法律状态公告日
法律状态信息
法律状态
2023-05-16
未缴年费专利权终止 IPC(主分类):G06T 7/187 专利号:ZL2018104325689 申请日:20180508 授权公告日:20200721
专利权的终止
2020-07-21
授权
授权
2018-10-30
实质审查的生效 IPC(主分类):G06T7/187 申请日:20180508
实质审查的生效
2018-10-02
公开
公开
技术领域
本发明涉图像分割技术领域,具体为一种结合邻域信息与距离权重的非参 贝叶斯过分割方法。
背景技术
图像分割作为计算机视觉领域的基本问题,是图像理解的重要组成部分。 与此同时,它在图像处理、模式识别和人工智能等多个领域也扮演了重要角 色。
近年来,过分割体作为一种快速兴起的图像预处理技术被成功应用于图像 分割领域。从本质上讲,过分割就是对图像中的像素进行局部聚类。由于自 然图像非常复杂,而单个像素所包含的信息又非常有限,将图像中的像素聚 为小块,并将其作为后续的处理单元,不仅可以大大提高后续任务的执行效 率,而且过分割体利用像素之间特征的相似程度将像素分组,相比像素可以 获取图像更多的局部信息,因此可以较大的提高后续任务执行效果,在很大 程度上降低了后续图像处理任务的复杂度。不仅如此,由于过分割结果中的每一类中的像素具有相似的颜色、纹理等图像内容信息,从而使得分割结果 可以保持图像中物体的大部分边界,因此在图像处理和计算机视觉领域被广 泛应用。
现有的过分割方法有基于图论的自上而下的全局分割方法;有从初始粗聚 类开始的梯度下降方法;有将图像均匀划分成所需的国风人体作为算法初始 化的边界优化方法;还有由内向外基于水平集的国风人体生成算法;但是上 述方法所生成的过分割结果很大程度上依赖于对图像的初始化以及关键参数 的设置。针对不同的生产、实验需求,现有方法对图像的初始化状态和参数 的设定存在较强的人为主观性。另外,例如自下而上的多尺度分割方法对于 过分割区域对象的分割尺度,形状因子,紧致度因子等参数都需要用户自行 输入以保证分割结果的可靠性。
发明内容
本发明的目的在于提供一种结合邻域信息与距离权重的非参贝叶斯过分 割方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种结合邻域信息与距离 权重的非参贝叶斯过分割方法,该方法包括如下步骤:
首先采集待测区域的全色遥感影像或灰度图像,进行局部直方图特征提 取,获得以每个像素(i)为中心,以一定尺寸的窗口提取的直方图(hi)作 为特征;然后根据所述直方图特征运用采样的方式进行图像聚类,获得过分 割体;
其中所述直方图的横轴为该图像中所有像素的像素值组成的序列;纵轴 为一定尺寸的窗口中各个像素值出现的次数;
最后运用采样的方式,对所述全色影像进行图像聚类,获得全色影像过 分割体,包括:
运用采用第一公式,计算参数向量θi的似然项F(hi|θi);
所述第一公式为:
其中,θij是每个像素i直方图特征中每个横坐标值j出现的概率;hij为 一定尺寸的窗口生成的直方图中各个像素值出现的次数;Ncount为每个直方 图横坐标中记录的数据值的个数;bins为直方图横坐标分组的数目;ZM(hi)为>
采用第二公式,计算参数向量θi的先验项G0(θi|βπ)。
所述第二公式为:
其中,β为正的尺度因子参数,π是一个bins维的概率向量;ZD(βπi)为>ij无关的归一化函数;
采用第三公式,计算每个像素与 周
其中,k=1…,Nc,xi、yi为每个像素的横纵坐标值,xk、yk为每个类聚>
采用第四公式计算,每个类各自的后验概率。
由于
再由于:
所述第四公式为:
与现有技术相比,本发明的有益效果是:该方法能够将全色影像的邻域 信息与非参贝叶斯框架相结合,充分有效的利用全色影像中的空间距离信息 及像素邻域信息,通过采样的方式进行区域的聚类,自动推断出全色影像本 身固有的过分割体数目,不再需要人工经验设置与过分割体有关的算法参数, 提升了影像过分割方法的客观性与科学性。
