CN113177592B - 一种图像分割方法、装置、计算机设备及存储介质 - Google Patents
一种图像分割方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113177592B CN113177592B CN202110469146.0A CN202110469146A CN113177592B CN 113177592 B CN113177592 B CN 113177592B CN 202110469146 A CN202110469146 A CN 202110469146A CN 113177592 B CN113177592 B CN 113177592B
- Authority
- CN
- China
- Prior art keywords
- calculating
- image
- similarity
- segmentation
- region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003709 image segmentation Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 172
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 238000005295 random walk Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims description 50
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000005192 partition Methods 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 description 22
- 230000006870 function Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000007704 transition Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000005315 distribution function Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种图像分割方法、装置、计算机设备及存储介质，方法包括：获取待分割图像；根据图像特征对所述待分割图像进行聚类分割处理，得到设定数量的初始聚类分割区域；计算各所述初始聚类分割区域之间的区域图像相似度和区域距离权值；根据所述区域图像相似度和所述区域距离权值计算无向图权值；根据所述无向图权值计算随机游走算法的节点分类概率；根据所述节点分类概率对所述初始聚类分割区域再次进行分割，得到目标图像分割结果。本发明实施例的技术方案能够提高图像分割的效率和精度。
Description
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种图像分割方法、装置、计算机设备及存储介质。
背景技术
图像分割是把图像分成多个具有相同特征的区域，并对感兴趣的目标进行提取的技术和过程。图像分割是众多图像处理和计算机视觉系统的重要组成部分，是图像处理与分析中的一个基本问题。
随机游走算法是一种半自动的图像分割算法，并已成功地应用在图像分割领域，它通过计算每个像素到给定像素的概率值来分割图像。
发明人在实现本发明的过程中，发现现有技术存在如下缺陷：现有的随机游走算法中涉及到的图像特征较为单一，且以每个像素为单位进行计算，往往会导致分割结果不理想，图像分割的效率和精度较低。
发明内容
本发明实施例提供一种图像分割方法、装置、计算机设备及存储介质，能够提高图像分割的效率和精度。
第一方面，本发明实施例提供了一种图像分割方法，包括：
获取待分割图像；
根据图像特征对所述待分割图像进行聚类分割处理，得到设定数量的初始聚类分割区域；
计算各所述初始聚类分割区域之间的区域图像相似度和区域距离权值；
根据所述区域图像相似度和所述区域距离权值计算无向图权值；
根据所述无向图权值计算随机游走算法的节点分类概率；
根据所述节点分类概率对所述初始聚类分割区域再次进行分割，得到目标图像分割结果。
第二方面，本发明实施例还提供了一种图像分割装置，包括：
待分割图像获取模块，用于获取待分割图像；
初始聚类分割区域获取模块，用于根据图像特征对所述待分割图像进行聚类分割处理，得到设定数量的初始聚类分割区域；
相似度权值计算模块，用于计算各所述初始聚类分割区域之间的区域图像相似度和区域距离权值；
无向图权值计算模块，用于根据所述区域图像相似度和所述区域距离权值计算无向图权值；
节点分类概率计算模块，用于根据所述无向图权值计算随机游走算法的节点分类概率；
目标图像分割结果获取模块，用于根据所述节点分类概率对所述初始聚类分割区域再次进行分割，得到目标图像分割结果。
第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的图像分割方法。
第四方面，本发明实施例还提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所提供的图像分割方法。
本发明实施例通过待分割图像的图像特征对待分割图像进行聚类分割处理，得到设定数量的初始聚类分割区域，以计算各初始聚类分割区域之间的区域图像相似度和区域距离权值，进而根据区域图像相似度和区域距离权值计算无向图权值，并根据无向图权值计算随机游走算法的节点分类概率，最终根据节点分类概率对初始聚类分割区域再次进行分割，得到目标图像分割结果。由于在利用随机游走算法之前预先对待分割图像进行了初始聚类分割，因此可以提高后续随机游走算法的图像分割效率。同时，根据区域图像相似度和区域距离权值计算得到的无向图权值综合考虑了多种图像特征，从而提高了无向图权值的准确率，进一步提高了随机游走算法的图像分割的准确率，解决现有利用随机游走算法进行图像分割存在的效率和精度较低等问题，提高了图像分割的效率和精度。
附图说明
图1是本发明实施例一提供的一种图像分割方法的流程图；
图2是本发明实施例二提供的一种图像分割方法的流程图；
图3是本发明实施例三提供的一种图像分割方法的流程图；
图4是本发明实施例四提供的一种图像分割装置的示意图；
