一种图像分割方法、装置、设备及计算机可读存储介质与流程

本发明实施例涉及图像处理技术领域，特别是涉及一种图像分割方法、装置、设备及计算机可读存储介质。

背景技术

随着计算机技术的快速发展，图像处理技术也得到快速发展。图像分割作为图像处理过程中的重要的一个步骤，也得到相应发展。

图像分割为把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标区域的过程，对后期图像分析准确度有很大的影响。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。边缘存在于目标与背景、目标与目标、区域与区域之间，是图像中物体结构、纹理、形态的重要信息，边缘检测为图像后期处理和分析提供了重要的参数指标，对后续进一步的特征描述、匹配和识别等有着重大的影响。

传统边缘检测方法是根据图像中的灰度值剧烈变化情况来确定边缘，由于各种噪声的存在对边缘检测结果产生很大影响，现有边缘检测技术需要人为设定许多参数，自适应能力较差，对检测较为复杂的图像存在一定的难度，因此图像边缘检测技术有于进一步改进和发展。

目前，图像边缘检测方法有很多种，如log边缘检测算子、canny边缘检测算子、roberts边缘检测算子等。近年来，随着各种新的算法和人工智能理论被引入到数字图像处理领域，出现了一些新的边缘检测方法，如小波变换和小波包的边缘检测法、基于数学形态学的边缘检测算法、模糊理论和神经网络的边缘检测法、利用遗传算法的边缘检测法、蚁群算法等。虽然蚁群算法具有较强的适应性、正反馈性和鲁棒性，但是前期计算量大，处理时间慢，同时，会出现边缘不够平滑、受噪声影响大、易收敛于局部(即局部最优解)等问题。

技术实现要素：

本发明实施例的目的是提供一种图像分割方法、装置、设备及计算机可读存储介质，解决了蚁群算法容易过早收敛、易陷于局部最优、对边缘定位不准确、计算量较大问题，有效减少图像处理及真实环境中点的搜索工作量，提高图像分割方法运行速度。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种图像分割方法，包括：

对待分割图像进行roi区域生长处理，得到目标检测区域图像；

利用混沌蚁群算法对所述目标检测区域图像进行边缘检测，得到所述待分割图像的边缘图像。

可选的，所述对待分割图像进行roi区域生长处理包括：

s11：按照预设子图像尺寸将所述待分割图像分割为多个子图像，并基于所述混沌蚁群算法得到所述待分割图像的预设特征参数的阈值；

s12：从各子图像中选择种子区域，并为所述种子区域选择多个相邻子图像，生成候选子区域集；

s13：判断所述候选子区域集中的各候选子区域的特征参数的阈值是否满足预设阈值条件；若是，则执行s14，若否，则执行s15；

s14：将满足所述阈值条件的候选子区域作为种子区域，返回s12；

s15：将不满足所述阈值条件的候选子区域从所述候选子区域集中删除；

其中，所述特征参数为注意度、颜色纹理值和相对位置的任意一个或任意组合。

可选的，所述判断所述候选子区域集中的各候选子区域的特征参数的阈值是否满足预设阈值条件包括：

判断所述候选子区域集中的各候选子区域的特征参数的阈值是否满足下述条件：

和

式中，为所述待分割图像的注意度阈值，为所述待分割图像的相对位置阈值；s0为候选子区域的注意度，rpd0为候选子区域的相对位置。

可选的，所述判断所述候选子区域集中的各候选子区域的特征参数的阈值是否满足预设阈值条件包括：

判断所述候选子区域集中的各候选子区域的特征参数的阈值是否满足下述条件：

和和

式中，为所述待分割图像的注意度阈值，为所述待分割图像的相对位置阈值，为所述待分割图像的颜色纹理值阈值；s0为候选子区域的注意度，rpd0为候选子区域的相对位置，f0为候选子区域的颜色纹理值。

