一种区域化自动变类的图像分割方法
【技术领域】
[0001] 本发明属于图像处理领域,具体涉及一种区域化自动变类的图像分割方法。
【背景技术】
[0002] 图像分割是图像分析与解译的基础,其分割精度直接影响后续工作的质量,因此 图像分割成为图像处理领域研宄的热点及难点问题。图像分割就是把图像域分解为若干个 同质区域,各同质区域内像素特征具有某种相似性,而同质区域间像素特征表现为非相似 性。
[0003] 图像分割包括两个技术问题:(1)确定分割的同质区域数,即聚类数;(2)实现各 同质区域的最佳分割。图像分割的方法有很多,大部分是以像素为基本单元进行分割,且 其聚类数需用户预先给定。基于像素的聚类图像分割往往对几何噪声和异常值极其敏感, 难以实现同质区域的最佳分割。至今缺乏能同时有效分割同质区域及自动确定聚类数的 分割方法。目前最为常用的聚类方法为K-均值聚类方法和迭代自组织数据分析技术方法 (IS0DATA)。K-均值聚类方法假定图像含有已知的k个聚类,通过随机选取初始聚类中心, 在像素光谱测度的特征空间中以自然聚类方式进行分割,并以聚类中所有像素彩色矢量的 均值为新的聚类中心,继续分割,直至聚类中心不再改变时完成图像分割。但是该方法对几 何噪声及异常值极其敏感,同质区域分割效果差,分割结果含有大量亮斑,且需事先人工判 读图像中聚类个数,不能自动确定图像聚类,只能实现固定类分割。IS0DATA是目前最常用 的实现变类分割的方法,将K-均值聚类方法纳入聚类分裂、合并框架中,提出自动变类的 分割方法,当参数满足分裂、合并条件时执行聚类分裂、合并操作,直至收敛,得到正确图像 聚类数,但是该方法仍然以像素为基本单元进行分割,抗噪性能差。
[0004] 基于像素的聚类图像分割普遍存在对几何噪声和异常值极其敏感,当像素光谱测 度突变时会造成判断失误,导致实际分割结果与理想分割结果不同,影响分割精度;而固定 类分割方法只能在给定聚类数下进行分割,不能自动寻找正确聚类数,当人工判读失误时 易导致分割结果错误。
【发明内容】
[0005] 针对现有技术的不足,本发明提出一种区域化自动变类的图像分割方法。
[0006] -种区域化自动变类的图像分割方法,包括以下步骤:
[0007] 步骤1 :读取待分割图像域;
[0008] 步骤2:将待分割图像域进行子区域初步划分;
[0009] 步骤2. 1 :在待分割图像域中随机产生m个生成点,得到初始生成点集合;
[0010] 步骤2. 2 :以初始生成点集合中的各生成点为中心,进行Voronoi划分,即采用距 离最小化原则将待分割图像域划分为m个子区域;
[0011] 步骤2. 3:将各划分子区域内所有像素的彩色矢量的均值作为该划分子区域的彩 色矢量;
[0012] 步骤3 :设定待分割图像域有c个聚类,从初始生成点集合中随机选取c个生成 点,将其所在划分子区域的彩色矢量作为初始聚类中心;
[0013] 步骤4 :对待分割图像域进行区域化自动变类的图像分割,得到分割图像;
[0014] 步骤4. 1 :设定最大迭代次数;
[0015] 步骤4. 2 :根据划分子区域对待分割图像域进行聚类图像分割,计算划分子区域 到当前聚类中心的距离并根据其确定划分子区域所属聚类,同时更新图像各聚类的聚类中 心;
[0016] 步骤4. 2. 1 :计算当前各划分子区域到当前各聚类中心的距离;
[0017] 步骤4.2.2 :比较各划分子区域到各聚类中心的距离的大小,将各划分子区域归 类到其到聚类中心的距离最小的聚类中;
[0018] 步骤4. 2. 3:更新聚类的聚类中心:以各聚类中所有划分子区域的彩色矢量的均 值作为聚类的聚类中心;
[0019] 步骤4.3 :位移当前生成点集中的生成点,更新划分子区域、更新划分子区域到当 前聚类中心的距离及划分子区域所属聚类、更新各聚类的聚类中心;
