專利名稱：利用紋理特征的影像分割法的制作方法
技術(shù)領域：
本發(fā)明是關于一種利用紋理特征的影像分割法，尤指一種能結(jié)合影像信號中的紋理特征與色彩特征，且利用紋理特征與 色彩特征所分別具有的優(yōu)點，將一影像信號分割為多個紋理色彩特征區(qū)塊，以提高影像信號分割的準確率的利用紋理特征的影像分割法。
背景技術(shù)：
在許多計算機視覺以及圖像處理的架構(gòu)中，通常會先假設在影像中任一個物體的表面的影像強度或者色彩強度是近似于均勻。然而，這樣的假設并不符合人類肉眼所觀察到的真實世界。因為，人類肉眼除了可觀察到影像強度或者色彩強度之外，亦能觀察到物體表面的其他細微變化，而這些細微變化即為所為的紋理(texture)。以往，曾有學者對紋理提出以下的描述紋理影像中具有一些最基本的單元，而紋理的特性則必須通過紋理基本單元間的“空間關系”才能被描述出來。另外，亦有學者對紋理提出以下的描述相同的紋理往往會具有相似的“區(qū)域特性”，而這些區(qū)域特性很可能是平滑性、粗糙性或規(guī)則性等。而基于前述的紋理的特性，如何精確地將紋理的特征萃取出來，對于現(xiàn)今影像技術(shù)已是一門相當重要的課題。在計算機視覺以及圖像處理的領域中，便形成一門值得探究的領域。在過去的文獻當中，對于紋理特征的擷取多是使用賈伯濾波器組，而賈伯濾波器的脈沖響應是由一個高斯方程式乘上一個復數(shù)指數(shù)項。因此，賈伯濾波器于紋理特征擷取的應用上具有許多的優(yōu)勢，例如，賈伯濾波器具有平移不變性(translation invariant)、尺度不變性(scale invariant)、及旋轉(zhuǎn)不變性(rotation invariant)等物理上的不變性等。然而，由于目前常用的利用紋理特征的影像分割法往往僅單讀考慮一影像區(qū)塊的色彩特征，而未將紋理特征也納入考慮的范圍，故常會發(fā)生因為具有相同的色彩特征，而無法將一影像信號的一色彩特征區(qū)塊進一步分隔為兩個具有不同紋理特征的子區(qū)塊，造成后續(xù)影像辨識的準確率上的限制。因此，業(yè)界需要一種能結(jié)合影像信號中的紋理特征與色彩特征，且利用紋理特征與色彩特征所分別具有的優(yōu)點，將一影像信號分割為多個紋理色彩特征區(qū)塊，以提高影像信號分割的準確率的利用紋理特征的影像分割法。

發(fā)明內(nèi)容
本發(fā)明的目的是在提供一種利用紋理特征的影像分割法，其能結(jié)合影像信號中的紋理特征與色彩特征，且利用紋理特征與色彩特征所分別具有的優(yōu)點，將一影像信號分割為多個紋理色彩特征區(qū)塊，以提高影像信號分割的準確率。為達成上述目的，本發(fā)明的利用紋理特征的影像分割法，是用于將一影像信號分割為多個紋理色彩特征區(qū)塊，包括下列步驟=(A)接收此影像信號，此影像信號是包含多個影像元素；(B)應用一賈伯濾波器組，對每一所述影像元素執(zhí)行一賈伯濾波程序，且再對執(zhí)行此賈伯濾波程序所得的輸出，執(zhí)行一數(shù)值運算程序；(C)依據(jù)執(zhí)行此數(shù)值運算程序所得的輸出，分別賦予每一所述影像元素一紋理特征向量；(D)依據(jù)每一所述影像元素所被賦予的紋理特征向量，對此影像信號執(zhí)行一分割程序，使得此影像信號具有多個紋理特征區(qū)塊，且位于同一紋理特征區(qū)塊內(nèi)的所述影像元素均具有相同群別的紋理特征向量；以及(E)依據(jù)所述紋理特征區(qū)塊于此影像信號中的分布，對此影像信號所包含的多個色彩特征區(qū)塊分別執(zhí)行一再分割程序，使得至少一所述色彩特征區(qū)塊具有多個紋理色彩特征區(qū)塊。