CN109145964B - 一种实现图像颜色聚类的方法和系统 - Google Patents

Abstract

本发明公开了一种图像颜色聚类方法，属于图像处理领域。本发明的方法基于密度峰值聚类算法，通过超像素分割、改进的密度峰值聚类方法聚类、标签匹配等三个步骤实现图像颜色聚类。本发明解决了密度峰值聚类算法无法直接应用于图像颜色聚类、截断距离的选取具有主观性的问题。实验发现，采用本发明的方法，能获得高质量的图像聚类结果。

Description

一种实现图像颜色聚类的方法和系统

技术领域

本发明属于图像处理领域，具体涉及一种图像颜色聚类方法和系统。

背景技术

聚类是根据实例的相似性，将实例分类的方法。通过聚类，使得属于同一类的实例的特征差距最小，属于不同类的实例的特征差距最大。聚类是模式识别和机器学习领域中的一种重要的非监督学习方法，可以应用于数据挖掘，计算机视觉和图像处理等领域。

图像颜色聚类将图像像素作为要聚类的实例，根据像素的颜色特征对其进行分类。因此，具有相似颜色特征的像素被分为一组，颜色特征不相似的像素属于不同类。图像颜色聚类可以被用于图像去噪，图像分割，图像颜色迁移等方面。

由Alex等人提出的密度峰值聚类算法，通过计算无标签实例的密度和距离来对其进行分类。密度峰值聚类算法能检测任意形的类并能对高维数据聚类。和经典的Kmeans和FCM算法相比，密度峰值聚类算法不需要提前指定聚类数。同时，和DBSCAN算法相比，密度峰值聚类算法需要的参数更少，截断距离是密度峰值聚类算法的唯一参数。此外，密度峰值聚类算法还具有不需要迭代，计算方便的优点。

但是，密度峰值聚类算法不能直接应用于图像颜色聚类。这是因为图像中有很多像素，如果要用密度峰值聚类算法进行图像颜色聚类，距离矩阵将占用非常大的内存。比如，一个256*256图像，图像中像素数为65535，那么，距离矩阵的尺寸为65535*65535。显然，这将占用非常大内存导致密度峰值聚类算法无法运行。同时，截断距离的选择依赖于经验值，Alex等人提出的密度峰值聚类算法中提出的截断距离值可能不适合图像颜色聚类目标。

发明内容

本发明是为了克服密度峰值聚类算法的不足，通过SNIC超像素分割，减少聚类的数据量，使得密度峰值聚类算法能够运行；通过引入学生t-分布，不再使用截断距离，使得聚类结果更客观。采用本发明的方法，可以获得高质量的自然图像颜色聚类结果，满足后续图像分割、图像颜色迁移等需求。

本发明提出一种实现图像颜色聚类的方法，包括以下步骤：

1)通过超像素分割预处理图像，将图像分成若干超像素，获得每个超像素的标签；

2)将学生t-分布引入到密度峰值聚类算法，对密度峰值算法进行改进，利用改进的聚类方法，对超像素的颜色特征进行聚类；

3)进行标签匹配，将超像素分割后的标签与聚类标签进行匹配，得到最终的图像颜色聚类结果。

进一步的，步骤1)的具体实现方式如下，

利用Achanta等人提出SNIC超像素分割算法，将具有N个像素的图像快速分成Z个超像素，每个超像素的标签取值范围为1-Z，且不重复；每个超像素的中心颜色通过下式计算，

式中，Ω_i是第i个超像素的像素集合，集合中的每个像素都包含在第i个超像素范围内；c_j是第i个超像素中第j个像素的颜色特征，c_j＝[l_j,α_j,β_j]，其中l_j表示颜色的明度；α_j正值表示红色，负值表示绿色；β_j正值表示黄色，负值表示蓝色。

