CN113269796B - 一种图像分割方法、装置及终端设备 - Google Patents

一种图像分割方法、装置及终端设备 Download PDF

Info

Publication number
CN113269796B
CN113269796B CN202110649372.7A CN202110649372A CN113269796B CN 113269796 B CN113269796 B CN 113269796B CN 202110649372 A CN202110649372 A CN 202110649372A CN 113269796 B CN113269796 B CN 113269796B
Authority
CN
China
Prior art keywords
image
representing
gray level
weighted sum
gray
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
CN202110649372.7A
Other languages
English (en)
Other versions
CN113269796A (zh
Inventor
王军芬
冯艳红
朱占龙
李明亮
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.)
Hebei GEO University
Original Assignee
Hebei GEO University
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 Hebei GEO University filed Critical Hebei GEO University
Priority to CN202110649372.7A priority Critical patent/CN113269796B/zh
Publication of CN113269796A publication Critical patent/CN113269796A/zh
Application granted granted Critical
Publication of CN113269796B publication Critical patent/CN113269796B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明适用于图像处理技术领域，提供了一种图像分割方法、装置及终端设备，该方法包括：计算原始灰度图像的局部空间算子和局部灰度算子；根据所述局部空间算子和所述局部灰度算子对所述原始灰度图像进行非线性滤波处理，得到非线性加权和图像；获取所述非线性加权和图像的灰度集合；基于模糊聚类算法和所述非线性加权和图像的灰度集合，对所述非线性加权和图像进行图像分割，得到所述非线性加权和图像分割后的区域。本申请通过对所述原始灰度图像进行非线性滤波处理，能够避免噪声对图像分割算法的影响，提高算法的鲁棒性，从而改善图像的分割效果。

Description

一种图像分割方法、装置及终端设备
技术领域
本发明属于图像处理技术领域，尤其涉及一种图像分割方法、装置及终端设备。
背景技术
图像分割在图像处理技术中占有很重要的地位，它是图像处理中的关键步骤。图像分割的目的是把图像分成若干个特定的、具有特殊性质的区域并提取出感兴趣的目标。
目前，FCM(Fuzzy C-means，模糊C均值)聚类方法是一类常用的图像分割方法，但FCM聚类算法分割图像时对噪声和簇大小较为敏感，当图像被噪声污染后，该算法对图像分割效果则不理想。
发明内容
有鉴于此，本发明实施例提供了一种图像分割方法、装置及终端设备，以解决现有技术中图像被噪声污染后分割效果不理想的问题。
本发明实施例的第一方面提供了一种图像分割方法，包括：
计算原始灰度图像的局部空间算子和局部灰度算子；
根据所述局部空间算子和所述局部灰度算子对所述原始灰度图像进行非线性滤波处理，得到非线性加权和图像；
获取所述非线性加权和图像的灰度集合；
基于模糊聚类算法和所述非线性加权和图像的灰度集合，对所述非线性加权和图像进行图像分割，得到所述非线性加权和图像分割后的区域。
本发明实施例的第二方面提供了一种图像分割装置，包括：
