CN104063707A - 基于人类视觉多尺度感知特性的彩色图像聚类分割方法 - Google Patents

Abstract

一种基于人类视觉多尺度感知特性的彩色图像聚类分割方法，其特征是首先采用一个以a=0，b=0为圆心，为半径的圆柱体将CIELAB色彩空间分割成两个部分；其次，采用传统的图像分割聚类算法将图像分割成一定密度和大小的图块；第三，计算每个聚类图块平均色彩向量值，并将向量投影到ab平面上；第四，计算每个聚类图块平均色彩向量值投影在ab平面上向量的模长；第五，根据向量的模长将其归于不同的测度空间；第六，对相邻图块类采用式进行向量间的夹角的计算；第七以公式为判据，将符合条件的图块进行聚类；最后，重复第三～六步，直到收敛。本发明有利于提高了图像的聚类效果和抗干扰能力。

Description

基于人类视觉多尺度感知特性的彩色图像聚类分割方法

技术领域

本发明涉及一种图像聚类处理方法，尤其是一种可以广泛应用于如机器人视觉室外与室内场景图像的空间识别、大空间的目标测量、目标追踪与定位等领域图像聚类分割方法，具体地说是一种基于人类视觉多尺度感知特性的彩色图像聚类分割方法。

背景技术

对室外与室内场景图像的空间识别，依赖于对场景图像物体的认知与识别，因此如何将场景中的地面、墙面、天花板、天空、建筑物、树木等物体进行有效的聚类，将是能成功实现机器人视觉对室外与室内场景图像的空间识别、大空间目标识别、搜索、测量、追踪与定位等图像应用领域的关键。目前对图像聚类的方法中往往采用颜色空间的欧式距离、Bhattacharyya距离等方法，这些方法在一定层度上实现了对场景图像的聚类，但当场景图像中的光线较为复杂时，这些方法的聚类效果与人类视觉对场景图像的聚类效果相比则存在较大的差异。本方法基于人类视觉多尺度感知特性建立了一套新型的颜色空间模型，并在此基础上进行多尺度的颜色聚类，实现了一种可接近人类视觉感知的图像聚类分割方法。

发明内容

本发明的目的是针对现有的图像聚类方法当场景图像中的光线较为复杂时，传统的颜色空间的欧式距离、Bhattacharyya距离等方法的聚类效果与人类视觉对场景图像的聚类效果相比则存在较大的差异。发明一种基于人类视觉多尺度感知特性的彩色图像聚类分割方法，并在此基础上进行多尺度的颜色聚类，以实现一种可接近人类视觉感知的图像聚类分割方法。

本发明的技术方案是：

一种基于人类视觉多尺度感知特性的彩色图像聚类分割方法，其特征是首先采用一个以a＝0，b＝0为圆心，R_m为半径的圆柱体将CIELAB色彩空间分割成两个部分：

①对于在ab平面上投影的模长大于R_m的颜色向量，采用两个颜色向量在ab平面投影向量间的夹角和颜色向量在ab平面上投影的模长之差的绝对值作为颜色聚类的近似性测度，具体的数学表达如下：

$\mathrm{\θ}=\arccos \frac{\stackrel{\→}{a}\·\stackrel{\→}{b}}{\left|\stackrel{\→}{a}\right|\left|\stackrel{\→}{b}\right|}\≤{\mathrm{\θ}}_T---\left(1\right)$

$\mathrm{\Δm}=\left|\right|\stackrel{\→}{a}|-|\stackrel{\→}{b}\left|\right|\≤\mathrm{\Δ}{m}_T---\left(2\right)$

其中：和为两个颜色向量在ab平面投影向量，θ_T和Δm_T分别为两向量聚类夹角的阈值和模长之差的阈值，θ_T的取值范围为θ_T＝5～20°，Δm_T的取值范围为Δm_T＝15～40。

②对于在ab平面上投影的模长小于R_m的颜色向量，则采用两个颜色向量在ab平面投影向量间的夹角其表达式同(1)，以及颜色向量在L轴上投影的亮度差作为其颜色聚类的近似性测度，具体的数学表达如下：

