CN109272522B - 一种基于局部特征的图像细化分割方法 - Google Patents

Abstract

本发明公开了一种基于局部特征的图像细化分割方法，该方法包括以下步骤：对待分割图像，用滑动窗口逐像素滑动来选取固定大小的子块；对所选的图像子块进行一次FCM分割处理，得到子块内像素的类别所属关系，完成基于子块的初始分类；根据这种有重叠的初始分类结果对像素类别进行细化处理，对于细化处理之后的图像再一次进行全局FCM分割，得到最终的图像分割结果。本发明的方法可以利用像素邻域之间的关系，纠正全局分类中可能错误分类的像素点，能得到更加准确的图像边缘，提高了分割准确率。

Description

一种基于局部特征的图像细化分割方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于局部特征的图像细化分割方法。

背景技术

图像信息作为我们可以从客观世界获取到的数据信息之一，以其信息量大、表示简单易懂等一系列优点，已成为人类获取信息的重要来源及利用信息的重要手段。随着计算机领域技术的发展，数字图像处理技术已经成为工程学、信息科学、统计学、医学等领域学习和研究的对象。为获取和提取图像中的有用信息，需要对图像进行分割。图像分割是指根据一定的特征将图像分成多个不相交的区域，同一区域之间的像素点具有较高的相似性，不同区域的像素点相似性较低。这些特征包括颜色、纹理、深度、灰度等。图像分割在目标检测、模式识别、图像理解等方面有着重要作用，可作为一个预处理环节，而分割结果的好坏直接影响后续过程的结果。

模糊C-均值聚类方法(Fuzzy C-Means，简称FCM)是应用最为广泛的图像聚类方法。相较于其他方法，FCM方法允许一个像素同时属于多个类，选取它最有可能属于哪一类来作为它最终的类别，同时还能够保留原始图像的更多的信息。FCM方法通过迭代更新每一个像素相对于每一个聚类的模糊隶属度以及更新每一个聚类中心，来将目标函数最小化，从而实现图像的分割。FCM的目标函数E为：

其中，C是待分割图像类别的数目；N是图像像素点的个数；μ_ij是第j个像素点相对于第i个聚类中心的模糊隶属度；m是作用于模糊隶属度上的权重指数；v_i是第i个聚类中心；x_j是第j个像素点。

用于实现聚类分割的目标函数最小化的约束条件为：

然而，标准的FCM方法在图像分割中存在以下几个明显的缺点：(1)初始聚类中心的选择对于图像分割结果有很大的影响，如果初始聚类中心选择不好，则会使方法陷入局部最优，得不到理想的分割结果；2)没有考虑像素的空间信息，导致方法对于噪声比较敏感，当处理有噪声的图像时，不能取得令人满意的分割结果；(3)没有充分利用像素间的关系，导致方法对于某些图像的边缘分割效果不理想，不能得到令人满意的分割结果。

有很多关于FCM的其他改进方法能够对图像中的噪声进行处理、提高方法的效率，但对边缘的处理仍然存在问题。

发明内容

本发明的目的就是为了解决图像的边缘分割问题，提供一种基于局部特征的图像细化分割方法，它可用在一个聚类或分割方法的基础上，对初始分类结果进行细化，改善边界。本发明主要用FCM方法来获取初始分类结果。

为了实现上述目的，本发明采用如下技术方案：

一种基于局部特征的图像细化分割方法，首先对原始图像取子块，然后对每个图像子块都进行一次FCM方法处理，得到子块中各个像素点之间所属关系，通过这个有重叠的初始分类结果，在局部窗口进行投票，以纠正在全局FCM方法中可能错分的像素点，进而实现图像的分割。

