基于图像分块的背景模型构建方法
图像处理技术中的图像分块与拼接方法
图像处理技术中的图像分块与拼接方法图像分块与拼接是一种常见的图像处理方法，它可以将一幅图像分割成多个小块，在处理和传输过程中更加高效地处理图像。
本文将介绍图像分块与拼接的原理和常用方法。
图像分块是将一幅图像划分为一定大小的块的过程，每个块在图像上是连续的，并且没有重叠。
图像分块的目的是为了更好地处理大型图像，可以提高算法的运行效率以及减少处理和传输过程中的存储空间。
常用的图像分块方法有两种：固定大小和自适应大小。
固定大小的图像分块方法是将图像平均划分为相同大小的块。
例如，如果一幅图像的尺寸是M×N，而块的大小为m×n，那么图像将被分为(M/m)×(N/n)个块。
这种方法简单直接，但在处理不规则的图像时可能会导致信息的丢失。
自适应大小的图像分块方法是根据图像的内容和特征来划分不同大小的块。
例如，可以根据图像的边缘检测结果来决定分块的位置，边缘部分更可能是图像的显著特征，因此可以将其分块处理。
这种方法能够更好地保留图像的细节信息，但计算复杂度相对较高。
图像拼接是将多个小块重新组合成一幅完整的图像的过程。
图像拼接的目的是恢复原始图像的完整性，使得处理后的图像可以更好地显示和分析。
常见的图像拼接方法有两种：重叠区域法和无重叠区域法。
重叠区域法是在拼接过程中，将相邻块的一部分区域进行重叠，通过图像的亮度和颜色分布来进行补偿和平滑处理。
这种方法能够更好地消除拼接处的不连续性，但在处理复杂纹理和细节的图像时可能会引入伪影。
无重叠区域法是将相邻块直接拼接在一起，不进行重叠处理。
这种方法简单快捷，但在处理纹理丰富和细节信息丰富的图像时可能会导致明显的不连续性。
除了以上提到的方法，还有一些高级的图像分块与拼接方法，如基于特征的分块与拼接、基于深度学习的分块与拼接等。
这些方法通过利用图像自身的特征和结构信息，能够更好地实现图像的分块和拼接，提高图像处理的效果和质量。
总之，图像分块与拼接是图像处理中常用的方法之一，对于大型图像的处理和传输具有重要意义。
基于超像素的Grabcut彩色图像分割
基于超像素的Grabcut彩色图像分割辛月兰【摘要】To overcome the disadvantage of time load for the image segmentation that set up the graph model in pixels,a Grabcut color image segmentation method which is based on the super pixels is proposed in this paper.Firstly,users can calibrate a rectangular box in the target zone manually,then split the'image into small areas of the similar color (super pixels) with the watershed algorithm two times.Set up the graph model using the super pixels as the graph nodes.In order to estimate the value of GMM,use the mean of the super pixels' color value to represent the all pixels in the same area.Finally,get the minimum value of the Gibbs energy with the minimum cut algorithm to achieve the optimal segmentation.Experimental results demonstrate that the new algorithm uses the little super pixels instead of the huge number of pixels.The algorithm achieves the excellent segmentation result in short runtime,speeds up the pace of segmentation,enhances the efficiency of the algorithm.%针对以像素为节点建立图模型进行图像分割耗时的特点,文中提出了一种基于超像素的Grabcut彩色图像分割方法.首先用户在目标所在区域手动标定一个矩形框;然后用两次分水岭算法将图像过分割成区域内颜色相似的小区域(超像素),用分割得到的超像素作为图的结点构建图模型;以每个超像素的颜色均值代表所在分块的全部像素点估计GMM(高斯混合模型)参数;最后用最小割算法求得吉布斯能量的最小值达到最优分割.实验结果表明,该算法以极少数超像素代替海量像素,在得到较好分割结果的同时,极大地缩短了运行时间,加快了分割速度,提高了效率.【期刊名称】《计算机技术与发展》【年(卷),期】2013(023)007【总页数】5页(P48-51,56)【关键词】分水岭;超像素;高斯混合模型;分割【作者】辛月兰【作者单位】陕西师范大学计算机科学学院,陕西西安710062;青海师范大学物理系,青海西宁810008【正文语种】中文【中图分类】TP310 引言图割理论在图像分割问题中得到了广泛的应用，并且已经取得了一些好的成果［1～6］。
LBP与码本的视频分层背景建模和目标检测
