传感器管理单元、传感器装置、感测数据提供方法以及感测数据提供程序

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108596191A(43)申请公布日2018.09.28(21)申请号201810368187.9G06K9/62(2006.01)(22)申请日2018.04.23(71)申请人福建师范大学地址350108福建省福州市闽侯县上街镇大学城福建师范大学科技处(72)发明人施文灶　程姗　林志斌　何代毅　(74)专利代理机构福州君诚知识产权代理有限公司35211代理人戴雨君(51)Int.Cl.G06K9/46(2006.01)G06T7/13(2017.01)G06T7/149(2017.01)G06T5/00(2006.01)G06T7/00(2017.01)权利要求书2页说明书3页附图1页(54)发明名称一种用于具有弱边缘的单一目标提取方法(57)摘要本发明涉及一种用于具有弱边缘的单一目标提取方法。包括如下步骤：步骤1，输入包含单一目标的图像；步骤2，人工标注；步骤3，平滑处理；步骤4，梯度计算；步骤5，弱边缘参数定义；步骤6，提取标注前景和标注背景；步骤7，创建训练数据集和标记集；步骤8，创建测试数据集；步骤9，训练KNN分类器；步骤10，预测测试数据集；步骤11，计算弱边缘强化集合；步骤12，提取初始轮廓；步骤13，迭代运算活动轮廓模型；步骤14，输出目标轮廓。能够准确 检测 工程第三方检测合同工程防雷检测合同植筋拉拔检测方案传感器技术课后答案检测机构通用要求培训 弱边缘，可以应用于医学图像中病变目标的准确提取。CN108596191ACN108596191A权　利　要　求　书1/2页1.一种用于具有弱边缘的单一目标提取方法，其特征在于包括以下步骤：步骤1：输入高为h，宽为w，包含单一目标Obj的图像I1；步骤2：对图像I1进行人工标注，在目标Obj内部进行标注，得到内部标注区域A1，在目标Obj外部进行标注，得到外部标注区域A2，图像I1人工标注后记为标注图像I2；步骤3：对图像I1进行平滑处理，得到平滑图像I3；步骤4：计算平滑图像I3的梯度grad；步骤5：定义基于梯度grad的弱边缘参数wep，弱边缘参数wep=1/(1+grad)；步骤6：提取内部标注区域A1，记为标注前景F，提取外部标注区域A2，记为标注背景B；步骤7：利用标注前景F和标注背景B创建训练数据集TrainSet和标记集LableSet，训练数据集TrainSet为(M+N)×9的矩阵，标记集LableSet为(M+N)×1的列向量，M为标注前景F包含的像素点的数量，N为标注背景B包含的像素点的数量，训练数据集TrainSet的第i行为第i个像素点(x,y)的特征向量FV，特征向量FV=[I1(x-1,y-1), I1(x-1,y), I1(x-1,y+1), I1(x,y-1), I1(x,y), I1(x,y+1), I1((x+1,y-1), I1(x+1,y), I1(x+1,y+1)]，I1(x,y)表示第i像素点(x,y)在图像I1中的灰度值，当像素点(x,y)属于标注前景F时，标记集LableSet的第i个元素的取值为1，当像素点(x,y)属于标注背景B时，标记集LableSet的第i个元素的取值为0；步骤8：创建测试数据集TestSet，具体方法为：用图像I1中的像素点(m,n)及其8邻域像素点共9个像素点的取值构造像素点(m,n)的特征向量FVtest，FVtest=[I1(m-1,n-1), I1(m-1,n), I1(m-1,n+1), I1(m,n-1), I1(m,n), I1(m,n+1), I1((m+1,n-1), I1(m+1,n), I1(m+1,n+1)]，由2≤m≤h-1和2≤n≤w-1构成双重循环遍历像素点(m,n)；步骤9：利用步骤7中的训练数据集TrainSet和标