一種改進(jìn)的基于Meanshift的多通道圖像分割算法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及的是一種圖像處理技術(shù)領(lǐng)域的方法，具體是一種改進(jìn)的基于 Meanshift的多通道圖像分割算法。
【背景技術(shù)】
[0002] 圖像分割是指把一幅圖像分成幾個(gè)互不重疊的各具特征的區(qū)域，并提取出感興趣 的區(qū)域作為目標(biāo)。圖像分割是從圖像處理到圖像分析的關(guān)鍵步驟，圖像分割結(jié)果的好壞直 接影響到后期的圖像分析。圖像分割技術(shù)最早應(yīng)用在灰度圖像上，灰度圖像提供的信息比 較單一。隨著圖像處理技術(shù)的應(yīng)用越來越廣泛，灰度圖像的分割已經(jīng)不能滿足應(yīng)用需要，彩 色圖像能提供比灰度圖像更多的信息，因此對(duì)彩色圖像分割的研宄越來越多。
[0003] 彩色圖像中的目標(biāo)對(duì)象與背景對(duì)象的灰度值比較接近時(shí)，對(duì)目標(biāo)對(duì)象進(jìn)行有效的 分割一直是難點(diǎn)問題。目前的彩色圖像分割算法主要有直方圖閾值方法、邊緣提取法、分水 嶺分割法及特征空間聚類分割法等。其中最常用的是直方圖閾值分割方法。直方圖閾值分 割方法廣泛應(yīng)用于灰度圖像的分割。當(dāng)分割彩色圖像時(shí)，只適用于有明顯峰值的彩色圖像， 當(dāng)圖像的峰值不明顯時(shí)，分割效果不好，容易出現(xiàn)較大的誤差。邊緣提取法在分割圖像時(shí)， 當(dāng)區(qū)域?qū)Ρ让黠@時(shí)，分割效果好，反之，較差。而在分水嶺分割方法中，當(dāng)標(biāo)記選取不當(dāng)時(shí)會(huì) 導(dǎo)致圖像過分割。聚類分割算法是近年來研宄的比較多的算法。而常用的聚類分割方法如 模糊C均值聚類，存在一定的局限性。該算法要求先確定目標(biāo)對(duì)象的分類數(shù)目以及聚類的 初始中心，妨礙了目標(biāo)對(duì)象分類的自動(dòng)實(shí)現(xiàn)，分類數(shù)目不同，分類結(jié)果也不同，初始的聚類 中心不同，聚類結(jié)果往往也不同，聚類結(jié)果缺乏必要的可靠性。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明針對(duì)現(xiàn)有技術(shù)存在的不足，提出一種改進(jìn)的基于Meanshift的多通道圖像 聚類分割算法。本發(fā)明充分利用RGB圖像的色彩信息，對(duì)于目標(biāo)與背景比較接近的情況，能 夠有效的分割出興趣目標(biāo)區(qū)域?qū)ο?，并且聚類?shù)目是自動(dòng)生成的。該算法的誤分率低，分割 效果好。
[0005] 本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的，本發(fā)明包括以下步驟：
[0006] 第一步，輸入RGB圖像矩陣。
[0007] 第二步，統(tǒng)計(jì)圖像矩陣的像素值，統(tǒng)計(jì)Meanshift聚類的樣本數(shù)。
[0008] 第三步，根據(jù)RGB圖像的三通道對(duì)顏色的敏感性差異，分別對(duì)R，G，B三個(gè)子圖像 的樣本進(jìn)行MeanShift聚類運(yùn)算以獲取初步的聚類結(jié)果。
[0009] 第四步，在步驟1輸入的圖像矩陣的R，G，B子圖像中查找并記錄灰度落入興趣目 標(biāo)區(qū)域的灰度區(qū)間的像素，得到三個(gè)子圖像中的興趣目標(biāo)區(qū)域。
[0010] 第五步，查找并記錄步驟4中興趣目標(biāo)像素的聚類中心。
[0011] 第六步，對(duì)步驟4和5中的興趣目標(biāo)像素及其聚類中心進(jìn)行可靠性計(jì)算，即做灰度 相似性判斷，篩選出可靠性高的興趣目標(biāo)像素，并將目標(biāo)像素賦值" 1"，其他為"〇"，從而產(chǎn) 生分割后的圖像邏輯矩陣。
[0012] 所述的可靠性計(jì)算通過引入可靠性因子λ評(píng)價(jià)目標(biāo)像素與聚類中心灰度的距離 來實(shí)現(xiàn)的，具體是：
[0013]
【主權(quán)項(xiàng)】
