一种新型的基于分水岭算法的图像分割模型

文摘

小说模型提出了基于分水岭图像分割的方法。为了防止oversegmentation传统分水岭,我们的算法有五个阶段。首先,应用形态学重建光滑平坦的区域,并保留图像的边缘。其次,多尺度形态学梯度是用来避免边缘的增厚和合并。第三,对比度增强,帽子顶部/底部转换使用。第四,修改图像的形态学梯度征收区域最小值在内部和外部的位置标记。最后,加权函数是用来把帽子顶部/底部转换算法和标记算法的新算法。实验结果表明新算法的优越性抑制过分割。

1。介绍

分割将图像划分为其组成区域或对象,和分割时,必须停止应用程序中感兴趣的对象有被隔离1]。图像分割是基于三个主要概念:边缘检测、阈值和地区增长。最常见的一个阈值。阈值有一个高速操作和易于实现。然而其性能相对有限,因为相同的图像像素灰度值将总是被划分为同一个类(2]。由形态学分水岭分割(3- - - - - -10)体现了许多其他三种方法的概念,产生更稳定的分割结果,并提供简单的框架。一个简单的分水岭变换导致oversegmentation [11]。为了防止这种oversegmentation,进化的分水岭方法通过几个阶段。最初的分水岭方法是由Lantuejoul [12),被广泛描述的应用程序一起Beucher和迈耶13]。作者在3)使用FIFO队列来扩展原始的进化与灰度图像(11]。Shafarenko et al。14应用FIFO彩色图像。本文提高对比度的梯度图像顶部/底部帽变换,修改的结果增强实行区域最小值在内部和外部的位置标记,结合帽子顶部/底部转换算法和标记算法通过使用合适的权函数,和主题结合分水岭算法。新算法有能力防止oversegmentation简单的分水岭分割算法。另一种特殊性的算法对噪声不敏感。

2。算法

在该算法我们清理图像形态学重建,避免边缘的增厚和合并的多尺度梯度,提高对比度的梯度图像顶部/底部帽变换,修改图像增强的内部和外部标记,和主题形象组合(上/下图像和标记图像)的分水岭分割算法。

2.1。形态学重建

重建是一个形态变换涉及两个图片和一个结构化元素。第一个图像称为标记,第二个叫做面具。形态学图像处理包含两个基本操作:腐蚀和膨胀。膨胀和腐蚀操作,变厚和薄的物体图像,分别。图像的膨胀和侵蚀通过结构化元素与和作为集,用和分别定义如下: 的形象通过结构化元素定义如下: 最后的图像通过结构化元素定义如下:

平滑图像通过重建运算符,我们使用以下方程: 在哪里重建运算符,是参考图像获得通过关闭图像吗,次,结构元素的大小吗(4]。

2.2。多尺度形态学梯度

通常我们使用梯度大小对灰度图像进行预处理之前使用的分水岭变换分割。扩张和侵蚀可用于结合图像减法得到形态学梯度图像图像的平滑如下: 在哪里是一个结构化元素(SE)的尺寸吗。

图像的区域是增厚和减少了扩张和侵蚀,分别。减去从膨胀侵蚀将强调区域之间的边界;换句话说,减法操作的影响增强边缘。因此它可以防止合并它们。对多尺度梯度图像,我们首先使用多尺度梯度算法提出的王(16]:

当我们主题的多尺度梯度图像分水岭分割算法,这是不可避免的,有很多分水岭脊线不对应于我们感兴趣的对象,即oversegmentation。扩张多尺度梯度图像用一个结构元素可以减少这个oversegmentation。因此最终的梯度图像可以表示如下:

2.3。顶部/底部帽变换

帽子顶部和底部转换的主要目的是减轻对象在一个黑暗的背景和灯光背景变黑对象,分别为(17]。由于图像的对比将会增强。

上流社会的转换(18,19的最后一个梯度图像定义如下:

低帽变换的最后一个梯度图像定义如下:

在本文中,我们使用上/下帽子转换提高最终的梯度图像的对比,这有助于减少oversegmentation所产生的对最终图像梯度的分水岭分割算法。

2.4。标记提取

直接反对一个梯度图像分水岭分割算法会导致oversegmentation由于噪声和其他当地梯度的违规行为。理想的方法来防止这种oversegmentation基于标记的概念,其目的是查明区域均匀的质地、颜色和强度,然后将它们合并得到相对精确的分割。内部标记在每个感兴趣的对象,而外部标记是包含在背景。这些标记是用来修改梯度图像使用最小值实施技术。这种技术将修改图像区域最小值为何只发生在显著位置。获得的图像标记图像是一个二进制图像,这样一个像素属于同质区域将标记(黑色),否则它会是白色。标记的概念是一个很好的方法避免oversegmentation。然而在这个方法中一些对象将离开没有标志,这意味着最终的分割会错过这些对象。

2.5。一个结合的算法

正如上面提到的,一个多尺度梯度通常会导致oversegmentation,同时标记提取留下了一些对象没有标志。因此这两种方法的结合适当的权函数可以克服这两种方法的缺点。换句话说,结合适当的体重可以将部分对象没有标志,同时防止oversegmentation是由多尺度梯度,从而提供更完美的结果当我们使用分水岭分割算法。考虑的特征多尺度梯度(由顶部/底部帽变换增强)方法和标记的方法,我们提出一个加权函数如下: 在哪里是一个像素位置,是一个图像的前景,是一个背景的图像。新算法,最后通过结合增强梯度图像与标志形象如下:

从我们可以期待以下。(我)地区大量的分割区域(oversegmentation)新算法将扮演好角色控制oversegmentation;即,新算法将突出标记方法自在这种情况下接近1。(2)区域包含的对象没有标志,新算法将扮演好角色部分这些对象;换句话说,新算法将突出的作用自在这种情况下接近0。

3所示。实验结果

评估算法,我们选择了四个图片为例。提出的分割算法的结果如图1,2,3,4分别在每个图,说明原始图像,由传统分水岭算法的结果,最终的结果多尺度梯度算法,算法的结果(4),结果的算法(15),结果的新算法。从数据1,2,3,4很明显,该算法给出最优结果。新的分割算法的结果与传统分水岭分割算法相比,最后多尺度梯度分割算法,该算法在4),该算法在15),分别。

传统分水岭分割算法的结果患有严重oversegmentation使结果几乎毫无用处。

因为最终的多尺度梯度算法降低噪音的效果,结果比传统的分水岭。然而有一些流域脊线不符合我们感兴趣的对象。该算法克服了oversegmentation和噪音的敏感问题,传统的分水岭分割算法,所以oversegmentation几乎减少了,边缘的位置是非常准确的。

从图1我们可以看到,米粒之间的分水岭脊线已经完全消失在图像分割的分割算法和该算法在4),与传统分水岭分割算法和最终的情况下多尺度梯度分割算法,在那里我们可以看到许多关闭,连接区域的边界跟踪的轮廓图像,使图像看起来很乱,尤其是传统的分水岭分割算法。至于算法的情况下在15米粒几乎没有标记。

从数据2,3,4我们可以发现,传统的分水岭,最后多尺度梯度,算法(4,15]oversegment图像到峰值,坑和鞍地区,导致许多分水岭脊线不对应于我们感兴趣的对象,而只有峰值和坑,地区出现在图像的算法。从数据2,3,4我们看到,传统的分水岭,最后多尺度梯度,算法(4,15)导致oversegmentation。然而该算法会导致正确的分割。

表1列出了不同的方程来计算成本四个图像。从这个表可以看出,(11)在我们的论文提出需要更少的计算时间比(14)和(2)提出了4]和[15),分别,这意味着我们的算法节省了计算时间比其他两种算法;换句话说,该算法要经济得多。

4所示。结论

解决oversegmentation和噪声敏感的简单的分水岭变换,新的算法。提出的分割算法实现了图像和产生对抑制oversegmentation非常满意的结果。适当的权函数用于将增强最终多尺度梯度算法与标记算法的新算法。这两种算法的结合有助于克服oversegmentation和undersegmentation增强最终造成的多尺度梯度算法和标记算法,分别。实验结果表明,该算法优于最后多尺度梯度算法,该算法在4),该算法在15)的抑制oversegmentation传统的分割算法。

