[发明专利]一种基于超像素聚类的图像分割方法

说明书

技术领域

本发明涉及目标检测和轮廓检测技术，具体地说，给出了一种基于超像素聚类的图像分割方法。

背景技术

超像素，一般是一些具有相近特性(如颜色、空间位置)的像素点的集合。超像素在图像分割领域及目标识别领域被广泛的使用。与传统的像素级别相比，超像素能够简化原始图片，提高表征图像的效率。在执行目标识别任务时，使用超像素处理图像更加方便高效，可以大幅度简化任务，形成对图像更简洁的表征。

目标图像分割效果的好坏，对计算机视觉识别率有重大的影响。目前，图像分割的算法有很多，但现已提出的分割方法大都针对某一具体问题，没有普遍的适用性。而自然场景图片变化莫测，所以大部分分割算法的泛化能力并不强。自低向上图像分割框架的分割结果与人类视觉感知结果较为一致，虽然此框架已经过几十年的研究，但它仍没有达到特别满意的结果。现存效果较好的分割方法大多不能做到实时，因此想要达到实时的识别就更为困难。所以研究出一个高速且效果满意的分割图像方法，仍然是一项具有挑战性的工作。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，而提供一种超像素聚类的图像分割方法。该方法具有强适应性且可实时运行，对后续的目标识别工作，有很好的辅助作用。为解决上述技术问题，本发明采用的技术方案是：

一种基于超像素聚类的图像分割方法，其特征在于：包括以下步骤：

步骤1、使用SLIC超像素算法对图像过分割得到超像素，并提取超像素的色彩特征和纹理特征；

步骤2、基于步骤1所提取的超像素的色彩特征和纹理特征构建超像素间的相似性矩阵：所述相似性矩阵的上三角部分为色彩特征，为公式(1)；下三角部分为纹理特征，为公式(2)；对角线元素为公式(3)：

s(i,k)＝-[w_L(L_i-L_k)²+w_a(a_i-a_k)²+w_b(b_i-b_k)²]，i＞k(1)

s(i,k)＝-w_LBP(histc_i-histc_k)²，i＜k(2)

s(i,i)＝colorradius·mean(s')(3)

步骤3、基于步骤2所构建的相似性矩阵通过AP算法对超像素进行聚类：以步骤2中生成的相似性矩阵作为超像素间关系的表征，并作为AP算法的输入数据，利用AP算法对超像素进行聚类；

步骤4、根据超像素是否相邻的空间关系，通过关于超像素的图的广度优先遍历，将不连通的区域划分为不同类别的超像素组。

所述步骤1的具体方法是：对每个超像素分别在CIELAB颜色空间中提取色彩特征，纹理特征采用局LBP算法。

所述的图像为自然彩色图像、医学彩色图像、人工合成彩色图像。

所述步骤4具体包括如下步骤：

步骤41：通过查找超像素邻接表将相同类别标签的超像素标记，并定义自己与自己是邻近的；

步骤42：从第一个超像素开始，检测步骤41中标记过的超像素，利用广度优先遍历其他超像素，遍历后标记当前超像素，使得每个超像素只能被遍历一次；

步骤43：检测其他相同类别的超像素是否都被遍历标记，如果存在未被遍历标记的相同类别的超像素，则产生新的类别标签，刚刚被遍历标记的那些超像素的类别标签序号在之前总类数加一，否则类别标签不变。

本发明方法利用SLIC算法将图像进行过分割，得到超像素，然后提取超像素的颜色及纹理特征，利用非对称相似性矩阵将两种特征有效融合，接下来使用AP聚类算法对超像素聚类，最后通过超像素之间的邻接关系，将不连通的区域划分为不同的类别。

与现有技术相比，本发明中提出的方法有如下优势：

(1)可以产生一个较为合适聚类中心数目，不需要预先设定分割目标的数量，作为一个无监督的分割方法，对参数的依赖性小；

(2)适应性强，对大部分彩色图像都可以使用，目标边界的贴合性好，与人类视觉感知接近；

(3)在常见边界评价标准和区域评价标准下都有良好的评测结果；

(4)分割速度快，可以达到实时，对后续图像识别的辅助作用效果显著。

附图说明

图1为本发明的流程图。