一种基于多元纹理图像分析算法的多元图像分割方法转让专利
申请号 : CN202110598462.8
文献号 : CN113223022B
文献日 : 2022-04-12
发明人 : 卢明 , 王程 , 王锦煜 , 刘泽中 , 孙永腾
申请人 : 湖南科技大学
摘要 :
权利要求 :
1.一种基于多元纹理图像分析算法的多元图像分割方法,其特征在于,包括以下步骤:
1)使用灰度共生矩阵求取图像各个通道的纹理特征影像,将纹理特征影像叠加构造多元图像;
所述步骤1)具体步骤为:
1‑1)对于一张r×c×3大小的RGB图像,r、c分别为图像的长和宽,分离出其R、G、B通道图像,每张通道图像表现为大小为r×c的图片矩阵I,对任意一个通道的图片矩阵I进行扩充:在图片矩阵I上下各拼接一个大小为 n≤min(r,c)的零矩阵,n为零矩阵的大小参数,在图片矩阵I左右各拼接一个大小为 n≤min(r,c)的零矩阵,得到扩充矩阵Ie;
1‑2)以图片矩阵Ie的任一元素i(a,b)为中心,a和b是表示元素i的位置参数,其中a
1‑3)对图片的剩余两个通道重复以上操作便求得了整个图片的纹理特征影像,一共12张图片,将图片的12个纹理特征影像按照R、G、B的顺序叠加得到多元图像X(r+n‑1)×(c+n‑1)×12;
2)将构造的多元图像展开并基于主成分分析进行分解,得到得分向量;
3)将得到的得分向量的每一列依照展开的顺序折叠回图像格式并以图像形式显示,这种图像称为得分图,选择感兴趣区域与其周边区域显示相差最大的得分图,使用阈值从这张得分图像上分割出感兴趣区域;
4)使用步骤3)中的得分图和分割完成的图片作为训练的数据库训练决策树,得到的训练好的决策模型,对具有同类型感兴趣区域的图片进行分割。
2.根据权利要求1所述的基于多元纹理图像分析算法的多元图像分割方法,其特征在于,所述步骤1)中,求取图像每个通道的纹理影像矩阵中使用滑动窗口遍历整个图像,对每个窗口内的矩阵求取灰度共生矩阵的统计量。
3.根据权利要求1所述的基于多元纹理图像分析算法的多元图像分割方法,其特征在于,所述步骤2)具体过程为:
首先将多元图像X(r+n‑1)×(c+n‑1)×12依照顺序展开成大小为[(r+n‑1)×(c+n‑1)]×12的二维矩阵;然后使用主成分分析的原理将之分解,得到大小为[(r+n‑1)×(c+n‑1)]×1的分数向量。
4.根据权利要求3所述的基于多元纹理图像分析算法的多元图像分割方法,其特征在于:所述步骤2)中,对多元图像展开是将每个通道依次展开成一个列向量,然后将所有的列向量并列得到展开的二维矩阵。
5.根据权利要求1所述的基于多元纹理图像分析算法的多元图像分割方法,其特征在于:所述步骤4)中,使用得分图和分割完成的图片作为决策树的训练数据时,依照步骤2)中的方法将图像展开,得到展开后的两个向量在空间位置上一一对应。
6.根据权利要求1所述的基于多元纹理图像分析算法的多元图像分割方法,其特征在于:所述步骤4)中所使用的决策树以信息增益为准则进行属性划分。
说明书 :
一种基于多元纹理图像分析算法的多元图像分割方法
技术领域
背景技术
后的图像。这些图像处理算法忽略了图片的颜色信息,且对图像的处理效果受光照影响较
大,鲁棒性较差。多元图像分析可以对多图像的多元信息进行利用,一定程度上削弱了光照
影响;但多元图像分析忽略了图像的部分纹理信息,难以分割场景复杂的图像。
不同光照环境下、不同背景中感兴趣区域会有一定的变化,因此对某一类型的感兴趣区域
进行分割具有一定的难点。
发明内容
从这张得分图像上分割出感兴趣区域;
行扩充:在图片矩阵I上下各拼接一个大小为 n≤min(r,c)的零矩阵,n为零矩阵的
大小参数,在图片矩阵I左右各拼接一个大小为 n≤min(r,c)的零矩阵,得到扩充
矩阵Ie;
求取矩阵W在0°、45°、90°和135°四个方向上的灰度共生矩阵,根据灰度共生矩阵算出矩阵W