文章编号:1004-9037(2009)04-0502-06基于LBP 与码本的视频分层背景建模和目标检测李红波 曾德龙 吴 渝(重庆邮电大学网络智能研究所,重庆,400065)摘要:针对单纯基于块或像素对图像进行背景建模在目标检测中存在高误检率,提出了一种新的分层背景建模和目标检测方法。
首先利用基于局部二值模式的纹理信息进行第一层分块背景建模,然后缩小建模粒度,在第一层上选取代表点进行第二层码本背景建模;目标检测时,不同粒度从上到下与所得背景模型分层匹配。
对比实验表明了分层背景建模算法的实用性和鲁棒性,不但有效避免了像素背景建模中目标颜色和背景相似导致的误检,也弥补了分块背景建模在边缘处背景信息过多的问题。
关键词:背景建模;目标检测;局部二值模式;码本中图分类号:T P391 文献标识码:A 基金项目:新世纪优秀人才支持计划、重庆市科技攻关(7818)项目;国家自然科学基金(60873079)资助项目;重庆市教委科学技术(060504,060517)资助项目。
收稿日期:2007-12-26;修订日期:2008-07-17Layered Video Background Model and ObjectDetection Based on Local Binary Pattern and CodebookLi Hongbo ,Zeng Delong ,W u Yu(Institute of W eb Intellig ence ,Cho ng qing U niv er sity o f Posts and T eleco mmunica tio ns,Cho ng qing ,400065,China )Abstract :Backg round mo deling m ethods only based o n im ag e blocks o r pixels suffer from un-acceptable false neg ativ e detecting rate .A nov el la yered backg round model and object detecting appro ach is presented.Firstly,ev ery block o n the first layer is modeled via tex tures based o n lo cal bina ry pa ttern o perato rs.Then,the m odeling g ra nula rity is defla ted and so me representa-tiv e pix els o n the seco nd layer are cho sen to m odel backgro und with the codebook .In o bject de-tecting ,different g ranularities are ma tched with the backg round model fro m to p to do w n .Ex -perim ental results prov e that the approach is effectiv e and robust.It efficiently av oids the false neg ativ e detectio n rate in the pixel-based backg ro und modeling when the o bject colo r is similar to that o f the backg round ,and remedies the false po sitiv es occurring on the co ntour areas of the moving objects due to the area m odel.Key words :backg round m odel;object detectio n;local bina ry pattern;codebook引 言运动目标提取是计算机机器视觉系统中的一个重要研究内容,广泛应用于视频监控、交通视频和图像压缩等方面。
一种应用于运动车辆检测的背景更新方法
前景 区域采 用逐 渐修正法进行更新 。但是逐渐修 正法 中的 Ｊ
值带有猜测性 ，当一 段时间内运动车辆 区域的灰度值 均大 干 或小于相对应 的前帧背景 区域灰度值时 ，背景更新会 出现 很大的误 差。因此 ，提 出一种在分块思想的基础上引入滤波 和逐 渐修 正的改进背景更新方法。
图 １ 圈像 分块效 果 ） 图 ２ 小块边缘 ４个区域划分图
基 金项 目：国家 自然科 学基金 资助项 目（１７ ０ ９ ６ ０ ５ １）
依次计算 当前帧中每个小 方块 ４个区域的均值和方差 ， 并与前 帧背景 中对应位 置 区域的均值 和方差 相 比较 ，如果 ４ 个区中至少有一个 区包含前景 区域 ，就认定此小 方块 为前
ｂ ｏ ｋ ｒ ｅ ａａｅｙ ｕ ｄ ｔｄ ｌ ｃ ｓａｅｓ ｐ ｒ ｔ ｌ ｐ ａ ｅ Ｔｅபைடு நூலகம்ｔｒ ｓ ｌｓ ｄ ｍｏ ｓ ｒ ｔ ｈ ｔｗｈ ｎ ｔ ｅ ｍｅ ｈ ｄ ｉ ｐ ｌｅ ｏ ｍｏ ｉ ｇ ｖ ｈｉｌ ｅｅ ｔ ｎ ｈ ｃ ｕ ａ ｙ ｉ ｍ ｐ ｏ ｅ ｙ ｓ ｅ ｕ ｔ ｅ ｎ ｔａ ｅ ｔ ａ ｅ ｈ ｔ ｏ ｓ ａ ｐ ｉｄ ｔ ｖ ｎ ｅ ｃｅ ｄ ｔ ｃ ｉ ，ｔ ｅ ａ ｃ ｒ ｃ ｓ ｉ ｒ ｖ ｄ ｂ ｏ ａ ｏ ｔ ｉ ｅ ｐ ｒ ｅ ｔ ｎ ｉ ｅｅ ｃ ｅ ｃ ｌ ｏ ｉ ｒ ｖ ｄ ｓｉ ｈ ｌ ． ｂ ｕ ｎ ｅｃ ｎ ｄｔ ｎ ａ ｍ ｆ ｉｎ ｙ ａ ｓ ｍｐ ｏ ｅ ｌｇ ｔ ｉ ｙ
