CN109461158A - 彩色图像分割方法及系统 - Google Patents

彩色图像分割方法及系统 Download PDF

Info

Publication number
CN109461158A
CN109461158A CN201811373364.9A CN201811373364A CN109461158A CN 109461158 A CN109461158 A CN 109461158A CN 201811373364 A CN201811373364 A CN 201811373364A CN 109461158 A CN109461158 A CN 109461158A
Authority
CN
China
Prior art keywords
cluster
color image
pixel
pixel point
sub
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811373364.9A
Other languages
English (en)
Inventor
秦焜
秦一焜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
4Paradigm Beijing Technology Co Ltd
Original Assignee
4Paradigm Beijing Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 4Paradigm Beijing Technology Co Ltd filed Critical 4Paradigm Beijing Technology Co Ltd
Priority to CN201811373364.9A priority Critical patent/CN109461158A/zh
Publication of CN109461158A publication Critical patent/CN109461158A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

提供了一种彩色图像分割方法及系统。所述方法包括：基于彩色图像的各个像素点的RGB三个通道的像素值以及横纵坐标值，计算所述彩色图像的各个像素点之间的距离；基于计算出的所述彩色图像的各个像素点之间的距离，构建将k近邻图和互k近邻图融合的融合k近邻图；基于构建的融合k近邻图，对所述彩色图像的各个像素点执行聚类分析；根据聚类分析的结果对所述彩色图像进行分割。根据本发明的彩色图像分割方法及系统能够达到增加计算复杂度的同时获得较好的非线性数据集的聚类效果，从而达到更好的彩色图像分割效果。

