一种基于弱监督多核分类优化合并的图像分割方法
专利汇可以提供一种基于弱监督多核分类优化合并的图像分割方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于弱监督多核学习分类的 图像分割 算法 。方法包括：1使用不同尺度的超 像素 计算策略提取多层超像素用于特征计算；2通过对超像素平均特征，多尺度纹理和对象性等中层视觉特征进行计算；3利用多核学习策略，将三个混合特征被映射到具有多个 内核 的高维空间，在平面空间选取若干标记像素以训练 支持向量机 （SVM）并进行像素分类预测得到初步划分结果；4，在像素预测的 基础 上对均值漂移预分割结果的进行优化合并得到分割结果。对Berkeley分割数据集和进行了充分的实验，证明该发明具有较好的分割性能。，下面是一种基于弱监督多核分类优化合并的图像分割方法专利的具体信息内容。
1.一种基于弱监督多核分类优化合并的图像分割方法，其特征在于，包括以下步骤:
1)根据图像颜色、区域大小的适用性的不同，选取图割，均值漂移，熵率分割等不同超像素计算策略，以提高同质区域的完备程度；
2)计算超像素颜色空间平均特征，多尺度J-map纹理和区域对象性(objectness)等中层视觉特征，用于多核空间学习得到相应的分类结果；
3)利用多核学习策略，将三个混合特征被映射到具有多个内核的高维空间，在图像平面空间选取若干标记像素以训练支持向量机(SVM)并进行像素分类得到初步预测结果；
4)在像素预测的基础上对均值漂移预超像素进行优化合并得到分割结果；
2.根据权利要求1所述的一种于弱监督多核分类的图像分割方法,其特征在于,所述的步骤1)中的超像素计算策略，进一步包括：
1)图割超像素模型采用一种自上而下的全局聚类分割方法，它将图像中所有像素视为无向加权图的节点，连接图节点之间的边依靠像素的相邻关系来构建，所有边的权重通过像素在特征空间的相似性来分配，对图上的节点进行近邻聚类来实现，目标是使同一区域内的元素尽可能相似，不同区域的元素尽可能不相似，且生成的超像素就是相似像素集合组成的最小生成树；
2)均值漂移计算方法是对图像光谱和位置信息进行同质估计能实现较好的区域平滑，该方法是一种基于滑动窗口的密度估计进行聚类的方法，向相同特征密集的地方漂移，经过迭代之后会停止在峰值，所有收敛到数据峰值的像素都被标记形成分割区域；在经过不同的特征窗口漂移过程，可以得到相应特征和空间解析度下的超像素分割结果
3)熵率超像素是基于图划分的计算策略，图像中所有像素视为节点V，相邻节点有边，其目标就是找到一个边的集合A，满足使得最终结果图G(V,A)由K个连通的子图组成，使用连通子图上随机游走的熵率作为获取紧凑且同质的超像素块的标准，熵率的一个性质就是它能体现结构内部的紧凑性，也叫相似性，即越紧凑，距离越近，相似性越大的结构，具有越高的熵率值。
3.根据权利要求1所述的一种于弱监督多核分类的图像分割方法,其特征在于,所述的步骤2)中的中层特征计算策略，进一步包括：
1)计算颜色空间平均特征Mean，首先对超像素中N个计算平均值作为内部每个超像素的值，计算方法见公式(1)
2)计算多尺度Jmap做为纹理特征T，其中尺度参数选择在1，5，10三个尺度，颜色量化的选择为5,10,15；
3)首先根据颜色对比度，边缘密度和超像素之间的交叉关系等线索对于包含完整目标的候选窗口进行打分，将所有分值相加得到像素的对象性，利用ER，NNG，Meanshift三种超像素内部像素对象性均值来计算多层超像素的区域对象性，计算公式见公示(2)上述步骤获取三类中层视觉特征Mean,T,O用于多核学习分类。
4.根据权利要求1所述的一种于弱监督多核分类的图像分割方法,其特征在于,所述的步骤3)中的多核学习分类，进一步包括：
1)将三类特征Mean,Texture和Objectness利用RBF核函数进行加权融合，采用简单的加权合成核方法
K(yi,yj)＝u1kmean(yi,yj)+u2ktex(yi,yj)+u3kobj(yi,yj) (3)
2)在图像平面的均匀选取若干标记像素作为训练样本并投入SVM分类器的训练，经过SVM最优化求解得到分类规则
3)将图像I所有像素投入SVM分类器得到分类结果IL
5.根据权利要求1所述的一种于弱监督多核分类的图像分割方法,其特征在于,所述的步骤4)中的区域优化合并，进一步包括：
MS
1)利用均值漂移的超像素结果得到预分割结果I ,计算每个超像素内部的像素在多核分类结果标记IL中的标记数量
2)将每个超像素内最大数量的标记lmax作为该区域的类标号,得到图像分割区域的最终划分结果
其中区域Ri合并是将拥有同一类标号的连通区域进行合并得到最终分割结果。
一种基于弱监督多核分类优化合并的图像分割方法
技术领域
背景技术
发明内容
将图像划分为K晶格，使晶格邻域之间的距离都近似等于k＝N/K，其中N是图像中的像素个 数，这样选取的样本分布较为平均，每个晶格中选取一个标记像素作为训练样本，为分类器 训练提供图像完整分类的依据。
SVM最优化求解通过计算拉格朗日方程计算相应参数，
根据参数计算出来的分类规则公式，将图像的每个像素的特征值带入公式得到类标签L，
SVM预测的像素标签是离散的标记结果，不是理想的区域分割结果。本节将利用该结果对区 域分割进行优化合并。
(a)ER分割结果；(b)MS分割结果，(c)NNG分割结果图像，
(d)ER颜色平均特征，(e)MS颜色平均特征，(f)NNG颜色平均特征，
图3本发明实验中纹理特征计算结果（多尺度类模板和颜色量化数值），
