图像分割方法、图像处理设备及系统技术方案

本发明专利技术公开了一种图像分割方法，该方法包括：分别利用多个模糊神经网络对输入图像进行分割，获得每个模糊神经网络对输入图像的分割结果；将所述多个模糊神经网络对输入图像的分割结果进行融合处理。本发明专利技术同时公开一种图像处理设备和图像处理系统。采用本发明专利技术可以提高提高图像分割的精度，获得更好的分割结果；利用模糊技术的优点，更好的集成各个模糊神经网络对输入图像的分割结果。

【技术实现步骤摘要】

本专利技术涉及图像处理
，尤其涉及图像分割方法、图像处理设备及系统。
技术介绍
图像分割是获得图像信息的重要途径，是进行图像理解的基础，是图像工 程技术的重要问题。模糊神经网络是模糊技术与人工神经网络技术相结合的产 物，是人工智能的一个热点研究领域，在人脸识别、语音识别、图像处理等诸 多方面有着广泛的应用，是解决图像分割问题的理想工具。由于模糊神经网络受网络参数设置的影响较大，目前在现有技术中一般采 用 一个神经网络对图像进行分割，并且设置一组网络参数对分割进行控制。专利技术人在实现本专利技术的过程中，专利技术现有技术存在如下不足之处 现有技术中仅采用 一个神经网络对图像进行分割，仅设置一组网络参数对 分割进行控制，参数设置的不好，图像分割的结果就可能不理想，但是这些参 数不好设置，几乎不可能得到很好的参数，使得分割算法受到参数设置的限制 很大，算法的优势难以充分发挥，分割精度不高，分割的效果有待进一步提高。
技术实现思路
本专利技术实施例提供一种图像分割方法、图像处理设备及系统，用以提高提 高图像分割的精度，获得更好的分割结果；利用模糊技术的优点，更好的集成 各个模糊神经网络对输入图像的分割结果。本专利技术实施例提供一种图像分割方法，该方法包括分别利用多个才莫糊神经网络对输入图像进行分割，获得每个模糊神经网络对输入图像的分割结果；将所述多个模糊神经网络对输入图像的分割结果进行融合处理。本专利技术实施例还提供一种图像处理设备，包括分割模块，用于分别利用多个模糊神经网络对输入图像进行分割，获得每 个模糊神经网络对输入图像的分割结果；融合模块，用于将所述多个模糊神经网络对输入图像的分割结果进行融合 处理。本专利技术实施例还提供一种图像处理设备，包括隶属度矩阵建立单元，用于根据每个模糊神经网络对输入图像进行分割后 输入图像中所有像素点的隶属度，建立输入图像中所有像素点的隶属度矩阵；平均互信息获取单元，用于根据所述隶属度矩阵、输入图像中的像素点数 目、输入图像的类别数目、分割所采用的模糊神经网络数目，获得每个模糊神 经网络的平均互信息；融合后隶属度获取单元，用于根据所述隶属度矩阵、平均互信息，获得所 述多个模糊神经网络对输入图像的分割结果进行融合后输入图像中所有像素 点的隶属度；像素点类别获取单元，用于将所述多个模糊神经网络对输入图像的分割结 果进行融合后输入图像中所有像素点的隶属度进行加权处理，获得输入图像中 每个像素点的类别；融合处理单元，用于按输入图像中每个像素点的类别对输入图像进行融合 处理。本专利技术实施例中，分别利用多个模糊神经网络对输入图像进行分割，获得 每个模糊神经网络对输入图像的分割结果；将所述多个模糊神经网络对输入图 像的分割结果进行融合处理，可以针对每个模糊神经网络设置一组参数，在设 置多组参数的基础上，利用融合技术得到一个最终的分割结果，与现有技术中 单独使用 一个模糊神经网络进行图像分割的技术方案相比，可以提高图像分割的精度，减小参数设置对分割结果的影响，获得更好的分割结果。将所述多个模糊神经网络对输入图像的分割结果进行融合处理时，利用了 模糊技术的优点，可以更好的集成各个模糊神经网络对输入图像的分割结果。附图说明图1为本专利技术实施例中对图像进行分割时的处理流程图； 图2为本专利技术实施例中将多个模糊神经网络对输入图像的分割结果进行融 合处理的流程图3A、图3B、图3C、图3E、图3F为本专利技术实施例中图像处理系统的结 构示意图3D为本专利技术实施例中融合模块的结构示意图； 图4为本专利技术实施例中图像处理设备的结构示意图。