Description

彩色图像分割方法及系统
技术领域
本发明总体说来涉及图像处理领域，更具体地说，涉及一种基于新型的非线性聚类算法的彩色图像割方法及系统。
背景技术
现有的图像分割方法，已不再简单地使用边缘差值分割，而是更多地使用无监督或者半监督算法分割图像。新型的无监督或者半监督分割算法主要在两个方面做出改进：1、对原始图像的特征处理；2、使用机器学习算法提升分割效果。新型的无监督或者半监督分割算法与传统的分割算法相比有许多优势，但仍然存在一些问题：例如，1、增加了特征处理的步骤，即增加了计算复杂度和计算时间，需要更多的计算资源和时间来完成分割任务；2、大多数无监督和半监督的算法只能处理线性的数据集，而无法处理类似条状、带状、同心环状的非线性数据集，而且大部分算法需要预先设定聚类结果中簇的个数。这给实际使用带来很大的不确定性，无法保证算法在各种数据集特别是非线性数据集上都能取得令人满意的效果，且需要大量的人工介入。
发明内容
本发明的示例性实施例旨在克服上述现有图像分割算法中存在的特征处理的复杂度高且对非线性数据集效果差的缺陷。
根据本发明的示例性实施例，提供一种彩色图像分割方法，包括：基于彩色图像的各个像素点的RGB三个通道的像素值以及横纵坐标值，计算所述彩色图像的各个像素点之间的距离；基于计算出的所述彩色图像的各个像素点之间的距离，构建将k近邻图和互k近邻图融合的融合k近邻图；基于构建的融合k近邻图，对所述彩色图像的各个像素点执行聚类分析；根据聚类分析的结果对所述彩色图像进行分割。
可选地，计算所述彩色图像的各个像素点之间的距离的步骤可包括：对于所述彩色图像的像素点两两进行计算，其中，对于任意两个像素点，计算这两个像素点的R通道像素值之间的差值、G通道像素值之间的差值、B通道像素值之间的差值、横坐标值之间的差值以及纵坐标值之间的差值的平方和的算术平方根，作为这两个像素点之间的距离。
可选地，构建融合k近邻图的步骤可包括：基于计算出的所述彩色图像的各个像素点之间的距离，分别确定所述彩色图像的各个像素点之间是单向连通关系、双向连通关系还是无连通关系；基于确定结果构建融合k近邻图。
可选地，融合k近邻图可被构建为：
其中，Xi和Xj分别为两个像素点，表示距离像素点Xi最近的P2个像素点的集合，表示距离像素点Xi最近的P1个像素点的集合，表示距离像素点Xi最近的P1个像素点的集合，其中，P1和P2的值由用户设置。
可选地，执行聚类分析的步骤可包括：基于所述彩色图像的各个像素点之间的双向连通关系，将所述彩色图像的各个像素点分别划分至孤立点集合或各个子簇中；基于各个子簇中的像素点与其他子簇中的像素点之间的单向连通关系，对各个子簇执行合并处理，从而产生一个或多个核心簇；基于计算出的孤立点集合中的各个像素点与产生的所述一个或多个核心簇中的各个像素点的距离，将孤立点集合中的各个像素点分别归类到与其距离最近的像素点所属的核心簇，从而产生最终的一个或多个簇。
可选地，将所述彩色图像的各个像素点分别划分至孤立点集合或各个子簇中的步骤可包括：针对所述彩色图像的各个像素点中的每个像素点执行以下操作：计算与该像素点具有双向连通关系的像素点的数量；将计算出的数量与预定值进行比较；如果计算出的数量小于或等于所述预定值，则将该像素点确定为孤立点，并将该像素点划分至孤立点集合中；如果计算出的数量大于所述预定值，则将该像素点划分至各个子簇中，其中，在划分子簇中，针对各个像素点中的任意两个像素点，如果这两个像素点都不为孤立点且具有双向连通关系，则将这两个像素点划分至同一子簇中。
可选地，如果计算出的数量小于或等于所述预定值，则将该像素点确定为孤立点，并将该像素点划分至孤立点集合中的步骤可包括：当像素点Xi满足H(i)≤P1-P3时，确定像素点Xi为孤立点，并将像素点Xi划分至孤立点集合S中，其中，H(i)表示与像素点Xi具有双向连通关系的像素点的数量，P3的值由用户设置。其中，如果计算出的数量大于所述预定值，则将该像素点划分到各个子簇的步骤可包括：当像素点时，将满足的像素点Xj与像素点Xi划分至同一个子簇中。
可选地，对各个子簇执行合并处理的步骤可包括：确定各个子簇中的单向连通子簇对，其中，当第一子簇中的像素点与第二子簇中的像素点具有单向连通关系时，将第一子簇和第二子簇确定为第一子簇的一个单向连通子簇对，并将第一子簇中的该像素点确定为从第一子簇到第二子簇的桥；当一个子簇不存在单向连通子簇对时，不对该子簇执行合并处理，并将该子簇单独构成一个核心簇；当一个子簇仅存在一个单向连通子簇对时，将该单向连通子簇对合并为一个核心簇；当一个子簇存在多个单向连通子簇对时，将所述多个单向连通子簇对之中的从该子簇到单向连通子簇对中的另一子簇的桥的数量最多的一个或多个单向连通子簇对合并为一个核心簇。
可选地，确定各个子簇的单向连通子簇对的步骤可包括：当两个子簇Cu和Cv满足且Ah(i,j)＝1时，将(Cu,Cv)确定子簇Cu的一个单向连通子簇对，其中，Xi为子簇Cu中的像素点，Xj为子簇Cv中的像素点，并且将像素点Xi确定为从子簇Cu到子簇Cv的桥。其中，当子簇Cu存在多个单向连通子簇对时，可将满足vt∈[v1,vk]的单向连通子簇对合并为一个核心簇，其中，k为单向连通子簇对的数量，表示从子簇Cu到子簇的桥的数量。
可选地，根据聚类分析的结果对彩色图像进行分割的步骤可包括：根据最终的一个或多个簇，将彩色图像分割为相应的一个或多个图像块。
可选地，所述彩色图像分割方法还可包括：基于分割后的所述一个或多个图像块的尺寸和位置，对分割后的所述一个或多个图像块进行调整，从而产生新的一个或多个图像块。
可选地，对分割后的所述一个或多个图像块进行调整的步骤可包括：将尺寸小于预定值的图像块合并到与其位置最近的比其尺寸更大的图像块。
根据本发明的另一示例性实施例，提供一种彩色图像分割系统，包括：像素点距离计算装置，被配置为基于彩色图像的各个像素点的RGB三个通道的像素值以及横纵坐标值，计算所述彩色图像的各个像素点之间的距离；融合k近邻图构建装置，被配置为基于计算出的所述彩色图像的各个像素点之间的距离，构建将k近邻图和互k近邻图融合的融合k近邻图；聚类分析装置，被配置为基于构建的融合k近邻图，对所述彩色图像的各个像素点执行聚类分析；彩色图像分割装置，被配置为根据聚类分析的结果对所述彩色图像进行分割。
可选地，像素点距离计算装置可对于所述彩色图像的像素点两两进行计算，其中，对于任意两个像素点，像素点距离计算装置可计算这两个像素点的R通道像素值之间的差值、G通道像素值之间的差值、B通道像素值之间的差值、横坐标值之间的差值以及纵坐标值之间的差值的平方和的算术平方根，作为这两个像素点之间的距离。
可选地，融合k近邻图构建装置可基于计算出的所述彩色图像的各个像素点之间的距离，分别确定所述彩色图像的各个像素点之间是单向连通关系、双向连通关系还是无连通关系，并基于确定结果构建融合k近邻图。
可选地，融合k近邻图构建装置可将融合k近邻图构建为：
其中，Xi和Xj分别为两个像素点，表示距离像素点Xi最近的P2个像素点的集合，表示距离像素点Xi最近的P1个像素点的集合，表示距离像素点Xj最近的P1个像素点的集合，其中，P1和P2的值由用户设置。
可选地，聚类分析装置可包括：像素点划分单元，被配置为基于所述彩色图像的各个像素点之间的双向连通关系，将所述彩色图像的各个像素点分别划分至孤立点集合或各个子簇中；子簇合并单元，被配置为基于各个子簇中的像素点与其他子簇中的像素点之间的单向连通关系，对各个子簇执行合并处理，从而产生一个或多个核心簇；孤立点归类单元，被配置为基于计算出的孤立点集合中的各个像素点与产生的所述一个或多个核心簇中的各个像素点的距离，将孤立点集合中的各个像素点分别归类到与其距离最近的像素点所属的核心簇，从而产生最终的一个或多个簇。
可选地，像素点划分单元可针对所述彩色图像的各个像素点中的每个像素点执行以下操作：计算与该像素点具有双向连通关系的像素点的数量；将计算出的数量与预定值进行比较；如果计算出的数量小于或等于所述预定值，则将该像素点确定为孤立点，并将该像素点划分至孤立点集合中；如果计算出的数量大于所述预定值，则将该像素点划分至各个子簇中，其中，在划分子簇中，针对各个像素点中的任意两个像素点，如果这两个像素点都不为孤立点且具有双向连通关系，则像素点划分单元将这两个像素点划分至同一子簇中。
可选地，如果计算出的数量小于或等于所述预定值，则当像素点Xi满足H(i)≤P1-P3时，像素点划分单元可确定像素点Xi为孤立点，并将像素点Xi划分至孤立点集合S中，其中，H(i)表示与像素点Xi具有双向连通关系的像素点的数量，P3的值由用户设置，其中，如果计算出的数量大于所述预定值，则当像素点时，像素点划分单元可将满足的像素点Xj与像素点Xi划分至同一个子簇中。
