通用型图像分割方法技术

本发明专利技术公开了一种通用型图像分割方法，该方法将图像分割问题看作量子系统演化问题，通过将图像的每个像素与一个量子位系统相对应，将量子动力学演化机制引入到图像分割中。通过对像素特征值进行一系列处理，快速建立像素特征值与支配量子位演化的哈密顿算子之间的最佳函数关系。然后通过每个像素的特征值构造支配该像素量子位演化的哈密顿算子，并将哈密顿算子作用到像素量子位，得到其最终稳定量子态，再对每个像素量子位的最终稳定态执行阈值判断，得到每个像素的像素类别，进而得到最终分割结果。该方法可以快速、准确的分割不同类型的对象，并在噪声干扰环境中仍能保持优秀的性能；该方法适用于单一或批量相似图片的处理，如连续的医学影像或监控视频等。

【技术实现步骤摘要】

本专利技术涉及图像处理
，尤其涉及一种通用型图像分割方法。
技术介绍
图像分割是图像处理领域和计算机视觉中的一个基本而关键的问题。它是将图像分成各具特性的区域并将人们感兴趣的目标(或运动目标)提取出来的过程，可为后续的分析、理解、分类、跟踪、识别、处理等提供基础。图像分割在生物医学图像分析、图像编码、军事目标识别、文档图像处理、指纹与印章鉴定、手写体识别、实时监控系统和视频传输等领域应用非常广泛。作为由图像处理到图像分析的关键步骤，图像分割不仅得到了人们的广泛重视，也在实际中得到了大量的应用。图像分割多年来一直得到人们的高度重视，20世纪就已经提出了上千种不同类型的分割算法。目前主流研究的图像分割方法有：(1)基于阈值的分割方法：阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值相比较，最后将像素根据比较结果分到合适的类别中。该方法特点是计算简单，具有较高的运算效率，缺点是只适用目标区域与背景灰度值相差大的图像，且识别效果差；(2)基于边缘的分割方法：基于边缘的分割技术主要基于图像灰度级的不连续性，通过检测不同均匀区域之间的边界来实现对图像的分割。该方法的特点是运算速度快，具有一定的准确性，缺点是只能在识别灰度值变化大的图像才能保持较高的准确率；(3)基于区域的分割方法：此方法主要是将图像按照相似性准则分成不同区域，其特点是可以处理大部分纹理清晰的图像，效果稳定，缺点是算法复杂，计算时间长，抗噪声能力差，容易造成过度分割；(4)基于图论的分割方法：该方法的本质就是移除特定的边，将图划分为若干子图从而实现分割。该方法的优点是对于目标区域之间性质差异较大的图像处理准确度高，缺点是算法复杂，处理大尺寸图像时，运算时间极长；(5)基于能量泛函的分割方法：其基本思想是使用连续曲线来表达目标边缘，并定义一个能量泛函使得其自变量包括边缘曲线，因此分割过程就转变为求解能量泛函的最小值的过程，一般可通过求解函数对应的欧拉方程来实现，能量达到最小时的曲线位置就是目标的轮廓所在。该方法的优点是可以得到连续的边界轮廓，具有一定的准确性和稳定性，缺点是对初始轮廓较为敏感，如果初始轮廓选取不合适则会影响图像的分割效果甚至造成分割失败，且在分割前需要人为的设置许多模型参数，计算量较大，分割速度较慢等。从上述的比较可以发现，目前传统的图像分割算法中，尚缺少解决多种对象分割问题的通用型算法，且大部分算法不能做到精确性与快速性兼得，精确性稍微好一点的算法，如归一化算法，计算时间都是非常长的，特别是处理大尺寸的图像的情况下。而快速性强的算法，如阈值分割法等对于噪声的抗干扰能力非常差的。所以精确性、快速性、抗噪声、通用性这几个指标的提升一直是目前传统图像分割算法的研究难点。
技术实现思路
