基于Node2Vec算法的超像素图像边缘检测方法技术

一种基于Node2Vec算法的超像素图像边缘检测法，包括以下步骤：1)通过超像素简单线性迭代分割算法(SC++)，运用k‑means++聚类算法自动找出初始化聚类中心，将像素点归类到距离自身欧式距离最近的聚类中心，并打上相应类标，提取超像素，2)计算中心点梯度值、梯度方向、欧氏距离、外切圆半径、内切圆半径，基于超像素中心节点及中心节点间的相似度关系，建立全连接稠密网络，3)运用双阈值和软阈值法稀疏全连接稠密网络，4)将网络节点转化为向量，找出边缘点。本发明专利技术检测效率较高，采用SC++算法提取超像素，运用双阈值和软阈值稀疏全连接网络及Node2Vec算法，实现图像边缘检测的方法。

【技术实现步骤摘要】
基于Node2Vec算法的超像素图像边缘检测方法
本专利技术属于图象处理
，具体涉及一种图像边缘的检测方法。
技术介绍
图像中含有丰富的信息量。它所蕴含的形状、颜色、结构、边缘等信息，表达直观，易于信息传播以及利用，在现今多媒体图像处理技术中起到十分重要的作用。随着计算机技术的不断发展，通过计算机获取和处理图像信息愈发快捷便利。其中边缘是图像的基本特征之一，是图像信息最为集中的部分。如今图像边缘检测技术在图像切割、图像识别等领域被广泛应用，有效提高了相关图像处理算法的精确度及鲁棒性，具有极大的应用价值。在现实生活中，图像边缘检测技术可以运用于桥梁等建筑物裂缝的查找，也可应用于日常修图工具和图像层次分析，与人们的生活息息相关。目前图像的边缘提取算法中，常见的微分边缘检测算子有Roberts算子、Prewitt算子、Sobel算子、Canny算子等，但是这些边缘提取算法都基于像素层面，具有较高的时间复杂度。
技术实现思路
为了克服已有图像边缘检测方法的检测速度较慢的不足，本专利技术提供一种能够实现聚类中心自动确定、检测速度更为快捷的基于Node2Vec算法的超像素图像边缘检测方法。本专利技术解决其技术问题所采用的技术方案是：一种基于Node2Vec算法的超像素图像边缘检测方法，所述方法包括以下步骤：1)对图片进行超像素分割，过程如下：1.1)初始化超像素中心：首先设计了超像素简单线性迭代分割算法(SuperpixelSimpleLinearIterativeClustering,SC++)，进行图像的超像素分割，该算法基于简单线性迭代聚类算法(SimpleLinearIterativeClustering,SLIC)，进行了进一步的优化；SC++算法采用了k-means++的聚类算法，降低初始化对算法的影响，找出k个聚类中心；基于k-means++的聚类算法，根据样本随机选择k个初始聚类中心；1.2)计算所有像素点到达初始超像素中心的欧式距离：计算颜色空间的距离：计算坐标空间的距离：将式(1)和式(2)进行正则化，得到式(3)：图片读入的色彩空间为RGB颜色空间，RGB颜色空间以R(红色)、G(绿色)、B(蓝色)三种基本色为基础，每一种颜色通道按其亮度等级，进行不同程度的叠加，产生丰富而广泛的颜色；式(1)中，j和i表示不同的像素点，R表示红色亮度等级，G表示绿色亮度等级，B表示蓝色亮度等级；式(2)中，x表示坐标中的水平距离，y表示坐标中垂直距离；式子(3)中，dc表示颜色距离，ds表示空间距离，Ns是类内最大距离空间，定义为最远两像素点之间的距离，记为s；由于不同颜色空间的Nc值相差较大，因此用常数m代替，得到式(4)：计算每个像素点到种子中心的D'值，找出距离像素点最近的种子中心，作为它的聚类中心，并打上相应类标；1.3)迭代优化，重复步骤1.2)，计算每个像素中心到新聚类中心点的欧氏距离，找到最近的聚类中心后，打上新的类标值，并更新相关数据，计算新的超像素中心，直至超像素中心不再变化，则完成超像素提取，迭代次数达到设定次数时，就可获得最终超像素中心，否则，继续重复步骤1.2)；2)计算超像素中心属性值，建立全连接稠密网络，过程如下：2.1)考虑接近人眼的生理特点，同时为了能够构建更加紧凑的网络，将图片灰度化；Gray＝0.299R+0.587G+0.114B(5)2.2)计算超像素中心的属性值，建立相应连边关系：由步骤1.2)可知超像素划分存在一定区域性，因此可计算超像素中心所在区块的内切圆、外切圆的半径。