新模 型是对 背景和前景 区域分别进行更新 ， 这种 方法简单 ， 但是当背景变化较快或者突变 时，背景 的更新效果不理想。 为了兼顾更新 效果和时效性 ，本文采用一种选择性背景更新 方法并对其进行 改进 。
基于多模态MRI图像的脑肿瘤分割算法设计与实现
基于多模态MRI图像的脑肿瘤分割算法设计与实现基于多模态MRI图像的脑肿瘤分割算法设计与实现摘要脑肿瘤是大脑中一种异常的组织增生，严重影响患者脑部的正常生理功能，甚至危及患者生命。
基于大脑部位的特殊性，脑肿瘤治疗方案要求在对脑肿瘤进行治疗的同时最大限度保护其周边组织，尤其是重要器官和功能区免受侵害。
目前，脑肿瘤诊断和定位的主要方法是根据核磁共振影像（MRI）中的图像特征进行肿瘤分割。
准确的肿瘤分割结果能够为神经外科手术的术前规划提供可靠的依据，保证肿瘤切除得更彻底，指导手术过程减少对正常组织的伤害。
因此，高精度的分割脑肿瘤与脑部正常组织成为治疗方案制定的关键一步。
然而，MRI图像中多样的噪声，脑肿瘤病发位置、形状、纹理及结构的多样性使得基于MRI图像的脑肿瘤分割复杂多变。
目前脑肿瘤分割实际应用最多的人工分割方法不仅耗时而且费力，严重依赖于专家的专业知识和经验，且存在主观差异。
传统算法在脑肿瘤分割中面临难以人工设计合适的特征的困难，基于卷积网络的方法对肿瘤的模糊边界精确定位仍显不足。
由于单模态MRI图像无法表达肿瘤的全部信息，本文以多模态MRI图像为基础，针对脑肿瘤分割中的难点及需求展开研究，主要的工作如下：（1）针对MRI图像中含有复杂噪声，传统算法难以设计脑肿瘤分割的合适特征，卷积网络对图像全局特征的分析能力有限的问题，本文采用一种基于卷积图论分割方法。
该方法利用卷积特征提取过程，通过数据驱动学习的方法建立从MRI复杂噪声图像中提取肿瘤分割的稳健特征的模型，实现肿瘤的初步分割，并依据初步分割结果构建多模态MRI脑肿瘤图像协同分割图模型，利用图模型的全局最优求解过程，将分割问题转化为最小化损失优化问题，进一步提高卷积网络肿瘤边界的分割精度，实现肿瘤的快速精准定位。
（2）为了充分利用多模态MRI图像间信息的互补性，提高卷积网络对肿瘤的精准分割能力，本文提出一种基于多通道3D增强卷积网络的脑肿瘤分割方法。
基于分块和改进粒子滤波的运动目标检测方法
第３９卷 第１１期２０１２年１１月计算机科学Ｃｏｍｐｕｔｅｒ ＳｃｉｅｎｃｅＶｏｌ．３９Ｎｏ．１１Ｎｏｖ ２０１２到稿日期：２０１２－０３－１５ 返修日期：２０１２－０５－０５ 本文受吉林省科技发展计划项目青年科研基金（２０１２０１０７０，２０１２０１０６３），东北师范大学校内青年基金（１０ＱＮＪＪ００４），吉林大学符号计算与知识工程教育部重点实验室项目（９３Ｋ１７２０１２Ｋ１３）资助。
张 明（１９７８－），女，博士生，讲师，主要研究方向为数字图像处理，Ｅ－ｍａｉｌ：ｚｈａｎｇｍ５４５＠ｎｅｎｕ．ｅｄｕ．ｃｎ；孟丽丽（１９８６－），女，硕士生，主要研究方向为机器视觉和模式识别；齐 妙（１９８１－），女，博士生，讲师，主要研究方向为信息安全和模式识别。
基于分块和改进粒子滤波的运动目标检测方法张 明１，２ 孟丽丽１，２ 刘丽红３ 齐 妙１，２（东北师范大学计算机科学与信息技术学院 长春１３０１１７）１（东北师范大学智能信息处理吉林省高校重点实验室 长春１３０１１７）２（北京理工大学信息与电子学院 通信技术研究所 北京１０００８１）３ 摘 要 为了快速准确地检测到视频场景中的运动目标，提出了一种基于分块和改进的粒子滤波的运动目标检测方法。
首先，对视频图像序列分块并提取每个图像块的颜色特征；然后，用改进的粒子滤波对每个图像块进行操作，计算出每个块对应的粒子的权重；最后，根据粒子的平均权重建立背景模型，提取运动目标。
将分块和粒子滤波相结合，能够在不降低检测精度的基础上，大幅减少算法的计算量，提高算法的执行速度。
实验结果表明，该方法具有较好的鲁棒性、抗噪性和抗光照变化能力，提取的运动目标更加完整。
关键词 运动目标检测，图像分块，粒子滤波中图法分类号 ＴＰ３９１．４１ 文献标识码 Ａ Ａｐｐｒｏａｃｈ ｏｆ Ｍｏｖｉｎｇ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｉｍａｇｅ Ｂｌｏｃｋｓ ａｎｄ Ｉｍｐｒｏｖｅｄ Ｐａｒｔｉｃｌｅ Ｆｉｌｔｅｒ ＡｌｇｏｒｉｔｈｍＺＨＡＮＧ Ｍｉｎｇ１，２ ＭＥＮＧ Ｌｉ－ｌｉ １，２ ＬＩＵ Ｌｉ－ｈｏｎｇ３ ＱＩ Ｍｉａｏ１，２（Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ，Ｎｏｒｔｈｅａｓｔ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｃｈｕｎ １３０１１７，Ｃｈｉｎａ）１（Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ ｏｆ Ｊｉｌｉｎ Ｕｎｉｖｅｒｓｉｔｉｅｓ，Ｎｏｒｔｈｅａｓｔ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｃｈｕｎ １３０１１７，Ｃｈｉｎａ）２（Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｉｏｎ，Ｓｃｈｏｏｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ，Ｂｅｉｊｉｎｇ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｂｅｉｊｉｎｇ １０００８１，Ｃｈｉｎａ）３ Ａｂｓｔｒａｃｔ Ｉｎ ｏｒｄｅｒ ｔｏ ｄｅｔｅｃｔ ｍｏｖｉｎｇ ｏｂｊｅｃｔｓ ｑｕｉｃｋｌｙ ａｎｄ ａｃｃｕｒａｔｅｌｙ，ａ ｍｅｔｈｏｄ ｏｆ ｍｏｖｉｎｇ ｏｂｊｅｃｔ ｄｅｔｅｃｔｉｏｎ ｂａｓｅｄ ｏｎ ｉｍａｇｅｂｌｏｃｋｓ ａｎｄ ｉｍｐｒｏｖｅｄ ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒ ａｌｇｏｒｉｔｈｍ ｗａｓ ｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｉｍａｇｅ ｓｅｑｕｅｎｃｅ ｗａｓ ｓｐｌｉｔ ｉｎｔｏ ｂｌｏｃｋｓ ａｎｄ ｃｏｌｏｒ ｆｅａ－ｔｕｒｅｓ ｗｅｒｅ ｅｘｔｒａｃｔｅｄ．