一种图像纹理背景自动分割方法及装置制造方法及图纸

本发明专利技术公开了一种图像纹理背景自动分割方法及装置，通过对原始图像进行高斯滤波预处理，去除场景噪声，转换颜色空间，获得纹理图像；基于均值聚类算法对纹理图像进行预聚类，建立聚类中心的距离相关矩阵，确定自适应聚类数；根据绝对值梯度图像和灰度边缘梯度图像，构建拉普拉斯矩阵，计算其特征向量，构建特征向量矩阵；构建加权距离度量公式计算特征向量之间的相似度；根据特征向量矩阵、自适应聚类数、相似度再次进行均值聚类，获得原始图像对应的分割蒙版；根据灰度边缘梯度图像和分割蒙版，获得纹理背景区域，实现了对具有复杂和多尺度纹理背景的图像进行自动分割背景区域。尺度纹理背景的图像进行自动分割背景区域。尺度纹理背景的图像进行自动分割背景区域。

【技术实现步骤摘要】
一种图像纹理背景自动分割方法及装置


[0001]本专利技术涉及图像处理领域，尤其是涉及一种图像纹理背景自动分割方法及装置。

技术介绍

[0002]图像背景分割有利于对有意义的前景物体进行分析和检测，是计算机视觉领域中最常用的处理方法。然而，许多自然和真实场景中的图像存在复杂的纹理背景模式，背景纹理模式和前景结构可能非常相似，如凌乱的马赛克、多尺度的岩石纹理、不规则的人工纹理元素等。由于缺乏对整体背景纹理特征的深度表征，现有的分割算法往往无法获得完整的纹理背景分离。
[0003]近几十年来，基于均值聚类、层次聚类、特征谱聚类等算法已经在图像分割领域得到了广泛的应用。其中，均值聚类算法由于其非监督性、简单性和易于编程性，是各种图像处理任务中最受欢迎的分类算法之一。尽管均值聚类已经成功地应用于各种图像分割任务中，但它在图像分割中仍然存在一些缺点，如高维数据的时效性、复杂纹理图像的稳定性和自适应性。为了降低计算复杂度，采用超像素技术提出了简单有效的改进，可以显著降低运行时间，但由于属于同一分割的多尺度纹理模式的干扰，精度仍未得到提高。均值聚类及本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像纹理背景自动分割方法，其特征在于，包括：S1：获取待处理的原始图像；S2：对原始图像进行高斯滤波预处理，去除场景噪声获得去噪图像；S3：将去噪图像从RGB颜色空间转换到LAB色彩空间，获得纹理图像；S4：基于均值聚类算法对纹理图像进行预聚类，建立聚类中心的距离相关矩阵，确定自适应聚类数；S5：对原始图像和纹理图像进行处理获得绝对值梯度图像和灰度边缘梯度图像，基于绝对值梯度图像和灰度边缘梯度图像构建拉普拉斯矩阵，计算其特征向量，构建特征向量矩阵；S6：构建加权距离度量公式计算特征向量之间的相似度；S7：将特征向量矩阵作为数据输入，自适应聚类数作为类别数目，根据相似度再次进行均值聚类，获得原始图像对应的分割蒙版；S8：根据灰度边缘梯度图像和分割蒙版，与原始图像进行对比，获得纹理背景区域。2.根据权利要求1所述的图像纹理背景自动分割方法，其特征在于，所述步骤S4具体包括：S401：预设聚类数k＝9，根据均值聚类算法对纹理图像进行预聚类，得到9个聚类中心c
i
(i＝1,2,...,9)；S402：计算聚类中心相互之间的马氏距离：其中Cov
‑1表示中心点c
i
，c
j
的坐标向量协方差矩阵；S403：构建距离相关矩阵A＝(m
ij
)9×9，并计算A的全部特征值λ
i
(i＝1,2,...,9)；S404：将A的全部特征值进行仿射变换到区间[0,10]，进行四舍五入取整，找出其中互异的特征值数目K，即自适应聚类数。3.根据权利要求2所述的图像纹理背景自动分割方法，其特征在于，所述步骤S5具体包括：S501：计算原始图像的绝对梯度，与纹理图像做加法运算，获得绝对值梯度图像；S502：计算原始图像灰度边缘梯度图像；S503：对原始图像做N个超像素运算，获得超像素蒙版；S504：按超像素蒙版取均值合并绝对值梯度图像和灰度边缘梯度图像，构建图像特征矩阵X
N
×4＝(x1,x2,...,x
N
)
T
，其中N表示原始图像超像素的个数；S505：以图像特征矩阵行信息为单个样本点，构建度矩阵D和邻接矩阵W，其中：D＝diag(d
i
),i＝1,2,...,N，其中...

【专利技术属性】
技术研发人员：刘冲，杨翠，黄师化，
申请(专利权)人：安庆师范大学，
类型：发明
国别省市：