基于边界信息融合的超像素分割方法

摘要

本发明公开了一种基于边界信息融合的超像素分割方法，主要解决现有SLIC算法对细小虚弱边界贴合度较低的问题。其实现步骤是：1)获取原始图像的边缘图像；2)获取原始图像的LAB空间转换图像；3)在LAB转换图像内初始化平面聚类中心；4)在平面聚类中心的局部范围内初始化边界聚类中心；5)更新平面聚类中心和边界聚类中心为3×3邻域内的梯度最小点；6)在LAB转换图像内对像素点进行分类；7)循环迭代步骤6)，获得LAB转换图像像素点的最终标记；8)将具有相同标记的像素点构成一个超像素，获得原始图像的超像素分割结果。本发明提高了超像素对细小虚弱边缘的贴合度，可用于分类、识别、跟踪等要求检测目标的场合。

主权项

基于边界信息融合的超像素分割方法，包括：(1)计算原始彩色图像I的二值化边界图像B；(2)对原始彩色图像I进行颜色空间转换，得到LAB颜色空间的转换彩色图像I_lab；(3)在转换彩色图像I_lab平面内，按照六边形分布初始化平面聚类中心P_a：(3a)以像素为单位分别计算平面聚类中心的水平步长S_h和垂直步长S_v：$S_h=\sqrt{\frac{N}{(\sqrt{3}/2)·K}},S_v=\frac{\sqrt{3}}{2}·S_h,$其中，N为图像像素点总数，K为期望的超像素数目；(3b)对平面聚类中心进行行向初始化，即在转换彩色图像I_lab平面内，从行像素开始，每间隔S_v行，选定一行像素作为平面聚类中心所在行；(3c)对平面聚类中心进行列向初始化：对于奇数行，从列像素开始，每间隔S_h列，选定一个像素作为平面聚类中心初始值；对于偶数行，从S_h列像素开始，每间隔S_h列，选定一个像素作为平面聚类中心初始值；(3d)将步骤(3b)‑(3c)产生的平面聚类中心标记为P_a，a＝1,2,...,N_P，N_P为平面聚类中心总数；(4)在平面聚类中心的局部范围内初始化边界聚类中心E_b：(4a)在转换彩色图像I_lab平面内确定搜索窗口：在转换彩色图像I_lab平面内，将以平面聚类中心P_a为中心的S_h×S_h邻域范围作为搜索窗口W_P，并记录W_P在图像平面内的几何位置，记为[r₀,c₀,Δr,Δc]，其中r₀、c₀分别为搜索窗口左上角像素点的行号、列号，Δr、Δc分别为搜索窗口的行宽、列宽；(4b)在二值化边界图像B平面内确定边界窗口：在二值化边界图像B平面内，将左上角像素坐标为[r₀,c₀]，行宽为Δr，列宽为Δc的矩形范围作为边界窗口W_B；(4c)在转换彩色图像I_lab平面内初始化边界聚类中心：将W_P与W_B进行与运算，若运算结果中含有非零元素，说明平面聚类中心P_a的S_h×S_h邻域范围内存在边界点，随机选取边界点的一个中值点，将其作为边界聚类中心的初始值；若运算结果中没有非零元素，说明平面聚类中心P_a的S_h×S_h邻域范围内没有边界点，则不产生任何边界聚类中心；(4d)将步骤(4c)产生的边界聚类中心标记为E_b，b＝1,2,...,N_E，N_E为边界聚类中心总数；(5)将所有平面聚类中心和边界聚类中心更新为各自3×3邻域内的梯度最小点，得到更新后的平面聚类中心P_a′和边界聚类中心E_b′；(6)将更新后的平面聚类中心P_a′和边界聚类中心E_b′作为初始值，利用局部k‑means算法对转换彩色图像I_lab的像素点进行分类标记；(7)循环迭代步骤(6)的分类标记过程，直至连续两次的平面聚类中心和边界聚类中心的误差之和不超过5％，得到所有像素点的最终标记；(8)将具有相同标记的像素点看成一个超像素，在图像平面内画出所有超像素的边界，即得原始图像I的超像素分割结果。