本发明涉及图像分割领域，尤其是涉及了一种基于边缘聚类的图像迭代过度分割方法。
背景技术：
一些图像模式识别任务依赖于超像素生成并将其作为一个基础步骤，基于超像素的图像分析不仅能促进特点领域的应用，还能加速任务的处理时间。基于超像素的图像分析可以应用在交通分析领域上，通过自动识别分析车辆型号、车牌号等信息，促进交通管制的进一步智能化；而在医学领域，可以用于分析各种扫描图像，如磁谐振图像等；在一些特点领域比如生物分析上，图像分析可以自动分析大量实验结果，提高科研效率。然而，以往的图像分割方法依赖于外部输入的超像素点数量，无法自动确定超像素点数量，并且分割效率低下。
本发明中提出的一种基于边缘聚类的图像迭代过度分割方法，先计算输入图像每一个像素点的梯度大小和沿x轴和y轴的位置，并对图像的颜色信息进行编码，然后从梯度图中选取一组边缘，结合非最大抑制和双阈值，迭代地执行边缘选择，同时用一个空间滤波器构造出边缘集群，接着通过细化操作重构边缘集群，提取集群边界，完成物体轮廓的提取，最后利用形态学操作去除轮廓的不规则性，优化结果。本发明解决了无法自动确定超像素点数量以及分割效率低的问题，能够迭代地从图像中提取边缘，提供大小、形状和数量都合适的超像素，保持对实际图象边界的有效粘附，并且需要的计算成本非常低。
技术实现要素：
针对以往无法自动确定超像素点数量以及分割效率低的问题，本发明的目的在于提供一种基于边缘聚类的图像迭代过度分割方法，先计算输入图像每一个像素点的梯度大小和沿x轴和y轴的位置，并对图像的颜色信息进行编码，然后从梯度图中选取一组边缘，结合非最大抑制和双阈值，迭代地执行边缘选择，同时用一个空间滤波器构造出边缘集群，接着通过细化操作重构边缘集群，提取集群边界，完成物体轮廓的提取，最后利用形态学操作去除轮廓的不规则性，优化结果。
为解决上述问题，本发明提供一种基于边缘聚类的图像迭代过度分割方法，其主要内容包括：
(一)梯度提取；
(二)累积轮廓提取；
(三)超像素细化。
其中，所述的梯度提取，是先计算输入的图像每一个像素点的梯度大小和沿x轴和y轴的位置，并对图像的颜色信息进行编码。
进一步地，所述的梯度大小，是采用坎尼边缘检测器，在每个rgb(红绿蓝三色表示法)通道上分别计算梯度，最终的梯度大小由各通道内的像素所呈现的最高级别给出，图像的颜色信息通过这种方式同时完成编码。
其中，所述的累积轮廓提取，是在图像梯度被计算出来之后，就从梯度图中选取一组边缘，然后将非最大抑制和双阈值进行组合，迭代地执行边缘选择，同时用一个空间滤波器构造出边缘集群，并通过细化操作重构边缘集群，最后提取集群边界，完成物体轮廓的提取。
进一步地，所述的边缘选择，是通过调节边缘检测阈值由外而内地提取出图像轮廓；对于小的阈值，许多边缘会被选择，包括与粗轮廓(梯度大的)相关的边缘和由光滑的轮廓和纹理(梯度小的)产生的边缘，这些大量的初始边缘会趋向于组成具有跟产生边缘的物体相同形状的集群，然后随着迭代过程的进行，阈值逐渐增加，变得越来越严格，较高的阈值阻止了从光滑的轮廓和纹理中选择边缘，只剩下与更粗轮廓相关的边缘，而这些较粗的边缘往往是更大的物体里面较小的部分。
其中，空间滤波器，其特征在于，因为边缘通常存在不连续性，所以直接使用边缘来构造超像素会导致没有闭合的部分，为了解决这个问题，使用一个空间滤波器对边缘图像进行空间线性滤波：
其中，ed表示边缘密集度，是通过像素点pi的算术平均值除以邻域s×s得到的；
滤波得到的图像中的许多像素代表边缘不连续，但实际这些像素中的局部ed并不是零，因此这些布满边缘的部分形成了区别于空白背景的集群，特别是在将图像二值化后，集群与空白背景有明显的区别，而区分这两个区域的边界可以方便地构成超像素轮廓。
进一步地，所述的重构边缘集群，是空间线性过滤会导致边缘膨胀，这种边缘膨胀会使边缘失去它们固有的对真实物体轮廓的粘附，所以要通过在边缘集群上应用细化操作来调整它们的形状，即重构边缘集群；细化操作将一个二进制图像的分割区域中大部分外部像素移到单个像素宽度的直线上，且直线上不允许出现不连续性，由于空间过滤器将集群拓展了s-1个像素，因此需要执行细化操作(s-1)/2次，以便重新调整集群边界以正确匹配真实的对象轮廓，其中假设该操作在分割区域是对称的。
进一步地，所述的提取集群边界，是通过使用查找表(lut)成这一步骤，这些lut通过在内存中简单地搜索预先计算的值来替代更耗时的运行时间计算，从而在二进制图像中实现快速的像素级操作；为了提取集群边界，需要搜索周围3×3的范围内至少有一个0值像素的1值像素，而在搜索之前，查找表已经获取了所有512个可能的模式，这些模式可以在二进制图像中像素周围3×3的范围中找到，在每次迭代结束时存储提取的边界集；此外，边缘检测阈值会逐渐增加，空间滤波器的过滤次序、s也会减少，这样做的目的是在下一次迭代中使过滤器更好地过滤出图像中小的部分
