一種基于超像素的自適應(yīng)彩色圖像分割方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理領(lǐng)域，具體涉及一種基于超像素的自適應(yīng)彩色圖像分割方 法。
【背景技術(shù)】
[0002] 在機(jī)器視覺領(lǐng)域中，圖像分割、特征提取與目標(biāo)識(shí)別構(gòu)成由低層到高層的三大關(guān) 鍵任務(wù)。圖像分割是計(jì)算機(jī)視覺領(lǐng)域的關(guān)鍵話題，其目的在于將一幅圖像劃分成一系列具 有統(tǒng)一、均勻特征的非重疊區(qū)域，這些特征包含：紋理、密度等。對于圖像分割，目前已提出 了很多相關(guān)算法，并且有些也應(yīng)用于目標(biāo)識(shí)別、手寫字符識(shí)別等領(lǐng)域。但是一般來說，圖像 中的信息是非常復(fù)雜的，如果要實(shí)現(xiàn)完全自適應(yīng)的從背景中分離出目標(biāo)還是非常困難的。 [0003]目前對圖像的處理大都以像素為單位，采用二維矩陣表示一幅圖像，并未考慮像 素之間的組織關(guān)系，使得算法的處理效率較低。2003年，Ren等人提出了超像素的概念，所 謂超像素，是指由具有相似紋理、顏色、亮度等特征的相鄰像素構(gòu)成的圖像塊，它利用像素 之間特征的相似程度將像素分組，可以獲取圖像的冗余信息，在很大程度上降低了后續(xù)圖 像處理任務(wù)的復(fù)雜度。模糊聚類有著分割準(zhǔn)確性和抑制噪聲的特點(diǎn)，但是在中心初始化方 面存在不足，另外其不能自適應(yīng)確定聚類數(shù)目，自適應(yīng)的評價(jià)分類數(shù)目是對聚類結(jié)果的重 要評價(jià)。目前，已有很多指標(biāo)，大致可分為三類：包含隸屬度的、包含隸屬度和數(shù)據(jù)的、基于 統(tǒng)計(jì)的。其中，劃分系數(shù)（PC)、劃分熵（PE)、XB指標(biāo)、I指標(biāo)等都是目前應(yīng)用非常廣泛的幾 種評價(jià)標(biāo)準(zhǔn)。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于針對上述現(xiàn)有技術(shù)中的缺陷，提供一種基于超像素的自適應(yīng)彩 色圖像分割方法，該分割方法能夠?qū)崿F(xiàn)自適應(yīng)圖像分割，分割結(jié)果精確，算法實(shí)現(xiàn)簡單。
[0005] 為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為，包括以下步驟：
[0006] 步驟一、輸入待分割的彩色圖像；
[0007] 步驟二、初始化線性采樣迭代聚類法SLIC的相關(guān)參數(shù)，對待分割的彩色圖像進(jìn)行 過分割操作，計(jì)算超像素并得到超像素中對應(yīng)每個(gè)像素的標(biāo)簽：segments ;
[0008] 步驟三、計(jì)算超像素的數(shù)目和特征，具體為，
[0009] 3a)將步驟二中得到的像素標(biāo)簽segments按照公式numSuperpixels = max (segments)+1，求得超像素的個(gè)數(shù)；3b)分別在圖像的R、G、B通道上計(jì)算每個(gè)超 像素的均值，構(gòu)成一個(gè)numSuperpixelsX3的特征矩陣，用以代表過分割圖像，記作： meanSpectral ；
[0010] 步驟四、初始化局部搜索的核模糊聚類算法LKFC有關(guān)參數(shù)，包括最大迭代次數(shù) max_iter、停止閾值min_iter、最小近鄰數(shù)k_nearest和高斯核函數(shù)中的參數(shù)delt ;
[0011] 步驟五、執(zhí)行局部搜索的核模糊聚類算法LKFC，具體為，
[0012] 5a)將步驟三得到的超像素的特征矩陣meanSpectral，通過非線性變換Ψ， 將輸入空間做低維到高維的變換；5b)若將meanSpectral分1類時(shí)，其聚類中心為 meanSpectral的均值，記作：center ;5c)計(jì)算meanSpectral中的第一個(gè)樣本點(diǎn)data(l)與 其他樣本點(diǎn)的距離，并按照距離升序排列，取出data (1)的k_neareSt個(gè)近鄰對象，并利用 該k_nearest個(gè)近鄰對象的均值來作為第二個(gè)聚類中心的初始值，與center組合完成LKFC 中求2分類時(shí)的中心初始化，并將用到的k_nearest個(gè)對象從原數(shù)據(jù)集中刪除，生成新的數(shù) 據(jù)集data_new，重復(fù)以上過程，直到data_new中的樣本點(diǎn)小于k_nearest ;5d)在步驟5c) 中，得到一系列不同情況下的2分類聚類中心和其對應(yīng)的隸屬度矩陣，通過核化指標(biāo)KI進(jìn) 行評價(jià)，找到最好的2分類的聚類中心V1和其對應(yīng)的隸屬矩陣u 1]:
其中，
K (X，y) = exp (_ I I x-y I 12/ 〇 2); 5e)用5d)中得到的2分類的聚類中心，重復(fù)步驟5c)計(jì)算3分類時(shí)的聚類中心，依此類推， 求得k分類的聚類中心和隸屬度；
[0013] 步驟六、用核化指標(biāo)KI對1，2，. ..，k不同分類進(jìn)行評價(jià)，其中KI最大值對應(yīng)的分 類數(shù)目k便是圖像的最佳分割數(shù)目c_opt，并保留其對應(yīng)的聚類中心v_opt和隸屬度矩陣 u_opt ;
[0014] 步驟七、利用步驟六得到的最佳分割數(shù)目c_opt、聚類中6v_opt和隸屬度矩陣u_ opt三項(xiàng)參數(shù)對原圖像中的像素點(diǎn)進(jìn)行標(biāo)記賦值，得到最終的分割結(jié)果。
[0015] 所述的線性采樣迭代聚類法SLIC計(jì)算超像素包括：初始化種子點(diǎn)，每個(gè)種子點(diǎn)的 距離近似為.5 = ，其中N為像素點(diǎn)個(gè)數(shù)，預(yù)分割的超像素?cái)?shù)目為K，每個(gè)超像素尺寸為 N/K〇
[0016] 所述的步驟5a)通過非線性變換Ψ將輸入空間做低維到高維的變換的具體操作 為：在高維空間F，歐式距離I |x_y| Γ被距離I |Ψ(χ)-Ψ(7) I I 2所替代，利用核函數(shù)K(x，y) =exp(_| |x_y I I2/ 〇 2)計(jì)算高維空間 F 中的內(nèi)積 Ψ (χ)τΨ (y)，因此，I I Ψ (χ)_Ψ (y) I I2 = K(x, x) +K(y, y) -2K(x, y) 〇
[0017] 所述的步驟5c)計(jì)算meanSpectral中的第一個(gè)樣本點(diǎn)data (I)與其他樣本點(diǎn)的 距離之前，先求k-Ι分類的聚類中心，并按距離升序排列，求data(l)的k_nearest個(gè)近鄰 對象的均值mean，將mean與k-Ι聚類中心組合，作為求解k分類聚類中心的初始值，最終求 得k分類的聚類中心。
[0018] 與現(xiàn)有技術(shù)相比，本發(fā)明具有如下的有益效果：本發(fā)明在圖像分割前，先對圖像做 過分割操作，將圖像劃分成具有相似特征的若干區(qū)域，由于超像素的數(shù)目遠(yuǎn)小于像素?cái)?shù)，因 此，相對以像素為單位進(jìn)行分割能大大降低算法的時(shí)間復(fù)雜度。本發(fā)明將超像素的均值特 征，做非線性變換，轉(zhuǎn)換到高維空間進(jìn)行聚類，針對在低維空間中不能線性劃分的數(shù)據(jù)，轉(zhuǎn) 換到高維空間后，就有可能被線性劃分，擴(kuò)大了算法的適用范圍。本發(fā)明在聚類過程中，用 k-Ι聚類中心與一個(gè)樣本點(diǎn)的k_nearest近鄰的均值進(jìn)行組合作為k聚類劃分的中心初始 值，循序漸進(jìn)的求解k劃分的最優(yōu)聚類中心，有效的解決了模糊聚類易陷入局部最優(yōu)的問 題。此外，本發(fā)明采用核化指標(biāo)KI對聚類進(jìn)行評價(jià)，KI的最大值對應(yīng)的聚類數(shù)目就是圖像 的最佳分割數(shù)目，繼而實(shí)現(xiàn)了圖像分割的自適應(yīng)，能夠在圖像處理中對目標(biāo)自動(dòng)分割和提 取。
【附圖說明】
[0019] 圖1本發(fā)明方法的整體流程圖；
[0020] 圖2本發(fā)明仿真實(shí)驗(yàn)中使用的PASCAL圖像分割結(jié)果對比圖：
[0021] 其中，圖2(a)為待分割彩色圖像；圖2(b)為待分割彩色圖像的過分割圖像；圖 2(c)為FCM在指定分類數(shù)目后的分割結(jié)果；圖2(d)為本發(fā)明自適應(yīng)的分割結(jié)果。
【具體實(shí)施方式】
[0022] 下面結(jié)合附圖對本發(fā)明做進(jìn)一步的詳細(xì)說明。
[0023] 參見圖1，本發(fā)明基于超像素的自適應(yīng)彩色圖像分割方法包括以下步驟：
[0024] 1.輸入待分割的RGB彩色圖像；
[0025] 2.初始化SLI