进一步的，步骤2)中所述的利用改进的密度峰值实现超像素聚类的方法包括以下内容，

2-1)利用学生t-分布改进的公式，计算Z个超像素的局部密度ρ：

式中，Γ(x)为gamma函数，ρ_i是第i个超像素的局部密度，n是学生t-分布的唯一参数，d_ij是第i个和第j个超像素之间的色差，计算公式如下：

2-2)利用Alex等人提出的公式，计算Z个超像素的最小距离δ：

根据局部密度ρ，对Z个超像素从大到小排序，排序结果如下式：

式中，q₁是局部密度最大的超像素的标签，q_N是局部密度最小的超像素的标签；因此，在最小距离δ的计算公式中，

是局部密度第i大的超像素的最小距离；

2-3)用下式对局部密度ρ和最小距离δ进行离差标准化，以消除局部密度ρ和最小距离δ取值范围不同对结果的影响：

2-4)以ρ′_i为横坐标，δ′_i为纵坐标绘制决策图，根据DPC算法选取K个聚类中心，为每个聚类中心指定标签，标签取值范围为1-K，且不重复；

2-5)剩余点指定，根据DPC算法为没有标签的超像素指定标签。

进一步的，步骤3)所述的标签匹配具体包括以下内容：

通过SNIC超像素分割，将图像分成Z个超像素，每个超像素的标签取值范围为1-Z，且不重复，超像素内的像素标签一致；通过改进的密度峰值聚类，将Z个超像素聚类为K类，每个超像素的标签的取值范围为1-K，属于同一类的超像素聚类标签一致；标签匹配是将超像素分割结果与聚类结果进行匹配，来得到图像颜色聚类结果，即令同一类的超像素内的像素标签一致。

本发明还提供一种实现图像颜色聚类的系统，包括以下模块：

超像素分割模块，用于通过超像素分割预处理图像，将图像分成若干超像素，获得每个超像素的标签；

改进的密度峰值聚类模块，用于将学生t-分布引入到密度峰值聚类算法，对密度峰值算法进行改进，利用改进的聚类方法，对超像素的颜色特征进行聚类；

标签匹配模块，用于进行标签匹配，将超像素分割后的标签与聚类标签进行匹配，得到最终的图像颜色聚类结果。

进一步的，超像素分割模块的具体实现方式如下，

利用Achanta等人提出SNIC超像素分割算法，将具有N个像素的图像快速分成Z个超像素，每个超像素的标签取值范围为1-Z，且不重复；每个超像素的中心颜色通过下式计算，

式中，Ω_i是第i个超像素的像素集合，集合中的每个像素都包含在第i个超像素范围内；c_j是第i个超像素中第j个像素的颜色特征，c_j＝[l_j,α_j,β_j]，其中l_j表示颜色的明度；α_j正值表示红色，负值表示绿色；β_j正值表示黄色，负值表示蓝色。

进一步的，改进的密度峰值聚类模块中所述的利用改进的密度峰值实现超像素聚类包括以下内容，

2-1)利用学生t-分布改进的公式，计算Z个超像素的局部密度ρ：

式中，Γ(x)为gamma函数，ρ_i是第i个超像素的局部密度，n是学生t-分布的唯一参数，d_ij是第i个和第j个超像素之间的色差，计算公式如下：

2-2)利用Alex等人提出的公式，计算Z个超像素的最小距离δ：

根据局部密度ρ，对Z个超像素从大到小排序，排序结果如下式：

式中，q₁是局部密度最大的超像素的标签，q_N是局部密度最小的超像素的标签；因此，在最小距离δ的计算公式中，

是局部密度第i大的超像素的最小距离；

2-3)用下式对局部密度ρ和最小距离δ进行离差标准化，以消除局部密度ρ和最小距离δ取值范围不同对结果的影响：

2-4)绘制决策图，选取K个聚类中心，为每个聚类中心指定标签，标签取值范围为1-K，且不重复；

2-5)剩余点指定，为没有标签的超像素指定标签。

进一步的，标签匹配模块中所述的标签匹配具体包括以下内容：

通过SNIC超像素分割，将图像分成Z个超像素，每个超像素的标签取值范围为1-Z，且不重复，超像素内的像素标签一致；通过改进的密度峰值聚类，将Z个超像素聚类为K类，每个超像素的标签的取值范围为1-K，属于同一类的超像素聚类标签一致；标签匹配是将超像素分割结果与聚类结果进行匹配，来得到图像颜色聚类结果，即令同一类的超像素内的像素标签一致。