其中，位于同一紋理色彩特征區(qū)塊內(nèi)的所述影像元素均具有相同群別的紋理特征向量及相同群別的色彩特征向量。其中，上述的賈伯濾波器組是由多個二維賈伯濾波器所構(gòu)成，且賈伯濾波器組所包含的多個二維賈伯濾波器的數(shù)目并無限制，且它們的配置方式亦無任何限制。然而，前述的賈伯濾波器組較佳由一內(nèi)子帶賈伯濾波器組及一外子帶賈伯濾波器組所構(gòu)成，但子帶的數(shù)目亦無限制，即賈伯濾波器組可配置3個子帶賈伯濾波器組(如內(nèi)子帶賈伯濾波器組、中子帶賈伯濾波器組及外子帶賈伯濾波器)或更多數(shù)目的子帶賈伯濾波器組。再者，前述的內(nèi)子帶賈伯濾波器組及外子帶賈伯濾波器組可分別由一個或一個以 上的二維賈伯濾波器構(gòu)成，但它們較佳為分別由多個二維賈伯濾波器構(gòu)成，且它們所分別具有的二維賈伯濾波器的數(shù)目也不一定要相同。但是，為了得到最佳濾波結(jié)果，一般是將內(nèi)子帶賈伯濾波器組及外子帶賈伯濾波器組設計成具有相同數(shù)目的二維賈伯濾波器。此外，在本發(fā)明的利用紋理特征的影像分割法中，賈伯濾波器組的濾波方向的數(shù)目是為構(gòu)成內(nèi)子帶賈伯濾波器組的二維賈伯濾波器的數(shù)目，在某些情況，亦等于構(gòu)成外子帶賈伯濾波器組的二維賈伯濾波器的數(shù)目。除此之外，在本發(fā)明的利用紋理特征的影像分割法中，每一個位于內(nèi)子帶賈伯濾波器組的二維賈伯濾波器均對應至一個位于外子帶賈伯濾波器組的二維賈伯濾波器，且這兩個二維賈伯濾波器一內(nèi)一外的搭配方式，即構(gòu)成前述的賈伯濾波器組的一個濾波方向。另一方面，于本發(fā)明的利用紋理特征的影像分割法中，賈伯濾波器組所具的兩個子帶賈伯濾波器組的配置方式，較佳為將內(nèi)子帶賈伯濾波器組與外子帶賈伯濾波器組以同心圓的方式配置。除此之外，前述的兩個子帶賈伯濾波器組可使用4至8個二維賈伯濾波器，然而，較佳使用6個二維賈伯濾波器，意即本發(fā)明的利用紋理特征的影像分割法中所使用的賈伯濾波器組較佳使用12個二維賈伯濾波器。而且，如前所述，由于一由一個位于內(nèi)子帶賈伯濾波器組的二維賈伯濾波器延伸至一位于外子帶賈伯濾波器組的相對應的二維賈伯濾波器的方向即構(gòu)成一濾波方向，故在本發(fā)明的利用紋理特征的影像分割法中所使用的賈伯濾波器組具有6個濾波方向。但需注意的是，存在于各個濾波方向之間的角度間隔并無限制，但較佳為這6個濾波方向互相間隔30度。再者，在本發(fā)明的利用紋理特征的影像分割法中所使用的賈伯濾波器組中，第一個濾波方向是可配置于任何角度，但較佳為配置于0度方向。如此，其余的濾波方向(其余5個濾波方向)便再依據(jù)前述的間隔角度的設定依序配置于適當?shù)慕嵌?。此外，在本發(fā)明的利用紋理特征的影像分割法的步驟(B)中，所執(zhí)行的數(shù)值運算程序較佳為運算此賈伯濾波程序所得的輸出的振幅大小。之后，運算所得的振幅大小的數(shù)值，則用于在步驟(C)中，賦予每一影像元素一相對應的紋理特征向量。意即，若在步驟(B)中，是以n個二維賈伯濾波器執(zhí)行賈伯濾波程序，則數(shù)值運算程序便會運算出n個振幅大小的數(shù)值。接著，這n個振幅大小的數(shù)值便用于賦予一影像元素一紋理特征向量。