图5为本发明实施例五提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。
另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
本发明实施例的说明书和权利要求书及附图中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
实施例一
图1是本发明实施例一提供的一种图像分割方法的流程图，本实施例可适用于利用随机游走算法高效地分割图像的情况，该方法可以由图像分割装置来执行，该装置可以由软件和/或硬件的方式来实现，并一般可集成在计算机设备中。相应的，如图1所示，该方法包括如下操作：
S110、获取待分割图像。
其中，待分割图像可以是需要进行分割的图像，只要有分割需求即可，本发明实施例并不对待分割图像的图像类型、大小和尺寸等相关信息进行限定。
S120、根据图像特征对所述待分割图像进行聚类分割处理，得到设定数量的初始聚类分割区域。
其中，图像特征可以是图像中某一种或多种类型的特征，如颜色特征或纹理特征等，本发明实施例对此并不进行限制。设定数量可以根据实际需求设置，如100、300或500等，本发明实施例并不对设定数量的具体数值进行限定。初始聚类分割区域可以是对待分割图像进行初始的聚类分割处理得到的区域。
在本发明实施例中，在获取到待分割图像之后，可以利用待分割图像的图像特征对待分割图像进行初始化的聚类分割处理，以得到设定数量的初始聚类分割区域。可选的，可以根据待分割图像的颜色特征对待分割图像进行初始化的聚类分割处理。
需要说明的是，传统的随机游走算法以图像的像素为基本计算单元，计算复杂度会随着图像尺寸的增加而增加。本发明实施例为了降低随机游走算法的复杂度，首先对待分割图像进行初始化的聚类分割处理可以将整个待分割图像进行初步的分割，以将初始聚类分割区域作为随机游走算法的基本计算单元，从而降低了随机游走算法的复杂度，提高利用随机游走算法进行图像分割的效率。
S130、计算各所述初始聚类分割区域之间的区域图像相似度和区域距离权值。
S140、根据所述区域图像相似度和所述区域距离权值计算无向图权值。
其中，区域图像相似度可以是各初始聚类分割区域之间的图像相似度。区域距离权值可以是各初始聚类分割区域之间的距离的权值。无向图权值可以是无向图中边的权值，可选的，待分割图像的像素作为图的节点，相邻像素的四邻域或者八邻域关系定义无向图的边。无向图可以被随机游走算法所应用进行图像分割。
随机游走算法可以利用无向图进行计算，实现将数字图像与图论相结合，把图像分割问题转化为图中带权边的概率最大化问题，凸显了直观性和效率高等优势。但现有的随机游走算法未能充分利用图像的颜色、空间纹理等信息，对灰度依赖性高，因此会存在分割不准确情况，降低了图像分割的准确率。
相应的，在本发明实施例中，在对待分割图像进行初始化的聚类分割处理之后，可以继续计算各初始聚类分割区域之间的区域图像相似度和区域距离权值，以进一步根据区域图像相似度和区域距离权值计算无向图权值。
在本发明实施例中，区域图像相似度可以综合考虑待分割图像的颜色和纹理等特征，而区域距离权值可以综合考虑初始聚类分割区域之间的距离特征。因此，通过区域图像相似度和区域距离权值计算得到无向图权值可以充分利用待分割图像的颜色、纹理及距离等特征。也即，随机游走算法的权值可以充分利用待分割图像的颜色、纹理及距离等特征，使得利用随机游走算法再次对初始聚类分割区域进行分割时，有效提高图像分割的准确率。
S150、根据所述无向图权值计算随机游走算法的节点分类概率。
S160、根据所述节点分类概率对所述初始聚类分割区域再次进行分割，得到目标图像分割结果。
其中，节点分类概率可以用于对初始聚类分割区域中像素到聚类中心进行转移的概率。目标图像分割结果可以是最终的图像分割结果。
相应的，在得到无向图权值之后，即可根据无向图权值计算随机游走算法的节点分类概率，并进一步根据节点分类概率对初始聚类分割区域再次进行分割，实现利用随机游走算法再次对初始聚类分割区域进行精准分割，得到目标图像分割结果。
本发明实施例通过待分割图像的图像特征对待分割图像进行聚类分割处理，得到设定数量的初始聚类分割区域，以计算各初始聚类分割区域之间的区域图像相似度和区域距离权值，进而根据区域图像相似度和区域距离权值计算无向图权值，并根据无向图权值计算随机游走算法的节点分类概率，最终根据节点分类概率对初始聚类分割区域再次进行分割，得到目标图像分割结果。由于在利用随机游走算法之前预先对待分割图像进行了初始聚类分割，因此可以提高后续随机游走算法的图像分割效率。同时，根据区域图像相似度和区域距离权值计算得到的无向图权值综合考虑了多种图像特征，从而提高了无向图权值的准确率，进一步提高了随机游走算法的图像分割的准确率，解决现有利用随机游走算法进行图像分割存在的效率和精度较低等问题，提高了图像分割的效率和精度。
实施例二
图2是本发明实施例二提供的一种图像分割方法的流程图，本实施例以上述实施例为基础进行具体化，在本实施例中，给出了根据图像特征对所述待分割图像进行聚类分割处理的具体可选的实现方式。相应的，如图2所示，本实施例的方法可以包括：
S210、获取待分割图像。
S220、根据图像特征对所述待分割图像进行聚类分割处理，得到设定数量的初始聚类分割区域。
相应的，S220具体可以包括下述操作：
S221、将所述待分割图像均匀分割成大小相同的分割区域。
其中，一个分割区域可以理解为一个超像素。相应的，一个初始聚类分割区域也可以理解为一个超像素。
在对待分割图像进行初始化的聚类分割之前，可以首先将RGB(Red，Green，Blue)彩色空间的像素点转化成Lab(Luminosity、a、b)颜色空间与X－Y坐标系下的5维特征向量Pi＝(li，ai，bi，x1i，y1i)i＝1，2，…，N。其中，li为像素点的亮度，ai为像素点由红到绿的程度，bi为像素点由黄到蓝的程度，x1i、y1i分别为像素点在图像中的横纵坐标，N为像素点的个数。
在构造5维特征向量之后，即可根据5维特征向量构造像素点之间的度量距离标准，以对待分割图像进行初始化的聚类分割。
具体的，可以首先将待分割图像均匀分割成大小相同的分割区域。例如，可以将待分割图像均匀分割成K个分割区域。其中，K可以根据实际需求设定，可以与聚类中心的数量相同。
S222、根据像素点梯度值在各所述分割区域内确定设定数量的聚类中心。