[0020] 步骤4. 3. 1 :设定最大位移次数;
[0021] 步骤4. 3. 2 :从当前生成点集中以等概率随机选取一个待替换的生成点;
[0022] 步骤4.3.3 :在待替换的生成点所在的划分子区域内随机选取候选生成点,与其 他生成点组成候选生成点集;
[0023] 步骤4. 3. 4 :以候选生成点集中的各生成点为中心,采用距离最小化原则将待分 割图像域划分为位移更新后的划分子区域,将位移更新后的划分子区域内所有像素的彩色 矢量的均值作为位移更新后的划分子区域的彩色矢量;
[0024] 步骤4. 3. 5 :根据位移更新后的划分子区域对待分割图像域进行聚类图像分割, 更新划分子区域到当前聚类中心的距离及划分子区域所属聚类,得到位移更新后的各聚类 的聚类中心;
[0025] 步骤4. 3. 6 :计算位移更新前的聚类方差和位移更新后的聚类方差;
[0026] 步骤4. 3. 7 :判断位移更新后的聚类方差是否小于位移更新前的聚类方差,若是, 则将候选生成点集作为当前生成点集,将位移更新后的划分子区域作为当前划分子区域, 将位移更新后的各聚类作为当前聚类,将位移更新后的各聚类中心作为当前各聚类中心, 否则,保持当前生成点集及参数不变;
[0027] 步骤4. 3. 8 :更新位移次数;
[0028] 步骤4. 3. 9 :判断位移次数是否达到最大位移次数,若是,则执行下一步,否则,返 回步骤4. 3. 2 ;
[0029] 步骤4. 4 :通过对图像聚类的分裂和图像聚类的合并,改变当前图像聚类数,实现 自动变类;
[0030] 步骤4.4. 1 :设定预期聚类数、聚类内像素数阈值、聚类方差阈值和聚类间距离阈 值;
[0031] 步骤4.4.2 :计算当前各聚类内像素数、当前聚类内平均距离、当前聚类总体平均 距离、当前各聚类中心间距离和当前聚类方差;
[0032] 步骤4.4.3 :判断当前所有聚类是否存在聚类内像素数小于聚类内像素数阈值 的聚类,若是,则删除像素数最小的聚类,更新聚类数,执行步骤4. 4. 4,否则,执行步骤 4. 4. 5;
[0033]步骤4. 4. 4:按照步骤4. 2、步骤4. 3的过程更新各聚类的聚类中心;
[0034]步骤4. 4. 5:判断当前聚类数是否小于等于预期聚类数的二分之一,若是,则执行 步骤4. 4. 9,否则,执行步骤4. 4. 6;
[0035] 步骤4. 4. 6:判断当前聚类数是否大于等于预期聚类数的二倍,若是,则执行步骤 4. 4. 11,否则,执行步骤4.4. 7;
[0036] 步骤4. 4. 7:若迭代次数为奇数,同时当前聚类内平均距离大于当前聚类总体平 均距离、当前聚类方差大于聚类方差阈值、当前聚类内像素数大于聚类内像素数阈值的二 倍,则执行步骤4. 4. 9,否则,执行步骤4. 4. 8;
[0037] 步骤4. 4. 8:若迭代次数为偶数,同时当前聚类中心间距离小于聚类间距离阈值, 则执行步骤4. 4. 11,否则,执行步骤4. 5;
[0038] 步骤4. 4. 9:将当前聚类内平均距离最大的聚类进行分裂,更新聚类数;
[0039] 步骤4.4. 10:按照步骤4. 2、步骤4. 3的过程更新各聚类的聚类中心,执行步骤 4. 5;
[0040] 步骤4. 4. 11:将当前聚类中心间距离最小的两个聚类进行合并,更新聚类数;
[0041] 步骤4.4. 12:按照步骤4. 2、步骤4. 3的过程更新各聚类的聚类中心,执行步骤 4. 5;
[0042] 步骤4. 5:若当前聚类数收敛或者当前迭代次数达到最大迭代次数,则停止迭代, 得到图像分割结果,否则,更新迭代次数,返回步骤4. 4。
[0043] 本发明的有益效果