一种基于图论和半监督学习相结合的图像分割方法
【专利摘要】本发明公开了一种基于图论和半监督学习相结合的图像分割方法，该方法包括：首先将图像粗分割成一定数量的区域块，并将其映射成加权图；然后，利用半监督学习方法构造关联性矩阵；最后，采用归一化分割方法对图像进行语义分割。该方法是基于图论和半监督学习来进行图像分割，能提高图像分割的精度，不仅能够有助于图像分割与目标提取的完善解决，而且还能够有助于推动模式识别、计算机视觉、人工智能等领域的发展。
【专利说明】一种基于图论和半监督学习相结合的图像分割方法
【技术领域】
[0001]本发明 涉及图像处理【技术领域】，特别涉及一种基于图论和半监督学习相结合的图像分割方法。
【背景技术】
[0002]图像分割与目标提取作为图像处理与计算机视觉领域中的一个重要分支，一直吸引着众多研究者的关注。同时，图像分割与目标提取在模式识别、计算机视觉、人工智能等领域也具有广泛的应用。因此，对图像分割与目标提取的深入研究不仅有助于图像分割与目标提取的完善解决，而且有助于推动模式识别、计算机视觉、人工智能等领域的发展。这也是本发明研究的直接动力。
[0003]传统的图像分割方法有:均值漂移方法，即:一种基于区域的分割方法，该方法对图像的平滑区域和纹理区域不敏感，具有较好的鲁棒性；归一化分割方法，即:一种基于图论的分割方法，该方法对参数选择很敏感，且运算量较大在均值方法，即:一种基于聚类的分割方法，该方法适用于对分割精度要求不高或图像亮度分布较广的图像分割。而本发明能够很好地解决上面的问题。
【发明内容】
[0004]本发明目的在于采用基于图论的方法对图像进行分割，利用均值漂移方法实现图像的粗分割，然后将分割后的图像块视为图模型中的节点，并建立相邻分割块间的关联，从而构建基于图像块的加权图。该方法对节点间的关联矩阵做相应修改，使之能够更好地构建节点间的关联，提高了图像分割的精度。
[0005]本发明解决其技术问题所采取的技术方案是:本发明提供一种基于图论和半监督学习相结合的图像分割方法，所述方法包括如下步骤:
[0006]步骤1:将图像粗分割成一定数量的区域块，并将其映射成加权图；
[0007]本发明提出的方法为基于块的图像分割，因此将对关联图的构建进行一定改进。
[0008]在图像处理中，一般认为来自同一个区域的相邻像素具有相似的颜色值，且以颜色为特征的关联模型W的元素《V'表示为:
[0009]Wcij = exp(-^ ||p,.- ρ}||" -0C \\ct -Cj||)(】)
[0010]上式中，Pi表示像素i的位置，Ci表示其颜色值，Θ。为常数。
[0011]本发明将粗分割后得到的每一个图像区域视为一个节点，则此时加权图中的V为所有节点的集合，E为两两相连节点的边，其权重为:
[0012]Wij = exp (_ Θ CI I c「cj |) (2)
[0013]上式中，Ci表示分割区域的颜色平均值，Θ。表示控制权重的常数。从(2)式可以看出:在权重计算时，来自同一分割区域中像素间的关联度要大于来自不同分割块像素间的关联度，因此(2)式同时还暗含了图像的边缘特性。[0014]步骤2:利用半监督学习方法构造关联性矩阵；
[0015]在本发明中，本发明将利用半监督学习方法计算所有节点间的关联矩阵。具体来说，本发明首先将所有节点分为标注节点和未标注节点(其中标注节点占少数)，然后利用半监督学习计算标注节点与未标注节点间的关联性。在一般的无监督学习框架中，基于迭代过程的标签信息传递需花费大量的时间，因此本发明采用直接进行标签传播的方法以减少时间代价。
[0016]节点m与所有节点间的关联向量表示为:
【权利要求】
1.一种基于图论和半监督学习相结合的图像分割方法，其特征在于，所述方法包括如下步骤: 步骤1:将图像粗分割成一定数量的区域块，并将其映射成加权图； 上述步骤I是将粗分割后得到的每一个图像区域视为一个节点，则此时加权图中的V为所有节点的集合，E为两两相连节点的边，其权重为:
Wij = exp (-0c|| C1-Cj I I) (2) 上式(2)中，Ci表示分割区域的颜色平均值，Θ。表示控制权重的常数，在权重计算时，来自同一分割区域中像素间的关联度要大于来自不同分割块像素间的关联度； 步骤2:利用半监督学习方法构造关联性矩阵； 上述步骤2首先将所有节点分为标注节点和未标注节点，其中标注节点占少数，然后利用半监督学习计算标注节点与未标注节点间的关联性，采用直接进行标签传播的方法以减少时间代价； 节点m与所有节点间的关联向量表示为:
2.根据权利要求1所述的一种基于图论和半监督学习相结合的图像分割方法，其特征在于，所述方法步骤I的公式(2)包含了图像的边缘特性。
3.根据权利要求1所述的一种基于图论和半监督学习相结合的图像分割方法，其特征在于，所述方法步骤3中包括:上述公式(7)的最优解为矩阵D1/2(1-(l-a)P)D1/2的最小的K个特征值生成的子空间。
4.根据权利要求1-3任一所述的一种基于图论和半监督学习相结合的图像分割方法，其特征在于，所述方法是用加权图G= (V，E)来映射图像像素间的关系，其中节点V表示图像像素，权值E表示图像像 素间的关系。
【文档编号】G06T7/00GK103942779SQ201410118303
【公开日】2014年7月23日 申请日期:2014年3月27日 优先权日:2014年3月27日
【发明者】朱松豪, 陈玲玲, 罗青青, 李向向 申请人:南京邮电大学