在对待分割图像进行初始化聚类分割时，可以按照聚类中心的设定数量在待分割图像内均匀分布聚类中心(也称种子点)。每个聚类中心可以分别对应一个分割区域。假设待分割图像内的像素点总数为N，则相邻两个聚类中心的间距为
为了提高后续的聚类效果，可以对每个分割区域的聚类中心进行优化调整。
具体的，可以在每个分割区域内随机选取一定数量的点，如4个点，作为聚类中心的预备点。进一步的，分别计算每个聚类中心的预备点的n x n(如3x3)邻域内所有像素点的梯度值，并选择梯度最小的像素点作为新的预备点。最后将更新的4个预备点中梯度值最小的点作为该分割区域的种子点，也即聚类中心。也即，一个聚类中心为一个分割区域内的其中一个像素点。
S223、在设定范围内计算像素点与各所述聚类中心之间的度量距离，并根据所述度量距离对所述聚类中心进行迭代优化，得到迭代聚类中心。
其中，设定范围可以是根据实际需求设定的范围，如2S*2S的范围等，其中，S表示相邻两个聚类中心的间距，本发明实施例并不对设定范围的具体取值进行限定。迭代聚类中心可以是每次对聚类中心进行迭代优化得到的更新的聚类中心。
在本发明实施例中，在初始化确定设定数量的聚类中心之后，进一步的，可以在设定范围内对各聚类中心开始进行聚类。具体的，可以在每个聚类中心对应的设定范围内计算该设定范围中的像素点与该聚类中心之间的度量距离，并根据度量距离对该设定范围内的聚类中心进行迭代优化，得到该设定范围内迭代聚类中心。相应的，各设定范围可以同时进行聚类处理，每个设定范围可以分别对应得到一个迭代聚类中心。
可选的，像素点与各聚类中心之间的度量距离可以通过下述公式表示：
其中，dxy表示像素点与聚类中心之间的空间距离，xk和yk表示聚类中心在图像中的横纵坐标。dLab表示像素点与聚类中心之间的颜色距离，lk为聚类中心的亮度，ak为聚类中心由红到绿的程度，bk为聚类中心由黄到蓝的程度。Ds表示像素点与聚类中心之间的度量距离，
表示类内最大距离，固定常数m取值范围为[1,100]，能够控制聚类中心的紧凑性，一般m可取10。
S224、在各所述分割区域内删除像素奇异点，得到优化像素点。
其中，像素奇异点可以是与聚类中心在颜色空间上差异较大的像素点。优化像素点可以是与聚类中心在颜色空间上差异不大的像素点。
S225、根据各所述优化像素点更新所述迭代聚类中心。
为了删除分割区域内的像素奇异点，优化聚类分割效果，在每次迭代后可以引入滤波操作，去除超分割区域内与聚类中心在颜色空间上差异较大的像素奇异点，用剩余的优化像素点更新迭代聚类中心。具体实现方法可以为：计算每个像素点到聚类中心与Lab颜色空间的距离，当其欧氏距离大于λ·σi时，确定该像素点为像素奇异点，并从分割区域内去除该像素奇异点，用剩余的优化像素点组成新的分割区域Ωj，用新的分割区域更新迭代聚类中心，可表示为如下公式：
Ωj＝(||hihk||＜λ·σi)∩Gj
其中，hi为像素点i的Lab颜色空间向量模，hk为聚类中心k的Lab颜色空间向量模，hj为全部像素点的Lab颜色空间向量模均值，σi为分割区域内所有像素点Lab颜色空间向量模的标准差，λ为标准差，可保证滤波后优化像素点与聚类中心有较高的相似度，可选的，可以取λ＝5，N′为分割区域内剩余的优化像素点个数。
S226、判断当前迭代次数是否达到设定迭代次数，若是，执行S227，否则，返回执行S223。
其中，设定迭代次数可以根据实际需求设定，如5、10或20等，本发明实施例并不对设定迭代次数的具体数值进行限定。
具体的，如果Ds小于B(i)(B(i)初始可以为无穷大)，那么说明像素i与聚类中心的距离更近，则更新B(i)和像素i的类别。然后将属于同一个聚类中心像素点的5维向量平均后得到新的聚类中心，新的聚类中心又有了新的设定范围，不断迭代使误差收敛，一般需要迭代10次。
S227、迭代优化终止，得到目标聚类中心。
其中，各所述目标聚类中心为无向图节点，每个所述目标聚类中心对应一个初始聚类分割区域。
当地聚类中心迭代优化种终止后，最终得到的迭代聚类中心即为目标聚类中心。目标聚类中心可以作为后续随机游走算法中无向图的节点，节点与节点之间的边构成无向图的边。
S230、计算各所述初始聚类分割区域之间的区域图像相似度和区域距离权值。
S240、根据所述区域图像相似度和所述区域距离权值计算无向图权值。
S250、根据所述无向图权值计算随机游走算法的节点分类概率。
S260、根据所述节点分类概率对所述初始聚类分割区域再次进行分割，得到目标图像分割结果。
上述技术方案，通过对待分割图像进行初始化的聚类分割，在聚类分割过程中对聚类中心进行优化调整，并对像素奇异点进行过滤处理，可以有效提高聚类分割处理的效果，从而提高聚类分割的准确率。
实施例三
图3是本发明实施例三提供的一种图像分割方法的流程图，本实施例以上述实施例为基础进行具体化，在本实施例中，给出了计算各所述初始聚类分割区域之间的区域图像相似度和区域距离权值、根据所述区域图像相似度和所述区域距离权值计算无向图权值，以及，根据所述无向图权值计算随机游走算法的节点分类概率的多种具体可选的实现方式。相应的，如图3所示，本实施例的方法可以包括：
S310、获取待分割图像。
S320、根据图像特征对所述待分割图像进行聚类分割处理，得到设定数量的初始聚类分割区域。
S330、计算各所述初始聚类分割区域之间的区域图像相似度和区域距离权值。
相应的，S330具体可以包括下述操作：
S331、计算各所述初始聚类分割区域中每两个初始聚类分割区域之间的灰度直方图相似度。
其中，灰度直方图相似度可以是利用灰度直方图计算得到的初始聚类分割区域之间的相似度。
S332、计算各所述初始聚类分割区域中每两个初始聚类分割区域之间的共生矩阵相似度。
其中，共生矩阵相似度可以是利用共生矩阵计算得到的初始聚类分割区域之间的相似度。
S333、根据所述灰度直方图相似度和所述共生矩阵相似度计算每两个初始聚类分割区域之间的区域图像相似度。
在本发明实施例中，计算各初始聚类分割区域之间的区域图像相似度时，可以首先计算每两个初始聚类分割区域之间的灰度直方图相似度，并计算每两个初始聚类分割区域之间的共生矩阵相似度，进而根据计算得到的灰度直方图相似度和共生矩阵相似度计算每两个初始聚类分割区域之间的区域图像相似度。
需要说明的是，图3仅是一种实现方式的示意图，步骤S331和S332之间并没有先后顺序关系，可以先实施步骤S331，再实施步骤S332，也可以先实施步骤S332，再实施步骤S331，或者，还可以两者并行实施。
