一种基于聚类学习的图像分割质量评价方法技术

本发明专利技术公开了一种基于聚类学习的图像分割质量评价方法。包括特征聚类学习阶段：先从公开数据集图像和人工标记图像得到特征块和分割块，构建分割数据训练集；再对训练集的特征块聚类得到聚类中心，用最近邻分类并将对应的分割块设置为相同的类别标签。还包括分割质量评价阶段：先从待评价图像得到分割块和特征块，计算每个特征块与聚类中心的距离并分类，再将特征块对应的分割块划分到与之相同的类别；最后，用每个分割块与对应类别中的所有分割块比较，统计得到整个分割图像的质量分数。本发明专利技术利用图像边缘特征对图像分割质量进行评价，通过聚类学习学到“好”的图像分割特征，以此作为评价依据，能得到更客观的评价结果。

【技术实现步骤摘要】
一种基于聚类学习的图像分割质量评价方法
本专利技术涉及计算机视觉、图像处理
，特别是一种基于聚类学习的图像分割质量评价方法。
技术介绍
图像分割通常指按某种处理任务将图像划分为互不相交的若干区域。在理想情况下，这些区域对应若干有意义的目标。图像分割是图像理解和分析的关键步骤，通常可作为图像识别、场景分析、目标检测等任务的预处理步骤，也是计算机视觉的一项基础任务。分割质量的好坏将直接影响这些任务的计算结果。如何评价分割算法的性能，并针对具体应用合理选择算法仍是难度较大的问题。其次，任何一种图像分割算法都涉及若干参数，参数的选择往往需要对分割质量进行客观评价，但至今没有取得较好的解决效果。分割质量的好坏可采用主观评价，即依靠人视觉判断比较不同的分割结果。但是这种方法耗时耗力，且主观性较强，缺乏统一标准。另一种方法是有监督评价，通过比较分割算法的结果与参考图像(又称参考分割)的结果，计算二者的差异从而评价分割质量。还有一种是无监督评价，通过建立经验评价准则，对分割结果进行量化评价。该方法不受给定参考图像内容和数量的限制，更具通用性，是实现在线图像分割质量评价的唯一手段。但由于图像分割问题本身固有的病态性和图像分割准则的多样性，准确定义并评价分割质量是一项巨大挑战。目前基于无监督的分割质量评价方法大致可归纳为三类：基于区域内一致性评价、区基于域间差异性的评价和基于目标语义特性的评价。前两种方法利用图像颜色、纹理、熵等特征的统计结果得到图像分割区域内的一致性，或者区域间差异性，其中可以利用多种特征的组合进行判断。语义特征包括特定目标类别具备的区域形状等特征，计算时可根据区域尺寸、边界长度等设计相关的惩罚系数提高评价性能。目前这些评价方法还不能达到十分精确和鲁棒的评价效果，主要受局限于图像分割目标的复杂性。但近年来随着机器学习技术的蓬勃发展，针对人类视觉感知经验实现准确的图像目标特征表示，从而实现无监督图像分割评价。长期研究表明，图像的低层边缘特征对描述真实目标边界较稳定，相对图像高层特征的复杂多样，更有利于挖掘图像内容的本质。本专利技术基于图像边缘特征，采用聚类学习方法发现图像分割区域的局部空间结构特性，以块结构中包含的边缘信息作为分割质量评价的依据，能获得高准确率的评价结果。并且实现了无监督评价过程，具有良好的通用性和实用价值。
技术实现思路
本专利技术提出了一种无监督分割质量评价方法，基于聚类方法学习分割局部空间结构特性，以分割局部结构作为分割质量评价的依据，能获得稳定可靠的评价效果。本专利技术的技术方案如下：一种基于聚类学习的图像分割质量评价方法，包括步骤1：构建图像数据训练集，包括步骤1.1：从现有公开图像分割数据库中挑选A幅原始图像，每一幅原始图像具有一幅人工分割的参考图像GT；步骤1.2：任选一幅原始图像及其参考图像GT，执行如下处理：创建原始图像的DOG特征图像：用尺度为5×5，标准差分别为的高斯核进行滤波，得到滤波结果G1,G2,G3,G4,G5；然后计算差值图像D1＝G1-G2,D2＝G3-G4,D3＝G4-G5；对于D2中每个像素点，在其3×3邻域以及D1和D3中对应相同的邻域内，判断该点是否为极值点；若为极值点，则设置值为1，否则为0；创