算子计算模块，用于计算所述原始灰度图像的局部空间算子和局部灰度算子；
滤波处理模块，用于根据所述局部空间算子和所述局部灰度算子对所述原始灰度图像进行非线性滤波处理，得到非线性加权和图像；
灰度集合获取模块，用于获取所述非线性加权和图像的灰度集合；
图像分割模块，用于基于模糊聚类算法和所述非线性加权和图像的灰度集合，对所述非线性加权和图像进行图像分割，得到所述非线性加权和图像分割后的区域。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述图像分割方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述图像分割方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本实施例首先计算原始灰度图像的局部空间算子和局部灰度算子；然后根据所述局部空间算子和所述局部灰度算子对所述原始灰度图像进行非线性滤波处理，得到非线性加权和图像；获取所述非线性加权和图像的灰度集合；最后基于模糊聚类算法和所述非线性加权和图像的灰度集合，对所述非线性加权和图像进行图像分割，得到所述非线性加权和图像分割后的区域。本实施例通过对所述原始灰度图像进行非线性滤波处理，能够避免噪声对图像分割算法的影响，提高算法的鲁棒性，从而改善图像的分割效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的图像分割方法的流程示意图；
图2是本发明实施例提供的图像分割装置的示意图；
图3是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
在一个实施例中，如图1所示，图1示出了本实施例提供的一种图像分割方法，其过程详述如下：
S101：计算原始灰度图像的局部空间算子和局部灰度算子。
在本实施例中，原始图像I0大小为N＝m×n，总像素集合为X＝{x1，x2，…，xN}，灰度级数为G。
具体的，设置滤波器窗口大小为M×M、局部空间算子的比例因子λs以及局部灰度算子的全局比例因子λg，然后计算局部空间算子和局部灰度算子。
在一个实施例中，所述局部空间算子的的计算公式为：
其中，Ss_kj表示所述局部空间算子，(Lk，Qk)表示所述原始灰度图像中第k个像素的空间坐标，λs表示比例因子，(Lj，Qj)表示所述原始灰度图像中第j个像素的空间坐标；
所述局部灰度算子的计算公式为：
其中，Sg_kj表示所述局部灰度算子，Nk表示以所述原始灰度图像中第k个像素为中心、大小为M×M的窗口的像素集合；kj表示以所述原始灰度图像中第k个像素为中心的窗口中第j个像素的灰度值；xk表示所述原始灰度图像中第k个像素的灰度值；λg表示全局比例因子，σg_k表示局部窗口密度函数。
S102：根据所述局部空间算子和所述局部灰度算子对所述原始灰度图像进行非线性滤波处理，得到非线性加权和图像。
在一个实施例中，图1中S102的具体实现流程包括：
S201：根据所述局部空间算子和所述局部灰度算子计算局部相似性度量；
S202：根据第一公式对所述原始灰度图像进行滤波处理，得到所述非线性加权和图像；
所述局部相似性度量为：
其中，Skj表示所述原始灰度图像中第k个像素和第j个像素之间的局部相似性度量，用于表示第j个像素的权重。
所述第一公式为：
其中，Ik表示所述非线性加权和图像的第k个像素的灰度值。
具体地，Ik∈[0，G-1]。
S103：获取所述非线性加权和图像的灰度集合。
在本实施例中，非线性加权和图像的灰度集合为{I1，I2，…，IG}。其中灰度级数G＜＜N，将非线性加权和图像分割为C个区域，可得到C个模糊子集，每一个模糊子集对应一个聚类中心νi，聚类中心集合为V＝{v1，v2，…，vc}。
S104：基于模糊聚类算法和所述非线性加权和图像的灰度集合，对所述非线性加权和图像进行图像分割，得到所述非线性加权和图像分割后的区域。
从上述实施例可知，本实施例首先计算原始灰度图像的局部空间算子和局部灰度算子；然后根据所述局部空间算子和所述局部灰度算子对所述原始灰度图像进行非线性滤波处理，得到非线性加权和图像；获取所述非线性加权和图像的灰度集合；最后基于模糊聚类算法和所述非线性加权和图像的灰度集合，对所述非线性加权和图像进行图像分割，得到所述非线性加权和图像分割后的区域。本实施例通过对所述原始灰度图像进行非线性滤波处理，能够避免噪声对图像分割算法的影响，提高算法的鲁棒性，从而改善图像的分割效果。