可选地，子簇合并单元可确定各个子簇中的单向连通子簇对，其中，当第一子簇中的像素点与第二子簇中的像素点具有单向连通关系时，将第一子簇和第二子簇确定为第一子簇中的一个单向连通子簇对，并将第一子簇中的该像素点确定为从第一子簇到第二子簇的桥；当一个子簇不存在单向连通子簇对时，子簇合并单元可不对该子簇执行合并处理，并将该子簇单独构成一个核心簇；当一个子簇仅存在一个单向连通子簇对时，子簇合并单元可将该单向连通子簇对合并为一个核心簇；当一个子簇存在多个单向连通子簇对时，子簇合并单元可将所述多个单向连通子簇对之中的从该子簇到单向连通子簇对中的另一子簇的桥的数量最多的一个或多个单向连通子簇对合并为一个核心簇。
可选地，当两个子簇Cu和Cv满足且Ah(i,j)＝1时，子簇合并单元可将(Cu,Cv)确定子簇Cu的一个单向连通子簇对，其中，Xi为子簇Cu中的像素点，Xj为子簇Cv中的像素点，并且将像素点Xi确定为从子簇Cu到子簇Cv的桥。其中，当子簇Cu存在多个单向连通子簇对 时，子簇合并单元可将满足vt∈[v1,vk]的单向连通子簇对合并为一个核心簇，其中，k为单向连通子簇对的数量，表示从子簇Cu到子簇的桥的数量。
可选地，彩色图像分割装置可根据最终的一个或多个核心簇，将彩色图像分割为相应的一个或多个图像块。
可选地，彩色图像分割装置可基于分割后的所述一个或多个图像块的尺寸和位置，对分割后的所述一个或多个图像块进行调整，从而产生新的一个或多个图像块。
可选地，彩色图像分割装置可将尺寸小于预定值的图像块合并到与其位置最近的比其尺寸更大的图像块。
根据本发明的另一示例性实施例，提供一种包括至少一个计算装置和至少一个存储指令的存储装置的系统，其中，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行根据本发明的彩色图像分割方法。
根据本发明的另一示例性实施例，提供一种存储指令的计算机可读存储介质，其中，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行根据本发明的彩色图像分割方法。
根据本发明的彩色图像分割方法及系统，在提取彩色图像特征的过程中，仅计算两两像素点的RGB三个通道的像素值及纵横坐标值之间的差值的平方和的算术平方根作为两个像素点之间的距离，计算方法简单快捷，简化了提取图像特征的算法，同时又不会丢失任何信息，保证了提取图像特征的全面性准确性。
此外，根据本发明的彩色图像分割方法及系统，采用一种新型的非线性聚类算法。该新型的非线性聚类算法放弃了大多数算法使用的核心点的概念(即，使用少数核心点代表整个簇，通过寻找数个核心点来实现聚类或者半监督效果)，而是将簇视为高密度的连通区域，为了同时找出数据集中的连通区域和高密度区域，构建一种由k近邻图和互k近邻图结合而成的融合k近邻图，并基于融合k近邻图执行聚类分析。这样的新型的非线性聚类算法融合了k近邻图和互k近邻图两种图的优势，可以更准确的重构数据集的分布情况，与世界上主流的非线性聚类算法相比，该新型的非线性聚类算法可以在较短的时间内，在非线性数据集上获得较好的聚类结果，从而达到更准确的彩色图像分割的效果。
附图说明
从下面结合附图对本发明实施例的详细描述中，本发明的这些和/或其他方面和优点将变得更加清楚并更容易理解，其中：
图1示出根据本发明的示例性实施例的彩色图像分割系统的框图；
图2示出根据本发明的示例性实施例的对彩色图像的各个像素点执行聚类分析的示意图；
图3示出根据本发明的示例性实施例的彩色图像分割方法的流程图。
具体实施方式
为了使本领域技术人员更好地理解本发明，下面结合附图和具体实施方式对本发明的示例性实施例作进一步详细说明。
本发明利用一种新型的非线性聚类算法执行彩色图像分割，首先，采用一种简单化的提取图像特征的方法，即，利用彩色图像的像素点的RGB三个像素值和纵横坐标值来计算像素点之间的距离，从而达到简单快速地提取图像特征同时保证图像特征的完整性的效果；其次，采用基于由k近邻图和互k近邻图结合而成的融合k近邻图执行聚类分析的方法来执行彩色图像分割，该方法大致包括寻找子簇阶段和合并子簇阶段，在寻找子簇阶段，可发现数据集中额高密度区域，生成大量小而紧凑的子簇，在合并子簇阶段，将依据这些高密度的子簇之间的单向连通关系将这些子簇连接起来，从而获得最后的聚类分析结果，并根据聚类分析结果执行彩色图像分割。下面，将参照图1至图3具体描述本发明示例性实施例的彩色图像分割方法及系统。另外，为了清楚和简洁，将省略对公知的功能和结构的描述。
图1示出根据本发明示例性实施例的彩色图像分割系统的框图。
参照图1，根据本发明示例性实施例的彩色图像分割系统100包括像素点距离计算装置101、融合k近邻图构建装置102、聚类分析装置103和彩色图像分割装置104。
彩色图像分割系统100可获取待分割的彩色图像。根据本发明的示例性实施例，彩色图像分割系统100可包括彩色图像获取装置(未示出)，彩色图像获取装置可根据需要从本地存储器或本地数据库获取待分割的彩色图像，或者通过输入装置或传输媒介而从外部数据源(例如，互联网、服务器、数据库等)接收待分割的彩色图像。
像素点距离计算装置101可基于获取到的彩色图像的各个像素点的RGB三个通道的像素值以及横纵坐标值，计算彩色图像的各个像素点之间的距离。
根据本发明的示例性实施例，像素点距离计算装置101可针对彩色图像的像素点两两进行计算，其中，对于任意两个像素点，计算这两个像素点的R通道像素值之间的差值、G通道像素值之间的差值、B通道像素值之间的差值、横坐标值之间的差值以及纵坐标值之间的差值的平方和的算术平方根，作为这两个像素点之间的距离。
例如，像素点距离计算装置101可通过下面的公式(1)来计算两个像素点Xi和Xj之间的距离d(Xi，Xj)。
其中，Ri、Gi、Bi、xi和yi分别表示像素点Xi的R通道像素值、G通道像素值、B通道像素值、横坐标值和纵坐标值，Rj、Gj、Bj、xj和yj分别表示像素点Xj的R通道像素值、G通道像素值、B通道像素值、横坐标值和纵坐标值。
融合k近邻图构建装置102可基于计算出的所述彩色图像的各个像素点之间的距离，构建将k近邻图和互k近邻图融合的融合k近邻图。
常见的近邻图一般分为两类：k近邻图和互k近邻图。在实际应用中，k近邻图可以有效地发现数据集中大量存在的连通关系，但是无法区分边界模糊的两个簇，互k近邻图可以有效地找出数据集中的高密度区域，但是互为k近邻点的数据点数量较少较分散，形成的子簇数量多且每个簇内的点很少。因此，单独的k近邻图和互k近邻图都无法有效地处理非线性数据集的聚类和半监督问题。因此，为了同时获得k近邻图和互k近邻图的上述优点，避免k近邻图和互k近邻图的上述缺点，融合k近邻图构建装置102可构建一种融合了k近邻图和互k近邻图的特点的融合k近邻图。
根据本发明的示例性实施例，融合k近邻图构建装置102可基于计算出的所述彩色图像的各个像素点之间的距离，分别确定所述彩色图像的各个像素点之间是单向连通关系、双向连通关系还是无连通关系，并基于确定结果构建融合k近邻图。
例如，融合k近邻图构建装置102可通过下面的公式(2)来构建融合k近邻图Ah(i,j)。
其中，Xi和Xj分别为两个像素点，表示距离像素点Xi最近的P2个像素点的集合，表示距离像素点Xi最近的P1个像素点的集合，表示距离像素点Xj最近的P1个像素点的集合，这里的像素点之间的距离都是由像素点距离计算装置101根据上述计算像素点距离的方法计算得到的。
此外，P1和P2是融合k近邻图的两个参数，可由用户设置。其中，P1是用于计算每个像素点的互近邻点的参数，P2是用于计算每个像素点的近邻点的参数。如果两个像素点Xi和Xj具有单向连通关系，则认为这两个像素点Xi和Xj为单向连通点，并且Ah(i,j)＝1。这里，单向连通关系是非对称关系，Ah(i,j)＝1表示像素点Xj为像素点Xi的近邻点，而像素点Xi不为像素点Xj的近邻点。如果两个像素点Xi和Xj具有双向连通关系，则认为这两个像素点Xi和Xj为双向连通点，并且Ah(i,j)＝2。这里，双向连通关系是对称关系，Ah(i,j)＝2表示像素点Xi和Xj互为近邻点。此外，邻接矩阵中的值(1和2)仅仅作为标志位使用，所以融合k近邻图是一个无权图，这样设计的好处是在不影响效果的前提下，减少算法的复杂度。此外，在编程时不需要开辟一块n×n的内存空间储存邻接矩阵，而可以用P1×n和P2×n两个矩阵代替，P1+P2的值远远小于数据集总量n，所以可以节省大量的内存空间。