本发明主要针对图像颜色特征，对图像进行聚类。采用本发明的方法，可以不需要迭代，即可对大尺寸图像实现快速、准确的图像颜色聚类。本发明可用于图像处理过程，如图像去噪、图像分割、图像颜色迁移等。

附图说明

图1为本发明的总体流程示意图。

图2为用于颜色聚类的图例。

图3为决策图，并选取了聚类中心。

图4为标签匹配过程，其中(a)为超像素分割结果；(b)为超像素聚类结果；(c)为标签匹配结果。

图5为图例通过不同聚类方法得到的聚类结果，其中(a)为改进方法处理结果；(b)为K-means方法处理结果；(c)为FCM方法处理结果。

具体实施方式

图1为本发明的总体流程示意图，利用本发明的方法对BSDS500数据集中的图像进行颜色聚类，该聚类过程如下：

1)获取若干图像，以实现图像颜色聚类；

2)实现图像的SNIC超像素分割；

3)实现超像素的颜色聚类；

4)实现图像标签匹配。

获取若干图像，以图2所示的图像为例。

实现图像的超像素分割，方法如下：令初始的超像素个数为20000，紧凑度参数m为10.0，对图像进行SNIC超像素分割，得到17120个超像素，每个超像素的标签为1-17120，超像素中心颜色计算公式如下：

式中，Ω_i是第i个超像素的像素集合，集合中的每个像素都包含在第i个超像素范围内；c_j是第i个超像素中第j个像素的颜色特征，c_j＝[l_j,α_j,β_j]，其中l_j表示颜色的明度；α_j正值表示红色，负值表示绿色；β_j正值表示黄色，负值表示蓝色。

实现17120个超像素的颜色聚类，方法如下：

2-1)计算超像素的局部密度ρ，公式如下：

式中，Γ(x)为gamma函数，ρ_i是第i个超像素的局部密度，n是学生t-分布的唯一参数，在本发明实施例中，令n＝15；d_ij是第i个和第j个超像素之间的色差，计算公式如下：

2-2)根据ρ的大小，对超像素进行排序，排序结果如下式：

式中，q₁是局部密度最大的超像素的标签，q_N是局部密度最小的超像素的标签；

然后利用Alex等人提出的公式，计算每个超像素的最小距离，公式如下：

在最小距离δ的计算公式中，

是局部密度第i大的超像素的最小距离；

2-3)对ρ和δ进行离差标准化，公式如下：

2-4)绘制决策图，选择4个超像素的聚类中心，并依次为聚类中心指定标签，标签值分别为1-4，决策图及聚类中心如图3所示。图3中，横坐标为ρ′_i，纵坐标为δ′_i，和DPC算法相同，选择ρ′_i和δ′_i相对较大的点作为聚类中心，因此选择图3圆形框中的4个点为聚类中心，为4个聚类中心指定标签，为1-4。

2-5)采用和DPC算法相同的方法，进行剩余点指定，为没有标签的超像素指定标签，得到17120个超像素的聚类标签，标签值为1-4。

实现标签匹配，方法如下：根据超像素分割和聚类的结果，令属于同一类的超像素内的像素标签一致，以图4为例，图4(a)为包含100个像素的图像，经SNIC超像素分割，被分成6个超像素，根据从左至右，从上至下的顺序，得到第1-6个超像素，每个超像素的标签都不相同。图4(b)为第1-6个超像素经改进的密度峰值聚类，得到4个类，第1、4个超像素为第1类，第2个超像素为第二类，第3、5个超像素为第3类，第6个超像素为第4类。图4(c)为经标签匹配，得到的图像颜色聚类结果，即将第1、4个超像素中的像素都标记为第1类，第2个超像素中的像素都标记为第2类，第3、5个超像素的像素都标记为第3类，第6个超像素中的像素都标记为第4类。