在一个实施例中，图1中S104的具体实现流程包括：
步骤一：对所述非线性加权和图像的分类参数及条件变量进行初始化，所述分类参数包括区域分割个数和聚类中心集合，所述聚类中心集合包括各个区域的聚类中心。
在本实施例中，分类参数包括区域分割个数、聚类中心集合、最大迭代次数和当前迭代次数。
具体地，初始化过程中，首先设置图像的区域分割个数，区域分割个数C≥2，然后设置最大迭代次数Itermax、初始化的迭代次数Iter＝0以及迭代终止条件。最后采用灰度级集合中I0到IG之间的随机值初始化类中心初始化条件条件变量fg＝1/C，g＝1,2,…，G其中，fg表示第g个灰度级的当前条件变量，C表示区域分割个数，G表示灰度级最大值。
步骤二：基于模糊C均值聚类算法，根据所述灰度集合、所述区域分割个数、当前条件变量和当前聚类中心集合计算当前隶属度矩阵，所述当前隶属度矩阵中的元素μig表示第g个灰度级相对于当前聚类中心集合中第i个聚类中心的模糊隶属度。
在步骤二开始，首先计算当前循环的迭代次数Iter＝Iter+1。
在一个实施例中，上述步骤二具体包括：
S301：基于模糊C均值算法构建目标函数；所述目标函数为：
其中，μig表示第g个灰度级相对于聚类中心νi的模糊隶属度；Ig表示第g个灰度级的值；γg表示第g个灰度级的像素数量；C表示区域分割个数，G表示灰度级最大值。
在本实施例中，为了改善算法对不平衡数据的聚类性能，在聚类过程中，引入条件变量fg(0≤fg≤1)，将低条件值分配给较大集群的对象，并将高条件值分配给较小集群的对象来防止小团类向大团类漂移。
在一个实施例中，根据条件变量更新公式确定更新后的条件变量；
所述条件变量更新公式为：
其中，Pimin表示当前循环对应的所有区域的先验概率的最小值，每个灰度级一旦被分配到某个特定的集群，就具有相对于所有集群的固定条件值，并且同一集群中的所有灰度级都具有相同的条件值。γg表示第g个灰度级的像素数量；Gi表示属于第i个区域的灰度级集合；N表示所述非线性加权和图像的像素总数；Ni表示属于第i个区域的像素总数；Pi表示当前循环对应的第i个区域的先验概率。
S302：在满足的约束条件下，利用拉格朗日乘子法优化目标函数，得到隶属度计算公式。
S303：根据隶属度计算公式计算当前隶属度矩阵；
所述隶属度计算公式为：
其中，fg表示第g个灰度级的当前条件变量，i∈[1,2,…,C]，C表示区域分割个数，m表示模糊性指数，且m(1≤m≤∞)，可以取值为2。
步骤三：基于当前隶属度矩阵，将所述非线性加权和图像中同一灰度级的像素划分至该灰度级对应的模糊隶属度最大的区域，确定当前循环下所述非线性加权和图像分割后的区域。
在本实施例中，按照下式将所述非线性加权和图像中同一灰度级的像素划分至该灰度级对应的模糊隶属度最大的区域。
k＝argmaxμig i＝1，2,…C
具体地，设非线性加权和图像的灰度级数G＝8，将图像分割为C＝3个区域，隶属度矩阵
对于灰度级I1来说，比较灰度级I1对应的各个区域的模糊隶属度u11、u21、u31的大小，若u11最大，则所有灰度级为I1的图像像素点归为第1个区域。若u21最大，则所有灰度级为I1的图像像素点归为第2个区域。若u31最大，则所有灰度级为I1的图像像素点归为第3个区域。
对于灰度级I2来说，比较灰度级I2对应的各个区域的模糊隶属度u12、u22、u32的大小，若u12最大，则所有灰度级为I1的图像像素点归为第1个区域。若u22最大，则所有灰度级为I1的图像像素点归为第2个区域。若u32最大，则所有灰度级为I2的图像像素点归为第3个区域。
以此类推，就可以把8个灰度级数对应的像素点都分到相应的区域内。
步骤四：基于当前循环对应的区域更新条件变量和聚类中心集合。
在一个实施例中，上述过程中的步骤四还包括：
根据聚类中心更新公式确定更新后的聚类中心集合；
所述聚类中心更新公式为：
其中，vi表示所述聚类中心集合中第i个区域对应的聚类中心，γg表示第g个灰度级的像素数量；μig表示第g个灰度级相对于聚类中心vi的模糊隶属度；Ig表示第g个灰度级的值，C表示区域分割个数，G表示灰度级最大值，m表示模糊性指数。
