一种基于非对称逆布局模型的图像分割方法
【专利摘要】本发明公开了一种基于非对称逆布局模型的图像分割方法，包括以下步骤：1、将待处理图像进行编码得到总同类块块数、颜色表P和坐标表Q；2、令当前扫描块序号i＝0，设置指针矩阵；3、得到P[i]和Q[i]；4、根据Q[i]算出当前块大小、左边界和上边界的坐标信息；5、找出左边界像素L左边的像素LL及其所属区域，并找出这两个区域的祖先区域，若两个区域是同一区域则跳到下一像素，否则判断祖先是否可合并；6、找出上边界像素T上边像素TT及其所属区域，并找出这两个区域的祖先区域，若两个区域是同一区域则跳到下一像素；否则判断祖先是否可合并；7、i++，跳转步骤3直至所有块处理完为止。具有图像处理速度快等优点。
【专利说明】一种基于非对称逆布局模型的图像分割方法
【技术领域】
[0001] 本发明涉及一种计算机图像处理技术，特别涉及一种基于非对称逆布局模型 (NAM)的图像分割方法。
【背景技术】
[0002] 图像分割技术与图像表示方法密切相关，这里主要就图像的分层数据结构和图像 的分割技术来介绍相关的研究现状和国内外的最新发展趋势。
[0003] (1)图像的分层数据结构；
[0004] 分层数据结构在计算机视觉、机器人、计算机图形学、图像处理、模式识别等领域 里是非常重要的区域表示方法。图像的分层表示方法在图像分割、图像压缩和图像检索等 应用中起着非常关键的作用。四元树是图像分层表示的一种形式，它是研究得最早的、也是 研究得最多的一种分层表示形式。早期的四元树表示都是基于指针的四元树结构，为了显 著减少存储空间，Gargantini等人消除了指针方案，提出了称之为线性四元树的表示方法。 Subramanian等人研究了基于空间二兀树分割（BSP,BinarySpacePartitioning)的图像 表示方法。图像经过BSP树表示后，其表示结果可直接支持图像的压缩与分割等算法。基 于混合的二元树和四元树表示，Kassim等人提出了一种基于分层分割的图像表示方法。基 于B-树三角形编码方法，Distasi等人提出了基于空间数据结构的灰度图像表示算法。基 于S-树数据结构和Gouraud阴影法,Chung等人提出了一种基于S-树的空间数据结构的灰 度图像表不（STC，S-TreeCoding)方法（K.L.Chung,J.G.Wu.Improvedimagecompression usingS-treeandshadingapproach.IEEETransactionsonCommunications，2000， 48(5) :748-751.)。随后，Chung等人提出了一种基于DCT域和空域的混合灰度图像表 不（SDCT，Spatial-andDCT-based)方法（K.L.Chung，Y.W.Liu，W.M.Yan.Ahybridgray imagerepresentationusingspatial-andDCT-basedapproachwithapplicationto momentcomputation.JournalofVisualCommunicationandImageRepresentation， 2006,17 (6):1209-1226)〇
[0005] 虽然上述的分层数据表示有许多优点，但是它们过于强调分割的对称性，因此不 是最优的表示方法。借助于Packing问题的思想，以寻找分割最大化的非对称分割方法为 目标，Chen等人提出了图像模式的NAM表示方法（ChenChuanbo,ZhengYunping.Anovel non-symmetryandanti-packingmodelforimagerepresentation.ChineseJournal ofElectronics，2009, 18 (I) :89_94.)。郑运平等人提出了一种基于扩展的Gouraud阴影 法和非重叠矩形子模式的NAM灰度图像表示方法，简称为RNAMC表示方法（郑运平，陈传 波.一种新的灰度图像表示算法研究.计算机学报，2010,33(12) :2397-2406.)。