CN1873657A - 鲁棒的自然图像分割方法 - Google Patents

Abstract

本发明涉及图像分割和图像理解技术领域，一种鲁棒的自然图像分割方法。方法步骤：S1，采集一帧图像到内存；S2，根据多变量非参数核密度估计中的最优带宽的选择方法，由图像的YUV分量统计出颜色带宽，并根据上层视觉任务确定空间带宽；S3，对图像进行双边滤波；S4，用估计出的颜色带宽进一步估计每一象素点处的概率密度；S5，局部模式检测，这一过程也是象素聚类的过程，属于同一局部模式的象素点聚类到同一类中；S6，局部模式融合，对聚类后的结果再次进行融合，合并图像中颜色相近的块；S7，消除纹理特征对分割结果的影响；S8，消除面积小于100个象素点的区域；S9，输出结果。

Description

鲁棒的自然图像分割方法

技术领域

本发明涉及图像分割和图像理解技术领域，特别是一种鲁棒的自然图像分割方法。

背景技术

室内和室外不规整的应用环境是机器人视觉导航遇到的普遍情况。为了适应这些环境，导航时可设置一些专用的人工目标。采用人工目标作为陆标导航的方式其应用受到一定的限制，因为在很多应用场合难以设置人工目标。相比之下，基于自然目标检测与识别的导航方式具有更普遍的适用性，它适用于随机场景下的机器人导航。在自然目标检测与识别中，自然图像的分割以及分割性能的稳定性(鲁棒性)是关键。因此，鲁帮的自然图像分割方法在移动机器人视觉导航中具有重要的应用价值。

现有的自然图像分割方法包括：传统分割方法、基于区域竞争的分割方法、基于目标模型的方法、基于均值漂移的分割方法、基于图论(Graphic theory)的分割方法、基于学习的分割方法等。在以上自然图像分割方法中，同时融合颜色、轮廓和纹理特征的分割方法是符合实际图像结构的，代表了自然图像分割的发展趋势。在这些方法中，基于区域竞争、目标模型、图论的分割方法是全局的递归的优化过程，纹理特征的提取和处理需要较大的计算量，因此计算复杂，难以用于实时环境。然而，基于均值漂移的分割方法由于仅从颜色上分割图像，从数据分析的角度来描述分割，在渐近积分均方误差(AMISE)意义下选择带宽，保持数据的原始分布，失真小，计算速度快，鲁棒性好，已被用于运动目标跟踪。均值漂移方法的缺点也正是因为在分割中没有考虑纹理信息，导致它容易过分割图像，特别是纹理图像。同时，均值漂移方法是一种自下而上的分割方法，它从数据本身的分布出发进行聚类，然而实际的视觉任务往往需要自上而下的处理方式，希望分割结果随上层需要而变化。因此，以上方法还不能满足实际视觉处理任务的需要。

发明内容

本发明的目的在于提供一种鲁棒的自然图像分割方法。

鲁棒的自然图像分割方法就是能稳定分割不同光照条件下任意采集的自然图像的方法，其主要任务是对随机采集的图像进行分割，都将获得稳定的分割结果，并根据上层的视觉任务控制分割结果。

鲁棒的自然图像分割方法首先采集一帧图像到内存，然后对采集的图像依次进行颜色带宽估计、滤波、密度估计、局部模式检测、局部模式融合、消除纹理特征等，最后消除面积小于100个象素点的区域，并输出分割结果。

带宽选择：带宽包括空间带宽和颜色带宽。空间带宽就是用于估计密度和搜索局部模式的窗口尺寸，空间带宽的大小决定了算法的处理速度。随着空间带宽的增大，算法消耗的时间将快速增加。同时，空间带宽的大小还会影响检测到的局部模式数。并不是空间带宽越大分割结果就越好，空间带宽要根据相应的视觉任务确定。颜色带宽是从数据分析的角度并根据Plug-in规则计算得到的，它使估计的颜色概率密度分布和真实的颜色概率密度分布之间的渐进积分均方误差最小。然而，实际的视觉任务并不是要保持图像的每一个细节，有时只需要将图像分割成几个主要部分而忽略大多数细节，因此需要在一定的范围内调整颜色带宽。通常，颜色带宽越大，检测到的局部模式数就越少，但是当颜色带宽超过一定值时，检测到的局部模式数就不再变化。颜色带宽越大，图像中越多的细节将被忽略，从这个意义上说，颜色带宽可以看作是分割分辨率。大的颜色带宽相当于用一个放大倍数较小的放大镜看远处的建筑物，只能看到一个模糊的轮廓；小的颜色带宽相当于一个放大倍数较高的放大镜，能看到目标的细节部分。

滤波：采用了自适应平滑滤波，在保持目标边界的同时消除噪声的影响。

密度估计：用于密度估计的核函数选择多变量独立高斯分布函数。在带宽确定以后，密度估计值只受象素间颜色差变化的影响。而颜色差值在YUV空间中的变化范围是0到512之内，因此，可以根据选择的带宽，事先列出一个颜色差值在0到512之间变化的密度值表格，进行密度估计时只需查表累加即可，这样大大降低了核函数密度估计的计算代价。

局部模式检测：局部模式检测可分为直接密度搜索方式和均值漂移搜索方式，本发明采用了直接密度搜索方式。直接密度估计搜索方法分两步完成：首先以空间带宽为窗口的尺寸估计每个象素点的概率密度，然后以相同大小的窗口搜索局部模式。均值漂移方法则直接利用窗口内的象素计算漂移向量进行搜索。显然，直接密度估计搜索分两步完成搜索，它的计算量要比均值漂移的计算量大。但是直接密度估计搜索利用了2倍窗口范围内的象素信息进行搜索，而均值漂移搜索只依赖于空间带宽带尺寸的窗口范围内的象素信息，因此它的搜索结果将比均值漂移搜索方法更好。