步骤五：将更新后的条件变量和聚类中心集合返回至步骤四，并重复执行步骤二至步骤五，直至所述分类参数满足循环终止条件，输出最后一次循环下所述非线性加权和图像分割后的区域。
在本实施例中，循环终止条件可以为迭代次数Iter≥Itermax或|V(Iter)-VIter-1≤ε，当Iter<Itermax或VIter-VIter-1>ε时，则重复步骤二至步骤五，直至分类参数满足循环终止条件。
本实施例提供的算法的时间复杂度包含两部分：图像的预处理和分割处理。图像预处理主要是为了获得非线性加权和图像I，他的时间复杂度为O(n×M2)；分割处理主要是算法的迭代过程，他的时间复杂度为O(G×C2×Iter)，Iter为迭代次数。所以本实施例提供的算法的时间复杂度为O(n×M2+G×C2×Iter)。可知，本实施例采用非线性加权和图像I的灰度级进行分类，图像的分割时间不再取决于图像的大小，而是图像的灰度级数，从而大大降低算法的时间复杂度。另外，本实施例在分类的过程中引入条件变量fg，将低条件值分配给较大区域集群的对象，并将高条件值分配给较小区域集群的对象来防止小团类向大团类漂移，提高分割精度、聚类算法的整体性能和聚类算法对少数类的聚类性能。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一个实施例中，如图2所示，图2示出了本实施例提供的一种图像分割装置100的结构，其包括：
算子计算模块110，用于计算所述原始灰度图像的局部空间算子和局部灰度算子；
滤波处理模块120，用于根据所述局部空间算子和所述局部灰度算子对所述原始灰度图像进行非线性滤波处理，得到非线性加权和图像；
灰度集合获取模块130，用于获取所述非线性加权和图像的灰度集合；
图像分割模块140，用于基于模糊聚类算法和所述非线性加权和图像的灰度集合，对所述非线性加权和图像进行图像分割，得到所述非线性加权和图像分割后的区域。
从上述实施例可知，本实施例首先计算原始灰度图像的局部空间算子和局部灰度算子；然后根据所述局部空间算子和所述局部灰度算子对所述原始灰度图像进行非线性滤波处理，得到非线性加权和图像；获取所述非线性加权和图像的灰度集合；最后基于模糊聚类算法和所述非线性加权和图像的灰度集合，对所述非线性加权和图像进行图像分割，得到所述非线性加权和图像分割后的区域。本实施例通过对所述原始灰度图像进行非线性滤波处理，能够避免噪声对图像分割算法的影响，提高算法的鲁棒性，从而改善图像的分割效果。
在一个实施例中，所述局部空间算子的的计算公式为：
其中，Ss_kj表示所述局部空间算子，(Lk，Qk)表示所述原始灰度图像中第k个像素的空间坐标，λs表示比例因子，(Lj，Qj)表示所述原始灰度图像中第j个像素的空间坐标；
所述局部灰度算子的计算公式为：
其中，Sg_kj表示所述局部灰度算子，Nk表示以所述原始灰度图像中第k个像素为中心、大小为M×M的窗口的像素集合；xj表示以所述原始灰度图像中第k个像素为中心的窗口中第j个像素的灰度值；xk表示所述原始灰度图像中第k个像素的灰度值；λg表示全局比例因子，σg_k表示局部窗口密度函数；
在一个实施例中，滤波处理模块120包括：
相似性度量计算单元，用于根据所述局部空间算子和所述局部灰度算子计算局部相似性度量；
非线性加权和图像获取单元，用于根据第一公式对所述原始灰度图像进行滤波处理，得到所述非线性加权和图像；
所述局部相似性度量为：
其中，Skj表示所述原始灰度图像中第k个像素和第j个像素之间的局部相似性度量；
所述第一公式为：
其中，Ik表示所述非线性加权和图像的第k个像素的灰度值。
在一个实施例中，图像分割模块140具体用于：
步骤一：对所述非线性加权和图像的分类参数及条件变量进行初始化，所述分类参数包括区域分割个数和聚类中心集合，所述聚类中心集合包括各个区域的聚类中心；
步骤二：基于模糊C均值聚类算法，根据所述灰度集合、所述区域分割个数、当前条件变量和当前聚类中心集合计算当前隶属度矩阵，所述当前隶属度矩阵中的元素μig表示第g个灰度级相对于当前聚类中心集合中第i个聚类中心的模糊隶属度；
步骤三：基于当前隶属度矩阵，将所述非线性加权和图像中同一灰度级的像素划分至该灰度级对应的模糊隶属度最大的区域，确定当前循环下所述非线性加权和图像分割后的区域；
步骤四：基于当前循环对应的区域更新条件变量和聚类中心集合；
