的第一权重的方法可以是:首先计算该像素点所属的超像素的超像素中心与每一个相邻的超像素的超像素中心的距离,并获取计算得到的所有距离的平均值;然后基于该平均值,获得第一权重,其中,第一权重为该平均值与预设阈值的和的倒数,同时,由于第一权重与第二权重之和为1,可以得到第二权重。
其中,用dj表示该像素点所属超像素的超像素中心与相邻的第j个超像素的超像素中心的距离,用d表示计算得到的所有距离的平均值,则当有n个超像素与当前超像素相邻时,该n个超像素中心与当前超像素中心的平均值可表达为:相应的,用α表示第一权重,用β表示第二权重,则第一权重α为:/>第二权重β为β=1-α。其中,k为预设阈值。一种实施方式下,预设阈值k可以取1,则当k取1时,第一权重α可表示为:此处仅为本申请提供的一种实施例,k还可以取其它数值,例如2、3、2/3等,此处不对其取值做出限制。
步骤S400:根据各个像素点更正后的类别概率,得到结果概率分布图。
在得到待分类图像中每一个像素点的更正后的类别概率后,基于每一个像素点更正后的类别概率,可以生成包括待分类图像中所有像素点中每一个像素点的更正后的类别概率的结果概率分布图。
请参阅图2,图2为本申请实施例提供的一种图像处理装置100,该装置包括第一处理模块110、分类模块120、第二处理模块130、生成模块140。
第一处理模块110用于将待分类图像分割为多个超像素,并提取所述待分类图像的特征信息;
分类模块120,用于将所述特征信息带入预先训练的第一随机森林模型,得到单像素概率分布图,所述单像素概率分布图包括所述待分类图像中所有像素点中每一个像素点的类别概率;
分类模块120还用于利用所述预先训练的第二随机森林模型对所述多个超像素中的每一个进行分类,得到超像素概率分布图,所述超像素概率分布图包括每一个超像素各自对应随机森林分类的类别概率;
第二处理模块130用于针对每一个像素点,基于该像素点在所述单像素概率分布图中的类别概率和该像素点在所述超像素概率分布图中的类别概率,得到该像素点更正后的类别概率;
生成模块140,用于根据各个像素点更正后的类别概率,得到结果概率分布图,所述结果概率分布图包括所述待分类图像中所有像素点中每一个像素点的更正后的类别概率。
第二处理模块130包括获取模块、计算模块,其中获取模块用于获取表征该像素点所属的超像素与该超像素的相邻超像素属于同一类别的第一权重;计算模块用于获取该像素点在所述单像素概率分布图中的类别概率与所述第一权重的乘积,得到第一乘积;计算模块还用于获取该像素点在所述超像素概率分布图中的类别概率与所述第二权重的乘积,得到第二乘积,其中,所述第一权重和所述第二权重之和为1;计算模块还用于获取所述第一乘积和所述第二乘积的和,得到该像素点更正后的类别概率。
获取模块具体用于计算该像素点所属的超像素的超像素中心与每一个相邻的超像素的超像素中心的距离,并获取计算得到的所有距离的平均值;并基于所述平均值,获得所述第一权重,其中,所述第一权重为所述平均值与预设阈值的和的倒数。
第一处理模块110还用于获取原始待分类图像,对原始待分类图像进行滤波处理,滤除所述原始待分类图像中的相干斑噪声,得到所述待分类图像。
第一处理模块110具体用于将所述待分类图像分解为梯度影像;根据所述梯度影像,以步长S选取种子点作为超像素的初始中心点,然后在n取n的范围内将种子点调整至梯度影像最低点,其中,所述S和n均为大于1的正整数,且n小于S;在超像素的初始中心点的2S×2S范围内,计算每个像素到该初始中心点的距离,并将该像素划分到与之最邻近超像素内;将梯度影像内所有像素均划分到超像素内后,更新每个超像素的中心点,并再次计算每个像素到中心点的距离,将该像素划分到与之最邻近超像素内,直至收敛或者达到最大迭代次数;将像素数目小于阈值的超像素合并到与之最邻近的超像素内,得到多个超像素。
本申请实施例提供的装置实施例部分,其实现原理和所达到的效果与前述方法实施例相同,本实施例为提及之处,请参阅前述方法实施例中相应部分。
请参阅图3,其为本申请实施例提供的一种电子设备200。所述电子设备200包括:收发器210、存储器220、通讯总线230、处理器240。
所述收发器210、所述存储器220、处理器240各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线230或信号线实现电性连接。其中,收发器210用于收发数据。存储器220用于存储计算机程序,如存储有图2中所示的软件功能模块,即图像处理装置100。其中,图像处理装置100包括至少一个可以软件或固件(firmware)的形式存储于所述存储器220中或固化在所述电子设备200的操作***(operating system,OS)中的软件功能模块。所述处理器240,用于执行存储器220中存储的可执行模块,例如图像处理装置100包括的软件功能模块或计算机程序。例如,将待分类图像分割为多个超像素,并提取所述待分类图像的特征信息;将所述特征信息带入预先训练的第一随机森林模型,得到单像素概率分布图,所述单像素概率分布图包括所述待分类图像中所有像素点中每一个像素点的类别概率;利用所述预先训练的第二随机森林模型对所述多个超像素中的每一个进行分类,得到超像素概率分布图,所述超像素概率分布图包括每一个超像素各自对应随机森林分类的类别概率;针对每一个像素点,基于该像素点在所述单像素概率分布图中的类别概率和该像素点在所述超像素概率分布图中的类别概率,得到该像素点更正后的类别概率;根据各个像素点更正后的类别概率,得到结果概率分布图,所述结果概率分布图包括所述待分类图像中所有像素点中每一个像素点的更正后的类别概率。
