CN115908243A - 一种无损检测图像的分割方法、装置、设备及存储介质 - Google Patents
一种无损检测图像的分割方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115908243A CN115908243A CN202211178111.2A CN202211178111A CN115908243A CN 115908243 A CN115908243 A CN 115908243A CN 202211178111 A CN202211178111 A CN 202211178111A CN 115908243 A CN115908243 A CN 115908243A
- Authority
- CN
- China
- Prior art keywords
- pixel
- expression
- pixel block
- block
- weight
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明提供了一种无损检测图像的分割方法、装置、设备及存储介质,方法包括:将待分割的无损检测图像分割为多个像素块,构建像素块矩阵;遍历所有像素块,根据位置和灰度信息确定像素块内每个像素的权重;构建与类大小相反关系表达式;根据像素块和像素的权重,构建全局不确定性表达式以及局部不确定性表达式;以像素块为基本单元,将与类大小相反关系表达式、全局不确定性表达式和局部不确定性表达式融入模糊C均值目标函数,得到新模糊C均值目标函数模型;基于迭代的新模糊C均值目标函数模型对图像进行分割,得到分割结果。本发明具有较强的噪声鲁棒性,能提升像素块的类别属性,衡量不同类别像素块的内部结构,提高无损检测图像的分割精度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种无损检测图像的分割方法、装置、设备及存储介质。
背景技术
无损检测图像是在不损坏不影响被检测对象的使用性能基础上,采用超声、红外、射线、声发射等技术对材料、零件、仪表等进行缺陷、斑点大小和位置测量而形成的图像。对无损检测图像进行分割是实现目标测量与识别的前提,但是在成像过程中,很容易受到环境、温度、工况、热辐射等不利因素的影响,所得的图像往往不清晰且伴有噪声,另外图像中的待检测目标,比如缺陷、划痕、斑点等往往在图像中占比较小,而背景面积又非常的大,这也为分割带来困难。
目前,图像分割常采用模糊C均值理论,它方便、快捷、速度快,但也存在易受噪声影响、易陷入局部最优的问题。在模糊C均值的理论基础上引入了邻域信息、非邻域信息,来对抗噪声影响;或者引入群体寻优算法来避免陷入局部最优的问题。但是因为无损检测图像中目标的占比较小,模糊C均值算法易将背景中的一部分像素错误地“分配”到目标中去,从而引起分割精度下降的情况。
发明内容
有鉴于此,本发明为了克服现有技术中对无损检测图像分割精度低的缺陷,提供一种无损检测图像的分割方法、装置、设备及存储介质,利用类的内部结构以及像素的类别不确定性进行分析,解决对无损检测图像的分割精度低的问题。
第一方面,本发明实施例提供了一种无损检测图像的分割方法,包括:
获取待分割的无损检测图像,并分割为多个像素块,构建以像素块为基本单元的像素块矩阵;
遍历所有像素块,根据位置信息和灰度信息确定像素块内每个像素的权重;
构建表征像素块隶属度的与类大小相反关系表达式;
根据所述像素块和像素的权重,构建像素块类别属性的全局不确定性表达式以及衡量像素块所属类的内部结构特征的局部不确定性表达式;
以像素块为基本单元,将所述与类大小相反关系表达式、全局不确定性表达式和局部不确定性表达式融入模糊C均值目标函数,得到新模糊C均值目标函数模型;
基于迭代的新模糊C均值目标函数模型对图像进行分割,得到分割结果。
本发明实施例提供的方法考虑了全局不确定性因素,使得类别特征不明显的像素块在分割过程中所起的作用得到提升,并通过局部不确定性来挖掘不同数据类内部的结构特征,具有较强的噪声鲁棒性,能够提升像素块的类别属性,衡量不同类别像素块的内部结构,能够有效分割无损检测图像,提高分割精度。
可选地,所述确定像素块内每个像素的权重的步骤包括:
根据像素块内像素与中心像素的位置关系,计算位置权重,计算公式为:
wjsd=1/(1+djr)
其中,wjsd为位置信息权重,djr为像素块内像素xr与中心像素xj的位置坐标关系;
比较像素块内像素的灰度值和灰度均值,得到灰度值有效的像素作为剩余像素,基于剩余像素计算灰度值权重,计算公式为:
其中,σj是像素块Nj内标准差,为像素块Nj内的灰度均值,gjr为像素xj的灰度值,g′jr为像素块Nj内的剩余像素,为剩余像素的均值,cjr为剩余像素的浮动的大小,为浮动均值,w′jpg为剩余像素的灰度值权重;
将像素块内判定为噪声或边缘的像素权重置为0,与像素块内剩余像素的灰度值权重w′jpg组合得到像素块的灰度信息权重wjpg;
