欢迎来到知嘟嘟! 联系电话:13095918853 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13095918853
知嘟嘟经纪人
收藏
专利号: 2018104094241
申请人: 山东师范大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2024-01-05
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于图像特征密度峰值搜索的图像分割方法,其特征是,包括以下步骤:

步骤(1):对原始图像进行预处理,利用超像素分割将原始图像转换为超像素图像;

步骤(2):将超像素图像中的每一个样本点进行颜色特征提取;

步骤(3):对样本进行聚类分析:对每一个样本点的图像颜色特征均定义两个变量ρ和δ;ρ表示每个样本点的局部密度,δ表示与当前样本点相比具有更高局部密度的最近邻点与当前样本点之间的距离;

步骤(4):以局部密度ρ为横轴和最近邻距离δ为纵轴,建立直角坐标系,即决策图;

步骤(5):在决策图中定义一个分隔曲线,位于分隔曲线右边的样本点被指定为聚类中心;被指定是聚类中心的样本点代表一个簇类,同时也被指派类簇号;

步骤(6):在聚类中心确定后,依次对剩余的样本点进行类别的划分,根据聚类后的结果和像素点在原图像中的位置进行图像的重构,得到最后的分割结果。

2.如权利要求1所述的基于图像特征密度峰值搜索的图像分割方法,其特征是,所述步骤(1)包括:步骤(101):任选一个像素点作为当前像素点,将当前像素点的像素值与设定范围内其他像素点的像素值进行作差,得到若干个差值,如果每个差值均小于设定阈值,则将当前像素点与其他像素点划分到一个区域;

步骤(102):如通过有一个差值大于设定阈值,则缩小设定范围,重新将当前像素点的像素值与新设定范围内其他像素点的像素值进行作差,直至每个差值均小于设定阈值,则将当前像素点与其他像素点划分到一个区域,否则重复步骤(102),直至满足要求为止;

步骤(103):重复步骤(101)-(102)实现整幅图像的区域分割;

步骤(104):对每个区域中的像素点求取像素均值,并以像素均值替换当前区域中的所有像素点的像素值,从而整幅图像包括若干个色块,整幅图像转换为超像素图像。

3.如权利要求1所述的基于图像特征密度峰值搜索的图像分割方法,其特征是,将超像素图像中的每个色块看成一个样本点,并将每个样本点在RGB颜色空间中的值转化到CIELab颜色空间中,然后提取亮度通道L的值,以及颜色通道a或颜色通道b的值,将亮度通道L的值以及颜色通道a的值作为每个样本点的颜色特征保存;或者,将亮度通道L的值以及颜色通道b的值作为每个样本点的颜色特征保存;同时,将每个超像素对应每个像素点在原始图片中的位置视为像素点索引保存。

4.如权利要求1所述的基于图像特征密度峰值搜索的图像分割方法,其特征是,所述步骤(3)中,首先,定义一组独立的样本点(x1,y1),(x2,y2),……,(xn,yn),其中,x1表示第一个样本点的亮度通道L的值,y1表示第一个样本点的颜色通道a的值或颜色通道b的值;x2表示第二个样本点的亮度通道L的值,y2表示第二个样本点的颜色通道a的值或颜色通道b的值;xn表示第n个样本点的亮度通道L的值,yn表示第n个样本点的颜色通道a的值或颜色通道b的值;

针对每个样本点依次求取两个变量ρ和δ,其中利用核密度估计来计算局部密度ρ:其中,ρi表示第i个样本点的局部,h>0为一个平滑参数,代表带宽,其中为缩放核函数;K(x,y)表示核函数,采用高斯核函数,x0,y0表示核函数中心点的坐标,σ表示方差。

5.如权利要求4所述的基于图像特征密度峰值搜索的图像分割方法,其特征是,另一个变量的计算公式则是:其中,δi表示第i个样本点与比第i个样本点有更高局部密度的最近邻样本点之间的距离;dij则表示点i和点j之间的欧几里得距离;ρi和ρj分别表示第i、第j个样本点的局部密度。

6.如权利要求1所述的基于图像特征密度峰值搜索的图像分割方法,其特征是,所述步骤(4)中,横轴的局部密度从小到大设置,纵轴的最近邻距离也是从小到大设置。

7.如权利要求1所述的基于图像特征密度峰值搜索的图像分割方法,其特征是,步骤(5)中,定义的分隔曲线R为:R=detM-k(trace M)2

detM=ρδ

traceM=ρ+δ

其中,k是一个常数,取值范围是0.04~0.06,M是一个特征值矩阵;detM表示特征值矩阵的行列式,trace M表示特征值矩阵的迹。

8.如权利要求1所述的基于图像特征密度峰值搜索的图像分割方法,其特征是,所述步骤(6),在聚类中心确定后,依次对剩余的样本点进行类别的划分,位于分隔曲线左边的样本点依次划入离样本点自身最近的已知类簇号的样本点所在的类中,得出聚类的结果;聚类结束后,每个样本点都划分到了一个类簇号,而属于每个样本点的所有像素点均被赋予同一个类簇号,根据每个样本点中每个像素点在原图像中的位置与分到的类簇号,将像素点按原图像的序列重新排列起来,得到最后的分割结果。

9.基于图像特征密度峰值搜索的图像分割系统,其特征是,包括:存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述权利要求1-8任一方法所述的步骤。

10.一种计算机可读存储介质,其特征是,其上运行有计算机指令,所述计算机指令被处理器运行时,完成上述权利要求1-8任一方法所述的步骤。