其中,存储器220可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器240可能是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器240也可以是任何常规的处理器等。
其中,上述的电子设备200,包括但不限于个人电脑、服务器等。
本申请实施例还提供了一种非易失性计算机可读取存储介质(以下简称存储介质),该存储介质上存储有计算机程序,该计算机程序被计算机如上述的电子设备200运行时,执行上述所示的图像处理方法。其中,该存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
将待分类图像分割为多个超像素,并提取所述待分类图像的特征信息;
将所述特征信息带入预先训练的第一随机森林模型,得到单像素概率分布图,所述单像素概率分布图包括所述待分类图像中所有像素点中每一个像素点的类别概率;
利用预先训练的第二随机森林模型对所述多个超像素中的每一个进行分类,得到超像素概率分布图,所述超像素概率分布图包括每一个超像素各自对应随机森林分类的类别概率;
针对每一个像素点,基于该像素点在所述单像素概率分布图中的类别概率和该像素点在所述超像素概率分布图中的类别概率,得到该像素点更正后的类别概率;
根据各个像素点更正后的类别概率,得到结果概率分布图,所述结果概率分布图包括所述待分类图像中所有像素点中每一个像素点的更正后的类别概率。
2.根据权利要求1所述的方法,其特征在于,基于该像素点在所述单像素概率分布图中的类别概率和该像素点在所述超像素概率分布图中的类别概率,得到该像素点更正后的类别概率,包括:
获取表征该像素点所属的超像素与该超像素的相邻超像素属于同一类别的第一权重;
获取该像素点在所述单像素概率分布图中的类别概率与所述第一权重的乘积,得到第一乘积;
获取该像素点在所述超像素概率分布图中的类别概率与第二权重的乘积,得到第二乘积,其中,所述第一权重和所述第二权重之和为1;
获取所述第一乘积和所述第二乘积的和,得到该像素点更正后的类别概率。
3.根据权利要求2所述的方法,其特征在于,获取表征该像素点所属的超像素与该超像素的相邻超像素属于同一类别的第一权重,包括:
计算该像素点所属的超像素的超像素中心与每一个相邻的超像素的超像素中心的距离,并获取计算得到的所有距离的平均值;
基于所述平均值,获得所述第一权重,其中,所述第一权重为所述平均值与预设阈值的和的倒数。
4.根据权利要求1所述的方法,其特征在于,在将所述待分类图像分割为多个超像素,并提取所述待分类图像的特征信息之前,所述方法还包括:
获取原始待分类图像;
对原始待分类图像进行滤波处理,滤除所述原始待分类图像中的相干斑噪声,得到所述待分类图像。
5.根据权利要求1所述的方法,其特征在于,将所述待分类图像分割为多个超像素,包括:
将所述待分类图像分解为梯度影像;
根据所述梯度影像,以步长S选取种子点作为超像素的初始中心点,然后在n取n的范围内将种子点调整至梯度影像最低点,其中,所述S和n均为大于1的正整数,且n小于S;
在超像素的初始中心点的2S×2S范围内,计算每个像素到该初始中心点的距离,并将该像素划分到与之最邻近超像素内;
将梯度影像内所有像素均划分到超像素内后,更新每个超像素的中心点,并再次计算每个像素到中心点的距离,将该像素划分到与之最邻近超像素内,直至收敛或者达到最大迭代次数;
将像素数目小于阈值的超像素合并到与之最邻近的超像素内,得到所述多个超像素。
6.一种图像处理装置,其特征在于,包括:
第一处理模块,用于将待分类图像分割为多个超像素,并提取所述待分类图像的特征信息;
分类模块,用于将所述特征信息带入预先训练的第一随机森林模型,得到单像素概率分布图,所述单像素概率分布图包括所述待分类图像中所有像素点中每一个像素点的类别概率;
所述分类模块还用于利用所述预先训练的第二随机森林模型对所述多个超像素中的每一个进行分类,得到超像素概率分布图,所述超像素概率分布图包括每一个超像素各自对应随机森林分类的类别概率;
第二处理模块,用于针对每一个像素点,基于该像素点在所述单像素概率分布图中的类别概率和该像素点在所述超像素概率分布图中的类别概率,得到该像素点更正后的类别概率;
