一种改进的基于超像素的多光谱图像分割方法与流程
本发明涉及图像分割领域，特别是指一种改进的基于超像素的多光谱图像分割方法。
背景技术：
在计算机视觉领域，图像分割(segmentation)指的是将数字图像细分为多个图像子区域(像素的集合)(也被称作超像素)的过程。图像分割是对图像中的每个像素加标签的一个过程，这一过程使得具有相同标签的像素具有某种共同视觉特性。图像分割的结果是图像上子区域的集合(这些子区域的全体覆盖了整个图像)，或是从图像中提取的轮廓线的集合。一个子区域中的每个像素在某种特性的度量下或是由计算得出的特性都是相似的，例如颜色、亮度、纹理。邻接区域在某种特性的度量下有很大的不同。超像素由一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域。这些小区域大多保留了进一步进行图像分割的有效信息，且一般不会破坏图像中物体的边界信息，从而大幅度减少处理对象的数量，提高后续处理的效率，超像素在计算机视觉领域有着广泛的应用。
目前已经存在多种超像素分割算法，如简单线性迭代聚类算法(simplelineariterativeclusteringalgorithm,slic)，快速简单线性迭代聚类算法(fastlineariterativeclusteringalgorithm,flic)，线性谱聚类算法(linearspectralclusteringalgorithm,lsc)，能量驱动采样超像素算法(superpixelsextractedenergy-drivensamplingalgorithm,seeds)，这些方法在超像素分割方面各有优缺点，目前没有一种算法能够同时具有良好的抗噪能力，分割精度高，以及在计算速度、使用方面有着优越的性能。
技术实现要素：
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种改进的基于超像素的多光谱图像分割方法，具有良好的抗噪能力，分割精度高，以及在计算速度、使用方面有着优越的性能。
本发明采用如下技术方案：
一种改进的基于超像素的多光谱图像分割方法，包括以下步骤：
步骤s1：输入多光谱图像[l,a,b](x,y),其中l代表亮度，a和b代表颜色对立维度，x,y分别代表像素的横坐标和纵坐标，5维向量pi向描述图像中的像素i，其中pi＝[li,ai,bi,xi,yi]t；
步骤s2：求取像素i和像素j的平面间隔||pi-pj||xy和特征间隔dij；
步骤s3：计算在多光谱图像平面内以像素i为中心、半径为εxy的圆形区域内估计像素i的局部密度ρi；
步骤s4：计算像素i的间隔δi和归附fi；
步骤s5：根据得出的每个像素的归附fi、间隔δi和局部密度ρi将所有像素构建成归附关系树；
步骤s6：根据间隔δi、局部密度ρi选取超像素的中心像素ci，在归附关系树中将所有的中心像素ci的归附fi设置为空标志
步骤s7：将同一个超像素中的所有像素设置为相同的标号，基于归附关系树以及种子像素，将同一子树上的像素的标号设置为顺着归附关系上溯的种子像素的标号，完成超像素分割。
具体的，步骤s2中求取像素i和像素j的平面间隔||pi-pj||xy和特征间隔dij,具体包括：
其中l代表亮度，a和b代表颜色对立维度，x,y分别代表像素的横坐标和纵坐标。
具体的，步骤s3中计算在多光谱图像平面内以像素i为中心、半径为εxy的圆形区域内估计像素i的局部密度ρi，具体包括：像素i的局部密度ρi的计算公式为：
其中||pi-pj||xy为像素i和像素j的平面间隔，εxy为圆形区域的半径，dij为像素i和像素j的特征间隔。
具体的，步骤s4中计算像素i的间隔δi和归附fi，具体包括：
像素i的间隔δi的计算公式为：
像素i的归附fi的计算公式为：
其中ρi为像素i的局部密度。
具体的，步骤s5中根据得出的每个像素的归附fi、间隔δi和局部密度ρi将所有像素构建成归附关系树，构建归附关系树的具体方法：将圆形表征一个像素i，利用有向线段将像素连接到像素的归附fi，有向线段的长度为所述像素的间隔值δi，根据每个像素上的有向线段条数确定局部密度极大值像素，以及归附关系树的中心像素。
具体的，步骤s6中根据间隔δi、局部密度ρi选取超像素的中心像素ci，在归附关系树中将所有的中心像素ci的归附fi设置为空标志
计算每个像素的索引λi，所述索引λi为所述局部密度ρi和所述间隔δi的乘积：λi＝ρiδi；