由于可 重叠NAM表示方法一般会比非重叠NAM表示方法效率高，郑运平等人又提出了一种基于扩 展的Gouraud阴影法和重叠矩形子模式的NAM灰度图像表示方法，简称为ORNAM表示方法 (YunpingZhengjZhiwenYujJaneYoujMudarSarem.Anovelgrayimagerepresentation usingoverlappingrectangularNAMandextendedshadingapproach.Journalof VisualCommunicationandImageRepresentation, 2012, 23 (7) : 972-983.)。实验结果表 明：与STC、SDCT和RNAMC表示方法相比，在保持图像质量的前提下，ORNAM表示方法具有更 高的压缩比和更少的块数，因而能够更有效地减少数据存储空间，是灰度图像表示的一种 良好方法。
[0006] 图像表示方法有两个目的：第一，提高图像的表示效率。第二，提高图像操作的处 理速度。
[0007] (2)图像的分割技术；
[0008] 图像分割是高层的图像分析理解的基础。图像分割技术主要可分为基于区域的分 割方法和基于边界的分割方法，前者依赖于图像的空间局部特征，如灰度、纹理及其它像素 统计特性的均匀性等，后者主要是利用梯度信息确定目标的边界。基于边缘的方法虽有较 高的定位准确度，但缺点是对噪声敏感度高；而基于区域的分割方法对噪声不敏感，但容易 过分割，且边缘的定位精度还需要提高。阈值分割是最基本和应用最广泛的分割技术，其实 现简单、计算量小且性能较稳定。Batenburg等人提出了一种投影距离最小化方法。张新 明等人针对传统二维Renyi熵（RE)分割法分割结果不够准确和计算复杂度高的问题，提 出了一种快速的二维RE准分法。Van等人提出了一种用于断层重组中稠密同类对象分割 的最优阈值选择方法。龙建武等人提出了一种基于灰度图像区域的交互式文本图像阈值 分割算法。近年来，随着其它新兴学科的发展及一些理论和模型在图像上的应用，国内外的 学者们提出了一些新的图像分割技术，如基于模糊理论的方法（M.Gong，Y.Liang，J.Shi，W. MajJ.Ma.FuzzyC-meansclusteringwithlocalinformationandkernelmetricfor imagesegmentation.IEEETransactionsonImageProcessing，2013,22(2):573-584.)、 基于遗传学的方法（G.Tian，Y.Xia，Y.Zhang，D.Feng.Hybridgeneticandvariational expectation-maximizationalgorithmforGaussian-mixture-model-basedbrain MRimagesegmentation.IEEETransactionsonInformationTechnologyinBiomed icine，2011，15(3) : 373-380.)、基于统计学理论的方法（0.Eches，J.A.Benediktsson，N. Dobigeon,J.Tourneret.AdaptiveMarkovrandomfieldsforjointunmixing andsegmentationofhyperspectralimages.IEEETransactionsonImage Processing，2013, 22 (2) : 573-584.)、基于水平集理论的方法（T.Andersson，G.Lathen，R. LenzjM.Borga.Modifiedgradientsearchforlevelsetbasedimagesegmentation. IEEETransactionsonImageProcessing，2013, 22 (2): 621-630.)、基于主动轮廓模型的 方法（S.Petroudi，C.Loizou，M.Pantziaris，C.Pattichis.Segmentationofthecommon carotidintima-mediacomplexinultrasoundimagesusingactivecontours.IEEE TransactionsonBiomedicalEngineering，2012, 59 (11) : 3060-3069.)