一种基于贝叶斯和谐度的图像分割方法
【专利摘要】本发明公开了一种基于贝叶斯和谐度的图像分割方法，其先将图像分割成多个超像素块，然后提取每个超像素块的特征向量，并获取所有超像素块的特征向量的协方差矩阵，接着构建类，初始时将每个超像素块的特征向量作为对应类中的元素，再进行类合并：获取每个类的协方差矩阵及类相似度矩阵，从类相似度矩阵中找出值最大的元素，并确定该元素对应的两个类是否合并，若合并则继续进行类合并，若不合并则终止合并，最后根据类结果将图像分割成多个区域，优点是结合贝叶斯和谐学习理论，根据超像素块融合后贝叶斯和谐度变化趋势判定是否融合超像素块，当超像素块融合导致贝叶斯和谐度迅速下降时终止超像素块合并，这使得本方法能够自动选择区域块数。
【专利说明】一种基于贝叶斯和谐度的图像分割方法
【技术领域】
[0001]本发明涉及一种图像分割技术，尤其是涉及一种基于贝叶斯和谐度的图像分割方法。
【背景技术】
[0002]图像分割是将一幅图像分割成几个互不重叠的区域块，每个区域块内的所有像素具有一致的某些特性，例如某个区域块内的所有像素具有相同的颜色、灰度、纹理等特征，或者某个区域块内只包含一个对象，如人、动物、树等对象。
[0003]人们在处理图像(如图像压缩、图像检索以及视频处理等)时往往只对图像中的某个对象区域感兴趣，这就需要用到图像分割技术。另一方面，在图像研究领域中，图像经过分割处理后有利于提取图像的特征和对图像进行更高层次的处理，因而图像分割技术是一种重要的图像处理技术。在图像分割技术中，一个关键问题是将图像分割成多少个互不重叠的区域块，如果分割的区域块的个数不恰当，则会严重影响图像的后续处理，因此如何确定分割的区域块的个数一直是图像分割技术发展当中的瓶颈问题。
[0004]图像分割技术发展至今有许多种方法，早期方法主要是基于阈值和边缘检测的方法，例如Canny检测方法，这些方法主要是利用图像的颜色信息来分割图像，这些方法简单、计算量小，但分割的效果已不能满足当前人们对图像处理的要求，这些方法主要用于图像的预处理。当前主流的图像分割方法是基于某种理论的图像分割方法，例如聚类理论、模糊理论、神经网络等，其中，基于聚类的图像分割方法研究较多，发展迅速，其是根据某种准则将图像划分成若干个区域，使得一个区域尽可能包含相似的像素。聚类方法有很多，例如k-means、mean_shift、基于图模型的方法、层次聚类方法等,大部分聚类方法可以直接应用于图像分割技术中。基于k-means聚类的图像分割方法简单、计算量小，但是这种方法不能自动地确定分割的区域块的个数。基于mean-shift聚类的图像分割方法是利用像素的空间信息和颜色信息自动地将图像分割成若干个区域块，不需要人为确定分割的区域块的个数，但是这种方法需要确定空间搜索半径和颜色搜索半径两个参数，由于不同的图像对应的参数设置不一样，因此就很难设置合适的参数。基于图模型的图像分割方法主要有GrabCut、Normalized Cut方法，GrabCut是一种交互式图像前景与背景分割方法，其事先需要手工加入一些先验信息，例如提供图像如景大致范围等！Normalized Cut是基于GrabCut的改进方法，其得到的分割结果比较精确，但需要指定区域块的个数，不能够自动地确定分割的区域块的个数。基于层次聚类的图像分割方法是通过不断地融合像素最终形成一个区域块，可通过选择一个合适的阈值来确定分割的区域块的个数，这种方法的关键在于采用了类与类之间距离度量方式。传统的层次聚类方法采用欧式距离，如single-link、complete_link、QJRE等,基于这些层次聚类的图像分割方法的分割结果较差，而且不能自动地确定分割的区域块的个数。近些年出现了一些新的方法，如minimaxlinkage采用极小联系度量方式、authority-shift根据类代表点计算类之间距离等,基于这两种层次聚类的图像分割方法在一定程度上提高了分割精度，但没有有效的指导信息来确定合适的区域块的个数，仍然很难确定分割的区域块的个数。