本专利技术规定，在每个超像素区域范围内，距离超像素中心最远的像素点距超像素中心的距离作为该超像素中心外切圆的半径Dimax，i＝1，2，…，N，距离超像素中心最近的像素点距超像素中心的距离作为该超像素中心内切圆的半径Dimin，i＝1，2，…，N；2.3)用高斯滤波器平滑图片，获得超像素中心梯度值：基于步骤1)中所提取的超像素，采用超像素中心代替局部区域策略降低图片处理复杂度，超像素中心代替局部区域策略是利用超像素的中心点含有丰富的表征该区域内像素特征信息的特点，以中心点代替局部区域；首先通过二维高斯平滑算子平滑图片f(x,y)，则平滑后的图片F(x,y)可表示为G(x,y)*f(x,y)，式(6)中表示x和y方向上的位置值均为超像素中心点的位置值；然后计算各个超像素中心梯度的大小和方向，为使梯度的计算更加准确，采用一阶计算x方向、y方向的偏微分；梯度大小的计算：梯度方向的计算：2.4)基于步骤1.2)中所得到的颜色距离、坐标距离，步骤2.2)中得到的超像素中心内切圆半径、外切圆半径，步骤2.3)中计算的各超像素中心梯度值，建立全连接稠密网络；将超像素区块作为全连接网络的节点，将各个超像素中心点间的相似度作为连边关系。其中中心点相似度的计算基于每条连边的权重值w，其中Dimax、Dimin、D'分别代表超像素中心点外切圆半径、内切圆的半径，以及正则化后的欧式距离。将任意两个节点i、j的相似度大小自定义为3)全连接稠密网络的稀疏化，过程如下：由于全连接稠密网络的计算复杂性，采用双阈值和软阈值的方法使稠密网络稀疏化；3.1)为使剩下的连边更具特征性，使用双阈值对全连接网络进行粗稀疏化：3.1.1)对梯度进行非最大抑制：由于图像进行超像素分割后，聚类中心不均匀分布，因此以超像素中心作为圆心，长为半径作圆，其中s为步骤1.2)中提到的两点最远超像素中心距离，k为聚类中心个数，该圆作为中心点的邻域。遍历各个超像素中心，将超像素中心梯度值M(x,y)与邻域内沿着梯度方向的其余超像素中心的梯度值进行比较，若偏小，则令M(x,y)＝0；3.1.2)运用双阈值算法检测并减少连边数目：基于步骤3.1.1)，设定两个阈值T1和T2处理梯度响应，设置方法为：将各个中心点按照梯度相应由大到小排列，根据二八准则，将位于20％的点对应的梯度值作为高阈值T1，取位于50％的点对应的梯度值作为低阈值T2；若超像素中心点的梯度值M(x,y)＞T1则将其梯度置为0，去除该超像素中心点的所有连边；若超像素中心点的梯度值M(x,y)＜T1并且M(x,y)＞T2则考察其邻域，此邻域是半径为的圆，若存在梯度已被置为零的点，则也将其连边去除；3.2)为避免硬阈值“一刀切”，流失大量必要连边信息，在步骤3.1)双阈值粗稀疏化网络的基础上，本专利技术采用软阈值来进一步减少连边数量，对全连接网络做细稀疏化，软阈值函数的运用，基于如下公式：式(9)中，w表示变量，λ表示所设阈值，w的取值为步骤2.4)中所得到的权重值w，将所有超像素中心的权重值由大到小排列，将阈值控制在较为合理的大小，取最大权重的60％作为λ的值，即λ＝0.6|w|max，|w|若大于λ，那么将其值置零，去除该中心点的连边；4)将网络节点(node)转化为向量(vector)，找出边缘点，过程如下：4.1)针对稀疏化后的全连接网络中的每个节点进行二阶随机游走，由步骤1)可知，对图片进行超像素提取后，共有k个超像素区块，则有k个节点，任意选定一个节点作为初始头结点T，并定义游走长度为lrandomwalk，用Ci表示游走时的第i个节点，并以C0＝T开始，进行随机游走，Ci的生成满足以下概率本文档来自技高网...

【技术保护点】
1.一种基于Node2Vec算法的超像素图像边缘检测方法，其特征在于，所述方法包括以下步骤：1)对图片进行超像素分割，过程如下：1.1)初始化超像素中心：基于k‑means++的聚类算法，根据样本随机选择k个初始聚类中心；1.2)计算所有像素点到达初始超像素中心的欧式距离：计算颜色空间的距离：