如此，紋理特征向量即為一 n維向量。換句話說，在本發(fā)明的利用紋理特征的影像分割法中，每一影像元素所分別被賦予的紋理特征向量的維度的數(shù)目是等于步驟(B)的賈伯濾波程序中所使用的二維賈伯濾波器的數(shù)目。接者，經(jīng)過執(zhí)行步驟(D)的分割程序后，具有相同群別的紋理特征向量的多個影像元素便會被分類到同一個紋理特征區(qū)塊內(nèi)。如此一來，原始的影像信號(于步驟(A)中被接收)即會被分割為多個紋理特征區(qū)塊。其中，執(zhí)行前述的分割程序是應用一分群算法，但不限定為哪一種分群算法。一般而言，此處可使用的分群算法可為K-means分群算法、CRLA(constraint run length algorithm)分群算法或 SBKM(Symmetry distance BasedK-means algorithm)分群算法等。但在本發(fā)明的影像信號分割程序中,較佳使用K-means分群算法。之后，于本發(fā)明的利用紋理特征的影像分割法的步驟(E)中所執(zhí)行的再分割程序，較佳包括下列步驟=(El)將每一所述色彩特征區(qū)塊的面積值與一再分割門檻值互相比較；以及(E2)當其中的一所述色彩特征區(qū)塊的面積值高于此再分割門檻值時，便依據(jù)所 述紋理特征區(qū)塊于此影像信號中的分布，將此色彩特征區(qū)塊再分割為所述紋理色彩特征區(qū)塊。需注意的是，前述的再分割門檻值并無任何限制，但其數(shù)值較佳介于160至200之間。此外，前述的步驟(E2)是應用一分群算法，依據(jù)所述紋理特征區(qū)塊于此影像信號中的分布，將此色彩特征區(qū)塊再分割為所述紋理色彩特征區(qū)塊。同樣地，步驟(E2)所使用的分群算法的種類并無限制，故任何可達到分群功效的分群算法皆可適用于步驟(E2)中。但步驟(E2)較佳使用K-means分群算法、CRLA分群算法或SBKM分群算法。最后，于本發(fā)明的利用紋理特征的影像分割法的步驟(E)中，此影像信號所包含的多個色彩特征區(qū)塊可通過下列方式得出對每一所述影像元素執(zhí)行一色彩特征擷取程序，以擷取每一所述影像元素所具的色彩特征并分別賦予每一所述影像元素一色彩特征向量；應用一分群算法，依據(jù)每一所述影像元素所分別被賦予的色彩特征向量，將所述影像元素分群至多個色彩群別內(nèi)；以及，將彼此相鄰且位于同一色彩群別內(nèi)的所述影像元素包含于同一色彩特征區(qū)塊內(nèi)。然而，此影像信號所包含的多個色彩特征區(qū)塊并不限定由上述方法取得，它們可通過任何業(yè)界已使用于取得一影像信號的多個色彩特征區(qū)塊的算法取得。


為讓本發(fā)明的上述特征和優(yōu)點能更明顯易懂，下文特舉實施例，并配合附圖作詳細說明如下，其中圖I是本發(fā)明一實施例的利用紋理特征的影像分割法的流程示意圖。圖2是本發(fā)明另一實施例的利用紋理特征的影像分割法的流程示意圖。圖3是顯示在本發(fā)明另一實施例的利用紋理特征的影像分割法所使用的賈伯濾波器組中，其所包含的12個二維賈伯濾波器于一空間平面上的配置方式的示意圖。圖4是顯示多個色彩特征區(qū)塊于一影像信號中的分布情況的示意圖。圖5是顯示在本發(fā)明另一實施例的利用紋理特征的影像分割法的步驟(E)中，得出一影像信號所包含的多個色彩特征區(qū)塊所需執(zhí)行的色彩特征擷取方法的流程示意圖。圖6是顯示在本發(fā)明另一實施例的利用紋理特征的影像分割法的步驟(E)中，所需執(zhí)行的再分割程序的流程示意圖。
