<th id="nb95r"><meter id="nb95r"><dfn id="nb95r"></dfn></meter></th>
    <nobr id="nb95r"><menuitem id="nb95r"><var id="nb95r"></var></menuitem></nobr>

    <listing id="nb95r"><meter id="nb95r"></meter></listing>
    <thead id="nb95r"><meter id="nb95r"></meter></thead>
    <font id="nb95r"><meter id="nb95r"></meter></font>
    <sub id="nb95r"><menuitem id="nb95r"></menuitem></sub>

    <sub id="nb95r"><meter id="nb95r"><dfn id="nb95r"></dfn></meter></sub>

      <thead id="nb95r"></thead>

      <sub id="nb95r"><meter id="nb95r"><cite id="nb95r"></cite></meter></sub>

      新闻?#34892;?/h2>

      EEPW首页 > 设计应用 > 基于图像的目标区域分割算法研究

      基于图像的目标区域分割算法研究

      作者:杨顺波 龙永红 姚佳成 向昭宇时间:2019-01-29来源:电子产品世界收藏

      作者 杨顺波,龙永红,姚佳成,向昭宇(湖南工业大学 电气与信息工程学院,湖南 株洲 421007)

      本文引用地址:http://www.ytvs.tw/article/201901/397276.htm

        摘要:通常在进行图像处理时,并不需要对整幅图像进行处理,往往我们?#34892;?#36259;的部分只有图像中的某个区域。快速、?#34892;?#22320;将目标区域分割出来,不仅能降低运行时间,而且能为后续处理工作打下基础。因此,本文将对目标区域分割算法进行研究,分别采用(OTSU)、进行研究,通过实验对比发现,背景?#31995;?#19968;时,相对来说效果较好。

        关键词;;;

        0 引言

        随着人工智能技术的兴起,无论是工业上还是生活上,人们对智能化的要求变得越来越高。那么对于生产一个智能化的产品而言,它首先应该考虑到问题就是要感知外部世界,目前感知外部世界主要有基于视觉、红外、雷达、温度等传感器以及各传感器混合使用的方法。当背景较为单一时,基于视觉的方法效果较好,而且价格也便宜。

        然而,大多数情况下,我们并不需要整幅图像的所?#34892;?#24687;,我们?#34892;?#36259;的区域[1](ROI, Region of Interest)只是图像中的一部分。为提高后续处理的效率,本文将对大津法[2](OTSU)、[3]、分水岭方法[4]进行研究,通过实验比较三者之间的优劣,为更好的改善区域分割算法打下基础。

        1 OTSU算法研究

        1.1 OTSU算法的阈值分割

        OTSU最早是在1979年被提出来,借助灰度直方图,通过阈值的方式将图像进行分类,然后计算各类之间的方差,选取使类间方差最大时阈值作为最优阈值。本文实验的对象背景单一,只需要进行单阈值就能将目标区域从图像中分割出来。下面将重点分析OTSU算法的阈值分割。

        原理分析如下:设图像有L个灰度级,ni为第个灰度级所包含的像素个数,N为总的像素个数,则有,Pi为第i个灰度级出现的概率,表示为,则有。设定一个阈值t,将图像按灰度级划分为C0和C1两类,其中。用w0,w1分别表示C0,C1两类的概率分布。

      0.5.jpg

        其中分别表示类间方差、类内方差和总方差,具体表示如下:

      0.6.jpg

        此时,问题转化为如何寻找一个最优t,使得三个判别函数最大。由于0.7.jpg,因此a,b,g之间的关系式可以转换为:

      0.8.jpg

        由上式可知,三个判别函数单调性一致,又因为能快速计算且与t无关。因此将作为分析对象最为简单,又,所以能进一步简化分析函数,即将作为分类判别函数:

        0.9.jpg

        其中0.10.jpg

        假设最佳时的阈值为t*,则有:

      0.11.jpg

        由于本文实验对象背景单一,只需要借助一维灰度直方图就能很好实现分割,且不需要考虑像素空间位置等其它信息。因此,这里只对一维大津阈值法进行介绍,不对二维阈值方法进行介绍。

