[发明专利]一种基于图像颜色和密度特征的超像素分割方法

说明书

本发明提供了一种基于图像颜色和密度特征的超像素分割方法，首先对图像进行RGB到CIELAB色空间的转换，再对像素进行聚类与合并处理。聚类参考了像素的颜色和密度值，然后进行超像素的合并处理，包括合并弱边界处的小超像素和颜色纹理属性相似的的超像素，得到了具有边界贴合度与规则度良好的超像素分割图像。本发明为了提高像素分割目标边界的贴合度、块规则度，也提供了一种观察分割图像的方法；通过去除分割图像的干扰颜色信息，保留图像纹理特征，可以直观的观察图像的分割质量，也加便于对图像进行评价。本发明可实现较好的分割效果，尤其是在目标物的弱边界处具有较好的边界贴合度，提高了图像的分割质量与效果。

技术领域

本发明涉及数字图像处理技术领域，具体涉及一种基于图像的颜色及密度特征的超像素分割算法开发。

背景技术

图像分割是计算机视觉领域的重要问题，图像分割目的是为了简化或者改变图像的表示，以便后续的图像分析与处理。经过几十年的研究与发展，大量的图像分割算法相继被提出，但是至今还没有找到一种通用的图像分割算法，不同的图像分割算法分别适用于其特定的应用场景。超像素分割是图像分割研究中的一个热点问题，它根据图像中像素点的纹理、颜色和亮度等特征将图像过分割为超像素图，能够有效的减少图像局部信息的冗余，显著降低图像处理的复杂度和运算量，而且充分保留了对图像进行进一步处理的有效信息。

超像素将图像划分为若干个互不相交的子区域。超像素分割技术作为一种重要的图像预处理手段，广泛应用于目标检测、目标跟踪、人体姿势识别、生物医学图像以及机器视觉等领域中并发挥着至关重要的作用。Ren和Malik于2003年提出了将图像分成大量感知上一致性较好、尺寸相近的像素块的过分割方法。此后，作为一种标准的图像预处理技术，超像素分割被广泛应用于目标检测、目标识别、目标跟踪、视觉显著性检测、图像分类、图像分割等众多计算机视觉任务中。超像素分割在上述的成功应用主要取决于它的以下优点：

(1)减少图像中实体的个数，提高后续的计算效率。

(2)将图像分割成保留了大多数感兴趣的结构信息的超像素，再以这些超像素为操作单元输入到后续运算中，解决后续算法因为时间复杂度高而难以运行的问题。

(3)一些时间复杂度较低的后续算法也可以借助超像素进一步提高自身的计算效率。

超像素分割算法大致可分为基于图论的方法和基于梯度下降的方法两类。具有代表性的基于图论的超像素分割方法有graph-based方法、N-cut(normalized cuts)方法、熵率超像素分割方法等，这些方法都能较好地保持图像边界的信息且速度较快，但是得到的超像素大小和形状都不规则。对于基于梯度下降法，已有的研究有分水岭(watersheds)方法、Quick-shift方法、SLIC(simple linear iterative clustering)方法等。诸如此类生成超像素的方法很多，每种方法具有自己的优点和缺点，不同的方法适用于不同种类型的图像。尽管超像素分割算法有很多，但优秀高效的超像素分割算法通常需要具有以下属性：

(1)超像素应很好地附着在目标对象的边界上。

(2)当超像素分割用于预处理时，算法的计算效率非常重要。

(3)当用于图像分割时，超像素既要保证计算速度，也要改善后续处理质量。

综合国内外学者的研究证明显示，高效精确的超像素分割技术仍然是一个具有挑战性的问题，其难点在于两个方面：一是由于图像中常含有噪声、目标内部像素差异大、目标间像素差异不明显等因素，导致现有的超像素分割方法生成的超像素对目标的边界贴合程度欠佳；二是随着图像采集设备的更新换代，可获得的图像的分辨率越来越高，导致超像素分割的计算量居高不下，难以满足一些实时性应用的需求。