CN104143186A

CN104143186A - 一种slic超像素分块优化方法

Info

Publication number: CN104143186A
Application number: CN201410318670.8A
Authority: CN
Inventors: 冯颖; 邹超洋; 杜娟
Original assignee: South China University of Technology SCUT
Current assignee: South China University of Technology SCUT
Priority date: 2014-07-04
Filing date: 2014-07-04
Publication date: 2014-11-12
Anticipated expiration: 2034-07-04
Also published as: CN104143186B

Abstract

本发明公开了一种SLIC超像素分块优化方法：1)获取初始化超像素分块；2)得到初始化超像素分块种子；3)将各行超像素分块作为目标区域，确定搜索范围，指定迭代次数，进行更新处理：3-1)针对目标行种子选取搜索范围，计算像素点距离度量因子值；3-2)当前超像素分块种子与其他超像素分块种子重叠搜索范围内，比较像素点距离度量因子值的大小；距离当前超像素种子的更小的像素点聚类到当前超像素分块中；3-3)获取更新后的超像素分块，计算目标行更新后的各超像素分块种子，并且判断迭代次数是否为零；若否，则针对更新后的目标行继续执行步骤3-1)；若是，获取最终更新后的超像素分块。具有计算量小、便于硬件实现的优点。

Description

一种SLIC超像素分块优化方法

技术领域

本发明属于图像分割出来领域，特别涉及一种SLIC超像素分块优化方法。

背景技术

图像分割是指按照一定的相似性准则将图像划分成具有特殊语义的不同区域，从而在复杂的背景环境中将感兴趣的目标分离出来，是图像分析、模式识别和计算机视觉中的基本问题。而超像素分割主要应用于图像分割中的预分割，超像素，是指具有相似纹理、颜色、亮度等特征的相邻像素构成的图像块，他利用像素之间特征的相似程度将像素分组，可以获取图像的冗余信息，并且经过超像素分割的图像冗余信息少，以超像素作为单位进行后续处理，在很大程度上降低了后续图像处理任务的复杂度，可以简化计算，降低算法的复杂性，有效地提高了分割算法的效率。

SLIC(simple linear iterative clustering，简单的线性迭代聚类)为基于聚类算法的超像素分割算法，是目前效果比较好的超像素分割算法。SLIC算法基于颜色相似性和距离邻近性作为度量因子，在五维空间上计算像素之间的距离，然后根据像素间的距离来进行超像素分割。五维空间向量表示为dist＝[l,a,b,x,y]，[l,a,b]是CIELAB颜色空间。SLIC算法基于K-means算法原理，首先对图像按照上述距离度量因子进行划分，然后对划分结果求均值，再进行下一次划分。通过不断的迭代获取最终稳定的种子结果，通过简单的线性迭代即可获得比较好的种子效果。对于一般的应用场合，上述算法能够实现实时处理。但若考虑对上述算法进行硬件实现时，则必须考虑成本问题，而SLIC超像素分割算法的计算量决定着硬件成本，并且传统SLIC超像素分割方法种子会浮动，位置不稳定。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种计算量更小和速度更快的SLIC超像素分块优化方法，该方法可以有效降低算法带宽，节省硬件成本，便于硬件实现。

本发明的目的通过下述技术方案实现：一种SLIC超像素分块优化方法，包括以下步骤：

1)设定超像素分块尺寸，按照所设定的尺寸将图像进行初始化分块，得到图像的初始化超像素分块；

2)将初始化超像素分块的几何中心作为初始化超像素分块的种子；

3)从输入图像上行超像素分块到下行超像素分块的顺序，将图像各行超像素分块作为目标区域，并且将目标区域行本身以及相邻行的超像素分块作为目标区域行超像素分块种子的搜索范围，指定迭代次数，按照迭代次数针对图像的目标区域行超像素分块依次进行以下迭代更新处理：

3-1)针对目标区域行的各超像素分块的种子选取一个搜索范围，并且针对各超像素分块种子搜索范围内的像素点，采用距离邻近性和颜色相似性计算其距离种子的距离度量因子值；

3-2)在当前处理的超像素分块种子与其他超像素分块种子重叠搜索范围内，比较像素点距离当前超像素分块种子的距离度量因子值是否小于距离其他超像素分块种子的距离度量因子值；