具体实施例方式下面结合说明书附图对本专利技术实施例进行详细说明。如图l所示，本专利技术实施例中，对图像进行分割时的处理流程如下步骤ll、分别利用多个模糊神经网络对输入图像进行分割，获得每个模糊神经网络对输入图像的分割结果。步骤12、将多个模糊神经网络对输入图像的分割结果进行融合处理。 一个实施例中，在步骤11之前，可以对输入图像进行预处理，预处理可以包括平滑、滤波去噪、设置输入图像的类别数目K、分割所采用的模糊神经网络数目M其中之一或任意组合。一个实施例中，步骤11之前还可以设置每个模糊神经网络的初始参数。 分割所采用的多个模糊神经网络可以是完全不同的模糊神经网络，使用不同的模糊聚类算法，其中对每个模糊神经网络选择相同或不同的初始化参数。分割所采用的多个模糊神经网络也可以同一种模糊神经网络，使用同一种模糊聚类算法，但需对每个模糊神经网络选择不同的初始化参数，总之，需要保证 这M种模糊聚类算法不完全相同，本文仅以使用同一种模糊聚类算法、对每个模糊神经网络选择不同的初始化参数为例进行说明。一个实施例中，设置的初始参数可以是学习速率，也可以是步长。 可以使用多种模糊神经网络，如模糊自组织特征映射网络、模糊BP (Back-Propogation,反向4专4番)网纟各等。一个实施例中，可以分别利用多个模糊神经网络对输入图像中每个像素点的颜色分量、所在位置进行处理，获得每个模糊神经网络对输入图像进行分割后输入图像中所有像素点的隶属度。实施中，可以将输入图像中每个像素点表示为一个五维向量[凡G，万J，W作 为模糊神经网络的输入，输入到各个模糊神经网络中，输出得到每个模糊神经 网络对输入图像进行分割后输入图像中所有像素点的隶属度。其中，及，G，S分 别代表该像素点的红色、绿色、蓝色分量值，^少代表该像素点在输入图像中 的位置，输入图像中第z'个像素点属于分割结果中的第7个类别的隶属度为A(x'),即第Z个像素点属于第J'个类别的可能性。如图2所示， 一个实施例中，将多个模糊神经网络对输入图像的分割结果 进4亍融合处理的流#呈如下步骤21 、根据每个模糊神经网络对输入图像进行分割后输入图像中所有像 素点的隶属度，建立输入图像中所有像素点的隶属度矩阵。实施中，隶属度矩 阵可以表示为W化)]"w, ^U，…,M，其中N表示图像中像素点的数目。步骤22、根据隶属度矩阵、输入图像中的像素点数目、输入图像的类别数 目、分割所采用的模糊神经网络数目，获得每个模糊神经网络的平均互信息。 平均互信息指示各个模糊神经网络对输入图像的分割结果包含与多个模糊神 经网络中其它模糊神经网络相同或不同的数据信息的数量。实施中，可以按如下公式计算每个模糊神经网络的平均互信息^:丸的值越大，表示第i个神经网络的分割结果所包含的与其他神经网络的 不同的信息就越少，则该神经网络的对于融合结果的贡献越小。步骤23、根据隶属度矩阵、平均互信息，获得多个模糊神经网络对输入图像的分割结果进行融合后输入图像中所有像素点的隶属度。实施中，可以按如下公式计算融合后输入图像中所有像素点的隶属度 "乂、'台①，，z、l,2，…,7V， 7. = 1,2,...，〖步骤24、将多个模糊神经网络对输入图像的分割结果进行融合后输入图4象 中所有像素点的隶属度进行加权处理，获得输入图像中每个像素点的类别。实施中，输入图像中像素点《的类别可以表示为c(x,.)二argmax(A.(Xj》乂步骤25、按输入图像中每个像素点的类别对输入图像进行融合处理。图2所示流程利用了模糊技术对将多个模糊神经网络对输入图像的分割结 果进行融合处理，每个像素点属于哪个类别是用概率来表示的，相对于一般本文档来自技高网...

【技术保护点】
一种图像分割方法，其特征在于，该方法包括：分别利用多个模糊神经网络对输入图像进行分割，获得每个模糊神经网络对输入图像的分割结果；将所述多个模糊神经网络对输入图像的分割结果进行融合处理。

【技术特征摘要】

【专利技术属性】
技术研发人员：王磊，
申请(专利权)人：北京中星微电子有限公司，
类型：发明
国别省市：11[中国|北京]