基于像素概率密度分类的彩色图像分割方法与流程

本发明涉及基于阈值分割的图像分割方法，特别涉及一种基于像素概率密度分类的彩色图像分割方法，属于数字图像分割技术领域。

背景技术：

随着科技的发展，人们对信息的需求日渐增加，如何有效的从海量信息中挑选出有用的信息是信息处理的关键问题。图像处理作为信息处理的最常见形式也在不断发展，图像分割作为图像处理的中心环节从而受到了广泛关注。一般来说，对于一幅图像人们只对某一具体部分感兴趣，这一具体部分叫做对象，剩余部分叫做背景。在多媒体信息处理中，图像分割往往是必不可少的，其目的是区分出图像中的对象和背景，以便对对象区域进行研究。图像分割广泛应用于许多领域，如医学、军事、工业等。尽管已有各种各样的图像分割方法，但由于图像的复杂性，目前尚没有一种标准的分割方法适合于所有不同种类的图像，因此，图像分割技术仍是目前研究的热点之一。

近年来，学者结合图像分割与特定的理论进行研究，提出了诸如边缘检测、区域生长与分裂合并、阈值分割、特征空间聚类、神经网络、基于SVM分类、基于统计建模等多种图像分割方法，其中，以阈值分割方法应用最为广泛。阈值分割方法基于图像空间的特点，将图像转换成二值图像，计算出阈值，通过阈值将图像分为若干部分，把对象从背景中提取出来。这种方法需要计算出图像的直方图，每个直方图的峰值对应一个区域，利用阈值将图像像素划分为不同的类别，进而将感兴趣的区域提取出来。此外，当阈值为常数时，为全局阈值方法，否则为局部阈值方法，当背景光线不均匀时，使用全局阈值方法很难分割出对象区域，而采用局部阈值方法则可弥补这一缺陷。阈值分割方法简单而有效，但是该方法尚存在以下不足：第一，易受噪声的影响，在强噪声干扰下，不能取得令人满意的效果；第二，在遍历灰度范围内的像素时效率很低，且计算量大；第三，没有考虑图像空间特征，即不能保证相邻区域的分割。

技术实现要素：

本发明是为了解决现有技术所存在的上述技术问题，提出了一种考虑了图像颜色分量间相关性的基于像素概率密度分类的彩色图像分割方法。

本发明的技术解决方案是：一种基于像素概率密度分类的彩色图像分割方法，其特征在于：具体包括以下步骤：

约定：指原始彩色图像；指超像素图像；指中的超像素总个数；指的概率密度梯度；指熵率超像素生成方法；指基于的中的能量；指基于的中的熵值；指的灰度值；指的平均灰度值；指图像分类器；

a. 初始设置

获取原始彩色图像并初始化设置；

b. 原彩色图像超像素分割

用方法对原彩色图像分割，生成超像素图像；

c. 超像素特征计算

c.1 根据下式计算出中的（特征域与空域空间中的像素点为，其中颜色取）：

其中， ，，，指单位化常量，指图像空域与特征域空间中的带宽，和分别为图像平面带宽、亮度带宽和色彩带宽；

c.2 将原始彩色图像的概率密度梯度赋值给已经生成的超像素图像，计算出超像素的能量特征以及熵值特征；

d. 超像素图像二维熵初分割

d.1 根据下式计算出中的平均灰度级：

；

其中，表示第个超像素区域中的灰度值；表示第个超像素区域内第个超像素点的横坐标；表示第个超像素区域内第个超像素点的纵坐标；

d.2 设与构成的灰度级对为，记出现的数目为，则的二维联合概率密度为：

；

d.3 根据下式，分别计算二维熵的目标和背景：

其中，为超像素图像的灰度级；为不为1的正数；为阈值向量；为目标概率；为背景概率；

d.4 定义判别函数如下：

当取最大值时，即可得到最优阈值：

d.5 利用最优阈值得到初分割结果，选取个目标像素和个背景像素作为训练样本，所有训练样本形成完整训练集，剩余图像像素形成测试集；

e. 模型训练

利用选取的训练数据训练模型；

f. 模型分类

预测测试集的类标签，利用二维熵阈值获得训练集的类标签，合并测试集和训练集的类标签形成类标签向量，作为图像的分割结果。

本发明首先用熵率超像素生成方法分割原始彩色图像，得到超像素图像；其次，计算出基于像素概率密度梯度的超像素能量特征和熵值特征；然后，用二维熵对生成的超像素图像进行初分割；最后，用分类器进行图像分割。实验结果表明，本发明的方法由于引入了超像素，计算超像素的特征时考虑了颜色分量间相关性并利用高性能的分类器进行分割，使得图像分割的精度与速度均得到大幅度提高。