当融合k近邻图构建装置102构建好融合k近邻图时，聚类分析装置103可基于构建的融合k近邻图，对彩色图像的各个像素点执行聚类分析。
根据本发明的示例性实施例，聚类分析装置103可包括像素点划分单元(未示出)、子簇合并单元(未示出)和孤立点归类单元(未示出)。像素点划分单元用于寻找像素点集中的高密度区域，子簇合并单元用于将这些高密度区域合理地连通起来以形成聚类结果，孤立点归类单元用于将分散的点合理地归类到聚类结果中。
具体地说，像素点划分单元基于融合k近邻图中显示的彩色图像的各个像素点之间的双向连通关系，将彩色图像的各个像素点分别划分至孤立点集合或各个子簇中，其中，在划分子簇中，针对各个像素点中的任意两个像素点，如果这两个像素点都不为孤立点且具有双向连通关系，则将这两个像素点划分至同一子簇中。
根据本发明的示例性实施例，像素点划分单元可针对彩色图像的各个像素点中的每个像素点执行以下操作：计算与该像素点具有双向连通关系的像素点的数量，将计算出的数量与预定值进行比较，如果计算出的数量小于或等于所述预定值，则将该像素点确定为孤立点，并将该像素点划分至孤立点集合中，如果计算出的数量大于所述预定值，则将该像素点划分至各个子簇中。
例如，当像素点Xi满足以下条件时，像素点划分单元可将像素点Xi确定为孤立点，并将像素点Xi划分至孤立点集合S中：
H(i)≤P1-P3(3)
其中，H(i)表示与像素点Xi具有双向连通关系的像素点的数量，P3是用于控制孤立点集合S的大小的参数，并可由用户设置。如果P1-P3被设置地较大，则孤立点的约束条件将会放宽，因此会有大量的像素点被标注为孤立点。如果P1-P3被设置地较小，则孤立点的约束条件将会收紧，因此会有少量的像素点被标注为孤立点。
当像素点Xi不满足上述条件时，则认为像素点Xi不是孤立点，即，像素点像素点划分单元可将像素点Xi划分至子簇中。子簇是聚类分析过程中最小的计算单位，代表高密度区域。子簇可由多个像素点组成，当像素点Xi被划分到一个子簇中时，如果另一个像素点Xj满足以下条件，则将该像素点Xj与像素点Xi划分至同一子簇中：
也就是说，当像素点Xi和像素点Xj都不是孤立点，且像素点Xi和像素点Xj具有双向连通关系时，这两个像素点Xi和像素点Xj可被划分至同一个子簇中。另外，如果第三个像素点Xo满足和中的任意一个条件，则可将像素点Xo与像素点Xi和像素点Xj划分至同一个子簇中。另外，如果第四个像素点Xe满足和中的任意一个条件，则可将像素点Xe与像素点Xi、像素点Xj和像素点Xo划分至同一个子簇中。针对其它的像素点，可依此类推。
在编程实现中，可以用多叉树来描述一个子簇，即以某一个像素点作为根节点，与该根节点具有双向连通关系的所有像素点为该根节点的子节点，然后不断的迭代生长这个树，但是必须保证这棵多叉树中不会出现重复的节点，如果某个节点的子节点与已经存在的其他节点重复，则这个子节点不能被添加到这棵树上。所以迭代终止的条件就是这棵多叉树不再生长。从公式(4)中可知，同一个子簇中的像素点是成对出现且对称的，即，若Xi是Xj的双向连通点，那么Xj也是Xi的双向连通点。因此，不论选择哪个点作为根节点生长一个多叉树，都不会改变同一个子簇中的像素点。
当像素点划分单元对彩色图像的各个像素点划分完毕时，子簇合并单元可基于融合k近邻图中显示的各个子簇中的像素点与其他子簇中的像素点之间的单向连通关系，对各个子簇执行合并处理，从而产生一个或多个核心簇。
根据本发明的示例性实施例，子簇合并单元首先可确定各个子簇中的单向连通子簇对。这里，具有近邻关系的子簇对可被称为单向连通子簇对，并且单向连通子簇对可被定义如下：
例如，当两个子簇Cu和Cv满足以下条件时，可称子簇Cu和Cv是一个单向连通子簇对(Cu,Cv)：
也就是说，像素点Xi为子簇Cu中的像素点，像素点Xj为子簇Cv中的像素点，并且像素点Xi和像素点Xj具有单向连通关系。由于像素点Xi和像素点Xj具有单向连通关系，即非对称关系，因此，(Cu,Cv)≠(Cv,Cu)，(Cu,Cv)可被称为子簇Cu的单向连通子簇对，并且像素点Xi还可被称为从子簇Cu到子簇Cv的桥。
因此，子簇合并单元可基于确定的各个子簇中的单向连通子簇对来执行子簇合并。然而，并不是所有的单向连通子簇对都可以合并成更大的子簇，因为这样会导致大量弱连接的子簇合并，因此还需要一个筛选机制。即满足一定条件的单向连通子簇对才可以被合并。这里，可将执行子簇合并处理之后获得到的子簇称为核心簇，核心簇可表示高密度且连通的区域。
具体地说，当一个子簇不存在单向连通子簇对时，子簇合并单元可不对该子簇执行合并处理，并将该子簇单独构成一个核心簇。
当一个子簇仅存在一个单向连通子簇对时，子簇合并单元可将单向连通子簇对合并为一个核心簇。
当一个子簇存在多个单向连通子簇对时，子簇合并单元可将所述多个单向连通子簇对之中的从该子簇到单向连通子簇对中的另一子簇的桥的数量最多的一个或多个单向连通子簇对合并为一个核心簇。
例如，如果子簇Cu存在多个单向连通子簇对 其中，k为单向连通子簇对的数量，则子簇合并单元将满足以下条件的单向连通子簇对合并为一个核心簇：
其中，表示从子簇Cu到子簇的桥的数量。也就是说，在这些单向连通子簇对子簇Cu只与子簇至中与子簇Cu拥有的桥的数量最多的子簇Cvt合并。如果存在多个子簇例如 与子簇Cu拥有相同数量且数量最多的桥，则子簇合并单元可将子簇Cu与子簇例如合并成一个核心簇。此外，当一个子簇已参与过一次合并之后，子簇合并单元不再对该子簇执行合并。
当子簇合并单元已产生一个或多个核心簇之后，孤立点归类单元可基于由像素点距离计算装置先前计算出的孤立点集合中的各个像素点与由子簇合并单元产生的一个或多个核心簇中的各个像素点的距离，将孤立点集合中的各个像素点分别归类到与其距离最近的像素点所属的核心簇，从而产生最终的一个或多个簇。
图2示出根据本发明的示例性实施例的对彩色图像的各个像素点执行聚类分析的示意图。
如图2-1所示，可获得彩色图像的按照相互之间的距离分布各个像素点的集合。如图2-2所示，像素点划分单元可将彩色图像的各个像素点划分到孤立点集合(例如，孤立点a和孤立点b)或者各个子簇(例如，子簇1、子簇2、子簇3、子簇4和子簇5)。如图2-3所示，子簇合并单元可对各个子簇执行合并处理，从而产生一个或多个核心簇(例如，核心簇1、核心簇2和核心簇3)。如图2-4所示，孤立点归类单元可将孤立点集合中的各个像素点(例如，孤立点a和孤立点b)分别归类到与其距离最近的像素点所属的核心簇(例如，核心簇3)，从而产生最终的一个或多个簇(例如，簇1、簇2和簇3)。
返回参照图1，当聚类分析装置103对彩色图像的各个像素点执行聚类分析完毕时，彩色图像分割装置104可根据聚类分析的结果对彩色图像进行分割。
具体地说，彩色图像分割装置104可根据由聚类分析装置103输出的最终的一个或多个簇，将彩色图像分割为相应的一个或多个图像块。例如，聚类分析装置103可输出彩色图像中的每个像素点所属的簇的标号，彩色图像分割装置104可根据每个像素点的标号所指示的簇，将每个像素点划分到与其所属的簇相应的图像块。
根据本发明的示例性实施例，在彩色图像分割装置104将彩色图像分割为一个或多个图像块之后，彩色图像分割装置104还可进一步对该分割结果进行平滑或调整。例如，彩色图像分割装置104可基于分割后的一个或多个图像块的尺寸和位置，对分割后的一个或多个图像块进行调整，从而产生新的一个或多个图像块。例如，考虑实际应用的场景(例如，人物、汽车、楼房等)，人们通常关注的是图像中人物、汽车、楼房等较大的物体的轮廓，而人物、汽车、楼房中的一些细节(例如，人物衣服上的纽扣、汽车上的门把手、楼房中的小窗户)不应该被单独分割出来，而应该分割为属于人物、汽车、楼房。也就是说，当存在这些细节被单独分割出的情况，可将这些细节合并到附近的更大块。因此，彩色图像分割装置可将尺寸小于预定值T的图像块合并到与其位置最近的比其尺寸更大的图像块。预定值T是一个可由用户设置的变量，可视实际应用场合而取不同的值。
当彩色图像分割装置104对彩色图像分割完毕之后，彩色图像分割系统100可输出分割结果。根据本发明的示例性实施例，彩色图像分割系统100可包括分割结果输出单元(未示出)。例如，分割结果输出单元可输出以不同颜色填充的各图像块，以示出分割结果。又例如，分割结果输出单元可输出根据外部的需求输出各个图像块的边界，为其他任务(例如，物体跟踪前后景分离等)提供支持。
图3示出根据本发明的示例性实施例的彩色图像分割方法的流程图。