建与参考图像GT的像素数长宽相同的二值矩阵GTB：GT中的非分割边界像素所在的位置，对应在GTB中的元素设置为0；GT中的分割边界像素所在的位置，对应在GTB中的元素设置为1；所述DOG与GTB的元素的位置一一对应；分别以GTB中值为1的每个元素为中心，在GTB截取边长为l个元素的正方形分割块构成分割块集合截取过程中尺寸不足l×l的块不包含到PS中；找出GTB中值为1的元素所对应的DOG中的元素，分别以其为中心，在GTB截取边长为l个元素的正方形特征块构成特征块集合截取过程中尺寸不足l×l的块不包含到PDOG中；所述分割块和特征块一一对应；步骤1.3：按照步骤1.2相同的方法对A中其它原始图像及其参考图像GT进行处理，得到A个特征块集合PDOG和A个分割块集合PS；步骤2：图像块聚类，包括步骤2.1：将A个特征块集合PDOG中的每个特征块按列展开排成一个l2×1的列向量，利用K均值聚类算法，设定K值对所有列向量聚类，得到K个聚类中心，记为集合C；按照最近邻分类方法将所有列向量分类，每个列向量所在的类别即为其对应的特征块的类别，设置其类别标签为Lk；所有特征块的类别标签构成类别标签集合L＝{Lk|k＝1,...,K}；步骤2.2：将每一个特征块的类别标签Lk设置为其对应的分割块的类别标签；步骤3：创建待评价分割图像数据，包括步骤3.1：按照步骤1.2相同的方法，创建待评价分割图像的原始图像的DOG特征图像；步骤3.2：创建与待评价分割图像的像素数长宽相同的二值矩阵Seg：分割图像的非分割边界像素所在的位置，对应在Seg中的元素设置为0；分割图像的分割边界像素所在的位置，对应在Seg中的元素设置为1；步骤3.3：将Seg和步骤3.1得到的DOG特征图像分别划分为多个边长为l个元素的正方形网格块，大小不足l×l的网格块在空缺位置填0补足为l×l的网格块，得到Seg的网格块并且构成集合和DOG特征图像的网格块并且构成集合m为网格块的数量；所述Seg的网格块和DOG特征图像的网格块一一对应；步骤4：计算评价分数，包括步骤4.1：将PDOG'中每个网格块PiDOG′按列展开排成一个l2×1的列向量，计算每个列向量与聚类中心集合C中每个元素的欧氏距离，按最近邻分类方法将其划分到最近的类别Lk；找到PS'中与PiDOG′对应的网格块PiS'，将PiS'与A个PS集合中类别为Lk的所有分割块依次比较，判断PiS'中每个元素是否为边界点，即PBi,q(x,y)＝1，如下：其中，PLk是A个PS集合中类别为Lk的所有分割块的集合，是集合PLk中第q个分割块，q＝1,...,Nk，Nk为A个PS集合中类别为Lk的所有分割块的个数，PiS'(x,y)和分别表示其元素在块中(x,y)位置处的值，i＝1,...,m；步骤4.2：计算PiS'的分割质量评价分数Si：其中，为中包含边界点的个数，即值为1的元素个数；Row和Col分别表示PiS'的行数和列数；步骤4.3：得到PiS'的分割质量评价分数后，对PS'中所有网格块的分割质量取平均，得到整个分割图像的分割质量评价分数S，即：与现有技术相比，本专利技术的积极效果是：一、本专利技术使用图像边缘特征对分割质量进行描述，采用聚类学习来找到图像分割的评价标准。相比较现有的无监督分割评价方法，不需要专门设计基于图像目标区域或边界特征的评价标准，更具有普遍适用性。二、本专利技术方法仅使用少量图像进行聚类学习，由于图像边缘信息不受图像内容多样性影响，在所有图像中具有稳定的表达。因此训练图像数量少，比使用图像中层、高层特征花费更少的人工标注资源。三、本专利技术方法在评价时用图像块与训练集中同类别的所有图像块比较，差异度量容许图像边缘在局部存在微小偏移，保持了边缘结构在局部评价的稳定性。附图说明图1是本专利技术方法的整体工作流程图。图2是步骤3.3中划分Seg分割图像块的示例。从左至右依次为分割图Seg、补齐后的分割图和截取结果。为了使分割图边界满足截取完整块，需要对右侧本文档来自技高网...