(a)（S=1,C=5），(b)（S=5,C=10），(c)（S=10,C=15），
图4本发明实验中对象性计算过程，
(a) 输入图像(b)随机窗口选择图示； (c)分割区域外接窗口选择图示，
(d) 随机窗口对象性估计； (e)分割区域外接窗口对象性估计，
(f)随机窗口区域对象性计算； (g)分割区域外接窗口区域对象性计算，
(h)对象性合并计算结果，
图5本发明实验中部分Berkeley图像的分割结果，
图6选取Berkeley库中图像#24036采取不同方法分割结果对比，
(a)待分割彩色图像；(b)MS分割结果图像；(c)FH分割结果图像，
(d)JSEG分割结果图像；(e)CTM 分割结果图像；(f) SAS分割结果图像，
(g) G-graph 分割结果图像；(h)R-graph分割结果图像；(i)本发明方法分割结果图像，
图7选取Berkeley库中图像#118020采取不同方法分割结果对比，
(a)待分割彩色图像；(b)MS分割结果图像；(c)FH分割结果图像，
(d)JSEG分割结果图像；(e)CTM 分割结果图像；(f) SAS分割结果图像，
(g) G-graph 分割结果图像；(h)R-graph分割结果图像；(i)本发明方法分割结果图像，
图8选取Berkeley库中图像#97033采取不同方法分割结果对比，
(a)待分割彩色图像；(b)MS分割结果图像；(c)FH分割结果图像，
(d)JSEG分割结果图像；(e)CTM 分割结果图像；(f) SAS分割结果图像，
(g) G-graph 分割结果图像；(h)R-graph分割结果图像；(i)本发明方法分割结果图像，
图9选取Berkeley库中图像#48055采取不同方法分割结果对比，
(a)待分割彩色图像；(b)MS分割结果图像；(c)FH分割结果图像，
(d)JSEG分割结果图像；(e)CTM 分割结果图像；(f) SAS分割结果图像，
(g) G-graph 分割结果图像；(h)R-graph分割结果图像；(i)本发明方法分割结果图像。
具体实施方式
1、输入待处理的RGB彩色图像，
2、初始化MS,NNG和MS参数的超像素参数，计算超像素，并提取每个超像素块像素点的颜色均值，
3、根据三种类图模板和颜色数量计算多尺度纹理图，
4、根据MS和NNG分割结果估计候选窗口，并联合随机窗口计算窗口对象性和MS分割结果计算区域对象性，
5、在图像中平均晶格选择（400像素）样本，并将颜色均值特征，纹理特征和对象性特征和类标记结果投入多核学习SVM，训练分类规则，
6、根据分类规则对输入图像所有像素进行分类，
7、根据分类结果L对MS分割结果进行优化合并得到分割结果，颜色和空间带宽分别为
12和10。
PRI 0.7958 0.7139 0.7756 0.7263 0.8319 0.8384 0.7470 0.8453 VOI 1.9725 3.3949 2.3217 2.1010 1.6849 1.8010 3.4467 1.5473 GCE 0.1888 0.1746 0.1989 0.2071 0.1779 0.1934 0.1342 0.1720 BDE 14.41 16.67 14.40 9.42 11.29 10.66 14.09 10.3343
通过表1对八种分割算法的指标对比，能够看出本发明算法要明显优于其它几种优秀的分割 方法。从图6-9可以观察到MS算法在颜色平滑区域表现良好，但是分割性能过分依赖于颜 色和空间带宽参数设定，大量图像的适用能力较差。FH在整体类确定情况下能够很好处理整 体区域，但是细节紊乱。JSEG的分割结果对纹理区域的识别具有较好的特异性和正确性，但 整体性能欠佳，容易产生过分割区域或欠分割区域。对低对比度、小区域和窄区域进行分割 比较困难。CTM通常和JSEG类似，但是该方法计算纹理相当耗时。B-graph和GL-graph在 同质区域分割方面优于其他方法，但在复杂区域不能很好地工作。R-graph对于预先设定 graph-partition参数依赖较大，固定类数量不适用于大量图像的分割。实验结果表明，本发明 技术能得到更优秀的分割结果。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种双发油动变桨距多旋翼飞行器的飞行控制方法 | 2020-05-12 | 840 |
| 性能退化产品可靠度置信区间估计数值仿真方法 | 2020-05-12 | 535 |
| 一种电连接器加速退化试验方案优化方法 | 2020-05-12 | 9 |
| 一种基于行为的室内定位和地标语义标识的方法 | 2020-05-14 | 204 |
| 一种基于轨道交通车辆轮对寿命统计学模型的镟修方法 | 2020-05-14 | 521 |
| 一种行人导航定位中的自适应零速修正方法 | 2020-05-08 | 167 |
| 毫米波雷达成像与模式识别 | 2020-05-14 | 843 |
| 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 | 2020-05-15 | 984 |
| 一种基于高光谱成像技术的烟草非烟物质分类方法 | 2020-05-16 | 644 |
| 融合卡尔曼和小波的MEMS陀螺仪自适应抗野值去噪方法 | 2020-05-11 | 948 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
