本发明专利技术提供一种基于广义数据场和Ncut算法的图像分割方法，首先，将特征空间划分为层次网格，第一层网格和第二层网格，同时形成与之对应的网格特征空间Ωs和Ωb，第一层每8个相邻小网格形成第二层的一个大网格；然后通过运用GDF算法基于第二层网格计算得到第一层网格的势值分布。基于势值分布，再将第一层网格进行聚类，聚类结果映射到图像上，从而实现对于一幅图像的初始分割操作，将其划分为不同的彼此不相交的区域；最后，基于图像初始分割的结果构建无向加权图后，运用基于区域的Ncut算法来合并性质相同的区域，直至达到最佳图像分割结果。本发明专利技术在图像分割上具有快速、简单、准确的优点。
【技术实现步骤摘要】
本专利技术属于图像处理
，特别涉及。
技术介绍
图像分割就是将一幅图像划分为有意义且不重合的区域，每块区域几乎具有相同的性质，这是图像处理研究中重要的环节，同时也是计算机视觉中重要的研究课题；目标检测、特征提取、目标识别都依赖准确的图像分割技术，由于图像分割技术作为图像处理中一项基础工作，因此得到了较为广泛的应用，各种分割算法相继被提出。在众多分割算法中，非参数聚类是其中最简单且应用最为广范的一种图像分割算法，非参数聚类方法大致可以划分为两类层次聚类和密度估计；层次聚类技术依据数据 点之间的距离进行分类，这样往往导致较高的计算复杂性，以及不能为数据聚类直接定义一个有意义的停止准则，这意味着不同的数据集需要设置不同的停止准则；基于密度估计的非参数聚类的基本原理是在特征空间中用经验概率密度函数描绘数据集的特征分布，特征空间中的密集区域对应密度函数的局部最大值(即顶点)，一旦确定了顶点的位置，便可以根据特征空间的局部结构确定聚类结果，例如，mean shift (MS)是一种非参数图像聚类算法，但是单独的MS算法对窗宽参数的选择很敏感，即针对不同的参数设置，该算法的分割结果有差异性很大，而且是一种很耗时的分割算法，因此，在实际运用中，该算法的分割结果可能会出现过多的分割区域、错误的分割以及在分割进程中花费太多的时间。在一些提出的算法中，为了改善MS的分割结果，集成了基于图的分割方法，基于图的方法也是图像分割中非常重要的一类，例如有normalized cuts (Ncut), averageassociation, minimum cut等等；在这些方法中，把每个像素点看作一个顶点,相邻的点之间由一条边连接，而两个点的不相似度量作为边的权重，从而构造一个无向加权图，与其他基于图的分割算法相比，Ncut算法的应用较为广泛，为了克服MS图像分割算法的缺点，将MS算法与递归Ncut算法相互结合，称其为MS-Ncut,MS-Ncut算法首先通过MS算法得到包含很多碎块的初始分割图像，然后根据这些过分割的块建立一个无向加权图，采用Ncut算法修正初始分割结果，在Ncut运算过程中，每个结点生成辅助子节点虽然在一定程度上进一步优化了分割结果，但是对于MS-Ncut中出现的问题并没有从根本上解决，而且大大增加了算法的时间复杂度。
技术实现思路
为了得到更好的分割结果，避免出现上述的问题，本专利技术提出了一种新的图像分割算法一，该方法能够通过集成广义数据场⑶F与Ncut两种算法，简单、迅速、准确地将一幅图像划分为逻辑上有意义的区域。为解决上述技术问题，本专利技术采用如下技术方案I、，包括以下步骤，步骤I、层次网格的划分以及势值估计，具体包括以下步骤，步骤I. I、将图像的RGB颜色特征空间转换为L*u*v*或L*a*b*颜色特征空间，将L*u*v*或L*a*b*颜色特征空间Q划分为2NX 2NX 2N个小网格作为第一层网格,计算每个小网格内数据点的均值，并以此作为该小网格的特征值，形成一个新的特征空间Qs ;步骤I. 2将八邻域小网格合并成为一个大网格作为第二层网格，形成一个新的特征空间Qb及其相应的网格空间坐标值；步骤I. 3根据势值估计公式计算第一层网格内每个小网格的势值#(/),权利要求1.，其特征在于包括以下步骤， 步骤I、层次网格的划分以及势值估计，具体包括以下步骤， 步骤I. I、将图像的RGB颜色特征空间转换为L*u*v*或L*a*b*颜色特征空间，将L*u*v*或L*a*b*颜色特征空间Ω划分为2NX 2NX 2N个小网格作为第一层网格,计算每个小网格内数据点的均值，并以此作为该小网格的特征值，形成一个新的特征空间; 步骤I. 2将八邻域小网格合并成为一个大网格作为第二层网格，形成一个新的特征空间Qb及其相应的网格空间坐标值； 步骤I. 3根据势值估计公式计算第一层网格内每个小网格的势值斜/),2.