记集LableSet训练KNN分类器，得到模型M；步骤10：用步骤9中的模型M对步骤8中的测试数据集TestSet进行测试，预测测试数据集TestSet中每个特征向量属于标注前景F的概率，得到前景概率集合FSet；步骤11：考虑弱边缘两侧的像素点的前景概率不具有强边缘的从0到1或从1到0的特点，为了提供弱边缘提取的准确性，基于步骤5中的弱边缘参数wep，变换前景概率集合FSet，得到弱边缘强化集合WFSet，具体变换公式为：WFSet=wep×(2×(FSet-0.5))2；步骤12：提取步骤7中的标注前景F的轮廓作为初始轮廓IniC；步骤13：初始化迭代次数Num，采用活动轮廓模型CM，以弱边缘强化集合WFSet为参数，对步骤12中的初始轮廓IniC进行迭代运算，划分迭代缓冲区Buf，用于存储迭代过程中的每一次提取结果，Buf的空间大小为h×w×Num，第t次迭代后得到的轮廓Ct存入缓冲区Buf(t)，Buf(t)为h×w的二维数组，当满足迭代停止条件Buf(t)=Buf(t-1)=Buf(t-2)时，迭代过程停止，进入步骤14；步骤14：输出目标轮廓。2.根据权利要求1所述的一种用于具有弱边缘的单一目标提取方法，其特征在于步骤2中所述的人工标注的颜色，颜色需要从红色，绿色和蓝色中选择，且内部标注区域A1和外部标注区域A2的颜色不能相同。3.根据权利要求1所述的一种用于具有弱边缘的单一目标提取方法，其特征在于步骤6中所述的标注前景F和标注背景B的提取方法为：分离标注图像I2的3个颜色分量，选取与内2CN108596191A权　利　要　求　书2/2页部标注区域A1的颜色相同的分量，合并其取值为255的像素点作为标注前景F，选取与外部标注区域A2的颜色相同的分量，合并其取值为255的像素点作为标注背景B。4.根据权利要求1所述的一种用于具有弱边缘的单一目标提取方法，其特征在于步骤13中所述的活动轮廓模型CM，可以是Snake模型或水平集。3CN108596191A说　明　书1/3页一种用于具有弱边缘的单一目标提取方法技术领域[0001]本发明涉及一种数字图像处理领域，具体说是一种用于具有弱边缘的单一目标提取方法。背景技术[0002]边缘是图像最基本的特征。Marr的视觉计算理论把边缘图像的获取看作视觉的早期阶段，亦即整个视觉过程的起点。对人类视觉系统的研究表明,图像的边缘特别重要，往往仅凭一条粗略的轮廓线就能识别出一个物体，故图像的边缘具有丰富的信息。因此，图像边缘提取技术一直是图像处理与模式识别的重要环节,并在诸多领域得到了广泛的应用。纵观图像处理技术的发展进程，边缘提取技术的新理论、新方法不断涌现，诸如边缘跟踪法、基于像素领域构造的边缘检测算子，如常用的梯度算子、Laplace算子等。近几年来在此领域又出现了数学形态学、小波 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 、BP神经网络等图像处理新技术，极大地促进了数字图像边缘提取技术的发展。但就己发表的成果来看，这些方法还存在以下问 题 快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题 ：（1）计算复杂度较大，难以达到实时处理；（2）对数据源的要求较严格，对于边缘不显著的物体，提取效果不好。发明内容[0003]本发明提供了一种用于具有弱边缘的单一目标提取方法，运用人工标注和活动轮廓模型相结合的半自动方式，通过对弱边缘进行增强，最大限度地保留边缘信息，方法的计算量小，输出结果可靠。