[0005]上述大部分的图像分割方法由人为确定区域块的个数，而这使得图像的分割结果依赖于人的主观因素，导致图像分割方法的鲁棒性和自适应性较差。因此如何能够自动确定区域块的个数，并使得图像分割更精确、更合理一直是人们研究的重点方向。
【发明内容】
[0006]本发明所要解决的技术问题是提供一种基于贝叶斯和谐度的图像分割方法，其能够自动地确定分割的区域块的个数。
[0007]本发明解决上述技术问题所采用的技术方案为:一种基于贝叶斯和谐度的图像分割方法，其特征在于包括以下步骤:
[0008]①选取一幅待分割的图像，然后对图像进行超像素分割，得到N个超像素块，其中，N≥200 ;
[0009]②提取图像中的每个超像素块的特征向量，将图像中的第i个超像素块的特征向量记为Xi,其中，1 ≤i≤ N，Xi包含颜色信息和空间坐标信息；
[0010]③首先根据图像中的每个超像素块的特征向量，获取图像中的所有超像素块的特征向量的协方差矩阵；然后构建类，初始时将图像中的每个超像素块的特征向量作为对应类中的元素；接着确定是否进行类合并操作，过程为:1)根据图像中的所有超像素块的特征向量的协方差矩阵，获取每个类的协方差矩阵；2)根据每个类的协方差矩阵，获取类相似度矩阵，其中，类相似度矩阵中的元素为两个类的相似度；3)从类相似度矩阵中找出值最大的元素，并根据设定的合并判定阈值T，确定找出的元素对应的两个类是否合并，如果确定找出的元素对应的两个类合并，则合并这两个类，再继续确定是否进行类合并操作；如果确定找出的元素对应的两个类不合并，则终止类合并操作，再执行步骤④；
[0011]④假设类合并操作终止后共得到L个类，则根据得到的类结果将图像分割成L个区域块，其中，LSI。
[0012]所述的步骤①中对图像进行超像素分割采用简单线性迭代聚类方法。
[0013]所述的步骤②中图像中的第i个超像素块的特征向量Xi的获取过程为:
[0014]②-1、获取第i个超像素块的中心像素点在图像中的坐标位置,记为(Pxi, Pyi),其中，PXi表示第i个超像素块的中心像素点在图像中的横坐标，Pyi表示第i个超像素块的中心像素点在图像中的纵坐标，1≤Px≤W，1≤Pyi ( H，W表示图像的宽，H表示图像的高；
[0015]②_2、从第i个超像素块中找出位于第i个超像素块的中心像素点的对角线上，且与第i个超像素块的中心像素点的直线距离为Ad的像素点，并获取从第i个超像素块中找出的像素点在图像中的坐标位置，记为(pXi’，py/ )，其中，Λ d的值取整数，且0〈 Λ d〈10，PXi'表示从第i个超像素块中找出的像素点在图像中的横坐标，PYi'表示从第i个超像素块中找出的像素点在图像中的纵坐标，I ≤Pxi'≤W，1≤py/≤ H ；
[0016]②-3、获取第i个超像素块的中心像素点在LAB颜色空间的L通道颜色值、A通道颜色值和B通道颜色值,对应记为Ip Bi和IDi ；
[0017]②-4、根据Px1、Py1、px/、py/、Bi和bi;得到第i个超像素块的特征向量，记为 Xi, Xi=Cpxi, py” px/，py/，Ii, ai; bi)T,其中，(px” py” px/，py/，Ii, a” 1^)τ 为(Pxi, Pyi, ρχ/，py/，Ii, a” b)的转置向量。[0018]所述的步骤③的具体过程为:
[0019]③-1、计算图像中的所有超像素块的特征向量的协方差矩阵，记为Covx,
【权利要求】