ΔL＝|L_a-L_b|≤ΔL_T (3)

其中：ΔL_T的取值范围为ΔL_T＝5～20；

其次，采用传统的图像分割聚类算法将图像分割成一定密度和大小的图块；

第三，计算每个聚类图块平均色彩向量值，并将向量投影到ab平面上；

第四，计算每个聚类图块平均色彩向量值投影在ab平面上向量的模长；

第五，根据向量的模长将其归于不同的测度空间；

第六，对相邻图块类采用式进行向量间的夹角的计算；

第七，以公式(1)(2)(3)为判据，将符合条件的图块进行聚类；

最后，重复第三～六步，直到收敛。

所述的图像分割聚类算法包括超像素、谱聚类、谱聚类均值漂移法(Meanshift)、快速漂移法(Quick shift)、分水岭法(Watershed approach)、及K均值法(K-means)等，或其中的一种或几种的组合。

本发明的有益效果是：

1.本发明有效的模拟了人类对不同色彩饱和度条件下对基于物体表面颜色和亮度的识别方式的转换，实现的对场景图像中不同色彩饱和度物体的有效聚类。

2.与传统的基于欧式距离、Bhattacharyya距离等颜色空间的图像聚类方法相比，提高了图像的聚类效果和抗干扰能力。

3.本发明的模型简单、易于实现，可广泛应用与室外、室内各种光源复杂的场景图像空间识别的应用中。

4.本发明对图像聚类分割的降维效果明显，可有效提高图像分析的效率和准确度。

附图说明

图1是CIELAB三维色彩空间模型示意图。图1(a)是凸集空间示意图，图1(b)是CIELAB三维色彩空间在ab平面上的投影示意图。

图2是人类的可见光谱分布示意图。

图3是人工标注的室内空间主导性结构边界线示意图。

图4是色彩多尺度图感知模型示意图。

图5是欧式颜色距离与颜色向量在ab平面投影向量间夹角的比较。

图6不同空间尺度对同一场景图像的聚类效果示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明。

如图1-6所示。

一种基于人类视觉多尺度感知特性的彩色图像聚类分割方法，首先，是构建一个颜色多尺度空间模型：

本发明采用的CIELAB色彩空间是目前用来描述人眼可见的所有色彩中最完备的颜色模型。如图1(a)所示，该模型是一个凸集空间。由图1(b)和图2可以看出CIELAB色彩空间在ab平面上的投影在角度方向上颜色分布与人类视觉在对光线波长方向上的分布完全一致，因此我们可以推论人类对物体色彩的感知主要是对物体表面上反射光线波长的感知。由图1(b)可以看出色彩在ab平面上的模长小于一定数值时将出现色彩饱和度不足的情况，对于人类的肉眼来说已经很难分辨出颜色了，但即使是物体的色彩饱和度不足或颜色完全相同的情况下，人类的肉眼仍能分辨出如室内的天花板和墙体、墙体与墙体、墙体与地面之间能够反映室内空间主导性结构的边界线。如图3所示，即使是同样颜色的天花板和墙面，人类的视觉也能通过光线在不同物体表面反射亮度的不同，分辨出天花板和墙面的分界线。

通过上述的分析说明人类视觉对图像色彩具有多尺度的感知特性。在此基础上，本发明构建了一种新型的色彩多尺度感知模型，并用于对室外、室内等场景图像的谱聚类算法。其基本思想是采用一个以a＝0，b＝0为圆心，为半径的圆柱体将CIELAB色彩空间分割成两个部分，如图4所示：

①对于在ab平面上投影的模长大于R_m的颜色向量，采用两个颜色向量在ab平面投影向量间的夹角和颜色向量在ab平面上投影的模长之差的绝对值作为颜色聚类的近似性测度，具体的数学表达如下：

$\mathrm{\θ}=\arccos \frac{\stackrel{\→}{a}\·\stackrel{\→}{b}}{\left|\stackrel{\→}{a}\right|\left|\stackrel{\→}{b}\right|}\≤{\mathrm{\θ}}_T---\left(1\right)$