本发明的具体步骤为：

1)对待分割图像，用滑动窗口选取固定大小的子块；

2)把图像子块作为一幅图像，对其进行一次FCM分割处理，得到子块中像素间的一个类别所属关系：属于或者不属于同一类；

3)基于有重叠的初始分类结果，对像素类别进行细化处理；

4)对细化处理之后的图像，再一次进行全局FCM分割处理，完成图像分割。

本发明的有益效果：

(1)对每个像素进行基于子图像块的特征分类，并根据邻域像素灰度差建立像素邻域关系，以像素邻域关系约束全局分类中可能的错误分类，能得到更加准确的图像边缘，提高分割准确率。

(2)通过使用队列的数据结构进行标记处理，将属于一类的像素点合并到一个队列中，能有效避免重复标记和分类。

附图说明

图1是本发明的流程示意图；

图2是本发明对于滑动窗口取子块的过程示意图；

图3(a)和图3(b)是本发明对于有重叠分类结果的说明示意图；

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，包括以下步骤：

1、对于待分割图像，用滑动窗口选取固定大小的子块，滑动步长为1；

X＝{x₁，x₂，x₃，...，x_N (3)

其中，X是获取的图像子块，x_i为子块中的像素点，N为子块中像素点的总个数。

2、把图像子块视为一幅图像，对其进行一次FCM分割处理，得到子块中像素间的一个类别所属关系：属于或者不属于同一类：

a_(i，j)＝0或a_(i，j)＝1，

其中，i，j为像素点，A是子块中像素对集合，a_(i，j)是像素对(i，j)之间的所属关系。

由于滑动窗口以步长为1选取图像子块，相邻子块像素之间必然存在重叠现象，即图像中的每个像素点会同时包含在多个图像子块中，如图2所示，部分像素在以像素点P和Q为中心的两个图像子块中重复出现。因此，在FCM分割后会出现有重叠的初始分类结果。每个子块被分成了四类，以P为中心的图像子块经过FCM方法处理后，P和Q两个像素点被划分到不同的类中，如图3(a)所示；而以Q为中心的图像子块经过FCM方法处理后，P和Q划分在同一类中，如图3(b)所示。可见，初始分类结果是重叠和矛盾的。

FCM方法处理步骤如下：

2-1)利用如下公式计算像素x_j相对于聚类中心v_i的模糊隶属度μ_ij：

其中，μ_ij是x_j相对于v_i的模糊隶属度，C是待分割图像的聚类数目，m是模糊隶属度的权重指数，第j个数据点x_j与第i个聚类中心v_i的欧式距离D_ij定义为：

其中，C为聚类中心的个数；

μ_ij满足如下约束条件：

2-2)利用如下公式计算聚类中心:

其中，m是作用于模糊隶属度上的权重指数，v_i是聚类中心，i＝1,2,3...C；

2-3)利用如下公式计算用于实现聚类分割的目标函数值E:

其中，N是图像中像素点的个数，C为聚类中心个数；

3、基于有重叠的初始分类结果，对像素类别进行细化处理：

对于图像中的每个像素，以它作为中心像素点，和邻域内8个像素点组成3×3的块，在此局部区域中根据步骤2的初始分类结果进行细化分割，具体步骤如下：

3-1)以少数服从多数的投票原则实现像素点的细化分类。

具体做法：如果以P为中心像素点时的分类结果和以Q为中心像素点时的分类结果，都认为P和Q属于一类，则P、Q属于一类；如果P和Q的分类结果都认为它俩不属于一类，则P和Q不属于一类；如果P、Q其中一个的分类结果认为它俩属于一类，另一个认为不属于一类，则利用其他所有包含P、Q两个像素点的子块，对P和Q是否属于一类进行投票，多数认为属于一类，则P和Q属于一类，否则不属于一类；

3-2)根据中心像素点和其8邻域像素的灰度差值缩减属于同一类的像素个数。

具体做法：对于步骤3-1)得到的细化分类结果，计算每个像素和其8邻域像素中属于同一类的像素的灰度值差，由小到大排序，只保留灰度差最小的3个邻域像素作为和中心像素点属于同一类的像素点，其余像素点判定为不属于一类；