步骤五：将更新后的条件变量和聚类中心集合返回至步骤四，并重复执行步骤二至步骤五，直至所述分类参数满足循环终止条件，输出最后一次循环下所述非线性加权和图像分割后的区域。
在一个实施例中，图像分割模块140的步骤二具体包括：
基于模糊C均值算法构建目标函数；所述目标函数为：
其中，μig表示第g个灰度级相对于聚类中心vi的模糊隶属度；Ig表示第g个灰度级的值；γg表示第g个灰度级的像素数量；C表示区域分割个数，G表示灰度级最大值；
在满足的约束条件下，利用拉格朗日乘子法优化目标函数，得到隶属度计算公式；
根据隶属度计算公式计算当前隶属度矩阵；
所述隶属度计算公式为：
其中，fg表示第g个灰度级的当前条件变量，i∈[1,2,…,C]，C表示区域分割个数，m表示模糊性指数。
在一个实施例中，所述条件变量的初始化计算公式为：fg＝1/C,g＝1，2，…G；其中，fg表示第g个灰度级的当前条件变量，C表示区域分割个数，G表示灰度级最大值。图像分割模块140的步骤四包括：
根据条件变量更新公式确定更新后的条件变量；
所述条件变量更新公式为：
其中，Pimin表示当前循环对应的所有区域的先验概率的最小值，γg表示第g个灰度级的像素数量；Gi表示属于第i个区域的灰度级集合；N表示所述非线性加权和图像的像素总数；Ni表示属于第i个区域的像素总数；Pi表示当前循环对应的第i个区域的先验概率。
在一个实施例中，图像分割模块140的步骤四还包括：
根据聚类中心更新公式确定更新后的聚类中心集合；
所述聚类中心更新公式为：
其中，vi表示所述聚类中心集合中第i个区域对应的聚类中心，γg表示第g个灰度级的像素数量；μig表示第g个灰度级相对于聚类中心νi的模糊隶属度；Ig表示第g个灰度级的值，C表示区域分割个数，G表示灰度级最大值，m表示模糊性指数。
图3是本发明一实施例提供的终端设备的示意图。如图3所示，该实施例的终端设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个图像分割方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块110至140的功能。
所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述终端设备3中的执行过程。
所述终端设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是终端设备3的示例，并不构成对终端设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable 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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述终端设备3的内部存储单元，例如终端设备3的硬盘或内存。所述存储器31也可以是所述终端设备3的外部存储设备，例如所述终端设备3上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括所述终端设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的分割进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构分割成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的分割，仅仅为一种逻辑功能分割，实际实现时可以有另外的分割方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述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，均应包含在本发明的保护范围之内。

Claims (8)

1.一种图像分割方法，其特征在于，包括：
计算原始灰度图像的局部空间算子和局部灰度算子；
根据所述局部空间算子和所述局部灰度算子对所述原始灰度图像进行非线性滤波处理，得到非线性加权和图像；获取所述非线性加权和图像的灰度集合；
基于模糊聚类算法和所述非线性加权和图像的灰度集合，对所述非线性加权和图像进行图像分割，得到所述非线性加权和图像分割后的区域；