附图说明
图1为本发明结合邻域信息与距离权重的非参贝叶斯过分割方法的流程 示意图。
图2为本发明结合邻域信息与距离权重的非参贝叶斯过分割方法结果示 意图。
图3为本发明评估过分割结果的指标示意图。
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做 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。
本发明提供一种技术方案:
实施例1:
一种结合邻域信息与距离权重的非参贝叶斯过分割方法,该方法包括如 下步骤:
首先采集待测区域的全色遥感影像或灰度图像,进行局部直方图特征提 取,获得以每个像素(i)为中心,以一定尺寸的窗口提取的直方图(hi)作 为特征;然后根据所述直方图特征运用采样的方式进行图像聚类,获得过分 割体;
其中所述直方图的横轴为该图像中所有像素的像素值组成的序列;纵轴 为一定尺寸的窗口中各个像素值出现的次数;
最后运用采样的方式,对所述全色影像进行图像聚类,获得全色影像过 分割体,包括:
运用采用第一公式,计算参数向量θi的似然项F(hi|θi);
所述第一公式为:
其中,θij是每个像素i直方图特征中每个横坐标值j出现的概率;hij为一>count为每个直方图横>bins为直方图横坐标分组的数目;ZM(hi)为与θij无关的归一化函数;
采用第二公式,计算参数向量θi的先验项G0(θi|βπ)。
所述第二公式为:
其中,β为正的尺度因子参数,π是一个bins维的概率向量;ZD(βπi)为与>ij无关的归一化函数;
采用第三公式,计算每个像素与 周
其中,k=1…,Nc,xi、yi为每个像素的横纵坐标值,xk、yk为每个类聚类>
采用第四公式计算,每个类各自的后验概率。
由于
再由于:
所述第四公式为:
实施例2:
根据实施例1所述的结合邻域信息与距离权重的非参贝叶斯过分割方法, 如图1所示,本实施例的融合全色影像和多光谱影像的分类方法如下,所述 采集待测区域的高分辨率遥感影像。
应理解的是,通过卫星采集待测区域的高分辨遥感影像,且该遥感影像 为全色影像。
对所述全色影像进行逐像素类别标注,获得初始化影像。
应理解的是,对全色影像进行逐像素的类别标注,获得全色影像的初始 化聚类结果,具体的,采用给每个像素标注为不重复类别的方式,对全色影 像进行标注,获得全色影像的N个过分割体,其中,N为全色影像的像素个 数。
还可以理解的是,对全色影像进行划分处理,将每个像素视为一个过分 割体,为后续获得过分割体进行预处理。
对所述全色影像进行局部直方图的特征提取,确定观测值。
应理解的是,对全色影像进行逐像素遍历,同时提取一定尺寸窗口中的 灰度值并统计其出现频数,确定关于每个像素及其邻域的局部直方图。
还可以理解的是,对全色影像每个像素的8邻域进行灰度值的统计,实 现将单一灰度值扩展,得到为以局部直方图为形式的观测向量(hi)。
应理解的是,提取的特征不再是单个像素的灰度值,而是以每个像素为 中心的9个像素组成的观测向量。
根据初始化参数β、π,定义狄里克雷过程(DP,Dirichlet Process), 并根据第一公式采样得到参数向量θi。
其中,第一公式为:
其中,θi是第i个像素局部直方图特征中每个横坐标值j出现的概率。 hi为一定尺寸的窗口生成的直方图中各个像素值出现的次数。β为正的尺度 因子参数,π是一个多维的概率向量。
应理解的是,根据初始化的狄里克雷过程,采样得到参数向量θi。
根据参数β、π,以及观测向量hi,采用第二公式计算每个像素采样得 到新类别的概率q0
其中,第二公式为:
其中,ZD为与参数β、π,以及观测向量hi均无关的归一化函数。α为 小于1的正数,控制每个像素采样得到新类别的概率大小。
应理解的是,q0的大小除了取决于β、π,hi还和α有关。