1.一种基于贝叶斯和谐度的图像分割方法，其特征在于包括以下步骤: ①选取一幅待分割的图像，然后对图像进行超像素分割，得到N个超像素块，其中，N ≥200 ; ②提取图像中的每个超像素块的特征向量，将图像中的第i个超像素块的特征向量记为Xi,其中，1≤i ≤ N，Xi包含颜色信息和空间坐标信息； ③首先根据图像中的每个超像素块的特征向量，获取图像中的所有超像素块的特征向量的协方差矩阵；然后构建类，初始时将图像中的每个超像素块的特征向量作为对应类中的元素；接着确定是否进行类合并操作，过程为:1)根据图像中的所有超像素块的特征向量的协方差矩阵，获取每个类的协方差矩阵；2)根据每个类的协方差矩阵，获取类相似度矩阵，其中，类相似度矩阵中的元素为两个类的相似度；3)从类相似度矩阵中找出值最大的元素，并根据设定的合并判定阈值T，确定找出的元素对应的两个类是否合并，如果确定找出的元素对应的两个类合并，则合并这两个类，再继续确定是否进行类合并操作；如果确定找出的元素对应的两个类不合并，则终止类合并操作，再执行步骤④； ④假设类合并操作终止后共得到L个类，则根据得到的类结果将图像分割成L个区域块，其中，L≥1。
2.根据权利要求1所述的一种基于贝叶斯和谐度的图像分割方法，其特征在于所述的步骤①中对图像进行超像素分割采用简单线性迭代聚类方法。
3.根据权利要求1或2所述的一种基于贝叶斯和谐度的图像分割方法，其特征在于所述的步骤②中图像中的第i个超像素块的特征向量Xi的获取过程为: ②-1、获取第i个超像素块的中心像素点在图像中的坐标位置，记为(PXi,Pyi)，其中，Pxi表示第i个超像素块的中心像素点在图像中的横坐标，Pyi表示第i个超像素块的中心像素点在图像中的纵坐标，1≤Pxi≤W，1≤Pyi≤ H, W表示图像的宽，H表示图像的高； ②-2、从第i个超像素块中找出位于第i个超像素块的中心像素点的对角线上，且与第i个超像素块的中心像素点的直线距离为Ad的像素点，并获取从第i个超像素块中找出的像素点在图像中的坐标位置，记为(PXi,，PYi')，其中，Δ d的值取整数，且0〈 Λ d〈10，px/表示从第i个超像素块中找出的像素点在图像中的横坐标，PYi'表示从第i个超像素块中找出的像素点在图像中的纵坐标，1 ≤PXi'≤W，1≤py/≤ H ； ②_3、获取第i个超像素块的中心像素点在LAB颜色空间的L通道颜色值、A通道颜色值和B通道颜色值,对应记为Ip Bi和IDi ； ②-4、根据Px1、Py1、px/、py/、1”和bi；得到第i个超像素块的特征向量，记为 Xi, Xi=Cpxi, py” px/，py/，Ii, a” bi)T,其中，(px” py” px/，py/，Ii, a” 1^)τ 为(Pxi, Pyi, ρχ/，py/，Ii, a” b)的转置向量。
4.根据权利要求3所述的一种基于贝叶斯和谐度的图像分割方法，其特征在于所述的步骤③的具体过程为: ③-1、计算图像中的所有超像素块的特征向量的协方差矩阵，记为Covx,
5.根据权利要求4所述的一种基于贝叶斯和谐度的图像分割方法，其特征在于所述的步骤③-6中取T=-0.25。
6.根据权利要求5所述的一种基于贝叶斯和谐度的图像分割方法，其特征在于所述的步骤④中在图像分割前对图像中的每个超像素块进行平滑处理，以去除区域空洞，具体过程为:④-1、将图像中当前待处理的第i个超像素块定义为当前超像素块，其中，I < i^N; ④-2、统计与当前超像素块相邻的所有超像素块各自所属的类的分布，其中，相邻的超像素块是指其与当前超像素块共享有边界，且共享的边界包含的像素点的总个数大于设定的边界判定阈值Q ； ④-3、找出包含相邻的超像素块最多的类，将当前超像素块合并到找出的类中； ④-4、令i=i+l，将图像中下一个待处理的超像素块作为当前超像素块，然后返回步骤④-2继续执行，直至图像中的所有超像素块处理完毕，使得图像中属于同一个类的所有超像素块在图像空间位置上连续，且共得到L"个类，再令L=L"，其中，i=i+l和L=L"中的“=”为赋值符号，L"≥I。
7.根据权利要求6所述的一种基于贝叶斯和谐度的图像分割方法，其特征在于所述的步骤④-2中取Q=15。
【文档编号】G06T7/00GK103761736SQ201410015208
【公开日】2014年4月30日 申请日期:2014年1月14日 优先权日:2014年1月14日
【发明者】文顺, 赵杰煜 申请人:宁波大学