[发明专利]一种基于边缘约束的分形网络演化影像分割方法

权利要求书

1.一种基于边缘约束的分形网络演化影像分割方法，其特征在于，包括以下步骤：

步骤1，尺度参数确定模块先根据图像大小确定采用的小尺度参数，然后采用小尺度参数对影像进行分割，得到分割后的若干小尺度参数影像；

步骤2，拓扑关系模型建立模块针对步骤1已经分割的若干小尺度参数影像，对若干小尺度参数影像进行拓扑关系模型建立，所述拓扑关系模型建立基于边缘约束条件；

步骤3，分割模块针对步骤2已经建立的拓扑关系模型，基于用户指定的影像分割尺度参数，对完成步骤2的图像进行拓扑关系模型的更新后，完成在用户指定的图像分割尺度参数的条件下的分隔图像的区域生长与合并。

2.根据权利要求1所述的一种基于边缘约束的分形网络演化影像分割方法，其特征在于，所述步骤2中，对若干小尺度参数影像进行拓扑关系模型建立的具体步骤如下：

步骤2.1，对原始图像进行边缘检测，即对原始图像进行EDISON边缘检测获得单像素边界；

步骤2.2，针对步骤2.1已经完成边缘检测的图像进行像素拓扑关系建立：即以边界上的每个像素点作为拓扑独立对象，与其八邻域像素无连接关系；对于非边界像素，定义其与八邻域内的非边界点具有连接关系；

步骤2.3，针对完成步骤2.2的图像，结合步骤1中已经确定的需要分割的小尺度参数，进行小尺度的区域生长与合并：即对步骤2.2中建立好拓扑关系的像素点开始区域合并与生长过程，由于边界像素点无邻接点，因此在分割过程中保持独立，并不参与区域生长中，仅针对非边界像素进行区域合并与生长过程；

步骤2.4，解除边缘约束下的区域生长与合并：首先恢复边界点与目前生长完成区域的拓扑关系，然后继续进行小尺度中的区域生长与合并，将边界点归于各分割区域，避免单像素对象出现；

步骤2.5，形成对象拓扑关系模型：将分割完成的区域对象的拓扑关系保存，供更高尺度分割使用。

3.根据权利要求1所述的一种基于边缘约束的分形网络演化影像分割方法，其特征在于，所述步骤3中，区域生长与合并过程除采用广义异质性规则外，其余步骤与FNEA分割算法相同，其输入为步骤2中已建立的拓扑关系模型，即拓扑关系的像素或对象集合，具体步骤如下：

步骤3.1，针对步骤2中仅完成的拓扑关系的像素或对象集合进行最优种子点确定；

步骤3.2，基于广义异质性规则下的异质性计算：即根据广义异质性规则，计算对象之间异质性；

步骤3.3，针对完成步骤3.2后的图像进行区域最优邻居查找；

步骤3.4，针对完成步骤3.3后的图像进行对象合并：将最优合并区域对进行合并，并计算新对象的统计特征；

步骤3.5，对象拓扑关系更新：根据新对象的边界情况，更新新对象的拓扑关系；

步骤3.6，异质性阈值判断：根据目前所有对象的最小异质性得到当前最小异质性，如果超过阈值，则分割完成，否则回到步骤3.1。

4.根据权利要求1所述的一种基于边缘约束的分形网络演化影像分割方法，其特征在于，所述步骤3.1中，最优种子点确定的具体步骤是：与一般的区域生长方法不同，种子点采用分布式的种子选择策略，每次种子选择均通过一个抖动矩阵来进行，使得当前的种子点距离之前已经选择过种子点的距离最远，这种分布式种子选择策略的优点在于可以使得图像各个部分均匀生长，从而区域合并过程中所需的区域统计特性更加准确，而不会出现大尺度对象“吞噬”还未有机会生长的小尺度对象。

5.根据权利要求1所述的一种基于边缘约束的分形网络演化影像分割方法，其特征在于，所述步骤3.2中，所述广义异质性规则是基于：

定义a和b是待计算的对象，c是a和b合并后的对象，a和b的广义异质性为：

F(a，b)=n_merge×PE(c)-n_obj1×PE(a)-n_obj2×PE(b)

其中：F(a，b)：广义异质性函数；n_obj：对象的面积（像素数）；PE(a)：对象所形成的区域其为真实存在地物的概率，由于图像区域可以是任意像元的集合体，因此区域可能为真实地物，也可能为无效区。

6.根据权利要求1所述的一种基于边缘约束的分形网络演化影像分割方法，其特征在于，所述步骤3.3中区域最优邻居查找的具体方法如下：在得到当前种子点后，定义获取其所在的对象A，并得到A的邻接最优合并对象B，然后判断B的最优合并区域C，并根据最优合并区域C和对象A的比值进行如下判断步骤：

判断步骤1，如果C等于A，则找到局部最优合并对象，将C定义为A局部最优合并对象并保存后结束判断步骤；

判断步骤2，如果C不等于A，将B置为A，执行判断步骤1。