一种基于超像素的显微图像目标区域提取方法及系统与流程

本发明涉及数字图像处理
技术领域：
，具体涉及一种基于超像素的显微图像目标区域提取方法及系统。
背景技术：
：高炉冶炼中，经布袋除尘系统捕捉的瓦斯灰中含有大量可再利用的含碳物质，且探究其物料来源及含量亦可指导高炉给料配比以保障生产顺行以及减少能耗。相比于化学测定，显微分析为研究含碳物质提供了新的有力途径，但分析结果受制于工作者的专业技能，因而实现显微图像的自动分析尤为重要。目标的分割提取是图像自动分析的基础，meanshift算法是基于密度估计通过迭代使得聚类中心定位到样本局部最密集处，在基于聚类分析实现图像目标提取中极为常用。但传统的meanshift算法以图像像素作为聚类样本，对于大规模像素的图像会耗费较长的聚类时间。为加速算法，一些学者利用改进的快速高斯变换简化了meanshift向量的计算，另一些学者提出来基于双树的meanshift加速算法，还有一些学者通过积分图像方案降低meanshift向量的计算复杂度，这些方法在不同程度上提升了算法效率，但分割出的图像目标或背景的整体性不足。瓦斯灰显微图像采用传统的meanshift算法在图像分割中存在处理时间长的问题。技术实现要素：本发明所要解决的技术问题在于：如何解决图像分割中处理时间过长的问题，提供了一种基于超像素的显微图像目标区域提取方法。本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：s1：生成超像素输入图像并采用slic(超像素)算法对图像进行预处理得到超像素；s2：提取特征提取步骤s1中超像素在颜色、位置两方面的特征；s3：进行聚类处理通过meanshift算法对超像素进行聚类处理；s4：进行区域合并通过自适应区域合并方法对步骤s3得到的聚类结果进行区域合并，并输出分割结果。优选的，在所述步骤s1中，slic算法是通过整合图像像素的位置远近以及颜色相似度进行聚类生成超像素。优选的，在slic算法中，首先将图像从rgb颜色空间转换cielab颜色空间，对应的每个像素的颜色值(l,a,b)和坐标位置(x*,y*)组成特征空间[l,a,b,x*,y*]，在该特征空间内对所有像素进行聚类。优选的，在所述步骤s2中，颜色和位置特征为各超像素内部所有像素点的颜色和位置特征的均值，颜色特征用cieluv颜色空间中的l、u、v表示，位置特征用坐标x*、y*表示。优选的，在所述步骤s3中，meanshift算法的核心在于定义meanshift向量指向样本分布中概率密度增加最大的方向，并通过逐步迭代完成模式点的搜索任务，模式点为样本分布的局部最密集处。优选的，所述meanshift向量的形式为：其中，qh表示以点x为中心半径为h的高维球区域，xi为qh中的样本点，g(x)是核函数；meanshift向量的偏移过程即为搜索模式点的过程，对于给定的初始中心点x、核函数g(x)以及收敛误差ε，搜索过程是按照上式计算mh,g(x)；若||mh,g(x)-x||≤ε则结束搜索，并将mh,g(x)作为x的模式点；否则令mh,g(x)＝x并继续迭代搜索。优选的，所述核函数具体为：其中，xc、xp分别为特征向量中的颜色、位置分量，g(x)是作用于两个域中的公共函数式，hc、hp表示所用核的带宽，c为对应的归一化常数。优选的，在所述步骤s4中，自适应区域合并方法是依据区域划分图构建区域邻接表，其中ri和rj表示一对邻接区域，该对邻接区域的差异值为d(ri,rj)。优选的，所述自适应区域合并方法中的邻接区域差异值d(ri,rj)是由邻接区域在公共边界处的超像素差异d(sk,sl)来度量，具体形式如下：其中，sk,sl是公共边界处的一对邻接超像素，n表示在公共边界处与sk,sl关系相同的超像素对数目，p为相应超像素对的编号集合,sk,sl邻接超像素的差异由它们在rgb色彩空间的颜色距离衡量。