根据参数β、π,以及观测向量hi,采用第三公式计算每个像素采样得 到邻域中已存在类别k=1,2…,Nc的概率qk。
其中,第三公式为:
其中,nk-i代表属于第k类的样 本个数,dik为每个像素与周边邻域存在类别的聚类中心的距离。
应理解的是,qk是由到聚类中心距离与参数向量θi的似然项F(hi|θi)共 同决定的。
根据q0以及qk,采用第四公式定义类别归属的概率分布Pik
其中,第四公式为:
其中,Nc为邻域中存在的类别个数。
根据类别归属的概率分布Pik,采用第五公式,采样得到每个像素位置的 类别k。
其中,第五公式为:
k:Pik
109、若k=0,则为当前像素创建一个新类别标签,若k≠0,则根据新的 聚类结果,采用第六公式以及第七公式更新聚类中心坐标、聚类参数θk*。
其中,第六公式为:
其中,k=1…,Nc,xi、yi为每个像素的横纵坐标值,xk、yk为每个类聚 类中心的横纵坐标值。
第七公式为:
其中,S为上一次聚类结果所给定的类别。
应理解的是,聚类参数θk*的更新是根据上一次聚类结果给定的类别标 注通过采样得到的。
实验图像:天绘卫星影像,其中,全色影像分辨率为两米。
区域:北京密云,农村,如图2所示的一种天绘卫星拍摄的农村的全色 影像示意图,大小:400*400
对影像过分割的评价方法:
1)边缘召回率:指落在至少一个真值边缘像素点ε距离(通常ε取2个 像素)范围内的过分割体边缘像素点数量与真值边缘像素点总数的比值。一般 来说,边缘召回率越大边缘贴合越好。
2)欠分割错误率:衡量了过分割体区域“溢出”真值区域边界的比例。
3)最佳目标分割准确度:ASA(achievable segmentation accuracy)标准定 义为过分割作为预处理过程可获得的最佳目标分割准确度,是一种从最终分 割结果来“反向”评价超像素的方法。
4)景观破碎度:是景观异质性的重要组成,指景观被分割的破碎程度。
现有技术的对影像分类方法主要为:
(1)基于图论的过分割方法;将分割问题转化为能量函数最小化问题, 将图像中的像素点看作图节点,并赋予节点间的边以权值,而后采用各种分 割准则对图进行划分,从而形成过分割体。
(2)基于梯度的过分割方法;从最初的像素聚类开始,采用梯度法迭代 修正聚类结果直至满足收敛条件,从而形成过分割体。
基于天绘农村区域影像的实验结果如图3所示的一种全色影像过分割结 果示意图。
定性评价结果:首先,基于本发明提出的一种结合像素邻域信息与像素 到聚类中心距离的非参贝叶斯图像过分割方法能够充分利用像素邻域信息以 及距离不同聚类中心的空间信息。
从定量角度看,NBIC表现优于其他方法,本方法得到过分割结 果对应的评估指标最高而错误率低,表示本方法得到的过分割结果和 真实地物边界对应一致程度最高,即过分割精确性最高。
通过本实施例提供的结合像素邻域信息与像素到聚类中心距离的非参贝 叶斯图像过分割方法,能够将全色影像的邻域信息与非参贝叶斯框架相结合, 充分有效的利用全色影像中的空间距离信息及像素邻域信息,通过采样的方 式进行区域的聚类,自动推断出全色影像本身固有的过分割体数目,不再需 要人工经验设置与过分割体有关的算法参数,提升了影像过分割方法的客观 性与科学性。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而 言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行 多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限 定。
机译: 数字医学图像数据的对象例如器官分割方法,涉及通过实现级别记录方法来选择数字医学图像数据集中的对象分割,从而优化贝叶斯表达
机译: 基于贝叶斯峰选择和监测设备的基于贝叶斯峰值选择和相同的监测设备确定方法的方法
机译: 用于生成带有类别贝叶斯层次模型的品牌贝叶斯层次模型的系统和方法