Ｔｈｅｎ，ｅａｃｈ ｉｍａｇｅ ｂｌｏｃｋ ｗａｓ ｐｒｏｃｅｓｓｅｄ ｂｙ ｔｈｅ ｉｍｐｒｏｖｅｄ ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒ ｔｏ ｏｂｔａｉｎ ｔｈｅ ｗｅｉｇｈｔｓ ｏｆ ｐａｒ－ｔｉｃｌｅｓ．Ｆｉｎａｌｌｙ，ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ａｖｅｒａｇｅ ｗｅｉｇｈｔ ｏｆ ｐａｒｔｉｃｌｅｓ，ｗｅ ｃｏｎｓｔｒｕｃｔｅｄ ｂａｃｋｇｒｏｕｎｄ ｍｏｄｅｌ ａｎｄ ｓｕｂｔｒａｃｔ ｍｏｖｉｎｇ ｏｂ－ｊｅｃｔｓ．Ｃｏｍｐａｒｅｄ ｗｉｔｈ ｏｔｈｅｒ ｄｅｔｅｃｔｉｏｎ ｍｅｔｈｏｄｓ ｂａｓｅｄ ｏｎ ｓｉｎｇｌｅ ｐｉｘｅｌ，ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｒｅｄｕｃｅｓ ｔｈｅ ａｌｇｏｒｉｔｈｍ ｃｏｍｐｕ－ｔａｔｉｏｎ ｏｂｖｉｏｕｓｌｙ ａｎｄ ｉｍｐｒｏｖｅｓ ｔｈｅ ｅｘｅｃｕｔｉｏｎ ｓｐｅｅｄ ｏｆ ｔｈｅ ｃｏｄｅ．Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｉｓ ｍｅｔｈｏｄ ｃａｎ ａｃｃｕｒａｔｅｌｙａｎｄ ｉｎｔａｃｔｌｙ ｄｅｔｅｃｔ ｍｏｖｉｎｇ ｏｂｊｅｃｔｓ ｅｖｅｎ ｗｈｅｎ ｆａｃｅｄ ｗｉｔｈ ｒｅｐｅｔｉｔｉｖｅ ｂａｃｋｇｒｏｕｎｄ ｍｏｖｅｍｅｎｔ，ｍｕｌｔｉ－ｍｏｄａｌ ｂａｃｋｇｒｏｕｎｄ ａｎｄｉｌｌｕｍｉｎａｔｉｏｎ ｃｈａｎｇｅｓ．Ｋｅｙｗｏｒｄｓ Ｍｏｖｉｎｇ ｏｂｊｅｃｔ ｄｅｔｅｃｔｉｏｎ，Ｉｍａｇｅ ｂｌｏｃｋｓ，Ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒ ａｌｇｏｒｉｔｈｍ １ 引言运动目标检测是智能视频监控和计算机视觉的基础和关键环节，快速正确检测目标可为后续的目标分类、跟踪和行为理解等提供良好基础［１］。
基于分块sim-min-Hash的近似图像检索
收稿日期：２０１９－０１－２３。刘翔宇，硕士生，主研领域：机器学习。
第 ３６卷第 ７期 ２０１９年 ７月
计算机应用与软件 ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ
பைடு நூலகம்
Ｖｏｌ３６ Ｎｏ．７ Ｊｕｌ．２０１９
基于分块 ｓｉｍｍｉｎＨａｓｈ的近似图像检索
刘翔宇
（北京大学软件与微电子学院 北京 １１６０２４）
摘 要 基于内容的图像检索技术（ＣｏｎｔｅｎｔＢａｓｅｄＩｍａｇｅＲｅｔｒｉｅｖａｌ，ＣＢＩＲ）突破传统基于文本的图像检索（Ｔｅｘｔ ｂａｓｅｄＩｍａｇｅＲｅｔｒｉｅｖａｌ，ＴＢＩＲ）所造成的工作量大量性和主观注释信息不稳定性的瓶颈，大大提高图像资源的利用 率，为使用者提供全新的体验。近似图像（ＮｅａｒＤｕｐｌｉｃａｔｅＩｍａｇｅｓ）被定义为对于同一物体或场景，在不同的拍摄情 况（遮挡，位移，光线变化，背景，色差）下获取的图像，是 ＣＢＩＲ重要检索对象之一。基于传统的 ｍｉｎＨａｓｈ和 ｓｉｍ ｍｉｎＨａｓｈ算法，引入分块技术、块重叠技术、目标定位技术，提出分块 ｓｉｍｍｉｎＨａｓｈ算法（ＰａｒｔｉｔｉｏｎｓｉｍｍｉｎＨａｓｈ） 用来进行近似图像检索。并且在速度、查准率和查全率上对分块 ｓｉｍｍｉｎＨａｓｈ和 ｓｉｍｍｉｎＨａｓｈ标准 ｍｉｎＨａｓｈ做 了严格的比较。该算法对图像进行分块处理，极大地提高了运行速度和准确度。 关键词 ＭｉｎＨａｓｈ 图像检索 ＳｉｍｍｉｎＨａｓｈ ＰｓｍＨ 中图分类号 ＴＰ３１５．６９ 文献标识码 Ａ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００３８６ｘ．２０１９．０７．０４４
基于词袋模型的医学图像分割
基于词袋模型的医学图像分割史延新;薛鹏翔;刘建伟;时华【摘要】为了提高医学图像分割的准确性,从医学图像的特征出发,提出了一种利用词袋模型配合滑动窗口提取像素点特征的分割方法.通过引入词袋模型,建立分类的视觉词典,分别生成肝脏区域词典和背景区域词典,进而组合得到最终的联合视觉词典,利用滑动窗口等提取像素点的基于词典表达的特征,对词袋模型的图像分割方法进行了优化.通过对腹部CT图像的肝脏和肝癌病灶分割实验,结果表明算法分割结果接近于医生手工分割结果,分割精度较高且具有效性.DICE等系数进一步证实算法的有效性.