基于边界信息融合的超像素分割方法技术

本发明专利技术公开了一种基于边界信息融合的超像素分割方法，主要解决现有SLIC算法对细小虚弱边界贴合度较低的问题。其实现步骤是：1)获取原始图像的边缘图像；2)获取原始图像的LAB空间转换图像；3)在LAB转换图像内初始化平面聚类中心；4)在平面聚类中心的局部范围内初始化边界聚类中心；5)更新平面聚类中心和边界聚类中心为3×3邻域内的梯度最小点；6)在LAB转换图像内对像素点进行分类；7)循环迭代步骤6)，获得LAB转换图像像素点的最终标记；8)将具有相同标记的像素点构成一个超像素，获得原始图像的超像素分割结果。本发明专利技术提高了超像素对细小虚弱边缘的贴合度，可用于分类、识别、跟踪等要求检测目标的场合。

【技术实现步骤摘要】

本专利技术属于图像处理
，特别涉及一种超像素分割方法，可用于图像分类、目标识别、目标跟踪等要求检测目标的场合。
技术介绍
超像素是图像中一系列位置相邻且亮度、颜色、纹理等特征相似的像素点组成的小区域。超像素具有良好的局部特征表达能力，能够提取图像的中层特征，并方便地表达图像的结构信息。将超像素分割作为图像处理算法的预处理步骤，能够大幅降低后续处理的计算复杂度。超像素分割已经成为计算机视觉领域的一项关键技术，并被应用于多种视觉任务，如图像分割、深度估计、显著性检测、人体姿态估计、目标识别等。简单线性迭代聚类SLIC算法是目前应用最广泛的超像素分割算法。与其他现有超像素分割算法相比，如Shi等人的Normalized Cuts算法、Levinshtein等人的Turbopixels算法、Vedaldi等人的Quick Shift算法等，SLIC算法复杂度更低，对边缘的贴合度更好，生成的超像素更紧凑、形状更规则。同时，SLIC算法原理简单、使用方便，能够控制超像素的数量。但是SLIC算法对图像中细小虚弱边缘的贴合度仍有待提升，SLIC算法容易将处于细小或虚弱边缘处的像素点与相邻背景像素点分到同一个超像素中，降低超像素对细小虚弱边缘的贴合度。
技术实现思路
本专利技术的目的在于针对上述SLIC算法对细小虚弱边缘贴合度较低的不足，提出一种基于边界信息融合的超像素分割方法，以在不降低传统SLIC算法边缘贴合度的前提下，提高超像素对细小虚弱边缘的贴合度。实现本专利技术的技术思路是：初始化平面聚类中心和边界聚类中心，融合边界信息对像素点与平面聚类中心和边界聚类中心的距离进行度量，利用局部k-means算法对像素点进行分类标记，对平面聚类中心进行均值更新，而使边界聚类中心保持不变，循环迭代分类标记过程，将具有相同标记的像素点看成一个超像素，在图像平面内画出所有超像素的边界，即得原始图像I的超像素分割结果。其具体步骤包括如下：(1)计算原始彩色图像I的二值化边界图像B；(2)对原始彩色图像I进行颜色空间转换，得到LAB颜色空间的转换彩色图像Ilab；(3)在转换彩色图像Ilab平面内，按照六边形分布初始化平面聚类中心Pa：(3a)以像素为单位分别计算平面聚类中心的水平步长Sh和垂直步长Sv： S h = N ( 3 / 2 ) · K , S v = 3 2 · S h , ]]>其中，N为图像像素点总数，K为期望的超像素数目；(3b)对平面聚类中心进行行向初始化，即在转换彩色图像Ilab平面内，从行像素开始，每间隔Sv行，选定一行像素作为平面聚类中心所在行；(3c)对平面聚类中心进行列向初始化：对于奇数行，从列像素开始，每间隔Sh列，选定一个像素作为平面聚类中心初始值；对于偶数行，从Sh列像素开始，每间隔Sh列，选定一个像素作为平面聚类中心初始值；(3d)将步骤(3b)-(3c)产生的平面聚类中心标记为Pa，a＝1,2,...,NP，NP为平面聚类中心总数；(4)在平面聚类中心的局部范围内初始化边界聚类中心Eb：(4a)在转换彩色图像Ilab平面内确定搜索窗口：在转换彩色图像Ilab平面内，将以平面聚类中心Pa为中心的Sh×Sh邻域范围作为搜索窗口WP，并记录WP在图像平面内的几何位置，记为[r0,c0,Δr,Δc]，其中r0、c0分别为搜索窗口左上角像素点的行号、列号，Δr、Δc分别为搜索窗口的行宽、列宽；(4b)在二值化边界图像B平面内确定边界窗口：在二值化边界图像B平面内，将左上角像素坐标为[r0,c0]，行宽为Δr，列宽为Δc的矩形范围作为边界窗口WB；(4c)在转换彩色图像Ilab平面内初始化边界聚类中心：将WP与WB进行与运算，若运算结果中含有非零元素，说明平面聚类中心Pa的Sh×Sh邻域范围内存在边界点，随机选取边界点的一个中值点，将其作为边界聚类中心的初始值；若运算结果中没有非零元素，说明平面聚类中心Pa的Sh×Sh邻域范围内没有边界点，则不产生任何边界聚类中心；(4d)将步骤(4c)产生的边界聚类中心标记为Eb，b＝1,2,...,NE，NE为边界聚类中心总数；(5)将所有平面聚类中心和边界聚类中心更新为各自3×3邻域内的梯度最小点，得到更新后的平面聚类中心Pa′和边界聚类中心Eb′；(6)将更新后的平面聚类中心Pa′和边界聚类中心Eb′作为初始值，利用局部k-means算法对转换彩色图像Ilab的像素点进行分类标记；(7)循环迭代步骤(6)的分类标记过程，直至连续两次的平面聚类中心和边界聚类中心的误差之和不超过5％，得到所有像素点的最终标记；(8)将具有相同标记的像素点看成一个超像素，在图像平面内画出所有超像素的边界，即得原始图像I的超像素分割结果。本专利技术与现有的技术相比具有以下优点：1.传统SLIC算法只是将图像平面内呈几何分布的像素点作为初始聚类中心，并没有专门将边界点作为初始聚类中心，本实例不仅将图像平面内呈几何分布的像素点作为初始平面聚类中心，还将呈几何分布的像素点的局部领域内的边界点作为初始边界聚类中心，这种专门将边界点作为初始聚类中心的初始化方法提高了超像素对细小边缘的贴合度；2.本专利技术将平面聚类中心按照六边形分布进行初始化，相比于传统SLIC算法中的四边形分布，减少了以像素点为中心的2Sh×2Sh局部邻域内能搜索到平面聚类中心数目，从而减少了像素点与平面聚类中心之间距离度量的次数，保证了算法运算时间不会增加；3.本专利技术将平面聚类中心局部领域内的边界点初始化为边界聚类中心，并且迭代过程中边界聚类中心始终保持初始值不变，这种不更新边界聚类中心的做法能有效地将图像中细小边缘分为独立的一类，大大降低了细小边缘像素点与相邻背景像素点被分为同一类的可能；4.本专利技术融合边界信息对像素点与平面聚类中心和边界聚类中心的距离进行度量，当像素点与平面聚类中心或边界聚类中心的直线连线上存在边界点时，将二者距离置为无穷大，这种距离度量方法能有效避免将像素点分类标记到与之存在边界点的平面聚类中心或边界聚类中心中，有效提高了超像素对边缘的贴合度；综上，本专利技术能在保持传统SLIC算法边缘贴合度的同时，有效提高超像素对细小边缘的贴合度。附图说明图1是本专利技术的实现总流程图；图2是本专利技术中平面聚类中心呈四边形分布和六边形分布的对比图；图3是本专利技术中平面聚类中心和边界聚类中心的示意图；图4是本专利技术中超像素分割方法与传统SLIC算法的分割对比示例1；图5是本专利技术中超像素分割方法与传统SLIC算法的分割对比示例2；图6是本专利技术中超像素分割方法与传统SLIC算法在测试样本集上的欠分割错误率和边缘召回率变化曲线图。具体实施方案下面结合本文档来自技高网...