按照从大到小的顺序排列像素的索引λi，选取排列在前k个像素作为超像素的中心像素ci，i＝1,2…k。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
本发明提出的一种改进的基于超像素的多光谱图像分割方法，具体包括以下步骤：输入多光谱图像[l,a,b](x,y),其中l代表亮度，a和b代表颜色对立维度，x,y分别代表像素的横坐标和纵坐标，5维向量pi向描述图像中的像素i，其中pi＝[li,ai,bi,xi,yi]t；步骤s2：求取像素i和像素j的平面间隔||pi-pj||xy和特征间隔dij；计算在多光谱图像平面内以像素i为中心、半径为εxy的圆形区域内估计像素i的局部密度ρi；计算像素i的间隔δi和归附fi；根据得出的每个像素的归附fi、间隔δi和局部密度ρi将所有像素构建成归附关系树；根据间隔δi、局部密度ρi选取超像素的中心像素ci，在归附关系树中将所有的中心像素ci的归附fi设置为空标志
附图说明
图1是本发明提供优选实施例的方法的流程图；
图2是本发明实施例超像素示意图；
图3是本发明实施例图像的局部密度、间隔和决策图；图3(a)是原图像，图3(b)是各像素的局部密度，图3(c)是各像素的间隔，图3(d)是决策图，图3(e)是处理后的整个图的间隔值，图3(f)是处理后的所有像素在密度-间隔空间中的分布图；
图4是本发明实施例归附关系树示意图；
图5是本发明实施例实验验证图结果图，其中图5(a)为原图像，图5(b)为slic算法图像分割结果图；图5(c)为flic算法图像分割结果图；图5(d)lsc算法图像分割结果图；图5(e)为seeds算法图像分割结果图，图5(f)为本发明算法图像分割结果图。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。
本公开中使用了流程图用来说明根据本公开的实施例的方法的步骤。应当理解的是，前面或后面的步骤不一定按照顺序来精确的进行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
本发明解决上述技术问题的技术方案是：
图1为一种改进的基于超像素的多光谱图像分割方法总体流程图，下面将结合附图和实例图，对本发明的实施方式进行详细描述。
一种改进的基于超像素的多光谱图像分割方法，包括以下步骤：
步骤s10：输入多光谱图像[l,a,b](x,y),其中l代表亮度，a和b代表颜色对立维度，x,y分别代表像素的横坐标和纵坐标，5维向量pi向描述图像中的像素i，其中pi＝[li,ai,bi,xi,yi]t；
步骤s20：求取像素i和像素j的平面间隔||pi-pj||xy和特征间隔dij；
具体的，步骤s2中求取像素i和像素j的平面间隔||pi-pj||xy和特征间隔dij,具体包括：
其中l代表亮度，a和b代表颜色对立维度，x,y分别代表像素的横坐标和纵坐标。
步骤s30：计算在多光谱图像平面内以像素i为中心、半径为εxy的圆形区域内估计像素i的局部密度ρi；
具体的，步骤s30中计算在多光谱图像平面内以像素i为中心、半径为εxy的圆形区域内估计像素i的局部密度ρi，具体包括：像素i的局部密度ρi的计算公式为：
其中||pi-pj||xy为像素i和像素j的平面间隔，εxy为圆形区域的半径，dij为像素i和像素j的特征间隔。
由于是在半径为εxy的圆形区域内估计像素的密度，因此ρi为像素的局部密度，半径εxy作为算法的主要参数，对局部密度的估计结果和超像素的分割结果都有非常重要的影响。
从本质上说，超像素是图像平面内中的一些空间相邻、属性相近的像素集合，如图2中心的深色圆形，如果我们在局部范围内，例如图中的以c和e为中心的两个圆形区域内，分析每个像素的密度属性，由于像素c周围聚集了更多属性相近的像素，因此密度较大，而处于外围的e，由于其周围存在大量属性不同的像素，因此密度较小。
步骤s40：计算像素i的间隔δi和归附fi；
具体的，步骤s40中计算像素i的间隔δi和归附fi，具体包括：
像素i的间隔δi的计算公式为：
像素i的归附fi的计算公式为：
其中ρi为像素i的局部密度。
如图3显示了一幅图像的局部密度和按照上述公式得出的间隔，其中图3(a)是原图像，图3(b)是各像素的局部密度，图3(c)是各像素的间隔，图3(d)是决策图，在这个实验中，计算局部密度的圆形区域半径εxy＝8，产生了321个局部密度极大值像素值，它们的间隔都是εxy，这些像素在图3(d)的决策图中聚集成右上角的一条直线，如果忽略超像素的数目，就可以用这些局部密度极大值像素作为超像素的中心进行超像素分割，如果需要超像素的数目更少，则需要做进一步的全局处理，为每个局部密度极大值像素计算间隔并寻找归附，在全局处理前，一个局部密度极大值像素的间隔是3(d)，归附是