、基于神经网络 的方法(H.Zhuang,K.Low,W.Yau.Multichannelpulse-coupled-neural-network-based colorimagesegmentationforobjectdetection.IEEETransactionsonIndustrial Electronics，2013, 59 (8) : 3299-3308.)、基于分层结构的表 7j^*S(M.Veganzones，G. Tochon,M.Dalla-MurajA.Plaza,J.Chanussot.Hyperspectralimagesegmentation usinganewspectralunmixing-basedbinarypartitiontreerepresentation.IEEE TransactionsonImageProcessing，2014, 23(8) :3574_3589.)。其中基于四兀树的分 割方法，简称QSC方法，是目前非常流行的一种图像分割方法（K.LChung，H.LHuang，H. I.Lu.Efficientregionsegmentationoncompressedgrayimagesusingquadtreeand shadingrepresentation.PatternRecognition，2004, 37(8):1591-1605.)〇
[0009] 综上所述，近年来虽然有很多研究人员致力于图像分割的研究，提出了很多新的 分割技术，但由于问题本身的困难性，目前的方法多是针对某个具体任务而言的，还没有一 个通用的解决办法。图像分割困难的一个重要的原因是图像的复杂性和多样性。由于图像 的复杂性，现有的任何一种单独的图像分割算法都难以对一般图像取得令人满意的分割结 果，因而在继续致力于将新的概念、新的理论、新的方法引入图像分割领域的同时，更加重 视多种分割算法的有效结合，近几年来提出的方法大多数是结合了多种算法的，与单一的 分割算法相比，分割集成技术更加有效，而且鲁棒性、稳定性、准确性和自适应性等更好。
[0010] 有效的图像表示方法不仅能节省存储空间，而且还能提高图像处理的速度。图像 模式的NAM表示方法是对图像模式的一种逆布局表达方式，本质上是将图像模式分割为预 先定义的子模式集合，可以将子模式进行存储，因此该方法也直接支持图像的分割等处理 算法。 发明內容
[0011] 本发明目的在于针对现有图像分割技术中存在的问题，提供一种基于非对称逆布 局模型（NAM)的图像分割方法，该图像分割方法可以显著提高图像分割的表示和操作效 率。基于NAM的分割算法首先要对图像进行编码，得到编码后的总同类块块数为N，颜色表 P，坐标表Q。然后从左上角第一个同类块开始，依次按光栅扫描的顺序扫描同类块，每扫描 到一个同类块就从颜色表和坐标表中获取此同类块四个角落的颜色值和坐标值，并根据坐 标值得到大小，接着扫描这个同类块的西边界和北边界处的所有邻居像素，如果邻居像素 所属的区域和当前同类块不属于同一个区域且可以合并，则执行带按秩合并和路径压缩策 略的并查集算法合并区域，否则继续扫描下一个邻居像素。当这个块的左边界和上边界的 邻居像素全部扫描完毕，此块处理完毕，按以上步骤处理下一个同类块，直到所有块处理完 成。
[0012] 本发明提供的基于非对称逆布局模型的图像分割方法，包括以下步骤：
[0013] 步骤S1、将大小为UXV的待处理图像用专利名称为：一种基于非对称逆布局模型 的静止图像压缩编码方法（专利号为：ZL200810196929.0)的编码方法进行编码，得到编 码后的总同类块的块数N，颜色表P，坐标表Q。
[0014] 具体方法如下：
[0015] 步骤SI. 1、将矩阵变量R的所有元素赋值为0,矩阵变量R的大小与待处理的灰度 图像f相等，均为UXV，同时令N= 0 ;其中，U和V均为自然数；
