CN103793913A - 一种结合均值漂移的谱聚类图像分割方法 - Google Patents

Abstract

本发明，提供的是一种结合均值漂移算法和谱聚类分析的图像分割方法，是一种提高了分割精度和计算效率的二级分割算法。包括对原始图像增强去噪；选取像素特征进行均值漂移分割；提取小区域的有效特征，将分割后的区域作为谱聚类分析的对象，分类得到最终准确的分割结果。本发明利用均值漂移的梯度自适应上升搜索的理念，对水声图像进行小区域划分，将特征相似且相邻的像素点划到同一区域，特征差异大的划为不同区域，实现局部的最大相似性分割。对均值漂移后的结果，独立不相交、内部具有连通性、具有一定面积的小区域，采用谱聚类分析的方法，实现小区域的再划分，得到准确的分割结果。较一般的谱聚类图像分割方法，该发明方法的计算量较小、分割精度也更高，同时降低了对参数的敏感度，利于机器的无监督实现。

Description

一种结合均值漂移的谱聚类图像分割方法

技术领域

本发明涉及的是一种数字图像处理技术，是一种图像分割方法。

背景技术

图像处理中，图像分割为目标识别与特征提取提供输入数据，分割结果的优劣将直接影响特征提取与目标识别的可靠性与准确性。水声图像处理中，目标区域由于在图像中不占主体优势，极易在分割过程中被背景淹没。水声图像的准确分割，成为影响水下智能作业的关键因素，是水声图像智能识别技术的一个研究热点。

谱聚类分割技术是一种以谱图理论为基础，谋求数据集最优划分的一种聚类分析方法，将数据的非线性聚类问题转换为图的最优划分问题。作为一种新颖的数据聚类理论，谱聚类有着比传统聚类方法更好的性能，在图像分割领域表现更为优越。2002年由Ng、Jordan、Weiss提出^[1]的NJM算法，是一种多路划分的基于标准割的谱聚类方法，在图像分割领域应用很广。然而传统的NJM算法需要计算像独立素点间的相似性，当图像规模很大时，计算相似性矩阵和求解相应的特征值和求解相应的特征值和特征向量是分厂困难。为了使谱聚类算法应用于大规模数据集中，采用一种多阶段的分割方法，将谱聚类的分析对象转化为小区域，降低相似矩阵的规模，提高计算效率。

小面积区域的获取，即通过一定的准则将图像划分为多个不相交的区域。小区域的分割精度直接影响最终谱聚类的结果。均值漂移算法^[2]能够有利的保护低质量图像中的微弱有效信息，在水声图像分割中有实用价值。本发明将两者结合，构造适用于水声图像的二级谱聚类分割算法。

与本发明相关的参考文献包括：

[1]Ng A.,Jordan M,Weiss Y.On Spectral Clustering：Analysis and An Algorithm.InAdvances in Neural Information Processing Systems,2001:849-856.

[2]Cheng Yizong.Mean-shift,mode seeking,and clustering[J].IEEE Trans onPattern Analysis and Machine Intelligence,1995,17(8):790-799.

发明内容

本发明的目的在于提供一种对于低质量的水声图像有较好的分割效果的基于均值漂移的二级谱聚类图像分割方法

本发明的目的是这样实现的：

本发明的基于均值漂移的二级谱聚类分割的方法具体包括如下步骤：

1.对原始图像进行增强去噪；

2.对图像进行像素点特征提取，至少选取一类特征；

3.基于像素的特征向量，选取合适尺寸的活动窗口，对图像进行均值漂移分割，标记分割区域；

4.计算个标记区域的区域特征，再结合区域间的空间特征和梯度特征，选择合适的尺度参数，构建谱聚类的相似度矩阵；

5.选择合适的分类数目，进行谱聚类分析，得到新的标记矩阵；

6.用新的标记矩阵更新旧的标记矩阵，得到水声图像的完整分割，标记矩阵反映分割区域分布。

本发明主要涉及均值漂移理论和谱聚类分析理论。利用均值漂移的梯度上升搜索特性，选择漂移特征，设定特征阈值和图像区域内的搜索范围，对水声图像进行漂移标记，得到预分割区域；利用谱聚类分析理论，将预分割的小区域看多图中的顶点，各区域的相似关系看做边，将小区域的分类问题转化为图划分，构造合适的相似度矩阵，选择划分准则，将完整图分解为不相交的子图，完成分割。