在本发明的一个可选实施例中，所述根据所述灰度直方图相似度和所述共生矩阵相似度计算每两个初始聚类分割区域之间的区域图像相似度，可以包括：计算第一相似度权重系数与所述灰度直方图相似度之间的乘积作为第一相似度乘积；计算第二相似度权重系数与所述共生矩阵相似度之间的乘积作为第二相似度乘积；将所述第一相似度乘积与所述第二相似度乘积的和值作为所述区域图像相似度；其中，所述第一相似度权重系数与所述第二相似度权重系数的和值为设定数值。
其中，第一相似度权重系数可以是灰度直方图相似度占有的权重系数。第一相似度乘积可以是第一相似度权重系数与灰度直方图相似度之间的乘积。第二相似度权重系数可以是共生矩阵相似度占有的权重系数。第二相似度乘积可以是第二相似度权重系数与共生矩阵相似度之间的乘积。设定数值可以根据实际需求设定，如1等，本发明实施例并不对设定数值的具体取值进行限定。
在分别计算得到灰度直方图相似度和共生矩阵相似度之后，可以对这两个相似度进行加权平均，进一步得到平均后的区域图像相似度。
在一个具体的例子中，可选的，可以基于如下公式计算每两个初始聚类分割区域之间的区域图像相似度：
其中，s表示区域图像相似度，s1表示灰度直方图相似度，可以采用颜色直方图算法计算得到，s2表示共生矩阵相似度，可以采用灰度共生矩阵计算得到。k1和k2分别为第一相似度权重系数和第二相似度权重系数，可以根据具体的场景通过大量的学习训练计算合适的取值。例如，k1和k2均取值为0.5等，本发明实施例并不对k1和k2的具体取值进行限定。
在本发明的一个可选实施例中，计算各所述初始聚类分割区域中每两个初始聚类分割区域之间的灰度直方图相似度，可以包括：确定待计算的两个初始聚类分割区域；将所述待计算的两个初始聚类分割区域转换为灰度图像；根据所述灰度图像生成所述待计算的两个初始聚类分割区域的灰度直方图；根据所述灰度直方图计算所述灰度直方图相似度。
可选的，根据所述灰度直方图计算所述灰度直方图相似度，可以包括：将灰度直方图每A个灰度级划分成一个区，共得到256/A个区；对每个区的A个值进行求和运算，得到256/A个值，以此作为该灰度图像的向量。进一步计算两个向量之间的余弦值作为灰度直方图相似度。
在一个具体的例子中，假设任一初始聚类分割区域的图像中变量r为灰度级，对其作归一化处理后，r∈[0,1]且为随机变量。若r是连续的，则可用概率分布函数P(r)表示初始聚类分割区域的灰度分布，直方图与P(r)相对应，概率密度函数p(r)则为直方图的累积和，也就是p(r)的积分，其公式分别如下：
其中，P(r)表示概率分布函数，p(r)表示概率密度函数。
进一步的，将总像素数目以函数积分形式来表示，公式如下：
其中，H(r)表示不同灰度像素数目的函数；A(r)表示灰度级从0～r的像素数目的总和；A 0(r)表示图像的总像素数目。根据总像素数目，可以进一步计算概率密度函数和概率分布函数：
进一步的，根据初始聚类分割区域的灰度直方图，将初始聚类分割区域转换为向量形式，通过两向量之间的余弦值计算灰度直方图相似度，见如下公式：
其中，Ai和Bi分别表示向量A和B的分量。相应的，可以记s1＝cosθ。
在本发明的一个可选实施例中，计算各所述初始聚类分割区域中每两个初始聚类分割区域之间的共生矩阵相似度，可以包括：构造所述初始聚类分割区域的灰度共生矩阵；计算所述灰度共生矩阵的纹理特征；根据所述灰度共生矩阵的纹理特征构造所述初始聚类分割区域的纹理特征综合向量；根据所述纹理特征综合向量计算每两个初始聚类分割区域之间的纹理特征相似度；将所述纹理特征相似度作为每两个初始聚类分割区域之间的共生矩阵相似度。
在一个具体的例子中，构造所述初始聚类分割区域的灰度共生矩阵，可以包括：假设灰度共生矩阵可以表示为从灰度值i的点经过距离d＝(a,b)到达灰度值为j的点的概率。灰度共生矩阵用P＝(i,j,d,θ)(i,j＝0,1,2,…,K-1)表示，i，j分别表示像素对的灰度值，d表示像素对之间的距离，θ的取值一般为：0°，45°，90°，135°。通过a，b的值可以确定像素对之间的距离和移动的角度。当a＝1，b＝0时，这个像素对是水平方向上的移动，即0°扫描，并且这两个像素对之间的距离为1。当a＝1，b＝1时，这个像素对是右对角线上的移动，即45°扫描，并且这两个像素对之间的距离为1。当a＝0，b＝1时，这个像素对是垂直方向上的移动，即90°扫描，并且这两个像素对之间的距离为1。当a＝-1，b＝1时，这个像素对是左对角线上的移动，即135°扫描，并且这两个像素对之间的距离为1。
在本发明的一个可选实施例中，计算所述灰度共生矩阵的纹理特征，可以包括：根据灰度共生矩阵计算熵、二阶矩、对比度以及逆差矩四个纹理特征。根据所述灰度共生矩阵的纹理特征构造所述初始聚类分割区域的纹理特征综合向量，可以包括：根据熵、二阶矩、对比度以及逆差矩四个纹理特征构造所述纹理特征综合向量。
其中，熵可以是对图像纹理复杂程度和非均匀程度的一种数学度量。二阶矩是灰度共生矩阵各个元素值的平方和，可以反映图像纹理的粗细程度和灰度的分布情况。对比度可以反映图像的清晰程度。逆差矩可以用来度量图像局部纹理变化的多少。如果逆差矩的值大，就说明图像纹理的不同区域间变化小或者图像局部均匀。
可选的，可以基于如下公式计算熵G1：
可选的，可以基于如下公式计算二阶矩G2：
可选的，可以基于如下公式计算二阶矩G3：
可选的，可以基于如下公式计算二阶矩G4：
上述四个公式可以分别计算出初始聚类分割区域的特征值。让像素对在这4个方向(0°，45°，90°，135°)上移动，分别计算出4个特征值；最后把这4个方向上计算出来的特征值组合成一个大小为16的纹理特征综合向量G，这个纹理特征综合向量G可以定义为：
G＝[G1k，G2k，G3k，G4k]，k∈(0°，45°，90°，135°)
可选的，可以基于如下公式根据纹理特征综合向量计算每两个初始聚类分割区域之间的纹理特征相似度：
其中，d(G1M,G2M)表示纹理特征相似度，G1M(i)和G2M(i)表示两个初始聚类分割区域的纹理特征综合向量。也即，可以记s2＝d(G1M,G2M)。
S334、计算每两个初始聚类分割区域之间的中心位置距离。
其中，中心位置距离可以是两个初始聚类分割区域的中心位置之间的距离。
可选的，假设初始聚类分割区域i点的中心位置为Xi，初始聚类分割区域i点的中心位置为Xj，计算两初始聚类分割区域之间的中心位置距离可以记为rij，则rij＝|Xi-Xj|。
S335、根据所述中心位置距离计算每两个初始聚类分割区域之间的区域最大距离。
其中，区域最大距离可以是所有初始聚类分割区域中最大的中心位置距离。
可选的，以上述中心位置距离rij为例继续说明，所有初始聚类分割区域中最大的中心位置距离可以记为：rmax＝max{rij}。
