[发明专利]一种基于多特征的超像素聚类方法及设备

权利要求书

1.一种基于多特征的超像素聚类方法，其特征在于，方法包括：

检测边界特征因子；

通过检测像素落在边界的概率得到边界特征因子，如下：

w(x)＝α+w_ζ(x) (1.2)

其中，常数α是边界特征因子的最低影响系数，且α∈[0.5,1]；w_ζ(x)是像素点x落在边界的概率；

当w(x)值较大时，像素处于图像边界的概率越大，像素之间的相似度倾向于颜色的相似性，边界更加贴合；

当w(x)值较小时，像素处于平坦区域，像素之间的相似度倾向于空间距离，产生规整大小的超像素；

步骤1：输入图像，配置预期的超像素个数K；

步骤2：以正六边形的形式初始化K个种子点，并将其移动到3×3邻域内具有最小梯度的位置，作为聚类中心；

步骤3：计算每个像素点对应的平均梯度值G(x)；

步骤4：将平均梯度值G(x)归一化得到每个像素点的边界概率w_ζ(x)，得出每个像素点的边界特征因子w(x)；

以梯度值的平均值作为判断像素边界的依据；

根据公式(1.3)，算出像素点在3×3区域内的平均梯度值G(x)；

把G(x)归一化压缩估计出像素点x落在边界的概率；

根据三角函数归一化方法，将G(x)压缩到区间[0,1]内，得到的w_ζ(x)如公式(1.4)；

其中，g(x_i)为像素点x_i的梯度值，R^ζ(x)代表以像素x为中心的ζ×ζ邻域内的所有像素，ζ取值为3；G(x)_max和G(x)_min分别为梯度的最大值和最小值；

参数ξ用来区分边界和弱边界，使得像素边界概率w_ζ(x)在G(x)较小时变化幅度较小，同时在弱边界放大预设量，放大预设量取梯度的最大值和最小值之间的3/4处；

步骤5：将图像的颜色表示转换为CLELAB空间，建立五维向量p(x,y,L,a,b)；

将图像的颜色映射到CLELAB颜色空间中，根据预设模型的颜色分量计算像素间颜色的相似程度，控制同一超像素内的像素颜色差在预设范围内，颜色特征距定义如下：

其中L_x，A_x，B_x是像素点x对应的L，a，b值，L_l，A_l，B_l是种子点l对应的各分量值；

λ₁是常数，当像素点x和种子点l颜色相差越小时，d_lab(x,l)值越小；

步骤6：根据向量的前两维，计算像素点x与周围种子点l的空间特征距d_xy(x,l)；

根据向量的后三维，计算像素点x与周围种子点l的颜色特征距d_lab(x,l)；

基于欧几里得距离定义一个空间特征距来控制超像素的紧凑性，公式如下：

其中，λ₂是常数，(x_x,y_x)和(x_l,y_l)分别是像素点x和种子点l在XY平面的坐标；

当像素点x和种子点l颜色位置坐标越近时，d_xy(x,l)值越小；

步骤7：获取像素点x和种子点l之间的相似度，根据步骤4和步骤6，计算图像中像素点x与周围种子点l的相似度D(x,l)，取D(x,l)_min对应的种子点为像素点x的类别标记；

获取像素点x和种子点l之间的相似度，由公式(1.1)求得：

D(x,l)＝w(x)·d_lab(x,l)+d_xy(x,l) (1.1)

其中，w(x)是边界特征因子，d_lab(x,l)和d_xy(x,l)分别是颜色特征距和空间特征距；

通过计算像素和像素周围超像素种子点的相似度，选择最小目标函数对应的超像素标记作为该像素点的标记；

如像素被分配到超像素标签，所述超像素标签的超像素集合的种子中心和颜色特征将更新为新集合的质心位置和颜色均值；

聚类阶段将在像素间迭代计算相似度，得到超像素预分割结果；

步骤8：将聚类中心的坐标、颜色更新为超像素的质心和颜色均值；

步骤9：重复步骤7和步骤8，直至超像素达到收敛，得到预分割超像素；

步骤10：建立图像对应的特征值灰度共生矩阵；

步骤11：从灰度共生矩阵中提取能量、对比度、熵、相关度四个特征，得到每个点的纹理特征；

合并阶段涉及的纹理特征距：

合并阶段引入的纹理特征是通过灰度共生矩阵提取到的；

灰度共生矩阵GLCM反映图像灰度在相邻方向、相邻间隔、变化幅度综合信息，从中导出四个统计信息作为局部区域的纹理表征，包括能量、对比度、相关度和熵；

能量度量的是图像纹理的灰度变化，反映出灰度分布的均匀程度以及纹理的粗细程度；

对比度提取出GLCM的局部变化，反映了图像的清晰程度以及沟纹的深浅；相关度测量了指定像素对的发生率，在行或列方向上的相似程度，反映了图像局部灰度相关性；熵体现了图像纹理的随机性；

