Image segmentation method of mine pass soil and ore based on the fusion of the confidence edge detection algorithm and mean shift algorithm

Abstract

In the execution of edge detection algorithms and clustering algorithms to segment image containing ore and soil, ore images with very similar textural features cannot be segmented effectively when the two algorithms are used alone. This paper proposes a novel image segmentation method based on the fusion of a confidence edge detection algorithm and a mean shift algorithm, which integrates image color, texture and spatial features. On the basis of the initial segmentation results obtained by the mean shift segmentation algorithm, the edge information of the image is extracted by using the edge detection algorithm based on the confidence degree, and the edge detection results are applied to the initial segmentation region results to optimize and merge the ore or pile belonging to the same region. The experimental results show that this method can successfully overcome the shortcomings of the respective algorithm and has a better segmentation results for the ore, which effectively solves the problem of over segmentation. MEtoDa sEgMEntacji obrazu glEby i ruDy w oparciu o połączEniE algorytMu wykrywania krawęDzi ufności i algorytMu zMiany śrEDniEj S ł o w a k l u c z o w e wykrywanie krawędzi, ufność, algorytm zmiany średniej, segmentacja obrazu S t r e s z c z e n i e W procesie algorytmu wykrywania krawędzi ufności i algorytmu grupowania do segmentacji obrazu zawierającego rudę i glebę, obraz rudy o bardzo podobnych cechach tekstury nie może być skutecznie segmentowany, gdy oba algorytmy są używane osobno. W pracy zaproponowano nowatorską metodę segmentacji obrazu opartą na połączeniu algorytmu wykrywania krawędzi ufności i algorytmu zmiany średniej, który integruje kolor, teksturę i cechy przestrzenne obrazu. Na podstawie wstępnych wyników segmentacji uzyskanych przez algorytm segmentacji zmiany średniej informacja o krawędziach oryginalnego obrazu jest wyodrębniana za pomocą algorytmu wykrywania krawędzi opartego na stopniu ufności, a otrzymane wyniki są stosowane do początkowych wyników segmentacji obszaru w celu optymalizacji i scalenia rudy lub gleby należących do tego samego obszaru. Wyniki eksperymentalne pokazują, że metoda ta może skutecznie przezwyciężyć wady odpowiedniego algorytmu i daje lepsze wyniki segmentacji dla rudy, co dobrze rozwiązuje problem nadmiernej segmentacji.