[0016] 步骤SI. 2、按光栅扫描的顺序确定灰度图像f中的一个未被标识的矩形块的起始 点（Xpy1),根据该起始点和给定的误差允许量e确定一个面积最大的同类块H，并将同类 块H在灰度图像f?中作标识；
[0017] 同类块是指满足下述条件的矩形块：
[0018] 该矩形块内所有像素的灰度值g(x, y)均满足条件|g(x, y)-gest(x, y)I彡e，其 中，e为用户设定的误差允许量，（Xpy1)、（x2，y2)分别为该矩形块左上角和右下角的坐标 值，X1彡X彡x2,Y1彡y彡y2 ;根据坐标（X1,Y1)和（x2,y2)的位置关系，gest(X，y)表示该同 类块中坐标（x，y)处的近似灰度值，按下述四种情况计算：
[0019] 如果X1Cx2 且7々2,则gest(x，y) =g5+(g6_g5)Xi1,
[0020] 其中g5 =gl+(g2-gl)Xi2,g6 =g3+(g4-g3)Xi2, !L1 = (y-y)/G2I1)，且i2 = (X-X1) / (X2-X1);
[0021] 如果 X1 关 x2 且 Y1 = y2,则 gest(x，y) = gi+^-gi)X [(X-X1V(X2-X1)];
[0022] 如果 X1 = X2 且 Y1 关 y2,则 gest (x，y) = gj(grgDX [ (y-y) /G2I1)];
[0023] 如果 X1 = X2 且 Y1 = y2,则 gest (x，y) = gi;
[0024] 步骤SI. 3、记录同类块H的参数，S卩：左上角的坐标（Xl，yi)、右下角的坐标 (x2,y2)、以及4个角落的灰度值（gpg2,g3,g4);令N=N+1，
[0025] 步骤SI. 4、根据坐标（Xl，yi)和（x2,y2)的位置关系，按如下三种情况将找到的同 类块H的参数存储到一个颜色表P中；
[0026] 如果Xl〈x2且yi〈y2，则将同类块的参数（gl，g2,g3,g4)赋值到颜色表PM中，并将 矩阵变量R中对应位置的矩形块的左上角和右下角分别用" 1"和"2"进行标识；
[0027] 如果X1关X2且Y1 =y2,或X1 =X2且Y1关y2则将同类块的参数（gpg4)赋值到颜 色表P{N}中，并将矩阵变量R中对应位置的矩形块的左上角和右下角分别用" 1"和"2"进 行标识；
[0028] 如果X1 = &且71 =y2，则将同类块的参数（gl)赋值到颜色表P{N}中，并将矩阵 变量R中对应位置的矩形块用"-1"进行标识；
[0029] 步骤SL5、循环执行步骤（SI. 2)到（SI. 4)，直到灰度图像f中的同类块均被标识 完毕；
[0030] 步骤SI. 6、输出颜色表P;
[0031] 步骤SI. 7、根据下述坐标数据压缩算法，对矩阵变量R中所有非零元素的坐标进 行编码，并将编码结果存储到一个坐标表Q中；
[0032] ①逐行扫描大小为UXV的矩阵变量R，如果该行所有元素均为零，那么就不用编 码该行，在这种情况下，使用一个二进制位"〇"来表示本行从头到尾都不存在非零元素，并 将该二进制位"〇"存储到该行的编码表q中；否则，如果该行存在非零元素，那么就在每一 个非零元素前加一个前缀符"1"，然后在前缀符后加上用以标识非零元素1、2和-1的码字， 最后将该前缀符"1"和其后的码字存储到该行的编码表q中；
[0033] ②用b个比特来表示这个非零元素所在列的位置，并将这b个比特存储到该行的 编码表q中，其中b的值按如下二种情况进行计算；
[0034] 对于在某一行遇到的第一个非零元素，b= [Iog2V];这里的b个比特用来指明第 一个非零元素关于本行首端的位置；
[0035] 对于在某一行遇到的除了第一个非零元素以外的其他非零元素，b= [Iog2 (V-C)]，其中c是前一次遇到的非零元素的列的位置；这里的b个比特用来表示这个 非零元素关于前一次编码的非零元素的右端的位置；
[0036] ③在某一行的最后一个非零元素编码完后，使用一个二进制位" 0 "来表示本行剩 余的元素均为零，并将这个二进制位"〇"存储到该行的编码表q中，否则，如果该行的最后 一个非零元素的位置在本行的末尾，那么就不必使用"0"来表示本行剩余的元素均为零；