[0004]为实现本发明的目标所采用的技术 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 是：方法包括以下步骤：步骤1：输入高为h，宽为w，包含单一目标Obj的图像I1；步骤2：对图像I1进行人工标注，在目标Obj内部进行标注，得到内部标注区域A1，在目标Obj外部进行标注，得到外部标注区域A2，图像I1人工标注后记为标注图像I2；步骤3：对图像I1进行平滑处理，得到平滑图像I3；步骤4：计算平滑图像I3的梯度grad；步骤5：定义基于梯度grad的弱边缘参数wep，弱边缘参数wep=1/(1+grad)；步骤6：提取内部标注区域A1，记为标注前景F，提取外部标注区域A2，记为标注背景B；步骤7：利用标注前景F和标注背景B创建训练数据集TrainSet和标记集LableSet，训练数据集TrainSet为(M+N)×9的矩阵，标记集LableSet为(M+N)×1的列向量，M为标注前景F包含的像素点的数量，N为标注背景B包含的像素点的数量，训练数据集TrainSet的第i行为第i个像素点(x,y)的特征向量FV，特征向量FV=[I1(x-1,y-1), I1(x-1,y), I1(x-1,y+1), I1(x,y-1), I1(x,y), I1(x,y+1), I1((x+1,y-1), I1(x+1,y), I1(x+1,y+1)]，I1(x,y)表示第i像素点(x,y)在图像I1中的灰度值，当像素点(x,y)属于标注前景F时，标记集LableSet的第i个元素的取值为1，当像素点(x,y)属于标注背景B时，标记集LableSet的第i个元素的取值为0；4CN108596191A说　明　书2/3页步骤8：创建测试数据集TestSet，具体方法为：用图像I1中的像素点(m,n)及其8邻域像素点共9个像素点的取值构造像素点(m,n)的特征向量FVtest，FVtest=[I1(m-1,n-1), I1(m-1,n), I1(m-1,n+1), I1(m,n-1), I1(m,n), I1(m,n+1), I1((m+1,n-1), I1(m+1,n), I1(m+1,n+1)]，由2≤m≤h-1和2≤n≤w-1构成双重循环遍历像素点(m,n)；步骤9：利用步骤7中的训练数据集TrainSet和标记集LableSet训练KNN分类器，得到模型M；步骤10：用步骤9中的模型M对步骤8中的测试数据集TestSet进行测试，预测测试数据集TestSet中每个特征向量属于标注前景F的概率，得到前景概率集合FSet；步骤11：考虑弱边缘两侧的像素点的前景概率不具有强边缘的从0到1或从1到0的特点，为了提供弱边缘提取的准确性，基于步骤5中的弱边缘参数wep，变换前景概率集合FSet，得到弱边缘强化集合WFSet，具体变换公式为：WFSet=wep×(2×(FSet-0.5))2；步骤12：提取步骤7中的标注前景F的轮廓作为初始轮廓IniC；步骤13：初始化迭代次数Num，采用活动轮廓模型CM，以弱边缘强化集合WFSet为参数，对步骤12中的初始轮廓IniC进行迭代运算，划分迭代缓冲区Buf，用于存储迭代过程中的每一次提取结果，Buf的空间大小为h×w×Num，第t次迭代后得到的轮廓Ct存入缓冲区Buf(t)，Buf(t)为h×w的二维数组，当满足迭代停止条件Buf(t)=Buf(t-1)=Buf(t-2)时，迭代过程停止，进入步骤14；步骤14：输出目标轮廓。[0005]所述的步骤2中的人工标注的颜色需要从红色，绿色和蓝色中选择，且内部标注区域A1和外部标注区域A2的颜色不能相同。[0006]所述的步骤6中的标注前景F和标注背景B的提取方法为：分离标注图像I2的3个颜色分量，选取与内部标注区域A1的颜色相同的分量，合并其取值为255的像素点作为标注前景F，选取与外部标注区域A2的颜色相同的分量，合并其取值为255的像素点作为标注背景B。[0007]所述的步骤13中的活动轮廓模型CM可以是Snake模型或水平集。[0008]本发明的有益效果是：能够准确检测弱边缘，可以应用于医学图像中病变目标的准确提取。附图说明[0009]图1是本发明的总体处理流程图。具体实施方式[0010]下面结合附图详细描述本发明的具体实施方式。