CN106204538A

CN106204538A - 一种图像分割方法及系统

Info

Publication number: CN106204538A
Application number: CN201610494277.3A
Authority: CN
Inventors: 马君亮; 汪西莉; 肖冰
Original assignee: Shaanxi Normal University
Current assignee: Shaanxi Normal University
Priority date: 2016-06-28
Filing date: 2016-06-28
Publication date: 2016-12-07
Anticipated expiration: 2036-06-28
Also published as: CN106204538B

Abstract

本公开涉及一种图像分割方法及系统，所述方法先对待分割图像提取超像素并获取超像素的区域中心点，通过对超像素的区域中心点进行标记，再利用超像素的区域中心点的标记信息对未标记的样本点进行标记。在超像素的区域中心点进行标记时，通过对样本点构建的无向加权图进行稀疏简化，再使用基于图的半监督学习算法来标记。在对其余未标记样本点进行标记时，以超像素的区域中心为基础，对未标记样本点使用K近邻进行分类标记。本公开具有速度快，标记准确率高的特点，并适用于大规模的图像分割。

Description

一种图像分割方法及系统

技术领域

本公开涉及一种图像处理，具体地讲，涉及一种图像分割方法及系统。

背景技术

图像分割是计算机视觉中的基础问题之一，具有很大的应用潜力。图像分割就是在图像中提取图像目标，也就是像素的集合，该集合中的像素在颜色、强度、纹理等特征方面满足某些相似性，从而实现定位和识别图像中的边界。在最近几年，图像分割已经取得的一定的研究进展。在所提出的方法中，基于图的半监督方法已引起广泛关注。

然而，基于图的半监督分类方法在应用图像分类时仍有待于进一步完善。该类方法中，相似性矩阵维数高，在计算过程中涉及多次的矩阵乘法和逆运算，计算过程非常耗时。随着问题规模的增加，计算时间复杂度也随之增加。

发明内容

针对上述部分问题，本公开提供了一种图像分割方法及系统。

一种图像分割方法，所述方法包括下述步骤：

S100、对待分割图像提取超像素并获取超像素的区域中心点；

S200、利用已标记样本点对超像素的区域中心点进行标记；

S300、利用超像素的区域中心点的标记，对所有未标记样本点进行标记，以实现图像分割。

进一步地，所述步骤S200包括下述步骤：

S201、以超像素的区域中心点和待分割图像上的已标记样本点共同作为图的顶点，以所述节点之间的相似性为边的权值构造第一无向加权图；

S202、基于第一无向加权图，对每个节点，保留与其相连的M条权值最大的边，删掉其余与其相连的边，获得第二无向加权图；M为设定值；

S203、对第二无向加权图，采用基于图的半监督学习算法，利用已标记的样本点获得超像素的区域中心点的标记。

进一步地，所述步骤S300的一种优选实现方式，即包括下述步骤：

S301、利用已获得的超像素的区域中心点的标记信息，计算每个未标记样本点和超像素区域中心点之间的相似性；

S302、选择一个未标记样本点，统计其与超像素区域中心点相似性最大的前K个超像素区域中心点的标记信息，依据前K个超像素区域中心点的类别信息来判断该未分类样本点的类别信息；

S303、判断所有未标记样本点是否被标记完；若是，则执行步骤S304；否则执行步骤S302；

S304、图像分割完成。

优选地，所述超像素的区域中心点通过简单线性迭代聚类(simple lineariterative clustering，SLIC)算法进行提取。

优选地，所述S203中基于图的半监督学习算法优选标签传播算法。

根据所述方法，实现一种图像分割系统，所述系统包括下述模块：

预处理模块，用于：对待分割图像提取超像素并获取超像素的区域中心点；

第一标记模块，利用已标记样本点对超像素的区域中心点进行标记；

第二标记模块，利用超像素的区域中心点的标记，对所有未标记样本点进行标记，以实现图像分割。

进一步地，所述第一标记模块包括下述单元：

第一无向加权图构造单元，用于：构造第一无向加权图；所述第一无向加权图以超像素的区域中心点和待分割图像上的已标记样本点共同作为图的顶点，以所述节点之间的相似性为边的权值；

