本发明专利技术公开了一种基于超像素聚类的图像分割方法。具体来说，步骤一、利用简单线性迭代聚类(Simple Linear Iterative Clustering，SLIC)算法对图像进行过分割，生成超像素；步骤二、本发明专利技术改进关于超像素的相似性矩阵的构建方式，将色彩特征和纹理特征通过相似性矩阵的非对称性融合在一起；步骤三、基于相似性矩阵通过近邻传播(Affinity Propagation，AP)聚类算法对超像素聚类；步骤四、本发明专利技术加入超像素的空间信息，借助广度优先遍历，将不连通的区域划分为不同类别的超像素组，达到分割图像的目的。本发明专利技术分割效果好，收敛速度快，且不需设置目标数量，可有效地分割出目标对象。
【技术实现步骤摘要】
本专利技术涉及目标检测和轮廓检测技术，具体地说，给出了一种基于超像素聚类的 图像分割方法。
技术介绍
超像素，一般是一些具有相近特性（如颜色、空间位置）的像素点的集合。超像素 在图像分割领域及目标识别领域被广泛的使用。与传统的像素级别相比，超像素能够简化 原始图片，提高表征图像的效率。在执行目标识别任务时，使用超像素处理图像更加方便高 效，可以大幅度简化任务，形成对图像更简洁的表征。 目标图像分割效果的好坏，对计算机视觉识别率有重大的影响。目前，图像分割的 算法有很多，但现已提出的分割方法大都针对某一具体问题，没有普遍的适用性。而自然场 景图片变化莫测，所以大部分分割算法的泛化能力并不强。自低向上图像分割框架的分割 结果与人类视觉感知结果较为一致，虽然此框架已经过几十年的研究，但它仍没有达到特 别满意的结果。现存效果较好的分割方法大多不能做到实时，因此想要达到实时的识别就 更为困难。所以研究出一个高速且效果满意的分割图像方法，仍然是一项具有挑战性的工 作。
技术实现思路
本专利技术所要解决的技术问题是针对上述现有技术的不足，而提供一种超像素聚类 的图像分割方法。该方法具有强适应性且可实时运行，对后续的目标识别工作，有很好的辅 助作用。为解决上述技术问题，本专利技术采用的技术方案是： -种基于超像素聚类的图像分割方法，其特征在于：包括以下步骤： 步骤1、使用SLIC超像素算法对图像过分割得到超像素，并提取超像素的色彩特 征和纹理特征； 步骤2、基于步骤1所提取的超像素的色彩特征和纹理特征构建超像素间的相似 性矩阵：所述相似性矩阵的上三角部分为色彩特征，为公式（1);下三角部分为纹理特征， 为公式（2);对角线元素为公式（3): s (i，k) = - ，i > k (I) s (i，k) = -Wlbp Oiistci-Iiistck)2, i < k (2) s (i, i) = colorradius · mean (s') (3) 步骤3、基于步骤2所构建的相似性矩阵通过AP算法对超像素进行聚类：以步骤 2中生成的相似性矩阵作为超像素间关系的表征，并作为AP算法的输入数据，利用AP算法 对超像素进行聚类； 步骤4、根据超像素是否相邻的空间关系，通过关于超像素的图的广度优先遍历， 将不连通的区域划分为不同类别的超像素组。 所述步骤1的具体方法是：对每个超像素分别在CIELAB颜色空间中提取色彩特 征，纹理特征采用局LBP算法。 所述的图像为自然彩色图像、医学彩色图像、人工合成彩色图像。 所述步骤4具体包括如下步骤： 步骤41 :通过查找超像素邻接表将相同类别标签的超像素标记，并定义自己与自 己是邻近的； 步骤42 :从第一个超像素开始，检测步骤41中标记过的超像素，利用广度优先遍 历其他超像素，遍历后标记当前超像素，使得每个超像素只能被遍历一次； 步骤43 :检测其他相同类别的超像素是否都被遍历标记，如果存在未被遍历标记 的相同类别的超像素，则产生新的类别标签，刚刚被遍历标记的那些超像素的类别标签序 号在之前总类数加一，否则类别标签不变。 本专利技术方法利用SLIC算法将图像进行过分割，得到超像素，然后提取超像素的颜 色及纹理特征，利用非对称相似性矩阵将两种特征有效融合，接下来使用AP聚类算法对超 像素聚类，最后通过超像素之间的邻接关系，将不连通的区域划分为不同的类别。 与现有技术相比，本专利技术中提出的方法有如下优势： (1)可以产生一个较为合适聚类中心数目，不需要预先设定分割目标的数量，作为 一个无监督的分割方法，对参数的依赖性小； (2)适应性强，对大部分彩色图像都可以使用，目标边界的贴合性好，与人类视觉 感知接近； (3)在常见边界评价标准和区域评价标准下都有良好的评测结果； (4)分割速度快，可以达到实时，对后续图像识别的辅助作用效果显著。