【技术实现步骤摘要】
一种改进的基于超像素的多光谱图像分割方法
本专利技术涉及图像分割领域，特别是指一种改进的基于超像素的多光谱图像分割方法。
技术介绍
在计算机视觉领域，图像分割(Segmentation)指的是将数字图像细分为多个图像子区域(像素的集合)(也被称作超像素)的过程。图像分割是对图像中的每个像素加标签的一个过程，这一过程使得具有相同标签的像素具有某种共同视觉特性。图像分割的结果是图像上子区域的集合(这些子区域的全体覆盖了整个图像)，或是从图像中提取的轮廓线的集合。一个子区域中的每个像素在某种特性的度量下或是由计算得出的特性都是相似的，例如颜色、亮度、纹理。邻接区域在某种特性的度量下有很大的不同。超像素由一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域。这些小区域大多保留了进一步进行图像分割的有效信息，且一般不会破坏图像中物体的边界信息，从而大幅度减少处理对象的数量，提高后续处理的效率，超像素在计算机视觉领域有着广泛的应用。目前已经存在多种超像素分割算法，如简单线性迭代聚类算法(SimpleLinearIter...
【技术保护点】
1.一种改进的基于超像素的多光谱图像分割方法，其特征在于，包括以下步骤：/n步骤S1：输入多光谱图像[l,a,b]
【技术特征摘要】
1.一种改进的基于超像素的多光谱图像分割方法，其特征在于，包括以下步骤：
步骤S1：输入多光谱图像[l,a,b](x,y),其中l代表亮度，a和b代表颜色对立维度，x,y分别代表像素的横坐标和纵坐标，5维向量Pi向描述图像中的像素i，其中Pi＝[li,ai,bi,xi,yi]T；
步骤S2：求取像素i和像素j的平面间隔||Pi-Pj||xy和特征间隔dij；
步骤S3：计算在多光谱图像平面内以像素i为中心、半径为εxy的圆形区域内估计像素i的局部密度ρi；
步骤S4：计算像素i的间隔δi和归附fi；
步骤S5：根据得出的每个像素的归附fi、间隔δi和局部密度ρi将所有像素构建成归附关系树；
步骤S6：根据间隔δi、局部密度ρi选取超像素的中心像素ci，在归附关系树中将所有的中心像素ci的归附fi设置为空标志令将归附关系树分为K个子树，一个超像素对应一个子树；
步骤S7：将同一个超像素中的所有像素设置为相同的标号，基于归附关系树以及种子像素，将同一子树上的像素的标号设置为顺着归附关系上溯的种子像素的标号，完成超像素分割。
2.根据权利要求1所述的改进的基于超像素的多光谱图像分割方法，其特征在于，步骤S2中求取像素i和像素j的平面间隔||Pi-Pj||xy和特征间隔dij,具体包括：
其中l代表亮度，a和b代表颜色对立维度，x,y分别代表像素的横坐标和纵坐标。
3.根据权利要求2所述的改进的基于超像素的多光谱图像分割方法，其特征在于，步骤S3中计算在多光谱图像平面内以像素i为中心、半径为εxy的圆形区域...
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。