[发明专利]深度图像的分割方法及系统

说明书

本发明提供了一种深度图像的分割方法及系统，包括：初始化步骤；合并聚类步骤：计算邻近像素之间像素坐标值的绝对差值，并根据节点连接规则，对二维数组中属于同一类别的节点数据进行合并聚类；查找步骤：在二维数组中查找所有的父节点，得到父节点的集合；收集步骤：对于父节点的集合中的每一个父节点元素，创建对应的类别集合，并将二维数组中的每一个节点收集到对应的类别集合中；分割步骤。与现有技术相比，本发明根据深度图像中像素之间像素坐标值的绝对差值，将属于同一父像素节点的像素节点进行连接，然后，根据父节点的数量对深度图像进行分割处理，得到分割图像，减少了计算量，提高图像分割的效率。

技术领域

本发明涉及图像处理技术领域，具体地，涉及一种深度图像的分割方法及系统。

背景技术

深度图像(Depth Images)是指将图像采集器采集到的场景中各点的距离值作为像素值的图像，它直接反映了景物可见表面的几何形状。深度图像主要通过深度相机采集，随着深度相机技术的兴起，深度图像被应用在三维建模、自动驾驶汽车、机器人、建筑建模等领域。深度图像中图像分割是深度图像处理的核心。

目前，深度图像分割算法主要有基于聚类的分割算法、基于区域生长的分割算法。基于聚类的分割算法是通过模型训练的方式将不同类的数据分离开；基于区域生长的分割算法是基于灰度值的不连续性和相似性将像素或者子区域聚合成更大区域。上述两种分割算法的计算量大，并且无法适用于不同的场景，存在图像分割的效率低的问题。

专利文献CN104657980A公开了一种改进的基于Meanshift的多通道图像分割算法，包括以下步骤：输入RGB图像矩阵并统计像素值；对其像素样本做Meanshift聚类运算；在三个子图像中查找并记录灰度落入兴趣目标区域的灰度区间的像素，查找并记录兴趣目标像素的聚类中心；对兴趣目标像素及其聚类中心做可靠性计算，筛选出可靠性高的兴趣目标像素，并将目标像素赋值1，其他0，产生分割后的图像逻辑矩阵；对此矩阵做逻辑“或”运算融合得到最终的兴趣目标区域；输出图像，即为分割获得的兴趣目标图像。但该方法仍然存在计算量大，图像分割的效率低的问题。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种深度图像的分割方法及系统。

根据本发明提供的一种深度图像的分割方法，包括如下步骤：

初始化步骤：定义一个节点数据的结构体和一个二维数组，将深度图像中每一个像素的像素坐标值依次设置到二维数组的每一个结构体的数据中；

合并聚类步骤：计算邻近像素之间像素坐标值的绝对差值，并根据节点连接规则，对二维数组中属于同一类别的节点数据进行合并聚类；

查找步骤：在二维数组中查找所有的父节点，得到父节点的集合；

收集步骤：对于父节点的集合中的每一个父节点元素，创建对应的类别集合，并将二维数组中的每一个节点收集到对应的类别集合中；

分割步骤：将所有的类别集合进行编号，并根据父节点集合中父节点元素的个数，确定每一个类别集合对应的标签值，根据标签值对深度图像进行分割处理，得到分割图像。

优选地，初始化步骤包括：

步骤S101：定义一个节点数据的结构体，其中，结构体中包括像素坐标、父节点的指针和节点数据具有的子节点数量；

步骤S102：将深度图像中每一个像素的像素坐标值依次设置到二维数组中。

优选地，合并聚类步骤包括：

步骤S201：根据深度图像中列坐标相同，行坐标距离为1的两个像素坐标值之间的绝对差值，创建行图像；

步骤S202：根据深度图像中行坐标相同，列坐标距离为1的两个像素坐标值之间的绝对差值，创建列图像；