[发明专利]一种基于多特征的超像素聚类方法及设备

说明书

本发明提供一种基于多特征的超像素聚类方法及设备，方法融合图像的边界特征和纹理特征，结合图像的多种特征实现超像素分割。通过聚类阶段和合并阶段。在聚类阶段，通过衡量像素之间的相似性判定像素的归属，聚类得到预分割超像素；聚类阶段的相似性度量从像素的颜色特征和空间位置特征入手，添加边界特征因子来调和位于边界邻近区域的像素点间的相似程度。过程得到的超像素边缘紧密贴合，但是分割过于细致，因而需要对其进一步修正。在合并阶段，将根据超像素内容的独特性衡量超像素之间的相似程度，将零散的超像素聚合得到最终超像素。本发明与现有方法相比，在保持超像素边界和图像中物体边界贴合方面表现出更高的性能。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于多特征的超像素聚类方法及设备。

背景技术

聚类算法又称群分析，是研究样品或指标分类问题的一种统计分析方式，同时也是数据挖掘的一个重要算法。聚类算法是由若干模式组成的，通常，模式是一个度量的向量，或者是多为空间中的一个点。

而在图像处理的技术领域中，聚类算法在度量像素的相似性时往往只依据色彩距离和空间距离，因此生成的超像素普遍存在边缘贴合度不高，图像边界区域的分割质量较低，无法满足使用需要。

发明内容

为了克服上述现有技术中的不足，本发明提供一种基于多特征的超像素聚类方法，在相似性度量准则中引入边界及纹理特征指导超像素分割，以改善超像素的目标分割遗漏现象，同时提高边缘贴合度。

方法包括：

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梯度值G(x)；

步骤4：将像素梯度值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)；

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)；

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)；

步骤7：获取像素点x和超像素种子点l之间的相似性度量，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；

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；

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，得到超像素的纹理特征 dist_t(sp_i,sp_j)；