S336、根据所述中心位置距离和所述区域最大距离计算各所述初始聚类分割区域之间的区域距离权值。
其中，区域距离权值可以是两个初始聚类分割区域之间的权值系数。
可选的，以上述中心位置距离rij为例继续说明，根据中心位置距离和区域最大距离计算各初始聚类分割区域之间的区域距离权值可以记为：h＝p*(rij/rmax)。其中，h表示区域距离权值，p为调节系数，可选的，p的取值范围可以为：0<p<1，可以根据初始聚类分割区域之间的相似性进行调整，一般的，p可以取0.1。
需要说明的是，图3仅是一种实现方式的示意图，步骤S331-S333和步骤S334-S336之间并没有先后顺序关系，可以先实施步骤S331-S333，再实施步骤S334-S336，也可以先实施步骤S334-S336，再实施步骤S331-S333，或者，还可以两者并行实施。
S340、根据所述区域图像相似度和所述区域距离权值计算无向图权值。
在本发明的一个可选实施例中，所述根据所述区域图像相似度和所述区域距离权值计算无向图权值，可以包括：基于如下公式根据所述区域图像相似度和所述区域距离权值计算无向图权值：
其中，wij表示所述无向图权值，β1表示可变参数，S表示所述区域图像相似度，h表示所述区域距离权值。
可以理解的是，基于随机游走的图像分割算法首先需要用图论中的G＝(V，E)来描述图像，顶点集合可以表示初始聚类分割区域中的聚类中心，边集可以表示顶点4邻接关系集合，无向图权值也即边的权值表示沿着这条边移动的概率。在本发明实施例中，wij可以理解为边的权值函数。
S350、根据所述无向图权值计算随机游走算法的节点分类概率。
相应的，S350具体可以包括下述操作：
S351、根据所述无向图权值计算能量函数。
基于无向图权值可以进一步计算能量函数。可选的，能量函数D[x]可以基于如下公式表达：
其中，L是映射图中定义的联合拉普拉斯矩阵，当i＝j时，Lij＝di，当V中vi和vj为相邻节点时，Lij＝-wij，当vi和vj不为相邻节点时，Lij＝0，其中，di是节点i的度。xi和xj分别表示无向图中的两个节点。
由于上述步骤已经完成了对待分割图像的初始化聚类分割，因此可以根据聚类分割得到的聚类中心的数量以及位置，通过最小化能量函数计算随机游走中其他像素点(非种子点)到达每个聚类中心(种子点)的转移概率，通过对比其他像素点到达每个聚类中心的转移概率的数值，将其他像素点划分到转移概率较大的一类聚类中心中。
S352、计算无向图的对焦分块矩阵。
进一步的，根据上述初始聚类分割区域的初始化聚类分割的步骤得到的聚类中心的个数及位置，将待分割图像中的节点分成两个集合：聚类中心集合VM和非聚类中心(除聚类中心之外的其他像素点)集合VU。在此基础上，拉普拉斯矩阵L可以进一步分解为对焦分块矩阵：
其中，LM表示已经标记的聚类中心节点的拉普拉斯矩阵，Lu表示未标注的节点的拉普拉斯矩阵。矩阵B表示已标注节点和未标注节点间的关系，BT为B的转置矩阵。按照先聚类中心后非聚类中心的像素点的顺序来排列拉普拉斯矩阵中的点。
S353、根据所述能量函数和所述对焦分块矩阵计算所述节点分类概率。
在得到对焦分块矩阵之后，可以进一步将对焦分块矩阵带入至能量函数中，得到：
其中，XM和XU分别对应聚类中心与非聚类中心的概率值，B为中间变量；对上述中函数D[XU]求微分得到：
LUXU＝-BTXM
令
表示非聚类中心的像素点Vi第一次到达类别S的聚类中心的像素点的概率值，并定义聚类中心集合Q(Vi)＝s，
0＜s≤K，K是聚类中心的个数，因此定义K维数组M为：
进一步的，可以对D[XU]的微分公式转换为：
该公式可以用于对每个聚类中心S计算概率值大小。
进一步的，还可以对D[XU]的微分公式转换为：LUX＝-BM，该公式可以用于对所有聚类中心计算概率值大小。
其中，X表示构成的列矢量，x是转移概率，M表示ms构成的列矢量，已知：
联立公式
LUX和
解得
即为节点分类概率。
S360、根据所述节点分类概率对所述初始聚类分割区域再次进行分割，得到目标图像分割结果。
在二维图像中，
表示第i行第j列的像素到聚类中心S的转移概率，从而将每个非聚类中心的像素点归并到转移概率最大值所属的聚类中心所在的类簇中，实现对初始聚类分割区域再次进行分割，从而得到最终的目标图像分割结果。
本发明实施例首先采用基于彩色特征的聚类分割方法，使后续分割的最小单位由之前的单个像素提升为图像区域，提高了计算每个像素的传统随机游走算法的分割效率。由于待分割的对象由原来的像素点变为图像区域，并不能使用现有的权值计算方法。因此，本发明实施例根据彩色图像的特征，利用颜色、纹理两种特征计算图像之间的相似度，相似度越高的区域具有更高的权值。同时利用区域间的距离来计算相邻区域之间的权值，一般情况下，距离越近的区域之间表示相同内容的几率越大，故设置两者之间的权值越大。结合图像的颜色、纹理、距离等特征设置随机游走分割算法的权值，使得图像分割达到更加准确的目的。
需要说明的是，以上各实施例中各技术特征之间的任意排列组合也属于本发明的保护范围。
实施例四
图4是本发明实施例四提供的一种图像分割装置的示意图，如图4所示，所述装置包括：待分割图像获取模块410、初始聚类分割区域获取模块420、相似度权值计算模块430、无向图权值计算模块440、节点分类概率计算模块450以及目标图像分割结果获取模块460，其中：
待分割图像获取模块410，用于获取待分割图像；
初始聚类分割区域获取模块420，用于根据图像特征对所述待分割图像进行聚类分割处理，得到设定数量的初始聚类分割区域；
相似度权值计算模块430，用于计算各所述初始聚类分割区域之间的区域图像相似度和区域距离权值；
无向图权值计算模块440，用于根据所述区域图像相似度和所述区域距离权值计算无向图权值；
节点分类概率计算模块450，用于根据所述无向图权值计算随机游走算法的节点分类概率；
目标图像分割结果获取模块460，用于根据所述节点分类概率对所述初始聚类分割区域再次进行分割，得到目标图像分割结果。
本发明实施例通过待分割图像的图像特征对待分割图像进行聚类分割处理，得到设定数量的初始聚类分割区域，以计算各初始聚类分割区域之间的区域图像相似度和区域距离权值，进而根据区域图像相似度和区域距离权值计算无向图权值，并根据无向图权值计算随机游走算法的节点分类概率，最终根据节点分类概率对初始聚类分割区域再次进行分割，得到目标图像分割结果。由于在利用随机游走算法之前预先对待分割图像进行了初始聚类分割，因此可以提高后续随机游走算法的图像分割效率。同时，根据区域图像相似度和区域距离权值计算得到的无向图权值综合考虑了多种图像特征，从而提高了无向图权值的准确率，进一步提高了随机游走算法的图像分割的准确率，解决现有利用随机游走算法进行图像分割存在的效率和精度较低等问题，提高了图像分割的效率和精度。