第二无向加权图获取单元，用于：对所述第一无向加权图的每个节点保留与其相连的M条权值最大的边，并删掉其余与其相连的边，以获得第二无向加权图；M为设定值；

第一标记单元，用于：对第二无向加权图，采用基于图的半监督学习算法，利用已标记的样本点获得超像素的区域中心点的标记。

进一步地，所述第二标记模块包括下述单元：

节点获取单元，用于：用于区别已标记样本点、未标记样本点，输出给计算单元用于计算；首次获取的已标记节点为超像素的区域中心点；

计算单元，用于：计算每个未标记样本点和已标记样本点之间的相似性，并排序获取相似性最大的前K个未标记样本点；

第二标记单元，用于：依据每个超像素的区域中心点类别信息来判断该未分类样本点的类别信息；

优选地，所述第一标记单元中所述基于图的半监督学习算法为标签传播算法。

本公开在图像分割过程中，计算耗时短，分割准确率高的特点，对于大规模的图像分割也同样适用。

附图说明

图1本公开一个实施例中的方法流程图；

图2-1，图2-2，图2-3依次为一个实施例中第一组中的待分割图像、分割图像以及分割误差图像；

图3-1，图3-2，图3-3依次为一个实施例中第二组中的待分割图像、分割图像以及分割误差图像；

图4-1，图4-2，图4-3依次为一个实施例中第三组中的待分割图像、分割图像以及分割误差图像；

图5-1，图5-2，图5-3依次为一个实施例中第四组中的待分割图像、分割图像以及分割误差图像；

图6-1，图6-2，图6-3依次为一个实施例中第五组中的待分割图像、分割图像以及分割误差图像；

图7-1，图7-2，图7-3依次为一个实施例中第六组中的待分割图像、分割图像以及分割误差图像；

图8-1，图8-2，图8-3依次为一个实施例中第七组中的待分割图像、分割图像以及分割误差图像；

图9-1，图9-2，图9-3依次为一个实施例中第八组中的待分割图像、分割图像以及分割误差图像；

图10本公开一个实施例中的系统结构图。

具体实施方式

在一个实施例中，使用的图像分割方法，包括下述步骤：

S100、对待分割图像提取超像素并获取超像素的区域中心点；

S200、利用已标记样本点对超像素的区域中心点进行标记；

这个实施例的核心在于，将要标记的图像提取超像素，先通过对超像素的区域中心点进行标记，再利用超像素的区域中心点对其余未标记的样本点进行标记。利用超像素的划分将要标记的图像规模小型化，降低计算复杂度。

优选地，所述超像素的区域中心点通过简单线性迭代聚类(simple lineariterative clustering，SLIC)算法进行提取。采用SLIC算法有利于实现细节平滑和边缘保持。

在一个实施例中，提供了实现所述步骤S200的一种优选方式，在该优选方式中，所述步骤S200包括下述步骤：

在这个实施例中，首先，对所有样本点计算两两之间的相似性，构建全连接图，图上的节点为所有样本点的集合，图上边的权值为该边连接的两个节点的相似性。然后，对每个样本点选择M个与其距离最小的样本，将与其余的样本点之间的边从全连接图上删掉，得到第一无向加权图。其中，相似性的度量方式可以采用欧式距离，曼哈顿距离，切比雪夫距离，明氏距离，马氏距离等。其中，M的的取值范围为5-20，本实验中采用的为10.

由于欧式距离相比其它距离度量方式，其简单，且忽略了样本不同属性之间的度量关系，本公开优选采用欧式距离。提取图像像素的5-D特征，分别为CIELAB颜色空间的L，a，b和笛卡尔横坐标x，纵坐标y；其中，L表示亮度，a表示从红色至绿色的范围，b表示从黄色至蓝色的范围。令[l_i，a_i，b_i，x_i，y_i]^T表示第i个样本点，[l_j，a_j，b_j，x_j，y_j]^T表示第j个样本点，则两个样本点之间的距离D被表示为：

D = \sqrt{{d_{c}}^{2} + (\frac{d_{s}^{2}}{S}) m^{2}}

式中：

m用来控制超像素的紧密度，m的值在[1，20]之间，在一个实施例中，m＝10，这个数值既能在感官经验上满足颜色距离最大化，又能很好的在颜色相似度和空间相似度的平衡；

d_c为颜色信息距离，d_s为空间位置距离，计算公式分别如下：

d_{c} = \sqrt{{(l_{j} - l_{i})}^{2} + {(a_{j} - a_{i})}^{2} + {(b_{j} - b_{i})}^{2}}

d_{s} = \sqrt{{(x_{j} - x_{i})}^{2} + {(y_{j} - y_{i})}^{2}}

S为网格边长，可以通过下式计算：

S = \sqrt{N / K}

式中：N为图像像素总数，K为聚类中心的数量。通常，K的取值和样本总数有关，实验表明，K取值在5-30这个区间。在一个实施例中，每个节点保留与其距离最近的5个节点的边。在其它实施例中，每个节点保留与其距离最近的10个、15个、20个、25个或者30个节点的边。

