[发明专利]基于模糊连接度的近邻传播聚类图像分割方法

摘要

本发明公开一种基于模糊连接度的近邻传播聚类图像分割方法，主要用于解决其他同类方法由于目标跨度较大而出现过分割、分割精度低的问题。其实现步骤为：(1)对图像进行超像素分割；(2)提取超像素的空间特征和密度特征；(3)根据超像素的空间特征计算邻近关系；(4)根据超像素的密度特征和邻近关系计算亲和关系；(5)根据亲和关系计算所有超像素间的模糊连接度；(6)根据模糊连接度和空间特征关系计算超像素间的相似度；(7)用近邻传播聚类完成超像素的聚类，并生成分割结果。本发明是一种全自动分割方法，分割的目标一致性好，分割精度高，解决了现有AP聚类图像分割方法偏向参数难确定的问题，对自然彩色图像有很好的分割能力。

主权项

1.基于模糊连接度的近邻传播聚类图像分割方法，包括：(1)超像素预分割步骤：(1a)设置超像素数目，使用Normalized Cut超像素技术对图像进行超像素分割；(1b)对每一个超像素，提取其空间特征和密度特征；空间特征：计算超像素内部所有像素的x坐标平均值作为该超像素的x坐标，所有像素的y坐标平均值作为该超像素的y坐标，将超像素的x、y坐标值作为其2维空间特征；密度特征：将原图像映射到LUV颜色空间下，对每一个超像素，计算其内部所有像素的平均L颜色值作为该超像素的L颜色特征，所有像素的平均U颜色值作为该超像素的U颜色特征，所有像素的平均V颜色值作为该超像素的V颜色特征，以超像素归一化后的L、U、V颜色特征作为其3维密度特征；(2)基于模糊连接度的相似度计算步骤：(2a)计算超像素空间特征的欧氏距离矩阵dist；(2b)设置领域半径radius；(2c)根据超像素的空间特征计算邻近关系矩阵adj；(2d)根据超像素的密度特征和邻近关系计算亲和关系矩阵aff；(2e)根据超像素的亲和关系计算模糊连接度矩阵M；所述的模糊连接度矩阵计算方法如下：将超像素视作图论中图的节点，超像素的邻近关系视作图中的边，亲和关系视作边的权重，随机选取根节点调用最大生成树算法，得到一棵最大生成树；用深度优先的方式遍历最大生成树，在遍历过程中用以下公式计算本次遍历的节点u与每一个已遍历过的节点的模糊连接度：M(u,v)＝min{aff[u,parent(u)],M[parent(u),v]}式中，parent(u)代表节点u在最大生成树中的父节点；(2f)以超像素间的模糊连接度与归一化后的空间距离相似度的加权和作为最终的相似度，得到最终的相似度矩阵S；(3)AP聚类步骤：(3a)设置偏向参数和阻尼因子，调用AP聚类算法对超像素进行聚类；(3b)根据聚类结果生成分割结果。