[发明专利]一种图像分割处理方法

说明书

本发明公开了一种图像分割处理方法，涉及图像处理技术领域。该方法包括以下步骤：S1、输入待处理图像；S2、将所述待处理图像进行均值漂移算法滤波处理，输出所述待处理图像的类别数以及聚类中心；S3、将所述类别数以及聚类中心作为FCM算法的初始值，计算得到所述待处理图像的聚类结果；S4、根据所述聚类结果对所述待处理图像进行二值化，以得到分割后的图像。本发明技术方案通过将均值漂移算法引入到FCM算法中，通过均值漂移算法抑制待处理图像中海面噪声对聚类算法的影响，降低了待处理图像的复杂度，使得分割图片更准确；同时，使用均值漂移算法的聚类结果为FCM算法的初始化，克服了FCM算法对参数的依赖性、并且大大提高了FCM算法的运算速度。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种图像分割处理方法。

背景技术

无人船作为一种海上自主智能装备，近年来逐渐被应用在海事任务中，这其中海事自主救助船成为了一种发展趋势。无人船进行自主救助的关键在于对目标的快速准确识别。目标物的原始图像来自于船载图像采集设备，由于户外条件下的成像效果受光照的影响较大，且海面具有波动性和镜面效果，因此现场图像噪声大，在目标物的提取上具有较大的难度。同时无人船在搜救的目标识别对效率的要求较高，因此需要算法具有较快的速度。

图像分割作为后续图像操作的基础，其准确度会很大程度上影响整个视觉算法的有效性。由于图像中信息的复杂度较高，很难严格的为像素点选择类别，因此，使用模糊聚类算法进行图像分割成为了该领域的研究热点。模糊C均值算法(Fuzzy C-Means，FCM)是一种基于目标函数的聚类算法，该算法具有人工参与度低的特点，能够实现对图像的自动化分割，因此应用十分广泛。

目前的FCM算法在图像分割上存在着图像分割速度慢、分割效果对噪声敏感度高等问题。为了解决这些问题，通过在传统的FCM算法上进行改进，将局部空间信息与灰度信息融合，对FCM算法进行改进，从而降低其对噪声的敏感度；或通过引入一种新的隶属度约束函数，改变了原有目标函数，增强FCM算法的鲁棒性等。这些算法在一定程度上提高了FCM算法在图像分割上的准确度，但也提高了算法的复杂度，因此无法兼顾计算效率，使得其难以应用于实际工业场景。

发明内容

本发明的主要目的在于提供一种图像分割处理方法，旨在提高图像分割准确度和提高计算效率。

为实现上述目的，本发明提供一种图像分割处理方法，包括以下步骤：

S1、输入待处理图像；

S2、将所述待处理图像进行均值漂移算法滤波处理，输出所述待处理图像的类别数以及聚类中心；

S3、将所述类别数以及聚类中心作为FCM算法的初始值，计算得到所述待处理图像的聚类结果；

S4、根据所述聚类结果对所述待处理图像进行二值化，以得到分割后的图像。

优选地，所述将所述待处理图像进行均值漂移算法滤波处理还包括：

S21、初始化所述均值漂移算法参数；

S22、选择所述待处理图像中待处理无类属像素点作为初始聚类中心像素点；

S23、根据所述初始聚类中心像素点进行迭代计算，以得到迭代后的聚类中心像素点；

S24、判断当前聚类中心像素点的值是否小于预设阈值，若当前聚类中心像素点的值小于预设阈值，则将以预设半径的圆内的像素点标记为以该当前聚类中心像素点为聚类中心的类别；若当前聚类中心的值大于所述预设阈值，则返回步骤S23继续进行迭代计算；

S25、判断所述待处理图像的像素点是否处理完成，若未处理完成，则返回步骤S22；若所述待处理图像的像素点处理完成，则结束迭代计算；