其中，基于模糊聚类算法和所述非线性加权和图像的灰度集合，对所述非线性加权和图像进行图像分割，得到所述非线性加权和图像分割后的区域，包括：
步骤一：对所述非线性加权和图像的分类参数及条件变量进行初始化，所述分类参数包括区域分割个数和聚类中心集合，所述聚类中心集合包括各个区域的聚类中心，其中，所述条件变量的初始化计算公式为：fg＝1/C,g＝1,2,…G；其中，fg表示第g个灰度级的当前条件变量，C表示区域分割个数，G表示灰度级最大值；
步骤二：基于模糊C均值聚类算法，根据所述灰度集合、所述区域分割个数、当前条件变量和当前聚类中心集合计算当前隶属度矩阵，所述当前隶属度矩阵中的元素μig表示第g个灰度级相对于当前聚类中心集合中第i个聚类中心的模糊隶属度；
步骤三：基于当前隶属度矩阵，将所述非线性加权和图像中同一灰度级的像素划分至该灰度级对应的模糊隶属度最大的区域，确定当前循环下所述非线性加权和图像分割后的区域；
步骤四：基于当前循环对应的区域更新条件变量和聚类中心集合；
步骤五：将更新后的条件变量和聚类中心集合返回至步骤四，并重复执行步骤二至步骤五，直至所述分类参数满足循环终止条件，输出最后一次循环下所述非线性加权和图像分割后的区域；
其中，所述基于当前循环对应的区域更新条件变量，包括：
根据条件变量更新公式确定更新后的条件变量；
所述条件变量更新公式为：
其中，Pimin表示当前循环对应的所有区域的先验概率的最小值，γg表示第g个灰度级的像素数量；Gi表示属于第i个区域的灰度级集合；N表示所述非线性加权和图像的像素总数；Ni表示属于第i个区域的像素总数；Pi表示当前循环对应的第i个区域的先验概率；
其中，隶属度计算公式为：
其中，vi表示当前聚类中心，Ig表示第g个灰度级的值，i∈[1,2,…,C]，m表示模糊性指数。
2.如权利要求1所述的图像分割方法，其特征在于，所述局部空间算子的的计算公式为：
其中，Ss_kj表示所述局部空间算子，(Lk,Qk)表示所述原始灰度图像中第k个像素的空间坐标，λs表示比例因子，(Lj,Qj)表示所述原始灰度图像中第j个像素的空间坐标；
所述局部灰度算子的计算公式为：
其中，Sg_kj表示所述局部灰度算子，Nk表示以所述原始灰度图像中第k个像素为中心、大小为M×M的窗口的像素集合；xj表示以所述原始灰度图像中第k个像素为中心的窗口中第j个像素的灰度值；xk表示所述原始灰度图像中第k个像素的灰度值；λg表示全局比例因子，σg_k表示局部窗口密度函数。
3.如权利要求2所述的图像分割方法，其特征在于，所述根据所述局部空间算子和所述局部灰度算子对所述原始灰度图像进行非线性滤波处理，得到非线性加权和图像，包括：
根据所述局部空间算子和所述局部灰度算子计算局部相似性度量；
根据第一公式对所述原始灰度图像进行滤波处理，得到所述非线性加权和图像；
所述局部相似性度量为：
其中，Skj表示所述原始灰度图像中第k个像素和第j个像素之间的局部相似性度量；
所述第一公式为：
其中，Ik表示所述非线性加权和图像的第k个像素的灰度值。
4.如权利要求1所述的图像分割方法，其特征在于，所述步骤二包括：
基于模糊C均值算法构建目标函数；所述目标函数为：
在满足的约束条件下，利用拉格朗日乘子法优化目标函数，得到隶属度计算公式；
根据隶属度计算公式计算当前隶属度矩阵。
5.如权利要求1所述的图像分割方法，其特征在于，所述基于当前循环对应的区域更新聚类中心集合，包括：
根据聚类中心更新公式确定更新后的聚类中心集合；
所述聚类中心更新公式为：
其中，vi表示所述聚类中心集合中第i个区域对应的聚类中心，γg表示第g个灰度级的像素数量；μig表示第g个灰度级相对于聚类中心vi的模糊隶属度；Ig表示第g个灰度级的值，C表示区域分割个数，G表示灰度级最大值，m表示模糊性指数。
6.一种图像分割装置，其特征在于，包括：
算子计算模块，用于计算原始灰度图像的局部空间算子和局部灰度算子；
滤波处理模块，用于根据所述局部空间算子和所述局部灰度算子对所述原始灰度图像进行非线性滤波处理，得到非线性加权和图像；
灰度集合获取模块，用于获取所述非线性加权和图像的灰度集合；
图像分割模块，用于基于模糊聚类算法和所述非线性加权和图像的灰度集合，对所述非线性加权和图像进行图像分割，得到所述非线性加权和图像分割后的区域；
其中，图像分割模块具体用于：
