多尺度的图像分割方法

摘要

本发明提出了一种多尺度的图像分割方法，其具体步骤是：（1）、输入原始图像，对原始图像预分割，采用核密度估计的方法建立预分割后每个区域归一化的均值偏移直方图；（2）、计算获得两个邻接区域的颜色相似性值；（3）、区域合并，生成二叉树；（4）、选择二叉树中的结点完成图像分割。该方法解决了图像分割中过分割的现象，分割方法易受图像中的噪声干扰，分割方法复杂度高的问题；其多尺度的分割结果有助于提高后续的图像分析，图像识别等高级处理阶段的工作效率。

主权项

一种多尺度的图像分割方法，其具体步骤如下:(1)、建立预分割后每个区域归一化的均值偏移直方图步骤：输入原始图像，对原始图像预分割，采用核密度估计的方法建立预分割后每个区域归一化的均值偏移直方图，其步骤如下：(1‑1)、输入原始图像，用均值漂移算法将原始图像预分割成N个图像区域R_k，其中k＝1,2,...N，R_k表示图像区域中第k个区域，并将N个图像区域的颜色空间由RGB颜色空间转换到Lab颜色空间；(1‑2)、统计Lab颜色空间中每个图像区域的所有像素值出现的概率，建立每个区域归一化的颜色直方图；(1‑3)、选择三角核函数对上述步骤(1‑2)生成的颜色直方图卷积平滑，得到每个区域归一化的均值偏移直方图；(2)、计算获得两个邻接区域R_i和R_j的颜色相似性值步骤：对上述步骤(1)所述的每个区域归一化的均值偏移直方图，使用公式(1)计算获得两个邻接区域R_i和R_j的颜色相似性值：$W(i,j)=\frac{1}{\left|R_j\right|}\underset{p\in R_j}{\Sigma }{H}_i\left({\mathrm{qc}}_p\right)+\frac{1}{\left|R_i\right|}\underset{p\in R_i}{\Sigma }{H}_j\left({\mathrm{qc}}_p\right)---\left(1\right)$式中，i和j分别表示邻接区域R_i和R_j的标号，|R_i|和|R_j|分别表示邻接区域R_i和R_j的像素个数，H_i和H_j分别表示邻接区域R_i和R_j归一化的均值偏移直方图，qc_p是每个像素p的量化颜色值；(3)、区域合并，生成二叉树步骤：合并邻接区域R_i和R_j，生成合并区域，计算合并生成合并区域R_m的归一化的均值偏移直方图，其具体步骤如下：(3‑1)、比较邻接区域的颜色相似性值的大小，迭代进行区域合并，其步骤如下：(3‑1‑1)、合并最相似的邻接区域，使用公式(2)计算得到最相似的两个邻接区域R_i和R_j，若合并R_i和R_j，则执行步骤(3‑1‑4)，否则执行步骤(3‑1‑2)，$j=\arg \underset{k=1...n}{\max }W(i,k),\mathrm{andi}=\arg \underset{k=1...n}{\max }W(k,j)$(2)式中，k表示与R_i或R_j邻接的区域标号，n表示当前的邻接区域数目，arg是求区域的标号；(3‑1‑2)、合并小面积区域中相似性最高的邻接区域，使用公式(3)计算得到小面积区域中相似性最高的两个邻接区域R_i和R_j，若合并R_i和R_j，则执行步骤(3‑1‑4)，否则执行步骤(3‑1‑3)，(3)式中,Ω表示小面积区域R_i构成的集合，k表示与区域R_i邻接的区域标号；(3‑1‑3)、合并相似性最高的邻接区域，使用公式(4)计算得到相似性最高的两个邻接区域R_i和R_j，合并R_i和R_j，并执行步骤(3‑1‑4)，$\begin{array}{cc}(i,j)=\arg & \underset{k_1=1...n,k_2=1...n}{\max W(k_1,k_2)}\end{array}---\left(4\right)$式中，k₁和k₂分别表示邻接的区域标号；(3‑1‑4)、计算邻接区域R_i和R_j合并生成合并区域R_m的归一化的均值偏移直方图，其计算公式为：$H_m=\frac{\left|R_i\right|H_i+\left|R_j\right|H_j}{\left|R_m\right|}$式中，m是区域R_i和R_j合并生成合并区域的标号，|R_m|＝|R_i|+|R_j|,H_m表示区域R_m的归一化的均值偏移直方图；(3‑1‑5)：如果不满足终止条件，则继续进行区域合并，执行步骤(3‑1‑1)，终止的条件为：区域合并后只剩下一个区域，否则执行步骤(3‑1‑6)；(3‑1‑6)如果满足终止条件，终止程序，合并结束；(3‑2)、根据区域合并的关系建立一颗二叉树，其步骤如下：(3‑2‑1)、将原始图像预分割后的N个图像区域作为二叉树的叶子结点；(3‑2‑2)、将上述步骤(3‑1)进行区域合并过程中生成的合并区域作为二叉树的父亲结点，并由此建立了一颗二叉树的数据结构；(4)、选择二叉树中的结点完成图像分割步骤：(4‑1)、定义二叉树中父子结点的相似性比BSR来度量父子结点的相似性，其计算公式为：$\mathrm{BSR}(k,l)=\frac{B\left(k\right)}{B\left(l\right)},\mathrm{andBSR}(k,r)=\frac{B\left(k\right)}{B\left(r\right)}$B(k)＝W(l,r),B(l)＝W(a,b),B(r)＝W(c,d)式中，BSR(k,l)是计算父亲结点k和左子结点l的相似性比，BSR(k,r)是计算父亲结点k和右子结点r的相似性比，B(k)是计算左子结点l和右子结点r的相似性值，B(l)是计算父亲结点l的左子结点a和右子结点b的相似性值，B(r)是计算父亲结点r的左子结点c和右子结点d的相似性值；(4‑2)、选择二叉树中BSR值较小的结点，完成多尺度的图像分割。