圖7是顯示經(jīng)過再分割程序后，圖4的色彩特征區(qū)塊被進一步分割為多個紋理色彩特征區(qū)塊的示意圖。
具體實施例方式以下是通過特定的具體實施例說明本發(fā)明的實施方式，熟習此技術(shù)的人士可由本說明書所揭示的內(nèi)容輕易地了解本發(fā)明的其他優(yōu)點與功效。此外，本發(fā)明亦可通過其他不同的具體實施例加以施行或應用，且本說明書中的各項細節(jié)亦可基于不同觀點與應用，而在不悖離本發(fā)明的精神下進行各種修飾與變更。實施例I請參閱圖1，其是本發(fā)明一實施例的利用紋理特征的影像分割法的流程示意圖。如圖I所示，本發(fā)明一實施例的利用紋理特征的影像分割法是包括下列步驟(A)接收此影像信號，此影像信號是包含多個影像元素； (B)應用一賈伯濾波器組，對每一所述影像元素執(zhí)行一賈伯濾波程序，且再對執(zhí)行此賈伯濾波程序所得的輸出，執(zhí)行一數(shù)值運算程序；(C)依據(jù)執(zhí)行此數(shù)值運算程序所得的輸出，分別賦予每一所述影像元素一紋理特征向量；(D)依據(jù)每一所述影像元素所被賦予的紋理特征向量，對此影像信號執(zhí)行一分割程序，使得此影像信號具有多個紋理特征區(qū)塊，且位于同一紋理特征區(qū)塊內(nèi)的所述影像元素均具有相同群別的紋理特征向量；以及(E)依據(jù)所述紋理特征區(qū)塊于此影像信號中的分布，對此影像信號所包含的多個色彩特征區(qū)塊分別執(zhí)行一再分割程序，使得至少一所述色彩特征區(qū)塊具有多個紋理色彩特征區(qū)塊。首先，于步驟(A)中，接收一影像信號，且此影像信號包含多個影像元素。而于本實例中，此影像信號的格式并無任何限制，即以任何格式所表示的影像信號皆可被應用于本發(fā)明一實施例的利用紋理特征的影像分割法。接著，于步驟(B)中，應用一賈伯濾波器組，對此影像信號所包含的每一個影像元素執(zhí)行一賈伯濾波程序，且再對執(zhí)行賈伯濾波程序所得的輸出，接續(xù)執(zhí)行一數(shù)值運算程序。在本實施例中，賈伯濾波器組是由一內(nèi)子帶賈伯濾波器組及一外子帶賈伯濾波器組所構(gòu)成，且內(nèi)子帶賈伯濾波器組及外子帶賈伯濾波器分別由6個二維賈伯濾波器構(gòu)成。至于二維賈伯濾波器的詳細運作方式及如何配置這些二維賈伯濾波器的方式，由于賈伯濾波器(不論是一維賈伯濾波器或二維賈伯濾波器)已經(jīng)廣泛被應用于各種需要濾波的場合中，且配置這些二維賈伯濾波器的方式亦已為業(yè)界人士所熟悉，故在此便不再贅述。另一方面，前述的數(shù)值運算程序是為運算此賈伯濾波程序所得的輸出的振幅大小。接著，于步驟(C)中，依據(jù)執(zhí)行前述的數(shù)值運算程序所得的輸出，分別賦予此影像信號所包含的每一個影像元素一紋理特征向量。其中，這些紋理特征向量的維度的數(shù)目是等于步驟(B)的賈伯濾波程序中所使用的二維賈伯濾波器的數(shù)目。再者，于步驟(D)中，依據(jù)每一個影像元素所被賦予的紋理特征向量，對此影像信號執(zhí)行一分割程序，使得此影像信號具有多個紋理特征區(qū)塊。在本實施例中，此分割程序是應用一 K-means分群算法。至于K-means分群算法的詳細步驟，由于K-means分群算法已經(jīng)廣泛被應用于各領域中，且廣為業(yè)界人士所熟悉，故在此便不再贅述。