步骤一：对所述非线性加权和图像的分类参数及条件变量进行初始化，所述分类参数包括区域分割个数和聚类中心集合，所述聚类中心集合包括各个区域的聚类中心；
步骤二：基于模糊C均值聚类算法，根据所述灰度集合、所述区域分割个数、当前条件变量和当前聚类中心集合计算当前隶属度矩阵，所述当前隶属度矩阵中的元素μig表示第g个灰度级相对于当前聚类中心集合中第i个聚类中心的模糊隶属度；
步骤三：基于当前隶属度矩阵，将所述非线性加权和图像中同一灰度级的像素划分至该灰度级对应的模糊隶属度最大的区域，确定当前循环下所述非线性加权和图像分割后的区域；
步骤四：基于当前循环对应的区域更新条件变量和聚类中心集合；
步骤五：将更新后的条件变量和聚类中心集合返回至步骤四，并重复执行步骤二至步骤五，直至所述分类参数满足循环终止条件，输出最后一次循环下所述非线性加权和图像分割后的区域；
其中，所述基于当前循环对应的区域更新条件变量，包括：
根据条件变量更新公式确定更新后的条件变量；
所述条件变量更新公式为：
其中，Pimin表示当前循环对应的所有区域的先验概率的最小值，γg表示第g个灰度级的像素数量；Gi表示属于第i个区域的灰度级集合；N表示所述非线性加权和图像的像素总数；Ni表示属于第i个区域的像素总数；Pi表示当前循环对应的第i个区域的先验概率；
其中，隶属度计算公式为：
其中，vi表示当前聚类中心，Ig表示第g个灰度级的值，i∈[1,2,…,C]，m表示模糊性指数。
7.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至5任一项所述方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
CN202110649372.7A 2021-06-10 2021-06-10 一种图像分割方法、装置及终端设备 Active CN113269796B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110649372.7A CN113269796B (zh) 2021-06-10 2021-06-10 一种图像分割方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110649372.7A CN113269796B (zh) 2021-06-10 2021-06-10 一种图像分割方法、装置及终端设备

Publications (2)

Publication Number Publication Date
CN113269796A CN113269796A (zh) 2021-08-17
CN113269796B true CN113269796B (zh) 2023-08-25

Family

ID=77234763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110649372.7A Active CN113269796B (zh) 2021-06-10 2021-06-10 一种图像分割方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN113269796B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105741279A (zh) * 2016-01-27 2016-07-06 西安电子科技大学 基于粗糙集的快速抑制模糊聚类的图像分割方法
CN107727010A (zh) * 2017-10-31 2018-02-23 北京农业信息技术研究中心 一种测量农作物叶面积指数的方法
CN109145921A (zh) * 2018-08-29 2019-01-04 江南大学 一种基于改进的直觉模糊c均值聚类的图像分割方法
CN109360207A (zh) * 2018-09-26 2019-02-19 江南大学 一种融合邻域信息的模糊聚类方法
CN110211126A (zh) * 2019-06-12 2019-09-06 西安邮电大学 基于直觉模糊c均值聚类的图像分割方法