附图说明

图1为原图像预处理的结果。

图2为均值漂移后的区域分割结果。

图3为最终的水声图像分割结果。

图4为该发明方法的整体流程框图。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

1.对原始图像进行预处理，目的是对比度增强和滤波去噪，用到的手段有灰度级指数变换和形态学重构，得到图1。

2.对增强后的图像进行像素点特征提取，选择灰度值为漂移特征；

3.基于图像的灰度特征，选择合适尺寸的漂移窗口，进行上升梯度搜索，实现均值漂移。

均值漂移的实现：利用迭代的方法，实现全图像区域的漂移标记分割。

为获得分割精度和计算效率上的平衡，选择7×7的漂移窗口，特征的阈值则选为10。

取图像的一个未被标记的点为初始点，其特征向量为x_i（当仅有一个特征时为特征量）；对每一个x_i，以漂移窗口的大小为限，把与x_i的特征向量小于一定阈值的点标记为同一类；当前区域完成标记时，判断该区域的面积，当面积小于5时，说明区域过小，则标记失败，将该类标记点都重置为未标记点，否则，标记生效；重新搜索未标记像素点，若找到，则重复以上步骤，若全部完成标记，则计算结束。需要注意：当完成所有大面积区域标记后仍有孤立的小面积区域，则按照与相邻区域的相似度，将其划入相似度最大的区域。均值漂移的结果时输出一个与图像区域的同尺寸的标记区域。

4.计算个标记区域的区域特征；

对一个有一定面积和不规则的连通区域，采用统计的方法获得纹理特征。针对每个区域，构造其统计矩。

区域灰度均值

${\mathrm{\μ}}_{1,i}=\frac{\underset{x,y\∈R_i}{\mathrm{\Σ}}I(x,y)}{\mathrm{num}\left(R_i\right)}$

区域二阶中心矩

${\mathrm{\μ}}_{2,i}=\frac{\underset{x,y\∈R_i}{\mathrm{\Σ}}{(I(x,y)-{\mathrm{\μ}}_{1,i})}^2}{\mathrm{num}\left(R_i\right)}$

5.以区域的纹理特征为基础，再结合区域间的空间特征和梯度特征，择合适的尺度参数，构建谱聚类的相似度矩阵；

区域R_i的特征向量v_i={μ_1,i,μ_2,i}

两个区域R_i和R_j之间的纹理差异性，d_i,j=d(R_i,R_j)=||v_i-v_j||²

按照一定的规则，考虑空间特征和梯度特征，计算s_i,j。

区域R_i与R_bg相邻，判断梯度矩阵T中，R_i与R_bg所在区域是否存在大于一定阈值的梯度。当存在时，认为这两个区域的属于一类的可能性较低，取：

s_i,j=||v_i+v_j||²+D_ij ²

在其他情况下，采用：

s_i,j=d_i,j＋D_ij ²

选择合适的尺度参数σ，构造相似度矩阵W：

$w_{\mathrm{ij}}=e^{-\frac{s_{i,j}}{2{\mathrm{\σ}}^2}}$

6.选择合适的分类数目，进行谱聚类分析；

求出规范化拉普拉斯矩阵L_sym，对L_sym进行特征分解，求出其前k个最大的特征值所对应的特征向量，按对应特征值由大到小的顺序从前往后插入到特征向量矩阵V中，对矩阵V的数据按行归一化，得到矩阵U∈R^n×k

$u_{\mathrm{ij}}=v_{\mathrm{ij}}/{\left(\underset{k}{\mathrm{\Σ}}{v}_{\mathrm{ik}}^2\right)}^{1/2}$

利用k均值聚类的方法将属于空间R^n×k中的数据y_i(i=1,2,…,n)分割成k类，得到标记矩阵。

7.用新的标记矩阵更新旧的标记矩阵，得到水声图像的完整分割，标记矩阵反映分割区域分布。

Claims (1)

1.一种结合均值漂移的谱聚类图像分割方法，其特征是：

(1)对原始图像进行增强去噪；

(2)对图像进行像素点特征提取，至少选取一类特征；

(3)基于像素的特征向量，选取合适尺寸的活动窗口，对图像进行均值漂移分割，标记分割区域；

(4)计算个标记区域的区域特征，再结合区域间的空间特征和梯度特征，选择合适的尺度参数，构建谱聚类的相似度矩阵；

(5)选择合适的分类数目，进行谱聚类分析，得到新的标记矩阵；

(6)用新的标记矩阵更新旧的标记矩阵，得到水声图像的完整分割，标记矩阵反映分割区域分布。

Images