$\mathrm{\Δm}=\left|\right|\stackrel{\→}{a}|-|\stackrel{\→}{b}\left|\right|\≤\mathrm{\Δ}{m}_T---\left(2\right)$

其中：和为两个颜色向量在ab平面投影向量，θ_T和Δm_T分别为两向量聚类夹角的阈值和模长之差的阈值，θ_T的取值范围为θ_T＝5～20°，Δm_T的取值范围为Δm_T＝15～40。

②对于在ab平面上投影的模长小于R_m的颜色向量，则采用两个颜色向量在ab平面投影向量间的夹角其表达式同(1)，以及颜色向量在L轴上投影的亮度差作为其颜色聚类的近似性测度。具体的数学表达如下：

ΔL＝|L_a-L_b|≤ΔL_T (3)

其中：ΔL_T的取值范围为ΔL_T＝5～20。

构建本发明模型的原理是：CIELAB色彩空间中的颜色向量在ab平面上投影模长，表征着颜色在视觉感受上的色彩饱和度，即CIELAB色彩空间中的颜色向量在ab平面上投影模长越长则人类感知的颜色将越鲜艳，此时人类对物体的认知主要依靠物体表面所呈现的颜色，而物体表面上的亮度则可以有较大的变化范围。当物体的色彩饱和度不足时，即颜色向量在ab平面上投影模长较短时，人类对物体的识别主要依靠物体表面明暗亮度变化而非颜色。本发明的色彩多尺度图感知模型正是基于了人类视觉在不同的色彩饱和度情况下对物体颜色区分采用不同的尺度，以及人类对物体色彩的认知主要通过其表面反射光谱的波长差异来分辨原理构建起来的。在色彩多尺度图感知模型中，当物体色彩饱和度较高时，即颜色向量在ab平面上投影的模长大于R_m时，其颜色聚类的近似性测度中对亮度的限制很小，仅有模长之差Δm_T对亮度存在一定程度的约束；而当颜色向量在ab平面上投影模长小于R_m时，颜色聚类的近似性测度中不仅有夹角约束条件，还直接增加了其亮度的约束，从而提高了饱和度不足情况下，颜色聚类间的区分度。

其次，将构建的模型应用在图像聚类分割中，具体步骤包括：

①采用传统的图像分割聚类算法(如：超像素、谱聚类谱聚类、均值漂移法(Mean shift)、快速漂移法(Quick shift)、分水岭法(Watershed approach)、及K均值法(K-means)等、)将图像分割成一定密度和大小的图块；

②计算每个聚类图块平均色彩向量值，并将向量投影到ab平面上；

③计算每个聚类图块平均色彩向量值投影在ab平面上向量的模长，并④根据向量的模长将其归于不同的测度空间，如图4所示；

⑤对相邻图块类采用式(1)进行向量间的夹角的计算；

⑥以公式(1)(2)(3)为判据，将符合条件的图块进行聚类；

⑦重复步骤②～⑤，直到收敛。

以下将现有的颜色的欧式距离、Bhattacharyya距离与本发明所的基于颜色向量在ab平面投影向量间夹角进行关于颜色相似性尺度的比较分析。

①颜色的欧式距离与颜色向量在ab平面投影向量间夹角的颜色相似性尺度比较。

如图5所示，和为两个颜色向量在ab平面的投影向量，它们所对应的方向角度之间的扇形区域对应着一定波长氛围内光谱颜色，当模长即其所对应的色彩饱和度增加时两向量之间的扇形面积将增大，但颜色向量间的方向夹角并没有变化，这有利于基于颜色特征聚类算法结果的一致性。但是，对于采用欧式距离作为尺度的颜色集合来说，当其处于不同模长的ab平面空间位置时，其所对应光谱颜色范围是不同的，即对于同一欧式距离范围内的颜色集合的中心模长越短，则其所对应光谱上颜色将越多，而颜色集合中心模长越长，则其所对应的光谱颜色则越少，这给基于颜色的聚类算法结果带来了不确定性。