局部模式融合：采用了基于全局标准的局部模式融合方式，即以整个图像的信息作为局部模式融合的依据。采用全局标准下的局部模式融合还有利于根据上层视觉任务控制最终的分割区域数目。

消除纹理特征：在检测到的局部模式基础之上，消除图像纹理特征带来的过分割的影响。

消除面积小于100个象素点的区域：用于消除一些小的区域。

综上所述，与其他自然图像分割方法相比，本发明提出的鲁棒的自然图像分割方法具有以下不同之处：

●是自上而下和自下而上相结合的视觉处理方法，计算速度快。

●采用了直接局部模式搜索方式，全局标准下的局部模式融合，在检测到的局部模式下消除纹理特征的影响。

●对不同光照条件下和具有纹理的自然图像，能获得稳定的分割结果，鲁棒性能较好。

●根据上层视觉任务的需要调整分割参数，来获得所需的分割结果。

附图说明

图1是本发明的鲁棒的自然图像分割方法过程图。

具体实施方式

鲁棒的自然图像分割过程如图1所示。整个分割过程由七部分组成：颜色带宽估计、滤波、密度估计、局部模式检测、局部模式融合、消除纹理特征、消除小于100个象素的区域。

具体步骤包括：

步骤S1，采集一帧图像到内存；

步骤S2，根据多变量非参数核密度估计中的最优带宽的选择方法，由图像的YUV分量统计出颜色带宽，并根据上层视觉任务确定空间带宽；

步骤S3，对图像进行双边滤波；

步骤S4，用估计出的颜色带宽进一步估计每一象素点处的概率密度；

步骤S5，局部模式检测，在估计的概率密度之上，采用局部直接密度搜索方式，搜索局部密度最大值点，每一局部密度最大值点对应一个局部模式，这一过程也是象素聚类的过程，属于同一局部模式的象素点聚类到同一类中，对应一局部块；

步骤S6，局部模式融合，对聚类后的局部模式再次进行融合，合并图像中颜色相近的块；

步骤S7，消除纹理特征对分割结果的影响；

步骤S8，消除面积小于100个象素点的区域；

步骤S9，输出结果。

首先，采集一帧图像到内存，由图像的YUV分量统计出plug-in意义下的最优颜色带宽，并根据实际视觉任务确定空间带宽。

利用估计的颜色带宽和自适应滤波方法，对图像进行滤波。

用于密度估计的核函数选择多变量独立高斯分布函数。由于在核函数已选定和带宽已估计的前提下，密度值只受象素间颜色差的影响，并且，象素间颜色差值在YUV空间中的变化范围是0到2×256之内，因此，在密度估计前列出一个颜色差从0到2×256之间变化的密度值表格，进行密度估计时只需查表累加即可，这样降低了核函数密度估计的计算代价。

局部模式检测采用直接密度搜索方式。首先以空间带宽为搜索窗口的尺寸，搜索窗口内的密度极大值点。然后以搜索到的窗口内的密度极值点再次进行搜索，直到收敛到局部密度极大值点。所有收敛到同一局部密度极大值点的象素点构成一个局部模式。经局部没模式检测后，一幅图像可分解为若干局部模式，每一局部模式对应一局部块。

局部模式融合是在整个图像的散度极小化的规则下进行融合的，或者根据融合后的区域数目进行融合，由具体的视觉任务而定。融合时，使颜色差值在阈值之内的相邻的局部模式进行合并，直到达到散度最小化或者预期的区域数目。

消除纹理区域是在检测到的局部模式之上进行处理的。通过统计每一个局部模式与相邻局部模式之间的颜色差异，估计出每一局部模式的颜色独立性，依据颜色独立性进行局部模式的合并，消除大多数纹理特征对分割结果的影响。

消除面积小于100个象素点的区域，并输出结果。

本发明的特点与效果有：

●与基于递归的自然图像分割方法相比，计算速度快。

●采用了直接局部模式搜索方式，全局标准下的局部模式融合，在检测到的局部模式下消除纹理特征的影响。因此，对不同光照条件下和具有纹理的自然图像，能获得稳定的分割结果，鲁棒性能较好。

●根据上层视觉任务的需要调整分割参数，来获得所需的分割结果。

●分割效果优于均值漂移方法，计算时间与均值漂移相当。

●对自然目标检测与识别的研究与发展具有重要的指导意义和应用价值。

Claims (2)

1.一种鲁棒的自然图像分割方法，整个分割过程由七部分步骤组成：颜色带宽估计、滤波、密度估计、局部模式检测、局部模式融合、消除纹理特征、消除小于100个象素的区域。

2.根据权利要求1的鲁棒的自然图像分割方法，其步骤如下：

步骤S1，采集一帧图像到内存；

步骤S2，根据多变量非参数核密度估计中的最优带宽的选择方法，由图像的YUV分量统计出颜色带宽，并根据上层视觉任务确定空间带宽；

步骤S3，对图像进行双边滤波；

步骤S4，用估计出的颜色带宽进一步估计每一象素点处的概率密度；

步骤S5，局部模式检测，在估计的概率密度之上，采用局部直接密度搜索方式，搜索局部密度最大值点，每一局部密度最大值点对应一个局部模式，这一过程也是象素聚类的过程，属于同一局部模式的象素点聚类到同一类中，对应一局部块；

步骤S6，局部模式融合，对聚类后的局部模式再次进行融合，合并图像中颜色相近的块；

步骤S7，消除纹理特征对分割结果的影响；

步骤S8，消除面积小于100个象素点的区域；

步骤S9，输出结果。