【技术保护点】
1.一种基于聚类学习的图像分割质量评价方法，其特征在于，包括步骤1：构建图像数据训练集，包括步骤1.1：从现有公开图像分割数据库中挑选A幅原始图像，每一幅原始图像具有一幅人工分割的参考图像GT；步骤1.2：任选一幅原始图像及其参考图像GT，执行如下处理：创建原始图像的DOG特征图像：用尺度为5×5，标准差分别为

【技术特征摘要】
1.一种基于聚类学习的图像分割质量评价方法，其特征在于，包括步骤1：构建图像数据训练集，包括步骤1.1：从现有公开图像分割数据库中挑选A幅原始图像，每一幅原始图像具有一幅人工分割的参考图像GT；步骤1.2：任选一幅原始图像及其参考图像GT，执行如下处理：创建原始图像的DOG特征图像：用尺度为5×5，标准差分别为的高斯核进行滤波，得到滤波结果G1,G2,G3,G4,G5；然后计算差值图像D1＝G1-G2,D2＝G3-G4,D3＝G4-G5；对于D2中每个像素点，在其3×3邻域以及D1和D3中对应相同的邻域内，判断该点是否为极值点；若为极值点，则设置值为1，否则为0；创建与参考图像GT的像素数长宽相同的二值矩阵GTB：GT中的非分割边界像素所在的位置，对应在GTB中的元素设置为0；GT中的分割边界像素所在的位置，对应在GTB中的元素设置为1；所述DOG与GTB的元素的位置一一对应；分别以GTB中值为1的每个元素为中心，在GTB截取边长为l个元素的正方形分割块构成分割块集合截取过程中尺寸不足l×l的块不包含到PS中；找出GTB中值为1的元素所对应的DOG中的元素，分别以其为中心，在GTB截取边长为l个元素的正方形特征块构成特征块集合截取过程中尺寸不足l×l的块不包含到PDOG中；所述分割块和特征块一一对应；步骤1.3：按照步骤1.2相同的方法对A中其它原始图像及其参考图像GT进行处理，得到A个特征块集合PDOG和A个分割块集合PS；步骤2：图像块聚类，包括步骤2.1：将A个特征块集合PDOG中的每个特征块按列展开排成一个l2×1的列向量，利用K均值聚类算法，设定K值对所有列向量聚类，得到K个聚类中心，记为集合C；按照最近邻分类方法将所有列向量分类，每个列向量所在的类别即为其对应的特征块的类别，设置其类别标签为Lk；所有特征块的类别标签构成类别标签集合L＝{Lk|k＝1,...,K}；步骤2.2：将每一个特征块的类别标签Lk设置为其对应的分割块的类别标签；步骤3：创建待评价分割图像数据，包括步骤3.1：按照步骤1.2相同的方法，创建待评价分割图像的原始图像的DOG特征图像；步骤3.2：创建与待评价分割图像的像素数长宽相同的二值矩阵Seg：分割图像的非分割边界像素所在的位置...

【专利技术属性】
技术研发人员：彭博，孙昊，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川,51