基于所述位置信息权重和灰度信息权重计算每个像素的权重,计算公式为:
其中,wjr为每个像素的权重。
通过计算位置信息和灰度信息确定像素块内每个像素的权重,确定分割过程中每个像素所起的作用,像素块内每个像素的权重均可以自适应确定,降低了对噪声的敏感度。
可选地,所述表征像素块隶属度的与类大小相反关系表达式为:
其中,i为类别数(i=1,2,…,c),e为自然指数,a、b为可变参数,s为第s个像素块,uis为第s个像素块属于第i类的隶属度。
可选地,构建全局不确定性表达式为:
其中,vi表示第i个聚类中心。
通过构建全局不确定性表达式,加强了类别不明显像素块的影响力,即加强了对目标函数的影响。
可选地,构建局部不确定性表达式的步骤包括:
迭代前,对于确定的隶属度进行类别划分:
Ti={Gj|uij>ulj;l=1,2,...,c;l≠i}
其中,Ti为划分为第i类的像素块集合,Gj为像素xj对应的像素块灰度值集合;
计算像素块与聚类中心距离的平均值:
其中,μi为像素块与聚类中心距离的平均值,|Ti|为划分为第i类的像素块个数;
计算划分为第i类像素块的密度:
其中,Ci为第i类像素块的密度;
计算局部不确定性表达式:
Smin=min{Si,i=1,2,..,c}
其中,fi是局部不确定性表达式,Si是Ci的归一化表达。
通过构建局部不确定性表达式,进一步挖掘各个类的内部结构,将内部结构的影响施加至迭代过程中去,提升分割迭代的效果。
可选地,新模糊C均值目标函数模型为:
其中,m为模糊因子,λ为全局不确定性系数,新隶属度uij和新聚类中心vi利用拉格朗日乘子法得到:
其中,vk表示第k类的聚类中心,ukj表示第j个像素块属于第k类的隶属度。
通过构建以像素块为基本单元的、引入全局和局部不确定性的模糊聚类目标函数,由此得到相应的聚类中心和隶属度函数,考虑了更多的影响因素,提高了本发明对无损检测图像的分割精度。
可选地,基于迭代的新模糊C均值目标函数模型对图像进行分割,得到分割结果的步骤包括:
构造像素块矩阵并计算每个像素块内像素的权重Wj=(wjr,r∈Nj);
初始化聚类数c、模糊因子m、迭代次数T、终止条件ε、隶属度矩阵U和聚类中心矩阵V,置计数器t=0;
利用限制项条件最小化目标函数,得到新隶属度和新聚类中心;
计算每个像素块的全局不确定性表达式aj、局部不确定性表达式fi和与类大小相反关系表达式RRCi;
利用新隶属度和局部不确定性表达式fi更新隶属度矩阵U;
利用新聚类中心更新聚类中心矩阵V,利用新的聚类中心矩阵更新全局不确定性表达式aj;
重复计算每个像素块的全局不确定性表达式aj、局部不确定性表达式fi和与类大小相反关系表达式RRCi的步骤,直到t>T或者||Vt-Vt-1||<ε为止;
对所有像素块对应的隶属度去模糊,利用得到像素块Gj的标签,输出分割图像。
通过迭代的形式计算每个像素块的全局不确定性表达式、局部不确定性表达式和与类大小相反关系表达式,在有限迭代次数内得到最高精度的分割图像。
第二方面,本发明实施例提供了一种无损检测图像的分割装置,所述装置包括:
获取模块,用于获取待分割的无损检测图像,并分割为多个像素块,构建以像素块为基本单元的像素块矩阵;
遍历模块,用于遍历所有像素块,根据位置信息和灰度信息确定像素块内每个像素的权重;
第一构建模块,用于构建表征像素块隶属度的与类大小相反关系表达式;
第二构建模块,用于根据所述像素块和像素的权重,构建像素块类别属性的全局不确定性表达式以及衡量像素块所属类的内部结构特征的局部不确定性表达式;
融入模块,用于以像素块为基本单元,将所述与类大小相反关系表达式、全局不确定性表达式和局部不确定性表达式融入模糊C均值目标函数,得到新模糊C均值目标函数模型;
分割模块,用于基于迭代的新模糊C均值目标函数模型对图像进行分割,得到分割结果。
本发明实施例提供的装置考虑了像素块全局不确定性因素,使得类别特征不明显的像素块在分割过程中所起的作用得到提升,并通过局部不确定性来挖掘不同数据类内部的结构特征,具有较强的噪声鲁棒性,能够提升像素块的类别属性,衡量不同类别像素块的内部结构,能够有效分割无损检测图像,提高分割精度。
第三方面,本发明实施例提供了一种计算机设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面,或者第一方面任意一种可选实施方式中所述的方法。
第四方面,本发明实施例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指令,所述计算机指令用于使所述计算机执行第一方面,或者第一方面任意一种可选实施方式中所述的方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种无损检测图像分割方法的流程图;
图2为本发明实施例提供的在某一次迭代中不同像素块;
图3为本发明实施例提供的添加高斯噪声(0,0.01)的图像(a)和迭代次数为50次时对图像(a)的分割结果(b);
