基于邊界信息融合的超像素分割方法技術

本發明專利技術公開了一種基于邊界信息融合的超像素分割方法，主要解決現有SLIC算法對細小虛弱邊界貼合度較低的問題。其實現步驟是：1)獲取原始圖像的邊緣圖像；2)獲取原始圖像的LAB空間轉換圖像；3)在LAB轉換圖像內初始化平面聚類中心；4)在平面聚類中心的局部范圍內初始化邊界聚類中心；5)更新平面聚類中心和邊界聚類中心為3×3鄰域內的梯度最小點；6)在LAB轉換圖像內對像素點進行分類；7)循環迭代步驟6)，獲得LAB轉換圖像像素點的最終標記；8)將具有相同標記的像素點構成一個超像素，獲得原始圖像的超像素分割結果。本發明專利技術提高了超像素對細小虛弱邊緣的貼合度，可用于分類、識別、跟蹤等要求檢測目標的場合。

【技術實現步驟摘要】

本專利技術屬于圖像處理
，特別涉及一種超像素分割方法，可用于圖像分類、目標識別、目標跟蹤等要求檢測目標的場合。
技術介紹
超像素是圖像中一系列位置相鄰且亮度、顏色、紋理等特征相似的像素點組成的小區域。超像素具有良好的局部特征表達能力，能夠提取圖像的中層特征，并方便地表達圖像的結構信息。將超像素分割作為圖像處理算法的預處理步驟，能夠大幅降低后續處理的計算復雜度。超像素分割已經成為計算機視覺領域的一項關鍵技術，并被應用于多種視覺任務，如圖像分割、深度估計、顯著性檢測、人體姿態估計、目標識別等。簡單線性迭代聚類SLIC算法是目前應用最廣泛的超像素分割算法。與其他現有超像素分割算法相比，如Shi等人的Normalized Cuts算法、Levinshtein等人的Turbopixels算法、Vedaldi等人的Quick Shift算法等，SLIC算法復雜度更低，對邊緣的貼合度更好，生成的超像素更緊湊、形狀更規則。同時，SLIC算法原理簡單、使用方便，能夠控制超像素的數量。但是SLIC算法對圖像中細小虛弱邊緣的貼合度仍有待提升，SLIC算法容易將處于細小或虛弱邊緣處的像素點與相鄰背景像素點分到同一個超像素中，降低超像素對細小虛弱邊緣的貼合度。
技術實現思路
本專利技術的目的在于針對上述SLIC算法對細小虛弱邊緣貼合度較低的不足，提出一種基于邊界信息融合的超像素分割方法，以在不降低傳統SLIC算法邊緣貼合度的前提下，提高超像素對細小虛弱邊緣的貼合度。實現本專利技術的技術思路是：初始化平面聚類中心和邊界聚類中心，融合邊界信息對像素點與平面聚類中心和邊界聚類中心的距離進行度量，利用局部k-means算法對像素點進行分類標記，對平面聚類中心進行均值更新，而使邊界聚類中心保持不變，循環迭代分類標記過程，將具有相同標記的像素點看成一個超像素，在圖像平面內畫出所有超像素的邊界，即得原始圖像I的超像素分割結果。其具體步驟包括如下：(1)計算原始彩色圖像I的二值化邊界圖像B；(2)對原始彩色圖像I進行顏色空間轉換，得到LAB顏色空間的轉換彩色圖像Ilab；(3)在轉換彩色圖像Ilab平面內，按照六邊形分布初始化平面聚類中心Pa：(3a)以像素為單位分別計算平面聚類中心的水平步長Sh和垂直步長Sv： S h = N ( 3 / 2 ) · K , S v = 3 2 · S h , ]]>其中，N為圖像像素點總數，K為期望的超像素數目；(3b)對平面聚類中心進行行向初始化，即在轉換彩色圖像Ilab平面內，從行像素開始，每間隔Sv行，選定一行像素作為平面聚類中心所在行；(3c)對平面聚類中心進行列向初始化：對于奇數行，從列像素開始，每間隔Sh列，選定一個像素作為平面聚類中心初始值；對于偶數行，從Sh列像素開始，每間隔Sh列，選定一個像素作為平面聚類中心初始值；(3d)將步驟(3b)-(3c)產生的平面聚類中心標記為Pa，a＝1,2,...,NP，NP為平面聚類中心總數；(4)在平面聚類中心的局部范圍內初始化邊界聚類中心Eb：(4a)在轉換彩色圖像Ilab平面內確定搜索窗口：在轉換彩色圖像Ilab平面內，將以平面聚類中心Pa為中心的Sh×Sh鄰域范圍作為搜索窗口WP，并記錄WP在圖像平面內的幾何位置，記為[r0,c0,Δr,Δc]，其中r0、c0分別為搜索窗口左上角像素點的行號、列號，Δr、Δc分別為搜索窗口的行寬、列寬；(4b)在二值化邊界圖像B平面內確定邊界窗口：在二值化邊界圖像B平面內，將左上角像素坐標為[r0,c0]，行寬為Δr，列寬為Δc的矩形范圍作為邊界窗口WB；(4c)在轉換彩色圖像Ilab平面內初始化邊界聚類中心：將WP與WB進行與運算，若運算結果中含有非零元素，說明平面聚類中心Pa的Sh×Sh鄰域范圍內存在邊界點，隨機選取邊界點的一個中值點，將其作為邊界聚類中心的初始值；若運算結果中沒有非零元素，說明平面聚類中心Pa的Sh×Sh鄰域范圍內沒有邊界點，則不產生任何邊界聚類中心；(4d)將步驟(4c)產生的邊界聚類中心標記為Eb，b＝1,2,...,NE，NE為邊界聚類中心總數；(5)將所有平面聚類中心和邊界聚類中心更新為各自3×3鄰域內的梯度最小點，得到更新后的平面聚類中心Pa′和邊界聚類中心Eb′；(6)將更新后的平面聚類中心Pa′和邊界聚類中心Eb′作為初始值，利用局部k-means算法對轉換彩色圖像Ilab的像素點進行分類標記；(7)循環迭代步驟(6)的分類標記過程，直至連續兩次的平面聚類中心和邊界聚類中心的誤差之和不超過5％，得到所有像素點的最終標記；(8)將具有相同標記的像素點看成一個超像素，在圖像平面內畫出所有超像素的邊界，即得原始圖像I的超像素分割結果。本專利技術與現有的技術相比具有以下優點：1.傳統SLIC算法只是將圖像平面內呈幾何分布的像素點作為初始聚類中心，并沒有專門將邊界點作為初始聚類中心，本實例不僅將圖像平面內呈幾何分布的像素點作為初始平面聚類中心，還將呈幾何分布的像素點的局部領域內的邊界點作為初始邊界聚類中心，這種專門將邊界點作為初始聚類中心的初始化方法提高了超像素對細小邊緣的貼合度；2.本專利技術將平面聚類中心按照六邊形分布進行初始化，相比于傳統SLIC算法中的四邊形分布，減少了以像素點為中心的2Sh×2Sh局部鄰域內能搜索到平面聚類中心數目，從而減少了像素點與平面聚類中心之間距離度量的次數，保證了算法運算時間不會增加；3.本專利技術將平面聚類中心局部領域內的邊界點初始化為邊界聚類中心，并且迭代過程中邊界聚類中心始終保持初始值不變，這種不更新邊界聚類中心的做法能有效地將圖像中細小邊緣分為獨立的一類，大大降低了細小邊緣像素點與相鄰背景像素點被分為同一類的可能；4.本專利技術融合邊界信息對像素點與平面聚類中心和邊界聚類中心的距離進行度量，當像素點與平面聚類中心或邊界聚類中心的直線連線上存在邊界點時，將二者距離置為無窮大，這種距離度量方法能有效避免將像素點分類標記到與之存在邊界點的平面聚類中心或邊界聚類中心中，有效提高了超像素對邊緣的貼合度；綜上，本專利技術能在保持傳統SLIC算法邊緣貼合度的同時，有效提高超像素對細小邊緣的貼合度。附圖說明圖1是本專利技術的實現總流程圖；圖2是本專利技術中平面聚類中心呈四邊形分布和六邊形分布的對比圖；圖3是本專利技術中平面聚類中心和邊界聚類中心的示意圖；圖4是本專利技術中超像素分割方法與傳統SLIC算法的分割對比示例1；圖5是本專利技術中超像素分割方法與傳統SLIC算法的分割對比示例2；圖6是本專利技術中超像素分割方法與傳統SLIC算法在測試樣本集上的欠分割錯誤率和邊緣召回率變化曲線圖。具體實施方案下面結合本文檔來自技高網...

