一种基于均值漂移算法和数学形态学的深度图分割方法

摘要

一种基于均值漂移算法和数学形态学的深度图分割方法，涉及深度图分割领域，解决现有分割方法无法自动化程度高的将跨越了整幅图像灰度范围且不平坦的背景分割成一个整体的问题。根据深度图像生成深度图的灰度直方图；利用一维高斯窗函数对灰度直方图进行平滑处理；根据前景阈值T调节步骤一所述的深度图的灰度值，将灰度值高于所述前景阈值T的像素灰度提升10；将获得的深度图利用数学形态学“关”操作进行修正；利用均值漂移算法将获得的深度图进行聚类分割；对分割区域进行灰度值赋值，每个区域所赋灰度值为原深度图中该区域内所有灰度值的平均值；完成对深度图的分割。本发明可广泛应用于对灰度图的前景与背景分割的工作中。

主权项

一种基于均值漂移算法和数学形态学的深度图分割方法，其特征在于它包括如下步骤：步骤一：根据灰度为f(p，q)的深度图像生成深度图的灰度直方图hist(k)，k＝0,1…L‑1；L为灰度级，L＝256；所述的灰度直方图的横坐标为灰度级，纵坐标为灰度级出现的频率；步骤二：利用一维高斯窗函数对灰度直方图进行平滑处理，并设定前景阈值T；所述前景阈值T为按灰度值从高到低的第一个包含了一定语义范围的极小值，所述一定语义范围是指所含像素数大于整个图像像素数的10％的区域，即hist(k>T)>10％*hist(0…L‑1)；所述极小值为hist(k)_min＝min(hist(k‑4),hist(k‑3)...hist(k+4))；步骤三：根据前景阈值T调节步骤一所述的深度图的灰度值，将灰度值高于所述前景阈值T的像素的灰度提升10；步骤四：将步骤三获得的深度图利用数学形态学“关”操作进行修正；步骤五：利用均值漂移算法将步骤四获得的深度图进行聚类分割；所述均值漂移算法的公式为：$M\left(x\right)\equiv \frac{\underset{i=1}{\overset{n}{\Sigma }}{G}_H(x_i-x)w\left(x_i\right)(x_i-x)}{\underset{i=1}{\overset{n}{\Sigma }}{G}_H(x_i-x)w\left(x_i\right)}$     公式一其中，G_H(x_i‑x)＝|H|^‑1/2G(H^‑1/2(x_i‑x))，G(x)是一个单位核函数，带宽矩阵H是一个正定的对称d×d矩阵，记为一个对角矩阵取正比于单位矩阵H＝h²I，w(x_i)≥0是一个赋给采样点x_i的权重，选用二维的高斯模窗函数；因此，公式一改写为：$M_h\left(x\right)=\frac{\underset{i=1}{\overset{n}{\Sigma }}G\left(\frac{x_i-x}{h}\right)w\left(x_i\right)x_i}{\underset{i=1}{\overset{n}{\Sigma }}G\left(\frac{x_i-x}{h}\right)w\left(x_i\right)}-x$    公式二将公式二等式右侧第一项记为m_h(x),即$m_h\left(x\right)=\frac{\underset{i=1}{\overset{n}{\Sigma }}G\left(\frac{x_i-x}{h}\right)w\left(x_i\right)x_i}{\underset{i=1}{\overset{n}{\Sigma }}G\left(\frac{x_i-x}{h}\right)w\left(x_i\right)}$      公式三步骤六：给定初始像素x，容许误差ε；计算m_h(x)并把m_h(x)赋值给x，当||m_h(x)‑x||＜ε时结束赋值，否则持续将计算得到的m_h(x)赋值给x；步骤七：步骤六最终获得的x为初始点的收敛点，将相同收敛与同一点的像素归为一类，即划为同一分割区域；步骤八：对分割区域进行灰度值赋值，每个区域所赋灰度值为原深度图中该区域内所有灰度值的平均值；完成对深度图的分割。