【技术实现步骤摘要】
一种基于多尺度边缘线索的层次化图像分割方法
本专利技术属于图像处理
，尤其涉及一种基于多尺度边缘线索的层次化图像分割方法。
技术介绍
图像分割作为计算机视觉领域中十分重要的研究工作，在许多图像处理算法和应用中都有着广泛的应用，例如，目标检测、图像检索和风格迁移等。一般的图像分割问题定义为：“将图像划分为区域内像素具有相似特征的不同区域”。层次化分割则可以看作是由粗到细多层图像分割结果的组合，从而用一种单一的多尺度结构分割图像中所有尺度下的目标，实现对图像多尺度的处理和表示，相比于传统的单层图像分割能够表现出更多的图像信息。层次化分割的结果可以用树形结构进行表示和存储，对层次合并树进行阈值划分可以得到由粗到细不同粒度的图像分割结果。因此图像层次化分割极大提高了图像处理的效率，同时作为目标检测、风格迁移等的预处理模块，对其研究发展有着重大的影响。目前已有许多研究者针对图像的层次化分割任务展开了研究，例如文献1：ArbelaezP.Boundaryextractioninnaturalimagesusingultrametriccontourmaps[C].Com...
【技术保护点】
1.一种基于多尺度边缘线索的层次化图像分割方法，其特征在于，包括以下步骤：步骤1：多尺度边缘线索：对输入图像在变尺度的情况下进行纹理滤波，并提取多尺度边缘线索，用于度量区域相似度；步骤2：生成层次合并树：对输入图像进行超像素化，将超像素区域转化为图结构，根据多尺度边缘线索度量边权重，并进行迭代式区域合并，生成层次合并树；步骤3：优化层次合并树：建立能量函数，实现对层次合并树结构的优化。
【技术特征摘要】
1.一种基于多尺度边缘线索的层次化图像分割方法，其特征在于，包括以下步骤：步骤1：多尺度边缘线索：对输入图像在变尺度的情况下进行纹理滤波，并提取多尺度边缘线索，用于度量区域相似度；步骤2：生成层次合并树：对输入图像进行超像素化，将超像素区域转化为图结构，根据多尺度边缘线索度量边权重，并进行迭代式区域合并，生成层次合并树；步骤3：优化层次合并树：建立能量函数，实现对层次合并树结构的优化。2.根据权利要求1所述的方法，其特征在于，步骤1包括以下步骤：步骤1-1，多尺度内容风格分离：对输入图像进行尺度缩放，分别将其长宽像素缩小至原图N1、N2、N3、N4比例的大小，并采用内容分割分离方法对其进行纹理滤波，滤除不同尺度的纹理信息，保留并提取不同尺度下的内容部件；步骤1-2，提取边缘概率图：根据步骤1-1中提取的内容部件，采用差值放大方法将其缩放至原图像大小，并提取基于边缘概率图的多尺度边缘线索，边缘概率图记为EPM＝{EPMt}，其中EPMt表示不同尺度t下的边缘概率图，t为边缘概率图对应的步骤1-1中五种尺度大小，即N1、N2、N3、N4和原图尺度，epmi∈EPMt表示边缘概率图中第i个像素属于边缘的概率，取值为0≤epmi≤1。3.根据权利要求2所述的方法，其特征在于，步骤2包括以下步骤：步骤2-1，超像素化：采用SLIC简单线性迭代聚类算法对输入图像I进行超像素化，并将获得超像素结果记为S＝{si}，其中si表示第i个被分割区域，所有超像素区域的集合S即组成整个输入图像I；步骤2-2，图结构表示：根据步骤2-1中的超像素区域，构建区域邻接图G＝(V,E,W)，将图像分割任务转化为图结构的处理，其中，V表示节点集合，E表示边集合，W表示边权重集合，图中的第i个节点vi∈V表示超像素区域的集合中对应的第i个被分割区域si∈S，图中的每条边eij∈E表示第i个节点vi与第j个节点vj相连，对应于在输入图像中相邻的两个区域，即第i个区域si和第j个区域sj，wij∈W表示图结构中边eij的权重，对应于两个相邻区域si和sj之间的相似度；步骤2-3，区域相似度度量：根据步骤1-2提取的多尺度边缘线索，计算步骤2-2中图结构的边权重，即相邻区域间的相似度；步骤2-4，合并迭代式区域：每次选取图结构中边权重最小的一对相邻节点进行合并，并更新区域邻接图，重复该操作，直到所有节点合并为一个节点，并记录整个迭代合并过程为层次合并树T＝(Vt,Et)，其中，Vt表示节点集合，Et表示连接父节点与子节点的边...
【专利技术属性】
技术研发人员：孙正兴，徐峻峰，胡安琦，王爽，
申请(专利权)人：南京大学，
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。