【技術保護點】
基于邊界信息融合的超像素分割方法，包括：(1)計算原始彩色圖像I的二值化邊界圖像B；(2)對原始彩色圖像I進行顏色空間轉換，得到LAB顏色空間的轉換彩色圖像Ilab；(3)在轉換彩色圖像Ilab平面內，按照六邊形分布初始化平面聚類中心Pa：(3a)以像素為單位分別計算平面聚類中心的水平步長Sh和垂直步長Sv：Sh=N(3/2)·K,Sv=32·Sh,]]>其中，N為圖像像素點總數，K為期望的超像素數目；(3b)對平面聚類中心進行行向初始化，即在轉換彩色圖像Ilab平面內，從行像素開始，每間隔Sv行，選定一行像素作為平面聚類中心所在行；(3c)對平面聚類中心進行列向初始化：對于奇數行，從列像素開始，每間隔Sh列，選定一個像素作為平面聚類中心初始值；對于偶數行，從Sh列像素開始，每間隔Sh列，選定一個像素作為平面聚類中心初始值；(3d)將步驟(3b)?(3c)產生的平面聚類中心標記為Pa，a＝1,2,...,NP，NP為平面聚類中心總數；(4)在平面聚類中心的局部范圍內初始化邊界聚類中心Eb：(4a)在轉換彩色圖像Ilab平面內確定搜索窗口：在轉換彩色圖像Ilab平面內，將以平面聚類中心Pa為中心的Sh×Sh鄰域范圍作為搜索窗口WP，并記錄WP在圖像平面內的幾何位置，記為[r0,c0,Δr,Δc]，其中r0、c0分別為搜索窗口左上角像素點的行號、列號，Δr、Δc分別為搜索窗口的行寬、列寬；(4b)在二值化邊界圖像B平面內確定邊界窗口：在二值化邊界圖像B平面內，將左上角像素坐標為[r0,c0]，行寬為Δr，列寬為Δc的矩形范圍作為邊界窗口WB；(4c)在轉換彩色圖像Ilab平面內初始化邊界聚類中心：將WP與WB進行與運算，若運算結果中含有非零元素，說明平面聚類中心Pa的Sh×Sh鄰域范圍內存在邊界點，隨機選取邊界點的一個中值點，將其作為邊界聚類中心的初始值；若運算結果中沒有非零元素，說明平面聚類中心Pa的Sh×Sh鄰域范圍內沒有邊界點，則不產生任何邊界聚類中心；(4d)將步驟(4c)產生的邊界聚類中心標記為Eb，b＝1,2,...,NE，NE為邊界聚類中心總數；(5)將所有平面聚類中心和邊界聚類中心更新為各自3×3鄰域內的梯度最小點，得到更新后的平面聚類中心Pa′和邊界聚類中心Eb′；(6)將更新后的平面聚類中心Pa′和邊界聚類中心Eb′作為初始值，利用局部k?means算法對轉換彩色圖像Ilab的像素點進行分類標記；(7)循環迭代步驟(6)的分類標記過程，直至連續兩次的平面聚類中心和邊界聚類中心的誤差之和不超過5％，得到所有像素點的最終標記；(8)將具有相同標記的像素點看成一個超像素，在圖像平面內畫出所有超像素的邊界，即得原始圖像I的超像素分割結果。...