%To improve the accuracy of medical image segmentation,based on the features of medical images,a segmentation algorithm using Bag-of-Visual-Words is presented.The classified visual dictionary is established by Bag-of-Visual-Words to produce liver area dictionary and background region dictionary ,which are combined into the union visual dictionary.The pixel's features are acquired by using the sliding window.The experiment shows that the results obtained by the proposed algorithm is almost as good as the manual segmentation results. DICE also proves its high accuracy and effectiveness.【期刊名称】《西安工业大学学报》【年(卷),期】2017(037)003【总页数】5页(P179-183)【关键词】医学图像;词袋模型;视觉词典;滑动窗口【作者】史延新;薛鹏翔;刘建伟;时华【作者单位】西安工业大学理学院,西安 710021;西安工业大学理学院,西安710021;西安工业大学理学院,西安 710021;西安工业大学理学院,西安 710021【正文语种】中文【中图分类】TP391医学图像分割是医学图像处理、分析中的关键技术，随着医学影像在临床诊断和治疗的作用越来越显著，医学图像分割技术在医学图像处理与分析领域也越发显得重要[1].由于人体生理结构的复杂性、人体组织器官结构的特异性、以及医学图像表现形式的多样性和复杂性，再加上目前医学影像设备成像技术上的特点，使得医学图像存在一定的噪声，图像中物体部分边缘也有可能局部模糊等各种影响，相比普通自然场景的图像，医学图像的分割难度更大.目前医学图像分割代表性的方法包括有图谱法[2-3]、图割法[4]、基于区域的方法[5]、活动轮廓模型法[6]、聚类方法等[7-10].文中引入词袋模型表达像素点的特征进行医学图像的分割，取得较好的分割效果.词袋模型[10]是一种基于图像局部特征的目标分类算法，它只考虑目标的局部区域的表面特征，而忽略他们之间的空间关系，对目标的整体形状不加限制，这样建立的目标模型就有很大的灵活性，不会局限于某一种形状的特征，可以处理类内目标的形状变化，基于这些优点，词袋模型得到了越來越多的重视和研究.词袋模型源于自然语言处理和信息检索，这种模型将文本看作是无序的单词集合，根据文本中单词的统计信息完成对文本的分类.与文本相似，图像可以被视为一些与位置信息无关的局部特征的集合，这些局部特征的地位就类似于文本中的单词，称作“视觉单词”，视觉单词的集合称为“视觉词典”.图像的灰度、梯度等低级特征通过视觉单词形成了中级语义表示.文本和图像在词袋模型下的对应关系见表1.词袋模型将图像看作视觉单词的集合，所有的视觉单词共同构成了视觉词典.视觉词典中的单词是对图像(或图像集合)中的特征点的量化，是图像特征信息的一种表示方式.词袋模型首先把从所有图像中提取的局部区域的描述子通过聚类算法进行聚类，这些聚类中心就叫做视觉单词，构成一个具有K个单词的视觉词典.这个描述子通常是由彩色、灰度、纹理等基于表观统计特性的特征值构成的特征向量.对每一个图像，对落在每一个聚类的描述子进行计数，把图像映射到一个K-维直方图空间的一个点上，以此进行分类器的训练，从而得到视觉词典.对于待分割的图像，通过对图像中每个像素点提取特征并对特征进行量化得到像素点在视觉词典上的表示，并以此作为像素点的特征对像素点进行分类从而完成对图像的分割.词袋模型算法需要通过监督或非监督的学习来获得视觉词典.标准的词袋模型的基本结构如图1所示.词袋模型应用于医学图像分割主要分为四个步骤：1) 预处理为去除骨骼等非感兴趣组织对病变分割的干扰，通过边缘检测和区域标记对实验图像进行粗分割处理.为去除成像因素(参数设置、不同设备等)影响造成的图像灰度差异，对实验图像进行灰度归一化处理.对粗分割后的图像，选取灰度值范围上5%和95%的值作为最小值和最大值，利用min-max方法将灰度归一化为0～100.2) 提取特征采用密集采样的方法选取采样点，使用滑动窗口计算图像的特征.图像上某一点S 的特征由其滑动窗口内的邻域像素点特征来表达.在滑动窗口中，依据一定的步长选取像素点S邻域内的相邻像素点，采集相邻像素点的图像块特征并与视觉词典相比较，为其分配最相近的视觉单词作为邻域像素点的特征，统计滑动窗口中的视觉单词，得到像素点S的特征.基本过程如图2所示.根据医学CT图像的特征，正常组织的视觉纹理均匀、一致性高、亮度平滑，异常组织通常比正常组织密度或亮度有差异(钙化密度高、肿瘤等密度低)，且病灶处纹理混杂、一致性差，因此采用灰度和纹理特征构成的特征向量作为特征描述子.根据所获得的肝脏区域正常组织和病变组织的样本，提取灰度均值、灰度标准差、三阶矩、熵、方向分形维和方向分形截距等特征显著性的统计值，进而筛选出能够较好甄别不同组织类型的特征向量，加权平均得到：其中σ2、μ3、e、O分别表示四个基本视觉特征方差、三阶矩、熵和分形维，α、β、γ、η为加权系数.3) 构建视觉词典采用K-means聚类法对正常组织和病变组织特征集进行分别聚类，分别生成病灶区域词典和背景区域词典，再将两个词典组合起来生成联合词典.已知观测集(x1,x2,…,xn)，其中每个观测都是一个d-维实向量，K-means聚类就是要把这n个观测划分到k个集合中(k≤n)，使得组内平方和最小，即‖x-μi‖2其中μi是si中所有点的均值.首先，随机选取k个聚类质心点μ1,μ2,…,μk∈Rn.