图4为本发明实施例提供的一种无损检测图像分割方法的一个完整具体实施例的流程示意图;
图5为本发明实施例提供一种无损检测图像分割装置的结构示意图;
图6为本发明实施例提供的a、b两幅无损检测图像受高斯噪声(0,0.01)干扰时本发明实施例与对比方法的分割结果图;
图7为本发明实施例提供的a、b两幅无损检测图像受高斯噪声(0,0.02)干扰时本发明实施例与对比方法的分割结果图
图8为本发明实施例提供的a、b两幅无损检测图像受椒盐噪声(10%)干扰时本发明与对比方法的分割结果图;
图9为本发明实施例提供的a、b两幅无损检测图像受椒盐噪声(20%)干扰时本发明与对比方法的分割结果图;
图10为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,本领域技术人员在没有作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。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供了一种无损检测图像的分割方法,如图1所示,本方法的具体步骤包括:
步骤S1:获取待分割的无损检测图像,并分割为多个像素块,构建以像素块为基本单元的像素块矩阵。示例性地,若像素块大小取值为3,则像素块矩阵Nj集合内像素共3*3=9个。
步骤S2:遍历所有像素块,根据位置信息和灰度信息确定像素块内每个像素的权重。通过计算位置信息和灰度信息确定像素块内每个像素的权重,确定分割过程中每个像素所起的作用。
具体地,在一实施例中,确定像素块内每个像素的权重的步骤包括:
步骤S21:根据像素块内像素与中心像素的位置关系,计算位置权重,计算公式为:
wjsd=1/(1+djr)
其中,wjsd为位置信息权重,djr为像素块内像素xr与中心像素xj的位置坐标关系即距离中心像素越远的像素得到的位置权重越小。示例性地,当像素块大小取值为3时,中心像素与上下左右四个方向的邻近像素的djr取值1,中心像素与四个斜向邻近像素的djr取值为20.5。
步骤S22:比较像素块内像素的灰度值和灰度均值,得到灰度值有效的像素作为剩余像素,基于剩余像素计算灰度值权重,计算公式为:
其中,σj是像素块Nj内标准差,在标准差之内表示像素gjr不是噪声或边缘,反之认为是噪声或边缘,为像素块Nj内的灰度均值,gjr为像素xj的灰度值,然后抛弃噪声或者边缘灰度值后再利用剩余灰度值进行计算:
g′jr为像素块Nj内的剩余像素,为剩余像素的均值,cjr为剩余像素的浮动的大小,为浮动均值,w′jpg为剩余像素的灰度值权重;
步骤S23:将像素块内判定为噪声或边缘的像素权重置为0,与像素块内剩余像素的灰度值权重w′jpg组合得到像素块的灰度信息权重wjpg;
步骤S24:基于位置信息权重和灰度信息权重计算每个像素的权重,计算公式为:
其中,wjr为每个像素的权重。
步骤S3:构建表征像素块隶属度的与类大小相反关系表达式。
具体地,在一实施例中,表征像素块隶属度的与类大小相反关系表达式为:
其中,i为类别数(i=1,2,…,c),e为自然指数,a、b为可变参数,s为第s个像素块,uis为第s个像素块属于第i类的隶属度。示例性地,参数a、b分别取值为1、0.4,仅作为举例,不以此为限。
步骤S4:根据像素块和像素的权重,构建像素块类别属性的全局不确定性表达式以及衡量像素块所属类的内部结构特征的局部不确定性表达式。
具体地,在一实施例中,通过构建全局不确定性表达式,加强了类别不明显像素块的影响力,即加强了对目标函数的影响,构建全局不确定性表达式为:
其中,vi表示第i个聚类中心。由所设计的全局不确定表达式aj可以看出,当像素块Nj距离最近的聚类中心越近时,即值越小时,则可以得到愈小的aj,预示着该像素块的类别不确定性愈小,具有更强的类别属性。如图2所示,在某一次迭代情形下的像素块A、B,表1为不同像素块的灰度值。当迭代次数为50时,像素块A的全局不确定值为0.0848,像素块B的全局不确定值为0.1557,不同像素块具有不同的aj值。
表1
具体地,在一实施例中,通过构建局部不确定性表达式,进一步挖掘各个类的内部结构,将内部结构的影响施加至迭代过程中去,提升分割迭代的效果。
构建局部不确定性表达式的步骤包括:
步骤S41:迭代前,对于确定的隶属度进行类别划分:
Ti={Gj|uij>ulj;l=1,2,...,c;l≠i}
其中,Ti为划分为第i类的像素块集合,Gj为像素xj对应的像素块灰度值集合;
步骤S42:计算像素块与聚类中心距离的平均值:
其中,μi为像素块与聚类中心距离的平均值,|Ti|为划分为第i类的像素块个数;
步骤S43:计算划分为第i类像素块的密度:
其中,Ci为第i类像素块的密度;
步骤S44:计算局部不确定性表达式:
Smin=min{Si,i=1,2,..,c}
