[發(fā)明專利]基于局部四元數(shù)矩特征的圖像分割方法在審
| 申請?zhí)枺?/td> | 201410848428.1 | 申請日： | 2014-12-31 |
| 公開（公告）號： | CN104504715A | 公開（公告）日： | 2015-04-08 |
| 發(fā)明（設(shè)計）人： | 王向陽;吳志芳;牛盼盼 | 申請（專利權(quán)）人： | 遼寧師范大學(xué) |
| 主分類號： | G06T7/00 | 分類號： | G06T7/00;G06K9/66 |
| 代理公司： | 大連非凡專利事務(wù)所21220 | 代理人： | 閃紅霞 |
| 地址： | 116029遼寧*** | 國省代碼： | 遼寧;21 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 基于 局部 四元數(shù)矩 特征 圖像 分割 方法 | ||
1.一種基于局部四元數(shù)矩特征的圖像分割方法，其特征在于按如下步驟進(jìn)行：
步驟1：對彩色圖像構(gòu)造每個像素點(diǎn)????????????????????????????????????????????????的局部窗口，利用四元數(shù)指數(shù)矩分解求局部窗口的矩值，構(gòu)造像素的特征；
步驟2：利用二維Arimoto熵初分割，選取訓(xùn)練樣本，創(chuàng)建訓(xùn)練集；
步驟3：利用TWSVM模型訓(xùn)練，像素分類，使用訓(xùn)練后的TWSVM模型預(yù)測剩余像素的類標(biāo)簽，形成測試集，合并訓(xùn)練集和測試集的類標(biāo)簽向量，作為最后的圖像分割結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于局部四元數(shù)矩特征的圖像分割方法，其特征在于所述步驟1如下：
步驟11：對于給定的一幅原彩色圖像，對原彩色圖像構(gòu)造每個像素點(diǎn)部窗口，取以點(diǎn)為中心的局部窗口；
步驟12：計算每個局部窗口的四元數(shù)指數(shù)矩；
步驟13：通過四元數(shù)指數(shù)矩分解求彩色圖像的矩值，利用四元數(shù)指數(shù)矩矩值求出幅值，選取（0，0）（0，1）（1，0）（1，1）四個矩值作為像素級特征，且窗口大小為，階數(shù)為3。
3.根據(jù)權(quán)利要求2所述基于局部四元數(shù)據(jù)特征的圖像分割方法，其特征在于所述步驟12如下：
步驟121：假定為極坐標(biāo)下的彩色圖像，則根據(jù)傳統(tǒng)灰度圖像的指數(shù)矩定義及四元數(shù)理論，定義四元數(shù)指數(shù)矩如下：
其中，是一個單位純四元數(shù)，在此選擇，為徑向基函數(shù)，且有；
步驟122：提取彩色圖像的R、G、B三個分量，分別計算其指數(shù)矩，將表示取復(fù)數(shù)p的實部，表示取復(fù)數(shù)p的虛部，則四元數(shù)指數(shù)矩分解可以表示為：
其中，
步驟123：對于彩色圖像函數(shù)，計算出它的四元數(shù)指數(shù)矩后，可以利用有限個四元數(shù)指數(shù)矩來近似重構(gòu)彩色圖像函數(shù)，極坐標(biāo)系下利用有限個四元數(shù)指數(shù)矩近似重構(gòu)彩色圖像函數(shù)的表達(dá)式為：
。
4.根據(jù)權(quán)利要求2或3所述的基于局部四元數(shù)矩特征的圖像分割方法，其特征在于所述步驟2如下：
步驟21：定義一個以（x，y）為中心大小為窗口Wxy，在位置（x，y）像素的平均灰度級為：
其中，是位于（x，y）的像素對于V分量的灰度級，設(shè)圖像的灰度級分為L級，為取整函數(shù)，局部窗口的像素的平均灰度級取值范圍為0~L-1；
步驟22：像素的灰度級對（m，n）是由灰度級m和平均灰度級n組成的，設(shè)為V分量的灰度級對數(shù)目，那么定義二維聯(lián)合概率密度為：
步驟23：設(shè)區(qū)域0和區(qū)域1的概率分別為和，可以表示為：
步驟24：二維熵的目標(biāo)和背景可以分別寫成如下形式：
其中是不為1的正常數(shù)；
步驟25：利用Arimoto熵的準(zhǔn)可加性，使用如下判別函數(shù)：
步驟26：當(dāng)判別函數(shù)達(dá)到最大時可求得最佳閾值，即：
。
5.根據(jù)權(quán)利要求4所述的基于局部四元數(shù)矩特征的圖像分割方法，其特征在于所述步驟3如下：
步驟31：利用最佳閾值分割結(jié)果選取n0個目標(biāo)像素和n1個背景像素作為訓(xùn)練樣本，所有的訓(xùn)練樣本一起構(gòu)成完整的訓(xùn)練集，剩下的像素作為測試集；
步驟32：TWSVM模型訓(xùn)練，使用步驟2創(chuàng)建的訓(xùn)練集訓(xùn)練TWSVM模型；
步驟33：TWSVM像素分類，使用訓(xùn)練后的TWSVM模型預(yù)測剩余像素的類標(biāo)簽，合并訓(xùn)練集和測試集的類標(biāo)簽向量，為最后的圖像分割結(jié)果。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于遼寧師范大學(xué);，未經(jīng)遼寧師范大學(xué);許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201410848428.1/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