【技術特征摘要】
1.基于邊界信息融合的超像素分割方法，包括：(1)計算原始彩色圖像I的二值化邊界圖像B；(2)對原始彩色圖像I進行顏色空間轉換，得到LAB顏色空間的轉換彩色圖像Ilab；(3)在轉換彩色圖像Ilab平面內，按照六邊形分布初始化平面聚類中心Pa：(3a)以像素為單位分別計算平面聚類中心的水平步長Sh和垂直步長Sv： S h = N ( 3 / 2 ) · K , S v = 3 2 · S h , ]]>其中，N為圖像像素點總數，K為期望的超像素數目；(3b)對平面聚類中心進行行向初始化，即在轉換彩色圖像Ilab平面內，從行像素開始，每間隔Sv行，選定一行像素作為平面聚類中心所在行；(3c)對平面聚類中心進行列向初始化：對于奇數行，從列像素開始，每間隔Sh列，選定一個像素作為平面聚類中心初始值；對于偶數行，從Sh列像素開始，每間隔Sh列，選定一個像素作為平面聚類中心初始值；(3d)將步驟(3b)-(3c)產生的平面聚類中心標記為Pa，a＝1,2,...,NP，NP為平面聚類中心總數；(4)在平面聚類中心的局部范圍內初始化邊界聚類中心Eb：(4a)在轉換彩色圖像Ilab平面內確定搜索窗口：在轉換彩色圖像Ilab平面內，將以平面聚類中心Pa為中心的Sh×Sh鄰域范圍作為搜索窗口WP，并記錄WP在圖像平面內的幾何位置，記為[r0,c0,Δr,Δc]，其中r0、c0分別為搜索窗口左上角像素點的行號、列號，Δr、Δc分別為搜索窗口的行寬、列寬；(4b)在二值化邊界圖像B平面內確定邊界窗口：在二值化邊界圖像B平面內，將左上角像素坐標為[r0,c0]，行寬為Δr，列寬為Δc的矩形范圍作為邊界窗口WB；(4c)在轉換彩色圖像Ilab平面內初始化邊界聚類中心：將WP與WB進行與運算，若運算結果中含有非零元素，說明平面聚類中心Pa的Sh×Sh鄰域范圍內存在邊界點，隨機選取邊界點的一個中值點，將其作為邊界聚類中心的初始值；若運算結果中沒有非零元素，說明平面聚類中心Pa的Sh×Sh鄰域范圍內沒有邊界點，則不產生任何邊界聚類中心；(4d)將步驟(4c)產生的邊界聚類中心標記為Eb，b＝1,2,...,NE，NE為邊界聚類中心總數；(5)將所有平面聚類中心和邊界聚類中心更新為各自3×3鄰域內的梯度最小點，得到更新后的平面聚類中心Pa′...

【專利技術屬性】
技術研發人員：王海，彭雄友，劉巖，秦宏波，趙偉，
申請(專利權)人：西安電子科技大學，
類型：發明
國別省市：陜西;61