CN115829943A - 基于超像素分割的图像差异区域检测方法 - Google Patents

基于超像素分割的图像差异区域检测方法 Download PDF

Info

Publication number
CN115829943A
CN115829943A CN202211432673.5A CN202211432673A CN115829943A CN 115829943 A CN115829943 A CN 115829943A CN 202211432673 A CN202211432673 A CN 202211432673A CN 115829943 A CN115829943 A CN 115829943A
Authority
CN
China
Prior art keywords
image
difference
information
pyramid
images
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.)
Pending
Application number
CN202211432673.5A
Other languages
English (en)
Inventor
魏富彬
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.)
Weicheng Intelligent Power Technology Hangzhou Co ltd
Original Assignee
Weicheng Intelligent Power Technology Hangzhou Co ltd
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 Weicheng Intelligent Power Technology Hangzhou Co ltd filed Critical Weicheng Intelligent Power Technology Hangzhou Co ltd
Priority to CN202211432673.5A priority Critical patent/CN115829943A/zh
Publication of CN115829943A publication Critical patent/CN115829943A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种基于超像素分割的图像差异区域检测方法，包括S1，利用sift算法对要比较的图像进行配准，使其变化到同一平面下，并将对应点的坐标一一对应；S2，通过高斯函数构建出源图像和目标图像各自的图像金字塔；S3，抽取目标图像金字塔最顶层的第一张图像，对其进行SLIC处理，将图片分割为多个信息相对一致的子区域；S4，对每个子区域进行差异化判别：对于每一个子区域的像素计算其梯度的大小、方向以及颜色信息，并将这3个维度信息与对应像素进行作差比较。本发明利用SLIC算法对图像进行区域聚类，以聚类的区域作为图像块进行差异的计算，来让块内的信息更加一致。

