本发明涉及一种基于最小生成树的超像素分割方法、系统及存储设备，涉及图像处理领域。
背景技术：
语义图像分割的目的是将图像划分为一系列特定的局部区域，使得区域的边界能够定位到图像中语义对象的边界。由于其分割结果具有抗噪性能强，区域语义感知一致性，边界贴合度高等特性，被广泛用作多媒体数据内容挖掘与理解的关键步骤。现有的超像素分割方法可大致分为两个类别：基于聚类的方法及基于图的方法。基于聚类的方法初始化种子点到规则网格，并将超像素分割问题建模为像素聚类的问题，比如，基于简单线性迭代聚类(slic)、线性谱聚类(lsc)、简单非迭代聚类(snic)等方法。尽管该类方法获得了较好的运行速度及区域紧致性，但生成的超像素区域并不能很好的贴合对象的边界。特别是针对具有精细结构的对象，这些方法基于规则网格来生成种子点，稀疏超像素下很难定位到对象的精细结构区域，因而造成了高的欠分割误差。基于图的方法将图像像素表达为图结构，构建并优化能量函数以获得图的区域分割，比如，有效图割(fh)、熵率超像素(ers)、层次超像素(sh)。然而传统的图节点的表达忽略了像素间的空间位置关系，容易生成不规则边界的超像素区域。
技术实现要素：
本发明提供了一种基于最小生成树的超像素分割方法、系统及存储设备，具有分割速度快，分割精度高，获取超像素分割区域规则等特点。
根据本发明采用的一种高效的基于最小生成树的超像素分割方法，包括：
构建无向加权图：获取图像的边缘谱信息，并结合图像像素的颜色信息，构建无向加权图g＝(v,e,w)以表达四邻域的像素邻接关系；其中，v为顶点集，表示图像像素集合；e为边集合，表示像素之间的邻域关系；w为边权重，描述两像素之间的差异性；
构造最小生成树：
(1)根据无向加权图g＝(v,e,w)，对应节点v＝{a,b,...,g}以及不同的边权重，记录每个节点的初始标签l(e)；(2)记录每个节点vk对应的最小邻接边ek，并将对应的初始标签添加到最小生成树的边集合中，即t←t∪{l(e1),...,l(en)}；(3)记录每个节点对应连通分量的根节点标签；(4)移除环及平行边，仅保留最小权重平行边；(5)融合每个连通分量为单个超顶点，并更新所述无向加权图结构；
重复(1)到(5)的内容，得到最小生成树；其中，n为大于等于1的自然数，k∈{1,2,…,n}；
获取区域分割：将获取的最小生成树结构划分为一系列最小生成森林；对所述最小生成森林加入规则性约束
其中，βu,v为边权重，i为指示函数，l为节点的可能标签空间集合；l|v|为所有图节点可能标签空间；α∈[0.5,1]为尺度因子，用来控制生成子树的节点个数与目标超像素面积的比例；n为总的像素个数；l为节点的可能标签；u,v∈e表示无向加权图结构的任意一条边。
所述方法还包括：对最小生成树的边权值排序，并依次获取ei作为候选割边，若满足约束条件并降低了能量函数，则ei被加入到割边集合中；否则继续获取下一候选割边；循环直到生成子树达到超像素个数。
所述方法还包括：构建无向加权图时，获取图像的边缘谱信息。
根据本发明采用的一种基于最小生成树的超像素分割系统，包括，
无向加权图构建模块：获取图像的边缘谱信息，并结合图像像素的颜色信息，构建无向加权图g＝(v,e,w)以表达四邻域的像素邻接关系；其中，v为顶点集，表示图像像素集合；e为边集合，表示像素之间的邻域关系；w为边权重，描述两像素之间的差异性；
最小生成树构造模块：
(1)根据无向加权图g＝(v,e,w)，对应节点v＝{a,b,...,g}以及不同的边权重，记录每个节点的初始标签l(e)；(2)记录每个节点vk对应的最小邻接边ek，并将对应的初始标签添加到最小生成树的边集合中，即t←t∪{l(e1),...,l(en)}；(3)记录每个节点对应连通分量的根节点标签；(4)移除环及平行边，仅保留最小权重平行边；(5)融合每个连通分量为单个超顶点，并更新所述无向加权图结构；