上述简化全连接图边的方法还可以是b-mating方法。

所述基于图的半督导学习方法，本公开优选标签传播方法。

S301、利用已获得的超像素的区域中心点的标记信息，计算每个未标记样本点和超像素区域中心点之间的相似性，并排序；

S304、图像分割完成。

在这个实施例中，以每个超像素的区域中心点开始，对其余未标记的样本通过K近邻分类标记，将分类规模分解，有利于加快运算速度。

对于K的取值，在一个实施例中，实验中K的取值为超像素区域中心点数量的1/2。

在一个实施例中，所述方法采用了上述优选处理方式，其方法处理流程图如图1所示。

在一个实施例中，采用本公开方法对八组图像进行分割的实验结果。见图2-1、图3-1、图4-1、图5-1、图6-1、图7-1、图8-1以及图9-1为这八组图像；图2-2、图3-2、图4-2、图5-2、图6-2、图7-2、图8-2以及图9-2为这八组图像对应的分割图像；图2-3、图3-3、图4-3、图5-3、图6-3、图7-3、图8-3以及图9-3为分害图像相对原图的误差图像。

为了验证本公开方法的正确性，对这些图像分割的准确性进行了统计，见表1。在表1中，第一列为图像的名称，和表1中的各图像相对应。第二列为本方法的准确率，第三列为本方法计算每幅图像的运行时间，单位为秒。其中，准确率PCR计算公式为：

表1：

从表1可以看出，本公开方法的正确性比较高，高于LapRLS算法，最高可以达到98.83％，最低也可以达到94.1％；由此表明，本公开方法具有可实用性。

在时间复杂度方面，从表1中可以看到，本公开算法平均比LapRLS算法节省了40％的时间，运算效率得到很大提升，能够对图像进行快速分割。

根据本公开的方法，实现一种图像分割系统，所述系统包括下述模块：

预处理模块，用于：对待分割图像提取超像素并获取超像素的区域中心点μ_k，k＝1，…，m，m为超像素的区域中心点的数目；

进一步地，所述第一标记模块包括下述单元：

第二无向加权图获取单元，用于：对所述第一无向加权图的每个节点保留与其相连的K条权值最大的边，并删掉其余与其相连的边，以获得第二无向加权图；

在一个实施例中，采用如图10所示的系统结构图，如图所示，所述第二标记模块包括下述单元：

优选地，锚点标记单元中所述基于图的半监督学习算法为标签传播算法。

以上对本公开进行了详细介绍，本文中应用了具体个例对本公开的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本公开的方法及其核心思想；同时，对于本领域技术人员，依据本公开的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本公开的限制。

Claims

1.一种图像分割方法，其特征在于，所述方法包括下述步骤：

S100、对待分割图像提取超像素并获取超像素的区域中心点；

S200、利用已标记样本点对超像素的区域中心点进行标记；

2.根据权利要求1所述的方法，其特征在于，优选的，所述步骤S200进一步包括下述步骤：

3.根据权利要求1所述的方法，其特征在于，所述步骤S300进一步包括下述步骤：

S304、图像分割完成。

4.根据权利要求1所述的方法，其特征在于，所述超像素的区域中心点通过简单线性迭代聚类算法进行提取。

5.根据权利要求2所述的方法，其特征在于，所述步骤S203中基于图的半监督学习算法选择标签传播算法。

6.一种图像分割系统，其特征在于，所述系统包括下述模块：

7.根据权利要求6所述的系统，其特征在于，所述第一标记模块进一步包括下述单元：

8.根据权利要求6所述的系统，其特征在于，所述第二标记模块进一步包括下述单元：

第二标记单元，用于：依据每个超像素的区域中心点类别信息来判断该未分类样本点的类别信息。

9.根据权利要求7所述的系统，其特征在于，所述超像素的区域中心点通过简单线性迭代聚类算法进行提取。

10.根据权利要求7所述的系统，其特征在于，所述第一标记单元中所述基于图的半监督学习算法选择标签传播算法。