[0037] 步骤SI. 8、输出坐标表Q，其中Q是由矩阵变量R的所有行的行编码表顺序连接而 得到的。
[0038] 步骤S2、置一个当前扫描块的序号i，并令i= 0,同时设置一个指针矩阵B，大小 为UXV，用于表示每个像素指向的区域。
[0039] 步骤S3、在颜色表中得到P[i]，坐标表中得到Q[i]。
[0040] 步骤S4、根据Q[i]，算出当前块的大小size，和左边界、上边界坐标信息。
[0041] 步骤S5、从左边界最下方开始，往上扫描，对每个左边界像素L找出它左边的一个 像素LL(即LL在X方向比L小1)，并利用矩阵B找出像素L和像素LL所属的区域，再用带 按秩合并和路径压缩策略的并查集算法找出这两个区域的祖先区域，若两个区域是同一区 域，则跳到下一个像素，否则，如果两个区域不属于同一区域，用如下公式和引理判断这两 个祖先是否可合并。
[0042] 首先，假设任意同类块K的大小为wXh，且0 <i<w+1，0 <j<h-1，同时令：
[0043]
【权利要求】
1. 一种基于非对称逆布局模型的图像分割方法，其特征在于，包括以下步骤： 步骤S1、将大小为UXV的待处理图像进行编码，得到编码后的总同类块块数N、颜色表P和坐标表Q; 步骤S2、设置一个当前扫描块的序号i，并令i= 0,同时设置一个指针矩阵B，大小为UXV，用于表示每个像素指向的区域； 步骤S3、在颜色表中得到P[i]，坐标表中得到Q[i]; 步骤S4、根据Q[i]，算出当前块的大小size以及和左边界和上边界的坐标信息； 步骤S5、从左边界最下方开始，往上扫描，对每个左边界像素L找出它左边的一个像素LL，即LL在X方向比L小1，并利用矩阵B找出像素L和像素LL所属的区域，再用带按秩合 并和路径压缩策略的并查集算法找出这两个区域的祖先区域，若两个区域是同一区域，则 跳到下一个像素，否则，如果两个区域不属于同一区域，利用公式和引理来判断这两个祖先 是否可合并； 步骤S6、左边界扫描完毕后，从上边界最左方开始，往右扫描，对每个上边界像素T找 出它上边一个像素TT，即TT在Y方向比T小1，并利用矩阵B找出像素T和像素TT所属的 区域，再用带按秩合并和路径压缩策略的并查集算法找出这两个区域的祖先区域，若两个 区域是同一区域，则跳到下一个像素；否则，如果两个区域不属于同一区域，用步骤S5中所 述的公式判断这两个祖先是否可合并； 步骤S7、i++，并跳转至步骤S3,直到所有块处理完毕为止； 步骤S5中所述公式的定义如下： 假设任意同类块K的大小为wXh，且0 <i<w+1, 0 <j<h-1，同时令：
则gest(x，y)的表达式为：
2.根据权利要求1所述的基于非对称逆布局模型的图像分割方法，其特征在于，所述 步骤1包括以下步骤： 步骤SI. 1、将矩阵变量R的所有元素赋值为0,矩阵变量R的大小与待处理的灰度图像f相等，均为UXV，同时令N= 0 ;其中，U和V均为自然数； 步骤SI. 2、按光栅扫描的顺序确定灰度图像f中的一个未被标识的矩形块的起始点 (Xpy1),根据该起始点和给定的误差允许量ε确定一个面积最大的同类块H，并将同类块H 在灰度图像f中作标识； 所述的同类块是指满足下述条件的矩形块： 该矩形块内所有像素的灰度值g(x, y)均满足条件Ig(x, y)-gest (X，y)I彡ε，其中，ε为用户设定的误差允许量，（Xl，yi)、（x2，y2)分别为该矩形块左上角和右下角的坐标值， X1彡X彡X2,Y1彡y彡y2 ;根据坐标（X1,Y1)和（x2,y2)的位置关系，gest(x,y)表示该同类 块中坐标（x，y)处的近似灰度值，按下述四种情况计算： 如果X1G2且Y1Cy2,则gest(X，y) =g5+ (g6-g5)Xi" 其中g5 = gi+ (g2-gi) X i2, g6=g3+(?-?)x "，ii=(yii) / (y2ii)，且i2=(χ_χι)/ (X2-X1); 如果X1 关x2 且Y1 =y2,则gest (x，y) = gi+ (?