        1.2 改进型OTSU算法

        Otsu算法最关键的部分在于找一个合适的阈值t。t值过大,会丢失部分目标点;t值过小,则会产生一些伪目标点。可见,t值过大、过小都会影响目标区域分割效果,进而为后面处理带来影响。

        鉴于上文分析的基础上,对Otsu算法进一步改进。Otsu算法的基本原理是使得分割出来的类间距离较大,而类内之间尽可能保持一定的聚合性,也就是各类中像素与类?#34892;?#20043;间的距离尽量较小。根据以上要求,可以假设一个满足上述要求的公式,即与各类之间的均值距离差成正比,与各类内间距离之?#32479;?#21453;比。?#27604;?#26368;大时,此时的t就为所求的最佳阈值。表达式如下:

        0.12.jpg

        其中P0(t),PB(t)分别为目标,背景均值d0(t),d1(t),分别为目标、背景平均方差:

      0.13.jpg

        最佳阈值t对应X(t)取最大值时的t。分别对四个方向图像进行处理,结果如图1所示。

      nEO_IMG_1.jpg

        2 K-means聚类分割法

        2.1 K-means算法分析

        K-means算法是由Macqueen在1967年提出的,?#19988;?#31181;具有无监督学习性能的聚类算法。由于K-means算法简单、易于实现,且对规模较大的数有很好的聚类分割效果,因此,受到中外学者广泛使用,并对它进行不断改进。其核心思想在于对每个类进行反复迭代运算,直?#38477;?#20195;结果满足一个稳定值。该算法对连续型数据处理效果较好,对离散型数据处理效果不是很理想。

        K-means算法实现的是内类相似最大化,类间相似最小化,与Otsu算法正好相反,Otsu算法是使内类达到方差最小化,内类方差最大化。K-means算法同时也存在着不足,在执行此算法时,首先需要选取初始聚类?#34892;模?#36824;需要确定聚类数目(算法中的k值)和算法需要迭代的?#38382;?#22914;果所选初始?#34892;?#20026;噪声点或离散点,则算法很容易陷入局部聚类最优值。当处理数据较大时,也易导致聚类时间延长,为此,又提出来很多改进K-means算法。Huifeng Cheng等人通过颜色转换将RGB图转换成HIS图,初始聚类?#34892;?#20197;及初始聚类数通过平均方差确定,进行K-means算法聚类之后,利用粗糙集理论将彩色成分快速自动地分割出来。Shiv Ram Dubey等人根据水果颜色特征,提出了K-means无监督缺陷分割方法,该方法?#19988;?#31181;二维聚类法,利用了水果的颜色信息和空间信息进行聚类。该方法的一大优点是:能将分好的小区域合并成较大的区域,减少了算法处理时间。

        2.2 K-means算法流程

        K-means算法流程图如图2所示。

      1549695081795237.jpg

        ①随机从数据样本n中取k个数据作为初始聚类?#34892;?

        ②对数据样本n中的每个数据进行分类,以距离最小为依据,将每个数据与初始聚类?#34892;?#35745;算,将数据归为距离最小的?#19988;?#31867;;

      0.14.jpg

        ③对新形成聚类中的数据不断的求均值,将得到的均值作为聚类?#34892;?

        ④若每次更新得到的均值不收敛,则返回第2步,以当前均值为聚类?#34892;?#37325;新计算,直到均值收敛为止,此时均?#23548;?#20026;聚类?#34892;?