若是，则将该像素点聚类到当前处理的超像素分块中，然后执行步骤3-3)；否则保持该像素点所属超像素分块不变；

3-3)在重叠区域像素点聚类完成后，获取图像当前更新后的超像素分块，计算目标区域行当前更新后的各超像素分块的种子，并且判断当前迭代的次数是否为零；

若否，则针对更新后的当前超像素分块行继续执行步骤3-1)；

若是，则获取到输入图像目标区域行迭代更新后图像的超像素分块，执行步骤4)；

4)以图像的每行依次作为目标区域，判断当前目标区域行是否为图像最后一行，若否，则以下一行为目标区域执行步骤3)；若是，则获取到图像每行最终更新后的超像素分块，得到整幅图像的超像素分块。

优选的，步骤1)中，所述设定超像素分块尺寸为16*16pixel或8*8pixel。

优选的，步骤3)中每行超像素分块种子的搜索范围包括目标区域行本身以及相邻行靠近目标区域行的半行超像素分块。

更进一步的，所述每个超像素分块种子的搜索范围为：以每一个种子为中心周围32*32pixel区域范围。

优选的，像素点距离种子的距离度量因子值通过下式获取：

d_lab＝abs(l_i-l_k)+abs(a_i-a_k)+abs(b_i-b_k)，

d_xy＝abs(x_i-x_k)+abs(y_i-y_k)，

dist＝d_lab+h×d_xy；

其中d_lab表示像素点i与种子k的颜色相似性，d_xy表示像素点i与种子k的距离邻近性，dist表示距离度量因子值；l_i、a_i、b_i、x_i和y_i分别为像素点i的五维空间向量，l_k、a_k、b_k、x_k和y_k为种子k的五维空间向量，h表示距离度量因子中距离邻近性的占比。

更进一步的，所述距离度量因子中距离邻近性的占比h随着迭代次数的增加而增大。

更进一步的，步骤3)中图像每行超像素分块迭代更新的次数为3。

更进一步的，步骤3)中图像每行超像素分块三次迭代更新时，所述距离度量因子中距离邻近性的占比h分别为0.3、0.6和0.9。

优选的，步骤3-3)中计算更新后的超像素分块中像素点的坐标均值和颜色均值，作为更新后的超像素分块中的种子坐标。

本发明相对于现有技术具有如下的优点及效果：

(1)本发明将输入图像的一行作为目标区域行，并且确定一个目标区域相邻行为搜索范围，因此每一轮的计算仅为部分图像进行超像素分块，降低了系统带宽以及计算量，有效减小程序运行过程中的存储需求。

(2)本发明中像素点距离种子的距离度量因子中距离邻近性的占比随着迭代次数的增加逐步增大，因此能够增大像素点与种子之间的距离的比重，稳定种子位置，具有稳定的超像素分块位置，有利于算法的硬件实现。

附图说明

图1是本发明方法的流程图。

图2是本发明方法中超像素分块的目标区域示意图。

图3是本发明方法中超像素分块种子周围的搜索范围示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

本实施例公开了一种SLIC超像素分块优化方法，包括以下步骤：

(1)设定超像素分块尺寸为16*16pixel，按照所设定的尺寸将一副分辨率为640*480pixel的图像进行初始化分块，得到图像的初始化超像素分块；其中该图像包括40行超像素分块，其中每行包括30个超像素分块，总共包含有1200个超像素分块。

(2)将初始化超像素分块的几何中心作为初始化超像素分块的种子，并且针对各初始化超像素分块中的各像素点赋予一个很小的距离度量因子初始值10^-20；在本实施例中针对图像的各超像素分块建立一个种子坐标矩阵(Seed_coorx,Seed_coory)以及种子编号矩阵Seed_Label，种子坐标矩阵记录各超像素分块种子的坐标，种子编号矩阵标记各超像素分块的编号，在本实施例中各超像素分块的种子编号分别为1至1200，各初始化超像素分块中的所有像素点编号均为该初始化超像素分块的种子编号。在本实施例中还针对图像中所有像素点的距离度量因子值建立一个距离向量矩阵Distance_seed，Distance_seed的大小为640*480。

(3)从输入图像上行超像素分块到下行超像素分块的顺序，如图2所示，将图像各行超像素分块作为目标区域，如实线框22所示；并且将目标区域本身以及相邻行靠近目标区域行的半行超像素分块作为每行超像素分块种子的搜索范围，如虚线框11所示；当处理种子33对应超像素分块种子时，虚线框44所示的范围即为搜索的坐标范围。在本实施例中第一行超像素分块为目标区域时，搜索范围为第一行以及第二行靠近第一行的半行超像素分块，当最后一行超像素分块为目标区域时，搜索范围为最后一行以及倒数第二行靠近最后一行的半行超像素分块，当其他行超像素分块为目标区域时，搜索范围为该目标区域行以及前一行和后一行靠近目标区域行的半行超像素分块；然后指定迭代次数iter，按照迭代次数针对图像的每行超像素分块依次进行以下迭代更新处理，其中本实施例中迭代次数iter＝3。