本专利技术的目的是提供一种通用型图像分割方法，可以快速、准确的分割不同类型的对象，并在噪声干扰环境中仍能保持优秀的性能；该方法适用于单一或批量相似图片的处理，如连续的医学影像或监控视频等。本专利技术的目的是通过以下技术方案实现的：一种通用型图像分割方法，包括：将待分割处理图片转化为灰度图像；从灰度图像中随机挑选N块图像块组成碎片化的学习模块，并制作学习模块的标准分割参照图；其中，学习模块的大小不超过灰度图像的预定百分比；根据选取的最佳特征值提取方案，提取学习模块中所有像素的特征值，得到特征值序列，并且提取标准分割参照图中每个像素的类别，得到与特征值序列相对应的标准分割参照序列；采用预定的方式分别对特征值序列及标准分割参照序列进行处理后，对特征值序列中的任一个像素特征值X，随机分配一组多项式f(X)的初始系数作为哈密顿算子的常数系数；并根据处理后的特征值序列与标准分割参照序列构造以灵敏度和特异度为变量的总误差函数，通过最速下降法，计算哈密顿算子的常数系数的最佳多项式系数，从而得到哈密顿算子的通用形式；利用哈密顿算子的通用形式并结合量子机制对学习模板进行分割测试，再计算本次分割测试的灵敏度与特异度；若本次分割测试的灵敏度与特异度均合格，则利用哈密顿算子的通用形式并结合量子机制对所述待分割处理图片进行分割。所述学习模块大小不超过灰度图像的10％；若灰度图像的尺寸小于预定值，则N＝1，若灰度图像的尺寸大于预定值，则N≥2。所述标准分割参照图格式是0-1逻辑图像，其大小与学习模块完全一致；标准分割参照图上类别为1的像素点表示在学习模块上相同位置的像素点属于前景类像素；标准分割参照图上类别为0的像素点表示学习模块上相同位置的像素点属于背景类像素。该方法还包括选取最佳特征值提取方案，其步骤包括：随机选择m种类别的特征值，特征值的类别包括：像素灰度值、中值、平均值与图像纹理特征；利用学习模块及其标准分割参照图分别对m种类别的特征值进行测试，计算每种类别特征值在不同大小提取模板的情况下，单独作为提取方案时候的满意度S：a、对于每一种类别的特征值，均利用相应的特征值提取方案提取学习模块所有像素的特征值，得特征值序列；b、提取标准分割参照图中每个像素的类别，得到与特征值序列相对应的标准分割参照序列，其中，所述标准分割参照图中像素的类别包括0与1，像素的类别为0表示背景类像素，像素的类别为1表示前景类像素；c、将特征值序列从小到大进行排序，并根据特征值序列的变动改变标准分割参照序列的顺序；d、统计特征值序列中对应背景或前景类像素的百分比不低于W的相同特征值片段，再统计这些相同特征值片段的特征值总量，并计算这些特征值总量占特征值总量的百分比，计算到的百分比即为满意度S；根据满意度S的大小找到每种类别特征值最优的提取模板，最终得到m种类别特征值的最优提取模板；m种类别的特征值在其最优提取模板的情况下，能够通过不同的权重比系数组合成一种新的特征值，通过数学迭代的方法，寻找到使满意度达到最高的特征值类别最佳权重比系数，利用最佳权重比系数，得到最佳特征值提取方案。采用预定的方式分别对特征值序列及标准分割参照序列进行处理包括：排序处理：将特征值序列从小到大进行排序，并根据特征值序列的变动改变标准分割参照序列的顺序；纠错处理：分别判断排序后的特征值序列中每个相同特征值片段中属于前景类像素的比例是否超过50％，若超过50％，则将相应的特征值片段所对应的标准分割参照序列片段值全部改为1，以表示对应前景类像素；否则改为0，以表示对应着背景类像素；第一次预处理：对纠错后的特征值序列进行预处理，以剔除重复特征值保留互不相同的特征值，并同步处理改变顺序后的标准分割参照序列；第二次预处理：将第一次预处理后的特征值序列划分成特征值片段，每个特征值片段中的特征值都是相连的，且在标准分割参照序列中对应着相同的像素类别；每个特征值片段只保留段首的特征值作为起点，下一段特征值片段段首的特征值作为特征值片段的终点；第一段特征值片段没有起点，最后一段特征值片段没有终点；剪切处理：若第二次预处理后特征值序列中某个特征值的值既小于前一个特征值加剪切精度指标R，又大于后一个特征值减去剪切精度指标R，则判断该特征值为错误分类特征值，做剔除处理，并同步剔除错误特征值在标准分割参照序列中对应的值。所述随机分配一组多项式f(X)的初始系数包括：设置多项式f(X)的多项式阶次n，使得：f本文档来自技高网...