其中,fi是局部不确定性表达式,Si是Ci的归一化表达。可以看出,如果局部不确定性表达式fi的值较大,则说明属于该类的像素块在空间分布上更紧凑,也就是说,在聚类的过程中,该类的隶属度应比其它类的隶属度具有更高的系数。如图3所示,显示添加高斯噪声(0,0.01)的图像,迭代次数为50时的分割结果,图分两类的结果,目标区域的局部不确定性值为1,背景区域的局部不确定性值为0.6092。
步骤S5:以像素块为基本单元,将与类大小相反关系表达式、全局不确定性表达式和局部不确定性表达式融入模糊C均值目标函数,得到新模糊C均值目标函数模型。
具体地,在一实施例中,新模糊C均值目标函数模型为:
其中,m为模糊因子,λ为全局不确定性系数,λ最优值为0.2。新隶属度uij和新聚类中心vi利用拉格朗日乘子法得到:
其中,vk表示第k类的聚类中心,ukj表示第j个像素块属于第k类的隶属度。
通过构建以像素块为基本单元的、引入全局和局部不确定性的模糊聚类目标函数,由此得到相应的聚类中心和隶属度函数,考虑了更多的影响因素,提高了本发明对无损检测图像的分割精度。
步骤S6:基于迭代的新模糊C均值目标函数模型对图像进行分割,得到分割结果。如图4所示,为本发明一具体实施例的流程示意图。
具体地,在一实施例中,基于迭代的新模糊C均值目标函数模型对图像进行分割,得到分割结果的步骤包括:
步骤S61:构造像素块矩阵并计算每个像素块内像素的权重Wj=(wjr,r∈Nj);
步骤S62:初始化聚类数c=2、模糊因子m=2、迭代次数T=100、终止条件ε=10-4、隶属度矩阵U和聚类中心矩阵V,置计数器t=0;
步骤S63:利用限制项条件最小化目标函数,得到新隶属度和新聚类中心;
步骤S64:计算每个像素块的全局不确定性表达式aj、局部不确定性表达式fi和与类大小相反关系表达式RRCi;
步骤S65:利用新隶属度和局部不确定性表达式fi更新隶属度矩阵U;
步骤S66:利用新聚类中心更新聚类中心矩阵V,利用新的聚类中心矩阵更新全局不确定性表达式aj;
步骤S67:重复计算每个像素块的全局不确定性表达式aj、局部不确定性表达式fi和与类大小相反关系表达式RRCi的步骤,直到t>T或者||Vt-Vt-1||<ε为止;
步骤S68:对所有像素块对应的隶属度去模糊,利用得到像素块Gj的标签,输出分割图像。
通过迭代的形式计算每个像素块的全局不确定性表达式、局部不确定性表达式和与类大小相反关系表达式,在有限迭代次数内得到最高精度的分割图像。
本发明实施例提供的方法考虑了像素块全局不确定性因素,使得类别特征不明显的像素块在分割过程中所起的作用得到提升,并通过局部不确定性来挖掘不同数据类内部的结构特征,能够进一步刻画每一个像素块的不确定性以及引入的局部不确定性模型能够进一步挖掘各个类的内部结构,具有较强的噪声鲁棒性,能够提升像素块的类别属性,衡量不同类别像素块的内部结构,能够有效分割无损检测图像,提高分割精度。
本发明实施例提供了一种无损检测图像的分割装置,如图5所示,该装置包括:
获取模块1,用于获取待分割的无损检测图像,并分割为多个像素块,构建以像素块为基本单元的像素块矩阵;
遍历模块2,用于遍历所有像素块,根据位置信息和灰度信息确定像素块内每个像素的权重;
第一构建模块3,用于构建表征像素块隶属度的与类大小相反关系表达式;
第二构建模块4,用于根据像素块和像素的权重,构建像素块类别属性的全局不确定性表达式以及衡量像素块所属类的内部结构特征的局部不确定性表达式;
融入模块5,用于以像素块为基本单元,将与类大小相反关系表达式、全局不确定性表达式和局部不确定性表达式融入模糊C均值目标函数,得到新模糊C均值目标函数模型;
分割模块6,用于基于迭代的新模糊C均值目标函数模型对图像进行分割,得到分割结果。
本发明实施例提供的装置考虑了像素块全局不确定性因素,使得类别特征不明显的像素块在分割过程中所起的作用得到提升,并通过局部不确定性来挖掘不同数据类内部的结构特征,能够进一步刻画每一个像素块的不确定性以及引入的局部不确定性模型能够进一步挖掘各个类的内部结构,具有较强的噪声鲁棒性,能够提升像素块的类别属性,衡量不同类别像素块的内部结构,能够有效分割无损检测图像,提高分割精度。
本发明实施例提供方法的技术效果可以通过实验进一步说明:
对无损检测图像人为添加不同程度的高斯噪声或椒盐噪声,进一步,单独所添加的高斯噪声是均值为0,归一化噪声为0.01或0.02,表示为(0,0.01)或(0,0.02);单独所添加的椒盐噪声是密度为10%或20%,表示为(10%)或(20%)。用本发明的方法对无损检测图像进行分割,结果如图6-9所示。图6-图7是分别是无损检测图像受高斯噪声(0,0.01)、(0,0.02)干扰时本发明与对比方法的分割结果图,图6、图7中第一列为添加高斯噪声后的待分割图,第二列为用于对比分割效果的标准分割图,第三列至第六列为三种对比方法和本发明的分割结果;图8、图9分别为无损检测图像受椒盐噪声(10%)、(20%)干扰时本发明与对比方法的分割结果图,其中第一列为添加椒盐噪声后的待分割图,第二列为用于对比分割效果的标准分割图,第三列至第六列为三种对比方法和本发明的分割结果。用于对比的方法为CsiFCM(Cluster Size Insensitive fuzzy c-means)、WIPFCM(Weighted ImagePatch-based fuzzy c-means)、IS-FCM(Improved Suppressed fuzzy c-means)。