与现有技术相比，本发明具有以下有益效果：

第一，超像素的应用，降低了特征提取的复杂度，减少耗时；

第二，构造局部特征时，考虑了颜色分量间相关性并集纹理特征、颜色特征、形状特征于一体，更好的刻画了超像素特征；

第三，高性能的应用，使得图像的分割精度及速率明显优于其它传统分类器。

附图说明

图1为本发明实施例超像素图像生成结果图。

图2为本发明实施例原彩色图像的概率密度梯度特征结果图。

图3为本发明实施例超像素图像的能量特征结果图。

图4为本发明实施例超像素图像的熵值特征结果图。

图5为本发明实施例超像素图像二维熵初分割结果图。

图6为本发明实施例分割及比较结果图。

图7为本发明实施例的流程图。

具体实施方式

本发明的方法共包括四个阶段：原始彩色图像超像素分割、超像素特征计算、超像素图像二维熵初分割、利用模型进行像素分类。

约定：指原始彩色图像；指超像素图像；指中的超像素总个数；指的概率密度梯度；指熵率超像素生成方法；指基于的中的能量；指基于的中的熵值；指的灰度值；指的平均灰度值；指图像分类器；

a. 初始设置

获取原始彩色图像并初始化设置；

b. 原彩色图像超像素分割

用方法对原彩色图像分割，生成超像素图像；

c. 超像素特征计算

c.1 根据下式计算出中的（特征域与空域空间中的像素点为，其中颜色取）：

其中， ，，，指单位化常量，指图像空域与特征域空间中的带宽，和分别为图像平面带宽、亮度带宽和色彩带宽；

c.2 将原始彩色图像的概率密度梯度赋值给已经生成的超像素图像，计算出超像素的能量特征以及熵值特征；

d. 超像素图像二维熵初分割

d.1 根据下式计算出中的平均灰度级：

；

其中，表示第个超像素区域中的灰度值；表示第个超像素区域内第个超像素点的横坐标；表示第个超像素区域内第个超像素点的纵坐标；

d.2 设与构成的灰度级对为，记出现的数目为，则的二维联合概率密度为：

；

d.3 根据下式，分别计算二维熵的目标和背景：

其中，为超像素图像的灰度级；为不为1的正数；为阈值向量；为目标概率；为背景概率；

d.4 定义判别函数如下：

当取最大值时，即可得到最优阈值：

d.5 利用最优阈值得到初分割结果，选取个目标像素和个背景像素作为训练样本，所有训练样本形成完整训练集，剩余图像像素形成测试集；

e. 模型训练

利用选取的训练数据训练模型；

f. 模型分类

预测测试集的类标签，利用二维熵阈值获得训练集的类标签，合并测试集和训练集的类标签形成类标签向量，作为图像的分割结果。

实验测试和参数设置：

实验是在MATLAB 7.12.0(R2011a)环境下执行的，实验涉及到的是分辨率为255*170像素，300*225像素，300*420像素的彩色图像，所涉及到的图像来自于三个数据库，分别为Berkeley分割数据库(BSD)、分割评价数据库(SED)和剑桥微软研究对象识别的图像数据库(MSRC)。

本发明实施例生成超像素图像结果如图1所示。

本发明实施例计算原彩色图像的概率密度梯度特征结果如图2所示。

本发明实施例超像素图像的能量特征结果如图3所示。

本发明实施例超像素图像的熵值特征结果如图4所示。

本发明实施例超像素图像二维熵初分割结果图如图5所示。

本发明实施例分割及比较结果图如图6所示。