在四个方向上的对比度、相关性、能量和同质性统计量的值;然后求取每一种统计量的平均
值,并以求得的平均值替换扩充矩阵Ie中的元素i(a,b),重复以上步骤直到对图片矩阵I中
每一个元素执行上述替换操作为止,即得到了4个大小为(r+n‑1)×(c+n‑1)的统计量矩阵
SCon、Scor、SEne和SHom,SCon为对比度矩阵,SCor为相关性矩阵、SEne为能量矩阵,SHom为同质性矩
阵,将求得的统计量矩阵与Ie相加,即得到了相应的纹理影像矩阵ICon、ICor、IEne和IHom,ICon
为对比度纹理影像矩阵、ICor为相关性纹理影像矩阵、IEne为能量纹理影响矩阵,IHom为同质
性纹理影像矩阵;
X(r+n‑1)×(c+n‑1)×12。
生矩阵的统计量。
的分数向量。
阵。
开后的两个向量在在空间位置上一一对应。
像的得分图像,利用阈值对感兴趣区域进行分割,再使用分割结果构建决策树模型以将分
割结果推广到具有同类型感兴趣区域的图像上,本发明为多元图像的纹理分析提供了更多
的可能性,可用于对背景复杂、恶劣的图片中的感兴趣区域进行分割,也可应用于颜色与背
景相比差异不明确的目标的识别,适合于复杂场景下的同一类型感兴趣区域的分割,具有
较强的实用性,可以利用图像的纹理、颜色和像素空间信息进行分割,几乎不受光照影响。
附图说明
具体实施方式
行扩充:在图片矩阵I上下各拼接一个大小为 n≤min(r,c)的零矩阵,n为零矩阵的
大小参数,在图片矩阵I左右各拼接一个大小为 n≤min(r,c)的零矩阵,得到扩充
矩阵Ie;
求取矩阵W在0°、45°、90°和135°四个方向上的灰度共生矩阵,根据灰度共生矩阵算出矩阵W
在四个方向上的对比度、相关性、能量和同质性统计量的值;然后求取每一种统计量的平均
值,并以求得的平均值替换扩充矩阵Ie中的元素i(a,b),重复以上步骤直到对图片矩阵I中
每一个元素执行上述替换操作为止,即得到了4个大小为(r+n‑1)×(c+n一1)的统计量矩阵
SCon、SCor、SEne和SHom,SCon为对比度矩阵,SCor为相关性矩阵、SEne为能量矩阵,SHom为同质性矩
阵,将求得的统计量矩阵与Ie相加,即得到了相应的纹理影像矩阵ICon、ICor、IEne和IHom,ICon
为对比度纹理影像矩阵、ICor为相关性纹理影像矩阵、IEne为能量纹理影响矩阵,IHom为同质
性纹理影像矩阵;
X(r+n‑1)×(c+n‑1)×12。
1)]×1的分数向量;
示,显示范围为(‑∞,+∞);选择感兴趣区域与其周边区域显示相差最大的得分图,使用阈
值从这张得分图像上分割出感兴趣区域。
准则进行属性划分。
陷中一种常见缺陷类型——刮痕。图像大小为640×480×3,图像上有反射伪缺陷干扰,如
图2所示。选择缺陷为感兴趣区域,使用本发明的一种基于多元纹理图像分析算法对感兴趣
区域进行分割。
像形式显示。第一列从上到下分别为RGB通道的对比灰度共生影像,该图像突出了表面缺陷
和伪缺陷的边缘。第二列从上到下分别为RGB通道的相关性灰度共生影像,该图像中硅钢条
的刮痕像素强度与背景接近,伪缺陷较为突出。第三列从上到下分别为RGB通道的能量灰度
共生影像,该图的刮痕和伪缺陷都较为突出,但刮痕与伪缺陷的像素强度相差较大。第四列
从上到下分别为RGB通道的同质灰度共生影像,该图像突出了刮痕和伪缺陷的边缘。虽然这
些图像都在一定程度上突出了刮痕,但是图像背景中散乱分布着大量与刮痕像素强度接近
的像素点。
要信息。将前四个主成分以图像的格式折叠,得到得分图像。
中左下方的得分图像PC3突出显示了伪缺陷;图5中右下方的得分图像PC4突出显示了刮痕
和伪缺陷,但二者的像素强度相差很大。因此,可选择PC4的得分图像用作分割,使用1作为
分割阈值对PC4得分图像做分割,得到分割后的图像。
×1的列向量,作为决策树的训练输出数据。为了获得可靠稳定的模型,决策树采用五折交
叉验证。得到的决策树模型分类准确度为100%。