CN103247052A - 非下采样Contourlet变换局部区域特征的图像分割算法 - Google Patents

Abstract

非下采样Contourlet变换局部区域特征的图像分割算法包括以下步骤：首先对图像进行非下采样Contourlet变换，然后利用局部极值和局部标准差对图像边缘的表示能力，在各个子带提取局部标准差和局部极值作为特征向量，对特征向量使用FCM分类，从而实现对图像的分割。本发明的方法能够有效地对多类组合的纹理图像进行分割，具有很高的分割效果，分割性能优越，算法即考虑到多尺度性的分割，有考虑到图像局部区域统计特征，是一种有发展前途的图像分割技术。

Description

非下采样Contourlet变换局部区域特征的图像分割算法

所属技术领域

本发明涉及一种纹理图像分割算法，尤其涉及一种局部区域特征的非下采样Contourlet变换的图像分割算法。

背景技术

图像分割在计算机视觉、物体识别等方面有着广泛的应用，分割好坏对于其后的处理结果有着非常重要的影响。图像的分割方法由于应用的不同方法也不同。近年来，随着小波变换的流行，基于变换域的多尺度分割方法的应用越来越多。例如刘国英等人在文献1“基于小波域分层Markov模型的纹理分割”（武汉大学学报·信息科学版,2009,34(5)）利用小波域分层Markov模型实现纹理图像的分割。虽然小波变换能够将图像分解到不同的尺度和方向上，但二维小波的小波基支撑空间为正方形，只拥有水平、垂直、对角三个方向，方向数有限，导致方向选择性差，而且不具有移不变、旋转不变等特性，不能有效地捕捉轮廓信息，也不能够很好地刻画图像的纹理特性，并且小波方法没能考虑到图像的空间位置信息。非下采样Contourlet变换是近年发展起来的一种多尺度、多方向性的图像表示方法，它在图像融合、图像去噪、物体识别等方面有着非常好的应用前景，多尺度的纹理分割效果也很好，王志国等人在文献2“基于非下采样Contourlet和MRF的纹理图像分割”（计算机应用与软件,2009,26(10)）利用多尺度的基于非下采样Contourlet提取纹理特征，并使用MRF最终实现纹理图像的分割。但多尺度分割常常因为统计信息不充分而难以获得准确的分割结果，尤其是局部统计信息不足，会导致最终分割结果难以形成大而一致的纹理区域。图像局部标准差，也叫图像局部标准差梯度，它反映了在一幅图像当中局部区域对比度的变化，是窗口中全部像素点的共同贡献。图像灰度起伏较大的区域，出现图像边缘的几率会增大，标准差也会相应的变大，相反，图像灰度变化平缓的区域，标准差小，出现图像边缘的几率小。孙伟等人在文献3“基于标准差梯度的模糊边缘检测算法”（红外与激光工程，2005,34（4））利用标准差算子实现红外图像的目标边缘检测。这种思想对于采用标准差进行图像分割有很大的启发。同时考虑到信号的小波变换极大值描述（图像多尺度边缘描述）是信号的一种稳定的精确描述，信号的小波变换极大值表示能够以10-2级均方误差近似地重构原信号，从图像的多尺度便于可以得到视觉质量良好的原图像的近似。寻找各个尺度下小波变换的局部极大等价于多尺度的canny边缘检测算子。局部极值可以很好的描述多尺度图像的边缘信息，而局部标准差可以反应图像局部区域对比度情况，二者结合适合描述多尺度图像特征。

发明内容

本发明的目的是提供一种非下采样Contourlet变换局部区域特征的图像分割算法，该算法采用多尺度、多方向性的图像表示方法非下采样Contourlet变换对图像进行变换，在各子带空间提取局部区域特征后，使用聚类方法实现对特征向量的分类，并最终完成对纹理凸显改的分割。算法同时兼顾了多尺度、多方向性的图像空间位置信息，又兼顾了局部区域的统计信息，而且算法计算简单，分割效果好。

为了达到上述目的，本发明采用如下技术方案：

非下采样Contourlet变换局部区域特征的图像分割算法，包括以下步骤：

（1）对待分割图像进行非下采样Contourlet变换，得到低频子带和各高频子带；对子带进行非线性变换、平滑操作，提取各子带邻域内的局部极大、局部极小和局部方差作为特征向量；

（2）将提取的特征向量组成三维特征向量，对特征向量使用聚类方法实现纹理图像的分割，并进行滤波去除小的噪点，得到最终的分割图像，算法结束。

算法所述(1)的各子带邻域内的特征提取方法按如下公式提取：假设x(i,j)为图像中某点的灰度值，则以i,j为中心的(2n+1)×(2n+1)的邻域D的极值点定义为f(i,j)＝max(ormin){f(x,y)|(x,y)∈D}，局部标准差的定义为 ${\mathrm{\σ}}_x(i,j)=\mathrm{sqrt}\left(\frac{1}{{(2n+1)}^2}\underset{k=i-n}{\overset{i+n}{\mathrm{\Σ}}}\underset{l=j-n}{\overset{j+n}{\mathrm{\Σ}}}{\[x(k,l)-m_x(i,j)\]}^2\right)$ ，其中m_x(i,j)为均值，定义为： $m_x(i,j)=\frac{1}{{(2n+1)}^2}\underset{k=i-n}{\overset{i+n}{\mathrm{\Σ}}}\underset{l=j-n}{\overset{j+n}{\mathrm{\Σ}}}x(k,l).$