Description

基于超像素分割的图像差异区域检测方法
技术领域
本发明属于图像判别领域，涉及一种基于超像素分割的图像差异区域检测方法。
背景技术
图像判别用于计算图像和图像之间的差异性区域，在时序空间上提供更多的有用信息，在检测、跟踪等领域有着重要的影响。
图像判别算法有的是以像素为目标计算像素间的差异；有的是以块为目标，计算图像块之间的差异。这两种方式各有优劣，以像素为目标的计算更加精细，能更好的反映出微小的变化；以块为目标的计算则更加鲁邦，对噪声等影响的抗干扰能力更强；然而同时，基于像素计算信息更加嘈杂，容易受到噪点、偏移等因素的影响；基于块计算则又因为区域内成分不一致导致信息差异性较大，对信息的筛选也让一些有用的信息被过滤掉，使得差异区域的检测不够细腻。
发明内容
本发明为解决上述问题，提出了一种基于超像素分割的图像差异区域检测方法，包括以下步骤：
S1，利用sift算法对要比较的图像进行配准，使其变化到同一平面下，并将对应点的坐标一一对应；
S2，通过高斯函数构建出源图像和目标图像各自的图像金字塔；
S3，抽取目标图像金字塔最顶层的第一张图像，对其进行SLIC处理，将图片分割为多个信息相对一致的子区域；
S4，对每个子区域进行差异化判别：对于每一个子区域的像素计算其梯度的大小、方向以及颜色信息，并将这3个维度信息与对应像素进行作差比较，当某个维度的差异值大于预设的阈值时，该点的差异度加1；当3个维度的信息差异值都大于阈值时，该点的差异度会额外再加1，即每个像素点的差异值在0～4之间。
优选地，所述S2的图像金字塔中，包括层高与层数两个参数，层数决定金字塔中有多少种图像的分辨率，层高决定单个分辨率下滤波处理后图像的个数，通过这两个参数调节金字塔的形状，使得后续处理中位于差异处的检测区域与总检测区域的比值最大。
优选地，所述S3后还包括利用插值算法将金字塔顶层第一张图像的分割信息扩算到金字塔的每一层上去，使得金字塔全部图像都获取到对应一致的图像区域分布。
优选地，所述S4包括以下步骤：
S41，利用sobel算子计算像素的梯度幅值和方向：
Ix＝GxI (1)
Iy＝GyI (2)
Figure BDA0003945487250000021
Figure BDA0003945487250000022
其中，I为输入图像，Gx和Gy分别为x方向和y方向上的sobel算子，Ix和Iy为对应方向上的梯度图，II为梯度的幅值，Iθ为梯度的方向；
S42，将图像转换到HSV色彩空间，获取其H维度的数值，即为像素的颜色信息IH，再分别获取到源图像像素和目标图像像素的IG、Iθ和IH3维度信息后，计算3个维度对应的差异值：
Figure BDA0003945487250000023
Figure BDA0003945487250000024
Figure BDA0003945487250000031
其中，I′G、I′θ、I′H为源图像对应的3维度信息值，
Figure BDA0003945487250000032
为目标图像对应的3维度信息值，当SG、Sθ、SH分别大于梯度阈值τG、τθ、τH时，该像素的总差异度Dp分别加1，否则不加，当SG、Sθ、SH三者都大于对应的阈值时，Dp则额外加1；
S43，将区域内所有像素的差异度求和归一化后，得到区域总体差异度Dt：
Figure BDA0003945487250000033
其中，n为区域像素数量，Dpi为第i个像素的Dp值，当该区域总体差异度Dt大于阈值τt时，将该区域标记为1，即可能存在差异区域，否则表计为0；在标记完金字塔中所有图像区域后，当某个区域标记为1的图像数量大于总图像数量的τr时，则认定该区域存在差异；
Figure BDA0003945487250000034
式(9)中，Mk为最终差异图想索引为k的区域的标记值，m为金字塔图像总数量，
Figure BDA0003945487250000035
为第i张图像第k个区域的标记值。
本发明有益效果至少包括：
基于图像块的检测算法，但不同与对图像进行简单的划分，本申请利用SLIC算法对图像进行区域聚类，以聚类的区域作为图像块进行差异的计算，来让块内的信息更加一致。同时对于块内的信息进行逐像素的计算，结合梯度的模和角度信息，并利用色调信息进行补充，相较于直方图量化的方式，该逐像素计算的方法能不舍弃像素的空间信息，使得计算结果更加准确可靠。
附图说明
图1为本发明实施例的基于超像素分割的图像差异区域检测方法的步骤流程图；
图2为本发明实施例的基于超像素分割的图像差异区域检测方法中图像金字塔图；
图3为本发明实施例的基于超像素分割的图像差异区域检测方法的聚类输入图；
图4为本发明实施例的基于超像素分割的图像差异区域检测方法的聚类分割效果图；
图5为本发明实施例的基于超像素分割的图像差异区域检测方法的差异检测效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
参见图1，包括以下步骤：
S1，利用sift算法对要比较的图像进行配准，使其变化到同一平面下，并将对应点的坐标一一对应，消除拍摄位姿不同带来的影响；
S2，通过高斯函数构建出源图像和目标图像各自的图像金字塔，参见图2；
S3，抽取目标图像金字塔最顶层的第一张图像，对其进行SLIC处理，将图片分割为多个信息相对一致的子区域，SLIC(simple linear iterative cluster，简单线性迭代聚类)处理在k均值算法上提升了运行速度和聚类效果；
参见图3、4可以看出，经过SLIC处理后，输入图像被分割成一个个图像信息接近的图像块，之后利用插值算法将金字塔顶层第一张图像的分割信息扩算到金字塔的每一层上去，使得金字塔全部图像都获取到对应一直的图像区域分布。
S4，对每个子区域进行差异化判别：对于每一个子区域的像素计算其梯度的大小、方向以及颜色信息，并将这3个维度信息与对应像素进行作差比较，当某个维度的差异值大于预设的阈值时，该点的差异度加1；当3个维度的信息差异值都大于阈值时，该点的差异度会额外再加1，即每个像素点的差异值在0～4之间。
S2的图像金字塔中，包括层高与层数两个参数，层数决定金字塔中有多少种图像的分辨率，层高决定单个分辨率下滤波处理后图像的个数，通过这两个参数调节金字塔的形状，使得后续处理中位于差异处的检测区域与总检测区域的比值最大，尽可能的接近100％。
