一种基于多代表超像素的无监督图像分割方法

本发明属于图像分割，具体涉及一种基于多代表超像素的无监督图像分割方法。

背景技术：

1、计算机视觉是计算机学科中的热点研究领域之一。图像分割是计算机视觉中的一项关键技术，是图像分析、图像理解、物体检测等诸多计算机视觉任务的基础之一。目前，图像分割技术已经广泛应用于医学图像分析、自动控制、遥感图像处理等领域。图像分割的主要目的是将图像划分为多个不重叠的区域，使得每个区域由相似的特征组成，如颜色、纹理等。图像分割可分为有监督图像分割和无监督图像分割。无监督图像分割不依赖于训练样本和图像标签，因而具有更广泛的应用场景。但与此同时，无监督性也带来了分割性能、稳定性、鲁棒性方面的挑战。

2、现阶段，无监督图像分割方法可分为聚类法、阈值分割法、边缘检测法等。阈值分割法采用统计学技术设置固定阈值，然后通过阈值将图像分离为不重叠的区域，常采用的策略包括基于像素和局部邻域或全局信息学习阈值，常用的特征包括图像灰度直方图特征或全局纹理特征。阈值分割法仅适用于灰度信息差异较大的图像。边缘检测法通过图像前度的局部变化检测图像中物体的边缘，边缘类型通常包括四类：阶跃边缘、线边缘、斜坡边缘、屋脊边缘。边缘检测法相对复杂，限制了其在实际场景中的应用。基于聚类的图像分割方法自提出以来就受到广泛关注，是目前相对有效的图像分割方法之一。目前主要有两种聚类策略，分别为硬聚类和软聚类，图像分割中代表性的聚类方法分别是km算法和fcm算法。这两种算法均先初始化代表性像素，然后将其它像素分配到代表性像素代表的区域中，再更新代表性像素并分配，迭代执行上述步骤直到满足收敛条件。常采用的收敛条件包括迭代次数达到预设值或代表像素变化小于预设值。这类方法对噪音敏感，且分割结果受初始化代表性像素影响，稳定性较差。

3、通过以上分析可知，无监督图像分割主要面临以下挑战：阈值分割方法仅能处理灰度信息差异较大的图像，适用性差；边缘检测法相对复杂，应用性不足；聚类法易受噪音和初始化代表像素影响，稳定性弱。

4、综上，本发明提出一种基于多代表超像素的无监督图像分割方法，该方法采用多代表改善图像分割方法的稳定性，采用超像素提升图像分割方法的效率，具有较高的使用价值。

技术实现思路

1、针对上述问题，本发明提供了一种基于多代表超像素的无监督图像分割方法。

2、为了达到上述目的，本发明采用了下列技术方案：

3、一种基于多代表超像素的无监督图像分割方法，包括以下步骤：

4、步骤1，采用slic方法计算输入图像的超像素划分，即slic(i)→s，其中输入图像的每个像素点为由(r，g，b)通道取值表示的三维向量，即pi＝(vir,vig,vib)；

5、步骤2，计算超像素表示中每个超像素块的特征表示；

6、步骤3，计算超像素块的成对距离矩阵；

7、步骤4，计算每个超像素块的局部密度；

8、步骤5，计算每个超像素块的代表性；

9、步骤6，选取代表性超像素块；

10、步骤7，以代表性超像素块为指导进行图像预分割；

11、步骤8，利用层次聚类合并相似分割区域得到最终图像分割结果。

12、进一步，所述步骤2中计算超像素表示中每个超像素块的特征表示，具体步骤为：

13、步骤2.1，计算每个超像素块对应的像素点集，即{pj|j∈{sj＝＝i}}；

14、步骤2.2，采用超像素点集的特征平均值表示超像素块，即其中

15、步骤2.3，同理计算求得和v'ib。

16、进一步，所述步骤3中计算超像素块的成对距离矩阵，具体步骤为：

17、将超矩阵块视为处理对象，若超像素块数量为n，则计算一个n×n的距离矩阵d，超像素块p'i和p'j的距离通过公式(1)计算：

18、

19、进一步，所述步骤4中计算每个超像素块的局部密度，具体步骤为：

20、将超像素块p'i的局部密度设置为其在(r，g，b)三个通道下邻域半径内的平均近邻数，即：

21、

22、其中，为r通道下ε半径内的近邻个数，为g通道下ε半径内的近邻个数，为g通道下ε半径内的近邻个数，ε取值为：

23、

24、其中，为的下取整，n表示超像素块数量，的计算方法如公式(4)所示：

25、

26、其中，|{·}|表示集合{·}中的元素个数，同理计算求得和

27、进一步，所述步骤5中计算每个超像素块的代表性，具体步骤为：

28、超像素块p'i的代表性计算如公式5)所示：

29、r(p'i)＝ρ(p'i)×δ(p'i)， (5)