通过上述步骤，即可实现图像颜色聚类，聚类结果为标签矩阵，矩阵中每个标签为图像的每个像素拥有的标签。为了更好的展示聚类结果，将标签替换为聚类中心的颜色值，图5(a)展示了用颜色替换标签后的聚类结果，同时为了对比本发明方法的效果，与传统的K-means(图5b)和FCM(图5c)方法进行了对比，从图5我们可以发现，本发明的方法可以找到薄聚类中心，如图5(a)矩形圈出来的部分所示，我们的方法能找到薄聚类，但是K-means和FCM算法没有找到，这会导致之后的聚类结果不准确。综上，较K-means和FCM算法来说，本发明方法的效果最好。

具体实施时，本发明技术方案可基于计算机软件技术实现自动运行流程，也可采用模块化方式实现相应系统。本发明实施例提供一种实现图像颜色聚类的系统，包括以下模块：

超像素分割模块，用于通过超像素分割预处理图像，将图像分成若干超像素，获得每个超像素的标签；

改进的密度峰值聚类模块，用于将学生t-分布引入到密度峰值聚类算法，对密度峰值算法进行改进，利用改进的聚类方法，对超像素的颜色特征进行聚类；

标签匹配模块，用于进行标签匹配，将超像素分割后的标签与聚类标签进行匹配，得到最终的图像颜色聚类结果。

各模块具体实现可参见相应步骤，本发明不予撰述。

上述实施例描述仅对本发明的基本技术方案予以说明，且并不仅限于上述实施例。本发明所属领域的技术人员或团队可以对所描述的具体实施例进行任何简单的修改、补充、同等变化或修饰，但并不会偏离本发明的基本精神或超越权利要求书所定义的范围。

Claims (6)

1.一种实现图像颜色聚类的方法，其特征在于，包括以下步骤：

1)通过超像素分割预处理图像，将图像分成若干超像素，获得每个超像素的标签；

2)将学生t-分布引入到密度峰值聚类算法，对密度峰值算法进行改进，利用改进的聚类方法，对超像素的颜色特征进行聚类；包括以下内容，

2-1)利用学生t-分布改进的公式，计算Z个超像素的局部密度ρ：

式中，Γ(x)为gamma函数，ρ_i是第i个超像素的局部密度，n是学生t-分布的唯一参数，d_ij是第i个和第j个超像素之间的色差，计算公式如下：

2-2)计算Z个超像素的最小距离δ：

根据局部密度ρ，对Z个超像素从大到小排序，排序结果如下式：

式中，q₁是局部密度最大的超像素的标签，q_N是局部密度最小的超像素的标签；因此，在最小距离δ的计算公式中，

是局部密度第i大的超像素的最小距离；

2-3)用下式对局部密度ρ和最小距离δ进行离差标准化，以消除局部密度ρ和最小距离δ取值范围不同对结果的影响：

2-4)以ρ′_i为横坐标，δ′_i为纵坐标绘制决策图，根据DPC算法选取K个聚类中心，为每个聚类中心指定标签，标签取值范围为1-K，且不重复；

2-5)剩余点指定，根据DPC算法为没有标签的超像素指定标签；

3)进行标签匹配，将超像素分割后的标签与聚类标签进行匹配，得到最终的图像颜色聚类结果。

2.如权利要求1所述的实现图像颜色聚类的方法，其特征在于：步骤1)的具体实现方式如下，

利用SNIC超像素分割算法，将具有N个像素的图像快速分成Z个超像素，每个超像素的标签取值范围为1-Z，且不重复；每个超像素的中心颜色通过下式计算，

式中，Ω_i是第i个超像素的像素集合，集合中的每个像素都包含在第i个超像素范围内；c_j是第i个超像素中第j个像素的颜色特征，c_j＝[l_j，α_j，β_j]，其中l_j表示颜色的明度；α_j正值表示红色，负值表示绿色；β_j正值表示黄色，负值表示蓝色。

