[发明专利]基于均值偏移和K均值聚类技术的图像对象提取方法

摘要

基于均值偏移和K均值聚类技术的图像对象提取方法，先使用均值偏移进行图像平滑，先应用meanshift算法进行图像平滑消除细节信息，在进行过meanshift平滑操作后，图像的细节部分将被忽略，从而将均值偏移的结果按照其颜色信息进行进一步聚类;在这一步骤中，要求聚类过程具有较高的效率并且能够满足一定的精度要求;运用k均值聚类算法对图像进行分割;K均值聚类的算法如下：应用K-means算法进行颜色聚类以提取图像中的对象信息，均值偏移和K均值聚类算法相结合，结合二者的优点，并规避了二者的缺点。算法的时间短且效率高。从而得到拥有较好结果的图像对象提取结果。

主权项

1.基于均值偏移和K均值聚类技术的图像对象提取方法，其特征是先使用均值偏移进行图像平滑:1）先应用meanshift算法进行图像平滑消除细节信息，分别用xi和zi（i=1, …, n）表示原始和平滑后的图像像素点，利用meanshift算法对图像进行平滑处理；对于每一个像素点：1-1）初始化j=1，且使y_j+1=xi，像素点的空间；1-2）在以yj为中心的超球体中计算实现窗口中心的偏移，直到满足收敛条件；这里的超球体是指经过色彩空间的转化可以在5维特征空间中获得的很多点, 每个点对应图像中的一个像素, 表达了该像素所有的信息，亦即空间位置和色彩信息；1-3）给z_i赋值，将收敛的色彩赋给当前像素z_i=(x_i,y_conv);  这里是均值偏移算法的固定步骤，yconv是坐标点，就是当前像素Zi的坐标；2）k均值聚类    在进行过meanshift平滑操作后，图像的细节部分将被忽略，从而将均值偏移的结果按照其颜色信息进行进一步聚类; 在这一步骤中，要求聚类过程具有较高的效率并且能够满足一定的精度要求; 运用k均值聚类算法对图像进行分割;     K均值聚类的算法如下：应用K-means算法进行颜色聚类以提取图像中的对象信息，2-1)   对于大小为m x n的图像，构建大小为(m x n) * 3的矩阵，其中每一行为对应像素点三个通道的颜色信息；2-2)   从m x n个数据对象中随机选取K个对象作为初始聚类中心；2-3)   根据每个聚类对象的均值（中心为对象），计算每个对象与这些中心对象的距离，并根据最小距离重新对相应的对象进行划分；2-4)   重新计算每一个有变化的聚类的均值；2-5)   迭代运行2-3）和2-4）直到每个聚类的变化程度满足收敛条件。