[发明专利]一种SLIC超像素分块优化方法

说明书

技术领域

本发明属于图像分割出来领域，特别涉及一种SLIC超像素分块优化方法。

背景技术

图像分割是指按照一定的相似性准则将图像划分成具有特殊语义的不同区域，从而在复杂的背景环境中将感兴趣的目标分离出来，是图像分析、模式识别和计算机视觉中的基本问题。而超像素分割主要应用于图像分割中的预分割，超像素，是指具有相似纹理、颜色、亮度等特征的相邻像素构成的图像块，他利用像素之间特征的相似程度将像素分组，可以获取图像的冗余信息，并且经过超像素分割的图像冗余信息少，以超像素作为单位进行后续处理，在很大程度上降低了后续图像处理任务的复杂度，可以简化计算，降低算法的复杂性，有效地提高了分割算法的效率。

SLIC(simple linear iterative clustering，简单的线性迭代聚类)为基于聚类算法的超像素分割算法，是目前效果比较好的超像素分割算法。SLIC算法基于颜色相似性和距离邻近性作为度量因子，在五维空间上计算像素之间的距离，然后根据像素间的距离来进行超像素分割。五维空间向量表示为dist＝[l,a,b,x,y]，[l,a,b]是CIELAB颜色空间。SLIC算法基于K-means算法原理，首先对图像按照上述距离度量因子进行划分，然后对划分结果求均值，再进行下一次划分。通过不断的迭代获取最终稳定的种子结果，通过简单的线性迭代即可获得比较好的种子效果。对于一般的应用场合，上述算法能够实现实时处理。但若考虑对上述算法进行硬件实现时，则必须考虑成本问题，而SLIC超像素分割算法的计算量决定着硬件成本，并且传统SLIC超像素分割方法种子会浮动，位置不稳定。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种计算量更小和速度更快的SLIC超像素分块优化方法，该方法可以有效降低算法带宽，节省硬件成本，便于硬件实现。

本发明的目的通过下述技术方案实现：一种SLIC超像素分块优化方法，包括以下步骤：

1)设定超像素分块尺寸，按照所设定的尺寸将图像进行初始化分块，得到图像的初始化超像素分块；

2)将初始化超像素分块的几何中心作为初始化超像素分块的种子；

3)从输入图像上行超像素分块到下行超像素分块的顺序，将图像各行超像素分块作为目标区域，并且将目标区域行本身以及相邻行的超像素分块作为目标区域行超像素分块种子的搜索范围，指定迭代次数，按照迭代次数针对图像的目标区域行超像素分块依次进行以下迭代更新处理：

3-1)针对目标区域行的各超像素分块的种子选取一个搜索范围，并且针对各超像素分块种子搜索范围内的像素点，采用距离邻近性和颜色相似性计算其距离种子的距离度量因子值；

3-2)在当前处理的超像素分块种子与其他超像素分块种子重叠搜索范围内，比较像素点距离当前超像素分块种子的距离度量因子值是否小于距离其他超像素分块种子的距离度量因子值；

若是，则将该像素点聚类到当前处理的超像素分块中，然后执行步骤3-3)；否则保持该像素点所属超像素分块不变；

3-3)在重叠区域像素点聚类完成后，获取图像当前更新后的超像素分块，计算目标区域行当前更新后的各超像素分块的种子，并且判断当前迭代的次数是否为零；

若否，则针对更新后的当前超像素分块行继续执行步骤3-1)；

若是，则获取到输入图像目标区域行迭代更新后图像的超像素分块，执行步骤4)；

4)以图像的每行依次作为目标区域，判断当前目标区域行是否为图像最后一行，若否，则以下一行为目标区域执行步骤3)；若是，则获取到图像每行最终更新后的超像素分块，得到整幅图像的超像素分块。

优选的，步骤1)中，所述设定超像素分块尺寸为16*16pixel或8*8pixel。

优选的，步骤3)中每行超像素分块种子的搜索范围包括目标区域行本身以及相邻行靠近目标区域行的半行超像素分块。

更进一步的，所述每个超像素分块种子的搜索范围为：以每一个种子为中心周围32*32pixel区域范围。

优选的，像素点距离种子的距离度量因子值通过下式获取：

d_lab＝abs(l_i-l_k)+abs(a_i-a_k)+abs(b_i-b_k)，