【技术保护点】
基于边界信息融合的超像素分割方法，包括：(1)计算原始彩色图像I的二值化边界图像B；(2)对原始彩色图像I进行颜色空间转换，得到LAB颜色空间的转换彩色图像Ilab；(3)在转换彩色图像Ilab平面内，按照六边形分布初始化平面聚类中心Pa：(3a)以像素为单位分别计算平面聚类中心的水平步长Sh和垂直步长Sv：Sh=N(3/2)·K,Sv=32·Sh,]]>其中，N为图像像素点总数，K为期望的超像素数目；(3b)对平面聚类中心进行行向初始化，即在转换彩色图像Ilab平面内，从行像素开始，每间隔Sv行，选定一行像素作为平面聚类中心所在行；(3c)对平面聚类中心进行列向初始化：对于奇数行，从列像素开始，每间隔Sh列，选定一个像素作为平面聚类中心初始值；对于偶数行，从Sh列像素开始，每间隔Sh列，选定一个像素作为平面聚类中心初始值；(3d)将步骤(3b)‑(3c)产生的平面聚类中心标记为Pa，a＝1,2,...,NP，NP为平面聚类中心总数；(4)在平面聚类中心的局部范围内初始化边界聚类中心Eb：(4a)在转换彩色图像Ilab平面内确定搜索窗口：在转换彩色图像Ilab平面内，将以平面聚类中心Pa为中心的Sh×Sh邻域范围作为搜索窗口WP，并记录WP在图像平面内的几何位置，记为[r0,c0,Δr,Δc]，其中r0、c0分别为搜索窗口左上角像素点的行号、列号，Δr、Δc分别为搜索窗口的行宽、列宽；(4b)在二值化边界图像B平面内确定边界窗口：在二值化边界图像B平面内，将左上角像素坐标为[r0,c0]，行宽为Δr，列宽为Δc的矩形范围作为边界窗口WB；(4c)在转换彩色图像Ilab平面内初始化边界聚类中心：将WP与WB进行与运算，若运算结果中含有非零元素，说明平面聚类中心Pa的Sh×Sh邻域范围内存在边界点，随机选取边界点的一个中值点，将其作为边界聚类中心的初始值；若运算结果中没有非零元素，说明平面聚类中心Pa的Sh×Sh邻域范围内没有边界点，则不产生任何边界聚类中心；(4d)将步骤(4c)产生的边界聚类中心标记为Eb，b＝1,2,...,NE，NE为边界聚类中心总数；(5)将所有平面聚类中心和边界聚类中心更新为各自3×3邻域内的梯度最小点，得到更新后的平面聚类中心Pa′和边界聚类中心Eb′；(6)将更新后的平面聚类中心Pa′和边界聚类中心Eb′作为初始值，利用局部k‑means算法对转换彩色图像Ilab的像素点进行分类标记；(7)循环迭代步骤(6)的分类标记过程，直至连续两次的平面聚类中心和边界聚类中心的误差之和不超过5％，得到所有像素点的最终标记；(8)将具有相同标记的像素点看成一个超像素，在图像平面内画出所有超像素的边界，即得原始图像I的超像素分割结果。...

