一种基于局部图结构相似度的图像分割方法

本发明涉及图像处理技术领域，特别涉及一种基于局部图结构相似度的图像分割方法。

背景技术：

图像分割是数字图像处理领域中一项具有挑战的任务。图像的准确分割在国防安全、医学图像、工业测量和自动驾驶等方面有着重要的研究意义和应用价值。传统图像分割方法通过在特征空间的基础上利用数学方法建立分割又模型，常用传统方法有基于边缘的分割方法、基于阈值的分割方法和基于区域的分割方法等。其分割过程中特征表达通常通过人工设计，对图像表达多数为低层次特征，受图像边界信息不连续和图像空间关系应用较少等因素影响较大。此外，传统检测算法对光照变化、阴影遮挡等环境干扰较为敏感而导致鲁棒性不足等问题，无法直接应用于工程场景。随着数字图像处理和计算能力的提高，基于图结构的数据表示方法得到了广泛的关注。本发明提出了一种基于局部图结构相似度的图像分割方法，并有望利用其进行图像的区域分割。

技术实现要素：

本发明的目的在于，提供一种基于局部图结构相似度的图像分割方法。本发明具有抗噪声干扰能力强的特点，能够利用图结构进行图像的区域分割。

本发明的技术方案：一种基于局部图结构相似度的图像分割方法，包括以下步骤：

包括以下步骤：

s1：将原始图像均匀划分为多个互不重叠的子图像并计算其平均子图像；

s2：建立平均子图像图连接矩阵；

s3：计算平均子图像图连接矩阵的特征向量；

s4：设置滑动窗口，其尺寸与子图像大小相同；

s5：将滑动窗口移动至原始图像左上角，建立当前窗口内像素点灰度值的图连接矩阵；

s6：使用获得的特征向量对当前窗口获得的图连接矩阵进行分解，获取当前窗口分解后的矩阵信息；

s7：将分解后的矩阵信息分解为对角矩阵和非对角矩阵，并计算非对角矩阵的1范数；

s8：将滑动窗口向右移动一个像素，重复步骤s6-s7；

s9：继续遍历当前图片所有像素，形成滑动窗口非对角矩阵的1范数序列；

s10：对获得的1范数序列进行规范化处理；

s11：设置输入阈值，若1范数大于该阈值则该范数对应的像素点为同一类别，反之为另一类别。

上述的基于局部图结构相似度的自适应图像分割方法中，所述的步骤s2中,平均子图像图连接矩阵的建立算法为：

其中x为所建立的平均子图像图连接矩阵，d为相关像素点之间的欧几里得距离，下标为子图像对应序号，对于含有n个像素点的子图像，平均连接矩阵的总元素为n×n个。

前述的基于局部图结构相似度的自适应图像分割方法，所述的步骤s6中,使用获得的特征向量对当前滑动窗口元素进行分解的算法为：

y^t＝γx^tγ'

其中，x^t为当前滑动窗口元素，y^t为当前滑动窗口元素所分解后的矩阵信息，γ为步骤s3所计算的特征向量，t为局部窗口序号。

前述的基于局部图结构相似度的自适应图像分割方法，所述的步骤s7中,规范化处理的算法为：

其中，n为局部窗口元素计算后的1范数，n'为规范化后的1范数，nmin为原始1范数序列的最小值，nmax为原始1范数序列的最大值。

与现有技术相比，本发明具有以下有益效果：

本发明首先通过将原始图像均匀划分为多个互不重叠的子图像并计算其平均子图像；随后根据图理论建立平均子图像图连接矩阵并计算平均子图像图连接矩阵的特征向量；使用获得的特征向量遍历所有的滑动窗口并使用获得的特征向量对滑动窗口元素进行分解；随后将分解后的矩阵分解为对角矩阵和非对角矩阵并计算其非对角矩阵的1范数；待所有子区间1范数计算完毕后对所有子区间矩阵1范数进行规范化处理；最终根据输入阈值，对规范化后的1范数进行图像分割。本发明使用局部图结构相似度进行图像分割，具备较强的抗噪声干扰能力。

附图说明

图1是本发明的流程图；

图2是本发明的实施例1中使用的路面裂纹照片；

图3是本发明的实施例1中路面裂纹照片子图像分割示意图；

图4是本发明的实施例1中提取的子图像示意图，其中窗口边长为3；

图5是本发明的实施例1中子图像以某一像素点为基准计算的欧几里得距离示意图；

图6是本发明的实施例1中生成的图连接矩阵；

图7是本发明的实施例1中生成的特征向量；

图8是本发明中实施例1中图像分割后的结果，其中其阈值为生成的1范数序列平均值的3倍。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。

实施例1：一种基于局部图结构相似度的图像分割方法，下面结合具体案例对本发明进一步说明，其流程图如图1所示，包括以下步骤，

1)如附图2及附图3所示，将获取到的路面裂纹照片均匀划分为多个互不重叠的子图像并计算其平均子图像；

2)如附图4所示，通过提取滑动窗口内的像素灰度值(p1至p9)可获取其局部矩阵信息(附图4右侧所示)；

3)如附图5所示，通过计算像素点之间的欧几里得距离(如附图5中p1点分别与p2、p3…p9之间的距离)，可获得像素点之间的距离关系；

4)如附图6所示，基于像素点之间的距离关系(如附图6矩阵信息所示，第一行即为附图5中p1点分别与p2、p3…p9之间的距离)可根据图理论建立平均子图像图连接矩阵，其中，平均子图像图连接矩阵的建立算法为：

其中x为所建立的平均子图像图连接矩阵，d为相关像素点之间的欧几里得距离，下标为子图像对应序号，对于含有n个像素点的子图像，平均连接矩阵的总元素为n×n个；

5)计算平均子图像图连接矩阵的特征向量，在本实例中，其特征向量如附图7所示；

6)设置滑动窗口，其尺寸与子图像大小相同，将滑动窗口移动至原始图像左上角，建立当前窗口内像素点灰度值的图连接矩阵；使用获得的特征向量遍历滑动窗口，并使用获得的特征向量对滑动窗口进行分解，所使用获得的特征向量对局部窗口进行分解的算法为：

y^t＝γx^tγ'

其中，x^t为当前局部窗口元素，y^t为局部窗口元素所分解后的矩阵信息，γ为步骤s3所计算的特征向量，t为局部窗口序号。

7)将分解后的矩阵分解为对角矩阵和非对角矩阵；

8)计算非对角矩阵的1范数，算法为：

其中，m^non-diag为矩阵非对角元素序列，||||1为1范数计算符号，m^non-diag为矩阵非对角元素序列第i个元素，n为矩阵非对角元素序列长度；

9)将滑动窗口向右依次移动一个像素，从而形成对所有局部窗口进行分解，并计算其1范数形成1范数序列，对1范数序列进行规范化处理，使用的范数序列规范化处理算法为：

其中，n为局部窗口元素计算后的1范数序列，n'为规范化后的1范数序列，，nmin为原始1范数序列的最小值，nmax为原始1范数序列的最大值；

8)设置输入阈值，根据输入阈值对规范化后的1范数进行图像分割，若1范数大于该阈值则该范数对应的像素点(滑动串口中心点位置)为同一类别，反之为另一类别。本实施例中，其阈值被设定为生成的1范数序列平均值的3倍，其结果如附图8所示。如附图8所示，在背景噪声干扰(附图8左侧部分具有明显的光照阴影)下，本发明依然可以较好的实现图像分割的效果，表明本发明提出的局部图结构相似度图像分割方法具备较强的抗噪声干扰能力。