基于聚类学习器集成的数字图像分割方法

摘要

本发明公开了一种基于聚类学习器集成的数字图像分割方法，涉及数字图像处理领域，具体包括如下步骤：步骤一：将数字图像信息输入到数字图像的处理设备中；步骤二：对数字图像进行粗分割；步骤三：对数字图像进行细分割；步骤四：生成聚类学习器集成；步骤五：设定RGB阈值；步骤六：将步骤五中识别筛选出的数字图像，进行图像的检索，并与数据库中的图像信息进行匹配；步骤七：输出匹配后得到的数字图像。在本发明的实施过程中，利用聚类学习器提高了数字图像的分割精度，在进行图像分割时，通过优先去除无用的部分，达到降低硬件运算负担，同时提高分割效率的效果；同时利用坐标系作为筛选的具体表现，能够在筛选时直观明白，提高筛选效率。

说明书

技术领域

本发明涉及数字图像处理领域，具体是一种基于聚类学习器集成的数字图像分割方法。

背景技术

随着数字图像设备例如数码相机等的普及，数字图像已经在各行各业得到了广泛应用。为了有效提取和利用数字图像中包含的信息，需要对图像进行分割。图像分割是指将图像中具有不同语义的区域分割开，这些区域互不相交，每个区域都满足一致性。有效的数字图像分割技术将为进一步的数字图像检索、识别等奠定基础。聚类学习器是经典的机器学习技术。

在生成聚类学习器集成时，需要对整个数字图像进行处理，在这个过程中，需要进行大量的无用计算，这不仅极大增加了机器硬件的运算负担，而且效率低下。

发明内容

本发明的目的在于提供一种基于聚类学习器集成的数字图像分割方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

基于聚类学习器集成的数字图像分割方法，包括如下步骤：

步骤一：将数字图像信息输入到数字图像的处理设备中，由数字图像的处理设备进行预处理；预处理包括平滑和去噪的处理，从而提高数字图片的整体质量；

步骤二：对数字图像进行粗分割，将需要用到的图像留下，不需要用的图像去除；

步骤三：对数字图像进行细分割；

步骤四：生成聚类学习器集成，通过对RGB的识别对每个数字图像的信息进行初步的分类和筛选，得到分割结果；

步骤五：设定RGB阈值，对步骤四筛选出的数字图像进一步进行筛选，将RGB阈值内的数字图像筛选出来，从而提高检索精度；

步骤六：将步骤五中识别筛选出的数字图像，进行图像的检索，并与数据库中的图像信息进行匹配；

步骤七：输出匹配后得到的数字图像。

作为本发明进一步的方案：步骤二中进行数字图像的粗分割时，由人工通过计算机进行操作，将待处理的目标区域从整张数字图像中截出，从而避免不需要用的图像对步骤四造成干扰。

作为本发明进一步的方案：步骤三中在进行数字图像的细分割时，需要保证每个数字图像的分割区域面积大小相同。

作为本发明进一步的方案：步骤四中的聚类学习器集成在生成时，每个分割后的数字图像中，凡是含有目标颜色的图像全部挑选出来，而将其余数字图像全部排除。

作为本发明进一步的方案：步骤五中设定RGB的阈值时，通过如下方式得到筛选结果：

（1）建立RGB阈值坐标系，在三维坐标系中分别以R(红色）、G（绿色）和B（蓝色）作为坐标轴，分别以RGB的阈值在坐标系内形成一个方形体的范围；

（2）计算每一个数字图像内RGB的占比，计算时，设定该数字图像内RGB所占的面积为Sn，设定该数字图像的总面积为S，得出Sn和S的比值，并分别标注在RGB阈值坐标系内；

（3）将不合格的数字图像剔除，在处理时，需要注意至少数字图像至少有一个点位于方形体中。

与现有技术相比，本发明的有益效果是：

在本发明的实施过程中，利用聚类学习器提高了数字图像的分割精度，在进行图像分割时，通过优先去除无用的部分，达到降低硬件运算负担，同时提高分割效率的效果；同时利用坐标系作为筛选的具体表现，能够在筛选时直观明白，提高筛选效率。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述，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。

实施例1

本发明实施例中，一种基于聚类学习器集成的数字图像分割方法，包括如下步骤：

步骤一：将数字图像信息输入到数字图像的处理设备中，由数字图像的处理设备进行预处理；预处理包括平滑和去噪的处理，从而提高数字图片的整体质量。

步骤二：对数字图像进行粗分割，将需要用到的图像留下，不需要用的图像去除，如此能够有效减少数字图像处理时的计算量，提高处理效率。

步骤三：对数字图像进行细分割，在进行数字图像的细分割时，需要保证每个数字图像的分割区域面积大小相同。

步骤四：生成聚类学习器集成，通过对RGB的识别对每个数字图像的信息进行初步的分类和筛选，得到分割结果。

步骤五：设定RGB阈值，对步骤四筛选出的数字图像进一步进行筛选，将RGB阈值内的数字图像筛选出来，从而提高检索精度。

步骤六：将步骤五中识别筛选出的数字图像，进行图像的检索，并与数据库中的图像信息进行匹配。

步骤七：输出匹配后得到的数字图像。

优选的，步骤二中进行数字图像的粗分割时，由人工通过计算机进行操作，将待处理的目标区域从整张数字图像中截出，从而避免不需要用的图像对步骤四造成干扰。

优选的，步骤四中的聚类学习器集成在生成时，每个分割后的数字图像中，凡是含有目标颜色的图像全部挑选出来，而将其余数字图像全部排除。

优选的，步骤五中设定RGB的阈值时，通过如下方式得到筛选结果：

（1）建立RGB阈值坐标系，在三维坐标系中分别以R(红色）、G（绿色）和B（蓝色）作为坐标轴，分别以RGB的阈值在坐标系内形成一个方形体的范围；

（2）计算每一个数字图像内RGB的占比，计算时，设定该数字图像内RGB所占的面积为Sn，设定该数字图像的总面积为S，得出Sn和S的比值，并分别标注在RGB阈值坐标系内；

（3）将不合格的数字图像剔除，在处理时，需要注意至少数字图像至少有一个点位于方形体中。

实施例2

本发明实施例中，以车牌识别为例，包括如下步骤：

步骤一：将摄像头拍摄到的数字图像输入到数字图像的处理设备中，由数字图像的处理设备进行预处理；预处理包括平滑和去噪的处理，提高车牌的整体清晰度。

步骤二：对数字图像进行粗分割，人工将数字图像中目标车牌的部分截取下来，作为目标处理图像，减少硬件图像处理时的计算量。

步骤三：对数字图像进行细分割，在进行数字图像的细分割时，需要保证每个数字图像的分割区域面积大小相同。

步骤四：生成聚类学习器集成，将数字图像中含有车牌蓝色部分和车牌字体的白色部分全部筛选出来，而将车牌外的部分全部排除。

步骤五：设定RGB阈值，主要是针对车牌蓝色部分，当蓝色占据数字图像的占比超出设定阈值时剔除，剩下的部分为车牌的字体部分。

步骤六：将步骤五中识别筛选出的数字图像，进行图像的检索，并与数据库中的图像信息进行匹配。

步骤七：输出匹配后得到的数字图像。

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内，且本说明书中未作详细描述的内容均属于本领域专业技术人员公知的现有技术。