可选的，所述为所述种子区域选择多个相邻子图像，生成候选子区域集包括：

以所述种子区域为中心，选择所述种子区域的上下左右四个方向上相邻的子图像作为候选子区域，生成候选子区域集。

可选的，所述选择所述种子区域的上下左右四个方向上相邻的子图像作为候选子区域，生成候选子区域集包括：

判断候选子区域是否在所述候选子区域集中；

若否，则将候选子区域并入所述候选子区域集中。

可选的，所述基于所述混沌蚁群算法得到所述待分割图像的预设特征参数的阈值包括：

获取各子图像的目标特征参数值；

根据预设的目标特征参数阈值与各子图像的目标特征参数值，将各子图像分为大于所述目标特征参数阈值的第一子集，和小于所述目标特征参数阈值的第二子集；

分别计算第一子集和第二子集中各子图像的目标特征参数的平均值，并将两个平均值的平均值作为新目标特征参数阈值，重复上述迭代过程，直至新目标特征参数阈值满足下述条件：

|t^(l)-t^(l-1)|≤ω；

式中，t^(l)为当前新目标特征参数阈值，t^(l-1)为当前新目标特征参数阈值上一次迭代更新后的值，ω为预先设定的误差阈值；

将满足上述条件的新目标特征参数阈值作为所述待分割图像的目标特征参数的阈值，所述目标特征参数为注意度、颜色纹理值或相对位置。

本发明实施例另一方面提供了一种图像分割装置，包括：

提取感兴趣区域模块，用于对待分割图像进行roi区域生长处理，得到目标检测区域图像；

边缘图像获取模块，用于利用混沌蚁群算法对所述目标检测区域图像进行边缘检测，得到所述待分割图像的边缘图像。

本发明实施例还提供了一种图像分割设备，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述图像分割方法的步骤。

本发明实施例最后还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有图像分割程序，所述图像分割程序被处理器执行时实现如前任一项所述图像分割方法的步骤。

本发明实施例提供了一种图像分割方法，包括对待分割图像进行roi区域生长处理，以从待分割图像中提取感兴趣区域作为目标检测区域图像；利用混沌蚁群算法对目标检测区域图像进行边缘检测，得到待分割图像的边缘图像。本申请提供的技术方案的优点在于，在利用混沌蚁群算法对图像边缘进行提取之前，先从待分割图像中提取感兴趣区域代替整副待分割图像用于后续处理，有效减少图像处理及真实环境中点的搜索工作量，从而提高图像分割方法的运行速度，满足实时性的现实需求；由于混沌蚁群算法通过更新信息素矩阵来计算图像阈值，从而获得图像边缘信息，能够更全面、迅速地找到图像的边缘，从而提高图像分割的速度和准确度，利用混沌算法的全排列性，混沌变量具有遍历性、随机性和规律性的特点，解决了传统蚁群算法容易过早收敛、易陷于局部最优、对边缘定位不准确问题。

此外，本发明实施例还针对图像分割方法提供了相应的实现装置、设备及计算机可读存储介质，进一步使得所述方法更具有实用性，所述装置、设备及计算机可读存储介质具有相应的优点。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种图像分割方法的流程示意图；

图2为本发明实施例提供的另一种图像分割方法的流程示意图；

图3为本发明实施例提供的混沌蚁群算法提取原始图像边缘的实验结果示意图；

图4为本发明实施例提供的蚁群算法提取原始图像边缘的实验结果示意图；

图5为本发明实施例提供的图像分割方法提取原始图像边缘的实验结果示意图；

图6为本发明实施例提供的图像分割装置的一种具体实施方式结构图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”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、产品或设备没有限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。

在介绍了本发明实施例的技术方案后，下面详细的说明本申请的各种非限制性实施方式。

首先参见图1，图1为本发明实施例提供的一种图像分割方法的流程示意图，本发明实施例可包括以下内容：

s1：对待分割图像进行roi区域生长处理，得到目标检测区域图像。

s2：利用混沌蚁群算法对目标检测区域图像进行边缘检测，得到待分割图像的边缘图像。

基于像素点的区域生长方法受噪声的影响较为严重，且生长速度较慢，导致整个图像分割方法的速度较慢。基于子区域的区域生长方法，即roi(regionofinterest，感兴趣区域)区域生长方法，将待分割图像分成一组小区域，通过比较每个区域的某些预设特征参数(例如注意度、颜色纹理值或相对位置)的相似度，得到目标检测区域图像。

混沌蚁群算法为在m×n的图片范围内随机投放只蚂蚁，利用蚂蚁随机搜索路径时，图像灰度值的变化情况不断更新信息素矩阵，利用蚁群算法的正反馈性，最终产生的信息素矩阵计算图像的阈值，从而确定图像的边缘位置。

