[发明专利]图像分割方法、图像处理设备及系统

说明书

技术领域

本发明涉及图像处理技术领域，尤其涉及图像分割方法、图像处理设备及系统。

背景技术

图像分割是获得图像信息的重要途径，是进行图像理解的基础，是图像工程技术的重要问题。模糊神经网络是模糊技术与人工神经网络技术相结合的产物，是人工智能的一个热点研究领域，在人脸识别、语音识别、图像处理等诸多方面有着广泛的应用，是解决图像分割问题的理想工具。

由于模糊神经网络受网络参数设置的影响较大，目前在现有技术中一般采用一个神经网络对图像进行分割，并且设置一组网络参数对分割进行控制。

发明人在实现本发明的过程中，发明现有技术存在如下不足之处：

现有技术中仅采用一个神经网络对图像进行分割，仅设置一组网络参数对分割进行控制，参数设置的不好，图像分割的结果就可能不理想，但是这些参数不好设置，几乎不可能得到很好的参数，使得分割算法受到参数设置的限制很大，算法的优势难以充分发挥，分割精度不高，分割的效果有待进一步提高。

发明内容

本发明实施例提供一种图像分割方法、图像处理设备及系统，用以提高提高图像分割的精度，获得更好的分割结果；利用模糊技术的优点，更好的集成各个模糊神经网络对输入图像的分割结果。

本发明实施例提供一种图像分割方法，该方法包括：

分别利用多个模糊神经网络对输入图像进行分割，获得每个模糊神经网络对输入图像的分割结果；

将所述多个模糊神经网络对输入图像的分割结果进行融合处理。

本发明实施例还提供一种图像处理设备，包括：

分割模块，用于分别利用多个模糊神经网络对输入图像进行分割，获得每个模糊神经网络对输入图像的分割结果；

融合模块，用于将所述多个模糊神经网络对输入图像的分割结果进行融合处理。

本发明实施例还提供一种图像处理设备，包括：

隶属度矩阵建立单元，用于根据每个模糊神经网络对输入图像进行分割后输入图像中所有像素点的隶属度，建立输入图像中所有像素点的隶属度矩阵；

平均互信息获取单元，用于根据所述隶属度矩阵、输入图像中的像素点数目、输入图像的类别数目、分割所采用的模糊神经网络数目，获得每个模糊神经网络的平均互信息；

融合后隶属度获取单元，用于根据所述隶属度矩阵、平均互信息，获得所述多个模糊神经网络对输入图像的分割结果进行融合后输入图像中所有像素点的隶属度；

像素点类别获取单元，用于将所述多个模糊神经网络对输入图像的分割结果进行融合后输入图像中所有像素点的隶属度进行加权处理，获得输入图像中每个像素点的类别；

融合处理单元，用于按输入图像中每个像素点的类别对输入图像进行融合处理。

本发明实施例中，分别利用多个模糊神经网络对输入图像进行分割，获得每个模糊神经网络对输入图像的分割结果；将所述多个模糊神经网络对输入图像的分割结果进行融合处理，可以针对每个模糊神经网络设置一组参数，在设置多组参数的基础上，利用融合技术得到一个最终的分割结果，与现有技术中单独使用一个模糊神经网络进行图像分割的技术方案相比，可以提高图像分割的精度，减小参数设置对分割结果的影响，获得更好的分割结果。

将所述多个模糊神经网络对输入图像的分割结果进行融合处理时，利用了模糊技术的优点，可以更好的集成各个模糊神经网络对输入图像的分割结果。

附图说明

图1为本发明实施例中对图像进行分割时的处理流程图；

图2为本发明实施例中将多个模糊神经网络对输入图像的分割结果进行融合处理的流程图；

图3A、图3B、图3C、图3E、图3F为本发明实施例中图像处理系统的结构示意图；

图3D为本发明实施例中融合模块的结构示意图；

图4为本发明实施例中图像处理设备的结构示意图。

具体实施方式

下面结合说明书附图对本发明实施例进行详细说明。

如图1所示，本发明实施例中，对图像进行分割时的处理流程如下：

步骤11、分别利用多个模糊神经网络对输入图像进行分割，获得每个模糊神经网络对输入图像的分割结果。

步骤12、将多个模糊神经网络对输入图像的分割结果进行融合处理。

一个实施例中，在步骤11之前，可以对输入图像进行预处理，预处理可以包括平滑、滤波去噪、设置输入图像的类别数目K、分割所采用的模糊神经网络数目M其中之一或任意组合。

一个实施例中，步骤11之前还可以设置每个模糊神经网络的初始参数。