[0011]在步骤101，输入高为h，宽为w，包含单一目标Obj的图像I1。[0012]在步骤102，对图像I1进行人工标注，在目标Obj内部用红色进行标注，得到内部标注区域A1，在目标Obj外部用绿色进行标注，得到外部标注区域A2，图像I1人工标注后记为标注图像I2。[0013]在步骤103，对图像I1进行平滑处理，得到平滑图像I3。[0014]在步骤104，计算平滑图像I3的梯度grad。5CN108596191A说　明　书3/3页[0015]在步骤105，定义基于梯度grad的弱边缘参数wep，弱边缘参数wep=1/(1+grad)。[0016]在步骤106，分离标注图像I2的3个颜色分量，得到红色分量red，绿色分量green和蓝色分量blue，选取与内部标注区域A1的颜色相同的红色分量red，合并其取值为255的像素点作为标注前景F，选取与外部标注区域A2的颜色相同的绿色分量green，合并其取值为255的像素点作为标注背景B。[0017]在步骤107，利用标注前景F和标注背景B创建训练数据集TrainSet和标记集LableSet，训练数据集TrainSet为(M+N)×9的矩阵，标记集LableSet为(M+N)×1的列向量，M为标注前景F包含的像素点的数量，N为标注背景B包含的像素点的数量，训练数据集TrainSet的第i行为第i个像素点(x,y)的特征向量FV，特征向量FV=[I1(x-1,y-1), I1(x-1,y), I1(x-1,y+1), I1(x,y-1), I1(x,y), I1(x,y+1), I1((x+1,y-1), I1(x+1,y), I1(x+1,y+1)]，I1(x,y)表示第i像素点(x,y)在图像I1中的灰度值，当像素点(x,y)属于标注前景F时，标记集LableSet的第i个元素的取值为1，当像素点(x,y)属于标注背景B时，标记集LableSet的第i个元素的取值为0。[0018]在步骤108，创建测试数据集TestSet，具体方法为：用图像I1中的像素点(m,n)及其8邻域像素点共9个像素点的取值构造像素点(m,n)的特征向量FVtest，FVtest=[I1(m-1,n-1), I1(m-1,n), I1(m-1,n+1), I1(m,n-1), I1(m,n), I1(m,n+1), I1((m+1,n-1), I1(m+1,n), I1(m+1,n+1)]，由2≤m≤h-1和2≤n≤w-1构成双重循环遍历像素点(m,n)。[0019]在步骤109，利用步骤107中的训练数据集TrainSet和标记集LableSet训练KNN分类器，得到模型M。[0020]在步骤110，用步骤109中的模型M对步骤108中的测试数据集TestSet进行测试，预测测试数据集TestSet中每个特征向量属于标注前景F的概率，得到前景概率集合FSet。[0021]在步骤111，考虑弱边缘两侧的像素点的前景概率不具有强边缘的从0到1或从1到0的特点，为了提供弱边缘提取的准确性，基于步骤105中的弱边缘参数wep，变换前景概率集合FSet，得到弱边缘强化集合WFSet，具体变换公式为：WFSet=wep×(2×(FSet-0.5))2。[0022]在步骤112，提取步骤107中的标注前景F的轮廓作为初始轮廓IniC。[0023]在步骤113，初始化迭代次数Num，采用水平集作为活动轮廓模型CM，以弱边缘强化集合WFSet为参数，对步骤112中的初始轮廓IniC进行迭代运算，划分迭代缓冲区Buf，用于存储迭代过程中的每一次提取结果，Buf的空间大小为h×w×Num，第t次迭代后得到的轮廓Ct存入缓冲区Buf(t)，Buf(t)为h×w的二维数组，当满足迭代停止条件Buf(t)=Buf(t-1)=Buf(t-2)时，迭代过程停止，进入步骤114。[0024]在步骤114，输出目标轮廓。6CN108596191A说　明　书　附　图1/1页图17