而且，經(jīng)過分割程序后，位于同一紋理特征區(qū)塊內(nèi)的多個影像元素均具有相同群別的紋理特征向量。最后，于步驟(E)中，依據(jù)所述紋理特征區(qū)塊于此影像信號中的分布，如位于影像信號中的相對位置，對此影像信號所包含的多個色彩特征區(qū)塊分別執(zhí)行一再分割程序，使得至少一所述色彩特征區(qū)塊具有多個紋理色彩特征區(qū)塊。而此再分割程序是包括下列步驟(El)將每一所述色彩特征區(qū)塊的面積值與一再分割門檻值互相比較；以及(E2)當其中的一所述色彩特征區(qū)塊的面積值高于此再分割門檻值時，便依據(jù)所述紋理特征區(qū)塊于此影像信號中的分布，將此色彩特征區(qū)塊再分割為所述紋理色彩特征區(qū)塊。實施例2請參閱圖2，其是本發(fā)明另一實施例的利用紋理特征的影像分割法的流程示意圖。 如圖2所示，本發(fā)明另一實施例的利用紋理特征的影像分割法是包括下列步驟(A)接收一影像信號，此影像信號是包含多個影像元素；(B)應用一賈伯濾波器組，對每一個影像元素執(zhí)行一賈伯濾波程序，且再對執(zhí)行此賈伯濾波程序所得的輸出，執(zhí)行一數(shù)值運算程序，以得出賈伯濾波程序所得的輸出的振幅大??；(C)依據(jù)執(zhí)行此數(shù)值運算程序所得的振幅大小，分別賦予每一個影像元素一 12維度的紋理特征向量；(D)依據(jù)每一個影像元素所被賦予的紋理特征向量，對此影像信號執(zhí)行一分割程序，使得此影像信號具有多個紋理特征區(qū)塊，且位于同一紋理特征區(qū)塊內(nèi)的多個影像元素均具有相同群別的紋理特征向量；以及(E)依據(jù)這些紋理特征區(qū)塊于此影像信號中的分布，對此影像信號所包含的多個色彩特征區(qū)塊分別執(zhí)行一再分割程序，使得至少一色彩特征區(qū)塊具有多個紋理色彩特征區(qū)塊。首先，于步驟(A)中，接收一影像信號，此影像信號是包含多個影像元素。而于本實例中，此影像信號的格式并無任何限制，即以任何格式所表示的影像信號皆可被應用于本發(fā)明一實施例的利用紋理特征的影像分割法。接著，于步驟(B)中，將此影像信號輸入賈伯濾波器組，以對每一個影像元素執(zhí)行一賈伯濾波程序，且接續(xù)運算出此賈伯濾波程序所得的輸出的振幅大小。在本實施例中，賈伯濾波器組是由一內(nèi)子帶賈伯濾波器組31及一外子帶賈伯濾波器組32所構(gòu)成，且內(nèi)子帶賈伯濾波器組31及外子帶賈伯濾波器組32均包含6個二維賈伯濾波器。而這12個二維賈伯濾波器于一空間平面上的配置方式，則請參閱圖3。此外，這12個二維賈伯濾波器均可由下列公式描述
,_去((丄)2+(々)g(^y;ax,ay,^) = --^^ ―肌’；(式 D
^xcry其中，ox、O y分別是為一高斯核心的標準偏差，O是為一傅立葉基頻，0是為二維賈伯濾波器的方向。而且，X’、y’、X、y之間并滿足下列公式X1 = xcos 0+ysin 0 ;(式 2)y1 =-xsin 0+ycos 0 ;(式 3)除此之外，在本實施例中，構(gòu)成內(nèi)子帶賈伯濾波器組31的6個二維賈伯濾波器所具有的標準偏差％及0y較佳為分別設定在I. 75至6. 5之間，而構(gòu)成外子帶賈伯濾波器組32的6個二維賈伯濾波器所具有的標準偏差O x及0 y較佳為分別設定在I. 75至4. 5之間。此外，傅立葉基頻《較佳為設定在介于0. 2 至0.6 之間。