初始的信息素矩阵τi,j不为0，否则无法启动蚂蚁转移，因此产生一个随机矩阵作为信息素矩阵初始化。蚂蚁下一步要走的位置，由转移概率决定，如下式：

式中，(i,j)为蚂蚁当前位置(l,m)的一个相邻像素点，ω(l,m)为所有相邻像素点的集合；τi,j为像素点(i,j)处的信息素矩阵；ηi,j为像素点(i,j)处的启发引导函数；α、β为像素点(i,j)处积累的信息素强度和启发式引导函数选择像素过程中的影响因子；ii,j为的灰度值；vc(ii,j)为蚂蚁所在像素点的边缘信息的强度值，该值由所在像素点周围区域的值决定z为标准化参数，

var＝|ii-2,j-1-ii+2,j+1|+|ii-2,j+1-ii+2,j-1|+|ii-1,j-2-ii+1,j+2|+|ii-1,j-1-ii+1,j+1|+|ii-1,j-ii+1,j|+|ii-1,j+1-ii+1,j-1|+|ii-1,j+2-ii+1,j-2|+|ii,j-1-ii,j+1|。

令nc＝0(nc为迭代次数)，进行混沌初始化。选择典型的混沌系统-logistics映射作为混沌变量，按照下式进行迭代：

zi,j(t+1)＝μzi,z(t)[1-zi,j(t)]；

式中，zi,j(t)为混沌变量，μ为控制参数，当μ＝4、0≤zi,j(0)≤1时，logistics映射完全处于混沌状态。利用全排列理论，每一个混沌量对应一个像素点上的信息素值，即每个像素点上的信息素初始值根据混沌量而给出。

混沌蚁群算法中信息素有两处更新。第一次更新是在每只蚂蚁走完一步之后，信息素矩阵的根据下述公式更新：

若(i,j)点被当前第k只蚂蚁访问

式中，(1-ρ)，ρ∈(0,1)为信息素的蒸发率，表示第k只蚂蚁在经过点时所留下的信息素，其值由启发式矩阵决定，即zi,j(t)为混沌变量，q1为系数。

第二次更新是在进行完一次迭代之后，其公式如下：

τ⁽ⁿ⁾＝(1-φ)·τ^(n-1)+φ·τ⁽⁰⁾；

式中，φ为信息素的衰减系数。

在本发明实施例提供的技术方案中，在利用混沌蚁群算法对图像边缘进行提取之前，先从待分割图像中提取感兴趣区域代替整副待分割图像用于后续处理，有效减少图像处理及真实环境中点的搜索工作量，从而提高图像分割方法的运行速度，满足实时性的现实需求；由于混沌蚁群算法通过更新信息素矩阵来计算图像阈值，从而获得图像边缘信息，能够更全面、迅速地找到图像的边缘，从而提高图像分割的速度和准确度，利用混沌算法的全排列性，混沌变量具有遍历性、随机性和规律性的特点，解决了传统蚁群算法容易过早收敛、易陷于局部最优、对边缘定位不准确问题。

可选的，在一种具体的实施方式中，请参阅图2，s1可包括：

s11：按照预设子图像尺寸将待分割图像分割为多个子图像，并基于混沌蚁群算法得到待分割图像的预设特征参数的阈值；

s12：从各子图像中选择种子区域，并为种子区域选择多个相邻子图像，生成候选子区域集；

s13：判断候选子区域集中的各候选子区域的特征参数的阈值是否满足预设阈值条件；若是，则执行s14，若否，则执行s15；

s14：将满足阈值条件的候选子区域作为种子区域，返回s12；

s15：将不满足阈值条件的从候选子区域集中删除；

s16：得到目标检测区域图像。

将待分割图像分割为多个子图像，各子图像的尺寸可相同，也可不相同，为了便于后续数据处理，可将待分割图像分割为相同尺寸(例如3*3)的多个子图像。

获取各子图像的特征参数可为注意度、颜色纹理值和相对位置的任意一个或任意组合。如何从各子图像中得到相应的特征参数，可根据现有的任何一种特征提取技术，本申请对此不做任何限定。

不同图像的内容不相同，固定的取值显然是不合适的。最佳的阈值应当能够自动的随着图像的具体内容而自适应的调整。可基于混沌蚁群算法中的确定待分割图像各特征参数的阈值，具体的可包括：