其中，所述的超像素细化，是利用形态学操作去除轮廓的不规则性，从而优化最终结果。
进一步地，所述的不规则性，包括每一次迭代提供的区域集合在一起时，一些边界会重叠产生粗线，或一些区域太小甚至只有单个像素宽度。
附图说明
图1是本发明一种基于边缘聚类的图像迭代过度分割方法的系统流程图。
图2是本发明一种基于边缘聚类的图像迭代过度分割方法的边缘重构图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和具体实施例对本发明作进一步详细说明。
图1是本发明一种基于边缘聚类的图像迭代过度分割方法的系统流程图。主要包括梯度提取，累积轮廓提取，超像素细化。
其中，所述的梯度提取，是先计算输入的图像每一个像素点的梯度大小和沿x轴和y轴的位置，并对图像的颜色信息进行编码。
进一步地，所述的梯度大小，是采用坎尼边缘检测器，在每个rgb(红绿蓝三色表示法)通道上分别计算梯度，最终的梯度大小由各通道内的像素所呈现的最高级别给出，图像的颜色信息通过这种方式同时完成编码。
其中，所述的累积轮廓提取，是在图像梯度被计算出来之后，就从梯度图中选取一组边缘，然后将非最大抑制和双阈值进行组合，迭代地执行边缘选择，同时用一个空间滤波器构造出边缘集群，并通过细化操作重构边缘集群，最后提取集群边界，完成物体轮廓的提取。
进一步地，所述的边缘选择，是通过调节边缘检测阈值由外而内地提取出图像轮廓；对于小的阈值，许多边缘会被选择，包括与粗轮廓(梯度大的)相关的边缘和由光滑的轮廓和纹理(梯度小的)产生的边缘，这些大量的初始边缘会趋向于组成具有跟产生边缘的物体相同形状的集群，然后随着迭代过程的进行，阈值逐渐增加，变得越来越严格，较高的阈值阻止了从光滑的轮廓和纹理中选择边缘，只剩下与更粗轮廓相关的边缘，而这些较粗的边缘往往是更大的物体里面较小的部分。
其中，空间滤波器，其特征在于，因为边缘通常存在不连续性，所以直接使用边缘来构造超像素会导致没有闭合的部分，为了解决这个问题，使用一个空间滤波器对边缘图像进行空间线性滤波：
其中，ed表示边缘密集度，是通过像素点pi的算术平均值除以邻域s×s得到的；
滤波得到的图像中的许多像素代表边缘不连续，但实际这些像素中的局部ed并不是零，因此这些布满边缘的部分形成了区别于空白背景的集群，特别是在将图像二值化后，集群与空白背景有明显的区别，而区分这两个区域的边界可以方便地构成超像素轮廓。
进一步地，所述的提取集群边界，是通过使用查找表(lut)成这一步骤，这些lut通过在内存中简单地搜索预先计算的值来替代更耗时的运行时间计算，从而在二进制图像中实现快速的像素级操作；为了提取集群边界，需要搜索周围3×3的范围内至少有一个0值像素的1值像素，而在搜索之前，查找表已经获取了所有512个可能的模式，这些模式可以在二进制图像中像素周围3×3的范围中找到，在每次迭代结束时存储提取的边界集；此外，边缘检测阈值会逐渐增加，空间滤波器的过滤次序、s也会减少，这样做的目的是在下一次迭代中使过滤器更好地过滤出图像中小的部分
其中，所述的超像素细化，是利用形态学操作去除轮廓的不规则性，从而优化最终结果。
进一步地，所述的不规则性，包括每一次迭代提供的区域集合在一起时，一些边界会重叠产生粗线，或一些区域太小甚至只有单个像素宽度。
图2是本发明一种基于边缘聚类的图像迭代过度分割方法的边缘重构图。空间线性过滤会导致边缘膨胀，这种边缘膨胀会使边缘失去它们固有的对真实物体轮廓的粘附，所以要通过在边缘集群上应用细化操作来调整它们的形状，即重构边缘集群；细化操作将一个二进制图像的分割区域中大部分外部像素移到单个像素宽度的直线上，且直线上不允许出现不连续性，由于空间过滤器将集群拓展了s-1个像素，因此需要执行细化操作(s-1)/2次，以便重新调整集群边界以正确匹配真实的对象轮廓，其中假设该操作在分割区域是对称的。
对于本领域技术人员，本发明不限制于上述实施例的细节，在不背离本发明的精神和范围的情况下，能够以其他具体形式实现本发明。此外，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围，这些改进和变型也应视为本发明的保护范围。因此，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。