S4包括以下步骤：
S41，利用sobel算子计算像素的梯度幅值和方向：
Ix＝GxI (1)
Iy＝GyI (2)
Figure BDA0003945487250000051
Figure BDA0003945487250000052
其中，I为输入图像，Gx和Gy分别为x方向和y方向上的sobel算子，Ix和Iy为对应方向上的梯度图，IG为梯度的幅值，Iθ为梯度的方向；
S42，将图像转换到HSV色彩空间，获取其H维度的数值，即为像素的颜色信息IH，再分别获取到源图像像素和目标图像像素的IG、Iθ和IH3维度信息后，计算3个维度对应的差异值：
Figure BDA0003945487250000053
Figure BDA0003945487250000054
Figure BDA0003945487250000061
其中，I′G、I′θ、I′H为源图像对应的3维度信息值，
Figure BDA0003945487250000062
为目标图像对应的3维度信息值，当SG、Sθ、SH分别大于梯度阈值τG、τθ、τH时，该像素的总差异度Dp分别加1，否则不加，当SG、Sθ、SH三者都大于对应的阈值时，Dp则额外加1；
S43，将区域内所有像素的差异度求和归一化后，得到区域总体差异度Dt：
Figure BDA0003945487250000063
其中，n为区域像素数量，Dpi为第i个像素的Dp值，当该区域总体差异度Dt大于阈值τt时，将该区域标记为1，即可能存在差异区域，否则表计为0；在标记完金字塔中所有图像区域后，当某个区域标记为1的图像数量大于总图像数量的τr时，则认定该区域存在差异；
Figure BDA0003945487250000064
式(9)中，Mk为最终差异图想索引为k的区域的标记值，m为金字塔图像总数量，
Figure BDA0003945487250000065
为第i张图像第k个区域的标记值。
参见图5，可以看出金字塔图像差异区域合并之后的效果，由于图像块是通过聚类获取而非简单划分，差异区域的边界就显得更加贴合与准确，使得差异mask更加精准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.基于超像素分割的图像差异区域检测方法，其特征在于，包括以下步骤：
S1，利用sift算法对要比较的图像进行配准，使其变化到同一平面下，并将对应点的坐标一一对应；
S2，通过高斯函数构建出源图像和目标图像各自的图像金字塔；
S3，抽取目标图像金字塔最顶层的第一张图像，对其进行SLIC处理，将图片分割为多个信息相对一致的子区域；
S4，对每个子区域进行差异化判别：对于每一个子区域的像素计算其梯度的大小、方向以及颜色信息，并将这3个维度信息与对应像素进行作差比较，当某个维度的差异值大于预设的阈值时，该点的差异度加1；当3个维度的信息差异值都大于阈值时，该点的差异度会额外再加1，即每个像素点的差异值在0～4之间。
2.根据权利要求1所述的基于超像素分割的图像差异区域检测方法，其特征在于，所述S2的图像金字塔中，包括层高与层数两个参数，层数决定金字塔中有多少种图像的分辨率，层高决定单个分辨率下滤波处理后图像的个数，通过这两个参数调节金字塔的形状，使得后续处理中位于差异处的检测区域与总检测区域的比值最大。
3.根据权利要求2所述的基于超像素分割的图像差异区域检测方法，其特征在于，所述S3后还包括利用插值算法将金字塔顶层第一张图像的分割信息扩算到金字塔的每一层上去，使得金字塔全部图像都获取到对应一致的图像区域分布。
4.根据权利要求1所述的基于超像素分割的图像差异区域检测方法，其特征在于，所述S4包括以下步骤：
S41，利用sobel算子计算像素的梯度幅值和方向：
Ix＝GxI (1)
Iy＝GyI (2)
Figure FDA0003945487240000021
Figure FDA0003945487240000022
其中，I为输入图像，Gx和Gy分别为x方向和y方向上的sobel算子，Ix和Iy为对应方向上的梯度图，IG为梯度的幅值，Iθ为梯度的方向；
S42，将图像转换到HSV色彩空间，获取其H维度的数值，即为像素的颜色信息IH，再分别获取到源图像像素和目标图像像素的IG、Iθ和IH3维度信息后，计算3个维度对应的差异值：
Figure FDA0003945487240000023
Figure FDA0003945487240000024
Figure FDA0003945487240000025
其中，I′G、I′θ、I′H为源图像对应的3维度信息值，
Figure FDA0003945487240000026
为目标图像对应的3维度信息值，当SG、Sθ、SH分别大于梯度阈值τG、τθ、τH时，该像素的总差异度Dp分别加1，否则不加，当SG、Sθ、SH三者都大于对应的阈值时，Dp则额外加1；
S43，将区域内所有像素的差异度求和归一化后，得到区域总体差异度Dt：
Figure FDA0003945487240000027
其中，n为区域像素数量，Dpi为第i个像素的Dp值，当该区域总体差异度Dt大于阈值τt时，将该区域标记为1，即可能存在差异区域，否则表计为0；在标记完金字塔中所有图像区域后，当某个区域标记为1的图像数量大于总图像数量的τr时，则认定该区域存在差异；
Figure FDA0003945487240000031
式(9)中，Mk为最终差异图想索引为k的区域的标记值，m为金字塔图像总数量，
Figure FDA0003945487240000032
为第i张图像第k个区域的标记值。
CN202211432673.5A 2022-11-16 2022-11-16 基于超像素分割的图像差异区域检测方法 Pending CN115829943A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211432673.5A CN115829943A (zh) 2022-11-16 2022-11-16 基于超像素分割的图像差异区域检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211432673.5A CN115829943A (zh) 2022-11-16 2022-11-16 基于超像素分割的图像差异区域检测方法