步骤s50：根据得出的每个像素的归附fi、间隔δi和局部密度ρi将所有像素构建成归附关系树；
具体的，步骤s50中根据得出的每个像素的归附fi、间隔δi和局部密度ρi将所有像素构建成归附关系树，构建归附关系树的具体方法：将圆形表征一个像素i，利用有向线段将像素连接到像素的归附fi，有向线段的长度为所述像素的间隔值δi，根据每个像素上的有向线段条数确定局部密度极大值像素，以及归附关系树的中心像素。如图4,圆形n4和n9局部密度极大值像素，圆形n8归附关系树的中心像素，其归附值为
步骤s60：根据间隔δi、局部密度ρi选取超像素的中心像素ci，在归附关系树中将所有的中心像素ci的归附fi设置为空标志
具体的，步骤s60中根据间隔δi、局部密度ρi选取超像素的中心像素ci，在归附关系树中将所有的中心像素ci的归附fi设置为空标志
计算每个像素的索引λi，所述索引λi为所述局部密度ρi和所述间隔δi的乘积：λi＝ρiδi；
按照从大到小的顺序排列像素的索引λi，选取排列在前k个像素作为超像素的中心像素ci，i＝1,2…k。
步骤s70：将同一个超像素中的所有像素设置为相同的标号，基于归附关系树以及种子像素，将同一子树上的像素的标号设置为顺着归附关系上溯的种子像素的标号，完成超像素分割。
下面通过具体的实例进行验证说明：
选用berkeley数据集bsds300和bsds500进行性能评测实验，bsds300数据集中包含300幅321x481的图像，每幅图像带有由5至10人手工标注的正确分割结果，bsds500在bsds300数据集上的基础上扩充了200幅新图像。
首先通过实验，将本发明算法与简单线性迭代聚类算法(simplelineariterativeclusteringalgorithm,slic)，快速简单线性迭代聚类算法(fastlineariterativeclusteringalgorithm,flic)，线性谱聚类算法(linearspectralclusteringalgorithm,lsc)，能量驱动采样超像素算法(superpixelsextractedenergy-drivensamplingalgorithm,seeds)等算法，进行对比分割效果、抗噪性能，然后再分析计算、使用性能。
统一将各个算法的超像素数据设置为300进行实验，图5给出了各种算法在bsds数据集中若干图像上得到的超像素分割结果，其中图5(a)为原图像，图5(b)为slic算法图像分割结果图；图5(c)为flic算法图像分割结果图；图5(d)lsc算法图像分割结果图；图5(e)为seeds算法图像分割结果图，图5(f)为本发明算法图像分割结果图；对比这些超像素的形状以及超像素边缘与物体边缘的一致性，可以看出，本发明得到的超像素形状规则、大小比较均匀，且边缘附着性能较好，seeds和flic算法，得到的超像素形状不规则，尤其是seeds算法得到的超像素大多是不规则的长条形状，slic和lsc算法得到的超像素具有比较规则的形状，但slic和lsc算法的边缘附着能力一般。
且在实验中发现，本发明的算法的运算速度比seeds、lsc和slic算法运算速度快，与flic算法的运算速度相当，且在使用性能上更为灵活。
本发明提出的一种改进的基于超像素的多光谱图像分割方法，具体包括以下步骤：输入多光谱图像[l,a,b](x,y),其中l代表亮度，a和b代表颜色对立维度，x,y分别代表像素的横坐标和纵坐标，5维向量pi向描述图像中的像素i，其中pi＝[li,ai,bi,xi,yi]t；步骤s2：求取像素i和像素j的平面间隔||pi-pj||xy和特征间隔dij；计算在多光谱图像平面内以像素i为中心、半径为εxy的圆形区域内估计像素i的局部密度ρi；计算像素i的间隔δi和归附fi；根据得出的每个像素的归附fi、间隔δi和局部密度ρi将所有像素构建成归附关系树；根据间隔δi、局部密度ρi选取超像素的中心像素ci，在归附关系树中将所有的中心像素ci的归附fi设置为空标志
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
- 还没有人留言评论。精彩留言会获得点赞！