[发明专利]一种基于最大稳定均匀区域的图像分割方法

说明书

技术领域

本发明涉及图像分割领域，尤其是涉及了一种基于最大稳定均匀区域的图像分割方法。

背景技术

随着科技发展和图像信息的大量产生，目标图像的自动识别和分类应用越来越广泛，同时实际应用问题对目标识别技术的要求也越来越高。其中图像分割技术是图像识别分类技术中的一个重要阶段，它主要依据图像像素点灰度和区域分布特性进行特征提取。图像分割质量高，将有利于图像识别技术接下来的特征提取和目标识别。图像分割技术现已广泛应用于机器视觉、人脸识别、指纹识别、交通控制系统、卫星图像中定位物体(道路、森林等)、行人检测、医学影像中肿瘤和其他病理的定位、组织体积的测量等。然而传统的图像分割方法大多是基于最大稳定极值区域，但是这种方法在计算上要求很高，不能应用于具有任意数量的通道的图像。

本发明提出了一种基于最大稳定均匀区域的图像分割方法，对于灰度值图像，通过从连续阈值获得的图像二进制水平集构建分量树；定义像素边缘的邻域关系，构造基于泛洪的灰度值树；将现有的基于泛洪的组件树扩展到多值图像；运用最大稳定均匀区域方法改变面积的重叠区域。本发明提出的基于最大稳定均匀区域，可应用于具有任意数量通道的图像，扩展了有效计算，改进了最大稳定极值区域的方法；同时能够提取具有较浅和较暗背景的区域，提高分割的准确性，有效提取信息。

发明内容

针对在计算上要求很高，不能应用于具有任意数量的通道的图像等问题，本发明的目的在于提供一种基于最大稳定均匀区域的图像分割方法，对于灰度值图像，通过从连续阈值获得的图像二进制水平集构建分量树；定义像素边缘的邻域关系，构造基于泛洪的灰度值树；将现有的基于泛洪的组件树扩展到多值图像；运用最大稳定均匀区域方法改变面积的重叠区域。

为解决上述问题，本发明提供一种基于最大稳定均匀区域的图像分割方法，其主要内容包括：

(一)基于边缘的组件树；

(二)将基于泛洪的灰度值树结构扩展到基于边缘的分量树；

(三)将现有的基于泛洪的组件树扩展到多值图像；

(四)最大稳定均匀区域。

其中，所述的基于边缘的组件树，对于灰度值图像，通过从连续阈值获得的图像二进制水平集构建分量树；与其灰度值对应，基于边缘的组件树的节点是输入图像中的连接分量；连通性通过边缘幅度的阈值定义；所得到的组件特征在于，区域内的每个像素具有小于当前阈值的垂直或水平边缘，反之亦然，组件的所有外边缘都大于当前边缘幅度阈值；通过连续增加阈值，组件增长，并最终合并到其他组件中；合并过程记录在组件树中，可用于在连接的组件上高效执行图像处理任务。

进一步地，所述的组件树，是分层数据结构，基本上有三种不同的组件树计算算法：浸没式算法，泛洪算法和基于合并的算法；通过从连续阈值获得的二进制集合的连接分量对灰度图像进行建模；将灰度图像的组件树扩展到具有任意数量信道的图像，同时保持计算复杂度为线性。

其中，所述的将基于泛洪的灰度值树结构扩展到基于边缘的分量树，定义像素边缘的邻域关系；本质上，每个像素有四个边，即两个垂直和两个水平；此外，每个垂直和水平像素边缘连接两个相邻的像素；因此，由于两个相邻像素共享其边缘之一，所以每个边缘具有6个独特的边缘邻域。

进一步地，所述的边缘邻域，为了确保图像中的每个边缘具有6个邻域，并且不需要明确的边界处理，图像边界处的边缘被人为地添加到无限大小；因此，在图像的每一行中存在w+1个水平边缘和w个垂直边缘，其中w是原始图像的宽度。

进一步地，所述的邻域关系，给定邻域关系，选择任意图像边缘并将其值与其六个相邻像素进行比较；一旦找到一个较低值的边，就会有相应的边缘，并检查其六个相邻边；将所有访问的边缘存储到边缘堆栈中，具体取决于它们的值；离散化堆栈的大小，在前一步骤中将所有边缘量值进行二进制化。

进一步地，所述的局部最小值，一旦找到局部最小值，将属于相应边缘的像素合并到树的一个组件中；由于收集了堆栈中的所有访问像素，可以从堆栈中的最低边开始，并将像素连续合并到组件中。

进一步地，所述的基于泛洪的灰度值树，树形结构从任意图像像素开始，并将其灰度值与其相邻像素进行比较；如果遇到具有较低灰度值的像素，则该过程会向该像素泛洪；过程中遇到的每个像素被存储到一个堆栈中，它具有与灰度级一样多的狭窄通道；一旦过程中遇到局部灰度值最小值，就会生成一个新的连接组件；然后，堆叠中的下一个最低值的像素被弹出并与其邻域进行比较；这允许通过所有像素单次遍历组件树的构造。