在执行彩色图像分割方法之前，彩色图像分割系统100可首先获取待分割的彩色图像。根据本发明的示例性实施例，彩色图像分割系统100的彩色图像获取装置(未示出)可根据需要从本地存储器或本地数据库获取待分割的彩色图像，或者通过输入装置或传输媒介而从外部数据源(例如，互联网、服务器、数据库等)接收待分割的彩色图像。
在步骤S301，彩色图像分割系统100的像素点距离计算装置101可基于获取到的彩色图像的各个像素点的RGB三个通道的像素值以及横纵坐标值，计算彩色图像的各个像素点之间的距离。
根据本发明的示例性实施例，像素点距离计算装置101可针对彩色图像的像素点两两进行计算，其中，对于任意两个像素点，计算这两个像素点的R通道像素值之间的差值、G通道像素值之间的差值、B通道像素值之间的差值、横坐标值之间的差值以及纵坐标值之间的差值的平方和的算术平方根，作为这两个像素点之间的距离。
例如，像素点距离计算装置101可通过上述公式(1)来计算两个像素点Xi和Xj之间的距离d(Xi，Xj)：
其中，Ri、Gi、Bi、xi和yi分别表示像素点Xi的R通道像素值、G通道像素值、B通道像素值、横坐标值和纵坐标值，Rj、Gj、Bj、xj和yj分别表示像素点Xj的R通道像素值、G通道像素值、B通道像素值、横坐标值和纵坐标值。
在步骤S302，融合k近邻图构建装置102可基于计算出的所述彩色图像的各个像素点之间的距离，构建将k近邻图和互k近邻图融合的融合k近邻图。
根据本发明的示例性实施例，融合k近邻图构建装置102可基于计算出的所述彩色图像的各个像素点之间的距离，分别确定所述彩色图像的各个像素点之间是单向连通关系、双向连通关系还是无连通关系，并基于确定结果构建融合k近邻图。
例如，融合k近邻图构建装置102可通过上述公式(2)来构建融合k近邻图Ah(i,j)。
其中，Xi和Xj分别为两个像素点，表示距离像素点Xi最近的P2个像素点的集合，表示距离像素点Xi最近的P1个像素点的集合，表示距离像素点Xj最近的P1个像素点的集合，这里的像素点之间的距离都是由像素点距离计算装置101根据上述计算像素点距离的方法计算得到的。
此外，P1和P2是融合k近邻图的两个参数，可由用户设置。其中，P1是用于计算每个像素点的互近邻点的参数，P2是用于计算每个像素点的近邻点的参数。如果两个像素点Xi和Xj具有单向连通关系，则认为这两个像素点Xi和Xj为单向连通点，并且Ah(i,j)＝1。这里，单向连通关系是非对称关系，Ah(i,j)＝1表示像素点Xj为像素点Xi的近邻点，而像素点Xi不为像素点Xj的近邻点。如果两个像素点Xi和Xj具有双向连通关系，则认为这两个像素点Xi和Xj为双向连通点，并且Ah(i,j)＝2。这里，双向连通关系是对称关系，Ah(i,j)＝2表示像素点Xi和Xj互为近邻点。此外，邻接矩阵中的值(1和2)仅仅作为标志位使用，所以融合k近邻图是一个无权图，这样设计的好处是在不影响效果的前提下，减少算法的复杂度。此外，在编程时不需要开辟一块n×n的内存空间储存邻接矩阵，而可以用P1×n和P2×n两个矩阵代替，P1+P2的值远远小于数据集总量n，所以可以节省大量的内存空间。
在步骤S303，聚类分析装置103可基于构建的融合k近邻图，对彩色图像的各个像素点执行聚类分析。
根据本发明的示例性实施例，聚类分析装置103的像素点划分单元(未示出)可寻找像素点集中的高密度区域，聚类分析装置103的子簇合并单元(未示出)可将这些高密度区域合理地连通起来以形成聚类结果。聚类分析装置103的孤立点归类单元(未示出)可将分散的点合理地归类到聚类结果中。
具体地说，像素点划分单元基于融合k近邻图中显示的彩色图像的各个像素点之间的双向连通关系，将彩色图像的各个像素点分别划分至孤立点集合或各个子簇中。
根据本发明的示例性实施例，像素点划分单元可针对彩色图像的各个像素点中的每个像素点执行以下操作：计算与该像素点具有双向连通关系的像素点的数量，将计算出的数量与预定值进行比较，如果计算出的数量小于或等于所述预定值，则将该像素点确定为孤立点，并将该像素点划分至孤立点集合中，如果计算出的数量大于所述预定值，则将该像素点划分至各个子簇中，其中，在划分子簇中，针对各个像素点中的任意两个像素点，如果这两个像素点都不为孤立点且具有双向连通关系，则将这两个像素点划分至同一子簇中。
例如，当像素点Xi满足上述公式(3)时，像素点划分单元可将像素点Xi确定为孤立点，并将像素点Xi划分至孤立点集合S中。
H(i)≤P1-P3(3)
其中，H(i)表示与像素点Xi具有双向连通关系的像素点的数量，P3是用于控制孤立点集合S的大小的参数，并可由用户设置。如果P1-P3被设置地较大，则孤立点的约束条件将会放宽，因此会有大量的像素点被标注为孤立点。如果P1-P3被设置地较小，则孤立点的约束条件将会收紧，因此会有少量的像素点被标注为孤立点。
当像素点Xi不满足上述公式(3)时，则认为像素点Xi不是孤立点，即，像素点像素点划分单元可将像素点Xi划分至子簇中。子簇是聚类分析过程中最小的计算单位，代表高密度区域。子簇可由多个像素点组成，当像素点Xi被划分至一个子簇中时，如果另一个像素点Xj满足上述公式(4)，则将该像素点Xj与像素点Xi划分至同一子簇中。
也就是说，当像素点Xi和像素点Xj都不是孤立点，且像素点Xi和像素点Xj具有双向连通关系时，这两个像素点Xi和像素点Xj可被划分至同一个子簇中。另外，如果第三个像素点Xo满足和中的任意一个条件，则可将像素点Xo与像素点Xi和像素点Xj划分至同一个子簇中。另外，如果第四个像素点Xe满足和中的任意一个条件，则可将像素点Xe与像素点Xi、像素点Xj和像素点Xo划分至同一个子簇中。针对其它的像素点，可依此类推。
在编程实现中，可以用多叉树来描述一个子簇，即以某一个像素点作为根节点，与该根节点具有双向连通关系的所有像素点为该根节点的子节点，然后不断的迭代生长这个树，但是必须保证这棵多叉树中不会出现重复的节点，如果某个节点的子节点与已经存在的其他节点重复，则这个子节点不能被添加到这棵树上。所以迭代终止的条件就是这棵多叉树不再生长。从公式(4)中可知，同一个子簇中的像素点是成对出现且对称的，即，若Xi是Xj的双向连通点，那么Xj也是Xj的双向连通点。因此，不论选择哪个点作为根节点生长一个多叉树，都不会改变同一个子簇中的像素点。
当像素点划分单元对彩色图像的各个像素点划分完毕时，子簇合并单元可基于融合k近邻图中显示的各个子簇中的像素点与其他子簇中的像素点之间的单向连通关系，对各个子簇执行合并处理，从而产生一个或多个核心簇。
根据本发明的示例性实施例，子簇合并单元首先可确定各个子簇中的单向连通子簇对。这里，具有近邻关系的子簇对可被称为单向连通子簇对，并且单向连通子簇对可被定义如下：
例如，当两个子簇Cu和Cv满足上述公式(5)时，可称子簇Cu和Cv是一个单向连通子簇对(Cu,Cv)：
也就是说，像素点Xi为子簇Cu中的像素点，像素点Xj为子簇Cv中的像素点，并且像素点Xi和像素点Xj具有单向连通关系。由于像素点Xi和像素点Xj具有单向连通关系，即非对称关系，因此，(Cu,Cv)≠(Cv,Cu)，(Cu,Cv)可被称为子簇Cu的单向连通子簇对，并且像素点Xi还可被称为从子簇Cu到子簇Cv的桥。
因此，子簇合并单元可基于确定的各个子簇中的单向连通子簇对来执行子簇合并。然而，并不是所有的单向连通子簇对都可以合并成更大的子簇，因为这样会导致大量弱连接的子簇合并，因此还需要一个筛选机制。即满足一定条件的单向连通子簇对才可以被合并。这里，可将执行子簇合并处理之后获得到的子簇称为核心簇，核心簇可表示高密度且连通的区域。
具体地说，当一个子簇不存在单向连通子簇对时，子簇合并单元可不对该子簇执行合并处理，并将该子簇单独构成一个核心簇。
当一个子簇仅存在一个单向连通子簇对时，子簇合并单元可将单向连通子簇对合并为一个核心簇。
当一个子簇存在多个单向连通子簇对时，子簇合并单元可将所述多个单向连通子簇对之中的从该子簇到单向连通子簇对中的另一子簇的桥的数量最多的一个或多个单向连通子簇对合并为一个核心簇。
例如，如果子簇Cu存在多个单向连通子簇对 其中，k为单向连通子簇对的数量，则子簇合并单元将满足上述公式(6)的单向连通子簇对合并为一个核心簇：
其中，表示从子簇Cu到子簇的桥的数量。也就是说，在这些单向连通子簇对子簇Cu只与子簇至中与子簇Cu拥有的桥的数量最多的子簇合并。如果存在多个子簇例如 与子簇Cu拥有相同数量且数量最多的桥，则子簇合并单元可将子簇Cu与子簇例如合并成一个核心簇。此外，当一个子簇已参与过一次合并之后，子簇合并单元不再对该子簇执行合并。
当子簇合并单元已产生一个或多个核心簇之后，孤立点归类单元可基于由像素点距离计算装置先前计算出的孤立点集合中的各个像素点与由子簇合并单元产生的一个或多个核心簇中的各个像素点的距离，将孤立点集合中的各个像素点分别归类到与其距离最近的像素点所属的核心簇，从而产生最终的一个或多个簇。