特征提取的具体计算公式为：

①能量：ASM＝∑_i∑_jT(i，j)²

②对比度：CON＝∑_i∑_j(i-j)²T(i，j)

③相关度：CORRLN＝(∑_i∑_j((i，j)T(i，j))-μ_xμ_y)/δ_xδ_y

④熵：ENG＝-∑_i∑_jT(i，j)log T(i，j)

其中，μ_x＝∑_ii∑_jT(i，j)，μ_y＝∑_jj∑_iT(i，j)，δ_x＝∑_i(iμ_x)²∑_jT(i，j)，δ_y＝∑_j(jμ_y)²∑_iT(i，j)，T(i，j)是GLCM矩阵中位置(i，j)处元素的值；

GLCM函数通过计算像素对概率确定特征值；

将图像转换成灰度图，采用5×5滑动窗口扫描灰度图，以两相邻像素距离为1作为步长，并且以0°、45°、90°、135°四个方向的特征平均值作为最终特征值存储到GLCM矩阵；

步骤12：自图像左上角开始遍历超像素，按照自左向右、自上而下的顺序给所有预分割超像素编号；

步骤13：每个超像素包含的像素个数并找出的超像素sp_m；

步骤14：以像素的颜色均值作为超像素的颜色特征，超像素的质心为超像素的空间特征，并衡量超像素纹理相似度，得到超像素纹理相似度dist_t(sp_i，sp_j)；

将图像灰度图的灰度级压缩到8，通过计算出每个像素相应的统计特征值，生成8×8大小的特征值矩阵；

纹理特征作为判定零散超像素是否相似的特征；衡量超像素纹理相似度的公式为：

其中，dist_t(sp_i,sp_j)是超像素sp_i和超像素sp_j之间的超像素纹理相似度，和为超像素sp_i和超像素sp_j的灰度均值，和分别表示超像素sp_i和超像素sp_j的平均能量特征，和分别表示超像素sp_i和超像素sp_j的平均对比度特征，和分别表示超像素sp_i和超像素sp_j的平均相关度特征，和分别表示超像素sp_i和超像素sp_j的熵特征平均值；

步骤15：定义包含颜色特征项、空间特征距和超像素纹理相似度的相似性函数，以衡量合并的超像素和其邻近的超像素之间的相似性，计算超像素sp_m与其周围超像素的相似度D(sp_m,sp_i)，取D(sp_m,sp_i)_min对应的超像素类别为超像素sp_m的新标记；

定义包含颜色特征项、空间特征距和超像素纹理相似度的相似性函数，以衡量合并的超像素sp_i和其邻近的超像素sp_j之间的相似性，度量准则如公式(1.7)所示：

D(sp_i,sp_j)＝dist_lab(sp_i,sp_j)+dist_xy(sp_i,sp_j)+β·dist_t(sp_i,sp_j) (1.7)

其中，dist_lab(sp_i,sp_j)是超像素sp_i和sp_j之间的颜色特征，dist_xy(sp_i,sp_j)是超像素sp_i和sp_j之间的空间特征距，dist_t(sp_i,sp_j)是超像素sp_i和sp_j之间的超像素纹理相似度，常数β用来衡量三个特征距离在超像素间相似度的比重；目标函数D(sp_i,sp_j)的值愈小，则表明两个超像素的相似程度越高，合并的可能性越大；

公式(1.9)和(1.10)分别是颜色特征及空间特征距的计算方式：

其中，是超像素sp_i在CIELab空间的颜色平均，表示超像素sp_i的质心在XY空间的横、纵坐标；

通过计算零散孤立和小的超像素分别与周围超像素的相似程度，找到与零散孤立或小的超像素最相似的超像素，并将其标记更新，合并入最小目标函数对应的超像素集合；

合并后打通了不连接的超像素，保证输出分割结果目标的完整性；

步骤16：重复步骤15，直至所有新超像素包含的像素数量都大于阈值φ_n，即可输出合并后的超像素分割图。

2.一种实现基于多特征的超像素聚类方法的设备，其特征在于，包括：

存储器，用于存储计算机程序及基于多特征的超像素聚类方法；

处理器，用于执行所述计算机程序及基于多特征的超像素聚类方法，以实现如权利要求1基于多特征的超像素聚类方法的步骤。