請再參閱圖3，其中圖3的橫軸是代表X方向的空間頻率，縱軸則代表Y方向的空間頻率，而圖3中的每一個圓圈代表一個具有特定參數(shù)(ox、oy、co及0)的二維賈伯濾波器經(jīng)過二維傅立業(yè)轉(zhuǎn)換(2_D Fourier Transformation)后，于一空間頻率平面(頻域)上的分布位置。由圖3可看出，位于內(nèi)圈的6個二維賈伯濾波器是構(gòu)成內(nèi)子帶賈伯濾波器 組31，而位于外圈的6個二維賈伯濾波器是構(gòu)成外子帶賈伯濾波器組32。再者，由于一由一個位于內(nèi)子帶賈伯濾波器組31的二維賈伯濾波器延伸至一位于外子帶賈伯濾波器組32的相對應的二維賈伯濾波器的方向即構(gòu)成一濾波方向，所以圖3所示的賈伯濾波器組具有6個濾波方向。其中，這6個濾波方向以0度為起始角度，且以30度為兩濾波方向之間的間隔。因此，圖3所示的賈伯濾波器組所具的6個濾波方向分別為為0度、30度、60度、90度、120度、及150度。此外，于本實施例中，位于內(nèi)子帶賈伯濾波器組31的6個二維賈伯濾波器的0 J0 y均設定為2. 75，而它們的傅立葉基頻則設定為0. 2 。另一方面，位于外子帶賈伯濾波器組32的6個二維賈伯濾波器的0 x及0 y均設定為2. 75，而它們的傅立葉基頻則設定為
0. 6 Ji。因此，當影像信號輸入圖3所示的賈伯濾波器組后，此賈伯濾波器組即對每一影像元素執(zhí)行一賈伯濾波程序。如此，一影像元素經(jīng)過賈伯濾波程序，便會得到12個輸出值。之后，再經(jīng)過一數(shù)值運算程序，得出這12個輸出值的振幅大小。接著，于步驟(C)中，依據(jù)這12個輸出值的振幅大小的數(shù)值，分別賦予此影像元素一紋理特征向量。如此，被賦予至此影像元素的紋理特征向量是為一 12維度的向量，而此12維度的向量的每一分量值是對應至前述的12個輸出值的振幅大小的數(shù)值。接著，于步驟(D)中，依據(jù)每一所述影像元素所被賦予的12維度的紋理特征向量，對此影像信號執(zhí)行一分割程序，使得此影像信號具有多個紋理特征區(qū)塊。而且，位于同一個紋理特征區(qū)塊內(nèi)的多個影像元素均具有相同群別的紋理特征向量。在本實施例中，前述的分割程序是應用K-means分群算法，以將具有相同群別的紋理特征向量分類至同一群。如此，經(jīng)過分割程序后的原始影像信號便被分割成多個紋理色彩特征區(qū)塊，而這些紋理色彩特征區(qū)塊則可分布于影像信號的全區(qū)域內(nèi)的任何部分。接著，于步驟(E)中，依據(jù)這些紋理色彩特征區(qū)塊于影像信號中的分布，對此影像信號所包含的多個色彩特征區(qū)塊分別執(zhí)行一再分割程序。其中，這些色彩特征區(qū)塊于一影像信號中的分布的情況，則如圖4所示。其中，此影像信號是包含4個色彩特征區(qū)塊，且分別被標示為I至4。而在本實施例中，這4個色彩特征區(qū)塊是通過使用一色彩特征擷取方法的方式，從一影像信號中被擷取出來。而如圖5所示，此色彩特征擷取方法是包括下列步驟