30、其中，

31、进一步，所述步骤6中选取代表性超像素块，具体步骤为：

32、将所有超像素块的代表性取值r(p')按照降序排序，选择排序在前的超像素块作为代表性超像素块，记为

33、进一步，所述步骤7中以代表性超像素块为指导进行图像预分割，具体步骤：

34、步骤7.1，初始化分割区域，每个代表性超像素块代表一个分割区域，第i个分割区域ci初始化为ci＝{zi}；

35、步骤7.2，分配超像素块到最近的分割区域中，超像素块p'i最近的划分区域，由公式(7)计算：

36、

37、假设p'i的最近划分区域为cj，将p'i分配到cj中由公式(8)实现：

38、cj＝p'i∪cj (8)

39、步骤7.3，基于公式(7)和(8)将所有的超像素块分配到划分区域中得到预分割结果

40、进一步，所述步骤8中利用层次聚类合并相似分割区域得到最终图像分割结果，具体步骤为：

41、以预分割结果中的图像区域为对象，计算大小为的相似性矩阵dc'，划分区域c'i和c'j的相似性通过公式(9)计算：

42、

43、将dc'和最终分割区域数k输入到最短连接层次聚类中得到最终图像分割结果，即hcs(dc',k)→c。

44、与现有技术相比本发明具有以下优点：

45、本发明的方法具有两方面优势，一方面本方法针对超像素块进行处理，可降低计算对象数目，提升彩色图像分割速率；另一方面本方法不同于km与fcm类方法，不需要随机指定初始代表点，通过计算代表性确定多代表点，能够获得稳定的图像分割结果。

技术特征：

1.一种基于多代表超像素的无监督图像分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于多代表超像素的无监督图像分割方法，其特征在于，所述步骤2中计算超像素表示中每个超像素块的特征表示，具体步骤为：

3.根据权利要求1所述的一种基于多代表超像素的无监督图像分割方法，其特征在于，所述步骤3中计算超像素块的成对距离矩阵，具体步骤为：

4.根据权利要求1所述的一种基于多代表超像素的无监督图像分割方法，其特征在于，所述步骤4中计算每个超像素块的局部密度，具体步骤为：

5.根据权利要求1所述的一种基于多代表超像素的无监督图像分割方法，其特征在于，所述步骤5中计算每个超像素块的代表性，具体步骤为：

6.根据权利要求1所述的一种基于多代表超像素的无监督图像分割方法，其特征在于，所述步骤6中选取代表性超像素块，具体步骤为：

7.根据权利要求1所述的一种基于多代表超像素的无监督图像分割方法，其特征在于，所述步骤7中以代表性超像素块为指导进行图像预分割，具体步骤：

8.根据权利要求1所述的一种基于多代表超像素的无监督图像分割方法，其特征在于，所述步骤8中利用层次聚类合并相似分割区域得到最终图像分割结果，具体步骤为：

技术总结
本发明属于图像分割技术领域，具体涉及一种基于多代表超像素的无监督图像分割方法。为解决现有无监督图像分割方法中适用性差、应用性不足、稳定性弱等问题，本方法包括：(1)计算输入图像的超像素划分；(2)计算超像素表示中每个像素块的特征表示；(3)计算超像素块的成对距离矩阵；(4)计算每个超像素块的局部密度；(5)计算每个超像素块的代表性；(6)选取代表性超像素块；(7)以代表性超像素块为指导进行图像预分割；(8)利用层次聚类合并相似分割区域得到最终图像分割结果。

技术研发人员：李飞江,王婕婷
受保护的技术使用者：山西大学
技术研发日：
技术公布日：2024/1/13