确认

这项工作是NSFC-Guangdong联合基金(重点项目)批准号U1135003和中国国家自然科学基金批准号61070227。

引用

1. r·c·冈萨雷斯·r·e·伍兹,s . l . eddin使用Matlab数字图像处理,电子工业出版社,北京,2009。
2. c . f .罪恶和c . k .梁”,通过改变模板块的块,图像分割”《IEEE 10日电气和电子技术国际会议,1卷,第305 - 302页,2001年8月,中国。视图:谷歌学术搜索
3. l·文森特和p . Soille流域在数字空间:一个高效的算法基于浸模拟,”IEEE模式分析与机器智能,13卷,不。6,583 - 598年,1991页。视图:出版商的网站|谷歌学术搜索
4. k . Nallaperumal k . Krishnaveni j . Varghese沙特,s .安南和p·库马尔,“一种新颖的多尺度形态学分水岭分割算法,国际期刊的成像科学和工程,1卷,不。2,60 - 64、2007页。视图:谷歌学术搜索
5. m . Pesaresi和j·A . Benediktsson”,一个新的高分辨率卫星图像的形态学分割方法,”IEEE地球科学和遥感,39卷,不。2、309 - 320年,2001页。视图:出版商的网站|谷歌学术搜索
6. k·哈里斯,s . n . Efstratiadis n . Maglaveras和a . k . Katsaggelos”混合使用分水岭图像分割和快速的区域合并,“IEEE图像处理,7卷,不。12日,第1699 - 1684页,1998年。视图:出版商的网站|谷歌学术搜索
7. 钱德Mukhopadhyay和b”,灰度图像的多尺度形态学分割”,IEEE图像处理,12卷,不。5,533 - 549年,2003页。视图:出版商的网站|谷歌学术搜索
8. h·t·阮、m .烦恼和r . van den Boomgaard,“Watersnakes:能源驱动的分水岭分割,”IEEE模式分析与机器智能,25卷,不。3、330 - 342年,2003页。视图:出版商的网站|谷歌学术搜索
9. g . Hamarneh和李x”,分水岭分割使用形状和外观知识之前,”图像和视觉计算,27卷,不。1 - 2日,59 - 68年,2009页。视图:出版商的网站|谷歌学术搜索
10. 傅x, y和h·张,“快两步marker-controlled分水岭图像分割方法,”《IEEE国际会议上机电一体化和自动化,第1380 - 1375页,北京,中国,2012。视图:谷歌学术搜索
11. p·r·希尔,c . n . Canagarajah和d·r·牛”使用基于纹理梯度的分水岭变换图像分割,“IEEE图像处理,12卷,不。12日,第1633 - 1618页,2003年。视图:出版商的网站|谷歌学术搜索
12. c . LantuejoulLa Squelettisatoin等儿子应用辅助措施Topologiques des Mosaiques Polycristalines[博士。论文)矿业学院,巴黎,法国,1978年。
13. 美国Beucher和f·迈耶,”形态学分割方法:分水岭变换,”数学形态学图像处理及其应用e·r·多尔蒂,艾德,34卷,第481 - 433页,马塞尔·德克,纽约,纽约,美国,1993年。视图:谷歌学术搜索
14. 和j·l·Shafarenko m . Petrou难应付的,“自动随机纹理彩色图像分水岭分割,”IEEE图像处理》第六卷,没有。11日,第1544 - 1530页,1997年。视图:出版商的网站|谷歌学术搜索
15. y刘问:赵,“一种改进的基于多尺度梯度的分水岭算法和距离变换,”IEEE学报》3日国际大会对图像和信号处理(CISP 10)烟台,页3750 - 3754年,中国,2010年10月。视图:出版商的网站|谷歌学术搜索
16. d .王”,一个多尺度梯度使用分水岭图像分割算法,”模式识别,30卷,不。12日,第2052 - 2043页,1997年。视图:谷歌学术搜索
17. r·c·冈萨雷斯和r·e·伍兹数字图像处理,电子工业出版社,北京,中国,第3版,2010年版。
18. a·c·Jalba m·h·f·威尔金森和j·b·t·m·Roerdink”形态hat-transform规模空间和模式分类使用,“模式识别,37卷,不。5,901 - 915年,2004页。视图:出版商的网站|谷歌学术搜索
19. a·c·Jalba j·b·t·m·Roerdink和m·h·f·威尔金森”形态hat-transform规模空间及其使用纹理分类,”《IEEE国际会议上图像处理(ICIP ' 03),1卷,页我- 329 - 332,奥兰多,佛罗里达州,美国,2003年9月。视图:谷歌学术搜索

版权

版权©2013年阿里•阿卜杜拉•Yahya等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。