一种基于超像素的显微图像目标区域提取系统，包括：超像素产生模块，用于通过slic算法对图像进行预处理得到超像素；特征提取模块，用于提取超像素在颜色、位置两方面的特征；聚类处理模块，用于通过meanshift算法对超像素进行聚类处理；区域合并模块，用于通过自适应区域合并方法对聚类结果进行区域合并，并输出分割结果；控制模块，用于控制各模块从而完成相应步骤；所述超像素产生模块、特征提取模块、聚类处理模块、区域合并模块均与控制模块电连接。本发明相比现有技术具有以下优点：生成的超像素较原有像素在meanshift聚类过程中更具有适用性，通过处理图像的时间大幅度降低，而且聚类区域较为完整、连通性比较强；本发明设计的自适应区域合并方法能够有效的改善meanshift聚类中因带宽调节不当导致聚类效果欠佳的状况，提高了图像分割的精度；能够为瓦斯灰显微图像的成分识别与自动分析奠定较好的基础，极大减少了人工主观判断对瓦斯灰显微图像成分识别造成的干扰。附图说明图1是本发明的工作流程示意框图；图2是本发明实施例中的瓦斯灰显微图像；图3是本发明实施例中的超像素图像；图4是本发明实施例中的meanshift聚类图像；图5是本发明实施例中的区域合并后图像；图6是kmeans聚类算法的图像分割结果图；图7是传统meanshift聚类算法的图像分割结果图；图8是本发明的图像分割结果图；图9是本发明实施例中的区域划分示意图。具体实施方式下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。如图1所示，本实施例提供一种技术方案：一种基于超像素的显微图像目标区域提取方法，包括以下步骤：s1：生成超像素slic算法会预先将图像等分为k个边长为s的矩形区域，取各矩形中心点作为初始聚类中心，并以聚类中心周围2s×2s区域作为聚类搜索区域；生成超像素的具体实施过程如下：s101：初始化聚类中心点slic算法首先根据输入参数确定超像素的数目，并且确定聚类中心的数目；算法是依据步长在图像中对像素采样用以初始化将聚类中心特征向量ck＝[lk,ak,bk,x*k,y*k]t，k＝1,2,...,k；s102：优化初始聚类的中心分布slic算法根据所有像素点的颜色梯度，将聚类中心颜色梯度值与其邻域内各像素颜色梯度值进行比较，并将聚类中心移至周围3×3邻域中梯度最小的位置；s103：计算像素点与聚类中心的距离此步骤通过不断迭代计算两者之间的距离d，并将图像像素分配到最近聚类，像素点到聚类中心的距离d公式定义如下：其中dc、ds分别为颜色和位置距离，nc、ns为量纲归一化参数，nc表示最大颜色空间距离，其值被固定为常数m，在[1,40]内取值，用来控制超像素的紧凑度，ns表示最大位置空间距离，与采样步长s对应；s104：更新聚类中心并计算残差e若e≤ε，向下执行；否则，执行步骤s103；s105：强制连通离群点按照就近分配原则将尺寸过小或是离群点的超像素强制连通。s2：提取特征提取步骤s1中超像素在颜色、位置两方面的特征，步骤如下：s201：颜色特征提取对于每一超像素，统计其内部所有像素点在cieluv颜色空间中的l、u、v均值作为超像素的颜色特征，用表示。s202：位置特征提取对于每一超像素，统计其内部所有像素点的坐标x*、y*均值作为超像素的位置特征，用表示。s3：进行聚类处理通过meanshift算法对超像素进行聚类处理；相应的meanshift聚类过程如下：s301：确定核函数本实施例使用的多元核函数可分解成两个空间的单元核函数之积，具体形式如下：上式中，xc、xp分别为特征向量中的颜色、位置分量，g(x)是作用于两个域中的公共函数式，hc、hp表示所用核的带宽，c为对应的归一化常数；s302：搜索并合并模式点将所有模式点中同时满足颜色距离小于hc/2、位置距离小于hp/2模式点取中值合并；s303：赋值对不同的聚类赋予不同的编号，即label(ci)＝i，i＝1,2,...,s，s为最终的聚类数；对同一聚类中的样本赋予相同的颜色值，从而区分出图像中不同的聚类区域。