算法所述组合特征向量按照公式 $f_{i,j}=\{f{\max }_{i,j}^1,{f\min }_{i,j}^1,{\mathrm{flsd}}_{i,j}^1\·\·\·{f\max }_{i,j}^N,{f\min }_{i,j}^N,{\mathrm{flsd}}_{i,j}^N\}$ ，进行组合，其中fmax、fmin、flsd分别为局部极大、局部极小、局部方差，N为子带总数。

附图说明

图1是纹理图像分割算法总流程图；

图2是实验用的纹理分割图像；

图3是标准分割图像；

图4是对实验图像进行图像分割后的分割结果；

图5是分割结果与标准结果的差值；

图6是复杂合成纹理图像和自然图像及分割结果。

具体实施方式：

图1是基于非下采样Contourlet变换局部区域特征的图像分割算法特征提取流程图；本发明的基于非下采样Contourlet变换局部区域特征的图像分割算法包括以下步骤：

（1）对待分割图像进行非下采样Contourlet变换，得到低频子带

和各个方向上的高频子带

l=1,2,…,L,k＝1,2,…,2ⁿ，其中L为最大分解层数，2ⁿ为各层分解的方向数目，对各子带进行非线性变换、平滑操作；

（2）对图像中每一点在各子带邻域内的特征提取方法按如下公式提取：假设x(i,j)为图像中某点的灰度值，则以i,j为中心的(2n+1)×(2n+1)的邻域D的极值点定义为f(i,j)＝max(ormin){f(x,y)|(x,y)∈D}，局部标准差的定义为 ${\mathrm{\σ}}_x(i,j)=\mathrm{sqrt}\left(\frac{1}{{(2n+1)}^2}\underset{k=i-n}{\overset{i+n}{\mathrm{\Σ}}}\underset{l=j-n}{\overset{j+n}{\mathrm{\Σ}}}{\[x(k,l)-m_x(i,j)\]}^2\right)$ ，其中m_x(i,j)为均值，定义为： $m_x(i,j)=\frac{1}{{(2n+1)}^2}\underset{k=i-n}{\overset{i+n}{\mathrm{\Σ}}}\underset{l=j-n}{\overset{j+n}{\mathrm{\Σ}}}x(k,l).$

（3）对提取的各特征按照公式 $f_{i,j}=\{f{\max }_{i,j}^1,{f\min }_{i,j}^1,{\mathrm{flsd}}_{i,j}^1\·\·\·{f\max }_{i,j}^N,{f\min }_{i,j}^N,{\mathrm{flsd}}_{i,j}^N\}$ ，组成特征向量，其中fmax、fmin、flsd分别为局部极大、局部极小、局部方差，N为子带总数。

（4）对图像特征向量进行FCM分类实现纹理图像分割，进行滤波去除小的噪点，得到最终的分割图像，算法结束。

图2是实验所用的大小为256×256的选用Brodatz纹理库的纹理组成两类、四类、五类混合纹理，图3是图2的标准分割结果。

图4是通过上述分割方法对图2实验图像的最佳分割结果图。

图5是分割结果与标准结果的差值。可以看出本文算法能够正确地对实验图像进行分割，仅在图像交界区域有少量图像分割错误，误差率很小。

图6是复杂合成纹理图像和自然图像分割的实验，从实验中可以看出，算法能够对复杂的合成纹理字进行准确的分割，同时对于有多类的合成纹理图像，也能成功的进行分割。对于自然纹理，算法在分割效果上虽然没有合成纹理的效果好，但从实验结果中也能看出，算法也能够较为准确的分割图像，分割错误的部分是由于倒影原因导致其特征部分与天鹅的特征极其相似。

Claims (3)

1.非下采样Contourlet变换局部区域特征的图像分割算法，包括以下步骤：

(1)对待分割图像进行非下采样Contourlet变换，得到低频子带和各高频子带；对各子带进行非线性变换、平滑操作，提取各子带邻域内的局部极大、局部极小和局部方差作为特征向量；

(2)将提取的特征向量组成三维特征向量，对特征向量使用聚类方法聚类从而实现纹理图像的分割，并进行滤波去除小的噪点，得到最终的分割图像，算法结束。

2.如权利要求1所述的非下采样Contourlet变换局部区域特征的图像分割算法，其特征在于，所述步骤(1)的各子带邻域内的特征提取方法按如下公式提取：假设x(i,j)为图像中某点的灰度值，则以i,j为中心的(2n+1)×(2n+1)的邻域D的极值点定义为f(i,j)＝max(ormin){f(x,y)|(x,y)∈D}，局部标准差的定义为 ${\mathrm{\σ}}_x(i,j)=\mathrm{sqrt}\left(\frac{1}{{(2n+1)}^2}\underset{k=i-n}{\overset{i+n}{\mathrm{\Σ}}}\underset{l=j-n}{\overset{j+n}{\mathrm{\Σ}}}{\[x(k,l)-m_x(i,j)\]}^2\right)$ ，其中m_x(i,j)为均值，定义为： $m_x(i,j)=\frac{1}{{(2n+1)}^2}\underset{k=i-n}{\overset{i+n}{\mathrm{\Σ}}}\underset{l=j-n}{\overset{j+n}{\mathrm{\Σ}}}x(k,l).$

3.如权利要求1所述的非下采样Contourlet变换局部区域特征的图像分割算法，其特征在于，所述步骤(2)的提取的特征按照公式 $f_{i,j}=\{f{\max }_{i,j}^1,{f\min }_{i,j}^1,{\mathrm{flsd}}_{i,j}^1\·\·\·{f\max }_{i,j}^N,{f\min }_{i,j}^N,{\mathrm{flsd}}_{i,j}^N\}$ ，进行组合，其中fmax、fmin、flsd分别为局部极大、局部极小、局部方差，N为子带总数。

Images