The invention discloses an image segmentation method and system based on characteristic driven heuristic four color label, which involves the field of computer vision. The method comprises the following steps: using meanshift method to initialize segmentation of the input image; image segmentation of global group initialization after the analysis, the spatial distribution of the initial region, the similarity matrix of the initial segmentation region set as input by AP clustering; relationship between adjacent crack crack algorithm, unnecessary adjacency, the uniform the adjacent area can be labeled as the same color; using heuristic algorithm to adaptively establish four-color labels, internal coloring; combination of MMPC model and GAC model, the establishment of MMPC GAC model, iterative MMPC GAC modeling and MLG optimization, until convergence is reached, get the final color image segmentation. The invention enables the homogeneous adjacent regions to be marked as the same color, and the global consistency is established for the uniform appearance area.
【技术实现步骤摘要】
基于特征驱动启发式四色标签的图像分割方法及系统
本专利技术涉及计算机视觉领域,具体是涉及一种基于特征驱动启发式四色标签的图像分割方法及系统。
技术介绍
图像分割算法大致可分为三类,即无监督方法、半监督方法和监督方法,这三种方法相互关联,边界线不是很清楚。采用无监督方法,进行图像分割,无需人为干预;处理具有粗略先验的图像,例如偶然字幕,用户涂鸦和注释可以视为半监督方法。分割问题本质上是聚类问题,其目的是将像素分组成局部均匀区域。K-means(K均值)、mean-shift(均值偏移)、区域合并、区域分割是基于聚类的方法的典型例子。具体来说,K-means算法是很典型的基于距离的聚类算法,采用距离作为相似性的评价指标,K-means是一种参数化方法,需要先验知识聚类中心的数量;mean-shift、区域合并、区域分割都是非参数方法,不需要对中心数量或特征分布进行假设。除了基于聚类的方法,基于图的方法也受到很大的关注,例如基于图的图像分割、比率切割、归一化切割、平均切割、生成树的分割等。还有一种基于MMPC-GAC(MultiphaseMultiplePiecewiseConstantandGeodesicActiveContour,多相多分段常数和大地测量活动轮廓)模型的无监督图像分割方法。为了提供MLG(MultipleLayerGraph,多层图)的有效优化,并减少优化的近似误差,将四色标签引入优化迭代,以限制MLG在四层内。但是对于具有杂波和复杂结构的图像,由于初始化分割会过度分割,四色标记过程的随机性通常会产生混沌色彩映射,这可能导致慢收敛和令人不满 ...
【技术保护点】
一种基于特征驱动启发式四色标签的图像分割方法,其特征在于,包括以下步骤:S1、使用基于聚类的均值偏移mean shift方法,对输入图像进行初始化分割;对初始化分割后的图像进行全局分组,分析特征空间初始区域的分布,将初始分割的区域集合上的相似矩阵作为亲和度AP聚类输入;采用相邻关系破解算法,破解不必要的邻接,使得均匀相邻区域能够被标记为相同的颜色;S2、采用启发式四色标签算法,自适应地建立内部着色关系;S3、组合多相多分段常数MMPC模型和大地测量活动轮廓GAC模型,建立MMPC‑GAC模型,描述出现不均匀性的目标和背景,迭代进行MMPC‑GAC建模和多层图MLG优化,直到达到收敛,得到最终四色分割图像。
【技术特征摘要】
1.一种基于特征驱动启发式四色标签的图像分割方法,其特征在于,包括以下步骤:S1、使用基于聚类的均值偏移meanshift方法,对输入图像进行初始化分割;对初始化分割后的图像进行全局分组,分析特征空间初始区域的分布,将初始分割的区域集合上的相似矩阵作为亲和度AP聚类输入;采用相邻关系破解算法,破解不必要的邻接,使得均匀相邻区域能够被标记为相同的颜色;S2、采用启发式四色标签算法,自适应地建立内部着色关系;S3、组合多相多分段常数MMPC模型和大地测量活动轮廓GAC模型,建立MMPC-GAC模型,描述出现不均匀性的目标和背景,迭代进行MMPC-GAC建模和多层图MLG优化,直到达到收敛,得到最终四色分割图像。2.如权利要求1所述的基于特征驱动启发式四色标签的图像分割方法,其特征在于:步骤S1具体包括以下步骤:使用meanshift算法初步分割输入的图像,得到初步分割区域集合R,R是一个分割成若干个区域的集合,R={ri或rj},i、j为正整数,其中ri、rj为区域序号,Aij为初始相邻矩阵,当区域ri和rj相邻时,Aij=1,否则为0;Sij为初步分割区域集合R上的相似矩阵;采用相邻关系破解算法,该算法输出的破裂相邻矩阵为Aij’,初始化使Aij’=Aij,使用AP聚类破解相似矩阵Sij不必要的邻接,使得均匀相邻区域能够被标记为相同的颜色。3.如权利要求2所述的基于特征驱动启发式四色标签的图像分割方法,其特征在于:步骤S1中,如果ri和rj属于同一个集群,则通过重置Aij’=0,来更新相邻矩阵。4.如权利要求2所述的基于特征驱动启发式四色标签的图像分割方法,其特征在于:步骤S2具体包括以下步骤:采用启发式四色标签算法,初始化相邻矩阵Aij、彩色区域集合Cl,彩色区域集合Cl初始化阶段为空集,初始化着色标签可用颜色指示符ali=1,颜色顺序oli=l,其中l为四种不同的颜色标签之一,i为对应的区域;从左到右,从上到下对区域ri进行编号,然后根据编号顺序进行着色;在分配并将第一区域推入彩色区域C1之后,从第二区域开始着色循环;在向区域ri分配颜色之前,首先评估区域ri和所有着色区域集合Cl之间的特征距离dli,根据特征距离dli按升序排列候选颜色,颜色标签l的顺序将被存储在oli中,为均匀区域提供一致的颜色;根据oli尝试所有颜色,一旦当前颜色标签l满足“可用”:ali=1和相邻约束:Ai,j<i≠1时,区域将被分配颜色标签l;然后,将ri推入彩色区域Cl,此时设定ali=0,将区域ri的颜色标签l标记为不可用,转向下一个区域;如无满足颜色,重新着色上一个区域。5.如权利要求4所述的基于特征驱动启发式四色标签的图像分割方法,其特征在于:步骤S3具体包括以下步骤:对输入的源图像I进行迭代循环,实现MMPC-GAC建模和MLG优化,将具有相同颜色或相同颜色标签l的区域、像素作为一个相位Pl,标签函数p是源图像I的像素;将每个相位分组到具有K均值K-means的子相位中,计算多分段常数函数;采用MLG方法迭代求解多阶段优化问题,得到像素标记,分段常数不再改变或迭代次数达到上限时,迭代结束,得到最终四色分割图像。6.一种基于特征驱...
【专利技术属性】
技术研发人员:刘李漫,刘海华,谌先敢,
申请(专利权)人:中南民族大学,
类型:发明
国别省市:湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。