在步骤S304，彩色图像分割系统100的彩色图像分割装置104可根据聚类分析的结果对彩色图像进行分割。
具体地说，彩色图像分割装置104可根据由聚类分析装置103输出的最终的一个或多个簇，将彩色图像分割为相应的一个或多个图像块。例如，聚类分析装置103可输出彩色图像中的每个像素点所属的簇的标号，彩色图像分割装置104可根据每个像素点的标号所指示的簇，将每个像素点划分到与其所属的簇相应的图像块。
根据本发明的示例性实施例，在彩色图像分割装置104将彩色图像分割为一个或多个图像块之后，彩色图像分割装置104还可进一步对该分割结果进行平滑或调整。例如，彩色图像分割装置104可基于分割后的一个或多个图像块的尺寸和位置，对分割后的一个或多个图像块进行调整，从而产生新的一个或多个图像块。例如，考虑实际应用的场景(例如，人物、汽车、楼房等)，人们通常关注的是图像中人物、汽车、楼房等较大的物体的轮廓，而人物、汽车、楼房中的一些细节(例如，人物衣服上的纽扣、汽车上的门把手、楼房中的小窗户)不应该被单独分割出来，而应该分割为属于人物、汽车、楼房。也就是说，当存在这些细节被单独分割出的情况，可将这些细节合并到附近的更大块。因此，彩色图像分割装置可将尺寸小于预定值T的图像块合并到与其位置最近的比其尺寸更大的图像块。预定值T是一个可由用户设置的变量，可视实际应用场合而取不同的值。
当彩色图像分割装置104对彩色图像分割完毕之后，根据本发明的示例性实施例的彩色图像分割方法还可包括：彩色图像分割系统100可输出分割结果。根据本发明的示例性实施例，彩色图像分割系统100的分割结果输出单元(未示出)可输出以不同颜色填充的各图像块，以示出分割结果。根据本发明的另一示例性实施例，彩色图像分割系统100的分割结果输出单元(未示出)可输出根据外部的需求输出各个图像块的边界，为其他任务(例如，物体跟踪前后景分离等)提供支持。
根据本发明的彩色图像分割方法及系统，在提取彩色图像特征的过程中，仅计算两两像素点的RGB三个通道的像素值及纵横坐标值之间的差值的平方和的算术平方根作为两个像素点之间的距离，计算方法简单快捷，简化了提取图像特征的算法，同时又不会丢失任何信息，保证了提取图像特征的全面性准确性。
此外，根据本发明的彩色图像分割方法及系统，采用一种新型的非线性聚类算法。该新型的非线性聚类算法将簇视为高密度的连通区域，为了同时找出数据集中的连通区域和高密度区域，构建一种由k近邻图和互k近邻图结合而成的融合k近邻图，并基于融合k近邻图执行聚类分析。这样的新型的非线性聚类算法融合了k近邻图和互k近邻图两种图的优势，可以更准确的重构数据集的分布情况，与世界上主流的非线性聚类算法相比，该新型的非线性聚类算法可以在较短的时间内，在非线性数据集上获得较好的聚类结果，从而达到更准确的彩色图像分割的效果。
以上已参照图1至图3描述了根据本发明示例性实施例的彩色图像分割方法及系统。
图1所示出的系统、装置及单元可被分别配置为执行特定功能的软件、硬件、固件或上述项的任意组合。例如，这些系统、装置或单元可对应于专用的集成电路，也可对应于纯粹的软件代码，还可对应于软件与硬件相结合的模块。此外，这些系统、装置或单元所实现的一个或多个功能也可由物理实体设备(例如，处理器、客户端或服务器等)中的组件来统一执行。
此外，参照图3所描述的方法可通过记录在计算机可读存储介质上的程序(或指令)来实现。例如，根据本发明的示例性实施例，可提供一种用于彩色图像分割的计算机可读存储介质，其中，在所述计算机可读存储介质上记录有用于执行参照图3所描述的彩色图像分割的方法步骤的计算机程序(或指令)。例如，所述计算机程序(或指令)可用于执行以下方法步骤：基于彩色图像的各个像素点的RGB三个通道的像素值以及横纵坐标值，计算所述彩色图像的各个像素点之间的距离；基于计算出的所述彩色图像的各个像素点之间的距离，构建将k近邻图和互k近邻图融合的融合k近邻图；基于构建的融合k近邻图，对所述彩色图像的各个像素点执行聚类分析；根据聚类分析的结果对所述彩色图像进行分割。
上述计算机可读存储介质中的计算机程序可在诸如客户端、主机、代理装置、服务器等计算机设备中部署的环境中运行，应注意，所述计算机程序还可用于执行除了上述步骤以外的附加步骤或者在执行上述步骤时执行更为具体的处理，这些附加步骤和进一步处理的内容已经在参照图3进行相关方法的描述过程中提及，因此这里为了避免重复将不再进行赘述。
应注意，根据本发明示例性实施例的彩色图像分割系统可完全依赖计算机程序的运行来实现相应的功能，即，各个单元在计算机程序的功能架构中与各步骤相应，使得整个系统通过专门的软件包(例如，lib库)而被调用，以实现相应的功能。
另一方面，图1所示的各个装置也可以通过硬件、软件、固件、中间件、微代码或其任意组合来实现。当以软件、固件、中间件或微代码实现时，用于执行相应操作的程序代码或者代码段可以存储在诸如存储介质的计算机可读介质中，使得处理器可通过读取并运行相应的程序代码或者代码段来执行相应的操作。
例如，本发明的示例性实施例还可以实现为计算装置，该计算装置包括存储部件和处理器，存储部件中存储有计算机可执行指令集合，当所述计算机可执行指令集合被所述处理器执行时，执行根据本发明的示例性实施例的彩色图像分割方法。
具体说来，所述计算装置可以部署在服务器或客户端中，也可以部署在分布式网络环境中的节点装置上。此外，所述计算装置可以是PC计算机、平板装置、个人数字助理、智能手机、web应用或其他能够执行上述指令集合的装置。
这里，所述计算装置并非必须是单个的计算装置，还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。计算装置还可以是集成控制系统或系统管理器的一部分，或者可被配置为与本地或远程(例如，经由无线传输)以接口互联的便携式电子装置。
在所述计算装置中，处理器可包括中央处理器(CPU)、图形处理器(GPU)、可编程逻辑装置、专用处理器系统、微控制器或微处理器。作为示例而非限制，处理器还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。
根据本发明示例性实施例的彩色图像分割方法中所描述的某些操作可通过软件方式来实现，某些操作可通过硬件方式来实现，此外，还可通过软硬件结合的方式来实现这些操作。
处理器可运行存储在存储部件之一中的指令或代码，其中，所述存储部件还可以存储数据。指令和数据还可经由网络接口装置而通过网络被发送和接收，其中，所述网络接口装置可采用任何已知的传输协议。
存储部件可与处理器集成为一体，例如，将RAM或闪存布置在集成电路微处理器等之内。此外，存储部件可包括独立的装置，诸如，外部盘驱动、存储阵列或任何数据库系统可使用的其他存储装置。存储部件和处理器可在操作上进行耦合，或者可例如通过I/O端口、网络连接等互相通信，使得处理器能够读取存储在存储部件中的文件。
此外，所述计算装置还可包括视频显示器(诸如，液晶显示器)和用户交互接口(诸如，键盘、鼠标、触摸输入装置等)。计算装置的所有组件可经由总线和/或网络而彼此连接。
根据本发明示例性实施例的彩色图像分割方法所涉及的操作可被描述为各种互联或耦合的功能块或功能示图。然而，这些功能块或功能示图可被均等地集成为单个的逻辑装置或按照非确切的边界进行操作。
因此，参照图3所描述的方法可通过包括至少一个计算装置和至少一个存储指令的存储装置的系统来实现。
根据本发明的示例性实施例，所述至少一个计算装置是根据本发明示例性实施例的用于彩色图像分割的计算装置，存储装置中存储有计算机可执行指令集合，当所述计算机可执行指令集合被所述至少一个计算装置执行时，执行参照图3所描述的方法步骤。例如，当所述计算机可执行指令集合被所述至少一个计算装置执行时，可执行以下方法步骤：基于彩色图像的各个像素点的RGB三个通道的像素值以及横纵坐标值，计算所述彩色图像的各个像素点之间的距离；基于计算出的所述彩色图像的各个像素点之间的距离，构建将k近邻图和互k近邻图融合的融合k近邻图；基于构建的融合k近邻图，对所述彩色图像的各个像素点执行聚类分析；根据聚类分析的结果对所述彩色图像进行分割。
以上描述了本发明的各示例性实施例，应理解，上述描述仅是示例性的，并非穷尽性的，本发明不限于所披露的各示例性实施例。在不偏离本发明的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。因此，本发明的保护范围应该以权利要求的范围为准。