根据权利要求I所述的，其特征在于所述步骤3具体包括以下步骤， 步骤3. I基于步骤2. 3中得到的不重和的初始区域构建一个无向加权图G= (V，E，W)，V是图像的顶点，E是连接顶点的边的集合，W是权重矩阵，根据公式W(Lj)=全文摘要本专利技术提供，首先，将特征空间划分为层次网格，第一层网格和第二层网格，同时形成与之对应的网格特征空间Ωs和Ωb，第一层每8个相邻小网格形成第二层的一个大网格；然后通过运用GDF算法基于第二层网格计算得到第一层网格的势值分布。基于势值分布，再将第一层网格进行聚类，聚类结果映射到图像上，从而实现对于一幅图像的初始分割操作，将其划分为不同的彼此不相交的区域；最后，基于图像初始分割的结果构建无向加权图后，运用基于区域的Ncut算法来合并性质相同的区域，直至达到最佳图像分割结果。本专利技术在图像分割上具有快速、简单、准确的优点。文档编号G06T7/00GK102855624SQ20121026561公开日2013年1月2日 申请日期2012年7月23日 优先权日2012年7月23日专利技术者王树良, 李英, 尹进飞, 陈其良, 李伟 申请人:武汉大学本文档来自技高网...
【技术保护点】
一种基于广义数据场和Ncut算法的图像分割方法，其特征在于：包括以下步骤，步骤1、层次网格的划分以及势值估计，具体包括以下步骤，步骤1.1、将图像的RGB颜色特征空间转换为L*u*v*或L*a*b*颜色特征空间，将L*u*v*或L*a*b*颜色特征空间Ω划分为2N×2N×2N个小网格作为第一层网格，计算每个小网格内数据点的均值，并以此作为该小网格的特征值，形成一个新的特征空间Ωs；步骤1.2将八邻域小网格合并成为一个大网格作为第二层网格，形成一个新的特征空间Ωb及其相应的网格空间坐标值；步骤1.3根据势值估计公式计算第一层网格内每个小网格的势值在特征空间Ωb中，表示坐标为(ith，jth，kth)的网格，是(ith，jth，kth)网格的质量，fiujuku=(fiujuku(1),fiujuku(2),fiujuku(3)),wiujuku=Qiujuku×e-(x-xiujukuσX)2+(y-yiujukuσY)2,是位于网格(ith，jth，kth)内数据点的数量，是对应于网格(ith，jth，kth)的空间坐标值，σX和σY是空间影响因子，σ＝ch＝c(h1，h2，h3)T，σj=chj，j=1、2、3，c是比例常数，h＝(h1，h2，h3)T是核密度估计的窗宽，K(x)为单位势函数；步骤2、根据小网格的势值分布，对小网格聚类，将聚类结果映射到图像，图像划分为不同的彼此不相交的区域，具体步骤为：步骤2.1.对步骤1.3中的公式求偏导，得到公式：利用其计算第一层网格中每个小网格的偏导，并以此来确定所有的顶点网格，通过六邻域模式组合顶点网格来描绘聚类{Ck}k＝1，…，v，其中Ck至少包含一个顶点网格；步骤2.2对于每一个k＝1，2，…，v，聚类Ck中的顶点网格作为初始数据点，沿着梯度值上升的方向搜索网格，直到梯度值不再上升即为止，将沿路搜索到的小网格划分到聚类Ck中；步骤2.3搜索完毕后，对于每一个聚类Ck，k＝1，2，…，v，将每一聚类内所有的数据点映射到图像上，并合并在空间上数据点个数少于M（20≤M≤100）个点的图像碎块，一幅图像被划分为R块不重合的初始区域Ωi，i＝1，2，…，R；步骤3、运用基于区域的Ncut算法合并过分分割的区域；其中所用到的计算权重矩阵W的公式为：w(i,j)=1niΣf∈Ωie-[||f-Fj||σI]2+1njΣf∈Ωje-[||f-Fi||σI]20.FDA00001919392600011.jpg,FDA00001919392600012.jpg,FDA00001919392600013.jpg,FDA00001919392600014.jpg,FDA00001919392600015.jpg,FDA00001919392600018.jpg,FDA00001919392600019.jpg,FDA000019193926000110.jpg,FDA00001919392600021.jpg,FDA00001919392600022.jpg...
【技术特征摘要】
【专利技术属性】
技术研发人员：王树良，李英，尹进飞，陈其良，李伟，
申请(专利权)人：武汉大学，
类型：发明
国别省市：
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。