(3-1)以各超像素分块的种子为中心，在种子周围选取一个32*32pixel的搜索范围，其中如图3所示，目标区域行第一个超像素分块种子搜索范围如虚线框3所示，该超像素分块的种子如图3圆圈1所示，第二个超像素分块种子搜索范围如虚线框4所示，该超像素分块的种子如图3圆圈2所示。从当前处理的超像素分块行的第一个超像素分块开始，针对每个超像素分块种子搜索范围内的像素点，采用距离邻近性和颜色相似性计算其距离种子的距离度量因子值；

d_lab＝abs(l_i-l_k)+abs(a_i-a_k)+abs(b_i-b_k)，

d_xy＝abs(x_i-x_k)+abs(y_i-y_k)，

dist＝d_lab+h×d_xy；

其中d_lab表示像素点i与种子k的颜色相似性，d_xy表示像素点i与种子k的距离邻近性，dist表示距离度量因子值；l_i、a_i、b_i、x_i和y_i分别为像素点i的五维空间向量，l_k、a_k、b_k、x_k和y_k为种子k的五维空间向量，h表示距离度量因子中距离邻近性的占比，其中在指定的迭代次数内，占比h在每一次迭代过程中逐步增大，其中三次迭代的取值分别为0.3、0.6以及0.9，本实施例中增大距离度量因子所占的比重即像素点与种子之间的距离的比重同时也降低了颜色所占的比重，距离种子近的像素点不容易分到别的超像素分块，因此稳定了超像素分块位置。

(3-2)在当前处理的超像素分块种子与其他超像素分块种子重叠搜索范围内，比较像素点当前计算的距离度量因子值是否小于距离其他超像素分块种子的距离度量因子值；

若是，则将该像素点聚类到当前处理的超像素分块，即将该像素点的编号重新标记为当前超像素分块的种子编号，然后执行步骤(3-3)；否则该像素点所属超像素分块不变，即其编号不变。

(3-3)在重叠区域像素点聚类完成后，获取图像当前更新后的超像素分块，计算更新后的目标区域行超像素分块中像素点的坐标均值和颜色均值，作为目标区域行更新后的超像素分块中的种子坐标，并且更新种子坐标矩阵，判断当前迭代的次数iter是否为零；

若否，则针对更新后的当前超像素分块行继续执行步骤(3-1)；

若是，则获取到输入图像目标区域行三次迭代更新后获取到的超像素分块，执行步骤(4)。

(4)以图像的每行依次作为目标区域，判断当前目标区域行是否为图像最后一行，若否，则以下一行为目标区域执行步骤3)；若是，则获取到图像每行最终更新后的超像素分块，得到整幅图像的超像素分块。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims

1.一种SLIC超像素分块优化方法，其特征在于，包括以下步骤：

若否，则针对更新后的当前超像素分块行继续执行步骤3-1)；

2.根据权利要求1所述的SLIC超像素分块优化方法，其特征在于，步骤1)中，所述设定超像素分块尺寸为16*16pixel或8*8pixel。

3.根据权利要求1所述的SLIC超像素分块优化方法，其特征在于，步骤3)中每行超像素分块种子的搜索范围包括目标区域行本身以及相邻行靠近目标区域行的半行超像素分块。

4.根据权利要求3所述的SLIC超像素分块优化方法，其特征在于，所述每个超像素分块种子的搜索范围为：以每一个种子为中心周围32*32pixel区域范围。

5.根据权利要求1所述的SLIC超像素分块优化方法，其特征在于，像素点距离种子的距离度量因子值通过下式获取：

d_lab＝abs(l_i-l_k)+abs(a_i-a_k)+abs(b_i-b_k)，

d_xy＝abs(x_i-x_k)+abs(y_i-y_k)，

dist＝d_lab+h×d_xy；

6.根据权利要求5所述的SLIC超像素分块优化方法，其特征在于，所述距离度量因子中距离邻近性的占比h随着迭代次数的增加而增大。

7.根据权利要求6所述的SLIC超像素分块优化方法，其特征在于，步骤3)中图像每行超像素分块迭代更新的次数为3。

8.根据权利要求7所述的SLIC超像素分块优化方法，其特征在于，步骤3)中图像每行超像素分块三次迭代更新时，所述距离度量因子中距离邻近性的占比h分别为0.3、0.6和0.9。

9.根据权利要求1所述的SLIC超像素分块优化方法，其特征在于，步骤3-3)中计算更新后的超像素分块中像素点的坐标均值和颜色均值，作为更新后的超像素分块中的种子坐标。