[发明专利]一种基于广义数据场和Ncut算法的图像分割方法

说明书

技术领域

本发明属于图像处理技术领域，特别涉及一种基于广义数据场和Ncut算法的图像分割方法。

背景技术

图像分割就是将一幅图像划分为有意义且不重合的区域，每块区域几乎具有相同的性质，这是图像处理研究中重要的环节，同时也是计算机视觉中重要的研究课题；目标检测、特征提取、目标识别都依赖准确的图像分割技术，由于图像分割技术作为图像处理中一项基础工作，因此得到了较为广泛的应用，各种分割算法相继被提出。

在众多分割算法中，非参数聚类是其中最简单且应用最为广范的一种图像分割算法，非参数聚类方法大致可以划分为两类：层次聚类和密度估计；层次聚类技术依据数据点之间的距离进行分类,这样往往导致较高的计算复杂性，以及不能为数据聚类直接定义一个有意义的停止准则，这意味着不同的数据集需要设置不同的停止准则；基于密度估计的非参数聚类的基本原理是在特征空间中用经验概率密度函数描绘数据集的特征分布，特征空间中的密集区域对应密度函数的局部最大值（即顶点），一旦确定了顶点的位置,便可以根据特征空间的局部结构确定聚类结果，例如，mean shift(MS)是一种非参数图像聚类算法，但是单独的MS算法对窗宽参数的选择很敏感，即针对不同的参数设置，该算法的分割结果有差异性很大，而且是一种很耗时的分割算法，因此，在实际运用中，该算法的分割结果可能会出现过多的分割区域、错误的分割以及在分割进程中花费太多的时间。

在一些提出的算法中，为了改善MS的分割结果，集成了基于图的分割方法，基于图的方法也是图像分割中非常重要的一类，例如有normalized cuts(Ncut)，average association，minimum cut等等；在这些方法中，把每个像素点看作一个顶点，相邻的点之间由一条边连接，而两个点的不相似度量作为边的权重，从而构造一个无向加权图，与其他基于图的分割算法相比，Ncut算法的应用较为广泛，为了克服MS图像分割算法的缺点，将MS算法与递归Ncut算法相互结合，称其为MS-Ncut，MS-Ncut算法首先通过MS算法得到包含很多碎块的初始分割图像，然后根据这些过分割的块建立一个无向加权图，采用Ncut算法修正初始分割结果，在Ncut运算过程中，每个结点生成辅助子节点虽然在一定程度上进一步优化了分割结果，但是对于MS-Ncut中出现的问题并没有从根本上解决，而且大大增加了算法的时间复杂度。

发明内容

为了得到更好的分割结果，避免出现上述的问题，本发明提出了一种新的图像分割算法—一种基于广义数据场和Ncut算法的图像分割方法，该方法能够通过集成广义数据场GDF与Ncut两种算法，简单、迅速、准确地将一幅图像划分为逻辑上有意义的区域。

为解决上述技术问题，本发明采用如下技术方案：

1、一种基于广义数据场和Ncut算法的图像分割方法，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颜色特征空间转换为L*u*v*或L*a*b*颜色特征空间，将L*u*v*或L*a*b*颜色特征空间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