[发明专利]一种超像素聚合分割方法

说明书

本发明公开了一种超像素聚合分割方法，本发明的方法通过扩大聚类中心的搜索范围，并添加约束条件，使聚类中心更快收敛到感兴趣目标区域；同时基于多向灰度共生矩阵相似的超像素聚合准则，利用区域纹理特征来生成更完整的超像素。本发明的方法克服了数据的依赖、硬件的高要求，同时缓解了过分割和欠分割现象，能够提高图像分割性能，有效获得完整的目标信息。

技术领域

本发明属于图像处理技术领域,涉及一种图像分割方法。

背景技术

作为雷达图像解译的前置基础环节，雷达图像分割是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。雷达图像分割能够为后续的目标检测与识别提供潜在目标的整体结构信息，从而提高目标检测与识别的效率。目前，雷达图像分割技术已有较多有应用价值的研究成果，包括基于神经网络理论与传统的基于统计理论的分割方法。

基于神经网络的分割方法是近年来一个热门的研究方向，其主要思想是通过多层卷积运算来得到图像的高维耦合信息，但该方法往往需要考虑网络各部分结构设计对性能的影响，而且需要消耗较大的硬件算力，实际性能对训练数据样本的场景、目标类型较为依赖，泛化能力不稳定，典型如LONG J等人提出的“Fully convolutional networks forsemantic segmentation，Proceedings of the IEEE Conference Oil Computer Visionand Pattern Recognition.2015：3431-3440”。

基于统计的分割方法能够利用图像灰度、亮度等多个维度的特征信息，实现又好又快的像素级图像分割。由Achanta等人提出的基于简单线性迭代聚类(Simple LinearIterative Clustering，SLIC)的超像素分割方法是一种典型的基于统计的图像分割方法。SLIC利用像素的灰度与像素点之间的距离计算像素间的相似度，然后进行相似度判决聚类，计算简单，且对于场景变幻多端的图像均有较好的分割效果，具有重要研究意义与应用价值。然而，由于SLIC聚类中心更新时的搜索空间较小，在有限的迭代次数里会出现因聚类中心偏差而导致的欠分割现象，即原本属于前景目标的像素点被误分割为背景；此外，SLIC对超像素的数目设置非常敏感，有时会使得明显属于同一目标的像素被划分到不同的超像素，原本属于背景的像素点被误分割为前景目标，出现图像过分割现象。

发明内容

为解决现有的雷达图像分割过程中存在的上述问题，本发明提出了一种超像素聚合分割方法。

本发明的具体技术方案为：一种超像素聚合分割方法，包括如下步骤：

A.聚类中心分配与表征：对像素大小为M×N的图像，设定超像素初始个数为K，迭代次数为n；然后根据超像素的个数均匀分配聚类中心(种子点),第k(k＝1,2,...,K)个种子点对应标签为L_k；

B.像素标签更新：通过度量种子点与其邻域内的像素之间的特征相似性，更新各个像素的标签，对于每个种子点，设定以其一定大小的邻域为聚类搜索空间，对于第k个种子点与其领域内第i个像素的相似度D_k,i，由如下公式定义：

其中，g_k,c_k,r_k分别为第k(k＝1,2,...,K)个种子点的灰度值、行坐标、列坐标，d_g为灰度距离，d_l为根据超像素的搜索空间大小归一化后的空间距离，S为相邻的两个种子点之间的距离，种子点与像素的相似度D_k,i为灰度距离与空间距离相加，系数α用于控制超像素的规则性，α越大，超像素形状越规则，α的取值范围为[0.001,1]；

各个像素的初始标签为0，初始相似度为无限大，聚类标签的更新由D_k,i决定，其更新规则如下：