對每一所述影像元素執(zhí)行一色彩特征擷取程序，以擷取每一所述影像元素所具的色彩特征并分別賦予每一所述影像元素一色彩特征向量；應用一分群算法，依據(jù)每一所述影像元素所分別被賦予的色彩特征向量，將所述影像元素分群至多個色彩群別內(nèi)；以及將彼此相鄰且位于同一色彩群別內(nèi)的所述影像元素包含于同一色彩特征區(qū)塊內(nèi)。然而，前述的4色彩特征區(qū)塊并不限定由上述方法取得，它們可通過任何業(yè)界已使用于取得一影像信號的多個色彩特征區(qū)塊的算法取得。另一方面，在前述的色彩特征擷取方法中，其所使用的分群算法是為一 K-means分群算法。而由于K-means分群算法已經(jīng)廣泛被應用于各領域中，且廣為業(yè)界人士所熟悉，故K-means分群算法的詳細步驟，在此便不再贅述此外，如圖6所示，前述的再分割程序是包括下列步驟 (El)將每一所述色彩特征區(qū)塊的面積值與一再分割門檻值互相比較；以及(E2)當其中的一所述色彩特征區(qū)塊的面積值高于此再分割門檻值時，便依據(jù)所述紋理特征區(qū)塊于此影像信號中的分布，將此色彩特征區(qū)塊再分割為所述紋理色彩特征區(qū)塊。而于本實施例中，前述的再分割門檻值是設定為180。因此，在圖4所示的4個色彩特征區(qū)塊中，只有編號2及標號4的色彩特征區(qū)塊，會被執(zhí)行前述的再分割程序。意即，標號2的色彩特征區(qū)塊被再分割為編號2、標號5及標號6的3個紋理色彩特征區(qū)塊。至于標號7的色彩特征區(qū)塊，則被再分割為編號4及標號7的2個紋理色彩特征區(qū)塊，如圖7所
/Jn o需注意的是，在圖7所示的7個紋理色彩特征區(qū)塊中，位于同一個紋理色彩特征區(qū)塊(如標號4的紋理色彩特征區(qū)塊)內(nèi)的多個影像元素，均具有相同群別的紋理特征向量及相同群別的色彩特征向量。由上述兩個實施例可知，本發(fā)明的利用紋理特征的影像分割法的確可結(jié)合影像信號中的紋理特征(即多個紋理特征區(qū)塊于此影像信號中的分布)與色彩特征(即多個色彩特征區(qū)塊于此影像信號中的分布)，且利用紋理特征與色彩特征所分別具有的優(yōu)點，將一影像信號分割為多個紋理色彩特征區(qū)塊，以提高影像信號分割的準確率。上述實施例僅是為了方便說明而舉例而已，本發(fā)明所主張的權(quán)利范圍自應以權(quán)利要求范圍所述為準，而非僅限于上述實施例。
權(quán)利要求
1.一種利用紋理特征的影像分割法，用于將一影像信號分割為多個紋理色彩特征區(qū)塊，包括下列步驟 (A)接收該影像信號，該影像信號包含多個影像元素； (B)應用一賈伯濾波器組，對每一所述影像元素執(zhí)行一賈伯濾波程序，且再對執(zhí)行該賈伯濾波程序所得的輸出，執(zhí)行一數(shù)值運算程序； (C)依據(jù)執(zhí)行該數(shù)值運算程序所得的輸出，分別賦予每一所述影像元素一紋理特征向量; (D)依據(jù)每一所述影像元素所被賦予的紋理特征向量，對該影像信號執(zhí)行一分割程序，使得該影像信號具有多個紋理特征區(qū)塊，且位于同一紋理特征區(qū)塊內(nèi)的所述影像元素均具有相同群別的紋理特征向量；以及 (E)依據(jù)所述紋理特征區(qū)塊于該影像信號中的分布，對該影像信號所包含的多個色彩特征區(qū)塊分別執(zhí)行一再分割程序，使得至少一所述色彩特征區(qū)塊具有多個紋理色彩特征區(qū)塊； 其中，位于同一紋理色彩特征區(qū)塊內(nèi)的所述影像元素均具有相同群別的紋理特征向量及相同群別的色彩特征向量。
2.如權(quán)利要求I所述的利用紋理特征的影像分割法，其中該賈伯濾波器組由一內(nèi)子帶賈伯濾波器組及一外子帶賈伯濾波器組所構(gòu)成。
3.如權(quán)利要求2所述的利用紋理特征的影像分割法，其中該內(nèi)子帶賈伯濾波器組及該外子帶賈伯濾波器組分別由多個二維賈伯濾波器構(gòu)成，且該內(nèi)子帶賈伯濾波器組所具有的二維賈伯濾波器的數(shù)目與該外子帶賈伯濾波器組所具有的二維賈伯濾波器的數(shù)目相同。