重复(1)到(5)的内容，得到最小生成树；其中，n为大于等于1的自然数，k∈{1,2,…,n}；
区域分割获取模块：将获取的最小生成树结构划分为一系列最小生成森林；对所述最小生成森林加入规则性约束
其中，βu,v为边权重，i为指示函数，l为节点的可能标签空间集合；l|v|为所有图节点可能标签空间；α∈[0.5,1]为尺度因子，用来控制生成子树的节点个数与目标超像素面积的比例；n为总的像素个数；l为节点的可能标签；u,v∈e表示无向加权图结构的任意一条边。
根据本发明采用的一种存储设备，包括多个指令，所述指令适于处理器加载并执行：
获取图像的边缘谱信息，并结合图像像素的颜色信息，构建无向加权图g＝(v,e,w)以表达四邻域的像素邻接关系；其中，v为顶点集，表示图像像素集合；e为边集合，表示像素之间的邻域关系；w为边权重，描述两像素之间的差异性；
重复(1)到(5)的内容，得到最小生成树；(1)根据无向加权图g＝(v,e,w)，对应节点v＝{a,b,...,g}以及不同的边权重，记录每个节点的初始标签l(e)；(2)记录每个节点vk对应的最小邻接边ek，并将对应的初始标签添加到最小生成树的边集合中，即t←t∪{l(e1),...,l(en)}；(3)记录每个节点对应连通分量的根节点标签；(4)移除环及平行边，仅保留最小权重平行边；(5)融合每个连通分量为单个超顶点，并更新所述无向加权图结构；其中，n为大于等于1的自然数，k∈{1,2,…,n}；
将获取的最小生成树结构划分为一系列最小生成森林；对所述最小生成森林加入规则性约束
其中，βu,v为边权重，i为指示函数，l为节点的可能标签空间集合；l|v|为所有图节点可能标签空间；α∈[0.5,1]为尺度因子，用来控制生成子树的节点个数与目标超像素面积的比例；n为总的像素个数；l为节点的可能标签；u,v∈e表示无向加权图结构的任意一条边。
所述指令还包括适于处理器加载并执行：
对最小生成树的边权值排序，并依次获取ei作为候选割边，判断是否满足约束条件并降低了能量函数，如果是，则ei被加入到割边集合中；如果否，则继续获取下一候选割边；循环直到生成子树达到超像素个数。
与现有技术相比，本发明的有益效果是：基于最小生成树的超像素分割方法，具有分割速度快，分割精度高，获取超像素分割区域规则等特点。
附图说明
图1为本发明其中一实施例构建的无向加权图。
图2为基于图1所示实施例构造的最小生成树。
图3为基于图2所示实施例割边搜索过的规则超像素。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本说明书(包括摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
一种基于最小生成树的超像素分割方法，包括：
构建无向加权图：获取图像的边缘谱信息，并结合图像像素的颜色信息，构建无向加权图g＝(v,e,w)以表达四邻域的像素邻接关系；其中，v为顶点集，表示图像像素集合；e为边集合，表示像素之间的邻域关系；w为边权重，描述两像素之间的差异性；
构造最小生成树：在本发明的一个具体实施例中，基于无向加权图g＝(v,e,w)，采用基于边收缩的最小生成树方法：
(1)根据无向加权图g＝(v,e,w)，对应节点v＝{a,b,...,g}以及不同的边权重，记录每个节点的初始标签l(e)；(2)记录每个节点vk对应的最小邻接边ek，并将对应的初始标签添加到最小生成树的边集合中，即t←t∪{l(e1),...,l(en)}；(3)记录每个节点对应连通分量的根节点标签；(4)移除环及平行边，仅保留最小权重平行边；(5)融合每个连通分量为单个超顶点，并更新所述无向加权图结构；
重复(1)到(5)的内容，得到最小生成树；其中，n为大于等于1的自然数，k∈{1,2,…,n}；
获取区域分割：将获取的最小生成树结构划分为一系列最小生成森林；这些构成森林的子树形成了不连通的超像素集合；为了保证超像素区域的规则性，对所述最小生成森林加入规则性约束