        ⑤得到k个聚类类别。

        2.3 K-means算法最佳判别函数

        设数据集为,其中xi表示由d维特征组成的向量。K-means算法将数据集划分为k类,形成聚类集,设第Ck个类对应的聚类?#34892;?#20026;mk,定义数据点到?#25105;?#32858;类?#34892;膍k的距离为:

        0.15.jpg

        则所有在Ck类中的数据点与聚类?#34892;膍k之间的距离之和可表示为:

      0.16.jpg

        上式为单个聚类集判别函数。那么将各聚类集的最小欧式距离求和一次,便得到了整个数据集的最小欧式距离,也即K-means算法的最佳判别函数:

      0.17.jpg

        上式中0.18.jpg。显然,要使J最小,则应满足J对?#25105;?#32858;类?#34892;?#27714;偏导为0,即:

        0.19.jpg

        式中0.20.jpg,因此可以看出J最小时,聚类?#34892;?#20026;各类内样本数据的平均值,此时能得到最好的聚类效果。取不同k值时,结果如图3所示。

      1549695100946667.jpg

        3 分水岭分割法

        3.1 分析

        分水岭法[8]算最早是Digabel和Lantuejoul等人将其引入数字图像处理,该算法?#19988;恢只?#20110;数学形态学的分割方法。起初由于该算法被用于图像的二值化,并没有引起研究人员的广泛关注,后来Vincent和Soille等人将像素灰度值看成地形高度值,模拟水浸没过程实现分水岭算法,此后该算法的优势便得以显现,同时受到学者们的广泛关注。

        基于浸水型的分水岭算法是模拟底部浸水过程,渐渐浸水直到?#19994;?#30446;标物边缘。它是将图像灰度值看成地面点高度值,因此灰度图像就可以看成一幅上下起伏的地形图。每个“积水盆地”之间的“山脉”被称为“分水岭?#20445;?#28024;水型分水岭算法实现原理如下:

        ①在各“积水盆地”最低点处刺孔;

        ②将水通过孔洞缓缓注入“积水盆地”;

        ③随着水慢慢的涌入,水位渐渐上升,当水即将漫过盆地进入其它盆地时,在此即为该盆地的分水岭;

        ④当水位即将漫过深度最深的盆地时,所有的盆地浸水过程结束,即实现的分水岭操作。

        ?#27604;唬?#36825;只是分水岭算法最基本的步骤。由于该算法对噪声相当敏感,极易引起过分割,因此有必要在进行分水岭算法之前对图像滤波处理;同时分水岭算法自身就存在着?#29616;?#30340;过分割,该算法处理后会产生若干个非必要区域,?#29616;?#24433;响处理效果,因此在处理之后加上一个合并操作,将相似区域进行合并,减少分割区域。浸水型分水岭算法流程图如图4所示。

      nEO_IMG_4.jpg

        3.2 改进型分水岭分割算法

        由于分水岭算法存在一些不足(噪声敏感、过分割等),对此,人们开始着手研究其改进算法。改进的算法重点考虑如何很好的解决图像过分割现象。研究发现,基于标记理论的分水岭算法能?#34892;б种?#36807;分割现象。与传统的分水岭算法相比,该算法预先标记极小值(像素)点,较好的?#31181;?#20102;图像过分割。从本质上看,是利用一种先验知识来解决过度分割的问题。

        基于标记的分水岭算法实现步骤:

        ①对图像进行去噪处理;

        ②对图像进行梯度处理,计算处理后图像中各“积水盆地”位置;

        ③使用imextendedmin函数获得标记符;

        ④使用watershed函数对标记好的图像进行分割处理;

        ⑤合并过分割区域。

        传统方法与改进方法处理效果如图5所示。

      1549695136796451.jpg

        4 实验结果与分析

        上述实验均是基于VS2015+Opencv3.1.0实验平台。根据图1可以看出,对四个不同方向图像处理后,随着相机与目标物之间夹角的增大,分割出来的目标物偏差也在增大。误分割主要是发生在两个侧面,侧面光线较暗,算法处理时两个侧面部分被当作背景,没有分割出来。根据图3有:取不同的k值进行实验,k值较小时处理效果较好。这也与本实验所处的场景相吻合,即背景单一,聚类?#34892;?#23569;,所需k值小。同时随着k值的增大,算法处理时间也有相应延长。根据图5有:改进的分水岭算法较传统算法有了较大提高,基于标记的分割法对分水岭算法的过分割现象有很好的?#31181;?#25928;果。相关实验数据如表1所示,其中OTSU算法取a图数据,K-means算法取k=2时的数据。

        nEO_IMG_b1.jpg

        5 结论

        通过对三种不同的分割算法进行比较,当背景区域较为单一时,大津阈值法相对来说效果较好。但是,图像的背景往往都比较复杂,因此十分有必要对背景较复杂的图像进行研究。接下来的研究工作的重点是对复杂背景下图像分割算法分析与改进。

        参考文献

        [1]吕欣然,陈洁,张立保,等.基于显著特征聚类的遥感图像?#34892;?#36259;区域检测[J].光学学报,2015,35(A01):103-108.