【附图说明】 图1为本专利技术的流程图。 图2为本专利技术具体实施例的流程图；其中，（a)原始图片；(b)SLIC超像素展示； (c) 使用AP算法进行聚类的过程，图中发散中心即为聚类中心，不同颜色代指不同类别； (d) 分割边界效果图；(e)分割区域效果图。 图3为数据点之间传递消息示意图。 图4为LBP纹理特征示意图。 图5为在常见数据库中为每幅图片单独设置参数实验分割样例图。 图6为在BSD数据库中系统参数实验分割样例图。 图7为测试结果；其中，（a)为在F-度量指标下的实验结果；(b)为在区域指标下 的对的实验结果；（c)为三种算法的时间开销展示。【具体实施方式】 下面结合附图和实施例来对本专利技术进行详细阐述。 图1为本专利技术的流程图。由图1可见，该方法构建于SLIC和AP的基础之上，所以 下面先介绍SLIC和AP，然后再介绍本专利技术SLICAP方法。 (I)SLIC超像素算法 首先将彩色图片转换为CIELAB颜色空间和和空间坐标下的5维特征向量T，接下来设定5维特征向量度量标准，最后图像像素进行局部聚类从而完成超像素过 程D (1)对种子点初始化。例如一幅图像有N个像素点，计划将其分为K个大小相近的 超像素，则单个超像素包含约…!(个像素，每个种子间距约为^ 。种子点的选取在 一定的小区域内，寻求一个3X3窗口梯度值最小的位置，以降低其落在图像边界的位置， 减小对后续聚类干扰的可能性。每个种子会被分配一个单独的类别标签。 (2)权衡相似程度。分别计算每个像素点与它距离最近的种子点的相似成度，像素 点的类别标签取决于与其最相似种子点的标签。重复这个过程，直到达到稳定状态。相似 度衡量关系如下： 其中，dlab表示像素点之间的CIELAB颜色空间的信息差，dxy表示像素点之间的空 间距离，Dlk表示两个像素的相似程度。S表示种子点之间的距离，m代表平衡参数，用来衡量 颜色值与空间信息在相似度衡量中的比重。Dlk取值越小，则两个像素相似程度越高。SLIC 算法可以视为K均值（K-means)聚类算法的一种简化形式。由于在迭代循环运算中，搜索 范围不是全局，而是缩小到有限区域，所以尽管SLIC算法有规整性约束，但运算复杂度为 O(N)，是当前最快的算法之一。之所以有如此低的算法时间复杂度是因为当每个种子点在 聚类时，搜索相似像素点的区域局限在以种子点为中心且大小为2SX2S的矩形内，并非在 整张图像中进行搜索。 (2) AP聚类算法 AP算法中有两种类型的消息传递机制分别称作可靠度（responsibility)和有效 度（availability)。如图2所示，可靠度r(i，k)指从点i发送到候选聚类中心k的数值消 息，用来描述数据点k作为数据点i的聚类中心的适合程度。有效度a(i，k)指从候选聚类 中心k发送到点i的数值消息，用来描述点i选择点k作为其聚类中心的适合程度。 r (i, k)与a(i, k)之和越大，表示点k作为聚类中心的可能性就越大，同时点i隶 属于以点k为聚类中心的聚类的可能性也越大。通过迭代过程，AP算法不断更新每一个点 的可靠度和有效度值，直到产生全部合适的类代表点，而普通数据点从属于它的类代表点。 在近邻传播结束时，X1的类代表点确定为X k，k应该满足： arg mnxiaiijk) + /-(/,A')) (4)本文档来自技高网...
【技术保护点】
一种基于超像素聚类的图像分割方法，包括以下步骤：步骤1、使用SLIC超像素算法对图像过分割得到超像素，并提取超像素的色彩特征和纹理特征；步骤2、基于步骤1所提取的超像素的色彩特征和纹理特征构建超像素间的相似性矩阵：所述相似性矩阵的上三角部分为色彩特征，为公式(1)；下三角部分为纹理特征，为公式(2)；对角线元素为公式(3)：s(i,k)＝‑[wL(Li‑Lk)2+wa(ai‑ak)2+wb(bi‑bk)2]， i＞k (1) s(i,k)＝‑wLBP(histci‑histck)2，i＜k (2)s(i,i)＝colorradius·mean(s') (3) 步骤3、基于步骤2所构建的相似性矩阵通过AP算法对超像素进行聚类：以步骤2中生成的相似性矩阵作为超像素间关系的表征，并作为AP算法的输入数据，利用AP算法对超像素进行聚类；步骤4、根据超像素是否相邻的空间关系，通过关于超像素的图的广度优先遍历，将不连通的区域划分为不同类别的超像素组。
【技术特征摘要】
【专利技术属性】
技术研发人员：王海贤，周宝，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。