-?) x [ (χ_χι) / (x2_xi)]; 如果X1=x2 且Y1 关y2,则gest(X，y) = gj(gfgjX [ (y-yj/(Y2I1)]; 如果X1=x2 且Y1=y2,则gest(X，y) = g!; 步骤SI. 3、记录同类块H的参数，S卩：左上角的坐标（X1J1)、右下角的坐标（x2，y2)、以 及4个角落的灰度值Q1,g2,g3,g4);令N=N+1， 步骤31.4、根据坐标〇^，71)和〇^，72)的位置关系，按以下三种情况将找到的同类块H的参数存储到一个颜色表P中： 第一种情况：如果七〈&且71〈72，则将同类块的参数（^ &，&44)赋值到颜色表？{? 中，并将矩阵变量R中对应位置的矩形块的左上角和右下角分别用" 1"和"2"进行标识； 第二种情况：如果X1关X2且Y1 =y2,或X1 =X2且Y1关y2则将同类块的参数（gi,g4) 赋值到颜色表P{N}中，并将矩阵变量R中对应位置的矩形块的左上角和右下角分别用" 1" 和"2"进行标识； 第三种情况：如果4 = &且71 = 72，则将同类块的参数（gl)赋值到颜色表PM中， 并将矩阵变量R中对应位置的矩形块用"-1 "进行标识； 步骤SI. 5、循环执行步骤SI. 2至步骤SI. 4,直到灰度图像f中的同类块均被标识完毕 为止； 步骤SI. 6、输出颜色表P; 步骤SI. 7、根据下述坐标数据压缩算法，对矩阵变量R中所有非零元素的坐标进行编 码，并将编码结果存储到一个坐标表Q中； 步骤SI. 8、输出坐标表Q，其中，Q是由矩阵变量R的所有行的行编码表顺序连接而得 到的。
3.根据权利要求2所述的基于非对称逆布局模型的图像分割方法，其特征在于，所述 步骤SI. 7包括以下步骤： ① 逐行扫描大小为UXV的矩阵变量R，如果该行所有元素均为零，那么就不用编码该 行，在这种情况下，使用一个二进制位"0"来表示本行从头到尾都不存在非零元素，并将该 二进制位"0"存储到该行的编码表q中；否则，如果该行存在非零元素，那么就在每一个非 零元素前加一个前缀符"1"，然后在前缀符后加上用以标识非零元素1、2和-1的码字,最后 将该前缀符"1"和其后的码字存储到该行的编码表q中； ② 用b个比特来表示这个非零元素所在列的位置，并将这b个比特存储到该行的编码 表q中，其中，b的值按如下二种情况进行计算； 对于在某一行遇到的第一个非零元素，b= [Iog2V];所述的b个比特用于指明第一个 非零元素关于本行首端的位置； 对于在某一行遇到的除了第一个非零元素以外的其他非零元素，b= [Iog2(V-C)],其 中c是前一次遇到的非零元素的列的位置；所述的b个比特用于表示这个非零元素关于前 一次编码的非零元素的右端的位置； ③在某一行的最后一个非零元素编码完后，使用一个二进制位"O"来表示本行剩余的 元素均为零，并将这个二进制位"〇"存储到该行的编码表q中，否则，如果该行的最后一个 非零元素的位置在本行的末尾，则不必使用"〇"来表示本行剩余的元素均为零。
4.根据权利要求1所述的基于非对称逆布局模型的图像分割方法，其特征在于，在步 骤S5中，所述的引理包括第一引理、第二引理、第三引理、第四引理、第五引理和第六引理； 所述第一引理的定义如下： 在位置（Xi+i,yi+j)，0彡i彡w+1, 0彡j彡h-1,处的灰度估计值：
式中，s.t.表示约束条件，即对于四种同类块的处理情况； 所述第二引理的定义如下： 块K的均值：
所述第三引理的定义如下： 块K灰度估计值的平方和：
寸由C- 2w~x , c-2/7-1 · 式中，1 ：〇 2 60-l)， 所述第四引理的定义如下： 块K的方差：
所述第五引理的定义如下： 合并区域C的灰度均值： _nAMA+nIiMii Mc--， 所述第五引理要根据具体同类A和同类块B所属的四种类型来分别调用前面已经给出 的均值计算公式，即第二引理即可； 所述第六引理的定义如下：
式中，表示区域C的灰度方差的合并值。
【文档编号】G06T7/00GK104318560SQ201410564036
【公开日】2015年1月28日 申请日期:2014年10月21日 优先权日:2014年10月21日
【发明者】郑运平 申请人:华南理工大学