可选的，初始聚类分割区域获取模块420具体用于：根据像素点梯度值在各所述分割区域内确定设定数量的聚类中心；
在设定范围内计算像素点与各所述聚类中心之间的度量距离，并根据所述度量距离对所述聚类中心进行迭代优化，得到迭代聚类中心；
在各所述分割区域内删除像素奇异点，得到优化像素点；
根据各所述优化像素点更新所述迭代聚类中心；
返回执行在设定范围内计算像素点与各所述聚类中心之间的度量距离的操作，直至达到设定迭代次数，得到目标聚类中心；
其中，各所述目标聚类中心为无向图节点，每个所述目标聚类中心对应一个初始聚类分割区域。
可选的，相似度权值计算模块430具体用于：
计算各所述初始聚类分割区域中每两个初始聚类分割区域之间的灰度直方图相似度；
计算各所述初始聚类分割区域中每两个初始聚类分割区域之间的共生矩阵相似度；
根据所述灰度直方图相似度和所述共生矩阵相似度计算每两个初始聚类分割区域之间的区域图像相似度。
可选的，相似度权值计算模块430具体用于：
计算第一相似度权重系数与所述灰度直方图相似度之间的乘积作为第一相似度乘积；
计算第二相似度权重系数与所述共生矩阵相似度之间的乘积作为第二相似度乘积；
将所述第一相似度乘积与所述第二相似度乘积的和值作为所述区域图像相似度；
其中，所述第一相似度权重系数与所述第二相似度权重系数的和值为设定数值。
可选的，相似度权值计算模块430具体用于：
计算每两个初始聚类分割区域之间的中心位置距离；
根据所述中心位置距离计算每两个初始聚类分割区域之间的区域最大距离；
根据所述中心位置距离和所述区域最大距离计算各所述初始聚类分割区域之间的区域距离权值。
可选的，无向图权值计算模块440具体用于：
基于如下公式根据所述区域图像相似度和所述区域距离权值计算无向图权值：
其中，wij表示所述无向图权值，β1表示可变参数，S表示所述区域图像相似度，h表示所述区域距离权值。
可选的，节点分类概率计算模块450具体用于：
根据所述无向图权值计算能量函数；
计算无向图的对焦分块矩阵；
根据所述能量函数和所述对焦分块矩阵计算所述节点分类概率。
上述图像分割装置可执行本发明任意实施例所提供的图像分割方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的图像分割方法。
由于上述所介绍的图像分割装置为可以执行本发明实施例中的图像分割方法的装置，故而基于本发明实施例中所介绍的图像分割方法，本领域所属技术人员能够了解本实施例的图像分割装置的具体实施方式以及其各种变化形式，所以在此对于该图像分割装置如何实现本发明实施例中的图像分割方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中图像分割方法所采用的装置，都属于本申请所欲保护的范围。
实施例五
图5为本发明实施例五提供的一种计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图5显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器16，存储器28，连接不同系统组件(包括存储器28和处理器16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory，CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(Input/Output，I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local AreaNetwork，LAN)，广域网Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图5中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、(Redundant Arrays of Independent Disks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器16通过运行存储在存储器28中的程序，从而执行各种功能应用以及数据处理，实现本发明实施例所提供的图像分割方法：获取待分割图像；根据图像特征对所述待分割图像进行聚类分割处理，得到设定数量的初始聚类分割区域；计算各所述初始聚类分割区域之间的区域图像相似度和区域距离权值；根据所述区域图像相似度和所述区域距离权值计算无向图权值；根据所述无向图权值计算随机游走算法的节点分类概率；根据所述节点分类概率对所述初始聚类分割区域再次进行分割，得到目标图像分割结果。
实施例六
本发明实施例六还提供一种存储计算机程序的计算机存储介质，所述计算机程序在由计算机处理器执行时用于执行本发明上述实施例任一所述的图像分割方法：获取待分割图像；根据图像特征对所述待分割图像进行聚类分割处理，得到设定数量的初始聚类分割区域；计算各所述初始聚类分割区域之间的区域图像相似度和区域距离权值；根据所述区域图像相似度和所述区域距离权值计算无向图权值；根据所述无向图权值计算随机游走算法的节点分类概率；根据所述节点分类概率对所述初始聚类分割区域再次进行分割，得到目标图像分割结果。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ReadOnly Memory，ROM)、可擦式可编程只读存储器((Erasable Programmable Read OnlyMemory，EPROM)或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、射频(Radio Frequency，RF)等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (7)
1.一种图像分割方法，其特征在于，包括：
获取待分割图像；
根据图像特征对所述待分割图像进行聚类分割处理，得到设定数量的初始聚类分割区域；
计算各所述初始聚类分割区域之间的区域图像相似度和区域距离权值；
根据所述区域图像相似度和所述区域距离权值计算无向图权值；
根据所述无向图权值计算随机游走算法的节点分类概率；
根据所述节点分类概率对所述初始聚类分割区域再次进行分割，得到目标图像分割结果；