初始化t^(l)＝t⁽⁰⁾，根据t⁽⁰⁾的值将信息素矩阵τi,j划分为大于t⁽⁰⁾和小于t⁽⁰⁾的两部分，分别计算这两部分的平均值。再将这两部分的平均值求平均作为新的阈值t^(l)，经过多次迭代之后，直到新的阈值t^(l)不再改变或者与上一次更新的阈值的差的绝对值小于等于一个给定的值ω时，则输出阈值t^(l)并根据其值划分图片，确定图像的边缘。具体的过程可参阅下述描述：

初始化阈值t^(l)令l＝0：

其中，为最终的信息素矩阵、待分割图像大小为m*n。

根据阈值t^(l)的值可将信息素矩阵划分为大于t^(l)和小于t^(l)的两部分，分别计算这两部分的平均值：

其中：

设置迭代系数l＝l+1更新阈值t^(l)：

若|t^(l)-t^(l-1)|＞ω，则继续划分阈值t^(l)；若|t^(l)-t^(l-1)|≤ω，则输出阈值t^(l)，其中，ω可为根据用户定义的允许误差，一般通常设为1。根据阈值划分图片为：

根据上述方法，计算待分割图像的特征参数的阈值，可为：

获取各子图像的目标特征参数值；

根据预设的目标特征参数阈值与各子图像的目标特征参数值，将各子图像分为大于目标特征参数阈值的第一子集，和小于目标特征参数阈值的第二子集；

分别计算第一子集和第二子集中各子图像的目标特征参数的平均值，并将两个平均值的平均值作为新目标特征参数阈值，重复上述迭代过程，直至新目标特征参数阈值满足下述条件：

|t^(l)-t^(l-1)|≤ω；

式中，t^(l)为当前新目标特征参数阈值，t^(l-1)为当前新目标特征参数阈值上一次迭代更新后的值，ω为预先设定的误差阈值；

将满足上述条件的新目标特征参数阈值作为待分割图像的目标特征参数的阈值，目标特征参数为注意度、颜色纹理值或相对位置。

以颜色纹理值为例，得到各子子图像的颜色纹理值，初始化根据的值将所有子区域划分为大于和小于的两部分，分别计算这两部分的平均值。再将这两部分的平均值求平均作为新的阈值经过多次迭代之后，新的阈值小于等于一个给定的值ω0(ω0＝0或任何一个非零值)时，则输出阈值作为待分割图像的颜色纹理阈值。

种子区域可随机从各子图像中选取任何一个子图像，可选的，可以种子区域为中心，选择种子区域的上下左右四个方向上相邻的子图像作为候选子区域，将这些后续子区域构成候选子区域集。

判断候选子区域集中的各候选子区域的特征参数的阈值是否满足预设阈值条件可包括：

判断候选子区域集中的各候选子区域的特征参数的阈值是否满足下述条件：

和或者和和若是，则可将该候选子区域进行标注，即该候选子区域为已标注区域。即注意度较大且不在边缘的区域，或者注意度不大且不在边缘，但与已标注区域具有相似的颜色纹理特征，再构造该区域的上下左右4个方向的相邻子区域，并且将新的候选子区域并入候选子区域集合中(可选的，候选子区域集中已存在的候选子区域不再并入，只增加该集合中没有的候选子区域)。

式中，为待分割图像的注意度阈值，为待分割图像的相对位置阈值；s0为候选子区域的注意度，rpd0为候选子区域的相对位置，为待分割图像的颜色纹理值阈值；f0为候选子区域的颜色纹理值。

需要说明的是，当候选子区域中没有候选子区域时，即候选子区域集为空，则处理已合并区域。

为了验证本申请提供的技术方案可有效提取边缘图像，本申请选取128×128的灰度图为例，在matlab上进行仿真，分别运用混沌蚁群算法、蚁群算法和本申请提供的技术方案对图像边缘进行提取，请参阅图3-图6所示。

从各图中可发现，本申请提供的技术方案能够更全面、迅速地找到图像的边缘，从而提高图像分割的速度和准确度。

本发明实施例还针对图像分割方法提供了相应的实现装置，进一步使得所述方法更具有实用性。下面对本发明实施例提供的图像分割装置进行介绍，下文描述的图像分割装置与上文描述的图像分割方法可相互对应参照。