然后，重复式(3)～式(4)过程直到收敛.对于每一个样例i，计算其应该属于的类‖x(i)-μj‖2对于每一个类j，重新计算该类的质心式(3)～(4)中，c(i)代表样例i与k个类中距离最近的那个类，c(i)的值是1到k中的一个.全局词典与分类词典的比较如图3所示.4) 分类器分类得到了视觉词典以后，使用支持向量机分类器，核函数使用高斯核函数，利用视觉单词在图像中出现的统计规律训练分类器对图像进行分类，完成对图像的分割.经过分类聚类，使不同类别的视觉单词尽可能的分开，从而使联合词典可以为特征提供相对空间位置信息，提高了词典对像素点的表达能力.图像分类算法使用判别式模型根据多个类别的数据学习到一个分类器，在判别式模型中，给定输入样本Iy，算法根据训练样本学习到P(cm|Iy),m=1,…,M (假定有M个类别)其中样本Iy对应的类别决策cx为使得P(cm|Iy),m=1,…,M值最大的cm.当两个类别数据的分布情况相似时，判别式模型能更容易获得准确的分类结果.在分类器的训练中，计算两个图像的直方图向量之间的欧式距离，根据距离度量方式，使用马尔可夫(markov)随机场模型判定图像的类别.采用硬分配的编码方式，即每个像素点唯一对应词典中一个最相近的视觉单词.当图像局部区域和某一单词的相似性超过某一阈值，就认为图像中包含这个单词.3.1 评价标准由于医学影像的复杂性、人体组织结构的复杂性、组织器官形状的不规则性，以及不同个体间的差异性等原因，要对分割算法进行客观的定量的评价目前还是比较困难的，评价其结果的最好评判者仍是人的主观判断.因此，使用人工分割一幅图像的结果作为标准结果来与计算机算法进行分割的结果比较，采用常用的DICE系数、JACCARD系数、FALSE PPOSITIVE、FALSE NEGATIVE等4个指标来比较算法自动分割结果与医师手工勾画结果，他们分别由以下公式计算得到：其中A为文中方法的结果;B为医师手工勾画的结果.3.2 实验结果为了验证算法的有效性，应用文中算法对多幅肝脏CT图像进行了分割实验.肝脏是人体重要的消化器官，由于肝脏位于腹部，因此在做肝脏CT扫描时，CT图像中既有肝脏组织同时也包括了胃、脾、胰脏、肾等组织器官.肝脏灰度与其它组织有较明显差别，并且相互间有浸润，部分边界模糊，肝脏图像自身存在较明显的灰度不一致性为分割造成了困难.文中使用的实验数据共80例.肝脏区域和肝癌病灶区域由经验丰富的医师手工勾画得到.随机抽取60例作为训练图像，剩下的20例作为测试图像.词典大小设为1 000，图像块大小设为15*15，滑动窗口大小设为16. 肝脏实验结果如图4所示，肝癌实验结果如图5所示.(a)为原始CT图像，(b)为对应的原始CT图像医生手工分割的结果，(c)为对应的原始CT图像使用文中算法进行分割的结果.从分割结果可以看出，单纯的使用图像块特征，分割的正确率较低；加入词袋模型之后，分割的正确率有了明显提高；利用滑动窗口提取像素点特征，分割的正确率又有了进一步的提高.图4可以看出，分割结果同医生手动分割的结果比较接近，表明了文中方法的有效性，图5的肝癌分割结果虽然与医生手动分割有差异，与块特征和词袋模型相比分割效果较好.同时客观评价也证明了文中方法的有效性，见表2～3.采用词袋模型配合滑动窗口提取像素点特征进行医学图像分割，通过引入词袋模型，将图像的像素特征与视觉单词相对应，采用滑动窗口提取像素点的特征，分别建立感兴趣区域的词典和背景区域的词典，将两个词典组合起来生成联合词典，从而建立分类的视觉词典，训练分类器，并进行优化.实验结果表明算法分割精度较高.DICE、JACCARD、FALSE PPOSITIVE、FALSE NEGATIVE等系数客观评价进一步证实算法的有效性.筛选能够较好描述医学图像特征的特征向量还需进一步从医学角度进行研究，使单词之间的冗余度尽量小，从而减小词典规模，同时提高算法性能并进一步优化分类器的训练.【相关文献】[1] 宋余庆.数字医学图像[M].北京：清华大学出版社,2008.SONG Yuqing.Digital Medical Image[M].Beijing:Tsinghua University Press.2008.(in Chinese) [2] GOOYA A,BIROS G,DAVATZIKOS C.Deformable Registration of Glioma Images Using EM Algorithm and Diffusion Reaction Modeling[J].IEEE Transactions on Medical Imaging,2011,30(2),375.[3] MENZE B H,LEEMPUT V,LASHKARI K.A Generative Model for Brain Tumor Segmentation in Multi-model Images[J].International Conference on Medical Image Computing and Computer-Assisted Intervention,2010,13(2):151.[4] WU Y,YANG W,JIANG J,et al.Semi-automatic Segmentation of Brain Tumors Using Population and Individual Information[J].Journal of Digital Imaging,2013,26(4):786.