一种基于广义数据场和Ncut算法的图像分割方法

摘要

本发明提供一种基于广义数据场和Ncut算法的图像分割方法，首先，将特征空间划分为层次网格，第一层网格和第二层网格，同时形成与之对应的网格特征空间Ω_s和Ω_b，第一层每8个相邻小网格形成第二层的一个大网格；然后通过运用GDF算法基于第二层网格计算得到第一层网格的势值分布。基于势值分布，再将第一层网格进行聚类，聚类结果映射到图像上，从而实现对于一幅图像的初始分割操作，将其划分为不同的彼此不相交的区域；最后，基于图像初始分割的结果构建无向加权图后，运用基于区域的Ncut算法来合并性质相同的区域，直至达到最佳图像分割结果。本发明在图像分割上具有快速、简单、准确的优点。

主权项

一种基于广义数据场和Ncut算法的图像分割方法，其特征在于：包括以下步骤，步骤1、层次网格的划分以及势值估计，具体包括以下步骤，步骤1.1、将图像的RGB特征空间转换为L*u*v*或L*a*b*特征空间，将L*u*v*或L*a*b*特征空间Ω划分为2N×2N×2N个小网格作为第一层网格，计算每个小网格内数据点的均值，并以此作为该小网格的特征值，形成一个新的特征空间Ω_s；步骤1.2将八邻域小网格合并成为一个大网格作为第二层网格，形成一个新的特征空间Ω_b及其相应的网格空间坐标值；步骤1.3根据势值估计公式计算第一层网格内每个小网格的势值在特征空间Ω_b中，表示坐标为(i_th，j_th，k_th)的网格，是(i_th，j_th，k_th)网格的质量，x，y是空间坐标的变量，是位于网格(i_th，j_th，k_th)内数据点的数量，是对应于网格(i_th，j_th，k_th)的空间坐标值，σ_X、σ_Y是空间影响因子，用于控制对象间的相互作用力，σ＝ch＝c(h₁，h₂，h₃)^T，σ_t＝ch_t，t＝1、2、3，c是比例常数，h＝(h₁，h₂，h₃)^T是核密度估计的窗宽，K(x)为单位势函数，满足：∫K(x)dx＝1，∫xK(x)dx＝0，0＜R(K)＝∫K(x)²dx＜∞；步骤2、采用下山法对小网格聚类，根据小网格的势值分布，基于分层网格结构，聚类过程是从任意一个顶点出发，按照梯度值增加的方向不断搜索，顶点以及被搜索的小网格归为一个聚类，直到梯度不再增加为止，将沿路搜索到的小网格划分到聚类中，将聚类结果映射到图像，将图像划分为不同的彼此不相交的区域，具体步骤为：步骤2.1.对步骤1.3中的公式求偏导，得到公式：，利用其计算第一层网格中每个小网格的偏导，并以此来确定所有的顶点网格，通过六邻域模式组合顶点网格来描绘聚类{C_k}，k＝1，2，...，v，v是图像的顶点，其中C_k至少包含一个顶点网格；步骤2.2对于每一个k＝1，2，...，v，聚类C_k中的顶点网格作为初始数据点，沿着梯度值上升的方向搜索网格，直到梯度值不再上升即为止，将沿路搜索到的小网格划分到聚类C_k中；步骤2.3搜索完毕后，对于每一个聚类C_k，k＝1，2，...，v，将每一聚类内所有的数据点映射到图像上，并合并在空间上数据点个数少于M个点的图像碎块，20≤M≤100；一幅图像被划分为R块不重合的初始区域Ω_i，i＝1，2，...，R；步骤3、运用基于区域的Ncut算法合并过分分割的区域；其中所用到的计算权重矩阵W的公式为：n_i、n_j分别是Ω_i、Ω_j包含的特征数据点的数量，i，j＝1，2，...，R且i≠j，F_i、F_j分别对应于Ω_i、Ω_j中数据点的平均值，i，j＝1，2，...，R且i≠j，σ_I是固定的影响因子。