[发明专利]基于像素间相似性的彩色图像超像素分割方法

说明书

本发明公开了一种基于像素间相似性的彩色图像超像素分割方法，该方法包括以下步骤：首先对待分割图像进行初始聚类，然后基于初始聚类确定种子点，并判断是否需要新增种子点，如果需要则完成种子点的增加；根据初始聚类和种子点的标记生成初始的超像素；对于未被标记的像素点，利用定义的能量函数计算种子点与其搜索范围内像素的能量，选取能量最小的种子点的超像素标记作为未标记像素的超像素标记，最后将满足阈值条件的孤立像素和孤立的很小的超像素合并到与它最相似的邻域超像素中直到当前的超像素个数达到期望的个数，实现图像的超像素分割。本发明的方法可以取得理想的图像分割效果，并在图像平坦区域提供更高的规则性，提高了图像分割的质量和分割效果。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于像素间相似性的彩色图像超像素分割方法。

背景技术

图像是人类从客观世界获取信息的重要来源和传递信息的重要媒介，随着计算机、互联网等技术的发展，数字图像处理技术在工业、医疗、交通等行业中扮演者越来越重要的角色。

超像素分割就是在待分割的图像上产生像素的原子区域(即“超像素”)，与传统的图像刚性像素表示不同，超像素提供了视觉上有意义的实体，可用作图像处理和计算机视觉任务的原子单元。使用超像素代替刚性像素表示图像能使后续处理的计算成本降低。超像素分割的一些典型应用包括图像分割，对象识别，对象跟踪，图像解析，3D重建，深度预测和显着物体检测。

2010年Achanta等人成功的提出了一种简单线性迭代聚类(simple lineariterative clustering,SLIC)生成超像素的方法，SLIC在边界召回、速度等很多方面都有不错的表现。对于CIELAB空间中的彩色图像，首先初始化种子点，设定希望生成超像素的个数K,即初始聚类中心的个数。则整幅图像被划分为K个规则的网格空间,为了使生成超像素块大小相对均匀，网格的间距为其中N为图像中像素点的总个数。为了避免种子点处在图像的边缘上或噪声点上的，在以种子点为中心像素的3*3邻域内进行梯度计算，将种子点C_i＝[l_i,a_i,b_i,x_i,y_i]^T移到3*3邻域内梯度值最小的位置。与k-means聚类方法不同，SLIC算法将聚类中心点周围2S*2S的范围作为一个聚类搜索邻域进行迭代聚类，而不是将整张图像作为聚类搜索范围，计算图像中每个像素点与聚类中心的距离。这样不仅能够降低距离计算的计算量，同时还确保了SLIC的算法复杂度与超像素的个数无关如图2。

在搜索范围内计算邻域中所有像素点i到种子点C_i的距离,最终像素点i将归属于与其距离最近的聚类中心点，迭代聚类的过程中聚类中心点将会被不断更新，通过计算聚类簇中像素点的均值向量[l,a,b,x,y]^T作为新的聚类中心。迭代后聚类中心点与前一个聚类中心点之间的L₂范式被定义为两点间的残差E，当残差值E收敛时更新迭代的过程将终止。最后将图像中孤立的像素点分配至最近的超像素块，完成超像素分割。

SLIC算法中，像素点到聚类中心点的距离度量D_s被定义为一个在CIELAB颜色空间和XY坐标下的5维空间的距离，如下所示：

其中，d_lab表示像素点与聚类中心在CIELAB色彩空间的距离,d_xy表示像素点与聚类中心点在空间距离，m用来平衡颜色相似性与空间距离相似性间。