s4：进行区域合并对得到的聚类结果进行区域合并并输出分割结果；剔除区域合并结果中像素数过少的杂质区域并将其分配给与其公共边界最长的区域。将meanshift聚类结果作为初始rpm(区域划分图，图9)，其中，rpm中的1、2、3是不同区域的编号，相应的区域合并过程如下：s401：获取rat(区域邻接表)，查找rat中邻接区域差异值最小的一项min(d(ri,rj))；区域邻接表如下，其中1、2、3即rpm中不同区域编号；表1区域邻接表rirjd(ri,rj)12..13..23..s402：若min(d(ri,rj))＞t，输出rpm作为分割结果；其中t是结束区域合并的阈值，定义式如下：上式中，maxd表示每一超像素与其邻接超像素在rgb色彩空间的最大距离值，mean(maxd)和std(maxd)分别为maxd的均值和标准差，阈值t反映了maxd平均程度下的正常波动，体现了图像真实边界处色差的整体信息。如图2-5所示，以图2瓦斯灰显微图像作为分割对象，图3图4图5分别是超像素图像、meanshift聚类图像、区域合并后图像。其中第一步中的k是超像素数目，选取k＝600，m是紧凑度，选取m＝8。第三步中的hc和hp是颜色带宽和位置带宽，选取hc＝12和hp＝10。第四步中剔除的区域像素数小于1000。从图3超像素图像可以看出，所具有的网状结构能够很好地贴合物体边界，同一成分包含的超像素保持较高的一致性。从图4聚类图像的聚类边界来看，目标成分的真实边界已经显现，但在其内部及背景中仍有一定的相似区域未能合并，所以将特征空间上的聚类分析转化为图像中邻接区域的合并问题。经区域合并后如图5所示，目标及背景内部的相同成分被合并，伪边界被消除，分割质量得到提升。在分割结果中，不同目标成分能够较为完整地从背景中分离，且背景中的杂质被有效屏蔽，说明本发明提出的方法是行之有效的。如图6-8所示，图6、图7与图8分别是kmeans聚类算法、传统meanshift聚类算法和本发明改进的图像分割结果。kmeans聚类算法会导致图像过度分割，而且全局搜索聚类中心点时间较长。传统meanshift聚类算法能有效度量样本中的相似性，目标成分较为完整，但背景中仍有较多相似聚类无法聚合，而且传统meanshift聚类算法是基于密度估计的迭代式聚类算法，它根据样本空间分布使得聚类中心定位到局部密度最大的模式点处，整个过程会耗费较长的时间。而本实施例所采用的方法使得背景中的相似区域进一步合并，区域连通性强，提取区域较为完整，从运行时间上看，本发明利用数量较少的超像素替代了大规模像素，聚类时间大幅降低，并能优化目标区域提取结果。上述三种聚类方法的运行时间表如下：表2三种聚类方法的运行时间表本实施例还提供了一种基于超像素的显微图像目标区域提取系统，包括：超像素产生模块，用于通过slic算法对图像进行预处理得到超像素；特征提取模块，用于提取超像素在颜色、位置两方面的特征；聚类处理模块，用于通过meanshift算法对超像素进行聚类处理；区域合并模块，用于通过自适应区域合并方法对聚类结果进行区域合并，并输出分割结果；控制模块，用于控制各模块从而完成相应步骤；所述超像素产生模块、特征提取模块、聚类处理模块、区域合并模块均与控制模块电连接。综上所述，本实施例的基于超像素的显微图像目标区域提取方法及系统，生成的超像素较原有像素在meanshift聚类过程中更具有适用性，通过处理图像的时间大幅度降低，而且聚类区域较为完整、连通性比较强；设计的自适应区域合并方法能够有效的改善meanshift聚类中因带宽调节不当导致聚类效果欠佳的状况，提高了图像分割的精度；能够为瓦斯灰图像的成分识别与自动分析奠定较好的基础，极大减少了人工主观判断对瓦斯灰显微图像成分识别造成的干扰。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。当前第1页12