Publications (1)

Publication Number Publication Date
CN115829943A true CN115829943A (zh) 2023-03-21

Family

ID=85528366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211432673.5A Pending CN115829943A (zh) 2022-11-16 2022-11-16 基于超像素分割的图像差异区域检测方法

Country Status (1)

Country Link
CN (1) CN115829943A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117372437A (zh) * 2023-12-08 2024-01-09 安徽农业大学 用于面神经麻痹智能化检测与量化方法及其***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117372437A (zh) * 2023-12-08 2024-01-09 安徽农业大学 用于面神经麻痹智能化检测与量化方法及其***
CN117372437B (zh) * 2023-12-08 2024-02-23 安徽农业大学 用于面神经麻痹智能化检测与量化方法及其***

Similar Documents

Publication Publication Date Title
CN111243032B (zh) 一种棋盘格角点全自动检测方法
CN109978839B (zh) 晶圆低纹理缺陷的检测方法
CN109859226B (zh) 一种图形分割的棋盘格角点亚像素的检测方法
CN109271937B (zh) 基于图像处理的运动场地标志物识别方法及***
CN106683119B (zh) 基于航拍视频图像的运动车辆检测方法
CN110136120B (zh) 一种基于机器视觉的丝网印刷样板尺寸测量方法
CN109784250B (zh) 自动引导小车的定位方法和装置
CN108986152B (zh) 一种基于差分图像的异物检测方法及装置
CN104933434A (zh) 一种结合LBP特征提取和surf特征提取方法的图像匹配方法
CN109472770B (zh) 一种印刷电路板检测中的图像特征点快速匹配方法
CN112364865B (zh) 一种复杂场景中运动小目标的检测方法
CN111444778A (zh) 一种车道线检测方法
CN104123554A (zh) 基于mmtd的sift图像特征提取方法
CN112183325B (zh) 基于图像对比的公路车辆检测方法
CN115829943A (zh) 基于超像素分割的图像差异区域检测方法
CN108038458B (zh) 基于特征摘要图的视频中的户外场景文本自动获取方法
CN111695373A (zh) 斑马线的定位方法、***、介质及设备
CN111028263A (zh) 一种基于光流颜色聚类的运动物体分割方法及其***
CN111290582B (zh) 一种基于改进型直线检测的投影交互区域定位方法
Pan et al. An efficient method for skew correction of license plate
CN106446832B (zh) 一种基于视频的实时检测行人的方法
CN117496401A (zh) 一种用于视频测量影像序列椭圆形目标点全自动识别与跟踪方法
CN111047614B (zh) 一种基于特征提取的复杂场景图像的目标角点提取方法
CN115311293B (zh) 一种印刷品图案的快速匹配方法
CN111325722A (zh) ***图像精确识别方法、***图像识别处理方法和***图像识别***

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