定量方面,指标G_mean的数值,结果如表2,能够与视觉分割效果形成正向支持,即本发明的指标值比三个对比方法得到的指标值更高。
表2
Image | CsiFCM | WIPFCM | IS-FCM | 本发明 |
图6(a) | 61.46% | 64.19% | 88.48% | 96.63% |
图6(b) | 56.58% | 62.62% | 79.29% | 97.20% |
图7(a) | 51.53% | 55.73% | 73.56% | 95.97% |
图7(b) | 52.49% | 60.33% | 66.42% | 94.58% |
图8(a) | 54.27% | 34.81% | 27.94% | 80.33% |
图8(b) | 84.30% | 65.41% | 87.27% | 92.70% |
图9(a) | 43.48% | 32.60% | 25.40% | 75.39% |
图9(b) | 79.17% | 56.42% | 81.46% | 92.44% |
进一步,G_mean指标表达式为:
其中,TP为真正例,FN为假反例,TN为真反例,FP为假正例。一般地,该指标愈大表示分割效果越好。
从视觉效果上看,如图6-9所示,所对比的CsiFCM、WIPFCM、IS-FCM方法均无法有效进行图像分割,有的方法如CsiFCM方法受到噪声干扰比较严重,有的方法甚至无法显示待分割图像中的目标。本发明实施例提供的方法能够对一定程度的高斯噪声和椒盐噪声形成一定的抑制能力,能够较好地分割出图像中的目标,进而为后续的目标测量和识别奠定基础。
综上所述,无论是在直观上还是从客观数值上,本发明能够对含噪的无损检测图像中的目标进行有效分割,且分割效果接近于图像的标准分割图。
图10示出了本发明实施例中计算机设备的结构示意图,包括:处理器901和存储器902,其中,处理器901和存储器902可以通过总线或者其他方式连接,图10中以通过总线连接为例。
处理器901可以为中央处理器(Central Processing Unit,CPU)。处理器901还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器902作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如上述方法实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器902可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储处理器901所创建的数据等。此外,存储器902可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器902可选包括相对于处理器901远程设置的存储器,这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器902中,当被处理器901执行时,执行上述方法实施例中的方法。
上述计算机设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,实现的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种无损检测图像的分割方法,其特征在于,包括:
获取待分割的无损检测图像,并分割为多个像素块,构建以像素块为基本单元的像素块矩阵;
遍历所有像素块,根据位置信息和灰度信息确定像素块内每个像素的权重;
构建表征像素块隶属度的与类大小相反关系表达式;
根据所述像素块和像素的权重,构建像素块类别属性的全局不确定性表达式以及衡量像素块所属类的内部结构特征的局部不确定性表达式;
以像素块为基本单元,将所述与类大小相反关系表达式、全局不确定性表达式和局部不确定性表达式融入模糊C均值目标函数,得到新模糊C均值目标函数模型;
基于迭代的新模糊C均值目标函数模型对图像进行分割,得到分割结果。
2.根据权利要求1所述无损检测图像的分割方法,其特征在于,所述确定像素块内每个像素的权重的步骤包括:
根据像素块内像素与中心像素的位置关系,计算位置权重,计算公式为:
wjsd=1/(1+djr)
其中,wjsd为位置信息权重,djr为像素块内像素xr与中心像素xj的位置坐标关系;
比较像素块内像素的灰度值和灰度均值,得到灰度值有效的像素作为剩余像素,基于剩余像素计算灰度值权重,计算公式为:
其中,σj是像素块Nj内标准差,为像素块Nj内的灰度均值,gjr为像素xj的灰度值,g′jr为像素块Nj内的剩余像素,为剩余像素的均值,cjr为剩余像素的浮动的大小,为浮动均值,w′jpg为剩余像素的灰度值权重;