【技术保护点】
一种通用型图像分割方法，其特征在于，包括：将待分割处理图片转化为灰度图像；从灰度图像中随机挑选N块图像块组成碎片化的学习模块，并制作学习模块的标准分割参照图；其中，学习模块的大小不超过灰度图像的预定百分比；根据选取的最佳特征值提取方案，提取学习模块中所有像素的特征值，得到特征值序列，并且提取标准分割参照图中每个像素的类别，得到与特征值序列相对应的标准分割参照序列；采用预定的方式分别对特征值序列及标准分割参照序列进行处理后，对特征值序列中的任一个像素特征值X，随机分配一组多项式f(X)的初始系数作为哈密顿算子的常数系数；并根据处理后的特征值序列与标准分割参照序列构造以灵敏度和特异度为变量的总误差函数，通过最速下降法，计算哈密顿算子的常数系数的最佳多项式系数，从而得到哈密顿算子的通用形式；利用哈密顿算子的通用形式并结合量子机制对学习模板进行分割测试，再计算本次分割测试的灵敏度与特异度；若本次分割测试的灵敏度与特异度均合格，则利用哈密顿算子的通用形式并结合量子机制对所述待分割处理图片进行分割。

【技术特征摘要】
1.一种通用型图像分割方法，其特征在于，包括：将待分割处理图片转化为灰度图像；从灰度图像中随机挑选N块图像块组成碎片化的学习模块，并制作学习模块的标准分割参照图；其中，学习模块的大小不超过灰度图像的预定百分比；根据选取的最佳特征值提取方案，提取学习模块中所有像素的特征值，得到特征值序列，并且提取标准分割参照图中每个像素的类别，得到与特征值序列相对应的标准分割参照序列；采用预定的方式分别对特征值序列及标准分割参照序列进行处理后，对特征值序列中的任一个像素特征值X，随机分配一组多项式f(X)的初始系数作为哈密顿算子的常数系数；并根据处理后的特征值序列与标准分割参照序列构造以灵敏度和特异度为变量的总误差函数，通过最速下降法，计算哈密顿算子的常数系数的最佳多项式系数，从而得到哈密顿算子的通用形式；利用哈密顿算子的通用形式并结合量子机制对学习模板进行分割测试，再计算本次分割测试的灵敏度与特异度；若本次分割测试的灵敏度与特异度均合格，则利用哈密顿算子的通用形式并结合量子机制对所述待分割处理图片进行分割。2.根据权利要求1所述的一种通用型图像分割方法，其特征在于，所述学习模块大小不超过灰度图像的10％；若灰度图像的尺寸小于预定值，则N＝1，若灰度图像的尺寸大于预定值，则N≥2。3.根据权利要求1所述的一种通用型图像分割方法，其特征在于，所述标准分割参照图格式是0-1逻辑图像，其大小与学习模块完全一致；标准分割参照图上类别为1的像素点表示在学习模块上相同位置的像素点属于前景类像素；标准分割参照图上类别为0的像素点表示学习模块上相同位置的像素点属于背景类像素。4.根据权利要求1所述的一种通用型图像分割方法，其特征在于，该方法还包括选取最佳特征值提取方案，其步骤包括：随机选择m种类别的特征值，特征值的类别包括：像素灰度值、中值、平均值与图像纹理特征；利用学习模块及其标准分割参照图分别对m种类别的特征值进行测试，计算每种类别特征值在不同大小提取模板的情况下，单独作为提取方案时候的满意度S：a、对于每一种类别的特征值，均利用相应的特征值提取方案提取学习模块所有像素的特征值，得特征值序列；b、提取标准分割参照图中每个像素的类别，得到与特征值序列相对应的标准分割参照序列，其中，所述标准分割参照图中像素的类别包括0与1，...

【专利技术属性】
技术研发人员：吴本伟，匡森，丛爽，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽;34