【技术特征摘要】
1.一种基于Node2Vec算法的超像素图像边缘检测方法，其特征在于，所述方法包括以下步骤：1)对图片进行超像素分割，过程如下：1.1)初始化超像素中心：基于k-means++的聚类算法，根据样本随机选择k个初始聚类中心；1.2)计算所有像素点到达初始超像素中心的欧式距离：计算颜色空间的距离：计算坐标空间的距离：将式(1)和式(2)进行正则化，得到式(3)：图片读入的色彩空间为RGB颜色空间；式(1)中，j和i表示不同的像素点，R表示红色亮度等级，G表示绿色亮度等级，B表示蓝色亮度等级；式(2)中，x表示坐标中的水平距离，y表示坐标中垂直距离；式子(3)中，dc表示颜色距离，ds表示空间距离，Ns是类内最大距离空间，定义为最远两像素点之间的距离，记为s；由于不同颜色空间的Nc值相差较大，因此用常数m代替，得到式(4)：计算每个像素点到种子中心的D'值，找出距离像素点最近的种子中心，作为它的聚类中心，并打上相应类标；1.3)迭代优化，重复步骤1.2)，计算每个像素中心到新聚类中心点的欧氏距离，找到最近的聚类中心后，打上新的类标值，并更新相关数据，计算新的超像素中心，直至超像素中心不再变化，则完成超像素提取，迭代次数达到设定次数时，获得最终超像素中心，否则，继续重复步骤1.2)；2)计算超像素中心属性值，建立全连接稠密网络，过程如下：2.1)将图片灰度化；Gray＝0.299R+0.587G+0.114B(5)2.2)计算超像素中心的属性值，建立相应连边关系：由步骤1.2)可知超像素划分存在一定区域性，因此计算超像素中心所在区块的内切圆、外切圆的半径，在每个超像素区域范围内，距离超像素中心最远的像素点距超像素中心的距离作为该超像素中心外切圆的半径Dimax，i＝1，2，…，N，距离超像素中心最近的像素点距超像素中心的距离作为该超像素中心内切圆的半径Dimin，i＝1，2，…，N；2.3)用高斯滤波器平滑图片，获得超像素中心梯度值：基于步骤1)中所提取的超像素，采用超像素中心代替局部区域策略降低图片处理复杂度，超像素中心代替局部区域策略是利用超像素的中心点含有丰富的表征该区域内像素特征信息的特点，以中心点代替局部区域；首先通过二维高斯平滑算子平滑图片f(x,y)，则平滑后的图片F(x,y)表示为G(x,y)*f(x,y)，式(6)中表示x和y方向上的位置值均为超像素中心点的位置值；然后计算各个超像素中心梯度的大小和方向，为使梯度的计算更加准确，采用一阶计算x方向、y方向的偏微分；梯度大小的计算：梯度方向的计算：2.4)基于步骤1.2)中所得到的颜色距离、坐标距离，步骤2.2)中得到的超像素中心内切圆半径、外切圆半径，步骤2.3)中计算的各超像素中心梯度值，建立全连接稠密网络；将超像素区块作为全连接网络的节点，将各个超像素中心点间的相似度作为连边关系。其中中心点相似度的计算基于每条连边的权重值w，其中Dimax、Dimin、D'分别代表超像素中心点外切圆半径、内切圆的半径，以及正则化后的欧式距离。将任意两个节点i、j的相似度大小自定义为3)全连接稠密网络的稀疏化，过程如下：3.1)为使剩下的连边更具特征性，使用双阈值对全连接网络进行粗稀疏化：3.1.1)对梯度进行非最大抑制：由于图像进行超像素分割后，聚类中心不均匀分布，因此以超像素中心作为圆心，长为半径作圆，其中s为步骤1.2)中提到的两点最远超像素中心距离，k为聚类中心个数，该圆作为中心点的邻域；遍历各个超像素中心，将超像素中心梯度值M(x,y)与邻域内沿着梯度方向的其余超像素中心的梯度值进行比较，若偏小，则令M(x,y)＝0；3.1.2)运用双阈值算法检测并减少连边数目：基于步骤3.1.1)，设定两个阈值T1和T2处理梯度响应，设置方法为：将各个中心点按照梯度相应由大到小排列，根据二八准则，将位于20％的点对应的梯度值作为高阈值T1，取位于50％的点对应的梯度值作为低阈值T2；若超像素中心点的梯度值M(x,y)＞T1则将其梯度置为0，去除该超像素中点的所以连边；若超像素中心点的梯度值M(x,y)＜T1并且M(x,y)＞T2则考察其邻域，此邻域是半径为的圆，若存在梯度已被置为零的点，则也将其连边去除；3.2)采用软阈值来进一步减少连边数量，对全连接网络做细稀疏化，软阈值函数的运用，基于如下公式：式(9)中，w表示变量，λ表示所设阈值，w的取值为步骤2.4)中所得到的权重值w，将所有超像素中心的权重值由大到小排列，取最大权重的60％作为λ的值，即λ＝0.6|w|max，|w|若大于λ，那...

【专利技术属性】
技术研发人员：陈晋音，刘靓颖，郑海斌，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33