[发明专利]N维特征空间连通性计算方法

说明书

技术领域

本发明涉及N维特征空间连通性计算方法，尤其是一种在图像处理中利用图像特征值进行图像分割的技术。

背景技术

将特征空间视为空域和值域点的集合，空间上相连值相等的点归在一起形成连通区。

常用的连通性计算方法有：1)用无向图邻接矩阵做高次乘法来实现；2)直接邻域跟踪。但是，方法一不仅计算量大，而且无法判断图像可以分为几个连通区及每个连通区点的坐标，方法二常常因为需要递归计算，单机计算资源需求巨大。

发明内容

鉴于以上内容，有必要提出在云计算平台上可以输出连通区的个数及每个连通区内点的坐标集合的连通性计算方法。

一种N维特征空间连通性的计算方法，使用“数据提升、建标签阵、数据分块、分块跟踪、标签提升、块间合并、输出集合”的步骤完成特征空间连通性在云计算平台的计算。

本发明所提供的连通性计算方法可以将特征空间分割成不同的连通区，并根据分割结果输出连通区的个数及每个连通区内点的坐标集合。

附图说明

图1为本发明优选实施方式下在图像分割技术中进行连通性计算的方法流程图。

具体实施方式

本发明所提供的连通性计算方法将特征空间分割成不同的连通区，并根据分割结果输出连通区的个数及每个连通区内点的坐标集合，可应用在2D/3D图像分割、目标提取及目标识别中，用于判断任意两点间的连通性；计算连通区域面积、及区域密度估计概率；进行数据分类(类数、中心)、数据筛选、数据压缩(构造边界矢量完成数据压缩)；网络邻域发现；防火墙漏洞检测；及灾害预报、水利防护或城市规划中。

为使本发明易于理解，结合图1，本案以在图像处理中利用图像特征值进行图像分割的技术为例，以图像特征矩阵为基础描述，方法可推广到对N维特征空间进行连通性的计算。

图1为本发明优选实施方式下进行连通性计算的方法流程图。

步骤S11中，从外部接收一图像，将其从RGB转换到CIE-Luv空间，以10为单位量化L/u/v，量化后以sqrt(L²+u²+v²)为特征值形成特征矩阵a，此处sqrt表示开平根。

步骤S 12中，扫描矩阵a，并比较矩阵a中的最大值(MAX)与最小值(MIN)，如果二者相等(MAX＝MIN)，则矩阵a中所有值相同，是全连通矩阵，无需计算；否则，对所有值同减(MIN-1)，以保证所有数据大于0，用于在跟踪算法中记录位置信息。

步骤S13中，创建与矩阵a行列数相同的标签矩阵b，矩阵b的初始值均为0，以记录跟踪结果。

步骤S14中，将矩阵a分成若干行列数相同的小块，块大小无强制要求，推荐128x128，256x256，512x512。将矩阵a分块可以降低块内连通跟踪的复杂性，减少计算资源需求，提高块内搜索的速度，是分布到不同计算机上进行连通性跟踪计算及标签提升的基础。

步骤S15中，藉由一预设的跟踪算法将该若干小块中的每一小块分别送入不同的处理器进行运算，其中，每一小块运算后的结果分别存入该标签矩阵b中的相应位置，从而使每一小块内的不同连通区对应不同的标签值。常见的预设的跟踪算法为二维8邻域跟踪或三维26邻域跟踪等。如果某一点被跟踪过，将其值翻转，即如原值为x，跟踪过后，则变成-x，其目的是避免重复跟踪。经过跟踪后，标签矩阵b中每一小块内不同连通区的标签值不同，但标签矩阵b中不同小块间的标签值可能重复。

步骤S16中，藉由一预设的标签提升算法使该标签矩阵b中的每一个标签值无重复。其中，该标签提升算法包括分块提升及整体提升两个部分。分块提升为：比较每一小块经运算后的若干标签值中的最大标签值(A)与最小标签值(a)，将每一小块中的全部标签值减去(a-1)。整体提升为：从第二小块开始，每一小块中的标签值都加上前一小块的最大标签值，直到最后一块。标签提升的目的就是确保全部标签值整体无重复。

步骤S17中，进行合并及连通。其中，合并包括行合并及列合并两种。行合并为：检测左右相邻块间的边界点在该标签矩阵b中的位置，并判断在矩阵a中相同位置上特征值是否相等；若相等，则用左块的标签值替换右块的标签值。列合并为：检测上下相邻块间的边界点在该标签矩阵b中的位置，并判断在矩阵a中相同位置上特征值是否相等；若相等，则用上块的标签值替换下块的标签值。将替换后标签值相等的区域进行连通，即标签值相等的点归在一起则形成连通区。