其中，βu,v为边权重，i为指示函数，l为节点的可能标签空间集合；l|v|为所有图节点可能标签空间；α∈[0.5,1]为尺度因子，用来控制生成子树的节点个数与目标超像素面积的比例；n为总的像素个数；l为节点的可能标签；u,v∈e表示无向加权图结构的任意一条边。
所述方法还包括：在本发明的一个具体实施例中，通过贪婪算法，对最小生成树的边权值排序，并依次获取ei作为候选割边，若满足约束条件并降低了能量函数，则ei被加入到割边集合中；否则继续获取下一候选割边；循环直到生成子树达到超像素个数。
所述方法还包括：构建无向加权图时，获取图像的边缘谱信息。
作为本发明的一个实施例，如图1所示为构建无向加权图；图2为构造最小生成树；图3为割边搜索过的规则超像素，即获取区域分割，在图3的一个实施例中：(1)初始化割边集合
根据本发明采用的一种基于最小生成树的超像素分割系统，包括，
无向加权图构建模块：获取图像的边缘谱信息，并结合图像像素的颜色信息，构建无向加权图g＝(v,e,w)以表达四邻域的像素邻接关系；其中，v为顶点集，表示图像像素集合；e为边集合，表示像素之间的邻域关系；w为边权重，描述两像素之间的差异性；
最小生成树构造模块：
(1)根据无向加权图g＝(v,e,w)，对应节点v＝{a,b,...,g}以及不同的边权重，记录每个节点的初始标签l(e)；(2)记录每个节点vk对应的最小邻接边ek，并将对应的初始标签添加到最小生成树的边集合中，即t←t∪{l(e1),...,l(en)}；(3)记录每个节点对应连通分量的根节点标签；(4)移除环及平行边，仅保留最小权重平行边；(5)融合每个连通分量为单个超顶点，并更新所述无向加权图结构；
重复(1)到(5)的内容，得到最小生成树；其中，n为大于等于1的自然数，k∈{1,2,…,n}；
区域分割获取模块：将获取的最小生成树结构划分为一系列最小生成森林；对所述最小生成森林加入规则性约束
其中，βu,v为边权重，i为指示函数，l为节点的可能标签空间集合；l|v|为所有图节点可能标签空间；α∈[0.5,1]为尺度因子，用来控制生成子树的节点个数与目标超像素面积的比例；n为总的像素个数；l为节点的可能标签；u,v∈e表示无向加权图结构的任意一条边。
根据本发明采用的一种存储设备，包括多个指令，所述指令适于处理器加载并执行：
获取图像的边缘谱信息，并结合图像像素的颜色信息，构建无向加权图g＝(v,e,w)以表达四邻域的像素邻接关系；其中，v为顶点集，表示图像像素集合；e为边集合，表示像素之间的邻域关系；w为边权重，描述两像素之间的差异性；
重复(1)到(5)的内容，得到最小生成树；(1)根据无向加权图g＝(v,e,w)，对应节点v＝{a,b,...,g}以及不同的边权重，记录每个节点的初始标签l(e)；(2)记录每个节点vk对应的最小邻接边ek，并将对应的初始标签添加到最小生成树的边集合中，即t←t∪{l(e1),...,l(en)}；(3)记录每个节点对应连通分量的根节点标签；(4)移除环及平行边，仅保留最小权重平行边；(5)融合每个连通分量为单个超顶点，并更新所述无向加权图结构；其中，n为大于等于1的自然数，k∈{1,2,…,n}；
将获取的最小生成树结构划分为一系列最小生成森林；对所述最小生成森林加入规则性约束
其中，βu,v为边权重，i为指示函数，l为节点的可能标签空间集合；l|v|为所有图节点可能标签空间；α∈[0.5,1]为尺度因子，用来控制生成子树的节点个数与目标超像素面积的比例；n为总的像素个数；l为节点的可能标签；u,v∈e表示无向加权图结构的任意一条边。
所述指令还包括适于处理器加载并执行：
对最小生成树的边权值排序，并依次获取ei作为候选割边，判断是否满足约束条件并降低了能量函数，如果是，则ei被加入到割边集合中；如果否，则继续获取下一候选割边；循环直到生成子树达到超像素个数。