生成模块,用于根据各个像素点更正后的类别概率,得到结果概率分布图,所述结果概率分布图包括所述待分类图像中所有像素点中每一个像素点的更正后的类别概率。
7.根据权利要求6所述的图像处理装置,其特征在于,所述第二处理模块包括:
获取模块,用于获取表征该像素点所属的超像素与该超像素的相邻超像素属于同一类别的第一权重;
计算模块,用于获取该像素点在所述单像素概率分布图中的类别概率与所述第一权重的乘积,得到第一乘积;
所述计算模块还用于获取该像素点在所述超像素概率分布图中的类别概率与所述第二权重的乘积,得到第二乘积,其中,所述第一权重和所述第二权重之和为1;
所述计算模块还用于获取所述第一乘积和所述第二乘积的和,得到该像素点更正后的类别概率。
8.根据权利要求7所述的图像处理装置,其特征在于,所述获取模块具体用于:
计算该像素点所属的超像素的超像素中心与每一个相邻的超像素的超像素中心的距离,并获取计算得到的所有距离的平均值;
基于所述平均值,获得所述第一权重,其中,所述第一权重为所述平均值与预设阈值的和的倒数。
9.一种电子设备,其特征在于,包括:存储器和处理器,所述存储器和所述处理器连接;
所述存储器,用于存储程序;
所述处理器,用于调用存储于所述存储器中的程序,以执行如权利要求1-5中任一项所述的方法。
10.一种存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被计算机运行时,执行如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110027893.9A CN112766335B (zh) | 2021-01-08 | 2021-01-08 | 一种图像处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110027893.9A CN112766335B (zh) | 2021-01-08 | 2021-01-08 | 一种图像处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766335A CN112766335A (zh) | 2021-05-07 |
CN112766335B true CN112766335B (zh) | 2023-12-01 |
Family
ID=75701096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110027893.9A Active CN112766335B (zh) | 2021-01-08 | 2021-01-08 | 一种图像处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766335B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409338B (zh) * | 2021-06-24 | 2023-04-25 | 西安交通大学 | 一种基于概率分配的超像素方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2919162A1 (en) * | 2014-03-13 | 2015-09-16 | Omron Corporation | Image processing apparatus and image processing method |
CN108154104A (zh) * | 2017-12-21 | 2018-06-12 | 北京工业大学 | 一种基于深度图像超像素联合特征的人体姿态估计方法 |
CN108734228A (zh) * | 2018-06-14 | 2018-11-02 | 中交第二公路勘察设计研究院有限公司 | 综合多特征的极化sar图像随机森林分类方法 |
WO2020062360A1 (zh) * | 2018-09-29 | 2020-04-02 | 深圳大学 | 一种图像融合分类的方法及装置 |
-
2021
- 2021-01-08 CN CN202110027893.9A patent/CN112766335B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2919162A1 (en) * | 2014-03-13 | 2015-09-16 | Omron Corporation | Image processing apparatus and image processing method |
CN108154104A (zh) * | 2017-12-21 | 2018-06-12 | 北京工业大学 | 一种基于深度图像超像素联合特征的人体姿态估计方法 |