[5] HSIEH T M,LIU Y M,LIAO C C.Automatic Segementation of Meningioma from Non-contrasted Brain MRI Integrating Fuzzy Clustering and Region Growing[J].BMC Medical Informatics and Decision Making,2011,11(1):54.[6] GAO L,YANG W,LIAO Z.Segmentation of Ultrasonic Breast Tumors Based on Homogeneous Patch[J].Medical Physics,2012,39(6):3299.[7] DUBEY R B,HANMANDLU M,GUPTA S K.Semi-automatic Segmentation of MRI Brain Tumor[J].ICGST-GVIP Journal,2009,9(4):33.[8] LI W,LIAO S,FENG Q,et al.Learning Image Context for Segmentation of Prostate in CT-guied Radiotherapy[J].Med Image Comput Comput Assist Interv,2011,14(3):570.[9] YANG W,FENG Q,YU M,et al.Content-based Retrieval of Brain Tumor in Contrast Enhanced MRI Imsges Using Tumormargin Information and Learned DistanceMetric[J].Medical Physics,2012,39(11):6229.[10] PEDROSA G V，TRAINA A J M.From Bag-of-Visual-Words to Bag-of-Visual-Phrases Using n-Grams [J].Graphics,Patterns & Images,2013(1):304.。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第２９卷第１期杨广林等：基于图像分块的背景模型构建方法３ｌ
我们尝试将图像分块，利用图像块的特征建立背景模型．下面就针对图像块给出背景建模方法．
为了简化讨论，假设图像是灰度图像．设，ｃ。
（菇，Ｙ）为一个ｍ×ｍ像素的图像块，（戈，Ｙ）表示该图像块左上角的坐标．在２×２的情况下，图像块中前景像素的分布组合有以下５种：
（ａ）（ｂ）（ｃ）（ｄ）（ｅ）
（ａ）完全背景；（ｂ）有１个前景像素；（ｃ）有２个前景像素；
（ｄ）有３个前景像素；（ｅ）完全前景
图１２Ｘ２图像块的５种情况
Ｆｉｇ．１Ｔｈｅｆｉｖｅｉｎｓｔａｎｃｅｓｏｆ２×２ｉｍａｇｅｂｌｏｃｋ
３．１图像块特征的选取
将图像块设定为相邻像素的方形块，以２×２的图像块为例，图１给出了前景在图像块的各种分布情况的理想状态．一般地讲，图像块越大，要处理的块数就越少，效率就越高，但对局部目标敏感度就越小，目标的精确度就会变差，因为前景所占比例小的图像块的个数会增加，例如图１中（ｂ）和（ｃ）的情形．随着图像的增大，图像块的特征选取变得复杂．综合考虑识别目标的敏感性和识别目标的精确性以及处理问题的效率，一般选择ｍ＝２比较合适．可以有多种方式引入特征，最简单的情形是任意选择图像块中的一个像素为代表，或以图像块的均值为特征．以下我们提出几种提取特征的方案．
（１）图像块中心点，即Ａ＝中心点像素；
（２）选取若干点的组合作为图像块的代表点，
例如可选择图像块的对角线上的点；
（３）图像块均值，即Ａ＝（Ｘ，，＋ｘ。
２＋…＋ｋ）／ｍ２；
（４）图像块的行均值或图像块的列均值；
Ａｌ＝Ｘｌｌ＋Ｘ１２＋…＋Ｘ１。
Ａ２＝Ｘ２ｌ＋Ｘｚ２＋…＋】，２ｍ
Ａ。
＝Ｘ。
ｌ＋Ｘ，以＋…＋Ｘ。
（５）图像块的幅度值，即Ａ＝ｍａｘＸｉ—ｍｉｎＸｉｉ；
（６）图像块的行幅度值或列幅度值．
由于所有特征都是图像块中像素的线性组合，因此当像素值Ｘ。
服从正态分布时，所有特征Ａ作为原像素的线性运算的结果，也服从正态分布．
若Ａ＝√。
Ｘ，其中Ｘ是由若干个像素组成的向量；ｌ，为与ｘ同维数的向量，则有：
Ａ—Ｎ（ｖ＂ｉｔ，ｔ，１Ｖｖ）（３）图像块中的像素点值的变化能够反映到特征值的变化上，这样就可以对特征Ａ（而不是对像素值）建立背景模型，以此来判断图像块（而不是判断像素）是背景还是目标．例如，可以对特征Ａ使用ｗ４方法，求在一个训练周期内特征的最大值、最小值和连续两帧的最大差，利用不等式来判断该图像块是背景图像块还是前景图像块．由于特征也服从Ｇａｕｓｓ分布，所以也可以对特征Ａ建立单Ｇａｕｓｓ背景模型．下面针对从图像块中选取的几个特征Ａ，建立分块的混合Ｇａｕｓｓ背景模型．
３．２基于图像块特征的自适应的高斯混合模型在３．１节给出的特征中，选择其中的一个或几个特征Ａ，，Ａ：，…，Ａ，构成特征向量，令Ａ＝｛Ａ。
，Ａ：，…，Ａ。
｝．
采用文［４］给出的混合Ｇａｕｓｓ分布的形式和参数更新方法．选择一个时间周期｛Ａｉ，．一，Ａ，｝，给出／ｌ，具有Ｋ个分量的高斯混合密度（ＧＭＭ）：
ｐ（ａ；）＝∑ｐ（Ａ。
ｌ∞ｉ，Ｉｔ¨，Ｕ“）Ｊｐ（（￡Ｊｉ）
ｉｉｌ（４）
＝∑％。
ｐ（Ａ。
№，ｔｔ沁，Ｕ如）
其中
ｐ（ＡＩ，ｐ“，Ｕｉ．。
）：
（５）Ｐ（∞ｉ）或加。
为第ｉ个分量在总体分布中所占的比例，也称为第ｉ个分量权值．
基于像素间相互独立的假设，可以得出特征之间也是相互独立的．为了简化计算，可以进一步假设他们具有同样的方差，因而协方差矩阵可以简化为Ｕ“＝盯２。