3-3)为避免重复标记和分类，采用队列的数据结构对图像进行标记处理。

具体做法：给图像中的每一个像素都设置一个标志位，从第一个像素点开始，找和它属于一类的像素，如果找到的像素点的标志位表示为没被处理过，则将该像素加入到队列中，从队列中依次取出队首元素作为接下来要查找同一类像素的像素点；如果当前队列为空，寻找下一个符合要求的像素点作为起始像素，加入第二个队列进行如上处理，直到图像中所有像素点的标志位均为被处理过；

3-4)以同一个队列中所有像素的灰度平均值更新该队列中所有像素点的原灰度值；

4、对灰度值更新之后的图像，进行全局FCM分割处理，完成图像分割：

采用的FCM方法与步骤2中所述方法相同。

综上，本发明根据子块的初始分类结果，提出了一种基于局部特征的图像细化分割方法。本发明的方法通过合理地利用像素的邻域信息，可以通过投票来纠正全局分割下可能错分的像素点，从而取得较为理想的图像分割结果和更加精确的图像边缘。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (4)

1.一种基于局部特征的图像细化分割方法，其特征在于，主要包含以下几个步骤：

步骤1对于待分割图像，用滑动窗口选取固定大小的子块，滑动步长为1；

步骤2把图像子块视为一幅图像，对其进行一次FCM分割处理，得到子块中像素间的一个类别所属关系：属于或者不属于同一类；相邻子块彼此重叠，对每个子块都进行一次FCM处理，得到子块中各个像素点之间所属关系，从而得到有重叠的初始分类结果；

步骤3基于有重叠的初始分类结果，对像素类别进行细化处理；

包括以下几个步骤：

3-1)以少数服从多数的投票原则实现像素点的细化分类；

3-2)根据中心像素点和其8邻域像素的灰度差值缩减属于同一类的像素个数；

3-3)为避免重复标记和分类，采用队列的数据结构对图像进行标记处理；

3-4)以同一个队列中所有像素的灰度平均值更新该队列中所有像素点的原灰度值；

步骤4对灰度值更新之后的图像，进行全局FCM分割处理，完成图像分割。

2.如权利要求1所述的一种基于局部特征的图像细化分割方法，其特征是，所述步骤3-1)以少数服从多数的投票原则实现像素点的细化分类包括：

如果以P为中心像素点时的分类结果和以Q为中心像素点时的分类结果，都认为P和Q属于一类，则P、Q属于一类；如果P和Q的分类结果都认为它俩不属于一类，则P和Q不属于一类；如果P、Q其中一个的分类结果认为它俩属于一类，另一个认为不属于一类，则利用其他所有包含P、Q两个像素点的子块，对P和Q是否属于一类进行投票，多数认为属于一类，则P和Q属于一类，否则不属于一类。

3.如权利要求1所述的一种基于局部特征的图像细化分割方法，其特征是，所述步骤3-2)根据中心像素点和其8邻域像素的灰度差值缩减属于同一类的像素个数包括：

根据细化分类结果，计算每个像素和其8邻域像素中属于同一类的像素的灰度值差，由小到大排序，只保留灰度差最小的3个邻域像素作为和中心像素点属于同一类的像素点，其余像素点判定为不属于一类。

4.如权利要求1所述的一种基于局部特征的图像细化分割方法，其特征是，所述步骤3-3)为避免重复标记和分类，采用队列的数据结构对图像进行标记处理包括：

给图像中的每一个像素都设置一个标志位，从第一个像素点开始，找和它属于一类的像素，如果找到的像素点的标志位表示为没被处理过，则将该像素加入到队列中，从队列中依次取出队首元素作为接下来要查找同一类像素的像素点，如果当前队列为空，寻找下一个符合要求的像素点作为起始像素，加入第二个队列进行如上处理，直到图像中所有像素点的标志位均为被处理过。