CN108734228A (zh) * | 2018-06-14 | 2018-11-02 | 中交第二公路勘察设计研究院有限公司 | 综合多特征的极化sar图像随机森林分类方法 |
WO2020062360A1 (zh) * | 2018-09-29 | 2020-04-02 | 深圳大学 | 一种图像融合分类的方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于纹元森林和显著性先验的弱监督图像语义分割方法;韩铮;肖志涛;;电子与信息学报(03);全文 * |
概率加权测地距离的脑部MR图像超像素分割;赵晶;周元峰;魏广顺;辛士庆;高珊珊;;计算机辅助设计与图形学学报(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112766335A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115294409B (zh) | 一种用于安防监控的视频处理方法、***及介质 | |
Montazer et al. | An improved radial basis function neural network for object image retrieval | |
CN111899163A (zh) | 生成对抗网络中单图像超分辨率的有效结构保持 | |
CN111340077B (zh) | 基于注意力机制的视差图获取方法和装置 | |
CN106338733B (zh) | 基于蛙眼视觉特性的前视声呐目标跟踪方法 | |
CN112328715B (zh) | 视觉定位方法及相关模型的训练方法及相关装置、设备 | |
CN110689043A (zh) | 一种基于多重注意力机制的车辆细粒度识别方法及装置 | |
CN110969619B (zh) | 一种自动识别鼻咽癌原发肿瘤的方法及装置 | |
WO2021120961A1 (zh) | 大脑成瘾结构图谱评估方法及装置 | |
WO2020168648A1 (zh) | 一种图像分割方法、装置及计算机可读存储介质 | |
CN112183541B (zh) | 一种轮廓提取方法及装置、电子设备、存储介质 | |
CN111223128A (zh) | 目标跟踪方法、装置、设备及存储介质 | |
CN111488810A (zh) | 人脸识别方法、装置、终端设备及计算机可读介质 | |
CN112819199A (zh) | 降水量的预测方法、装置、设备和存储介质 | |
CN112766335B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
Kumar et al. | Automatic image segmentation using wavelets | |
Gu et al. | A classification method for polsar images using SLIC superpixel segmentation and deep convolution neural network | |
CN112633340B (zh) | 目标检测模型训练、检测方法、设备及存储介质 | |
CN116843906A (zh) | 基于拉普拉斯特征映射的目标多角度本征特征挖掘方法 | |
Gong et al. | A superpixel segmentation algorithm based on differential evolution | |
Geng et al. | Robust core tensor dictionary learning with modified gaussian mixture model for multispectral image restoration | |
Yang et al. | Semantic guidance learning for high-resolution non-homogeneous dehazing | |
CN114821216A (zh) | 图片去网纹神经网络模型建模、使用方法及相关设备 | |
Cao et al. | NMF and FLD based feature extraction with application to synthetic aperture radar target recognition | |
CN111369425A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 |
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 |