1. 一種改進(jìn)的基于Meanshift的多通道圖像分割算法，其特征在于，包括以下步驟： 第一步，輸入RGB圖像矩陣； 第二步，統(tǒng)計(jì)圖像矩陣的像素值，統(tǒng)計(jì)Meanshift聚類的樣本數(shù)； 第三步，根據(jù)RGB圖像的三通道對(duì)顏色的敏感性差異，分別對(duì)R，G，B三個(gè)子圖像的樣 本進(jìn)行MeanShift聚類運(yùn)算以獲取初步的聚類結(jié)果； 第四步，在步驟1輸入的圖像矩陣的R，G，B子圖像中查找并記錄灰度落入興趣目標(biāo)區(qū) 域的灰度區(qū)間的像素，得到三個(gè)子圖像中的興趣目標(biāo)區(qū)域； 第五步，查找并記錄步驟4中興趣目標(biāo)像素的聚類中心； 第六步，對(duì)步驟4和5中的興趣目標(biāo)像素及其聚類中心進(jìn)行可靠性計(jì)算，即做灰度相似 性判斷，篩選出可靠性高的興趣目標(biāo)像素，并將目標(biāo)像素賦值" 1"，其他為"〇"，從而產(chǎn)生分 割后的圖像邏輯矩陣； 第七步，對(duì)步驟六得到的圖像邏輯矩陣做邏輯"或"運(yùn)算融合得到最終的興趣目標(biāo)區(qū) 域； 第八步，輸出圖像，即為分割獲得的興趣目標(biāo)區(qū)域圖像。
2. 根據(jù)權(quán)利要求1所述的改進(jìn)的基于Meanshift的多通道圖像分割算法，其特征是，所 述的Meanshift均值偏移算法的均值偏移向量，具體是：
式中，Xi是數(shù)字圖像X的像素，Mh(X)是X點(diǎn)的擴(kuò)展形式的均值偏移向量，G為核函數(shù)， w是權(quán)重。均值偏移向量的方向和核函數(shù)的概率密度梯度方向是一致的，Comaniciu已經(jīng) 證明MeanShift算法在滿足一定條件下，一定可以收斂到最近的一個(gè)概率密度函數(shù)的穩(wěn)態(tài) 點(diǎn)。因此，沿著均值偏移向量的方向不斷移動(dòng)核函數(shù)的中心位置直至收斂，就找到了鄰近的 模值點(diǎn)的位置。
3. 根據(jù)權(quán)利要求1所述的改進(jìn)的基于Meanshift的多通道圖像分割算法，其特征是，所 述的可靠性計(jì)算通過引入可靠性因子λ評(píng)價(jià)目標(biāo)像素與聚類中心灰度的距離來實(shí)現(xiàn)的， 具體是：
式中，Z是像素灰度，Ζ'是聚類中心的像素灰度。即計(jì)算并判斷像素與其聚類中心的歐 氏距離是否小于等于閾值S，篩選出可靠性高的目標(biāo)像素。
4. 根據(jù)權(quán)利要求1所述的改進(jìn)的基于Meanshift的多通道圖像分割算法，其特征是，所 述的邏輯"或"運(yùn)算，具體是： b〇 (i, j) = bi (i, j) I b2 (i, j) | b3 (i, j) 式中，b (i，j)表示圖像邏輯矩陣中的第i行第j列的像素 ，"I "表示邏輯或運(yùn)算。
5. 根據(jù)權(quán)利要求2所述的Meanshift均值偏移算法，其特征是，所述的核函數(shù)，具體 是：
式中，乂3表示二維空間中的位置坐標(biāo)，X ^表示三維值域中的三維彩色特征向量，h s為空 域窗寬為值域窗寬，C是一個(gè)歸一化常數(shù)。通過對(duì)圖像各像素點(diǎn)運(yùn)用均值偏移算法進(jìn) 行不斷的偏移直至收斂就得到了各自的模式，即實(shí)現(xiàn)了對(duì)彩色圖像的像素點(diǎn)特征空間的聚 類，從而獲得分割圖像。
【專利摘要】一種改進(jìn)的基于Meanshift的多通道圖像分割算法，包括以下步驟：輸入RGB圖像矩陣并統(tǒng)計(jì)像素值；對(duì)其像素樣本做Meanshift聚類運(yùn)算；在三個(gè)子圖像中查找并記錄灰度落入興趣目標(biāo)區(qū)域的灰度區(qū)間的像素，查找并記錄興趣目標(biāo)像素的聚類中心；對(duì)興趣目標(biāo)像素及其聚類中心做可靠性計(jì)算，篩選出可靠性高的興趣目標(biāo)像素，并將目標(biāo)像素賦值1，其他0，產(chǎn)生分割后的圖像邏輯矩陣；對(duì)此矩陣做邏輯“或”運(yùn)算融合得到最終的興趣目標(biāo)區(qū)域；輸出圖像，即為分割獲得的興趣目標(biāo)圖像。本發(fā)明充分利用RGB圖像的色彩信息，當(dāng)目標(biāo)與背景比較接近時(shí)，能夠有效的分割出興趣目標(biāo)區(qū)域?qū)ο笄揖垲悢?shù)目是自動(dòng)生成的。該算法的誤分率低,分割效果好。
【IPC分類】G06T7-00
【公開號(hào)】CN104657980
【申請(qǐng)?zhí)枴緾N201410818125
【發(fā)明人】宋淑娟, 吳靜靜, 尤麗華, 王金華
【申請(qǐng)人】江南大學(xué)
【公開日】2015年5月27日
【申請(qǐng)日】2014年12月24日