CN110634141A (zh) * 2019-09-19 2019-12-31 南京邮电大学 基于改进直觉模糊c均值聚类的图像分割方法及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105741279A (zh) * 2016-01-27 2016-07-06 西安电子科技大学 基于粗糙集的快速抑制模糊聚类的图像分割方法
CN107727010A (zh) * 2017-10-31 2018-02-23 北京农业信息技术研究中心 一种测量农作物叶面积指数的方法
CN109145921A (zh) * 2018-08-29 2019-01-04 江南大学 一种基于改进的直觉模糊c均值聚类的图像分割方法
CN109360207A (zh) * 2018-09-26 2019-02-19 江南大学 一种融合邻域信息的模糊聚类方法
CN110211126A (zh) * 2019-06-12 2019-09-06 西安邮电大学 基于直觉模糊c均值聚类的图像分割方法
CN110634141A (zh) * 2019-09-19 2019-12-31 南京邮电大学 基于改进直觉模糊c均值聚类的图像分割方法及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于模糊聚类的图像分割算法的研究与应用;陆海青;《中国优秀硕博士学位论文全文数据库（硕士）信息科技辑》;20190115;第2章 *

Also Published As

Publication number Publication date
CN113269796A (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
CN111860398B (zh) 遥感图像目标检测方法、***及终端设备
CN111507993A (zh) 一种基于生成对抗网络的图像分割方法、装置及存储介质
CN111553215B (zh) 人员关联方法及其装置、图卷积网络训练方法及其装置
CN110738235B (zh) 肺结核判定方法、装置、计算机设备及存储介质
CN111950408B (zh) 基于规则图的手指静脉图像识别方法、装置及存储介质
CN110675334A (zh) 一种图像增强方法及装置
Alawad et al. Stochastic-based deep convolutional networks with reconfigurable logic fabric
CN111080654B (zh) 图像的病变区域分割方法、装置及服务器
CN111079764A (zh) 一种基于深度学习的低照度车牌图像识别方法及装置
CN110533632B (zh) 图像模糊篡改检测方法、装置、计算机设备和存储介质
CN111784699B (zh) 一种对三维点云数据进行目标分割方法、装置及终端设备
CN112328715A (zh) 视觉定位方法及相关模型的训练方法及相关装置、设备
CN115147598A (zh) 目标检测分割方法、装置、智能终端及存储介质
CN112819199A (zh) 降水量的预测方法、装置、设备和存储介质
CN109961435B (zh) 脑图像获取方法、装置、设备及存储介质
CN113920382B (zh) 基于类一致性结构化学习的跨域图像分类方法和相关装置
Hossain et al. Anti-aliasing deep image classifiers using novel depth adaptive blurring and activation function
CN111199228B (zh) 一种车牌定位的方法及装置
CN113269796B (zh) 一种图像分割方法、装置及终端设备
CN116486151A (zh) 图像分类模型训练方法、图像分类方法、设备及存储介质
CN112465837B (zh) 利用空间信息约束的稀疏子空间模糊聚类的图像分割方法
CN110647805B (zh) 一种网纹图像识别方法、装置及终端设备
CN114065913A (zh) 模型量化方法、装置及终端设备
CN112950652A (zh) 机器人及其手部图像分割方法和装置
CN110232302B (zh) 一种集成灰度值、空间信息和类别知识的变化检测方法

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