[发明专利]基于模糊连接度的近邻传播聚类图像分割方法

说明书

本发明公开一种基于模糊连接度的近邻传播聚类图像分割方法，主要用于解决其他同类方法由于目标跨度较大而出现过分割、分割精度低的问题。其实现步骤为：(1)对图像进行超像素分割；(2)提取超像素的空间特征和密度特征；(3)根据超像素的空间特征计算邻近关系；(4)根据超像素的密度特征和邻近关系计算亲和关系；(5)根据亲和关系计算所有超像素间的模糊连接度；(6)根据模糊连接度和空间特征关系计算超像素间的相似度；(7)用近邻传播聚类完成超像素的聚类，并生成分割结果。本发明是一种全自动分割方法，分割的目标一致性好，分割精度高，解决了现有AP聚类图像分割方法偏向参数难确定的问题，对自然彩色图像有很好的分割能力。

技术领域

本发明属于图像处理领域，涉及图像分割方法，特别是涉及基于模糊连接度的近邻传播聚类图像分割方法，可用于自然彩色图像的自动分割。

背景技术

1996年Udupa提出了模糊连接度理论框架，并提出了阈值模糊连接度算法用于医学图像分割。此后，相对模糊连接度算法、迭代相对模糊连接度算法相继被提出。模糊连接度方法使用像素的空间位置特征计算邻近关系，使用灰度或颜色等其他特征以及邻近关系计算亲和关系，最后以模糊连接度来判定像素所属的目标，以一种新的方式将像素点的不同特征结合，鲁棒性非常好，在医学图像分割中取得了很好的效果。但模糊连接度方法大多是交互式的分割方法，需要人工选取种子点，而且主要应用于医学图像，在自然图像中的应用比较少。

近邻传播聚类(Affinity Propagation Clustering)是Frey等人2007年在期刊《science》上提出的一种较新的聚类算法。AP聚类和谱聚类一样，以数据点间的相似度作为输入。与传统的聚类方法相比，AP聚类不需要事先指定类中心和聚类数目，聚类精度高，稳定性好，很快成为了一个研究热点。已有学者对使用AP聚类的图像分割方法进行了初步研究。这些研究主要集中在多光谱图像的分割上，也有部分的医学图像和自然图像的分割。在这些研究的相似度计算方法中，大部分没有考虑像素的空间信息，或者使用将像素的空间相似性和密度相似性直接相乘的方法，不能充分发挥两种相似度的作用，分割精度低。

发明内容

本发明的目的是针对传统相似度计算方法中不能充分发挥空间特征和密度特征作用的不足，提出一种使用模糊连接度计算相似度的AP聚类图像分割方法，以改善分割效果。

实现本发明的技术关键是：先对图像使用超像素技术进行超像素分割，以减小数据量，在提取完超像素的空间特征和密度特征后，计算出超像素的亲和关系，使用遍历最大生成树的方法计算像素的模糊连接度，根据模糊连接度和空间距离计算超像素的相似度，以这种基于模糊连接度的相似度代替传统的相似度计算方法。具体实现步骤如下：

(1)超像素预分割步骤：

(1a)设置超像素数目，使用Normalized Cut超像素技术对图像进行超像素分割。

(1b)对每一个超像素，提取其空间特征和密度特征。

(2)基于模糊连接度的相似度计算步骤：

(2a)计算超像素空间特征的欧氏距离矩阵dist。

(2b)设置邻域半径radius。

(2c)根据超像素的空间特征计算邻近关系矩阵adj。

(2d)根据超像素的密度特征和邻近关系计算亲和关系矩阵aff。

(2e)根据超像素的亲和关系计算模糊连接度矩阵M。

(2f)以超像素间的模糊连接度与归一化后的空间距离相似度的加权和作为最终的相似度，得到最终的相似度矩阵S。

(3)AP聚类步骤：

(3a)调用AP聚类算法对超像素进行聚类。