        [2]曹亮.基于 Otsu 理论的图像分割算法研究[D].武汉:武汉理工大学,2008.

        [3]刘小丹,牛少敏.一?#25351;?#36827;的 K—means 聚类彩色图像分割方法[J]. 湘潭大学自然科学学报, 2012, 34(2): 90-93.

        [4]王宇,陈殿仁,沈美丽,等.基于形态学梯度重构和标记提取的分水岭图像分割[J].中国图象图形学报, 2008, 13(11): 2176-2180.

        [5]Patel B C, Sinha D G R. An adaptive K-means clustering algorithm for breast image segmentation[J]. International Journal of Computer Applications, 2010, 10(4): 35-38.

        [6]Paul T U,Bandhyopadhyay S K. Segmentation of Brain Tumor from Brain MRI Images Reintroducing K–Means with advanced Dual Localization Method[J]. International Journal of Engineering Research and Applications (IJERA), 2012, 2(3): 226-231.

        [7]王雪光,?#29575;?#32418;.基于K均值聚类的成熟草莓图像分割算法[J].农机化研究, 2013, 35(6): 51-54.

        [8]孙惠杰,邓廷权,李艳超.改进的分水岭图像分割算法[J].哈尔滨工程大学学报,2014, 35(7): 857-864.

        [9]Soille B V. Watershed in Digital Spaces: An Efficient Based on Immersion Simu-lations[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1991,13(6) : 583–598.

        [10]郭昱杉,刘庆生,刘高焕,等.基于标?#24378;?#21046;分水岭分割方法的高分辨率遥感影像单木树冠提取[J].地球信息科学学报, 2016,18(9):1259-1266.

      本文来源于科?#35745;?#21002;《电子产品世界》2019年第2期第64?#24120;?#27426;迎您写论文时引用,并注明出处



      评论


      相关推荐

      技术专区

      关闭
      v98彩票是不是骗局

        <th id="nb95r"><meter id="nb95r"><dfn id="nb95r"></dfn></meter></th>
        <nobr id="nb95r"><menuitem id="nb95r"><var id="nb95r"></var></menuitem></nobr>

        <listing id="nb95r"><meter id="nb95r"></meter></listing>
        <thead id="nb95r"><meter id="nb95r"></meter></thead>
        <font id="nb95r"><meter id="nb95r"></meter></font>
        <sub id="nb95r"><menuitem id="nb95r"></menuitem></sub>

        <sub id="nb95r"><meter id="nb95r"><dfn id="nb95r"></dfn></meter></sub>

          <thead id="nb95r"></thead>

          <sub id="nb95r"><meter id="nb95r"><cite id="nb95r"></cite></meter></sub>

            <th id="nb95r"><meter id="nb95r"><dfn id="nb95r"></dfn></meter></th>
            <nobr id="nb95r"><menuitem id="nb95r"><var id="nb95r"></var></menuitem></nobr>

            <listing id="nb95r"><meter id="nb95r"></meter></listing>
            <thead id="nb95r"><meter id="nb95r"></meter></thead>
            <font id="nb95r"><meter id="nb95r"></meter></font>
            <sub id="nb95r"><menuitem id="nb95r"></menuitem></sub>

            <sub id="nb95r"><meter id="nb95r"><dfn id="nb95r"></dfn></meter></sub>

              <thead id="nb95r"></thead>

              <sub id="nb95r"><meter id="nb95r"><cite id="nb95r"></cite></meter></sub>