将像素块内判定为噪声或边缘的像素权重置为0,与像素块内剩余像素的灰度值权重w′jpg组合得到像素块的灰度信息权重wjpg;
基于所述位置信息权重和灰度信息权重计算每个像素的权重,计算公式为:
其中,wjr为每个像素的权重。
7.根据权利要求6所述无损检测图像的分割方法,其特征在于,基于迭代的新模糊C均值目标函数模型对图像进行分割,得到分割结果的步骤包括:
初始化聚类数c、模糊因子m、迭代次数T、终止条件ε、隶属度矩阵U和聚类中心矩阵V,置计数器t=0;
计算每个像素块的全局不确定性表达式aj、局部不确定性表达式fi和与类大小相反关系表达式RRCi;
利用新隶属度和局部不确定性表达式fi更新隶属度矩阵U;
利用新聚类中心更新聚类中心矩阵V,利用新的聚类中心矩阵更新全局不确定性表达式aj;
重复计算每个像素块的全局不确定性表达式aj、局部不确定性表达式fi和与类大小相反关系表达式RRCi的步骤,直到t>T或者||Vt-Vt-1||<ε为止;
8.一种无损检测图像的分割装置,其特征在于,所述装置包括:
获取模块,用于获取待分割的无损检测图像,并分割为多个像素块,构建以像素块为基本单元的像素块矩阵;
遍历模块,用于遍历所有像素块,根据位置信息和灰度信息确定像素块内每个像素的权重;
第一构建模块,用于构建表征像素块隶属度的与类大小相反关系表达式;
第二构建模块,用于根据所述像素块和像素的权重,构建像素块类别属性的全局不确定性表达式以及衡量像素块所属类的内部结构特征的局部不确定性表达式;
融入模块,用于以像素块为基本单元,将所述与类大小相反关系表达式、全局不确定性表达式和局部不确定性表达式融入模糊C均值目标函数,得到新模糊C均值目标函数模型;
分割模块,用于基于迭代的新模糊C均值目标函数模型对图像进行分割,得到分割结果。
9.一种计算机设备,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之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使计算机执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211178111.2A CN115908243B (zh) | 2022-09-23 | 2022-09-23 | 一种无损检测图像的分割方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211178111.2A CN115908243B (zh) | 2022-09-23 | 2022-09-23 | 一种无损检测图像的分割方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115908243A true CN115908243A (zh) | 2023-04-04 |
CN115908243B CN115908243B (zh) | 2023-08-18 |
Family
ID=86496238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211178111.2A Active CN115908243B (zh) | 2022-09-23 | 2022-09-23 | 一种无损检测图像的分割方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908243B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110441823A (zh) * | 2019-08-09 | 2019-11-12 | 浙江财经大学 | 基于多源数据融合的地层对比不确定性可视化方法 |
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 |
CN111932578A (zh) * | 2020-08-12 | 2020-11-13 | 河北地质大学 | 融入类指数抑制因子的像素块聚类无损检测图像分割方法 |
CN113166219A (zh) * | 2018-09-28 | 2021-07-23 | 纪念斯隆-凯特琳癌症中心 | 干细胞衍生的人小神经胶质细胞、制备方法及使用方法 |
-
2022
- 2022-09-23 CN CN202211178111.2A patent/CN115908243B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113166219A (zh) * | 2018-09-28 | 2021-07-23 | 纪念斯隆-凯特琳癌症中心 | 干细胞衍生的人小神经胶质细胞、制备方法及使用方法 |