其中，所述节点为待分割图像的像素；
其中，所述计算各所述初始聚类分割区域之间的区域图像相似度，包括：
计算各所述初始聚类分割区域中每两个初始聚类分割区域之间的灰度直方图相似度；
计算各所述初始聚类分割区域中每两个初始聚类分割区域之间的共生矩阵相似度；
根据所述灰度直方图相似度和所述共生矩阵相似度计算每两个初始聚类分割区域之间的区域图像相似度；
其中，计算各所述初始聚类分割区域之间的区域距离权值，包括：
计算每两个初始聚类分割区域之间的中心位置距离；
根据所述中心位置距离计算每两个初始聚类分割区域之间的区域最大距离；
根据所述中心位置距离和所述区域最大距离计算各所述初始聚类分割区域之间的区域距离权值；
其中，所述根据所述区域图像相似度和所述区域距离权值计算无向图权值，包括：
基于如下公式根据所述区域图像相似度和所述区域距离权值计算无向图权值：
ѡij=e-β1(1-s-h)²,∀eij∈E
其中，ѡij表示所述无向图权值，β1表示可变参数，s表示所述区域图像相似度，h表示所述区域距离权值。
2.根据权利要求1所述的方法，其特征在于，所述根据图像特征对所述待分割图像进行聚类分割处理，包括：
将所述待分割图像均匀分割成大小相同的分割区域；
根据像素点梯度值在各所述分割区域内确定设定数量的聚类中心；
在设定范围内计算像素点与各所述聚类中心之间的度量距离，并根据所述度量距离对所述聚类中心进行迭代优化，得到迭代聚类中心；
在各所述分割区域内删除像素奇异点，得到优化像素点；
根据各所述优化像素点更新所述迭代聚类中心；
返回执行在设定范围内计算像素点与各所述聚类中心之间的度量距离的操作，直至达到设定迭代次数，得到目标聚类中心；
其中，各所述目标聚类中心为无向图节点，每个所述目标聚类中心对应一个初始聚类分割区域。
3.根据权利要求1所述的方法，其特征在于，所述根据所述灰度直方图相似度和所述共生矩阵相似度计算每两个初始聚类分割区域之间的区域图像相似度，包括：
计算第一相似度权重系数与所述灰度直方图相似度之间的乘积作为第一相似度乘积；
计算第二相似度权重系数与所述共生矩阵相似度之间的乘积作为第二相似度乘积；
将所述第一相似度乘积与所述第二相似度乘积的和值作为所述区域图像相似度；
其中，所述第一相似度权重系数与所述第二相似度权重系数的和值为设定数值。
4.根据权利要求1所述的方法，其特征在于，所述根据所述无向图权值计算随机游走算法的节点分类概率，包括：
根据所述无向图权值计算能量函数；
计算无向图的对焦分块矩阵；
根据所述能量函数和所述对焦分块矩阵计算所述节点分类概率。
5.一种图像分割装置，其特征在于，包括：
待分割图像获取模块，用于获取待分割图像；
初始聚类分割区域获取模块，用于根据图像特征对所述待分割图像进行聚类分割处理，得到设定数量的初始聚类分割区域；
相似度权值计算模块，用于计算各所述初始聚类分割区域之间的区域图像相似度和区域距离权值；
无向图权值计算模块，用于根据所述区域图像相似度和所述区域距离权值计算无向图权值；
节点分类概率计算模块，用于根据所述无向图权值计算随机游走算法的节点分类概率；
目标图像分割结果获取模块，用于根据所述节点分类概率对所述初始聚类分割区域再次进行分割，得到目标图像分割结果；
其中，所述计算各所述初始聚类分割区域之间的区域图像相似度，包括：
计算各所述初始聚类分割区域中每两个初始聚类分割区域之间的灰度直方图相似度；
计算各所述初始聚类分割区域中每两个初始聚类分割区域之间的共生矩阵相似度；
根据所述灰度直方图相似度和所述共生矩阵相似度计算每两个初始聚类分割区域之间的区域图像相似度；
其中，计算各所述初始聚类分割区域之间的区域距离权值，包括：
计算每两个初始聚类分割区域之间的中心位置距离；
根据所述中心位置距离计算每两个初始聚类分割区域之间的区域最大距离；
根据所述中心位置距离和所述区域最大距离计算各所述初始聚类分割区域之间的区域距离权值；
其中，所述根据所述区域图像相似度和所述区域距离权值计算无向图权值，包括：
基于如下公式根据所述区域图像相似度和所述区域距离权值计算无向图权值：
ѡij=e-β1(1-s-h)²,∀eij∈E
其中，ѡij表示所述无向图权值，β1表示可变参数，s表示所述区域图像相似度，h表示所述区域距离权值。
6.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的图像分割方法。
7.一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的图像分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110469146.0A CN113177592B (zh) | 2021-04-28 | 2021-04-28 | 一种图像分割方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110469146.0A CN113177592B (zh) | 2021-04-28 | 2021-04-28 | 一种图像分割方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113177592A CN113177592A (zh) | 2021-07-27 |
| CN113177592B true CN113177592B (zh) | 2022-07-08 |
Family
ID=76925134
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110469146.0A Active CN113177592B (zh) | 2021-04-28 | 2021-04-28 | 一种图像分割方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113177592B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114283324B (zh) * | 2021-12-30 | 2024-06-14 | 杭州电子科技大学 | 一种基于N-cut算法的陶瓷茶壶图像分割识别方法及装置 |
| CN115115893B (zh) * | 2022-07-26 | 2023-01-31 | 金乡县富通金属回收有限公司 | 用于废金属回收的智能分选方法 |