【技术特征摘要】
1.基于边界信息融合的超像素分割方法，包括：(1)计算原始彩色图像I的二值化边界图像B；(2)对原始彩色图像I进行颜色空间转换，得到LAB颜色空间的转换彩色图像Ilab；(3)在转换彩色图像Ilab平面内，按照六边形分布初始化平面聚类中心Pa：(3a)以像素为单位分别计算平面聚类中心的水平步长Sh和垂直步长Sv： S h = N ( 3 / 2 ) · K , S v = 3 2 · S h , ]]>其中，N为图像像素点总数，K为期望的超像素数目；(3b)对平面聚类中心进行行向初始化，即在转换彩色图像Ilab平面内，从行像素开始，每间隔Sv行，选定一行像素作为平面聚类中心所在行；(3c)对平面聚类中心进行列向初始化：对于奇数行，从列像素开始，每间隔Sh列，选定一个像素作为平面聚类中心初始值；对于偶数行，从Sh列像素开始，每间隔Sh列，选定一个像素作为平面聚类中心初始值；(3d)将步骤(3b)-(3c)产生的平面聚类中心标记为Pa，a＝1,2,...,NP，NP为平面聚类中心总数；(4)在平面聚类中心的局部范围内初始化边界聚类中心Eb：(4a)在转换彩色图像Ilab平面内确定搜索窗口：在转换彩色图像Ilab平面内，将以平面聚类中心Pa为中心的Sh×Sh邻域范围作为搜索窗口WP，并记录WP在图像平面内的几何位置，记为[r0,c0,Δr,Δc]，其中r0、c0分别为搜索窗口左上角像素点的行号、列号，Δr、Δc分别为搜索窗口的行宽、列宽；(4b)在二值化边界图像B平面内确定边界窗口：在二值化边界图像B平面内，将左上角像素坐标为[r0,c0]，行宽为Δr，列宽为Δc的矩形范围作为边界窗口WB；(4c)在转换彩色图像Ilab平面内初始化边界聚类中心：将WP与WB进行与运算，若运算结果中含有非零元素，说明平面聚类中心Pa的Sh×Sh邻域范围内存在边界点，随机选取边界点的一个中值点，将其作为边界聚类中心的初始值；若运算结果中没有非零元素，说明平面聚类中心Pa的Sh×Sh邻域范围内没有边界点，则不产生任何边界聚类中心；(4d)将步骤(4c)产生的边界聚类中心标记为Eb，b＝1,2,...,NE，NE为边界聚类中心总数；(5)将所有平面聚类中心和边界聚类中心更新为各自3×3邻域内的梯度最小点，得到更新后的平面聚类中心Pa′...

【专利技术属性】
技术研发人员：王海，彭雄友，刘岩，秦宏波，赵伟，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61