CN104952076A - 基于分块相似性度量的图像分割方法 - Google Patents

Abstract

本发明属于聚类技术的图像分割领域，具体涉及一种基于分块相似性度量的图像分割方法。本发明读入一幅自然场景图像，图像大小为M×N，确定欲分割的类别数目K，根据固定划分方式将图像划分为若干个面积相等的矩形区块，每个区块的大小为m×n；在固定划分的基础上对图像进行重叠划分，即将固定划分的块边界线，每次向右并向下移动过l个像素点，直到与原来的固定划分的块边界线重合为止；使每个像素点属于原来的固定划分中的一个区块，包含于不同的区块。本发明提出了一种基于分块相似性度量的图像分割方法，将像素之间的位置关系考量隐含在小区块中，对重叠划分出来的区块进行聚类分割，有效地改善了对像素进行聚类的分割效果。

Description

基于分块相似性度量的图像分割方法

技术领域

本发明属于聚类技术的图像分割领域，具体涉及一种基于分块相似性度量的图像分割方法。

背景技术

图像分割可以看做是图像中物体识别的一个关键的预处理步骤，它的目的是将数字图象中的不同事物以图像区域的方式提取分离出来，便于对某些感兴趣的目标区域进行处理。图像分割是图像自动语义内容分析的基础，分割结果的好坏将严重影响后续的分类与识别应用的效果。

在众多的分割方法中，基于像素视觉特征的聚类分割方法因其突出的分割效果而占有重要地位。基于视觉空间聚类的分割方法首先对像素的视觉特征(如颜色、纹理)进行聚类，利用视觉描述空间中的相似性测度来判断像素的区域归属，对于简单噪声较小的图像可取得良好的分割效果。通常情况下，基于聚类技术的图像分割都是建立在像素独立假设基础上的，在像素的聚类过程中只考虑了像素在视觉空间中的统计分布特性，而没有考虑到图像像素之间的空间位置相关性，这往往会影响分割后图像区域的平滑性。

而受像素空间位置限制的混合模型相比于独立混合模型，可以有效改善分割结果的平滑性。但是，空间限制混合模型的模型参数耦合性过高，使模型求解难度过高，从而增大了算法的复杂度。

发明内容

本发明的目的在于提供一种基于分块相似性度量的图像分割方法。

本发明的内容是这样实现的：

(1)读入一幅自然场景图像，图像大小为M×N，确定欲分割的类别数目K，根据固定划分方式将图像划分为若干个面积相等的矩形区块，每个区块的大小为m×n；

(2)在固定划分的基础上对图像进行重叠划分，即将固定划分的块边界线，每次向右并向下移动过l个像素点，直到与原来的固定划分的块边界线重合为止；使每个像素点属于原来的固定划分中的一个区块，包含于不同的区块；

(3)对重叠划分过程中产生的所有区块，计算其视觉特征，灰度均值和方差，利用K均值算法或EM算法对所有这些区块进行聚类，判断每个分块的类别归属；

(4)对图像中每个像素点，采用熵值的倒数来确定每个像素点的权值，

$H=-\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{p}_i{\log }_2{p}_i$

对每个像素点计算熵值，p_i为该像素点属于第i类的概率，p_i可通过统计该像素点属于不同的分块的类别情况来获得；

(5)考察每个分块内像素点的权值，如果权值像素点超过给定阈值，则认为该分块的区域一致性好，否则，对该分块进行分裂，分为四等分；如果本次没有需要分裂的分块，转步骤(6)，否则，转步骤(3)；

步骤(6)利用每个像素点的类别标示，输出分割图像。

本发明的有益效果在于：

本发明提出了一种基于分块相似性度量的图像分割方法，将像素之间的位置关系考量隐含在小区块(可以理解为“超级像素”)中，对重叠划分出来的区块进行聚类分割，有效地改善了对像素进行聚类的分割效果。

附图说明

本发明的算法流程图。

具体实施方式

下面结合附图对本发明做进一步描述。

本发明所提出的图像分割方法的具体步骤如下：

步骤1：读入一幅自然场景图像，图像大小为M×N，确定欲分割的类别数目K，根据固定划分方式将图像划分为若干个面积相等的矩形区块，每个区块的大小为m×n；

步骤2：在固定划分的基础上对图像进行重叠划分，即将固定划分的块边界线，每次向右并向下移动过l个像素点，直到与原来的固定划分的块边界线重合为止。这样，使每个像素点不止属于原来的固定划分中的一个区块，而是可以包含于不同的区块。

步骤3：对重叠划分过程中产生的所有区块，计算其视觉特征(灰度均值和方差等)，利用K均值算法或EM算法对所有这些区块进行聚类，判断每个分块的类别归属。

步骤4：对图像中每个像素点，考察其属于不同分块时的归类情况，采用熵值(熵的计算公式参见公式(1))的倒数来确定每个像素点的权值，这样可以使得一个像素点在属于不同分块的条件下，如果这些分块归属某一类的概率趋于一致，该像素点就获得一个较高的权值；如果这些分块都趋向于归属不同的类别，则该像素就获得一个较低的权值。

$H=-\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{p}_i{\log }_2{p}_i---\left(1\right)$

对每个像素点都按公式(1)计算熵值，p_i为该像素点属于第i类的概率，p_i可通过统计该像素点属于不同的分块的类别情况来获得。

步骤5：考察每个分块内像素点的权值，如果权值较高像素点超过给定阈值，则认为该分块的区域一致性较好，否则，对该分块进行分裂，分为四等分。如果本次没有需要分裂的分块，转步骤6，否则，转步骤3。

步骤6：利用每个像素点的类别标示，输出分割图像。

本发明提出一种新的图像分割方法，首先将图像划分成矩形小区块，我们采取重叠划分方式，获取每个区块的视觉属性的描述(颜色或纹理)；然后对分块的视觉空间利用K均值或EM算法进行聚类，利用分块聚类的结果，构造像素的权值；自动找出若干个具有典型颜色(或纹理)的小区块作为类别标记，然后将其他区块和这些区块进行相似性度量来确定每个区块的类别归属。对于像素权值难以趋于一致的区块，进行分裂后，重复上述过程。由于事先并没有提供任何指导性信息，该方法本质上还属于非监督学习算法。

Claims (1)

1.基于分块相似性度量的图像分割方法,其特征在于：

(1)读入一幅自然场景图像，图像大小为M×N，确定欲分割的类别数目K，根据固定划分方式将图像划分为若干个面积相等的矩形区块，每个区块的大小为m×n；

(2)在固定划分的基础上对图像进行重叠划分，即将固定划分的块边界线，每次向右并向下移动过l个像素点，直到与原来的固定划分的块边界线重合为止；使每个像素点属于原来的固定划分中的一个区块，包含于不同的区块；

(3)对重叠划分过程中产生的所有区块，计算其视觉特征，灰度均值和方差，利用K均值算法或EM算法对所有这些区块进行聚类，判断每个分块的类别归属；

(4)对图像中每个像素点，采用熵值的倒数来确定每个像素点的权值，

$H=-\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{p}_i{\log }_2{p}_i$

对每个像素点计算熵值，p_i为该像素点属于第i类的概率，p_i可通过统计该像素点属于不同的分块的类别情况来获得；

(5)考察每个分块内像素点的权值，如果权值像素点超过给定阈值，则认为该分块的区域一致性好，否则，对该分块进行分裂，分为四等分；如果本次没有需要分裂的分块，转步骤(6)，否则，转步骤(3)；

步骤(6)利用每个像素点的类别标示，输出分割图像。