Claims (10)

1.一种彩色图像分割方法，包括：
基于彩色图像的各个像素点的RGB三个通道的像素值以及横纵坐标值，计算所述彩色图像的各个像素点之间的距离；
基于计算出的所述彩色图像的各个像素点之间的距离，构建将k近邻图和互k近邻图融合的融合k近邻图；
基于构建的融合k近邻图，对所述彩色图像的各个像素点执行聚类分析；
根据聚类分析的结果对所述彩色图像进行分割。
2.如权利要求1所述的彩色图像分割方法，其中，计算所述彩色图像的各个像素点之间的距离的步骤包括：
对于所述彩色图像的像素点两两进行计算，其中，对于任意两个像素点，计算这两个像素点的R通道像素值之间的差值、G通道像素值之间的差值、B通道像素值之间的差值、横坐标值之间的差值以及纵坐标值之间的差值的平方和的算术平方根，作为这两个像素点之间的距离。
3.如权利要求1所述的彩色图像分割方法，其中，构建融合k近邻图的步骤包括：
基于计算出的所述彩色图像的各个像素点之间的距离，分别确定所述彩色图像的各个像素点之间是单向连通关系、双向连通关系还是无连通关系；
基于确定结果构建融合k近邻图。
4.如权利要求3所述的彩色图像分割方法，其中，融合k近邻图被构建为：
其中，Xi和Xj分别为两个像素点，表示距离像素点Xi最近的P2个像素点的集合，表示距离像素点Xi最近的P1个像素点的集合，表示距离像素点Xj最近的P1个像素点的集合，
其中，P1和P2的值由用户设置。
5.如权利要求3或4所述的彩色图像分割方法，其中，执行聚类分析的步骤包括：
基于所述彩色图像的各个像素点之间的双向连通关系，将所述彩色图像的各个像素点分别划分至孤立点集合或各个子簇中；
基于各个子簇中的像素点与其他子簇中的像素点之间的单向连通关系，对各个子簇执行合并处理，从而产生一个或多个核心簇；
基于计算出的孤立点集合中的各个像素点与产生的所述一个或多个核心簇中的各个像素点的距离，将孤立点集合中的各个像素点分别归类到与其距离最近的像素点所属的核心簇，从而产生最终的一个或多个簇。
6.如权利要求5所述的彩色图像分割方法，其中，将所述彩色图像的各个像素点分别划分至孤立点集合或各个子簇中的步骤包括：
针对所述彩色图像的各个像素点中的每个像素点执行以下操作：
计算与该像素点具有双向连通关系的像素点的数量；
将计算出的数量与预定值进行比较；
如果计算出的数量小于或等于所述预定值，则将该像素点确定为孤立点，并将该像素点划分至孤立点集合中；
如果计算出的数量大于所述预定值，则将该像素点划分至各个子簇中，
其中，在划分子簇中，针对各个像素点中的任意两个像素点，如果这两个像素点都不为孤立点且具有双向连通关系，则将这两个像素点划分至同一子簇中。
7.如权利要求6所述的彩色图像分割方法，其中，如果计算出的数量小于或等于所述预定值，则将该像素点确定为孤立点，并将该像素点划分至孤立点集合中的步骤包括：
当像素点Xi满足H(i)≤P1-P3时，确定像素点Xi为孤立点，并将像素点Xi划分至孤立点集合S中，
其中，H(i)表示与像素点Xi具有双向连通关系的像素点的数量，P3的值由用户设置，
其中，如果计算出的数量大于所述预定值，则将该像素点划分至各个子簇中的步骤包括：
当像素点时，将满足的像素点Xj与像素点Xi划分至同一个子簇中。
8.一种彩色图像分割系统，包括：
像素点距离计算装置，被配置为基于彩色图像的各个像素点的RGB三个通道的像素值以及横纵坐标值，计算所述彩色图像的各个像素点之间的距离；
融合k近邻图构建装置，被配置为基于计算出的所述彩色图像的各个像素点之间的距离，构建将k近邻图和互k近邻图融合的融合k近邻图；
聚类分析装置，被配置为基于构建的融合k近邻图，对所述彩色图像的各个像素点执行聚类分析；
彩色图像分割装置，被配置为根据聚类分析的结果对所述彩色图像进行分割。
9.一种包括至少一个计算装置和至少一个存储指令的存储装置的系统，其中，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行如权利要求1到7中的任一权利要求所述的彩色图像分割方法。
10.一种存储指令的计算机可读存储介质，其中，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行如权利要求1到7中的任一权利要求所述的彩色图像分割方法。
CN201811373364.9A 2018-11-19 2018-11-19 彩色图像分割方法及系统 Pending CN109461158A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811373364.9A CN109461158A (zh) 2018-11-19 2018-11-19 彩色图像分割方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811373364.9A CN109461158A (zh) 2018-11-19 2018-11-19 彩色图像分割方法及系统

