[发明专利]一种结合均值漂移的谱聚类图像分割方法

说明书

技术领域

本发明涉及的是一种数字图像处理技术，是一种图像分割方法。

背景技术

图像处理中，图像分割为目标识别与特征提取提供输入数据，分割结果的优劣将直接影响特征提取与目标识别的可靠性与准确性。水声图像处理中，目标区域由于在图像中不占主体优势，极易在分割过程中被背景淹没。水声图像的准确分割，成为影响水下智能作业的关键因素，是水声图像智能识别技术的一个研究热点。

谱聚类分割技术是一种以谱图理论为基础，谋求数据集最优划分的一种聚类分析方法，将数据的非线性聚类问题转换为图的最优划分问题。作为一种新颖的数据聚类理论，谱聚类有着比传统聚类方法更好的性能，在图像分割领域表现更为优越。2002年由Ng、Jordan、Weiss提出^[1]的NJM算法，是一种多路划分的基于标准割的谱聚类方法，在图像分割领域应用很广。然而传统的NJM算法需要计算像独立素点间的相似性，当图像规模很大时，计算相似性矩阵和求解相应的特征值和求解相应的特征值和特征向量是分厂困难。为了使谱聚类算法应用于大规模数据集中，采用一种多阶段的分割方法，将谱聚类的分析对象转化为小区域，降低相似矩阵的规模，提高计算效率。

小面积区域的获取，即通过一定的准则将图像划分为多个不相交的区域。小区域的分割精度直接影响最终谱聚类的结果。均值漂移算法^[2]能够有利的保护低质量图像中的微弱有效信息，在水声图像分割中有实用价值。本发明将两者结合，构造适用于水声图像的二级谱聚类分割算法。

与本发明相关的参考文献包括：

[1]Ng A.,Jordan M,Weiss Y.On Spectral Clustering：Analysis and An Algorithm.In Advances in Neural Information Processing Systems,2001:849-856.

[2]Cheng Yizong.Mean-shift,mode seeking,and clustering[J].IEEE Trans on Pattern Analysis and Machine Intelligence,1995,17(8):790-799.

发明内容

本发明的目的在于提供一种对于低质量的水声图像有较好的分割效果的基于均值漂移的二级谱聚类图像分割方法

本发明的目的是这样实现的：

本发明的基于均值漂移的二级谱聚类分割的方法具体包括如下步骤：

1.对原始图像进行增强去噪；

2.对图像进行像素点特征提取，至少选取一类特征；

3.基于像素的特征向量，选取合适尺寸的活动窗口，对图像进行均值漂移分割，标记分割区域；

4.计算个标记区域的区域特征，再结合区域间的空间特征和梯度特征，选择合适的尺度参数，构建谱聚类的相似度矩阵；

5.选择合适的分类数目，进行谱聚类分析，得到新的标记矩阵；

6.用新的标记矩阵更新旧的标记矩阵，得到水声图像的完整分割，标记矩阵反映分割区域分布。

本发明主要涉及均值漂移理论和谱聚类分析理论。利用均值漂移的梯度上升搜索特性，选择漂移特征，设定特征阈值和图像区域内的搜索范围，对水声图像进行漂移标记，得到预分割区域；利用谱聚类分析理论，将预分割的小区域看多图中的顶点，各区域的相似关系看做边，将小区域的分类问题转化为图划分，构造合适的相似度矩阵，选择划分准则，将完整图分解为不相交的子图，完成分割。

附图说明

图1为原图像预处理的结果。

图2为均值漂移后的区域分割结果。

图3为最终的水声图像分割结果。

图4为该发明方法的整体流程框图。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

1.对原始图像进行预处理，目的是对比度增强和滤波去噪，用到的手段有灰度级指数变换和形态学重构，得到图1。

2.对增强后的图像进行像素点特征提取，选择灰度值为漂移特征；

3.基于图像的灰度特征，选择合适尺寸的漂移窗口，进行上升梯度搜索，实现均值漂移。

均值漂移的实现：利用迭代的方法，实现全图像区域的漂移标记分割。

为获得分割精度和计算效率上的平衡，选择7×7的漂移窗口，特征的阈值则选为10。