[发明专利]一种在Lab空间实现的结合K均值聚类和区域生长的彩色图像分割方法

说明书

本发明提供一种在Lab空间实现的结合K均值聚类和区域生长的彩色图像分割方法，包括：输入待分割的彩色图像；将彩色图像从RGB彩色空间先转换到XYZ空间，再转换到Lab彩色空间；运用形态学算子对图像进行平滑滤波；采用K均值聚类算法对图像进行初始分割，结合图像空间位置信息，进一步提出一种新的区域间的相似性度量方法，一句此方法进行区域合并，并通过颜色散度变化来控制区域合并停止，最终完成彩色图像分割。本发明利用了通过结合不同的图像分割算法，可以有效地提高图像分割的效果。

技术领域

本发明属于图像处理领域，涉及一种实现彩色图像分割的方法，具体来说就是一种在Lab空间实现的结合K均值聚类和区域生长的彩色图像分割方法。

背景技术

所谓图像分割是指根据灰度、颜色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同。简单地讲，就是在一幅图像中，把目标从背景中分离出来，以便于进一步处理。图像分割是从图像处理到图像分析的关键步骤，是图像处理技术中最底层、最关键的技术，图像分割的质量直接影响图像高层的处理。从二十世纪七十年代起，越来越多的国内外学者致力于图像分割算法的研究，但由于图像特征的复杂性与多样性，图像分割算法至今没有一个统一的标准，相应的也没有一个通用的性能评价准则。目前图像分割的算法有很多种，主要基于边缘、阈值、区域等思想，都存在一定的优势和弊端。国内外学者对图像分割算法的研究和改进也一直是图像分析领域的一个基础和热门课题。

发明内容

本发明所要解决的问题是针对现有技术分割精确性差的缺点，提出了一种在Lab空间实现的结合K均值聚类和区域生长的彩色图像分割方法，原彩色图像是以RGB格式存储的，但这三个分量是高度相关的，适合于显示系统，但不适合图像分割和分析，所以本发明提出了将原彩色图像转换到Lab空间上进行分割，并采用传统的K均值聚类方法，因为它是一种无监督的统计方法，具有直观易于实现的特点。由于K均值聚类算法对图像的分割只用了图像的颜色信息，得到的是初始分割的结果，而图像的空间位置之间仍然存在很多相似性，在这里提出了一种新的区域间的相似性度量方法，进而进行区域合并，通过颜色散度变化控制区域合并停止，完成最终的分割结果。

本发明提供一种基于Lab空间的K均值聚类的彩色图像分割方法，包括如下步骤：

(1)输入待分割的彩色图像；

(2)将彩色图像从RGB彩色空间转换到Lab彩色空间；

(3)运用形态学算子对图像进行平滑滤波；

(4)采用K均值聚类算法对图像各像素点进行聚类，得到初始分割；

(5)结合图像空间位置信息，提出一种新的区域间的相似性度量方法，进行区域合并，并通过颜色散度变化控制区域合并停止，最终完成彩色图像分割。

在步骤(2)所述的将彩色图像从RGB彩色空间转换到Lab彩色空间，其具体实现过程是首先将RGB空间先转换到XYZ空间，再转换到Lab空间，如下式：

其中，X_n＝0.96047，Y_n＝1.0，Z_n＝1.08883。因此可以提取到图像中Lab空间中各个分量的像素值。

在步骤(3)所述的运用形态学算子对图像进行平滑滤波，先进行膨胀后腐蚀的闭操作，弥合较窄的间断和细长的沟壑，消除小的空洞，改善图像质量。