CN110441823A (zh) * | 2019-08-09 | 2019-11-12 | 浙江财经大学 | 基于多源数据融合的地层对比不确定性可视化方法 |
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 |
CN111932578A (zh) * | 2020-08-12 | 2020-11-13 | 河北地质大学 | 融入类指数抑制因子的像素块聚类无损检测图像分割方法 |
Non-Patent Citations (1)
Title |
---|
HANUMAN VERMA: ""An Improved Intuitionistic Fuzzy C-means Clustering Algorithm Incorporating Local Information for Brain Image Segmentation"", 《APPLIED SOFT COMPUTING》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115908243B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11640678B2 (en) | Method for training object detection model and target object detection method | |
Deng et al. | Imaging-based crack detection on concrete surfaces using You Only Look Once network | |
CN110246112B (zh) | 基于深度学习的激光扫描slam室内三维点云质量评价方法 | |
CN111539908B (zh) | 对样本的缺陷检测的方法及其*** | |
Kim et al. | Automated rebar diameter classification using point cloud data based machine learning | |
US9361702B2 (en) | Image detection method and device | |
Miao et al. | Pixel‐level multicategory detection of visible seismic damage of reinforced concrete components | |
CN110969200B (zh) | 基于一致性负样本的图像目标检测模型训练方法及装置 | |
CN110610143B (zh) | 多任务联合训练的人群计数网络方法、***、介质及终端 | |
CN111626295B (zh) | 车牌检测模型的训练方法和装置 | |
CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
CN106530271A (zh) | 一种红外图像显著性检测方法 | |
US20210182626A1 (en) | Joint detection and description systems and methods | |
US10846559B2 (en) | Image detection method, system and non-volatile computer readable medium | |
CN116228780B (zh) | 基于计算机视觉的硅片缺陷检测方法及*** | |
CN113129311A (zh) | 一种标签优化点云实例分割方法 | |
US20230281350A1 (en) | A Computer Implemented Method of Generating a Parametric Structural Design Model | |
CN113436223B (zh) | 点云数据的分割方法、装置、计算机设备和存储介质 | |
CN114283332A (zh) | 一种模糊聚类遥感影像分割方法、***、终端及存储介质 | |
WO2021217854A1 (zh) | 假阳性过滤方法、装置、设备及存储介质 | |
CN113065593A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
CN115908243B (zh) | 一种无损检测图像的分割方法、装置、设备及存储介质 | |
CN111932578B (zh) | 融入类指数抑制因子的像素块聚类无损检测图像分割方法 | |
CN114202631A (zh) | 一种岩石二次破碎作业中岩石作业面与作业点的确定方法 | |
CN113298869B (zh) | 距离测定方法、装置、计算机设备和存储介质 |
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 |