4.如權(quán)利要求3所述的利用紋理特征的影像分割法，其中該賈伯濾波器組的濾波方向的數(shù)目為構(gòu)成該內(nèi)子帶賈伯濾波器組的二維賈伯濾波器的數(shù)目。
5.如權(quán)利要求I所述的利用紋理特征的影像分割法，其中步驟(E)的再分割程序包括下列步驟 (El)將每一所述色彩特征區(qū)塊的面積值與一再分割門檻值互相比較；以及 (E2)當其中的一所述色彩特征區(qū)塊的面積值高于該再分割門檻值時，便依據(jù)所述紋理特征區(qū)塊于該影像信號中的分布，將該色彩特征區(qū)塊再分割為所述紋理色彩特征區(qū)塊。
6.如權(quán)利要求5所述的利用紋理特征的影像分割法，其中于步驟(E2)中，應用一分群算法，依據(jù)所述紋理特征區(qū)塊于該影像信號中的分布，將該色彩特征區(qū)塊再分割為所述紋理色彩特征區(qū)塊，且該分群算法為K-means分群算法、CRLA分群算法或SBKM分群算法。
7.如權(quán)利要求3所述的利用紋理特征的影像分割法，其中每一所述二維賈伯濾波器是由下列公式描述 , 4((-)2+(Z)2).
8.如權(quán)利要求3所述的利用紋理特征的影像分割法，其中該內(nèi)子帶賈伯濾波器組由4至8個二維賈伯濾波器構(gòu)成。
9.如權(quán)利要求8所述的利用紋理特征的影像分割法，其中該內(nèi)子帶賈伯濾波器組由6個二維賈伯濾波器構(gòu)成，且所述二維賈伯濾波器所具有的標準偏差σ ,及σ ,分別介于I. 75至6. 5之間。
10.如權(quán)利要求9所述的利用紋理特征的影像分割法，其中該外子帶賈伯濾波器組由6個二維賈伯濾波器構(gòu)成，且所述二維賈伯濾波器所具有的標準偏差σ ,及σ ,分別介于I. 75至4. 5之間。
11.如權(quán)利要求I所述的利用紋理特征的影像分割法，其中于步驟(E)中，該影像信號所包含的所述色彩特征區(qū)塊是通過下列方式得出 對每一所述影像元素執(zhí)行一色彩特征擷取程序，以擷取每一所述影像元素所具的色彩特征并分別賦予每一所述影像元素一色彩特征向量； 應用一分群算法，依據(jù)每一所述影像元素所分別被賦予的色彩特征向量，將所述影像元素分群至多個色彩群別內(nèi)；以及 將彼此相鄰且位于同一色彩群別內(nèi)的所述影像元素包含于同一色彩特征區(qū)塊內(nèi)。
全文摘要
本發(fā)明是關于一種能利用紋理特征與色彩特征所分別具有的優(yōu)點，將一影像信號分割為多個紋理色彩特征區(qū)塊的影像分割法。其包括下列步驟(A)接收一包含多個影像元素的影像信號；(B)對每一影像元素依序執(zhí)行一賈伯濾波程序及一數(shù)值運算程序；(C)依據(jù)所得的結(jié)果，分別賦予每一影像元素一紋理特征向量；(D)依據(jù)每一影像元素的紋理特征向量，對影像信號執(zhí)行一分割程序，使其具有多個紋理特征區(qū)塊；及(E)依據(jù)這些紋理特征區(qū)塊于影像信號中的分布，對多個色彩特征區(qū)塊執(zhí)行一再分割程序，以將影像信號分割為多個紋理色彩特征區(qū)塊。
文檔編號G06T7/00GK102760292SQ201210127030
公開日2012年10月31日 申請日期2012年4月26日 優(yōu)先權(quán)日2011年4月26日
發(fā)明者李國君, 林和源, 陳均富 申請人:李國君