参见图6，图6为本发明实施例提供的图像分割装置在一种具体实施方式下的结构图，该装置可包括：

提取感兴趣区域模块601，用于对待分割图像进行roi区域生长处理，得到目标检测区域图像。

边缘图像获取模块602，用于利用混沌蚁群算法对目标检测区域图像进行边缘检测，得到待分割图像的边缘图像。

可选的，在本实施例的一些实施方式中，所述提取感兴趣区域模块601可以包括：

图像分割子模块，用于按照预设子图像尺寸将待分割图像分割为多个子图像，并基于混沌蚁群算法得到待分割图像的预设特征参数的阈值；其中，特征参数为注意度、颜色纹理值和相对位置的任意一个或任意组合；

子区域处理子模块，用于从各子图像中选择种子区域，并为种子区域选择多个相邻子图像，生成候选子区域集；判断候选子区域集中的各候选子区域的特征参数的阈值是否满足预设阈值条件；将满足阈值条件的候选子区域作为种子区域，继续按照上述方法对候选子区域集每个候选子区域进行判断；将不满足阈值条件的其从候选子区域集中删除。

在本实施例的另一些实施方式中，所述提取感兴趣区域模块601可为判断候选子区域集中的各候选子区域的特征参数的阈值是否满足下述条件的模块：

和

式中，为待分割图像的注意度阈值，为待分割图像的相对位置阈值；s0为候选子区域的注意度，rpd0为候选子区域的相对位置。

具体的，提取感兴趣区域模块601还可为以种子区域为中心，选择种子区域的上下左右四个方向上相邻的子图像作为候选子区域，生成候选子区域集的模块。

此外，在一种具体的实施方式中，所述边缘图像获取模块602例如可包括：

获取子模块，用于获取各子图像的目标特征参数值；

归类子模块，用于根据预设的目标特征参数阈值与各子图像的目标特征参数值，将各子图像分为大于目标特征参数阈值的第一子集，和小于目标特征参数阈值的第二子集；

阈值更新迭代子模块，用于分别计算第一子集和第二子集中各子图像的目标特征参数的平均值，并将两个平均值的平均值作为新目标特征参数阈值，重复上述迭代过程，直至新目标特征参数阈值满足下述条件，将满足上述条件的新目标特征参数阈值作为待分割图像的目标特征参数的阈值，目标特征参数为注意度、颜色纹理值或相对位置：

|t^(l)-t^(l-1)|≤ω；

式中，t^(l)为当前新目标特征参数阈值，t^(l-1)为当前新目标特征参数阈值上一次迭代更新后的值，ω为预先设定的误差阈值。

本发明实施例所述图像分割装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例在利用混沌蚁群算法对图像边缘进行提取之前，先从待分割图像中提取感兴趣区域代替整副待分割图像用于后续处理，有效减少图像处理及真实环境中点的搜索工作量，从而提高图像分割方法的运行速度，满足实时性的现实需求；由于混沌蚁群算法通过更新信息素矩阵来计算图像阈值，从而获得图像边缘信息，能够更全面、迅速地找到图像的边缘，从而提高图像分割的速度和准确度，利用混沌算法的全排列性，混沌变量具有遍历性、随机性和规律性的特点，解决了传统蚁群算法容易过早收敛、易陷于局部最优、对边缘定位不准确问题。

本发明实施例还提供了一种图像分割设备，具体可包括：

存储器，用于存储计算机程序；

处理器，用于执行计算机程序以实现如上任意一实施例所述图像分割方法的步骤。

本发明实施例所述图像分割设备的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例解决了蚁群算法容易过早收敛、易陷于局部最优、对边缘定位不准确、计算量较大问题，有效减少图像处理及真实环境中点的搜索工作量，提高图像分割方法运行速度。

本发明实施例还提供了一种计算机可读存储介质，存储有图像分割程序，所述图像分割程序被处理器执行时如上任意一实施例所述图像分割方法的步骤。

本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例解决了蚁群算法容易过早收敛、易陷于局部最优、对边缘定位不准确、计算量较大问题，有效减少图像处理及真实环境中点的搜索工作量，提高图像分割方法运行速度。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的一种图像分割方法、装置、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。