Publications (1)

Publication Number Publication Date
CN109461158A true CN109461158A (zh) 2019-03-12

Family

ID=65610779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811373364.9A Pending CN109461158A (zh) 2018-11-19 2018-11-19 彩色图像分割方法及系统

Country Status (1)

Country Link
CN (1) CN109461158A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930815A (zh) * 2016-05-04 2016-09-07 中国农业大学 一种水下生物检测方法和系统
CN107452010A (zh) * 2017-07-31 2017-12-08 中国科学院长春光学精密机械与物理研究所 一种自动抠图算法和装置
CN107784657A (zh) * 2017-09-29 2018-03-09 西安因诺航空科技有限公司 一种基于颜色空间分类的无人机遥感图像分割方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930815A (zh) * 2016-05-04 2016-09-07 中国农业大学 一种水下生物检测方法和系统
CN107452010A (zh) * 2017-07-31 2017-12-08 中国科学院长春光学精密机械与物理研究所 一种自动抠图算法和装置
CN107784657A (zh) * 2017-09-29 2018-03-09 西安因诺航空科技有限公司 一种基于颜色空间分类的无人机遥感图像分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
QIN YIKUN，YU ZHU LIANG等: ""A Novel clustering method based on hybrid K-nearest-neighbor graph"", 《PATTERN RECOGNITION》 *

Similar Documents

Publication Publication Date Title
Qin et al. Saliency detection via cellular automata
Wang et al. Towards unified depth and semantic prediction from a single image
EP4203476A1 (en) Video motion estimation method and apparatus, device, computer-readable storage medium and computer program product
Liu et al. Adaptive partial differential equation learning for visual saliency detection
JP6553692B2 (ja) 動画像背景除去方法及び動画像背景除去システム
CN105184763B (zh) 图像处理方法和装置
CN111814620B (zh) 人脸图像质量评价模型建立方法、优选方法、介质及装置
WO2021164550A1 (zh) 图像分类方法及装置
CN106991408A (zh) 一种候选框生成网络的生成方法及人脸检测方法
CN109255357B (zh) 一种rgbd图像协同显著性检测方法
CN109598250B (zh) 特征提取方法、装置、电子设备和计算机可读介质
CN113821657A (zh) 基于人工智能的图像处理模型训练方法及图像处理方法
US20220229809A1 (en) Method and system for flexible, high performance structured data processing
Mashtalir et al. Detecting significant changes in image sequences
JP2020518081A (ja) 高速で漸進的なスーパーボクセルベースの時空間ビデオセグメンテーション法
Hu et al. RGB-D image multi-target detection method based on 3D DSF R-CNN
US9971951B2 (en) Method and apparatus for generating superpixel clusters
CN113052242B (zh) 图像处理网络的训练方法及装置、图像处理方法及装置
Zhang et al. A novel optimization framework for salient object detection
Li et al. A fast feature selection method based on coefficient of variation for diabetics prediction using machine learning
CN109461158A (zh) 彩色图像分割方法及系统
KR20230062462A (ko) 레퍼런스 이미지의 검증을 통해 자연스러운 3차원 디지털 트윈을 생성하기 위한 방법 및 장치
CN117897736A (zh) 用于机器视频编码（vcm）的编码器和解码器
Li et al. Optimal transport with relaxed marginal constraints
Abin et al. WISECODE: wise image segmentation based on community detection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190312

RJ01 Rejection of invention patent application after publication