| CN114972348B (zh) * | 2022-08-01 | 2022-09-30 | 山东尚雅建材有限公司 | 一种基于图像处理的美缝效果检测方法 |
| CN118470366B (zh) * | 2024-07-10 | 2024-10-25 | 陕西新能选煤技术有限公司 | 一种基于图像处理的选煤方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976378A (zh) * | 2016-05-10 | 2016-09-28 | 西北工业大学 | 基于图模型的显著性目标检测方法 |
| CN110853047A (zh) * | 2019-10-12 | 2020-02-28 | 平安科技（深圳）有限公司 | 智能图像分割及分类方法、装置及计算机可读存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105701832B (zh) * | 2016-01-19 | 2019-02-26 | 苏州大学 | 三维图割算法结合随机游走算法的pet‐ct肺肿瘤分割方法 |
| CN107633522B (zh) * | 2017-08-30 | 2020-04-03 | 山东财经大学 | 基于局部相似性活动轮廓模型的脑部图像分割方法和系统 |
| CN108133218A (zh) * | 2017-12-14 | 2018-06-08 | 内蒙古科技大学 | 红外目标检测方法、设备及介质 |
| CN109409240B (zh) * | 2018-09-28 | 2022-02-11 | 北京航空航天大学 | 一种结合随机游走的SegNet遥感图像语义分割方法 |
| CN111815647A (zh) * | 2020-06-23 | 2020-10-23 | 上海硕恩网络科技股份有限公司 | 一种基于滑降的随机游走图像分割算法 |
| CN112419344B (zh) * | 2020-11-27 | 2022-04-08 | 清华大学 | 一种基于Chan-Vese模型的无监督图像分割方法 |
-
2021
- 2021-04-28 CN CN202110469146.0A patent/CN113177592B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976378A (zh) * | 2016-05-10 | 2016-09-28 | 西北工业大学 | 基于图模型的显著性目标检测方法 |
| CN110853047A (zh) * | 2019-10-12 | 2020-02-28 | 平安科技（深圳）有限公司 | 智能图像分割及分类方法、装置及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113177592A (zh) | 2021-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113177592B (zh) | 一种图像分割方法、装置、计算机设备及存储介质 | |
| WO2021203795A1 (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
| CN111369442B (zh) | 基于模糊核分类与注意力机制的遥感图像超分辨重建方法 | |
| CN111968138B (zh) | 基于3d动态边缘不敏感性损失函数的医学图像分割方法 | |
| CN111489357A (zh) | 一种图像分割方法、装置、设备及存储介质 | |
| CN106815842B (zh) | 一种改进的基于超像素的图像显著性检测方法 | |
| CN111814884B (zh) | 一种基于可变形卷积的目标检测网络模型的升级方法 | |
| CN110223300A (zh) | Ct图像腹部多器官分割方法及装置 | |
| Etezadifar et al. | A new sample consensus based on sparse coding for improved matching of SIFT features on remote sensing images | |
| CN114463503B (zh) | 三维模型和地理信息系统的融合方法及装置 | |
| CN114663880B (zh) | 基于多层级跨模态自注意力机制的三维目标检测方法 | |
| CN112634149A (zh) | 一种基于图卷积网络的点云去噪方法 | |
| CN111209946B (zh) | 三维图像处理方法、图像处理模型训练方法及介质 | |
| CN110097499A (zh) | 基于谱混合核高斯过程回归的单帧图像超分辨率重建方法 | |
| CN110992366A (zh) | 一种图像语义分割方法、装置及存储介质 | |
| CN107392211B (zh) | 基于视觉稀疏认知的显著目标检测方法 | |
| Chen et al. | Dynamic hypergraph convolutional network for no-reference point cloud quality assessment | |
| CN108509835B (zh) | 基于DFIC超像素的PolSAR图像地物分类方法 | |
| CN113446998B (zh) | 一种基于高光谱目标探测数据的动态解混方法 | |
| Yao et al. | Registrating oblique SAR images based on complementary integrated filtering and multilevel matching | |
| CN114821192A (zh) | 一种结合语义信息的遥感影像高程预测方法 | |
| CN116843679B (zh) | 基于深度图像先验框架的pet图像部分容积校正方法 | |
| CN113435479A (zh) | 基于区域特征表达约束的特征点匹配方法与系统 | |
| CN110020986B (zh) | 基于欧氏子空间群两重映射的单帧图像超分辨率重建方法 | |
| CN118115868A (zh) | 遥感图像目标检测方法、装置、计算机设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |