[发明专利]基于二次限制区域生长法的图像分割方法

说明书

本发明属于图像分割技术领域，具体涉及基于二次限制区域生长法的图像分割方法，包括：步骤1，将图像从RGB空间转化为Lab空间；步骤2，设置种子点数和阈值，抛洒种子点，使用限制区域生长法和阈值对图像做标记；步骤3，以光栅扫描顺序遍历全图进行二次限制区域生长，将未标记各点进行标记；步骤4，计算上2步所划分各超像素块的各维度均值；步骤5，设定预计的分类个数，使用基于隐马尔可夫模型、应用伊辛模型和高斯函数的模拟退火算法对步骤3得到的超像素结果进行合并，得到最终的分割结果。本发明图像分割方法，使用限制区域生长法，使各种子点在步长乘步长的图像范围内进行区域生长，减小了计算工作量，提高了运行速度。

技术领域

本发明属于图像分割技术领域，涉及数字图像的分割，具体涉及一种基于二次限制区域生长法的图像分割方法。

背景技术

图像分割的目的在于将图像中的所有像素划入各个具有实际含义的类别。精准的图像分割结果是物体识别、自动驾驶等技术的前提和基础。图像分割目前可分为传统的基于机器视觉的分割和基于神经网络的分割两类。

传统的机器视觉的分割算法有区域生长法、SLIC分割算法和马尔可夫随机场算法等等。区域生长法是一种比较常见且应用广泛的图像分割方法，其算法简单，但是并没有考虑图像像素间、图像内物体的局部关系，且其种子点的分配方法有所欠缺。近来不少研究人员提出了针对其的改进算法。缑水平等人(CN102622750A)提出的使用交互式方法确定种子点迭代进行区域生长的分割方法，具有速度较快、效果较好的优点，但是多次交互式确定种子点不具备自动化的优点。陈河军等人(CN104376551A)提出选用阈值计算确定种子点，能有效地划分区域，但是具有计算量过大的问题。Achanta等人的SLIC(Simple LinearIterative Clustering)方法限制了种子点的聚类区域，利用颜色和距离相似度进行分割，能对同质区域信息进行更好的利用，但是受限于固定种子点限制，易将不同的物体划分在同一区域内。P.德维尔(CN101169868A)提出的分割方法基于马尔可夫随机场，但其对像素级元素进行归类，对于尺寸较大的图像效率较低，并且其对噪声的控制能力较弱。

基于神经网络的图像分割是目前的研究重点，如Jonathan Long等人提出的FCN(Fully Convolutional Networks)算法可以获得相对准确的语义分割结果，但是需要预先使用大量图片进行训练，该算法对计算机的计算性能要求也高。

上述现有技术目前存在以下具体的缺陷，在分割算法中，对于种子点的挑选会导致所有不同类物体不能被预先分配的种子点所覆盖；对于同质区域空间关联性欠缺考虑会导致算法对于分割区域错分；算法基于像素点容易受图像存在的噪点影响，对图像分割结果缺乏把控；算法的运行对计算机的性能要求较高。

发明内容

本发明针对上述现有技术存在的不足，提出一种简单精确且工程易实现的图像分割方法，旨在解决区域生长的种子点分配与覆盖，像素空间关系利用，和分割效果在隐马尔可夫模型中易受噪声影响的问题。本发明融合了二次限制区域生长法、隐马尔可夫随机场、基于伊辛模型和高斯函数的模拟退火算法等技术，保证了分割边缘的精度，有利于算法的工程应用。

本发明要解决的技术问题通过以下技术方案实现：

包括以下步骤：

步骤1.将图像从RGB空间转换到Lab空间；

步骤2.对所述步骤1处理的图像进行第一次限制区域生长法生成初步的超像素块；

步骤3.对图像继续进行二次限制区域生长，完成对全图的超像素块划分；

步骤4.对全图超像素块的各维度进行均值计算并作记录；

子步骤4a.统计全图各超像素块内部所含的全部像素点各维度总值和像素点数量，以全部像素点各维度总值与像素点数量进行商运算，即得到超像素块各维度的均值，将其作为该超像素块的维度值；