[发明专利]一种基于超像素的自适应彩色图像分割方法

说明书

一种基于超像素的自适应彩色图像分割方法，包括以下步骤：1.输入待分割的彩色图像；2.对待分割的彩色图像进行过分割操作，计算超像素；3.计算超像素的数目和特征；4.初始化局部搜索的核模糊聚类算法有关参数；5.执行局部搜索的核模糊聚类算法；6.用核化聚类指标KI对不同分类进行评价，找到图像的最佳分割数目、聚类中心、隶属度矩阵；7.利用三项参数对原图像中的像素点进行标记赋值，得到最终的分割结果。本发明在图像分割前，先对图像做过分割操作，降低了算法的时间复杂度；将数据进行低维到高维空间的转换，扩大了算法的适用范围；采用核化聚类指标KI对聚类进行评价，实现了图像分割的自适应。

技术领域

本发明属于图像处理领域，具体涉及一种基于超像素的自适应彩色图像分割方法。

背景技术

在机器视觉领域中，图像分割、特征提取与目标识别构成由低层到高层的三大关键任务。图像分割是计算机视觉领域的关键话题，其目的在于将一幅图像划分成一系列具有统一、均匀特征的非重叠区域，这些特征包含：纹理、密度等。对于图像分割，目前已提出了很多相关算法，并且有些也应用于目标识别、手写字符识别等领域。但是一般来说，图像中的信息是非常复杂的，如果要实现完全自适应的从背景中分离出目标还是非常困难的。

目前对图像的处理大都以像素为单位，采用二维矩阵表示一幅图像，并未考虑像素之间的组织关系，使得算法的处理效率较低。2003年，Ren等人提出了超像素的概念，所谓超像素，是指由具有相似纹理、颜色、亮度等特征的相邻像素构成的图像块，它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，在很大程度上降低了后续图像处理任务的复杂度。模糊聚类有着分割准确性和抑制噪声的特点，但是在中心初始化方面存在不足，另外其不能自适应确定聚类数目，自适应的评价分类数目是对聚类结果的重要评价。目前，已有很多指标，大致可分为三类：包含隶属度的、包含隶属度和数据的、基于统计的。其中，划分系数(PC)、划分熵(PE)、XB指标、I指标等都是目前应用非常广泛的几种评价标准。

发明内容

本发明的目的在于针对上述现有技术中的缺陷，提供一种基于超像素的自适应彩色图像分割方法，该分割方法能够实现自适应图像分割，分割结果精确，算法实现简单。

为了实现上述目的，本发明采用的技术方案为，包括以下步骤：

步骤一、输入待分割的彩色图像；

步骤二、初始化线性采样迭代聚类法SLIC的相关参数，对待分割的彩色图像进行过分割操作，计算超像素并得到超像素中对应每个像素的标签：segments；

步骤三、计算超像素的数目和特征，具体为，

3a)将步骤二中得到的像素标签segments按照公式numSuperpixels＝max(segments)+1，求得超像素的个数；3b)分别在每个超像素区域计算该区域内所有像素的R、G、B三个通道上均值，构成一个numSuperpixels×3的特征矩阵，用以代表过分割图像，记作：meanSpectral；

步骤四、初始化局部搜索的核模糊聚类算法LKFC有关参数，包括最大迭代次数max_iter、停止阈值min_iter、最小近邻数k_nearest和高斯核函数中的参数σ；

步骤五、执行局部搜索的核模糊聚类算法LKFC，具体为，