②颜色的Bhattacharyya距离与颜色向量在ab平面投影向量间夹角的颜色相似性尺度比较。

颜色的Bhattacharyya距离将L、a、b通道的取值范围划分成若干等级，如将L、a、b通道分别划分为8、16、16个等级，从而可以构成8×16×16＝2048个维度的空间向量，该向量不仅包含着图块颜色信息，而且隐含着图块颜色成分的纹理信息。由于物体在摄像机成像系统中服从近大远小的规律，对于较大空间的室外场景图像来说，没有呈现出过多的颜色和纹理等方面的细节特征。因此Bhattacharyya系数法能有效的衡量出大多数室外场景图像中建筑物立面、地面和树木等图块的相似性。而对于室内空间场景或空间距离较近的室外场景来说，Bhattacharyya系数法构建的颜色距离相似性测度较为苛刻，从而场景图像会呈现出物体更多的颜色和纹理等方面细节特征。如室内场景中木制家具表面的木纹纹理、壁纸上的花纹等。因此采用Bhattacharyya系数法无法有效的对较近距离的室外场景以及室内空间场景图像中的图像进行有效聚类。

同一室内场景图像不同颜色空间的聚类效果如图6所示，图6中，(a)为原图；(b)为欧式空间的聚类效果；(c)为Bhattacharyya距离的聚类效果；(d)为本发明的色彩多尺度感知模型方法的聚类效果聚类效果示意图。

本发明未涉及部分与现技术相同或可采用现有技术加以实现。

Claims (2)

1.一种基于人类视觉多尺度感知特性的彩色图像聚类分割方法，其特征是首先采用一个以a＝0，b＝0为圆心，R_m为半径的圆柱体将CIELAB色彩空间分割成两个部分：

①对于在ab平面上投影的模长大于R_m的颜色向量，采用两个颜色向量在ab平面投影向量间的夹角和颜色向量在ab平面上投影的模长之差的绝对值作为颜色聚类的近似性测度，具体的数学表达如下：

$\mathrm{\θ}=\arccos \frac{\stackrel{\→}{a}\·\stackrel{\→}{b}}{\left|\stackrel{\→}{a}\right|\left|\stackrel{\→}{b}\right|}\≤{\mathrm{\θ}}_T---\left(1\right)$

$\mathrm{\Δm}=\left|\right|\stackrel{\→}{a}|-|\stackrel{\→}{b}\left|\right|\≤\mathrm{\Δ}{m}_T---\left(2\right)$

其中：和为两个颜色向量在ab平面投影向量，θ_T和Δm_T分别为两向量聚类夹角的阈值和模长之差的阈值，θ_T的取值范围为θ_T＝5～20°，Δm_T的取值范围为Δm_T＝15～40。

②对于在ab平面上投影的模长小于R_m的颜色向量，则采用两个颜色向量在ab平面投影向量间的夹角其表达式同(1)，以及颜色向量在L轴上投影的亮度差作为其颜色聚类的近似性测度，具体的数学表达如下：

ΔL＝|L_a-L_b|≤ΔL_T (3)

其中：ΔL_T的取值范围为ΔL_T＝5～20；

其次，采用传统的图像分割聚类算法将图像分割成一定密度和大小的图块；

第三，计算每个聚类图块平均色彩向量值，并将向量投影到ab平面上；

第四，计算每个聚类图块平均色彩向量值投影在ab平面上向量的模长；

第五，根据向量的模长将其归于不同的测度空间；

第六，对相邻图块类采用式进行向量间的夹角的计算；

第七，以公式(1)(2)(3)为判据，将符合条件的图块进行聚类；

最后，重复第三～六步，直到收敛。

2.根据权利要求1所述的方法，其特征所述的图像分割聚类算法包括超像素、谱聚类均值漂移法(Mean shift)、快速漂移法(Quick shift)、分水岭法(Watershedapproach)、及K均值法(K-means)等、或其中的一种或几种的组合。