3.如权利要求2所述的实现图像颜色聚类的方法，其特征在于：步骤3)所述的标签匹配具体包括以下内容：

通过SNIC超像素分割，将图像分成Z个超像素，每个超像素的标签取值范围为1-Z，且不重复，超像素内的像素标签一致；通过改进的密度峰值聚类，将Z个超像素聚类为K类，每个超像素的标签的取值范围为1-K，属于同一类的超像素聚类标签一致；标签匹配是将超像素分割结果与聚类结果进行匹配，来得到图像颜色聚类结果，即令同一类的超像素内的像素标签一致。

4.一种实现图像颜色聚类的系统，其特征在于，包括以下模块：

超像素分割模块，用于通过超像素分割预处理图像，将图像分成若干超像素，获得每个超像素的标签；

改进的密度峰值聚类模块，用于将学生t-分布引入到密度峰值聚类算法，对密度峰值算法进行改进，利用改进的聚类方法，对超像素的颜色特征进行聚类；包括以下内容，

2-1)利用学生t-分布改进的公式，计算Z个超像素的局部密度ρ：

式中，Γ(x)为gamma函数，ρ_i是第i个超像素的局部密度，n是学生t-分布的唯一参数，d_ij是第i个和第j个超像素之间的色差，计算公式如下：

2-2)计算Z个超像素的最小距离δ：

根据局部密度ρ，对Z个超像素从大到小排序，排序结果如下式：

式中，q₁是局部密度最大的超像素的标签，q_N是局部密度最小的超像素的标签；因此，在最小距离δ的计算公式中，

是局部密度第i大的超像素的最小距离；

2-3)用下式对局部密度ρ和最小距离δ进行离差标准化，以消除局部密度ρ和最小距离δ取值范围不同对结果的影响：

2-4)绘制决策图，选取K个聚类中心，为每个聚类中心指定标签，标签取值范围为1-K，且不重复；

2-5)剩余点指定，为没有标签的超像素指定标签；

标签匹配模块，用于进行标签匹配，将超像素分割后的标签与聚类标签进行匹配，得到最终的图像颜色聚类结果。

5.如权利要求4所述的实现图像颜色聚类的系统，其特征在于：超像素分割模块的具体实现方式如下，

利用SNIC超像素分割算法，将具有N个像素的图像快速分成Z个超像素，每个超像素的标签取值范围为1-Z，且不重复；每个超像素的中心颜色通过下式计算，

式中，Ω_i是第i个超像素的像素集合，集合中的每个像素都包含在第i个超像素范围内；c_j是第i个超像素中第j个像素的颜色特征，c_j＝[l_j，α_j，β_j]，其中l_j表示颜色的明度；α_j正值表示红色，负值表示绿色；β_j正值表示黄色，负值表示蓝色。

6.如权利要求5所述的实现图像颜色聚类的系统，其特征在于：标签匹配模块中所述的标签匹配具体包括以下内容：

通过SNIC超像素分割，将图像分成Z个超像素，每个超像素的标签取值范围为1-Z，且不重复，超像素内的像素标签一致；通过改进的密度峰值聚类，将Z个超像素聚类为K类，每个超像素的标签的取值范围为1-K，属于同一类的超像素聚类标签一致；标签匹配是将超像素分割结果与聚类结果进行匹配，来得到图像颜色聚类结果，即令同一类的超像素内的像素标签一致。

Images