Ｉ，其中Ｊ为单位阵．这种假设可以避免复杂计算引起误差加大．关系式（４）说明了每一图像块的特征向量／土的当前观察值的概率分布可由一个高斯混合函数所刻画，也就是说图像块的特征向量的某种状态可由混合模型的某个分量来描述．基于前面的假设，可利用在线Ｋ均值近似算法对此高斯混合模型进行操作．所谓的在线Ｋ均值近似算法即为：从前向后将新的图像块的特征向量的值与现存的Ｋ个高斯分布进行匹配，如果一个特征向量的值落在某个分布的标准方差的某一倍数范围内，就认为匹配成功，即如果ＩＡ。
一肛小ｆ≤ｒ盯叫，则认为匹配成功．实验表明对于２Ｘ２的图像块，丁取４比较合适．
如果当前的特征向量的值不能匹配Ｋ个分布中
第２９卷第１期杨广林等：基于图像分块的背景模型构建方法
５．１实验参数的选择
本实验采用Ｍａｔｌａｂ７．０编程，混合Ｇａｕｓｓ背景模型含有４个分量，图像块的大小为２×２，从每个图像块中选择两个特征，分别为Ａ，＝Ｘ，。
＋ｘ。
：，Ａ：＝Ｘ。
：一鼍卜混合模型的参数为：像素形式的背景阈值Ｔ＝０．９７，权值的更新速度ａ＝０。
００２，用２．５倍的标准方差；分块形式的背景阈值Ｔ＝０．９８，权值的更新速度ａ＝０．００２，用４倍的标准方差．两种算法的初始化均为：以视频图像的第１帧的像素值作为第１个Ｇａｕｓｓ分量的初始均值，其他３个分量的均值的初始值为０，所有４个Ｇａｕｓｓ分量的初始方差均为４，４个分量的初始权值分别为０．４、０．２、０．２、０．２．５．２实验结果分析
视频开始时，路口的红绿灯使图像中的上下方向的车辆处于停止状态．图像中的右部有一个转动
的广告牌，作为运动目标被检测出来．大约第９０帧左右，图像的右端方向出现一辆白车，紧接着该路口又出现一辆黑车，实验检测出从右边出现的车辆，从视频中提取１０帧分别是第１０１、１３１、１８１、２０１、２３１、２７１、２８１、３３１、３５１、３７１帧．处理结果见图２，图２中３幅图像为一组，第ｌ行为图像的原始帧，第２行的图像为采用２×２分块Ｇａｕｓｓ混合背景模型对动态目标进行检测的结果，第３行的图像为采用像素形式的Ｇａｕｓｓ混合背景模型对动态目标进行检测的结果．实验结果表明，分块背景模型对较大目标的检测水平与像素形式的背景模型相当．对较小目标的检测，分块形式的背景模型的检测效果要优于像素形式的背景模型，这从图２中的（ａ１０１）、（ｂ１３１）、（ｈ３３１）、（ｉ３５１）可以看出．从精度上来说，像素形式背景模型要优于分块形式的背景模型．
图２从视频中提取的１０帧图像、分块形式的背景处理结果和像素形式的背景处理结果
Ｆｉｇ．２
１０ｆｒａｍｅｉｍａｇｅｓｆｒｏｍｔｈｅｖｉｄｅｏ，ｐｒｏｃｅｓｓｉｎｇｒｅｓｕｌｔｓｏｆ
ｂｌｏｃｋ—ｂａｃｋｇｒｏｕｎｄｍｏｄｅｌａｎｄｐｉｘｅｌ－ｂａｃｋｇｒｏｕｎｄ
ｍｏｄｅｌ
基于图像分块的背景模型构建方法
作者：杨广林， 孔令富， YANG Guang-lin， KONG Ling-fu
作者单位：燕山大学信息科学与工程学院,河北,秦皇岛,066004
刊名：
机器人
英文刊名：ROBOT
年，卷(期)：2007,29(1)
被引用次数：4次
1.Haritaoglu I;Harwood D;Davis L W4:real-time surveillance of people and their activities 2000(08)
2.Jain R;Kasturi R;Schunck B G Machine Vision 2003
3.Heikkila M;Pietikainen M A texture-based method for modeling the background and detecting moving objects[外文期刊] 2006(04)
4.Lee D S;Hull J J;Erol B A Bayesian framework for Gaussian mixture background modeling[外文会议] 2003
5.Zivkovic Z Improved adaptive Gaussian mixture model for background subtraction[外文会议] 2004
6.KaewTraKulPong P;Bowden R An improved adaptive background mixture model for real-time tracking with shadow detection 2001
7.Stauffer C;Grimson W E L Adaptive background mixture models for real-time tracking 1999
8.Friedman N;Russell S Image segmentatio n in video sequences:a probabilistic approach 1997
9.Wren C;Azarbayejani A;Darrell T Pfinder:real-time tracking of the human body 1997(07)
1.陈建恺.陈继荣适应场景亮度快速变化的背景重建算法[期刊论文]-计算机工程与应用 2010(8)
2.李庆武.蔡艳梅.徐立中基于分块分类的智能视频监控背景更新算法[期刊论文]-智能系统学报 2010(3)
3.吴培良.朱玲.张玮动态家庭环境智能空间服务机器人全息建图方法[期刊论文]-科技导报 2010(12)
4.王智灵.周露平.陈宗海针对不同信息特征的鲁棒背景建模技术分析[期刊论文]-模式识别与人工智能 2009(2)
5.李庆武.蔡艳梅.徐立中基于分块分类的智能视频监控背景更新算法[期刊论文]-智能系统学报 2010(3)
本文链接：/Periodical_jqr200701006.aspx。